Automatische Produktbeschreibungen

Das echte Ausmaß des Problems

Wer einen großen Produktkatalog betreibt, weiß: Die manuelle Beschriftung von Produkten ist eine der unangenehmsten Daueraufgaben im E-Commerce. Bei einem mittelgroßen Händler mit 5.000 bis 20.000 Artikeln entstehen allein für die initiale Beschriftung des Katalogs Kosten von 50.000 bis 200.000 Euro — für externe Texter oder interne Arbeitsstunden. Und dabei ist die Qualität oft inkonsistent: Die ersten 500 Artikel werden sorgfältig beschriftet, ab Artikel 2.000 sinkt die Qualität spürbar.

Das SEO-Problem ist genauso gravierend: Google benötigt einzigartigen, relevanten Text, um Produktseiten zu indexieren und zu ranken. Shops, die Lieferantentexte kopieren, konkurrieren mit allen anderen Händlern desselben Lieferanten um dieselben Rankings — und verlieren fast immer. Shops, die gar keine Texte haben, werden kaum indexiert.

Eine McKinsey-Analyse (2023) zeigt, dass Generative KI in der Content-Erstellung 40–60 % der Texter-Arbeitszeit einsparen kann — bei gleichzeitig verbesserter Konsistenz über große Kataloge. Das ist einer der schnellsten und direktesten ROI-Wege von KI im E-Commerce.

Die Einschränkung: KI-generierte Produkttexte sind gut — aber nicht großartig. Sie liefern konsistente, SEO-relevante Grundtexte, keine leidenschaftlichen Markentexte mit emotionalem Tiefgang. Für Commodity-Produkte ist das ausreichend oder sogar überlegen (Konsistenz schlägt einzelne gute Texte, wenn es tausende Produkte gibt). Für Premiumprodukte und die Marken-Story braucht es nach wie vor Menschenhand.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Das ist der stärkste Zeiteffizienz-Use-Case im gesamten ecommerce Branch. Was vorher 20–30 Minuten pro Produkt kostete, dauert mit einem gut konfigurierten Prompt 2–5 Minuten inklusive Durchsicht. Bei einem Katalog mit 1.000 neuen Produkten sind das 250–400 gesparte Arbeitsstunden. Sofort und ohne komplexe Integration.

Kosteneinsparung — mittel (3/5) Die direkte Textkosteneinsparung ist erheblich (bis zu 200.000 Euro einmalig bei großen Katalogen). Der SEO-Uplift durch bessere Texte ist real — aber langsam und schwer exakt zuzuordnen. Andere Use Cases wie Suchalgorithmus-Optimierung oder dynamische Preisoptimierung liefern schnellere und direkter messbare Umsatzeffekte.

Schnelle Umsetzung — sehr hoch (5/5) Kein anderer Use Case im Branch ist schneller einsetzbar. Mit ChatGPT oder Claude und einem guten Prompt lassen sich noch heute Texte generieren — ohne Integration, ohne Setup, ohne Entwicklerressourcen. Der einzige Aufwand ist die Prompt-Entwicklung (1–2 Tage) und das Einrichten eines Review-Prozesses.

ROI-Sicherheit — mittel (3/5) Die Zeitersparnis ist sofort messbar. Der SEO-Effekt durch bessere Texte zeigt sich erst nach 3–6 Monaten in den Rankings — und ist schwer von anderen SEO-Maßnahmen zu isolieren. Wer hauptsächlich den SEO-ROI sucht, braucht Geduld und eine saubere Baseline.

Skalierbarkeit — sehr hoch (5/5) 100 oder 100.000 Produkte — der Aufwand wächst linear mit der Produktanzahl, nicht exponentiell. Das System skaliert perfekt: Jedes neue Produkt benötigt denselben Prompt und dieselbe Review-Zeit wie das erste. Kein Anstieg der Fixkosten.

Richtwerte — SEO-Uplift stark abhängig von Wettbewerb, aktueller Textqualität und Keywordstrategie.

Was das System konkret macht

Das Grundprinzip: Ein LLM bekommt strukturierte Produktdaten als Input und generiert daraus lesbaren, einzigartigen Text als Output. Der Qualitätsunterschied zwischen mittelmäßigen und guten Texten liegt fast vollständig im Prompt.

Was als Input in den Prompt fließt:

• Produktname und Artikelnummer
• Technische Spezifikationen (Maße, Gewicht, Material, Zertifizierungen)
• Zielgruppe (für wen ist das Produkt gedacht?)
• Einsatzzweck (wofür wird es verwendet?)
• Wichtigste SEO-Keywords
• Tonalität und Markenrichtlinien
• Textlänge und Format (Fließtext, Bulletpoints, beide)

Was als Output herauskommt:

• Einleitender Fließtext (50–100 Wörter)
• Produktvorteile als strukturierte Bulletpoints
• Technische Daten in lesbarer Form
• Optionaler Kaufaufruf

Was der Review-Prozess abdeckt: Halluzinationen bei Produkttexten sind ein reales Risiko: Das Modell erfindet manchmal Produkteigenschaften, die nicht in den Input-Daten stehen. Ein einfacher Review-Schritt — jemand liest den Text einmal und gleicht ihn gegen die Spezifikation ab — reicht in den meisten Fällen aus. Bei technischen Produkten (Elektronik, Medizinprodukte, Chemikalien) ist ein erweiterter Review unabdingbar.

Konkrete Werkzeuge

ChatGPT — Direkte Texterstellung über die Web-Oberfläche oder API. Für kleinere Kataloge (bis einige Hundert Produkte) die schnellste Lösung: Produktdaten ins Prompt, Text generieren, Review, fertig. GPT-4o liefert gute Texte bei gutem Prompt. Ca. 20 Euro/Monat (Plus) oder API-Kosten.

Claude (Anthropic) — Besonders stark bei langen Kontexten und konsistenter Tonalität über viele Produkte hinweg. Empfehlenswert, wenn die Markenstimme sehr spezifisch ist und über viele Texte konsistent bleiben soll. Claude 3.5 Sonnet schreibt natürlichere Texte als GPT-4 für viele E-Commerce-Kontexte. Ab 20 Euro/Monat (Pro).

Copy.ai — Spezialisiertes Tool für Marketing- und E-Commerce-Texte mit vorgefertigten Templates für Produktbeschreibungen. Kein technisches Setup, gut für nicht-technische Nutzer. Freemium-Modell, bezahlte Pläne ab ca. 35 Euro/Monat. Nützlich, wenn du kein API-Setup willst.

Jasper — Enterprise-Content-Plattform mit Brand-Voice-Feature — das System lernt die Markenstimme aus vorhandenen Texten und schreibt konsistent im selben Stil. Sinnvoll für größere Teams, die viele Produkttexte parallel produzieren. Ab ca. 40 Euro/Monat.

Akeneo + KI-Erweiterung — Product Information Management (PIM) System mit eingebauten KI-Textgeneratoren. Besonders geeignet für Shops mit komplexen Produktdatenstrukturen, die ihre Attributdaten zentralisiert verwalten wollen. Stärker für Enterprise-Setups.

Zusammenfassung: Wann welcher Ansatz

• Einstieg, bis 500 Produkte, kein Setup-Budget → ChatGPT oder Claude direkt
• Konsistente Markenstimme über große Kataloge → Jasper oder Claude API
• Keine technischen Kenntnisse → Copy.ai
• PIM-System mit eingebautem KI-Workflow → Akeneo

Datenschutz und Datenhaltung

Produktbeschreibungen enthalten keine personenbezogenen Daten — die DSGVO-Relevanz ist minimal. Einzige Ausnahme: Wenn für die Textgenerierung Kundenbewertungen oder Nutzerkommentare verwendet werden, können diese personenbezogene Daten enthalten. In diesem Fall gilt die DSGVO für die Verarbeitung.

Alle genannten LLM-Anbieter (OpenAI, Anthropic) sind US-amerikanisch. Produktdaten sind in der Regel nicht personenbezogen — dennoch sollte der Datenschutzbeauftragte informiert werden, wenn interne Produktdaten an externe APIs übergeben werden. Für sensible Produktkategorien (Medizinprodukte, Chemikalien) sollten Texte grundsätzlich fachlich geprüft werden, unabhängig ob KI oder Mensch sie verfasst hat.

Der EU AI Act stuft Content-Generierung für Produkttexte nicht als Hochrisiko ein — aber KI-generierte Texte müssen transparent als solche gekennzeichnet werden, wenn sie Teil des Kaufentscheidungsprozesses sind. Für reine Produktbeschreibungen auf eigenen Seiten ist diese Anforderung aktuell nicht verbindlich durchgesetzt.

Was es kostet — realistisch gerechnet

Einstieg (ChatGPT/Claude, manuelles Workflow)

• Tool-Kosten: 20–40 Euro/Monat
• Setup-Aufwand: 1–2 Tage für Prompt-Entwicklung und Review-Prozess
• Produktionskosten: 5–15 Minuten pro Produkt (inkl. Review) — bei 200 Produkten ca. 25–50 Stunden Gesamtaufwand

Skaliert (API-Integration, automatisierter Workflow)

• Entwicklungsaufwand: 5–15 Tage für API-Integration in Shopsystem oder PIM
• API-Kosten: ca. 0,01–0,05 Euro pro Produkttext
• Bei 10.000 Produkten: 100–500 Euro Generierungskosten plus Entwicklungsaufwand

ROI-Beispiel (konservativ): Händler mit 3.000 Produkten ohne ausreichende Texte. Bisherige Option: externe Textagentur bei 25 Euro/Text = 75.000 Euro. Mit KI: API-Kosten 150–300 Euro + 10 Tage Entwicklung (ca. 8.000 Euro) + Review-Aufwand (ca. 5.000 Euro). Gesamtkosten: 13.000–16.000 Euro statt 75.000 Euro. Einsparung einmalig: 60.000 Euro. Zusätzlich: Zukünftige Texterstellungskosten bei Sortimentserweiterungen nahezu null.

Vier typische Einstiegsfehler

Fehler 1 — Texte ohne Review live stellen KI-Modelle halluzinieren — sie erfinden Details, die nicht in den Input-Daten stehen. Bei Produkttexten bedeutet das: falsche Materialangaben, erfundene Zertifizierungen, inkorrekte Maße. Wer 1.000 KI-Texte ohne Gegenlesen veröffentlicht, veröffentlicht im Schnitt 50–100 Texte mit faktischen Fehlern. Ein Review-Prozess ist keine Kür — er ist die Absicherung gegen Haftungsrisiken, Kundenbeschwerden und Rückgaben durch falsche Angaben.

Fehler 2 — Generischen Prompt für alle Produktkategorien nutzen Ein Prompt, der gute Texte für Gartenartikel schreibt, schreibt mittelmäßige Texte für Elektronik und schlechte für Kinderspielzeug. Unterschiedliche Produktkategorien haben unterschiedliche Kaufentscheidungskriterien, unterschiedliche Zielgruppen und unterschiedliche Tonalitäten. Die Investition in 3–5 spezialisierte Prompts pro Kategorie verdoppelt die Textqualität.

Fehler 3 — Den SEO-Effekt überschätzen KI-generierte Texte sind besser als keine Texte — das stimmt. Sie sind aber nicht automatisch besser als von erfahrenen SEO-Textern verfasste Texte. Wer hauptsächlich auf den organischen Traffic-Uplift hofft, braucht außerdem eine Keyword-Strategie, regelmäßige Updates und Backlinks. Der SEO-Effekt allein durch bessere Texte beträgt realistisch 15–40 % mehr organischen Traffic auf Produktseiten (Schätzwert aus Praxisberichten) — aber erst nach 3–6 Monaten.

Fehler 4 — Den Prompt ein Jahr lang nicht anfassen Ein guter Prompt vom ersten Tag veraltet. Sortimentsstil ändert sich, neue Produktkategorien kommen dazu, die Zielgruppe entwickelt sich, und das Modell lernt neue Fähigkeiten. Wer denselben Prompt zwölf Monate lang unverändert nutzt, generiert zunehmend Texte, die nicht mehr zur aktuellen Positionierung des Shops passen. Alle sechs Monate sollte der Prompt anhand von 10–20 kritischen Produkten neu bewertet und bei Bedarf überarbeitet werden.

Was mit der Einführung wirklich passiert — und was nicht

Der technische Einstieg ist der einfachste aller Use Cases in diesem Branch: Heute ausprobieren, morgen die ersten Texte live stellen. Die Schwierigkeit entsteht beim Skalieren.

Das häufigste Problem: Der Prompt funktioniert gut für die ersten 20 Produkte — und beginnt bei Produkt 200 an Qualität zu verlieren, weil die Varianz in den Produktdaten zunimmt. Lösung: Den Prompt regelmäßig an Ausnahmen anpassen und für Sonderkategorien separate Prompts entwickeln.

Die zweithäufigste Frustration: Der Review-Prozess. Wer auf “Zeit sparen” gehofft hat, merkt, dass das Review der 1.000 generierten Texte selbst mehrere Tage in Anspruch nimmt. Die Lösung ist ein Risk-basiertes Review: Hochwertige Produkte mit hohem Klickvolumen bekommen intensive Prüfung, Commodity-Produkte bekommen Stichproben-Review.

Aus dem Content-Team kommt manchmal Widerstand: “Das klingt nicht nach uns.” Das ist eine legitime Rückmeldung, die auf Prompt-Verbesserung hinweist — nicht auf einen grundlegenden Systemfehler. Zwei bis drei Iterationen des Prompts mit direktem Feedback aus dem Team lösen das Problem in fast allen Fällen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„KI-Texte klingen generisch und maschinell.” Mit einem schlechten Prompt: Ja, das stimmt. Mit einem gut entwickelten Prompt, der die Markenstimme, Zielgruppe und Tonalität beschreibt und Beispieltexte einschließt: deutlich weniger. Eine Blindstudie (2024, MDPI) zeigte, dass KI-Texte auf Produktseiten von Kunden nicht zuverlässig von menschlich verfassten Texten unterschieden werden konnten — wenn der Prompt gut war.

„Google bestraft KI-generierte Texte.” Das stimmt nicht für 2025. Google hat klargestellt, dass der Fokus auf der Qualität und Nützlichkeit des Inhalts liegt, nicht auf der Entstehungsweise. KI-generierte Texte, die faktisch korrekt, einzigartig und für Nutzer nützlich sind, werden nicht schlechter ranken als menschlich verfasste. Was Google bestraft: dünner, kopierter oder bewusst irreführender Content — unabhängig vom Autor.

„Das macht unsere Texter überflüssig.” Eher eine Umschichtung als eine Überflüssigmachung: Routinetexte für Commodity-Produkte generiert die KI. Texter konzentrieren sich auf Kampagnentexte, Kategoriebeschreibungen, Markenwelt und Produkthighlights — also auf die Arbeit, die echten Unterschied macht.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Du mehr als 200 Produkte ohne ausreichende Texte hast
• Neue Produkte regelmäßig verzögert live gehen, weil Texte fehlen
• Du externe Texter bezahlst und die Kosten mit dem Sortiment wachsen
• Deine Produktdaten liegen strukturiert vor (Attribute, Spezifikationen, Kategorie)

Das passt noch nicht zu dir, wenn:

• Dein Sortiment hat weniger als 50 Produkte und eine erfahrene Texterin schreibt schnell und gut
• Du hauptsächlich Premiumprodukte mit hoher Markenstimme verkaufst — KI-Texte für Luxusgüter brauchen intensive menschliche Nachbearbeitung
• Deine Produktdaten liegen so lückenhaft vor, dass das Modell keine Grundlage hat — investiere erst in Datenpflege

Das kannst du heute noch tun

Wähle zehn Produkte aus deinem Katalog, die aktuell keine oder sehr schwache Beschreibungen haben. Erstelle den folgenden Prompt und teste ihn in ChatGPT oder Claude — noch heute:

Quellen & Methodik

• McKinsey Global Institute (2023): Generative KI spart 40–60 % der Zeit in Content-Erstellungsprozessen — Bericht “The Economic Potential of Generative AI”
• MDPI-Studie (2024): User Experience and Perceptions of AI-Generated E-Commerce Content — Blindstudie zur Unterscheidbarkeit von KI- und Menschentexten
• ScienceDirect (2025): Harnessing generative AI for personalized E-commerce product descriptions — Peer-reviewed Framework-Analyse
• Eigene Einschätzungen: ROI-Beispiele und Zeitpläne basieren auf Branchenmittelwerten und Erfahrungswerten aus E-Commerce-Projekten