Vom Produktfoto zum Markenzwilling

Wie StuByte FlexCo und jambit einen produktiven KI-Ingestor für RevealyIQ entwickelt haben – mit einer Agentic Engine auf Basis von LangGraph und Claude Code im Engineering

Gemeinsam mit jambit hat StuByte FlexCo für RevealyIQ einen KI-gestützten Ingestor entwickelt, der Produktfotos automatisiert verarbeitet, Informationen extrahiert und anreichert. Eine Agentic Engine recherchiert zudem Zusammenhänge zwischen Handelsmarken, Markenprodukten und Herstellern. So entsteht eine skalierbare Grundlage, um wachsende Produktbestände mit deutlich weniger manuellem Aufwand zu verarbeiten.

Kunde: StuByte FlexCo

Projekt: KI-gestützter Produktdaten-Ingestor für RevealyIQ

Branche: Stationärer Einzelhandel / Retail Intelligence

Leistungen: Applied AI Engineering, Software Engineering, Agentic AI, Cloud-Infrastruktur und Qualitätssicherung

Technologien & Methoden: LangGraph, Gemini, Claude Code, regelbasierte, deterministische Bewertung von KI-Rechercheergebnissen, durchgängiges Tracing und nachvollziehbare Verarbeitungsschritte, Human-in-the-Loop, Infrastructure as Code, strukturiertes Projektwissen für AI-gestütztes Software Engineering

Projektzeitraum: ca. drei Monate

Erfolge auf einen Blick

Herausforderung: Produktdaten skalierbar verfügbar machen

Für RevealyIQ sind verlässliche und strukturierte Produktdaten eine zentrale Grundlage.

Physische Produktfotos müssen verarbeitet, relevante Informationen extrahiert und validiert, Hersteller identifiziert und Produkte mit bestehenden Informationen verknüpft werden.

Besonders anspruchsvoll ist dabei die Frage nach Zusammenhängen zwischen Handelsmarken und vergleichbaren Markenprodukten. Diese Beziehungen lassen sich häufig nicht aus einer einzelnen Datenquelle ableiten und erfordern die Verbindung unterschiedlicher Informationen und Evidenzen.

Viele der dafür notwendigen Arbeitsschritte waren zuvor stark manuell geprägt. Mit der angestrebten Skalierung von RevealyIQ auf deutlich größere Produktbestände entsteht daraus ein operativer Engpass.

Gesucht war deshalb ein Ansatz, der:

große Mengen unsortierter Produktfotos verarbeiten kann,
relevante Produktmerkmale automatisiert extrahiert,
die gewonnenen Informationen validiert und anreichert,
Produkt-, Marken- und Herstellerbeziehungen systematisch erschließt,
sich in die bestehende RevealyIQ-Infrastruktur integriert,
und eine skalierbare technische Grundlage für das weitere Wachstum schafft.

Lösung: Vom Produktfoto zum angereicherten Datensatz

Gemeinsam entwickelten StuByte FlexCo und jambit eine KI-gestützte Verarbeitungspipeline, die Produktfotos in strukturierte und angereicherte Produktdatensätze überführt.

Der Prozess verbindet automatisierte Bilderkennung und Informationsextraktion mit agentischer Recherche, regelbasierter Bewertung und menschlicher Qualitätskontrolle.

Produktinformationen automatisiert erfassen

Der Ingestor verarbeitet unterschiedliche Aufnahmen aus dem stationären Handel – beispielsweise Produktvorder- und -rückseiten, Preisauszeichnungen oder Barcode-Aufnahmen.

Aus diesen Bildern werden relevante Produktinformationen automatisiert erkannt, strukturiert und für die weitere Verarbeitung vorbereitet.

Dazu gehören unter anderem:

Produktbezeichnung
Hersteller
EAN
Inhaltsstoffe
Nährwerte
weitere produktspezifische Merkmale

Informationen anreichern und Zusammenhänge herstellen

Die extrahierten Produktdaten werden anschließend mit bestehenden und extern verfügbaren Informationen zusammengeführt.

Ziel ist nicht nur die Digitalisierung einzelner Produktmerkmale. RevealyIQ soll darüber hinaus Zusammenhänge zwischen Produkten, Marken und Herstellern sichtbar und systematisch nutzbar machen.

Eine zentrale Aufgabe ist dabei die Identifikation möglicher Markenzwillinge.

jambit hat unsere Herausforderung von der Architektur bis zum produktiven System durchgängig betrachtet. Entstanden ist eine belastbare Lösung, die modernes AI Engineering mit fundiertem Software Engineering verbindet.

Patrick Sieber, Gründer & CEO, StuByte FlexCo

Das Herzstück: Agentic Engine für die Markenzwilling-Recherche

Die Frage, welcher Markenartikel einer Handelsmarke entspricht, lässt sich häufig nicht zuverlässig durch eine einzelne Datenbankabfrage beantworten.

Dafür wurde eine Agentic Engine auf Basis von LangGraph entwickelt.

Sie verbindet mehrere Prinzipien:

strukturierte und deterministische Datenverarbeitung,
gezielt eingesetzte KI-gestützte Recherche,
die Zusammenführung unterschiedlicher Evidenzen,
regelbasierte Bewertung,
und menschliche Kontrolle.

LLM-gestützte Komponenten kommen dort zum Einsatz, wo zusätzliche Recherche und Interpretation erforderlich sind. Die dabei gewonnenen Informationen werden anschließend strukturiert zusammengeführt.

Die finale Priorisierung übernimmt bewusst kein LLM.

Ein deterministischer Judge bewertet die Rechercheergebnisse anhand definierter fachlicher Regeln und priorisiert die möglichen Kandidaten.

Das zugrunde liegende Prinzip lautet:

Das LLM recherchiert, der Code entscheidet.

Damit verbindet die Architektur die Stärke generativer KI bei Recherche und Interpretation mit der Reproduzierbarkeit klassischer Softwarelogik. Zentrale Entscheidungen bleiben dadurch testbar und nachvollziehbar.

Nachvollziehbarkeit und menschliche Kontrolle

Die Agentic Engine wurde so aufgebaut, dass ihre einzelnen Verarbeitungsschritte nachvollzogen und technisch überprüft werden können.

Ein durchgängiges Tracing macht sichtbar, wie ein Vorschlag zustande gekommen ist und welche Informationen in die Bewertung eingeflossen sind.

Die automatisierte Verarbeitung endet bewusst nicht mit einer unsichtbaren KI-Entscheidung.

Vorgeschlagene Markenzwillinge werden einem Operator inklusive Begründung zur Prüfung bereitgestellt. Dieser kann die Ergebnisse nachvollziehen, korrigieren und final freigeben.

Damit verbindet RevealyIQ automatisierte Recherche mit Transparenz und menschlicher Verantwortung.

Engineering-AI und Runtime-AI bewusst getrennt

Die KI-Funktionen innerhalb der laufenden Anwendung basieren auf Gemini über Google Vertex AI und folgen damit der GCP-nativen Architektur von StuByte FlexCo.

Claude selbst ist nicht Bestandteil der produktiven Runtime des Ingestors.

Claude Code wurde dagegen konsequent für das Engineering des Systems eingesetzt.

Die Rollen sind damit bewusst getrennt:

Gemini auf Vertex AI übernimmt definierte KI-Aufgaben innerhalb der laufenden Anwendung. Claude Code unterstützt die Entwicklung und Weiterentwicklung des Gesamtsystems.

Die Technologieauswahl folgt damit der jeweiligen Aufgabe und der bestehenden Kundenarchitektur – nicht dem Anspruch, einen einzelnen KI-Anbieter über den gesamten Stack einzusetzen.

Claude Code als durchgängiger Engineering-Partner

Claude Code wurde im Projekt nicht nur punktuell als Coding Assistant verwendet.

Der Engineering-Workflow wurde bewusst so gestaltet, dass Claude Code über den gesamten Software Development Lifecycle hinweg mit dem jeweils relevanten fachlichen und technischen Projektkontext arbeiten kann.

Der Einsatz umfasste unter anderem:

Architektur
Implementierung
automatisierte Tests
Infrastrukturentwicklung
technische Dokumentation
Debugging
Analyse von Fehlern im produktiven Betrieb

Der gesamte im Projekt entstandene Code wurde mit Claude Code entwickelt.

Architektur sowie zentrale fachliche und technische Entscheidungen wurden partnerschaftlich zwischen StuByte FlexCo und jambit abgestimmt. Reviews und die finale Qualitätsverantwortung blieben bewusst in menschlicher Hand.

Strukturiertes Projektwissen als Grundlage

Eine zentrale Voraussetzung dafür war, Projektwissen nicht in einzelnen Chatverläufen zu belassen, sondern strukturiert und dauerhaft für den Entwicklungsprozess verfügbar zu machen.

Dafür wurde ein projektbezogenes Wissenssystem direkt im Repository aufgebaut.

Es verbindet unter anderem:

dokumentierte Architekturentscheidungen,
Feature-Spezifikationen,
Roadmap und Projektstatus,
Fachbegriffe und Domänenwissen,
technischen Kontext,
sowie verbindliche Entwicklungs- und Dokumentationsprinzipien.

Zusätzlich unterstützen projektspezifische Claude-Code-Workflows dabei, Erkenntnisse aus Kundengesprächen strukturiert in Anforderungen, Architekturentscheidungen, Implementierung und Dokumentation zu überführen.

So entsteht eine durchgängige Verbindung zwischen fachlichem Kontext und technischer Umsetzung.

Auch die Weiterentwicklung der Agentic Engine – von einer ursprünglich sequenziellen Recherchelogik hin zu einem modularen, agentischen Workflow – wurde auf dieser Grundlage mit Claude Code umgesetzt.

Vom gemeinsamen Entwicklungsprojekt zum produktiven System

Innerhalb eines rund dreimonatigen gemeinsamen Entwicklungsprojekts entstand ein produktives Multi-Service-System.

Zum Ergebnis gehören unter anderem:

mehrere produktive Anwendungsservices,
die Cloud-Infrastruktur als Code,
639 automatisierte Tests unter strikter Typprüfung,
26 dokumentierte Architekturentscheidungen,
15 Feature-Spezifikationen,
strukturiertes Projektwissen,
und eine übergabefähige technische Dokumentation.

Architektur und Umsetzung wurden partnerschaftlich mit StuByte FlexCo entwickelt. Das strukturierte Projektwissen und die technische Dokumentation schaffen zugleich eine belastbare Grundlage für die weitere Entwicklung des Systems.

Produktiver Einsatz und messbare Ergebnisse

Bereits in der frühen Produktionsphase wurden:

rund 2.850 Produkte
auf Basis von rund 20.000 Produktfotos
aus 21 Supermärkten

verarbeitet.

Der Median vom Produktfoto bis zum angereicherten Datensatz lag bei 23 Sekunden.

Dabei wurden:

Marken bei 97 Prozent der Produkte automatisch erkannt,
EANs bei 96 Prozent der Produkte automatisch erkannt.

Damit ist aus dem Entwicklungsvorhaben ein produktiv eingesetztes System geworden.

Für StuByte FlexCo schafft der Ingestor die technische Grundlage, Produktinformationen zunehmend automatisiert zu erfassen, anzureichern und in deutlich größerem Umfang für RevealyIQ verfügbar zu machen.

Erfolge auf einen Blick

Kompaktes gemeinsames Entwicklungsprojekt bis zum produktiven Multi-Service-System
Durchgängiger Claude-Code-Einsatz von Architektur und Implementierung über Tests und Infrastruktur bis zur Fehleranalyse im laufenden Betrieb
Agentic Engine kombiniert KI-gestützte Recherche mit deterministischer Entscheidungslogik: Das LLM recherchiert, der Code entscheidet
Klare Trennung von Runtime-AI und Engineering-AI: Gemini im produktiven System, Claude Code im Engineering
Nachvollziehbare Markenzwilling-Recherche mit menschlicher Kontrolle statt Black-Box-Entscheidungen
Partnerschaftliche Architekturentwicklung zwischen StuByte FlexCo und jambit
Strukturiertes Projektwissen und technische Dokumentation als Grundlage für die weitere Entwicklung des Systems

Über RevealyIQ

RevealyIQ ist eine datengetriebene Plattform der StuByte FlexCo für die Analyse von Produkten, Marken und deren Zusammenhängen im stationären Einzelhandel.