Produkttexte mit KI: Shop- und Marktplatz-Beschreibungen, die nicht nach KI klingen

Ein mittelständischer Großhändler mit 40.000 Artikeln steht jedes Jahr vor derselben Aufgabe: neue Lieferantensortimente, neue Marktplätze, dieselben dünnen Produktdaten. Jemand muss Titel kürzen, Beschreibungen schreiben, Attribute nachpflegen – pro Kanal in anderem Format. Diese Arbeit ist die natürliche Domäne von KI. Sie ist auch die Stelle, an der generierte Texte am sichtbarsten scheitern.

Worum es geht: die Kurzfassung

• KI schreibt Produkttexte heute brauchbar – aber nur, wenn sie Ihre echten Produktdaten, Ihre Tonalität und die Regeln des Zielkanals kennt. Ohne diese drei Eingaben entsteht Füllmaterial, das Kunden und Marktplätze als solches erkennen.
• Der Engpass ist selten das Schreiben. Er liegt in den Stammdaten davor und in der Freigabe danach.
• Ein klares Qualitäts-Gate aus fünf Prüfpunkten trennt veröffentlichbare Texte von Ausschuss: automatisch vorsortiert, final vom Menschen freigegeben.
• KI übernimmt den Erstentwurf und die Kanal-Varianten. Der Mensch behält Faktencheck, Markenstimme und rechtliche Pflichtangaben.
• Der eigentliche Hebel ist nicht „Text per Knopfdruck”. Er heißt: dieselbe geprüfte Produktinformation einmal pflegen, in viele Kanäle ausspielen.

Was KI bei Produkttexten heute übernimmt

KI erzeugt aus strukturierten Produktdaten Titel, Fließtext, Bulletpoints und Attribute – in Ihrer Tonalität und je Kanal unterschiedlich formatiert. Sie eignet sich für den Erstentwurf in großer Menge und für Varianten desselben Artikels. Was sie nicht leistet: Fakten ergänzen, die nicht in den Quelldaten stehen.

Genau hier liegt das Missverständnis. Ein Sprachmodell ist kein Faktengenerator, sondern ein Umformulierer. Geben Sie ihm Maße, Material, Kompatibilität und Lieferumfang, macht es daraus flüssigen, kanalgerechten Text. Geben Sie ihm eine leere Datenzeile, erfindet es plausibel klingende Eigenschaften. Der Unterschied entscheidet darüber, ob das Werkzeug Umsatz bringt oder Retouren.

Brauchbar ist KI deshalb für: Beschreibungstexte aus vorhandenen Attributen, das Kürzen langer Titel auf Marktplatz-Längen, das Übersetzen in Zielsprachen, das Anreichern fehlender Attribute aus dem Fließtext des Lieferanten. Nicht brauchbar ist sie für alles, was geprüfte Fakten verlangt, die nirgends hinterlegt sind.

Wo generierte Produkttexte scheitern

Drei Fehlerquellen tauchen in fast jedem Projekt auf, und keine davon ist ein Modellproblem.

Schlechte Quelldaten. Wenn dasselbe Attribut im ERP „Edelstahl”, im Shop „rostfrei” und im Lieferanten-Feed „V2A” heißt, erbt jeder generierte Text diese Uneinheitlichkeit. Saubere Texte setzen einen sauberen Artikelstamm voraus – mehr dazu im Beitrag Stammdaten als Engpass.

Fehlende Markenführung. Ohne Beispieltexte und ohne Verbotsliste fällt das Modell auf Marketing-Floskeln zurück: „hochwertig”, „innovativ”, „erstklassig”. Solche Texte ranken schlechter und konvertieren schwächer, weil sie nichts Konkretes sagen. Die Markenstimme entsteht aus Ihren Vorgaben, nicht aus dem Modell.

Halluzinierte Eigenschaften. Fehlt ein Datenpunkt, füllt das Modell die Lücke statt sie zu lassen. Bei einem Schraubensortiment mag das harmlos wirken, bei Lebensmitteln, Kosmetik oder technischen Bauteilen wird es zum Haftungsrisiko. Die Antwort ist kein besserer Prompt, sondern eine Architektur, die unsichere Felder leer lässt und zur Prüfung markiert.

Ein Qualitäts-Gate für KI-Produkttexte

Statt jeden Text einzeln zu lesen, prüfen Sie ihn gegen feste Kriterien. Dieses Gate hat sich in der Praxis bewährt – fünf Prüfpunkte, die eine Maschine vorab durchläuft, bevor ein Mensch überhaupt hinschaut:

1. Faktentreue. Jede Aussage im Text muss sich auf ein Quellfeld zurückführen lassen. Kein Quellfeld, keine Aussage. Texte mit nicht belegbaren Behauptungen fallen automatisch durch.
2. Pflichtfelder. Rechtlich vorgeschriebene Angaben (Grundpreis, Warnhinweise, Energieklasse) kommen aus geprüften Datenfeldern, nie aus der Generierung. Das Gate prüft auf Vollständigkeit, nicht auf Formulierung.
3. Markenkonformität. Verbotene Begriffe, Superlative ohne Beleg und Tonalitätsbrüche werden erkannt und zurückgewiesen.
4. Kanal-Regeln. Titellänge, erlaubte Zeichen, Pflicht-Attribute pro Marktplatz. Ein Text, der Amazons Titelgrenze reißt, geht gar nicht erst in die Freigabe.
5. Dubletten. Beschreibungen, die sich über viele Artikel hinweg fast wortgleich wiederholen, werden markiert – sie sind ein Suchmaschinen-Risiko.

Texte, die alle fünf Punkte bestehen, landen in der Freigabe-Queue. Der Rest geht mit konkretem Hinweis zurück. Die Person im Handel liest dann nicht mehr alles, sondern entscheidet über vorsortierte, plausible Entwürfe. Das ist der Punkt, an dem aus „interessantem Experiment” echte Zeitersparnis wird.

Kanal-Varianten ohne Copy-Paste

Derselbe Artikel braucht im eigenen Shop einen erklärenden Fließtext, auf Amazon kurze, keyword-orientierte Bulletpoints und bei eBay eine andere Titelstruktur. Manuell heißt das: dreimal dieselbe Information umschreiben. Mit KI pflegen Sie die Produktinformation einmal sauber und lassen pro Kanal die passende Form erzeugen.

Wichtig ist die Richtung des Datenflusses. Die Wahrheit liegt im Artikelstamm, nicht im jeweiligen Kanal. Ändert sich eine Eigenschaft, ändern Sie sie an einer Stelle, und die Varianten werden neu erzeugt. Wer stattdessen direkt im Marktplatz-Backend tippt, baut sich genau die Datensilos, die das Problem ursprünglich verursacht haben. Diese Logik – eine Quelle, viele Ausspielungen – ist dieselbe, die hinter jedem belastbaren RAG-Wissenssystem mit eigenen Daten steht.

Wer den Katalog zusätzlich visuell vereinheitlichen will, findet im Beitrag zur KI-Bildgenerierung im Produktkatalog den passenden Baustein für konsistente Produktbilder. Gute Produktdaten sind zugleich die Grundlage dafür, dass Kunden im Shop finden und kaufen, was sie suchen – wie KI Suche, Beratung und Preis im Shop verbessert, ordnet der Überblick KI im B2B-Onlineshop ein.

Was das im Mittelstand realistisch bringt

Ehrlich gerechnet verschiebt KI die Arbeit, sie zaubert sie nicht weg. Das Schreiben des Erstentwurfs wird billig, die Prüfung bleibt. Wer vorher pro Artikel zwanzig Minuten getippt hat, verbringt nachher wenige Minuten mit Freigabe – aber nur, wenn das Qualitäts-Gate gut sortiert. Sortiert es schlecht, prüfen Sie jeden Text doppelt und haben nichts gewonnen.

Setzen Sie die Erwartung deshalb auf den richtigen Wert: KI macht aus einem Schreib- ein Prüfproblem. Ob sich das lohnt, entscheidet die Sortimentsgröße. Bei wenigen hundert gepflegten Artikeln ist der Aufwand fragwürdig. Bei zehntausenden, mit ständig neuen Lieferantensortimenten und mehreren Kanälen, wird er schnell zwingend. Eine Einordnung, welche Anwendungsfälle sich für welche Betriebsgröße rechnen, gibt der Überblick zu KI-Anwendungen im Mittelstand.

Häufige Fragen

Die wichtigsten Fragen aus Projektgesprächen haben wir oben in den FAQ gebündelt – von der PIM-Frage über die Markenstimme bis zur rechtlichen Haftung und dem Umgang mit Bestandsartikeln.

Wie Sie anfangen

Beginnen Sie nicht mit dem ganzen Katalog. Nehmen Sie eine abgegrenzte Warengruppe mit sauberen Daten und einem klaren Zielkanal, definieren Sie das Qualitäts-Gate, und lassen Sie hundert Artikel durchlaufen. Messen Sie an dieser Stichprobe Ihre echte Freigabe-Geschwindigkeit, statt einer Pauschalzahl zu vertrauen. Funktioniert die Schleife, skalieren Sie sie auf weitere Warengruppen.

Dieser Use Case ist einer von mehreren, die einen 90-Tage-Pilot tragen – den Gesamtüberblick liefert der Pillar KI-Agenten im Mittelstand 2026. Wenn Sie prüfen möchten, ob sich Produkttexte in Ihrem Sortiment dafür eignen, sprechen wir das in einem unverbindlichen Erstgespräch konkret an Ihren Daten durch.