KI-Produkttexte in Serie: Warum Qualität ein Datenproblem ist

„Lass uns die Produkttexte mit KI machen“ klingt nach einer Prompt-Aufgabe. Ist es aber nicht. Wer hunderte oder tausende Produktbeschreibungen skaliert erzeugen will, stößt nicht an die Grenzen des Sprachmodells, sondern an die Grenzen der eigenen Daten. Ein Modell kann nur so gut über ein Produkt schreiben, wie die Informationen sind, die es bekommt – und genau da scheitern die meisten Projekte, lange bevor der erste Prompt geschrieben wird.

Das Wichtigste in Kürze

• Skalierte Produkttexte scheitern fast nie am Sprachmodell, sondern an lückenhaften oder unstrukturierten Produktdaten.
• Gold-Standard-Beispiele pro Kategorie sichern Konsistenz zuverlässiger als immer neues Prompt-Feintuning.
• Farb- und Größenvarianten mit identischem Basistext sind der häufigste Duplicate-Content-Fehler skalierter Texte.
• Ein vierstufiger Workflow – Attribute, Template, Stichprobe, Indexierungs-Entscheidung – liefert Tempo und Qualität gleichzeitig.
• Unter etwa 1.000 Produkten schlägt Handarbeit mit KI-Assistenz meist die Vollautomation.

Die eigentliche Grenze: strukturierte Attribute

Ein Prompt wie „Schreibe eine verkaufsstarke Produktbeschreibung für diesen Wanderschuh“ liefert bei dürftigen Stammdaten immer denselben Effekt: generische Füllsätze, austauschbare Adjektive, Halluzinationen bei Maßen oder Material. Warum das passiert, ist naheliegend: Ein Sprachmodell füllt Lücken, wenn es keine Fakten bekommt – und das Ergebnis liest sich zunächst plausibel, ist aber im Zweifel falsch. Mehr zum grundsätzlichen Mechanismus hinter solchen Erfindungen findest du in unserem Artikel zu KI-Halluzinationen.

Die Lösung liegt nicht in einem besseren Prompt, sondern in einer sauberen Attribut-Basis – Material, Maße, Herstellungsland, Zielgruppe, Einsatzzweck, Unterschiede zur Vorgängerversion. Je strukturierter diese Daten im PIM oder in der Produkttabelle liegen, desto weniger muss die KI erfinden. Diese Investition zahlt sich mehrfach aus: Ein sauberes Attribut-Schema hilft nicht nur beim Textgenerieren, sondern auch bei Filterfunktionen, Produktvergleichen und der Sichtbarkeit in Marktplatz-Listings wie bei der Amazon-Listing-Optimierung.

Ein Beispiel verdeutlicht den Unterschied: Ohne Attribut-Basis erzeugt ein Modell aus dem Prompt oben oft einen Satz wie „Dieser hochwertige Wanderschuh überzeugt durch erstklassige Verarbeitung und optimalen Tragekomfort“ – austauschbar, ohne einen einzigen überprüfbaren Fakt. Mit vollständiger Attribut-Basis (Obermaterial Nubukleder, wasserdichte Membran, Gewicht rund 420 Gramm pro Schuh, Schafthöhe 12 Zentimeter) entsteht stattdessen ein Satz wie „Der Schuh kombiniert eine wasserdichte Membran mit einem Nubukleder-Obermaterial und wiegt bei rund 420 Gramm pro Schuh spürbar weniger als viele vergleichbare Modelle mit ähnlicher Schafthöhe“ – konkret, überprüfbar, und genau die Art Fakt, die auch in Suchmaschinen und KI-Antworten zitierfähig ist.

Gold-Standards statt Dauer-Prompting

Der zweite Hebel sind Beispiel-Texte, die als Referenz dienen: zwei bis drei von Menschen geschriebene oder redigierte „Gold-Standard“-Beschreibungen pro Kategorie, die Ton, Struktur und Detailtiefe vorgeben. Ein Template plus diese Beispiele im Prompt sorgen für Konsistenz über hunderte Varianten hinweg – deutlich zuverlässiger, als bei jedem neuen Produkt die Formulierung neu zu verhandeln.

Der Grund, warum das so gut funktioniert: Sprachmodelle sind stark im Muster-Fortsetzen, schwach im freien Erfinden neuer Stilregeln aus einer reinen Textbeschreibung. Ein konkretes Beispiel liefert dem Modell genau die Muster, die es zuverlässig fortsetzen kann – eine abstrakte Tonalitäts-Anweisung wie „schreibe locker, aber professionell“ dagegen nicht.

Beispielrechnung: Was der Workflow wirklich spart

Eine grobe Beispielrechnung zeigt die Größenordnung. Bei 500 Produkten und rein manuellem Schreiben liegt der Aufwand typischerweise bei etwa 30 bis 40 Minuten pro Text – macht rund 300 Stunden für das gesamte Sortiment. Bei einem internen Stundensatz von 35 Euro entspricht das gut 10.000 Euro reiner Schreibzeit, ganz ohne Korrekturschleifen.

Mit sauberer Attribut-Basis, Template und Gold-Standards sinkt die Zeit pro Text auf ein reines Review von grob 5 bis 8 Minuten – macht für dieselben 500 Produkte etwa 50 Stunden, rund 1.750 Euro. Die einmalige Investition in den Aufbau der Attribut-Datenbank und der Templates kommt hinzu, amortisiert sich aber typischerweise schon beim ersten größeren Sortimentsdurchlauf. Diese Zahlen sind grobe Orientierungswerte, keine Garantie – die tatsächliche Ersparnis hängt stark von der Ausgangsqualität der Produktdaten ab.

Das Duplicate-Content-Risiko ehrlich einordnen

Wer Farbvarianten oder Größen mit demselben Basistext bestückt, produziert exakt das, wovor Suchmaschinen warnen: dünnen, austauschbaren Content ohne eigenen Nutzwert. Das Risiko trifft nicht nur die Sichtbarkeit in Suchmaschinen – austauschbare Varianten-Texte schwächen auch die Zitierfähigkeit in KI-Antworten, wie unser Artikel zur LLM-Optimierung im Shop beschreibt.

Die Gegenmaßnahme ist technisch, nicht rhetorisch: Variantentexte kurz halten, den inhaltlichen Kern auf der Hauptproduktseite bündeln und bei echten Dopplungen kanonische URLs setzen. Wichtig ist dabei die Reihenfolge – erst die technische Struktur (kanonisch, kurz, gebündelt) sauber aufsetzen, dann erst die Textmenge skalieren. Wer die Reihenfolge umdreht, muss Tausende bereits erzeugter Texte im Nachhinein bereinigen.

Die häufigsten Fehler bei KI-Produkttexten

Vier Muster verursachen in der Praxis die meisten Qualitätsprobleme:

1. Prompt ohne Attribut-Daten: Das Modell füllt Lücken mit plausibel klingenden Erfindungen. Korrektur: keine Textgenerierung vor vollständiger Attribut-Basis starten.
2. Ein Prompt für alle Kategorien: Ein Wanderschuh braucht andere Detailtiefe als ein T-Shirt. Korrektur: Gold-Standards und Templates je Kategorie definieren.
3. Keine Stichproben-QA: Fehler bleiben unentdeckt, bis Kund:innen sie melden. Korrektur: festen Prozentsatz pro Batch vor Livestellung prüfen.
4. Variantentexte 1:1 dupliziert: Erzeugt Duplicate-Content-Risiko auf breiter Front. Korrektur: Variantentexte kurz halten, Kern bündeln, kanonisch setzen.

Governance: Wer verantwortet die Texte langfristig?

Skalierte Produkttexte brauchen einen dauerhaften Owner, nicht nur ein einmaliges Projektteam – ohne klare Zuständigkeit verwaist die Qualitätskontrolle spätestens beim zweiten oder dritten Sortimentswechsel. Die Rolle muss weder groß noch teuer besetzt sein, aber sie muss existieren und in den regulären Arbeitsalltag eingebaut werden, nicht als Sonderprojekt danebenlaufen.

In der Praxis bewährt sich eine schlanke Aufteilung: Eine Person verantwortet die Attribut-Datenqualität (meist im Category-Management oder Einkauf verankert), eine zweite die Template- und Gold-Standard-Pflege (meist im Content- oder Marketing-Team), und eine dritte führt die Stichproben-QA durch, bevor neue Batches live gehen. Wichtig ist weniger, wer genau welche Rolle übernimmt, als dass alle drei Rollen tatsächlich besetzt sind – in kleineren Teams können sie sich auf ein bis zwei Personen verteilen, dürfen aber nicht komplett entfallen.

Aus der Praxis: Ein wiederkehrender Fehler ist, die Verantwortung nach dem ersten erfolgreichen Rollout formlos auslaufen zu lassen. Neue Produktkategorien, neue Lieferanten mit anderer Datenqualität oder ein Modellwechsel im eingesetzten KI-System verändern die Ausgangsbedingungen regelmäßig – ohne definierten Owner fällt diese Drift oft erst auf, wenn Kund:innen sich über fehlerhafte Produktangaben beschweren.

Der Workflow: Attribute, Template, Stichprobe, Index

In der Praxis bewährt sich eine vierstufige Kette:

1. Attribut-Basis vervollständigen, bevor überhaupt ein Text entsteht – aus Herstellerdaten, PIM oder strukturierter Erfassung.
2. Template und Gold-Standard-Beispiele je Kategorie definieren, damit Ton und Struktur über das ganze Sortiment konsistent bleiben.
3. Stichproben-QA je Batch – nicht jeder Text einzeln, aber ein fester Prozentsatz wird von einem Menschen gegengelesen, bevor der nächste Batch startet.
4. Bewusste Indexierungs-Strategie: Nicht jede automatisch erzeugte Seite muss in den Suchindex, wenn sie keinen eigenständigen Suchwert hat.

Wer diese vier Schritte in dieser Reihenfolge durchläuft, bekommt Tempo und Qualität gleichzeitig – statt tausend Texte, die niemand lesen will.

Unterm Strich

Der größte Denkfehler bei diesem Thema ist die Vorstellung, ein einmaliger Prompt-Durchlauf sei ein Projektabschluss. Tatsächlich ist die Text-Erstellung nur der sichtbare letzte Schritt einer Kette, die mit sauberer Datenpflege beginnt und mit laufender Qualitätskontrolle weitergeht. Wer diese Kette als kontinuierlichen Prozess versteht statt als einmaliges Projekt, bekommt Produkttexte, die auch nach dem zehnten Sortimentswechsel noch tragen. Der richtige erste Schritt ist fast nie der Prompt – es ist ein ehrlicher Blick in die eigene Produktdatenbank.