Eine Produktbeschreibung ist in den meisten KMU-Shops der letzte Punkt auf der „machen wir irgendwann"-Liste. Das Foto ist da, der Preis ist da, die Kategorie ist da. Die Beschreibung ist anderthalb Sätze, kopiert aus der Lieferantenrechnung — oder ein leeres Feld. Und das seit fünf Jahren so. KI klingt nach der Lösung — und ist es manchmal wirklich. Du musst nur wissen, ab welchem Punkt sie aufhört zu helfen und anfängt, den Katalog leise zu verunreinigen.
Bei einem unserer Kunden — einem 15-köpfigen Großhändler für Verbindungselemente nahe Warschau — standen auf dem B2B-Portal 3 800 Positionen. Rund 60% hatten überhaupt keine Beschreibung, die restlichen 40% so etwas wie „Schraube M8x30 DIN 933 verzinkt". Null Chance, dass ein Kunde das Produkt über seine Anwendung findet („Stahlschraube, verzinkt, für Außenkonstruktion"). Ein KI-Pipeline (Modell per API plus ein kurzes Skript) erzeugte in zwei Wochen Beschreibungen für 2 400 Positionen. Nach technischer Prüfung gingen 1 800 unverändert in den Shop, 420 brauchten kleine Korrekturen, 180 wurden abgelehnt — und genau diese 180 sind in dieser Geschichte das Wichtigste.
Warum Beschreibungen immer zuletzt kommen
Eine ordentliche Produktbeschreibung zu schreiben dauert 15–30 Minuten. Multipliziert mit 3 800 Positionen ergibt das tausend Stunden — eine halbe Vollzeitstelle für ein Jahr. Niemand in einem 15-Mann-Betrieb hat das übrig. Einen freien Texter zu beauftragen heißt 30–50 PLN pro Beschreibung, also 150 000 PLN insgesamt. Der Inhaber schaut auf die Zahl und schließt die Excel-Datei.
Das Ergebnis: 90% der KMU-Kataloge in Polen sehen aus wie der bei Warschau — rohe Lieferantendaten, kein Kontext, keine Keywords, nichts, was dem Kunden hilft, zwischen zwei ähnlichen Produkten zu wählen. Die Konkurrenz auf den großen Marktplätzen gewinnt nicht, weil sie bessere Produkte hat, sondern weil ihre Produkte überhaupt auffindbar sind.
Das ist der Punkt, an dem KI wirklich etwas ändert. Nicht, weil sie „besser" schreibt als ein Mensch — tut sie nicht. Sondern weil die Kosten für 2 000 Beschreibungen von 60 000 PLN auf 150 PLN sinken (Token-Kosten) plus 40 Stunden menschliche Prüfung.
Was KI wirklich kann — und was sie nicht tut
Ein Sprachmodell macht aus trockenen technischen Daten sauber lesbaren Text in natürlichem Deutsch oder Polnisch. Du fütterst es mit „Schraube M8x30 DIN 933 galvanisch verzinkt Stahl 8.8" und es liefert drei Sätze Beschreibung plus fünf SEO-Nebenkeywords. Gibst du ihm zusätzlich drei Beispiele „so schreiben wir Beschreibungen in unserem Haus" — passt es sich stilistisch an.
Was sie nicht tut:
- Prüft nicht, ob die Eingabedaten stimmen. Steht in der Datei „M8x30", in Wirklichkeit ist es M10x30, dann schreibt das Modell eine schöne Beschreibung eines nicht existierenden Produkts.
- Findet nicht heraus, wofür der Kunde das Produkt tatsächlich braucht. Wenn du nicht sagst, dass die Schraube in Außenbalkonkonstruktionen geht, erfindet das Modell eine Anwendung aus der Luft — mal trifft es, mal lügt es.
- Erkennt nicht, dass zwei Produkte in deinem Katalog praktisch identisch sind und nur eines bleiben sollte. KI erzeugt Beschreibungen, sie räumt den Katalog nicht auf.
- Ersetzt keine technische Prüfung. Gleich mehr dazu.
Das ist keine Einschränkung eines bestimmten Modells. Das ist die Grenze dessen, was ohne Menschen im Prozess überhaupt geht.
So baust du eine einfache Pipeline
Du brauchst keine Plattform für 20 000 Euro im Jahr. Du brauchst drei Dinge: einen guten Input, einen guten Prompt und eine gute Ausgabekontrolle.
Input. Export aus dem ERP oder der Lieferantendatei als CSV, mit Spalten: Name, Code, technische Parameter, Kategorie, Preisgruppe. Je mehr strukturierte Daten, desto besser. Hat eine Produktgruppe 10 typische Anwendungen — häng sie als gemeinsamen Kontext an. 20 Minuten Arbeit für jemanden, der die Produkte kennt.
Prompt. Einer, gut ausgearbeitet, mit drei Beispielen einer „idealen Beschreibung" aus deiner Branche. Schreib nicht dreißig Varianten des Prompts — einer pro Produktkategorie (Schrauben, Muttern, Unterlegscheiben etc.) und fertig. Jede Prompt-Änderung heißt, alles neu zu prüfen, was dadurch gelaufen ist.
Output. Nichts geht in den Shop, bevor es ein Mensch gelesen hat. Was der Prüfer macht, kommt gleich. Aber die eiserne Regel: null direkte Veröffentlichung aus der KI ins Produktivsystem. Immer eine Zwischenschicht.
Token-Kosten für 2 000 Beschreibungen auf einem GPT-Modell liegen bei zehn bis einigen hundert PLN. Der größte Kostenpunkt ist die menschliche Prüfzeit. Realistisch: 2–3 Minuten pro Beschreibung = 70–100 Stunden technische Arbeit. Eine Person eine Woche lang, nicht ein Jahr.
Qualitätssicherung — wo KI danebengreift
Diese 180 abgelehnten Beschreibungen beim Kunden bei Warschau hatten drei typische Fehlermuster. Lohnt es sich zu kennen, bevor du die Pipeline anwirfst.
Erstens — erfundene Parameter. Das Modell bekommt „Schraube M8x30" und ergänzt in der Beschreibung manchmal „mit Zylinderkopf-Innensechskant" — weil die meisten M8x30 in seinen Trainingsdaten so aussahen. Nur ist DIN 933 ein Sechskantkopf. Die Beschreibung liest sich gut, führt aber den Kunden in die Irre. Ein Prüfer, der die Produkte kennt, fängt das in 20 Sekunden ab.
Zweitens — erfundene Anwendungen. „Ideal für Anwendungen in der Lebensmittelindustrie" bei einer Schraube ohne Lebensmittelkontaktzertifikat. Oder „für den Schiffbau" bei einer standardmäßig galvanisch verzinkten Schraube (die im Kontakt mit Meerwasser in drei Monaten korrodiert). Das sind Fehler, die echte Reklamationen produzieren.
Drittens — zu selbstsicherer Ton bei Allerweltsprodukten. „Unsere Premium-Schraube M8x30 besticht durch außergewöhnliche Qualität" — bei einem 15-Groschen-Artikel, den drei Konkurrenten in 50 km Umkreis in exakt derselben Spezifikation führen. Technische Beschreibung ja, Werbelobeshymne nein.
Der Prüfer muss kein Texter sein. Er muss die Produkte kennen. Am besten eine Person aus der technischen Abteilung oder ein erfahrener Vertriebsmitarbeiter. 15 Stunden pro Woche über einen Monat, und der Katalog ist erledigt.
Wo du in deinem Shop anfängst
Nicht mit der Pipeline. Mit einer Liste von 20 Positionen, die am häufigsten im Warenkorb landen — oder umgekehrt, 20 Positionen mit Traffic, aber verzweifelt schlechter Conversion. Generiere für diese 20 Beschreibungen von Hand, über eine Chat-Oberfläche (nicht per API). Prüf sie. Schau, wie viele davon „direkt veröffentlichbar", wie viele „zu überarbeiten", wie viele „in die Tonne" sind.
Ist das Verhältnis um 70/20/10 — eine volle Pipeline aufzubauen lohnt sich und rechnet sich im ersten Monat. Ist es 30/30/40 — hast du ein Problem mit den Eingabedaten, nicht mit dem Modell. Erst den Produktstamm aufräumen.
Wenn du durchsprechen willst, ob sich das in deiner Branche rechnet und wie du die Prüfung organisierst — das erste Gespräch ist kostenlos und dauert eine halbe Stunde. Wir zeigen dann, wie du die Kosten pro Beschreibung bei dir rechnest und wo die branchenspezifischen Fallen liegen.
KI schreibt Beschreibungen nicht besser als ein Mensch. Sie schreibt sie hundertmal günstiger — und das ändert alles, vorausgesetzt, danach liest sie wirklich jemand.