Shop-Texte automatisch aus Produktdaten erzeugen
Produkttexte sind wichtig, aber in vielen Shops bleiben sie knapp, doppelt oder veraltet. Dieses Projekt zeigt, wie ein Händler aus strukturierten Produktdaten bessere Texte erzeugt.
Ausgangslage
Ein Fachhändler mit rund 4.000 Artikeln pflegte Produktdaten aus Herstellerlisten, PIM-Exporten und eigenen Tabellen. Viele Beschreibungen waren technisch korrekt, aber schwer lesbar. Neue Varianten blieben wochenlang ohne sauberen Text. Das kostete Sichtbarkeit und Rückfragen im Service.
Umsetzung
Die Lösung erzeugt keine Fantasie-Texte, sondern nutzt geprüfte Felder: Material, Maße, Einsatzbereich, Einschränkungen, Lieferumfang und Pflegehinweise. Die KI formuliert daraus Beschreibung, Kurztext, Bulletpoints und interne Suchbegriffe. Systeme wie Shopify, Shopware, Akeneo oder Pimcore können als Datenbasis dienen.
- Pflichtfelder werden vor Texterzeugung geprüft.
- Der Ton ist je Kategorie festgelegt.
- Technische Aussagen kommen nur aus vorhandenen Daten.
- Neue Texte gehen erst nach Stichprobenprüfung live.
Technik
| Baustein | Aufgabe | Nutzen |
|---|---|---|
| Datenprüfung | fehlende Felder erkennen | verhindert schöne, aber falsche Texte |
| Sprachmodell | Formulierung und Varianten | spart Redaktionszeit |
| Workflow | Freigabe und Export | passt in Shop-Prozesse |
Kostenrahmen
Ein einfacher Generator auf CSV-Basis kann im niedrigen vierstelligen Bereich starten. PIM-Integration, Mehrsprachigkeit und Rechtekonzepte erhöhen den Aufwand. Laufende Kosten entstehen durch Modellnutzung und Pflege. Rechtliche Grenzen, etwa Wettbewerbsrecht und Herstellerangaben, sollten mit gesundem Menschenverstand geprüft werden; allgemeine Orientierung bietet die Wettbewerbszentrale.
Stolperfallen
- KI darf keine Eigenschaften erfinden.
- Dubletten entstehen, wenn Kategorien zu grob sind.
- SEO-Texte ohne Nutzwert wirken billig.
- Bild- und Markennutzung bleiben separate Themen.
Praxisablauf im Shop-Team
Das Team legte zuerst fest, welche Informationen zwingend vorhanden sein müssen. Ein Produkt ohne Maße, Material oder Einsatzbereich wird nicht automatisch beschrieben. Die KI soll keine Lücken überdecken, sondern sichtbar machen. Für jede Kategorie gab es ein Muster: bei Werkzeugen technische Eignung, bei Zubehör Kompatibilität, bei Verbrauchsmaterial Verbrauchseinheit und Lagerhinweise.
Die erzeugten Texte wurden in drei Qualitätsstufen geprüft. Neue oder teure Produkte gingen vollständig durch die Redaktion. Standardartikel wurden stichprobenartig geprüft. Varianten mit fast identischen Eigenschaften wurden automatisch erzeugt, aber auf Duplikate kontrolliert. So blieb der Aufwand überschaubar, ohne die Verantwortung an die Maschine abzugeben.
Erfolgsmessung
Wichtig waren nicht nur Suchmaschinenkennzahlen. Der Händler beobachtete Rückfragen im Service, Retourengründe, Bearbeitungszeit pro Artikel und den Anteil unvollständiger Datenfelder. In mehreren Fällen zeigte die KI nicht nur Textbedarf, sondern Datenprobleme: fehlende Kompatibilitäten, widersprüchliche Maße oder alte Herstellerbezeichnungen. Damit wurde das Projekt zugleich ein Datenqualitätsprojekt.
Organisatorischer Nutzen
Besonders spürbar war die Entlastung bei Sortimentsupdates. Statt hunderte ähnliche Texte einzeln zu schreiben, prüfte das Team Regeln und Ausnahmen. Produktmanager konnten fachliche Hinweise liefern, ohne selbst verkaufsfertige Texte formulieren zu müssen. Das machte den Prozess schneller und robuster gegen Urlaubszeiten.
Einführungsplan in vier Wochen
Bewährt hat sich ein kurzer, kontrollierter Start statt eines großen Rollouts. In Woche eins werden Ziel, Grenzen und Verantwortliche festgelegt: Was darf die KI tun, was bleibt zwingend beim Menschen, welche Daten dürfen genutzt werden? In Woche zwei folgt ein Test mit echten, aber überschaubaren Fällen. Dabei werden nicht nur Erfolgserlebnisse gesammelt, sondern ausdrücklich Fehler gesucht. Diese Fehlerliste ist wertvoll, weil sie zeigt, welche Regeln, Vorlagen oder Daten noch fehlen.
In Woche drei arbeitet ein kleines Team im Parallelbetrieb. Die bisherige Arbeitsweise bleibt bestehen, die KI liefert zusätzlich Vorschläge. So sieht man, ob die Unterstützung wirklich Zeit spart oder nur neue Prüfaufgaben erzeugt. In Woche vier entscheidet der Betrieb anhand einfacher Kennzahlen: weniger Suchzeit, schnellere Bearbeitung, weniger Rückfragen, bessere Dokumentation oder höhere Abschlussquote. Erst wenn diese Wirkung sichtbar ist, lohnt die Ausweitung.
Rollen und Verantwortlichkeiten
Ein praktisches KMU-Projekt braucht keine große KI-Abteilung, aber klare Rollen. Eine fachliche Person definiert, was richtig ist. Eine organisatorische Person achtet auf Abläufe, Freigaben und Schulung. Eine technische Person oder ein Dienstleister kümmert sich um Schnittstellen, Zugänge und Protokollierung. Ohne diese Trennung entstehen typische Probleme: Technik baut etwas Beeindruckendes, das fachlich nicht passt; Fachleute wünschen sich etwas, das im Alltag niemand pflegt; die Geschäftsführung erwartet Automatisierung, bekommt aber nur ein weiteres Tool.
Wichtig ist außerdem eine einfache Stop-Regel: Wenn die KI unsicher ist, wenn Daten fehlen oder wenn eine Entscheidung rechtliche, finanzielle oder sicherheitsrelevante Folgen hat, muss ein Mensch übernehmen. Diese Regel klingt banal, verhindert aber viele überzogene Erwartungen.
Wann sich der Start nicht lohnt
Ein Projekt sollte verschoben werden, wenn die Grunddaten ungepflegt sind, niemand fachlich prüfen kann oder nur ein einmaliger Engpass gelöst werden soll. KI verstärkt vorhandene Prozesse. Sind diese chaotisch, ist zuerst Ordnung im Ablauf günstiger als ein neues System.
Fazit
Automatisierte Shop-Texte lohnen sich bei vielen ähnlichen Artikeln und solider Datenbasis. Beginnen Sie mit einer Kategorie und messen Sie Korrekturaufwand, Rückfragen und Conversion. Passend dazu: Content-Pipeline und Fachhändler & Tools.