Warum KI-Produkttexte nur so gut sind wie die Daten dahinter
Ein Sprachmodell weiß nichts über Ihr Produkt. Es kennt Muster: wie Produktbeschreibungen in einer Kategorie üblicherweise klingen und welche Eigenschaften dort oft genannt werden. Was es über den einzelnen Artikel schreibt, stammt entweder aus den mitgelieferten Daten oder aus dieser Wahrscheinlichkeit. Den Unterschied sieht man dem fertigen Text nicht an.
Daraus folgt der wichtigste Mechanismus. Fehlt eine Angabe, lässt das Modell die Stelle selten leer. Es füllt sie mit dem, was bei ähnlichen Produkten plausibel wäre. Bei einer Gesichtscreme steht dann „für jeden Hauttyp geeignet“, obwohl das niemand geprüft hat. Bei einem Kissenbezug wird aus „Baumwollmischung“ schnell „reine Baumwolle“. Fachleute nennen das Halluzination: eine erfundene, aber glaubwürdig formulierte Aussage.
Die Qualität generierter Texte entscheidet sich deshalb nicht beim Modell, sondern im Datensatz. Wer dünne Daten hineingibt, bekommt flüssige Texte zurück, deren Inhalt zum Teil geraten ist. Die nächste Frage ist also, wie dicht die eigenen Daten sein müssen.
Woran man erkennt, ob die Produktdaten tragen
Ein einfacher Test hilft vor jeder Entscheidung. Nehmen Sie zehn zufällige Artikel und prüfen Sie, ob jemand ohne Produktkenntnis allein aus den Datenfeldern eine korrekte Beschreibung schreiben könnte. Wenn nicht, kann es eine KI auch nicht.
Vollständigkeit. Material, Maße, Inhaltsstoffe, Anwendung, Herkunft: Jede Angabe, die im Text stehen soll, muss als Feld existieren. Wissen, das nur im Kopf des Einkaufs liegt, landet nicht im Text. Oder es wird durch etwas Plausibles ersetzt.
Eindeutigkeit. Freitextfelder wie „Bemerkung“ oder „Sonstiges“ enthalten oft Widersprüche, alte Stände und interne Notizen. Ein Modell unterscheidet nicht zwischen „wird ab Herbst geändert“ und einer gültigen Eigenschaft. Strukturierte Felder mit festen Werten sind hier deutlich robuster.
Aktualität. Ändert sich eine Rezeptur oder ein Lieferant, muss die Änderung in den Daten stehen, bevor ein Text neu erzeugt wird. Sonst verbreitet die KI den alten Stand in sauberer Sprache weiter.
Ob dafür eine Tabelle reicht oder ein eigenes System nötig ist, hängt vor allem an Sortimentsgröße und Zahl der Beteiligten. Das behandelt der Artikel zum Produktdatenmanagement. Für generierte Texte gilt in beiden Fällen: erst die Felder, dann die Generierung. Selbst vollständige Daten lösen allerdings ein zweites Problem nicht.
Warum generierte Texte so austauschbar klingen
Ein Sprachmodell schreibt ohne weitere Vorgaben den wahrscheinlichsten Text. Das ist die Stärke der Technik und im Handel zugleich ihr Problem. Der wahrscheinlichste Text über eine Duftkerze ist der, den Ihre Mitbewerber mit demselben Werkzeug ebenfalls bekommen. Formulierungen wie „hochwertig“, „perfekt für“ oder „verleiht jedem Raum“ tauchen deshalb in vielen Shops gleichzeitig auf.
Markensprache entsteht aus Entscheidungen, die vom Durchschnitt abweichen. Welche Wörter die Marke nie benutzt, wie lang ihre Sätze sind, ob sie Vorteile behauptet oder Eigenschaften beschreibt. Diese Entscheidungen müssen schriftlich vorliegen, bevor ein Modell sie einhalten kann. Ein Satz wie „Wir klingen freundlich und kompetent“ reicht dafür nicht. Er passt auf fast jede Marke.
Was tatsächlich hilft, sind Beispiele und Verbote. Drei bis fünf gute, von Hand geschriebene Beschreibungen dienen als Vorlage. Dazu kommen eine Liste unerwünschter Wörter und eine Angabe zu Länge und Aufbau. Wie man eine Markenstimme überhaupt festlegt, beschreibt der Artikel zur Brand Voice. Fehlt diese Grundlage, ist der Text nicht falsch, aber er gehört keiner Marke. Problematischer sind die Fehler, die erst später auffallen.
Fehler, die erst nach der Veröffentlichung auffallen
Die teuren Fehler in generierten Produkttexten sind selten grammatikalisch. Sie sind inhaltlich und klingen richtig. Deshalb fallen sie meist nicht bei der Freigabe auf, sondern Wochen später, und zwar Menschen außerhalb des Teams.
Falsche Eigenschaften. Eine Kundin bestellt, weil der Text „parfümfrei“ verspricht. Sie schickt das Produkt zurück, weil es Duftstoffe enthält. Die Retoure ist das kleinere Problem. Größer sind die Bewertung, die danach erscheint, und die Frage, wie viele andere Texte denselben Fehler haben.
Unzulässige Aussagen. Gerade bei Kosmetik, Lebensmitteln oder Nahrungsergänzung neigen Modelle zu Wirkversprechen, die rechtlich nicht haltbar sind. Ein generiertes „beruhigt gereizte Haut nachweislich“ ist schnell geschrieben und schwer zu belegen. Welche Grenzen hier gelten, behandelt der Artikel zu Kosmetik-Claims im Onlineshop.
Verdeckte Doppelungen. Werden viele ähnliche Artikel mit derselben Vorlage erzeugt, unterscheiden sich die Texte oft nur in Farbe oder Größe. Für Suchmaschinen sehen solche Seiten nahezu gleich aus. Für Kundinnen bleibt unklar, worin sich die Varianten eigentlich unterscheiden.
Allen drei Fällen ist gemeinsam, dass die Korrektur nicht bei einem Text endet. Wer einen Fehler findet, muss alle Texte durchsuchen, die aus denselben Daten oder derselben Vorlage entstanden sind. Damit ist die eigentliche Kostenstelle erreicht.
Warum die Prüfung länger dauert als das Schreiben
Die naheliegende Annahme lautet: Einen fertigen Text zu prüfen geht schneller, als ihn zu schreiben. Bei generierten Texten stimmt das oft nicht. Ein Mensch, der selbst schreibt, lässt Lücken sichtbar offen oder fragt nach. Ein Modell schließt jede Lücke mit einem glatten Satz. Wer prüft, muss deshalb jede Aussage gegen die Daten halten, auch die selbstverständlich klingenden.
Dazu kommt ein Gewöhnungseffekt. Nach dem zwanzigsten fehlerfreien Text liest man den einundzwanzigsten schneller und flüchtiger. Gerade dann rutscht die erfundene Eigenschaft durch. Eine Prüfung, die sich auf das Gefühl verlässt, wird mit der Menge schlechter, nicht besser.
Belastbarer ist eine Prüfung mit festen Fragen. Steht im Text eine Angabe, die in keinem Datenfeld vorkommt? Enthält er ein Wort von der Verbotsliste? Verspricht er eine Wirkung? Ein Teil davon lässt sich technisch vorprüfen, etwa durch einen Abgleich mit den Feldern oder eine Suche nach Reizwörtern. Die letzte Freigabe bleibt bei einem Menschen, der das Sortiment kennt.
Realistisch ist deshalb eine andere Rechnung. Die Zeit für das Schreiben sinkt deutlich, die Zeit für Daten und Prüfung steigt. Ob unter dem Strich etwas übrig bleibt, hängt an den Bedingungen im nächsten Abschnitt.
Wann sich KI-Produkttexte für einen kleinen Shop lohnen und wann nicht
Es gibt Konstellationen, in denen die Rechnung klar aufgeht. Viele gleichartige Artikel mit guten Daten. Ein Sortiment aus Hunderten Varianten mit sauber gepflegten Attributen ist der günstigste Fall. Die Vorlage wird einmal sorgfältig gebaut, geprüft wird stichprobenartig mit festen Fragen.
Zweitsprachen und weitere Kanäle. Liegt eine geprüfte deutsche Beschreibung vor, ist eine KI-Übersetzung oder eine gekürzte Fassung für einen Marktplatz oft verlässlicher als ein Text aus dem Nichts. Die Fakten sind bereits geklärt, das Modell formuliert nur um. Eine muttersprachliche Person sollte trotzdem gegenlesen.
Rohentwürfe für Menschen. Manche Teams lassen die KI eine Struktur oder erste Fassung erzeugen, die dann jemand mit Produktkenntnis überarbeitet. Das spart weniger Zeit, als man hofft. Es hilft aber gegen das leere Dokument.
Ebenso klar sind die Fälle, in denen es sich nicht lohnt. Kleine, erklärungsbedürftige Sortimente. Bei dreißig Produkten mit jeweils eigener Geschichte ist der Text ein Teil des Produkts. Hier schreibt ein Mensch schneller, als er Vorlagen, Daten und Prüfregeln aufbaut.
Regulierte Kategorien ohne fachliche Prüfung. Wer niemanden hat, der Wirkaussagen beurteilen kann, übernimmt mit jedem generierten Text ein Risiko. Lückenhafte Daten. Solange der Zehn-Artikel-Test aus dem zweiten Abschnitt scheitert, erzeugt die KI vor allem Korrekturarbeit. In diesem Fall ist das Geld in der Datenpflege besser angelegt.
Was nach der Einführung bleibt
Generierte Produkttexte sind kein einmaliges Projekt. Neue Artikel kommen hinzu, Rezepturen ändern sich, Modelle werden aktualisiert und schreiben danach anders. Wer die Erzeugung einführt, betreibt einen Ablauf: Daten pflegen, Vorlagen anpassen, Stichproben prüfen, gefundene Fehler auf alle betroffenen Texte zurückführen. Dafür braucht es eine zuständige Person und eine Regel, wann Texte neu erzeugt werden.
Ein guter erster Schritt ist eine kleine Kategorie mit den besten Daten im Sortiment. Dort zeigt sich in wenigen Wochen, wie viel Zeit Prüfung und Datenpflege wirklich kosten. Erst danach lohnt die Entscheidung, das Verfahren auf weitere Kategorien auszuweiten.
Wie wir solche Abläufe einrichten und dauerhaft betreuen, beschreiben wir unter AI Operations Care.