MCP jenseits der Demo: Was das Akeneo-Setup von DwyerOmega über die Governance von KI-Agenten in Produktdaten zeigt

MCP hat die Demophase hinter sich gelassen. Ein Hersteller betreibt inzwischen täglich KI-gestützte Workflows auf seinem PIM, und damit wird eine bisher eher theoretische Frage zur Architekturentscheidung: Was darf ein Agent aus Ihren Produktdaten lesen, was darf er zurückschreiben, und welches System setzt diese Grenze durch. Die zweiteilige Fallstudie von Akeneo über DwyerOmega zeigt, wie ein solches Setup im Betrieb aussieht, und ein Beitrag von Crystallize vom Vortag zeigt, wo die Grenze verläuft. Gemeinsam beschreiben sie dasselbe Muster aus zwei Richtungen: Agenten erhalten früh breiten Lesezugriff, während Schreibvorgänge bei Menschen und Systemregeln bleiben.

Was DwyerOmega auf Akeneo MCP aufgebaut hat

DwyerOmega ist ein Hersteller technischer und industrieller Produkte mit komplexem Sortiment, mehrsprachigen Inhalten, häufigen Übernahmen und bei einem Modell geschätzt 100.000 bis 200.000 möglichen Varianten. Teil 1 der Akeneo-Fallstudie beginnt mit einem Pipeline-Problem. Cyrus Grimes, Director of Product Content Management, zog Anreicherungsdaten über API-Verbindungen aus Akeneo in Microsoft Fabric, um Power-BI-Dashboards zu bauen, weil längst nicht alle Kollegen das PIM öffnen wollten. Die Extraktion lief in Fabric nicht stabil, und vollständige Ladeläufe wurden mit den mehrsprachigen Inhalten immer schwerer. Mit Akeneo MCP und Codex in Fabric baute er die Pipeline neu auf Delta-Updates auf. Sie läuft jeden Morgen, und ein vollständiger Export über alle Sprachen ist in rund 2,5 bis 3 Stunden abgeschlossen, ohne an Concurrency-Grenzen zu stoßen.

Teil 2, verfasst von Samira McDonald und am 4. November 2026 veröffentlicht, beschreibt, was auf dieser Grundlage läuft. In Power BI sehen Produktmanager und Marketing, wo Produkte ihre Ziele bei Bildern, 360-Grad-Ansichten, Alt-Texten, Beschreibungen, CAD-Dateien, Cross-Selling und SEO-Metadaten verfehlen, filterbar nach Produktmanager oder Modell und als Arbeitsliste exportierbar. Ein KI-gestützter Workflow in Claude findet über die Akeneo-Datensätze die passenden Handbücher und Datenblätter, extrahiert deren technischen Inhalt per lokaler OCR und einem lokalen Sprachmodell und erstellt Beschreibungen, die sich an den Fähigkeiten des Produkts orientieren. Produktmanager prüfen diese Texte, bevor sie zurück in Akeneo geladen werden. Laut Grimes hat das Bewahren der brauchbaren Teile der alten Texte dazu beigetragen, den organischen Suchtraffic stabil zu halten und weiter zu steigern.

Den größten Nutzen sieht Grimes im Workflow für Übernahmen. Ein Web-Scrape der Produktserien eines übernommenen Unternehmens legt die Assets in SharePoint ab, spiegelt Bilder nach AWS, erstellt das Asset in Akeneo mit bereits eingetragener URL und legt die Produktserie mit einer Platzhaltervariante an. Pro Serie dauert das etwa 40 Minuten, und nach wenigen Wochen waren 82 Serien angelegt. Technische oder teure Produkte landen in einer Produktfamilie, deren Call to Action der Kontakt zum Vertrieb ist. So sind die Informationen veröffentlicht, bevor jede Commerce-Entscheidung gefallen ist.

Wo das Schreiben endet

Die Fallstudie ist ebenso aufschlussreich bei dem, was DwyerOmega den Agenten vorenthält, wie bei dem, was automatisiert wird. Das Power-BI-Dashboard ist bewusst nur lesend. Auf die Frage, ob Änderungen dort zurück ins PIM fließen, antwortet Grimes: "No, this is just a report." Änderungen erfolgen weiterhin in Akeneo oder über abgestimmte Ladedokumente geschulter PIM-Anwender. Die KI-Beschreibungen gehen vor dem Laden über den Tisch des Produktmanagers. Zwei Ideen in einer frühen Erkundungsphase folgen derselben Linie: eine Prüfansicht, die Datensätze zwischen Quellsystem, SAP Commerce Cloud und Akeneo vergleicht, und ein Workflow, der in einem Team-Chat gemeldete Datenfehler liest, Akeneo prüft und über MCP Korrekturen vorschlägt, wobei die Freigabe beim Menschen bleibt. Akeneo fasst das Betriebsmodell so zusammen: wiederholbare Recherche und Vorbereitung automatisieren, folgenreiche Änderungen in menschlicher Hand lassen.

Diese Grenze hat DwyerOmega selbst gezogen, das Protokoll nimmt Ihnen diese Entscheidung nicht ab. In unserem Trends-in-PIM-Beitrag zu KI-Governance und Anreicherungsagenten zitieren wir dazu die Dokumentation von Akeneo: Wer Zugriff auf die MCP-Verbindung hat, kann alle Aktionen ausführen, die der zugrunde liegende API-Schlüssel erlaubt, einschließlich Schreiben und Bearbeiten, sofern aktiviert. Wer diesen Schlüssel konfiguriert, legt also die tatsächlichen Befugnisse des Agenten fest.

Crystallize: Leitplanken außerhalb des Prompts

Nebojsa Radakovic, Marketing Director bei Crystallize, formuliert das allgemeine Argument in AI Agent Governance: Govern What Agents Can Do, Not Just What They Can Say, veröffentlicht am 3. November 2026. Sein Ausgangspunkt: Ein Agent ist Software mit delegierten Befugnissen, Governance umfasst daher Identität, Berechtigungen, Daten, Tools, Freigaben, Aktionslimits, Protokollierung und den Entzug von Rechten. Die Regel, die er vorschlägt, ist einfach: "The more consequential the action, the stronger the control should be." Eine Produktbeschreibung vorzuschlagen, sie zu veröffentlichen, einen Preis zu ändern und eine Erstattung auszulösen sind unterschiedliche Stufen einer Leiter, und reiner Lesezugriff "should often be the first production stage, not an embarrassing limitation to remove as quickly as possible."

Im Kern geht es darum, wo die Grenze technisch liegt. "'Never change prices by more than 10%' is useful context. It is not, however, a security boundary." Birgt eine Änderung ein ernstes Risiko, muss das Commerce-System sie ablehnen, unabhängig davon, was dem Agenten aufgetragen wurde. Crystallize wendet das auf die eigene MCP-Implementierung an, bei der Agenten Schemas erkunden und Commerce-Daten abfragen können, Schreibrechte aber ausdrücklich freigeschaltet werden müssen, und auf den eigenen internen Engineering-Agenten, dessen Codeänderungen als Draft Pull Requests eingehen, die Menschen freigeben. Zu MCP selbst ist der Beitrag deutlich: "A standardized connection is not the same as a controlled connection." Das Protokoll macht Tools leichter auffindbar und nutzbar, die Geschäftsregeln liegen weiterhin in den Systemen dahinter.

Der Beitrag verweist auf eine IBM-Umfrage vom Oktober 2026 unter mehr als 3.200 Führungskräften in Europa und dem Nahen Osten: 75 % erwarteten bis 2027 ein gewisses Maß an Entscheidungsautonomie für KI-Agenten, während 37 % angaben, ihre Governance sei darauf ausgelegt, mit agentischer KI zu skalieren.

Produktdaten liegen auf der Grenze

Crystallize ergänzt einen zweiten Punkt, der für PIM-Teams am schwersten wiegt. Ein Agent kann jede Zugriffsregel einhalten und trotzdem eine falsche Antwort liefern, wenn er mit dem Bestand von gestern oder einem veralteten Preis arbeitet. Governance muss deshalb auch den Kontext abdecken, den Agenten nutzen: "which system owns a fact, how fresh that information is, whether variants have stable identities, whether fields have explicit meanings, and whether downstream representations can be traced back to their source."

Das Setup von DwyerOmega zeigt, wie das praktisch aussieht. Akeneo bleibt die führende, kontrollierte Quelle, die Pipeline nach Fabric aktualisiert sich täglich per Delta, und die geplante Prüfansicht zielt genau auf die Synchronisationslücken zwischen SAP Commerce Cloud und dem PIM, durch die ein Agent veraltete Fakten erhalten würde. Teil 1 erwähnt außerdem, dass DwyerOmega prüft, wie Akeneo zur kontrollierten Quelle für KI-Agenten werden kann, die verlässlichen Produktkontext brauchen. Die Qualitätsdashboards, die heute den Produktmanagern helfen, sind dieselben Prüfungen, die morgen entscheiden, ob ein Agent einem Datensatz vertrauen kann. Unsere Leitfäden zu Produktdatenqualität und Governance und zu KI-fähigen Produktdaten für Agentic Commerce beschreiben die Arbeit an Attributen, Identitäten und Verantwortlichkeiten, auf der das aufbaut.

Was beide Beiträge zusammen ergeben

Beide Beiträge sind Herstellerinhalte: Akeneo beschreibt einen Kunden auf dem eigenen MCP-Server, Crystallize positioniert die eigene Commerce-MCP und das eigene strukturierte Datenmodell. Zusammen ergeben sie dennoch ein stimmiges Bild. MCP senkt den Aufwand, Agenten und Alltagstools an das PIM anzubinden, wie die neu gebaute Pipeline und das Onboarding in 40 Minuten bei DwyerOmega zeigen. Die Befugnisse dieser Agenten werden an anderer Stelle festgelegt: in API-Schlüsseln, Rollen, Prüfschritten und Validierungsregeln im PIM und in der Commerce-Plattform. Ein praktischer Weg, jedes MCP-Projekt zu beschreiben, ist, pro Agent festzuhalten, was er liest, was er ändern darf, welche Änderungen eine Freigabe brauchen und wie sich eine Änderung nachvollziehen und rückgängig machen lässt. Die Antwort von DwyerOmega lautet derzeit: breit lesen, Schreibvorgänge vorbereiten, Menschen laden. Das entspricht den ersten Stufen der Leiter von Crystallize. Unser Beitrag dazu, was KI in einem PIM tatsächlich leistet und wo sie scheitert, beschreibt die stufenweise Einführung hinter diesem Ansatz, und die Profile von Akeneo und Crystallize stellen beide Plattformen vor.