80 Produkttexte bis morgen — statt in zwei Wochen

Das echte Ausmaß des Problems

Für Onlineshops ist Content-Geschwindigkeit ein direkter Wettbewerbsfaktor. Ein Produkt ohne vollständige Beschreibung rangiert schlechter, konvertiert schlechter, und landet öfter in der Retourenschachtel — weil die Kundin nicht wusste, was sie bestellt.

Das Content-Problem trifft Shops in zwei Varianten:

Das Volumen-Problem: Wer regelmäßig neue Kollektionen, Lieferanten-Sortimente oder Saisonartikel aufnimmt, kämpft gegen einen Rückstau, der nie kleiner wird. Jede neue Lieferung erzeugt neuen Beschreibungsbedarf. Textkapazität ist der Engpass — nicht die Ideen, nicht die Strategie.

Das Qualitätsproblem: Was viele Shops haben, sind Herstellertexte. Wortgleiche Beschreibungen, die auch auf fünfzehn anderen Plattformen stehen. Google sieht das als duplicate content. Der Besucher sieht eine generische Werbebeschreibung ohne Kaufimpuls. Und der Shop verliert gegenüber Wettbewerbern, die eigene Texte investiert haben.

Laut einer Studie von Forrester (2024) enthält der durchschnittliche E-Commerce-Katalog bei manueller Pflege 40 Prozent unvollständige oder fehlerhafte Produktinformationen. Bei einem Sortiment mit 500 Artikeln bedeutet das: 200 Produkte, die unter ihrem Potenzial verkaufen.

Der Texter-Preis in Deutschland liegt bei 50 bis 90 Euro pro Stunde. Eine professionelle Produktbeschreibung mit Recherche, SEO-Optimierung und zwei Varianten kostet 30 bis 60 Minuten. Bei 100 Produkten kommt man schnell auf 4.000 bis 9.000 Euro Texter-Budget pro Kollektion — plus Wartezeit.

Mit vs. ohne KI — ein ehrlicher Vergleich

Ehrliche Einschränkung: KI-Texte brauchen in der Regel eine Korrekturschleife. Nicht für jeden Text — aber für 10 bis 20 Prozent. Was sich ändert: Die Redakteurin liest und korrigiert, statt von Null zu schreiben. Das ist ein Produktivitätsunterschied von Faktor 5 bis 10.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Von zehn Tagen auf einen Tag für 80 Produkttexte — das ist kein gradueller Unterschied, das ist ein anderes Modell. Kein anderer Use Case in dieser Kategorie liefert eine ähnlich drastische Verkürzung des Arbeitsaufwands für eine klar abgegrenzte Aufgabe. Der Zeitvorteil ist nicht theoretisch: Er tritt mit dem ersten Einsatz ein, nicht erst nach Monaten des Feinschleifens.

Kosteneinsparung — mittel (3/5) Die Einsparung ist real, aber indirekter als beim Retouren-Reduzierer oder dem Support-Ticket-Autopilot: Du sparst Texter-Stunden und gewinnst Time-to-Market. Direkte Margin-Verbesserung ist schwerer zu isolieren. Für Shops mit kleinem Katalog (unter 50 Produkten pro Saison) rechtfertigt sich der Setup-Aufwand oft nicht rein durch Kostenersparnis — sondern durch Geschwindigkeit.

Schnelle Umsetzung — gut (4/5) Ein funktionierendes System steht in zwei bis drei Wochen. Das ist schneller als der Support-Ticket-Autopilot oder die Retouren-Analyse, weil keine Shopsystem-Anbindung in Echtzeit notwendig ist — der Workflow läuft als Batch-Job. Der Aufwand liegt im Markenstil-Setup: Wer seinen Stil nicht klar definieren kann, braucht eine Vorbereitungsrunde.

ROI-Sicherheit — hoch (4/5) Der ROI ist messbar, aber an Bedingungen geknüpft: Wie groß ist der Katalog? Wie oft kommen neue Produkte? Für Shops mit zwei neuen Kollektionen pro Jahr und je 50+ Artikeln amortisiert sich das System im ersten Einsatz. Für Shops mit kleinem, selten wechselndem Sortiment ist der Nutzen kleiner.

Skalierbarkeit — maximal (5/5) 1.000 Produkte kosten nicht mehr Zeit als 10. Wer wächst, profitiert überproportional. Das ist der stärkste Hebel: KI-Batch-Texterstellung ist eines der wenigen Dinge im E-Commerce, das mit dem Sortiment skaliert, ohne dass der Aufwand mitschrumpft.

Richtwerte — stark abhängig von Sortimentsgröße, Kollektionsrhythmus und vorhandener Datenqualität.

Was das System konkret macht

Generative KI für Produkttexte folgt einem klar definierten Muster:

Eingabe: Rohdaten pro Produkt — EAN, Hersteller, technische Merkmale, Abmessungen, Zielgruppe, Kategorie, Preisklasse. Herstellertexte als Rohquelle, nicht als Vorlage.

Verarbeitung: Ein LLM erhält einen konfigurierten System-Prompt, der festlegt: Markenstimme, Tonalität, verbotene Formulierungen, gewünschte Struktur, SEO-Regeln (Keywords, Zeichenlimits, Meta-Tag-Format). Jedes Produkt wird als eigener Kontext übergeben.

Ausgabe: Für jedes Produkt entstehen gleichzeitig SEO-Titel (max. 60 Zeichen), Kurzbeschreibung (100–150 Zeichen), Langbeschreibung (150–300 Wörter), Meta-Description und optional Bullet-Point-Liste der Hauptmerkmale — im Format, das direkt in Shopware, WooCommerce oder Shopify importierbar ist.

Review: Eine Texterin oder ein Texter sieht alle Outputs und markiert, was nachgebessert werden muss. Erfahrungsgemäß brauchen 80 bis 90 Prozent der Texte keine Änderungen. Die verbleibenden 10 bis 20 Prozent sind in der Regel Produkte mit schlechten Rohdaten — die sind auch ohne KI schwer zu texten.

Was das System nicht macht

Es prüft keine Produktspezifikationen auf Richtigkeit. Wenn die Rohdaten falsch sind — falsches Gewicht, falsche Farbe, falsche Materialangabe — schreibt die KI überzeugend falsche Texte. Das klingt offensichtlich, wird aber regelmäßig unterschätzt. Datenqualität ist die Voraussetzung, nicht die KI.

Es entwickelt keine Verkaufsstrategie. Es weiß nicht, welche Produkteigenschaften deine Zielgruppe am stärksten ansprechen — das musst du im System-Prompt verankern. KI verstärkt, was du ihr gibst. Wenn du ihr nicht sagst, dass der Wanderrucksack an bergbegeisterte Wochenendwanderer geht, wird der Text funktional korrekt, aber ohne Kaufimpuls.

Konkrete Werkzeuge — was wann passt

ChatGPT (OpenAI) — Der flexibelste Einstieg für mittelgroße Kataloge. Custom GPTs lassen sich mit einem detaillierten System-Prompt und Beispieltexten für den Markenstil ausstatten. Für Bulk-Verarbeitung lassen sich Produktdaten als CSV hochladen und Batches verarbeiten. Freemium-Einstieg möglich, für den Produktivbetrieb ab 20 €/Monat (Plus). Einschränkung: Kein EU-Daten-Hosting im Standardplan — für Shops, die keine personenbezogenen Daten einschleusen, in der Praxis unkritisch.

neuroflash — Speziell für deutschsprachige Onlineshops interessant. In Deutschland entwickelt, optimiert für deutsche Texte, EU-Hosting. Brand Hub ermöglicht, Markenstil, Tonalität und Verbote zentral zu hinterlegen — einmal definiert, konsistent auf alle Produkte angewendet. Kostenloser Einstieg mit 2.000 Wörtern/Monat, produktiver ab 50 €/Monat. Einschränkung: Keine native Bulk-Importfunktion — für 80+ Produkte braucht man zusätzlich eine Automatisierungsschicht.

Claude AI (Anthropic) — Besonders stark bei längeren, kohärenten Produkttexten mit erklärendem Anteil (Technologie-Produkte, erklärungsintensive Artikel). Sehr gutes Deutsch, präzise Instruktionsfolge. Für Batch-Verarbeitung über API oder den Project-Context-Modus. Ab 20 €/Monat (Pro), API-Nutzung je nach Volumen 0,01–0,05 €/1.000 Token.

Akeneo mit KI-Erweiterung — Für Shops mit 1.000+ SKUs ist eine PIM-Plattform (Product Information Management) der professionelle Rahmen. Akeneo Copilot generiert Beschreibungen direkt aus den hinterlegten Produktattributen und verteilt sie in mehrere Sprachen und Kanäle. Community Edition kostenlos (erfordert technisches Setup), Growth-Version ab ca. 25.000 €/Jahr — keine KMU-Lösung, aber der Gold-Standard für Händler mit komplexen Katalogstrukturen.

n8n oder Make.com als Automatisierungsschicht — Für die Produktivlösung verbindet man die KI-Generierung mit dem Shop-System über einen Workflow. n8n oder Make.com liest die Produktdaten aus einer CSV oder direkt aus Shopware/WooCommerce, schickt sie an die KI-API, und schreibt die Texte zurück ins System. Kein manueller Copy-Paste mehr. Make.com hat eine niedrigere Einstiegshürde, n8n ist DSGVO-freundlicher durch Self-Hosting.

Zusammenfassung: Wann welcher Ansatz

• Kleiner Katalog (bis 100 Produkte) + gelegentliche Updates → ChatGPT oder neuroflash, manueller Batch-Workflow
• Mittelgroßer Katalog, deutsche Qualität wichtig, kein technisches Team → neuroflash + Make.com
• Wachsender Katalog, API-affines Team → Claude oder ChatGPT via API + n8n
• 1.000+ SKUs, mehrere Channels, mehrsprachig → Akeneo + KI-Copilot

Datenschutz und Datenhaltung

Im Vergleich zu anderen KI-Anwendungen ist die DSGVO-Situation bei Produkttexten relativ entspannt: Produktdaten sind keine personenbezogenen Daten im Sinne der DSGVO. EAN, Maße, technische Merkmale — das alles kann bedenkenlos an US-gehostete KI-Dienste wie ChatGPT oder Claude übergeben werden, ohne dass ein AVV zwingend notwendig wäre.

Aufpassen musst du, wenn du Kundendaten mit Produktdaten verknüpfst — zum Beispiel wenn du aus Retourenanalysen oder Kaufhistorien Produkttexte ableiten willst. Dann fließen unter Umständen personenbezogene Muster in den Kontext, und du brauchst eine Datenschutzbewertung.

Für Shops, die auf Nummer sicher gehen wollen oder mit dem Datenschutzbeauftragten Compliance-Anforderungen haben:

• neuroflash: EU-Hosting, in Deutschland entwickelt, DSGVO-konform
• Claude via API mit EU-Routing: Anthropic bietet DSGVO-konforme Verarbeitungsverträge an
• n8n Self-Hosted + lokale API: Daten verlassen die eigene Infrastruktur nicht

Der AVV-Schritt ist für Produktdaten nicht gesetzlich vorgeschrieben — aber ein guter Datenschutzbeauftragter wird euch trotzdem fragen, welcher Drittanbieter welche Daten verarbeitet. Das solltet ihr dokumentieren können.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• System-Prompt entwickeln und testen: 1–3 Tage intern (oder mit externer KI-Agentur: 1.500–4.000 €)
• Automatisierungsworkflow aufbauen (Make.com oder n8n): 0,5–2 Tage
• Qualitäts-Review-Prozess definieren, erste Batch produktiv begleiten: 0,5 Tage

Laufende Kosten (monatlich)

• ChatGPT Plus oder Claude Pro: 20 € / Monat (bei unter 500 Produkten/Monat)
• ChatGPT API oder Claude API bei höherem Volumen: ca. 0,50–3,00 € pro 100 Produkttexte
• neuroflash Starter: 50 €/Monat (für bis zu ca. 200–400 Produktbeschreibungen/Monat)
• Make.com (Basic): 9–29 €/Monat für die Automatisierungsschicht
• Gesamt pro Monat in der Standardkonfiguration: 30–80 €

Was du dagegenrechnen kannst Eine Texterin bei 60 €/Stunde und 45 Minuten pro Produkttext kostet 45 € pro Stück. Bei 80 Produkten: 3.600 €. Mit KI sinken die direkten Textkosten auf unter 50 € total — plus 2–3 Stunden Review-Zeit (150–180 €). Die Nettoeinsparung liegt bei einer Kollektion bei 3.000–3.400 €. Bei zwei Kollektionen pro Jahr amortisiert sich die Einrichtung im ersten Jahr vollständig.

Dazu kommt der Time-to-Market-Vorteil: Zwei Wochen früher online bedeutet zwei Wochen mehr Umsatz in der Hochsaison. Bei einem Sortiment mit durchschnittlich 800 € Umsatz pro Tag und 80 neuen Produkten sind das bis zu 11.000 € Mehrumsatz — konservativ gerechnet ohne Hype-Effekt der Neuheit.

Wie du den ROI wirklich misst Nicht mit Theorie — mit Tracking. Notiere vor dem ersten KI-Einsatz: wie viele Tage bis neue Produkte online waren, Texter-Stunden je Kollektion, und durchschnittliche organische Sichtbarkeit neuer Produkte (GSC) nach 30 Tagen. Vergleiche dieselben Werte nach zwei KI-Läufen. Erst dann weißt du, was tatsächlich passiert — nicht, was die Kalkulation sagt.

Drei typische Einstiegsfehler

1. Den Markenstil nicht definieren — und dann Generik beklagen Das häufigste Muster: Produktdaten reinkippen, Output erwarten, enttäuscht sein. Die KI schreibt exakt so, wie man ihr es gesagt hat. Wenn man ihr nichts sagt, schreibt sie neutral und korrekt — aber ohne Profil. Vor dem ersten Batch muss der System-Prompt drei bis fünf Beispieltexte aus dem eigenen Shop enthalten, Tonalität explizit beschrieben (z. B. „direkt, aktivierend, für erfahrene Outdoorfans — kein Touristenton”), und eine Liste verbotener Formulierungen (z. B. „hochwertig”, „von höchster Qualität”, „für jeden Bedarf”). Das Setup dauert einen Nachmittag. Ohne es produzierst du Masse, nicht Qualität.

2. Schlechte Rohdaten einwerfen Herstellertexte, die aus einer maschinellen Übersetzung stammen, Merkmalslisten mit Fehlern oder unvollständigen Angaben — all das landet im Output. Die KI halluziniert nicht, aber sie erfindet auch nicht, was fehlt: Sie schreibt Texte, die so lang und professionell klingen wie nötig — auch wenn das zugrundeliegende Produkt schlecht beschrieben ist. Das Ergebnis klingt gut und ist inhaltlich falsch. Rohdaten müssen vor dem Batch bereinigt sein. Dafür bietet sich ein eigener Aufbereitungsschritt an — kurze Checkliste pro Produkt, bevor der KI-Lauf startet.

3. Das System einrichten — und nie wieder anpassen Der System-Prompt vom Januar funktioniert im Juli vielleicht nicht mehr: neues Sortiment, neue Zielgruppe, neuer Markenstil nach dem Relaunch. Shops, die das System nach dem ersten Setup sich selbst überlassen, bemerken erst nach Monaten, dass die Texte von der aktuellen Markenwelt abweichen. Lösung: Alle drei bis sechs Monate fünf aktuelle Produkttexte der KI-Ausgaben mit fünf manuell überarbeiteten Texten vergleichen. Wo weichen sie ab? Das zeigt, was im Prompt zu aktualisieren ist. Wer diesen Review-Schritt nicht einplant, hat nach 12 Monaten ein System, das korrekte, aber veraltete Markenstimme produziert.

Was mit der Einführung wirklich passiert — und was nicht

Die erste Reaktion im Team ist fast immer Skepsis — und dann Überraschung. Nicht wegen der Textqualität, sondern wegen der Geschwindigkeit. Wer das erste Mal erlebt, wie 80 Produktbeschreibungen in einer Stunde entstehen, hört auf, über Textarbeit als Engpass nachzudenken.

Dann kommt die Korrekturphase. Die ersten Batches brauchen mehr manuelles Eingreifen — das ist normal. Das Team lernt, welche Produktkategorien sauber laufen (klare technische Specs), welche mehr Aufmerksamkeit brauchen (lifestyle-intensive Produkte, bei denen die Sprache des Marktes wichtig ist), und wo die Rohdaten zuerst besser werden müssen. Nach drei bis vier Batches sinkt der Korrekturanteil deutlich.

Typisches Widerstandsmuster — die Texterin: „Die KI-Texte klingen doch alle gleich.” Das stimmt manchmal — und ist fast immer ein Signal, dass der System-Prompt überarbeitet werden muss, nicht dass KI grundsätzlich nicht funktioniert. Was hilft: die Texterin oder den Texter aktiv in die Prompt-Entwicklung einbinden. Niemand kennt den Markenstil besser. Wenn sie den System-Prompt mitkonfiguriert hat, ist der Output ihr Output — nicht die Konkurrenz dazu.

Was häufig unterschätzt wird: Der Datenpflegeprozess. Damit KI gut texten kann, müssen die Produktdaten vollständig sein. Viele Shops entdecken erst jetzt, wie lückenhaft ihre Produktstammdaten sind. Das ist unbequem, aber wertvoll: Du bekommst einen sauberen Datenzustand als Nebeneffekt.

Was nicht passiert: Die Texterin wird nicht überflüssig. Sie verschiebt ihre Arbeit: weniger Erstellen, mehr Qualitätssicherung, Markenpflege, Ausnahmebehandlung. Das ist ein sinnvollerer Einsatz ihrer Fähigkeiten — und in der Regel auch der Weg, diese Person für die neue Arbeitsweise zu gewinnen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„KI-Texte klingen alle gleich — das merken unsere Kunden.” Das stimmt, wenn der System-Prompt nicht konfiguriert ist. Mit einem gut definierten Markenstil und Beispieltexten aus dem eigenen Shop sind die Ergebnisse konsistenter als manuell — weil KI den Stil immer gleich anwendet, während Texter:innen Tagesform-Schwankungen haben. Was tatsächlich passiert ist das Gegenteil: Shops, die bisher Herstellertexte kopiert haben, verbessern durch KI-generierte Eigentexte deutlich ihre Markenkonsistenz.

„Was, wenn die KI falsche Produktinformationen erfindet?” Das passiert, wenn Rohdaten fehlen und der Prompt zu viel Freiheit gibt. Die Lösung ist nicht weniger KI — es ist ein strengerer Prompt: „Schreibe ausschließlich auf Basis der bereitgestellten Produktdaten. Wenn eine Angabe fehlt, lass das Feld leer. Erfinde keine technischen Spezifikationen.” Dazu kommt der Review-Schritt: jede Ausgabe wird gegengelesen, bevor sie ins System geht. Dieser Schritt entfällt nicht — er schrumpft.

„Wir haben nur 30 Produkte pro Saison. Lohnt sich das überhaupt?” Ehrliche Antwort: Die Einrichtung lohnt sich ab etwa zwei Kollektionen pro Jahr mit mindestens 30–40 Produkten jeweils — oder wenn die Texte bisher von einer externen Agentur kommen und du die Textkosten deutlich senken willst. Für Shops mit sehr kleinem Sortiment, das sich selten ändert, ist der Einstieg mit einem einfachen ChatGPT-Prompt ohne Automatisierung der richtige Start — ohne Setup-Aufwand, direkt nutzbar.

Woran du merkst, dass das zu dir passt

• Du hast mehr als 30 neue Produkte pro Saison, die mit eigenen Texten versehen werden müssen
• Du arbeitest mit einer externen Texterin oder Texter, deren Kapazität regelmäßig zum Engpass wird
• Neue Produkte gehen oft erst mit Verzögerung online — weil Texte fehlen, nicht weil Fotos fehlen
• Du kopierst Herstellertexte oder hast Produkte mit leeren oder unvollständigen Beschreibungen im Shop
• Dein Sortiment wächst, und du siehst, dass der manuelle Prozess nicht mitwächst

Wann es (noch) nicht passt — drei harte Ausschlusskriterien:

1. Weniger als 20 neue Produkte pro Jahr. Bei sehr kleinem, selten wechselndem Sortiment reicht ein guter ChatGPT-Prompt ohne jegliche Automatisierung. Den kann man in einer Stunde aufsetzen — kein System nötig.

2. Produktdaten liegen nicht strukturiert vor — keine Attribute, keine Merkmalslisten, nur PDFs oder Handzettel. Dann muss zuerst die Datenbasis strukturiert werden. Der KI-Texthebel greift erst, wenn die Eingaben konsistent und vollständig sind.

3. Der Shop verkauft Produkte, bei denen Fehler gefährlich sein können — Lebensmittel mit Allergien, Medizinprodukte, Sicherheitsausrüstung. Hier müssen alle Texte von einer fachkundigen Person freigegeben werden, bevor sie live gehen. KI als Ersteller ist möglich, aber der Review-Aufwand ist so hoch, dass der Zeitvorteil deutlich schrumpft.

Das kannst du heute noch tun

Öffne ChatGPT (Free-Version reicht) und mach Folgendes: Suche im eigenen Shop drei Produktbeschreibungen, die du wirklich gut findest — die gut klingen, zum Markenstil passen, die du Kunden stolz zeigen würdest. Kopiere sie in ChatGPT und schreib dazu: „Analysiere diese Texte. Welche Tonalität, welche Formulierungsmuster, welche strukturellen Elemente haben alle drei gemeinsam?” Dann füge die Rohdaten (Merkmale, technische Angaben) eines aktuellen Produkts ein und sage: „Schreib im gleichen Stil eine Produktbeschreibung für dieses Produkt.”

Das dauert 20 Minuten. Was du danach weißt: Ob das Konzept für deinen Markenstil funktioniert — bevor du einen Cent ausgibst oder ein System aufbaust.

Für den produktiven Batch-Betrieb mit strukturierten Produktdaten:

Quellen & Methodik

• Katalogqualität 40 % unvollständig: Forrester Research, „The State of Product Content” (2024) — basierend auf Befragung von E-Commerce-Managern mit manuellem Produktdatenprozess.
• Texter-Kosten Deutschland: Berufsverband der Deutschen Kommunikationsberatungen e. V., Honorarrichtlinien 2024; bestätigt durch Angebotsvergleiche auf Textbroker und Upwork DE (Stand April 2026).
• Fashion Retailer Case Study (70 % Kostenreduktion, 85 % Turnaround-Verbesserung): RedEx Consulting, veröffentlichtes Case Study (2025/2026), europäischer Mode-Einzelhandel.
• Adore Me (20 Stunden → 20 Minuten): Narrato.io, „Generative AI Use Cases in Marketing” (2024) — Fallstudie direkt vom Unternehmen.
• SEO und Duplicate Content: Google Search Central Dokumentation (aktuelle Fassung); bestätigt durch Google Search Advocate John Mueller (Statement 2023: kein direkter Penalty, aber Ranking-Verdünnung bei sehr ähnlichen Strukturen).
• Neuroflash-Preise und Features: neuroflash.com/pricing (Stand April 2026).
• Forrester Digital Commerce: Gartner Digital Commerce Report 2025 — PIM-Adoption und AI-Feature-Nutzung in E-Commerce.