KI-Produktbeschreibungen für 3.000 Artikel — ohne Textmüll

Rechnen wir kurz. Dreitausend Artikel, je eine ordentliche Produktbeschreibung, realistisch dreißig Minuten pro Text mit Recherche und Korrektur — das sind 1.500 Stunden. Ein knappes Personenjahr, nur für Produkttexte. Diese Rechnung ist der Grund, warum in den meisten Shops eine von zwei Notlösungen steht: der unveränderte Herstellertext, den hundert andere Shops auch haben, oder drei dünne Zeilen, die niemandem eine Frage beantworten. Künstliche Intelligenz löst diese Rechnung tatsächlich — sie schreibt den Text in Sekunden statt in Stunden. Und genau deshalb ist die Gefahr jetzt eine andere: Wer den alten Mangel einfach durch Masse ersetzt, produziert das dritte Übel. Textmüll, in Serie.

Im Beitrag zu den Streichpreisen ging es um die Zahlen an Ihren Produkten — heute geht es um die Worte daneben. Der Zeitpunkt in der Serie ist kein Zufall: Saisonartikel, Geschenksets und Neuzugänge fürs Weihnachtsgeschäft brauchen ihre Texte jetzt, denn was im Dezember gefunden werden soll, muss im November indexiert sein — die Vorlaufzeiten kennen Sie aus dem Beitrag zu den Saisonseiten. Ende Oktober ist der letzte gute Moment, eine Textproduktion aufzusetzen, die bis dahin liefert.

Zur Abgrenzung: Was KI grundsätzlich im SEO verändert, steht in Warum KI Ihr neues SEO-Team ist; wie ein einzelner Produkttext handwerklich gebaut wird, im SEO-Quicktip zu Produkttexten. Und die Gegenrichtung — wie Ihre Produktdaten aussehen müssen, damit fremde KI-Agenten sie lesen können — haben wir in Sind Ihre Produktdaten bereit für KI-Agenten? behandelt. Heute geht es um die Produktionsseite: den Workflow, mit dem aus dreitausend Datensätzen dreitausend brauchbare Texte werden — und um die Qualitätsgates, die dabei über brauchbar oder Müll entscheiden.

Warum Herstellertexte und Dünntexte beide verlieren

Der Herstellertext ist bequem und genau deshalb wertlos: Er steht wortgleich in jedem Shop, der dasselbe Produkt führt. Für die Suche ist das klassischer doppelter Inhalt — Google erkennt identische Texte über Domains hinweg zuverlässig und wählt selbst aus, welche Version angezeigt wird; der SEO-Datenanbieter Sistrix beschreibt in seinem Grundlagenartikel zu Duplicate Content genau dieses Szenario: Inhalte, die identisch auf hunderten Domains abrufbar sind, von denen eine gewinnt — und der Rest praktisch unsichtbar bleibt. Ein kleiner Shop gewinnt dieses Duell gegen Marktplätze und Großhändler so gut wie nie.

Der Dünntext verliert leiser. Drei Zeilen ohne Substanz beantworten weder die Frage, für wen das Produkt gedacht ist, noch die nach Material, Maßen oder Kompatibilität — also beantwortet sie der Kundenservice, die Retoure oder der Wettbewerber. Dazu kommt ein neuer Leser, der in dieser Serie schon mehrfach vorkam: KI-Assistenten, die Kaufempfehlungen aussprechen, zitieren die Shops, deren Texte Substanz haben. Eine gute Produktbeschreibung arbeitet inzwischen dreifach — für den Menschen, für die Suchmaschine und für die Antwortmaschine.

Was Google zu KI-Texten wirklich sagt

Die häufigste Sorge zuerst: Nein, KI-generierte Inhalte sind für Google kein Verstoß. Der Leitfaden der Google Suche zu KI-generierten Inhalten stellt klar, dass hochwertige, hilfreiche Inhalte belohnt werden, unabhängig davon, wie sie erstellt wurden — problematisch wird Automatisierung erst, wenn sie primär der Manipulation des Rankings dient. Die Produktionsart ist Google gleichgültig. Die Qualität nicht.

Die Grenze dazu steht in den Spam-Richtlinien, und sie trägt seit 2024 einen eigenen Namen: Missbrauch mit massenhaft generierten Inhalten. Gemeint ist die Erstellung großer Mengen von Nicht-Originalinhalten, die Nutzern „unabhängig von der Art der Erstellung“ wenig oder keinen Mehrwert bieten — als Beispiel nennt Google ausdrücklich den Einsatz von KI-Tools zur Seitengenerierung ohne Nutzen. Zusammengenommen ergeben beide Dokumente die Arbeitsregel dieses Beitrags: Die Grenze verläuft nicht zwischen Mensch und Maschine, sondern zwischen Mehrwert und Müll. Dreitausend Texte, die alle dasselbe in anderen Worten sagen, sind Spam — egal, wer sie geschrieben hat. Dreitausend Texte, die je Produkt echte Fragen beantworten, sind ein Wettbewerbsvorteil — egal, wer sie geschrieben hat.

Derselbe Leitfaden erinnert an einen Punkt, der bei aller Automatisierung gern verloren geht: Die Qualitätsmaßstäbe rund um Erfahrung, Kompetenz und Vertrauenswürdigkeit gelten für KI-Inhalte unverändert. Für Produkttexte heißt das ganz praktisch: Der Absender bleibt Ihr Shop, nicht das Werkzeug. Texte, in die echtes Produktwissen eingeflossen ist — die typische Kundenfrage aus dem Support, der Hinweis aus der Retourenstatistik, die Erfahrung, welche Größe knapp ausfällt —, unterscheiden sich messbar von Texten, die nur Attribute in Sätze gießen. Genau dieses Wissen kann kein Modell erfinden; es muss aus Ihrem Haus ins Briefing. Die KI skaliert Ihre Kompetenz — oder, wenn keine hineinfließt, Ihre Beliebigkeit.

Der Rohstoff entscheidet: ohne Daten kein Text

Das größte Risiko der KI-Textproduktion ist nicht der Stil, sondern die Erfindung. Ein Sprachmodell, das die Wattzahl nicht kennt, schreibt trotzdem eine hin — flüssig, plausibel und falsch. Die Ursache ist fast immer dieselbe: Dem Modell fehlen die Fakten, also füllt es die Lücke. Deshalb beginnt seriöse Textproduktion nicht beim Formulieren, sondern bei der Attributliste je Artikel: Material, Maße, Gewicht, Kompatibilität, Lieferumfang, Pflege, Herkunft, Zielgruppe — strukturiert aus Warenwirtschaft oder PIM, denselben Quellen, die auch Ihren Produktdaten-Feed speisen. Die Arbeitsteilung ist strikt: Die Daten liefern die Fakten, die KI liefert die Sprache. Was nicht in der Attributliste steht, darf im Text nicht behauptet werden — fehlt ein Wert, bleibt die Lücke sichtbar und wird nachgepflegt, statt vom Modell erraten.

Diese Regel gehört wörtlich ins Briefing des Modells, zusammen mit dem, was Ihren Shop klingen lässt wie Ihren Shop: Tonalität, Anrede, Struktur der Texte — und eine Verbotsliste. Floskeln wie „hochwertig“, „einzigartig“ oder „perfekt für jeden Anlass“ sind die Uniform des Textmülls; wer sie dem Modell ausdrücklich verbietet, zwingt es zu Substanz. Ein Nebeneffekt, der oft übersehen wird: Werbeversprechen, die das Produkt nicht hält, sind nicht nur schlechter Stil, sondern ein Rechtsrisiko — die Irreführungsregeln aus der letzten Woche gelten für Textbehauptungen genauso wie für Preise.

Der Workflow: 3.000 Artikel in sechs Schritten

Der Fehler der meisten Massenproduktionen ist, dass sie als Massenproduktion beginnen. Belastbar ist der umgekehrte Weg: erst im Kleinen beweisen, dann skalieren.

Ein Wort zum Briefing, weil daran die meisten Anläufe scheitern: Es ist ein Werkstück, kein Zweizeiler. Ein tragfähiges Briefing enthält die feste Textstruktur (in welcher Reihenfolge Einordnung, Fakten, Anwendung und Fragen kommen), zwei von Hand geschriebene Beispieltexte als Stilanker, die Anrede- und Tonregeln des Shops, die Verbotsliste — und die Attributliste des jeweiligen Artikels als einzige zugelassene Faktenquelle. Wer das einmal sauber baut, hat kein Prompt-Bastel-Problem mehr, sondern eine Vorlage, die sich pro Kategorie nur noch in Nuancen unterscheidet. Die Zeit, die hier hineinfließt, kommt in jeder der folgenden Wellen zurück.

Erstens, Daten sammeln: Attributlisten vervollständigen, beginnend bei den umsatzstärksten Artikeln. Zweitens, Muster bauen: Briefing schreiben und an zwanzig Testartikeln quer durchs Sortiment erproben — verschiedene Kategorien, verschiedene Preislagen, auch die Problemfälle mit dünner Datenlage. Drittens, die Stichprobe hart prüfen: Jede Behauptung gegen die Attributliste, Ton gegen das Briefing, Texte untereinander auf Gleichförmigkeit. Erst wenn die zwanzig sitzen, wird skaliert. Viertens, in Wellen erzeugen: zweihundert bis fünfhundert Artikel je Welle, sortiert nach Umsatz und Saisonrelevanz — die Bestseller und das Weihnachtssortiment zuerst, nicht das Alphabet. Fünftens, jede Welle testen: eine feste Stichprobe pro Welle durch den Faktencheck, dazu die automatischen Gates aus dem nächsten Abschnitt. Sechstens, messen und pflegen: Nach der Veröffentlichung zeigen Suchanfragen, Kundenfragen und Retourengründe, wo Texte nacharbeiten müssen — eine Produktbeschreibung ist kein Endzustand, sondern ein Bestand, der gepflegt wird.

Der Engpass verschiebt sich dabei spürbar: Nicht das Erzeugen kostet Zeit, sondern das Prüfen. Genau das ist der Qualitätsbeweis — ein Workflow, in dem niemand mehr liest, was veröffentlicht wird, ist die Definition des Problems, nicht seine Lösung.

Die Qualitätsgates: woran Sie Textmüll erkennen, bevor er live geht

Vier Prüfungen trennen brauchbare Massenproduktion von Spam, und drei davon lassen sich automatisieren. Die Faktenprüfung: Jede Zahl und jede Eigenschaftsbehauptung im Text muss in der Attributliste stehen — in der Stichprobe von Hand geprüft, auf Wellenebene mit einfachen Abgleichen. Die Dublettenmessung: Texte einer Serie neigen zur Gleichförmigkeit; wir messen das über Wortfolgen-Vergleiche zwischen den eigenen Texten und gegen die Herstellervorlage. In einem aktuellen Projekt — zehn Produkte, 72 Varianten, gut 4.200 Wörter neuer Text — lag die wörtliche Übernahme aus den Alttexten nach diesem Verfahren bei null Prozent; das ist der Maßstab, nicht die Ausnahme. Jeder Text folgte dort derselben Struktur: eine Einordnung, für wen das Produkt gedacht ist, die Anwendung in Alltagssprache, Material und Pflege als scannbare Fakten, drei echte Kundenfragen mit Antworten — und der erwähnte Absatz, wann das Produkt nicht die richtige Wahl ist. Die Struktur stammt vom Menschen, die Ausformulierung je Variante vom Modell, die Freigabe wieder vom Menschen. Die Floskelprüfung: Die Verbotsliste aus dem Briefing wird zur Prüfliste nach der Erzeugung — Treffer gehen zurück in die Überarbeitung. Und die Strukturprüfung: scannbare Fakten als Liste, Fließtext für Einordnung und Anwendung, je Produkt zwei, drei echte Kundenfragen mit Antworten — und, wo es passt, ein ehrlicher Satz dazu, für wen das Produkt nichts ist. Dieser eine Satz kostet Überwindung und zahlt doppelt: Er senkt Fehlkäufe, und er ist exakt die Sorte Substanz, die kein Konkurrenz-Shop kopiert und keine Antwortmaschine überliest.

Dass Sie mit dieser Werkstatt nicht allein sind, zeigt der Blick in die amtliche Statistik: 2025 nutzte laut Statistischem Bundesamt gut ein Viertel der Unternehmen in Deutschland künstliche Intelligenz — bei Großunternehmen mehr als die Hälfte, und Textanwendungen führen die Liste der eingesetzten Techniken an. Die Frage ist für Ihre Wettbewerber also längst nicht mehr, ob mit KI getextet wird. Die Frage ist, wessen Texte die Prüfung bestehen.

Was bis Anfang November stehen muss — und was ab dann ruht

Diese Woche: Attributlisten der Saison- und Bestsellerartikel vervollständigen und das Briefing an zwanzig Testartikeln erproben. Nehmen Sie bewusst auch Artikel mit lückenhaften Daten in den Test — an ihnen zeigt sich, ob das Modell Lücken stehen lässt oder füllt.

Bis Anfang November: die ersten Wellen erzeugen, prüfen und veröffentlichen — priorisiert nach Weihnachtsrelevanz, damit die Indexierung die Wochen bis zum Peak noch nutzen kann. Ab Mitte November gilt für Texte dasselbe wie für alles andere in dieser Serie: keine Massenänderungen mehr im Peak. Einzelne Korrekturen ja, die dritte Welle über zweitausend Artikel nein — die gehört in den Januar, wenn Ruhe und Messdaten da sind. Wenn Sie den Aufbau des Workflows nicht allein stemmen wollen — vom Briefing über die Gates bis zur Anbindung an Warenwirtschaft und Shop —, ist das genau die Sorte Projekt, die wir unter KI im E-Commerce beschreiben: Werkzeuge, die Ihre Arbeit verstärken, nicht ersetzen.

Häufige Fragen zu KI-Produktbeschreibungen

Straft Google KI-generierte Produktbeschreibungen ab?

Nicht wegen der Erstellungsart. Googles Leitfaden zu KI-Inhalten stellt klar, dass hochwertige Inhalte unabhängig von ihrer Produktionsweise belohnt werden. Eine eigene Spam-Kategorie gibt es allerdings für massenhaft erstellte Inhalte ohne Mehrwert — und dort nennt Google den unkontrollierten KI-Einsatz ausdrücklich als Beispiel, genauso wie menschlich produzierte Massentexte. Entscheidend ist, ob die Texte je Produkt echte Substanz liefern: konkrete Fakten, beantwortete Kundenfragen, ehrliche Einordnung statt austauschbarer Füllsätze.

Wie verhindere ich, dass die KI Produkteigenschaften erfindet?

Durch eine strikte Arbeitsteilung: Alle Fakten kommen aus einer Attributliste je Artikel, die KI darf formulieren, aber nichts ergänzen. Das gehört als ausdrückliche Regel ins Briefing — fehlende Werte bleiben als Lücke stehen, statt plausibel erraten zu werden. Abgesichert wird das über Stichproben-Faktenchecks je Welle: Jede Zahl und jede Eigenschaftsbehauptung im Text muss sich in der Attributliste wiederfinden. Testen Sie das Briefing bewusst an Artikeln mit lückenhaften Daten — dort zeigt sich, ob die Regel greift.

Wie viele Produkttexte schaffe ich pro Woche?

Die Erzeugung ist nicht der Engpass — Sekunden pro Text. Begrenzend sind Datenpflege und Prüfung: Attributlisten vervollständigen, Stichproben lesen, Gates auswerten. Bewährt haben sich Wellen von zweihundert bis fünfhundert Artikeln, priorisiert nach Umsatz und Saisonrelevanz statt nach Alphabet. So sind die Artikel, die das Weihnachtsgeschäft tragen, in zwei bis drei Wochen versorgt, und der Rest folgt in ruhigeren Monaten — mit einem Prozess, der sich an den wichtigen Artikeln bereits bewiesen hat.

Sollte ich Herstellertexte komplett ersetzen?

Überall dort, wo der Text ranken oder verkaufen soll, ja — der wortgleiche Herstellertext steht in vielen Shops gleichzeitig, und bei identischen Inhalten wählt Google eine Version aus, während die übrigen praktisch unsichtbar bleiben. Diesen Wettbewerb gewinnt selten der kleinere Shop. Sinnvoll ist die Priorisierung nach Wirkung: Bestseller, Saisonartikel und Kategorien mit Suchpotenzial zuerst. Technische Beilagen wie Datenblätter oder Anleitungen dürfen vom Hersteller bleiben — sie sind Service, nicht Ranking-Material.

Muss ich KI-erstellte Produkttexte kennzeichnen?

E-Commerce News - Tipps & Tricks SEO-Quicktip: Produkttexte, die verkaufen

Eine allgemeine Pflicht, Produktbeschreibungen als KI-erstellt zu kennzeichnen, sieht das europäische KI-Recht derzeit nicht vor — die Transparenzpflichten der KI-Verordnung zielen auf andere Konstellationen, etwa Chatbots, die mit Menschen interagieren, oder täuschend echte Medieninhalte. Verantwortlich für den Inhalt bleiben Sie aber in jedem Fall: Falsche Produktangaben sind Ihr Problem, nicht das des Werkzeugs. Ob in Ihrem konkreten Geschäft Sonderfälle greifen, klären Sie im Zweifel anwaltlich — wir sind Agentur, keine Kanzlei.

Wie messe ich, ob die neuen Texte wirken?

An vier Stellen, mit Geduld von sechs bis acht Wochen für die Suchwirkung. Erstens die Search Console: mehr Impressionen und neue Longtail-Anfragen auf den überarbeiteten Produktseiten. Zweitens die Conversion der Seiten im Vorher-nachher-Vergleich. Drittens die Servicelast: Kundenfragen, die der Text jetzt beantwortet, kommen seltener per Mail. Viertens die Retourengründe — ehrliche Texte mit klarer Zielgruppen-Abgrenzung senken Fehlkäufe. Wer im Oktober veröffentlicht, sieht die Suchwirkung rechtzeitig zum Dezember.

Fazit: Skalieren Sie den Prozess, nicht den Müll

Die Rechnung vom Anfang löst sich auf, sobald die Rollen stimmen: Die Warenwirtschaft liefert Fakten, die KI liefert Sprache, das Briefing liefert Haltung — und die Gates entscheiden, was live geht. Dann sind dreitausend Texte kein Personenjahr mehr, sondern ein Projekt von Wochen, dessen Engpass das Prüfen ist. Genau so herum wird ein Vorteil daraus: Google belohnt Substanz unabhängig vom Werkzeug, bestraft Masse ohne Mehrwert unabhängig vom Werkzeug — und Ihre Wettbewerber produzieren längst.

Wenn Sie aus diesem Beitrag eine Sache mitnehmen: Schreiben Sie nicht zuerst Prompts, sondern zuerst die Attributliste Ihrer zwanzig wichtigsten Weihnachtsartikel. Der Text ist das Einfachste an diesem Projekt — wenn die Daten stimmen.

Wie entstehen Ihre Produkttexte heute?

Mich interessiert der Ist-Zustand: Herstellertext, Eigenarbeit, Texter, KI — und wie viele Ihrer Artikel haben Stand heute gar keine echte Beschreibung? Meine Vermutung: Es ist mehr als die Hälfte, und niemand im Team weiß die genaue Zahl.

Und an alle, die schon mit KI produzieren: Welches Qualitätsgate hat bei Ihnen die meisten Fehler gefangen — Fakten, Dubletten oder Floskeln? Genau diese Erfahrungswerte schreibt sonst niemand auf; schreiben Sie mir Ihren, wenn Sie mögen.

Wenn Sie den Workflow lieber mit uns gemeinsam aufsetzen möchten, erreichen Sie uns über die Kontaktseite.

Dieser Beitrag ist Teil unserer Q4-Serie. Jeden Dienstag erscheint hier ein neuer Beitrag zur Vorbereitung auf die Hochsaison. Nächste Woche: Monitoring, Alerting, Notfallplan — den Ausfall sehen, bevor der Kunde ihn sieht.