Finanzierung
Wilgot sammelt 3 Millionen US-Dollar in Seed-Finanzierungsrunde ein, um die Sichtbarkeit von Produkten beim KI-gestützten Einkauf zu verbessern

Wichtige PunkteWilgot verwandelt bestehende Kundenanfragen und -bewertungen in reichhaltigere…
Mehr anzeigen
- Wilgot verwandelt bestehende Kundenanfragen und -bewertungen in reichhaltigere Produktdaten, auf die KI-Assistenten reagieren können.
- Die Feedbackschleife der Plattform optimiert Inhalte für Sichtbarkeit und Conversion, kann jedoch nicht kontrollieren, was unabhängige Assistenten empfehlen.
- Den frühen Kundenergebnissen von Wilgot fehlen offengelegte Messzeiträume, sodass sie vielversprechend wirken, statt belegte Benchmarks zu sein.
Wilgot hat 3 Millionen US-Dollar in einer Seed-Finanzierungsrunde eingesammelt. Damit sollen Einzelhändler ihre Produkte für KI-Einkaufsassistenten leichter auffindbar und verständlich machen und dafür sorgen, dass diese die Produkte häufiger empfehlen. Das Stockholmer Startup entwickelt eine Software, die es als agentische Produktoptimierung oder APO bezeichnet. Sie wandelt Kundenwissen in umfassendere Produktinformationen um und passt diese kontinuierlich an verändertes Einkaufsverhalten an.
Industrifonden führte die Finanzierungsrunde an, die Wilgot auch mit 30 Millionen SEK beziffert. Beteiligt waren außerdem Luminar Ventures, Foundry Ventures, Ventures Together und Inovexus. Zu den Angel-Investoren gehörten die Voyado-Gründer Johan Bäckarlin und Johan Hjelte sowie Niclas Mollin, Gründer von inriver und Occtoo.
Das Unternehmen will das Kapital für die Weiterentwicklung seiner Plattform und den Ausbau seiner kommerziellen Reichweite einsetzen. Anders Nygren von Foundry Ventures und Andreas Söneby von Industrifonden werden in den Vorstand einziehen.
Kundenwissen in Produktinformationen verwandeln
Wer einen Assistenten um ein Geschenk für jemanden bittet, der gerne wandert, beschreibt einen Verwendungszweck, statt ein Produkt zu benennen. Damit ein Einzelhändler in einer hilfreichen Antwort auftaucht, muss sein Katalog erklären, welche Artikel zu dieser Situation passen und warum. Ein Foto und eine kurze Produktbeschreibung lassen möglicherweise wichtige Fragen offen.
Wilgot setzt bei Informationen an, über die Einzelhändler bereits verfügen: Suchanfragen, Kundenbewertungen, Support-Tickets und Rücksendungen. Diese Quellen können Kaufmotive, wiederkehrende Fragen und Abweichungen zwischen den Kundenerwartungen und der tatsächlichen Produktleistung aufzeigen. Die Plattform überführt diese Erkenntnisse in Produktseiten, Datenfeeds, FAQs und strukturierte Daten.
Wiederholte Fragen zur Passform eines Schuhs könnten beispielsweise auf eine Lücke bei den Größenangaben hindeuten. Werden verifizierte Hinweise ausdrücklich aufgeführt, erhalten sowohl Kunden als auch Suchsysteme aussagekräftigere Informationen. Der Mehrwert besteht darin, eine relevante Tatsache herauszufiltern und dem passenden Artikel zuzuordnen – nicht einfach darin, eine längere Beschreibung zu verfassen.
Wilgot versteht APO als aktive Ebene zur kontinuierlichen Verbesserung. Tools zur Überwachung der Sichtbarkeit können zeigen, ob eine Marke in der Antwort eines Assistenten erscheint. Produktinformationssysteme speichern und verteilen derweil Katalogdaten. Wilgot konzentriert sich darauf, die Informationen zu verändern, mit denen diese Systeme und Assistenten letztlich arbeiten.
Ein Regelkreis zwischen Produktsuche und Kaufabschluss
Die Website des Unternehmens beschreibt drei Schritte: Bedarfssignale erkennen, Produktinhalte erstellen und Ergebnisse messen. Zu den erstellten Inhalten gehören Titel, Beschreibungen, Attribute und FAQs in der jeweils relevanten Sprache. Der Optimierungsprozess erfasst Sichtbarkeit, Interaktionen und Kaufabschlüsse über Google und die KI-Suche hinweg und nutzt diese Signale anschließend, um die Inhalte anzupassen.
Wilgot zufolge ist dieser Ansatz für Kataloge mit mehreren Zehntausend Produkten ausgelegt. In der Mitteilung zur Finanzierung heißt es, die Plattform nutze bestärkendes Lernen, um Produktinformationen anhand von Leistungsdaten zu verbessern, und unterstütze Inhalte in mehr als 100 Sprachen.
In der Praxis ermöglicht der Regelkreis dem System, nach der Veröffentlichung von Inhalten zu lernen, welche Änderungen hilfreich sind. In der Mitteilung werden weder das Belohnungssystem noch die Modellarchitektur offengelegt; diese Details sind daher nicht Teil der öffentlichen Beschreibung. Das beschriebene Lernen findet in Wilgots Optimierungsprozess statt. Es bedeutet nicht, dass ein Einzelhändler ChatGPT direkt neu trainieren oder bestimmen kann, was ein unabhängiger Assistent empfiehlt.
Strukturierte Produktinformationen spielen in der Suche bereits eine konkrete Rolle. In Googles Dokumentation zu Produkteinträgen wird erläutert, wie Auszeichnungen mit Product und Offer Angaben wie Preis, Verfügbarkeit, Versand und Rücksendungen für Einkaufserlebnisse verfügbar machen können. Das veranschaulicht, wie wichtig es ist, Produktdaten ausdrücklich anzugeben. Die Eignung für ein Suchfeature ist jedoch nicht gleichbedeutend mit einer garantierten Empfehlung.
Das übergeordnete Problem ist bei der Aufbereitung von Produktdaten für den KI-gestützten Einkauf bekannt: Flüssig formulierte Antworten setzen weiterhin genaue zugrunde liegende Datensätze voraus. Ein Content-System muss zwischen einer bestätigten Produktspezifikation, der Meinung eines Kunden und einer Schlussfolgerung zur Eignung unterscheiden. Andernfalls kann eine bessere Sichtbarkeit eines Artikels auch dazu führen, dass sich eine unbelegte Behauptung weiter verbreitet.
Erste Kunden und das Gründerteam
Wilgot nennt Daniel Wellington, J.Lindeberg, Myrqvist und Signify als Kunden. Laut der Finanzierungsmitteilung stieg der Nettoumsatz auf den von Wilgot optimierten Produktseiten von Daniel Wellington um 20 Prozent. Zudem kommen inzwischen 7 Prozent der Myrqvist-Kunden über ChatGPT.
Die Zahlen beziehen sich auf unterschiedliche Ergebnisse: Die eine betrifft den Umsatz auf ausgewählten Produktseiten, die andere einen Kanal zur Kundengewinnung. Die Mitteilung nennt weder die Messzeiträume noch das Versuchsdesign. Sie liefern erste Hinweise auf den kommerziellen Erfolg, sind jedoch keine einheitliche Kennzahl, die sich auf alle Einzelhändler übertragen lässt.
Wilgot wurde 2024 gegründet und vereint Erik Wikander, Mitgründer und CEO; Dr. Mhairi Dunion, Mitgründerin und KI-Wissenschaftlerin; sowie Oleg Danylenko, Mitgründer und CTO. Wikander war zuvor Chief Marketing Officer bei Lendify. Dunion promovierte an der University of Edinburgh im Bereich Deep Reinforcement Learning, während Danylenko unter anderem in der Datenwissenschaft bei Klarna, IKEA und Teemyco tätig war.
„Marken investieren zu viel Zeit darin, zu messen, ob KI-Assistenten sie erwähnen, und zu wenig Zeit darin, der KI einen Grund zu geben, ihre Produkte zu empfehlen“, sagte Wikander in der Ankündigung.
Die Seed-Finanzierungsrunde gibt Wilgot die Mittel, sein Angebot über den bisherigen Kundenstamm hinaus auszubauen. Die Chance besteht darin, das über die Kundeninteraktionen eines Einzelhändlers verstreute Wissen mit den Produktdaten zu verknüpfen, die beeinflussen, was Kunden entdecken. Je dialogorientierter Einkaufsschnittstellen werden, desto mehr wird es zu einer eigenständigen kommerziellen Aufgabe, dieses Wissen korrekt, zugänglich und nützlich zu machen.












