KI-Produktbeschreibungen im E-Commerce.

In jedem mittelständischen E-Commerce-Shop steht das gleiche Engpass-Thema: Produkttexte. Mehrere tausend Artikel, Saisonwechsel mit hunderten Neueinführungen, parallel ausländische Märkte mit eigenen Sprachen — und am Ende eine Redaktion aus zwei Personen, die nie hinterherkommt. Die Folge sind Produktseiten mit leeren Texten, mit Lieferantenbeschreibungen, die identisch in fünf Konkurrenzshops stehen, oder mit hastig getippten Sätzen, die kaufentscheidende Details auslassen. KI verspricht, dieses Skalierungsproblem zu lösen. Sie kann es auch — aber nur mit klarem Briefing, sauberer Stammdatenpflege und einer Redaktion, die nicht freigesetzt, sondern auf Qualitätskontrolle umgewidmet wird. Wer das Briefing übersieht, bekommt am Ende tausend gleich klingende Texte und einen Suchmaschinen-Rankingverlust, der teuer wird.

Warum Produktbeschreibungen kein Nebenthema sind.

In der Wahrnehmung vieler Geschäftsführer sind Produkttexte der austauschbarste Teil eines Shops — die Marke macht den Unterschied, das Produkt entscheidet, der Preis schließt ab. Das stimmt für das Premium-Segment. In der Breite des Mittelstands, wo viele Shops austauschbare Sortimente verkaufen, ist der Produkttext oft der einzige Differenzierer auf der Suchergebnisseite und der einzige Konversionshebel jenseits des Bildes.

Empirisch zeigt sich, dass Produktseiten mit individuellen, gut strukturierten Texten zwei bis drei Prozentpunkte höhere Konversionsraten erreichen als solche mit Lieferantentexten. Bei Sortimenten mit hoher Suchabhängigkeit kommt der SEO-Effekt hinzu: Unique Content bringt Rankings, duplizierte Texte werden teilweise gar nicht indexiert.

Die ökonomische Logik ist damit klar: Wer 5.000 Artikel mit ordentlichen Texten ausstattet statt mit Lieferantenfließtext, gewinnt sichtbar. Manuell ist das nur mit erheblichem Redaktionsbudget machbar. KI ändert die Kostengleichung — wenn man weiß, wie.

Was eine gute Produktbeschreibung leisten muss.

Bevor man eine KI Texte schreiben lässt, muss klar sein, was ein guter Produkttext überhaupt ist. Im E-Commerce-Kontext deckt er typischerweise vier Funktionen ab: Sucheinstieg (was muss in der Überschrift und im ersten Absatz stehen, damit Google den Artikel findet), kaufentscheidende Information (Material, Maße, Anwendung, Kompatibilität), Tonalität (Marke, Zielgruppe, Sprachstil) und Conversion-Trigger (warum gerade jetzt kaufen).

Diese vier Funktionen müssen sich in einem Briefing-Dokument niederschlagen. Es ist erstaunlich, wie oft Unternehmen versuchen, KI Produkttexte schreiben zu lassen, ohne vorher selbst aufzuschreiben, was sie eigentlich wollen. Das Ergebnis ist dann generischer KI-Output — was nicht am Tool liegt, sondern am fehlenden Briefing.

Ein gutes Briefing umfasst: Zielgruppe (B2C vs. B2B, Preissegment, Vorwissen), Tonalität (sachlich, emotional, technisch), Pflichtinhalte pro Produktkategorie, SEO-Vorgaben (Hauptkeyword, sekundäre Keywords, Länge), Verbotenes (juristisch heikle Versprechen, Konkurrenzmarken, bestimmte Adjektive). Wer dieses Dokument hat, kann KI sinnvoll einsetzen.

Welche Daten die KI braucht — und wo sie liegen.

Die häufigste Ursache schwacher KI-Produkttexte ist nicht das Modell, sondern die magere Datengrundlage. Wenn das KI-System nur „Damenhose schwarz“ und die Artikelnummer kennt, kann es nur Floskeln liefern. Wenn es Material (Baumwolle, Stretchanteil), Schnitt (hohe Taille, gerade), Anlass (Business, Freizeit), Pflegehinweise, Größenraster und Designdetails kennt, entstehen unterscheidbare Texte.

Damit landet jede ernsthafte Initiative zur KI-Textgenerierung schnell bei der Stammdatenpflege im PIM. Was nicht im PIM steht, kann auch die KI nicht in den Text bringen. Mittelständler, die hier ansetzen wollen, sollten ihre Datenstruktur vor dem KI-Projekt prüfen — sonst optimiert man Texte auf Basis von Lücken.

Drei typische Datendefekte tauchen regelmäßig auf:

• Unstrukturierte Attribute, die in Freitextfeldern statt in eigenen Feldern stehen.
• Inkonsistente Werte (gleicher Materialtyp mit fünf verschiedenen Schreibweisen).
• Lücken bei Standardattributen, die nie verpflichtend gepflegt wurden.

Wie man verhindert, dass alle Texte gleich klingen.

Ein berechtigter Einwand gegen KI-Texte lautet: Alle Texte klingen am Ende gleich. Drei Adjektive, ein Vorteilssatz, ein Call-to-Action — Schema F. Diese Sorge ist nicht abwegig, wenn das Setup schlecht ist. Sie lässt sich aber technisch reduzieren.

Hilfreich sind drei Hebel: Kategoriespezifische Templates statt eines Universalprompts (Mode wird anders beschrieben als Werkzeuge), Variation der Texteinstiege (nicht jeder Text beginnt mit dem Produktnamen), und Stilbeispiele aus dem eigenen Bestand (gute manuelle Texte als Few-Shot-Beispiele füttern). Wer das macht, bekommt Texte mit erkennbarer Tonalität, nicht generische Maschinensprache.

Der zweite Trick ist die Längenvariation. Ein Produkttext, der je nach Komplexität zwischen 60 und 180 Wörtern variiert, wirkt deutlich natürlicher als alle Texte mit identischen 100 Wörtern. Längensteuerung ist ein einfacher, oft übersehener Parameter.

SEO-Tauglichkeit bei Massenproduktion.

Eine zentrale Sorge bei KI-Massentexten ist die SEO-Wirkung. Google bewertet Inhalte heute nicht primär nach Wortlänge oder Keyword-Dichte, sondern nach Nutzerwert und Einzigartigkeit. Wenn KI-Texte langweilig oder duplikatsähnlich sind, sinken Rankings.

Gleichzeitig ist nicht jeder KI-generierte Text ein Problem. Google hat in offiziellen Stellungnahmen klargestellt: Maschinell erzeugte Inhalte sind nicht per se unerwünscht, solange sie Nutzerwert haben. Das verschiebt die Aufgabe vom „menschlich klingen“ zum „echten Mehrwert bieten“.

Mehrsprachigkeit und Markenkonformität.

Wer in mehrere Länder verkauft, verzwölffacht das Volumen — und damit den Kostendruck. KI-Übersetzung ist heute auf einem Niveau, das für Produktbeschreibungen meist genügt, vorausgesetzt das deutsche Original ist sauber und das System kennt sprachliche Eigenheiten der Zielmärkte (formelle vs. informelle Anrede, regionale Maßeinheiten, juristisch unzulässige Formulierungen je Markt).

Markenkonformität ist die zweite Hürde. Eine seriöse Marke darf nicht plötzlich „mega lässig“ klingen, eine sportliche nicht „äußerst gediegen“. Das wird über Stilrichtlinien gelöst, die im Prompt mitgegeben werden — und über stichprobenhafte Qualitätskontrollen durch die Redaktion.

In der Praxis hat sich ein zweistufiger Workflow bewährt: KI erzeugt einen Entwurf, ein Redakteur überarbeitet stichprobenhaft 10 bis 20 Prozent der Artikel, das Modell lernt aus diesen Korrekturen für die nächste Welle. So entsteht über drei bis sechs Monate ein Output, der den Stil hält, ohne dass jeder Text manuell durchgesehen werden muss.

Wo die Grenzen der Automatisierung liegen.

Produkte mit hoher Erklärungstiefe — komplexe Werkzeuge, technische Geräte, beratungsintensive Sortimente — eignen sich nur eingeschränkt für rein automatisierte Texte. Hier liefert KI einen Rohling, der inhaltlich von einem Produktmanager geprüft werden muss. Wer das überspringt, riskiert Fehlinformationen, die zu Reklamationen führen.

Ebenfalls schwierig: Produkte mit kreativ-emotionaler Aufladung. Designermöbel, Geschenkartikel, Luxusgüter — hier ist der Text Teil des Markenerlebnisses, und ein durchschnittlicher KI-Text wirkt eher abwertend. Das ist kein Argument gegen KI, sondern für selektiven Einsatz: Im Long-Tail Massenproduktion, im A-Sortiment manuelle Pflege.

Die dritte Grenze ist rechtlich: Bei regulierten Produkten (Medizin, Lebensmittel, Finanzdienstleistungen) sind viele Aussagen kennzeichnungspflichtig oder verboten. Ein KI-System ohne Kenntnis der Regulierung produziert hier abmahnfähige Texte. Wer in diesen Branchen arbeitet, muss strikte Verbotslisten und juristische Reviewprozesse einbauen.

Was Entscheider jetzt prüfen sollten.

Der Einstieg in KI-Produkttexte ist kein Riesenprojekt, sondern ein strukturiertes Vorgehen. Drei Fragen lohnen sich am Anfang: Wie sieht der aktuelle Texteinkauf aus — wer schreibt, wie viel, mit welcher Qualität, zu welchen Kosten? Wie sauber sind die Stammdaten im PIM? Welche Produktkategorien haben das größte Volumen und das geringste Risiko (das ist meist die Reihenfolge für den Pilotstart)?

Ein realistischer Pilot fängt mit 100 bis 500 Produkten einer Kategorie an. Er misst zwei Dinge: Qualität der Texte (Vergleich mit manuellem Output, Tonalität, Vollständigkeit) und Konversionsverhalten (SEO-Rankings nach 8 bis 12 Wochen, Add-to-Cart-Rate vs. Vorperiode). Erst wenn diese beiden Kennzahlen positiv sind, lohnt sich der Rollout.

Was sich oft erst im Pilot zeigt: Der größte Hebel liegt nicht im Texten selbst, sondern in der Stammdatenarbeit, die der KI vorausgeht. Wer das akzeptiert und die Redaktion teilweise zu Datenpflegern umrüstet, kommt deutlich weiter als Unternehmen, die KI als reines Schreibtool sehen.

Sie überlegen, Produktbeschreibungen für Ihren Shop mit KI zu skalieren? Unverbindlich anfragen — wir schauen gemeinsam auf Ihre Stammdatenstruktur und definieren ein realistisches Pilotvolumen.