Cloudglues neue API verwandelt unstrukturierte Video- und Audiodaten in die strukturierten Daten, die für agentenbasierte Storefronts der nächsten Generation erforderlich sind. Aber ist Ihre Architektur bereit für die Flut sensorischer Daten?
Letztes Wochenende stand ich in der glorreichen, lächerlichen, zweistündigen Schlange vor Howlin' Ray's in DTLA. Es ist eine einzigartige Art des gemeinschaftlichen Leidens in Los Angeles für eine transzendente Belohnung. Man riecht den Cayennepfeffer und das gebratene Hähnchen, lange bevor man das Fenster sieht. Man hört das Brutzeln, das Team, das Bestellungen ruft. Man beobachtet die Gesichter der Leute, wenn sie den ersten, umwerfenden Bissen eines Sando nehmen. Das gesamte Erlebnis ist ein Feuerwerk an sensorischen Daten, das in einer einfachen Transaktion gipfelt: ein Hähnchensandwich, mittlerer Schärfegrad plus.
Mein Commerce-AI-Gehirn konnte nicht abschalten. Mir wurde klar, dass ein Standard-Shopping-Agent nur den letzten Teil dieser Transaktion verstehen würde – die Bestellung. Er könnte den Text verarbeiten: „Hot Chicken Sandwich.“ Er könnte es in einer Datenbank finden. Er könnte sogar die Bestellung aufgeben. Aber er wäre völlig blind und taub für das Warum. Er würde den Geruch, die Geräusche, die visuellen Hinweise der Schlange, die freudigen Reaktionen der Leute vor mir nicht verstehen – all die unstrukturierten, multimodalen Datenpunkte, die signalisieren: „Dieses Produkt ist das Warten wert.“
Die meisten Marken-KI arbeiten heute in diesem textbasierten Vakuum. Sie liest Produktbeschreibungen und verarbeitet Suchanfragen. Sie ist eine intelligente Bibliothekarin in einem stillen, farblosen Raum. Dies ist ein fataler Fehler im Wettlauf um den Aufbau wirklich nützlicher agentenbasierter Storefronts (agentic storefronts). Ihre Kunden leben in einer Welt von TikTok-Unboxings, YouTube-Rezensionen und Instagram Stories – einer Welt der Bewegung und des Klangs. Ihre KI tut das größtenteils nicht.
Ein „Show HN“-Beitrag letzte Woche für ein Startup namens Cloudglue signalisiert jedoch, dass sich dies ändern wird [2]. Sie haben eine öffentliche Beta für eine API gestartet, die rohe Video- und Audiodaten in das strukturierte JSON umwandelt, das Retrieval-Augmented Generation (RAG)-Pipelines benötigen, um zu funktionieren. Es ist einer der ersten glaubwürdigen Versuche, unseren Commerce-KIs Augen und Ohren zu geben. Und es wird ein grundlegendes Umdenken in der Architektur der Commerce-KI erzwingen.
Warum steckt Ihre KI in einem Stummfilm fest?
Alex Rivera, der CEO von Cloudglue, nannte im Launch-Thread eine Statistik, die jeder Commerce CTO ausdrucken sollte: „70 % der DTC-Produktdaten sind Video/Audio, aber Agenten ersticken daran“ [2]. Er hat nicht Unrecht. Der überzeugendste, einflussreichste und wirkungsvollste Inhalt über Ihre Produkte ist fast sicherlich in einem Format gesperrt, das Ihr teurer neuer KI-Agent nicht verstehen kann.
Denken Sie darüber nach. Ist für eine Premium-Activewear-Marke die aussagekräftigste Produktdaten die Aufzählung der Funktionen auf einer Produktdetailseite? Oder ist es das 30-sekündige Video einer Influencerin, die nahtlos durch ein Vinyasa in ihren neuesten Leggings fließt und über Passform und Gefühl spricht? Ist für eine Reisegepäckmarke die statische Online-Maßangabe, oder die benutzergenerierte TikTok-Rezension, die genau zeigt, wie viele Outfits jemand für einen Wochenendtrip in ein Handgepäckstück packen kann?
Dies ist die „Sensorische Daten“-Lücke. Aktuelle agentenbasierte (agentic) Systeme, selbst hochentwickelte, die RAG verwenden, basieren in der Regel auf textbasierten Vektordatenbanken. Sie füttern sie mit Produktkatalogen, Hilfedokumenten und vielleicht Blogbeiträgen. Die KI kann dann Antworten aus diesem textbasierten Korpus abrufen und synthetisieren. Sie kann einem Kunden sagen, dass Ihr Hemd „aus 100 % Bio-Baumwolle“ ist, aber sie kann das Gefühl eines Rezensenten, der das Gefühl dieser Baumwolle in einem Unboxing-Video als „unglaublich weich“ beschrieb, nicht verstehen oder vermitteln.
Dieser unstrukturierte Inhalt ist der Ort, an dem die wahre Konversionskraft liegt. Er ist Social Proof, eine Produktdemonstration und ein Testimonial in einem. Aber für eine Maschine ist eine Videodatei nur ein undurchsichtiger Klumpen Pixel und eine Audiodatei nur eine Wellenform. RAG-Pipelines „ersticken daran“, weil sie keinen Mechanismus haben, um die Entitäten, Attribute, Stimmungen und Aktionen innerhalb dieser Medien zu extrahieren. Dies von Grund auf zu versuchen, ist ein massiver technischer Aufwand, der komplexe Computer Vision und Audioverarbeitungsmodelle erfordert. Die meisten Marken haben dies, zu Recht, nicht gemacht.