KI für die Generierung von Produktbeschreibungen im großen Maßstab

Ein Shop mit 40.000 SKUs. Die Hälfte der Beschreibungen sind kopierte Spezifikationen vom Lieferanten, der Rest besteht aus ein paar Sätzen, die vor drei Jahren von einem Praktikanten geschrieben wurden. Keiner dieser Texte ist suchmaschinenoptimiert, keiner beantwortet die Fragen des Käufers, viele enthalten Fehler. Eine manuelle Redaktion würde ein Jahr dauern und Hunderttausende Zloty kosten. Das ist ein Szenario, das wir regelmäßig im polnischen E-Commerce und im B2B-Vertrieb antreffen.

KI zur Generierung von Produktbeschreibungen löst dieses Problem, aber nur, wenn der Pipeline richtig designed ist. Im Folgenden beschreibe ich, wie ein solches System in der Praxis funktioniert, wo die Fallstricke liegen und wie man die häufigsten Fehler vermeidet.

Die Generierung einer einzelnen Beschreibung durch ein Sprachmodell ist einfach. Die Generierung von hunderttausend Beschreibungen konsistent, schnell und sicher ist ein völlig anderes Problem.

Die erste Herausforderung sind die Eingangsdaten. Das Modell generiert eine Beschreibung, die so gut ist wie die Daten, die es erhält. Produktkataloge in polnischen Unternehmen haben oft inkonsistente Attributbezeichnungen, fehlende Werte, doppelte SKUs und Spezifikationen in einer Mischung aus Polnisch und Englisch. Bevor das Modell den Inhalt berührt, müssen die Daten normalisiert und validiert werden. Andernfalls enthalten 30 % der Beschreibungen faktografische Fehler, die nicht auf Halluzinationen des Modells, sondern auf Fehler in der Quelle zurückzuführen sind.

Die zweite Herausforderung ist die Skalierung und die Kosten. Das Senden jeder Beschreibung an ein großes Cloud-Modell kostet. Für hunderttausend Produkte mit einer Beschreibung von 200-300 Tokens und einem Prompt von 400-600 Tokens können die Kosten für die Inferenz in der öffentlichen Cloud mehrere tausend Zloty pro Monat betragen – und das bei jeder Aktualisierung des Katalogs. Ein gut gestaltetes System verwendet einen Modell-Router, der einfache Beschreibungen an kleinere und günstigere Modelle weiterleitet und nur komplexe Fälle (Beschreibung eines Premium-Produkts, Fachjargon) an größere Modelle sendet.

Die dritte Herausforderung sind Guardrails und Validierung. Das Modell kann Texte generieren, die falsche technische Parameter, verbotene Marketingformulierungen, gesundheitsbezogene Aussagen, die eine Zertifizierung erfordern, oder Preise enthalten, die nicht mit der aktuellen Preisliste übereinstimmen. Ohne eine Validierungsschicht landet jeder solche Text auf der Website und wird zu einem potenziellen rechtlichen oder Reklamationsrisiko.

Ein bewährtes Produktionsschema besteht aus fünf Schritten:

1. Normalisierung der Produktdaten. Vereinheitlichung der Attribute, Vervollständigung fehlender Werte aus übergeordneten Kategoriedaten, Transliteration der Werte in eine Sprache. In diesem Schritt werden SKUs herausgefiltert, für die die für die Generierung einer sinnvollen Beschreibung erforderlichen Daten fehlen.

2. Erstellung des Prompts aus einer Vorlage. Jede Produktkategorie hat ihre eigene Prompt-Vorlage mit variablen Feldern (Name, Schlüsselattribute, SEO-Keywords, Ton, Länge). Die Vorlage erzwingt die Konsistenz des Stils und weist das Modell an, was NICHT geschrieben werden darf (z. B. Verbote für regulierte Branchen).

3. Generierung durch den Modell-Router. Ein einfaches Produkt (HDMI-Kabel, Schraube M6) wird an ein kleineres, lokales oder günstigeres Modell gesendet. Ein Premium- oder komplexes Produkt (medizinische Geräte, Baumaterialien mit Normen) wird an ein größeres Modell mit höherer Genauigkeit gesendet. Der Router entscheidet basierend auf der Kategorie und der Anzahl der Attribute.

4. Validierung durch Guardrails. Die generierte Beschreibung durchläuft eine Checkliste: keine Parameter, die nicht mit den Attributen übereinstimmen (faktische Überprüfung), keine verbotenen Formulierungen, minimale und maximale Zeichenbegrenzung, erforderliche Keywords im ersten Satz oder in der Überschrift. Eine Beschreibung, die die Validierung nicht besteht, landet in der manuellen Warteschlange, nicht auf der Website.

5. Speicherung und Versionierung. Die genehmigte Beschreibung wird mit Metadaten gespeichert: Erstellungsdatum, Vorlagenversion, Modell, Validierungsergebnis. Dies ermöglicht Audits, das Zurückziehen fehlerhafter Chargen und den Vergleich der Ergebnisse verschiedener Vorlagenversionen.

Regulierte Produkte (Nahrungsergänzungsmittel, Medizinprodukte, Produkte für Kinder) erfordern einen separaten Pfad mit Human-Gate vor der Veröffentlichung. Das Modell generiert einen Entwurf, der von einem Experten oder Juristen genehmigt wird. Die Automatisierung kann die Vorbereitungszeit des Entwurfs von Stunden auf Minuten verkürzen, eliminiert jedoch nicht die Rolle des Menschen bei der Genehmigung.

Die Generierung von Texten durch KI bedeutet nicht automatisch eine gute Suchmaschinenoptimierung. Suchmaschinen bewerten Relevanz, einzigartigen Mehrwert und Engagement. Das Modell kann helfen oder schaden, abhängig davon, wie der Pipeline gestaltet ist.

Drei SEO-Regeln, die in die Vorlage integriert sein müssen:

Keyword in den ersten 100 Zeichen. Der Prompt sollte das Modell anweisen, die Zielphrase natürlich im ersten Satz oder im ersten Satz des zweiten Absatzes zu platzieren. Nicht „H1-Überschrift = Produktname, Beschreibung = generischer Text“. Das ist die alte Schule, die nicht funktioniert.

Einzigartigkeit auf SKU-Ebene. Wenn 500 Produkte derselben Kategorie dieselbe Vorlagenbeschreibung erhalten, die sich nur im Namen unterscheidet, markiert Google sie als Duplicate Content. Die Variabilität sollte semantisch sein, nicht nur lexikalisch. SKU-spezifische Attribute (Farbe, Größe, Material, Verwendung) müssen aktiv in den Text eingewoben werden, nicht nur in Aufzählungen genannt.

Antwort auf die Frage des Käufers. Eine Produktbeschreibung, die die Frage „Warum löst dieses Produkt mein Problem?“ beantwortet, hat ein höheres Engagement als eine Beschreibung, die nur Parameter auflistet. Das Modell sollte in der Vorlage eine Käufer-Persona oder typische Anwendungsfälle erhalten, nicht nur technische Attribute.

Studien zu semantischen Embeddings im Unternehmen zeigen, dass Beschreibungen mit hoher semantischer Ähnlichkeit zu Suchanfragen besser konvertieren als Beschreibungen, die rein auf Keyword-Dichte optimiert sind. Dies wirkt sich auf die Position im Long-Tail-SEO für Kategorien mit Tausenden von SKUs aus.

Die Validierung generierter Beschreibungen ist keine Option, sondern eine Voraussetzung für die produktive Implementierung. Mindestkontrollen:

Überprüfung technischer Parameter: Vergleichen Sie die im Text genannten numerischen Werte (Leistung, Abmessungen, Gewicht) mit den Attributen in der Produktdatenbank. Eine Abweichung über der Toleranzgrenze führt zur Ablehnung in die manuelle Warteschlange.

Verbotene Formulierungen pro Kategorie: „Garantierte Haltbarkeit“, „Beste auf dem Markt“, „100 % wirksam“ bei Nahrungsergänzungsmitteln, gesundheitsbezogene Aussagen ohne Zertifizierung. Die Liste sollte vom Rechtsdepartment verwaltet und aktualisiert werden, wenn Beschwerden oder regulatorische Änderungen auftreten.

Preis- und Verfügbarkeitsprüfung: Die Beschreibung sollte keine konkreten Preise oder Lieferdaten enthalten (da sie veralten), es sei denn, sie werden dynamisch aus dem System abgerufen.

Längenbegrenzung: Eine zu kurze Beschreibung (unter 150 Zeichen) besteht die Validierung nicht als „Thin Content“. Eine zu lange (über der Plattformgrenze) wird abgeschnitten, was einen Satz mitten im Satz abschneiden kann. Die Vorlage sollte einen Zielbereich und eine harte Grenze definieren.

Die vollständige Liste der Guardrails für produktive Agenten ist in Sicherheit von KI-Agenten beschrieben.

Die Generierung von Produktbeschreibungen ist in der Regel ein Fall ohne PII. Die Eingangsdaten sind Produktattribute, keine Kundendaten. Ausnahmen:

Personalisierte Beschreibungen für B2B-Kunden, die Firmendaten oder Kaufhistorie einbeziehen, können personenbezogene Daten oder Geschäftsgeheimnisse enthalten. In diesem Fall muss der Pipeline mit PII-Maskierung arbeiten, bevor die Daten an ein Cloud-Modell gesendet werden, oder vollständig lokal (Self-Hosting).

Wenn Sie Daten aus Kundenbewertungen zur Generierung von Beschreibungen verwenden (z. B. Synthese der häufigsten Vorteile aus Bewertungen), enthalten Bewertungen PII und erfordern eine Anonymisierung vor der Verarbeitung. Dies sollte am Eingang des Pipelines automatisiert werden.

Gemäß dem AI Act können Systeme, die öffentlich zugängliche Inhalte generieren, Transparenzanforderungen unterliegen. Bei Produktbeschreibungen, die auf Verbraucher abzielen, ist es ratsam, einen Audit-Trail zu führen, der angibt, welches Modell die Beschreibung wann generiert hat, falls regulatorische Fragen auftreten.

Detaillierte Anforderungen sind in AI Act und RODO 2026 beschrieben.

Eine Implementierung ohne Messung ist blindes Handeln. Zwei Metriken, die eine echte geschäftliche Bedeutung haben:

Quote der manuellen Redaktion. Wie viel Prozent der Beschreibungen erforderten eine Korrektur durch einen Menschen vor der Veröffentlichung? Liegt der Wert über 15 %, müssen die Vorlage oder die Eingangsdaten verbessert werden, nicht das Modell. Unter 5 % ist ein Niveau, bei dem die Einsparungen real sind.

Veränderung des organischen Traffics auf Produktseiten. Messen Sie den organischen Traffic auf Kategorie- oder SKU-Ebene nach der Migration der Beschreibungen auf generierte Inhalte über einen Zeitraum von 8-12 Wochen. Dies ist ein verzögerter Indikator, aber der einzige, der die Wahrheit über SEO sagt. Monitoring der Qualität von KI-Agenten beschreibt, wie man ein solches Dashboard aufbaut.

Iteration ist kein einmaliger Vorgang. Prompt-Vorlagen sollten versioniert und A/B-getestet werden: zwei SKU-Gruppen, zwei Vorlagen, Vergleich des organischen Traffics und der Konversionsrate nach acht Wochen. Die siegreiche Vorlage wird zur neuen Basis.

Die Kosten der Implementierung und der potenzielle ROI können Sie vorab mit dem ROI-Rechner abschätzen.

Geben Sie die Produktattribute ein. Das Modell generiert eine Beschreibung unter Anwendung von SEO-Regeln und Guardrails (PII maskiert, keine Speicherung):

Die Kosten hängen von der Anzahl der SKUs, der Komplexität der Kategorien und dem erforderlichen Grad der Vorlagenanpassung ab. Kleine Implementierungen (bis zu 10.000 SKUs, eine Produktkategorie) können als Pilot innerhalb weniger Wochen gestartet werden. Große, mehrkategorielle Projekte mit PIM- oder ERP-Integration erfordern eine längere Planungs- und Testphase. Die Inferenzkosten in der Produktionsphase (d. h. die Kosten für die Generierung aktuell aktualisierter Beschreibungen) hängen vom Umfang der Katalogänderungen und der Modellauswahl ab. Vorläufige Zahlen für Ihren Fall können Sie mit dem Inferenzrechner berechnen oder in einer Erstberatung besprechen.

Google bewertet die Qualität und Nützlichkeit von Inhalten für den Nutzer, nicht deren Ursprung. Durch KI generierte Beschreibungen, die auf SKU-Ebene einzigartig, faktisch korrekt sind und die Frage des Käufers beantworten, werden normal positioniert. Google bestraft Thin Content (zu kurz, ohne Mehrwert), Duplicate Content (identische Beschreibungen auf vielen Seiten) und Spam (Keyword-Stuffing). Alle drei Probleme können sowohl in von Menschen geschriebenen als auch in durch Modelle generierten Texten auftreten. Der Unterschied liegt in der Qualität des Prompts und der Eingangsdaten, nicht in der Tatsache, dass KI verwendet wurde.

Der Hauptschutz ist die Kreuzvalidierung von Attributen: Vergleichen Sie nach der Generierung der Beschreibung numerische Werte und Eigennamen mit der Produktattributdatenbank. Eine Abweichung über der Toleranzgrenze führt zur Ablehnung in die manuelle Warteschlange. Ergänzend dazu gibt es Anweisungen in der Vorlage, dass das Modell keine Attribute erfinden soll, die nicht in den Eingangsdaten enthalten sind, sowie eine klare Unterscheidung zwischen bestätigten Attributen und vorgeschlagenen Anwendungen. Die RAG-Architektur mit einer Produktdatenbank ermöglicht es dem Modell, die Quelle jedes Parameters zu zitieren, anstatt ihn aus dem Gedächtnis zu generieren. Mehr zur Begrenzung von Halluzinationen in Wie man Halluzinationen von KI begrenzt.

Ja, aber mit obligatorischem Human-Gate vor der Veröffentlichung. Das Modell generiert einen Beschreibungsentwurf, der zur Genehmigung an einen Experten (Jurist, Regulierungsspezialist) geht, nicht direkt auf die Website. Guardrails blockieren gesundheitsbezogene Aussagen ohne Zertifizierung und verbotene Formulierungen, ersetzen jedoch nicht die rechtliche Prüfung. Die Einsparung besteht darin, dass der Experte einen fertigen Entwurf prüft, anstatt den Text von Grund auf zu schreiben. In der Praxis verkürzt dies die Zeit des Experten um 60-80 %, während seine Verantwortung für den endgültigen Inhalt erhalten bleibt.

Beginnen Sie mit einem Audit der Produktdaten, nicht mit der Auswahl des Modells. Prüfen Sie, wie viele SKUs vollständige Attribute haben (Name, Kategorie, mindestens 5 Schlüsselmerkmale), wie viele ergänzt werden müssen und welche Kategorien den meisten organischen Traffic generieren. Beginnen Sie mit einer Kategorie mit guten Daten und einem klaren stilistischen Template. Bauen Sie einen Pipeline mit Validierung für diese Kategorie auf, messen Sie die Ergebnisse nach 8 Wochen und erweitern Sie erst dann. Hilfreich ist der Automatisierungsfinder, der zeigt, welche Prozesse im Produktkatalog das größte Automatisierungspotenzial haben.