Kann KI echte Duplikate von falschen Zwillingen in Artikelstammdaten unterscheiden?

Ein falsches Duplikat ist ein Artikel, der bei einer Katalogzusammenführung als Treffer aussieht, aber nicht derselbe Einkaufsartikel ist. Die Beschreibung mag ähnlich sein — doch Gütegrad, Stärke, Material, Freigabeklasse, Konformitätsbewertung, Teilenummern-Suffix oder Gebindegröße ändern das Ergebnis.

Die PAIR-20-Aufgabe T06 vom Juli 2026 testete genau dieses Problem mit drei synthetischen MRO-Katalogen. Die Aufgabe lautete: einen zusammengeführten Stückpreisvergleich erstellen, falsche Duplikate auflisten und einen Konsolidierungspfad empfehlen. Das Aufgabenbriefing wies die Plattformen an, nach Funktion, Maßen, Material und Gütegrad abzugleichen — nicht allein nach Stichwörtern in der Beschreibung.

Die Nitrilhandschuh-Zeile war der entscheidende Test. Die Produkte unterschieden sich in Stärke und Gebindegröße, und Atlas ließ die Kartonmenge offen. ChatGPT, Claude und Gemini behandelten die Handschuhe als nicht direkt vergleichbar und wiesen darauf hin, dass die fehlende Atlas-Kartonmenge vor der Preisberechnung zu klären sei.

Copilot scheiterte am leeren Feld im einfachen Durchlauf. Die Plattform schrieb „Likely 100ct“ für die unbekannte Atlas-Menge. Das Aufgabenblatt besagte, dass Atlas' Kartonmenge je nach Artikel variiert und bestätigt werden muss — nicht angenommen. Nach der PAIR-20-Rubrik ist ein erfundener Datenpunkt ein Aufgabenversagen, weil der Leser nicht erkennen kann, dass die Tabelle eine Schätzung enthält.

Ein echtes Duplikat braucht mehr als eine ähnliche Beschreibung. Bei MRO-Daten muss der Treffer die Spezifikationsfelder überstehen, die Einsatz, Sicherheit, Konformität und Stückpreis verändern. KI kann mögliche Treffer aufzeigen, aber die Liste der falschen Duplikate ist der Teil, den man zuerst prüfen sollte.

Leere Felder sind auch Einkaufsfakten. „Beim Lieferanten bestätigen“ ist ein nützliches Ergebnis. Eine geratene Gebindegröße ist es nicht — sie wird zum Nenner für den Stückpreis und kann die Antwort auf die günstigste Quelle verändern.

KI für den ersten Durchlauf nutzen, dann die kritischen Zeilen prüfen. Beginnen Sie mit der zusammengeführten Tabelle, aber überprüfen Sie Zeilen mit fehlenden Gebindegrößen, fast identischen Beschreibungen und jeder Spezifikationsabweichung, die einen Austausch unsicher machen würde.