KI-Produktbeschreibungen im großen Stil: Wie PIM + KI Qualität skaliert

KI · PIM

Du hast 40.000 Artikel, elf Kanäle und sieben Sprachen. Und du hast seit ein paar Monaten ein KI-Tool, das in drei Sekunden einen Produkttext schreibt. Die Rechnung wirkt einfach: 40.000 mal drei Sekunden, fertig ist der Katalog.

In der Praxis passiert dann etwas anderes. Die ersten fünfzig Texte lesen sich erstaunlich gut. Bei Text 300 fällt auf, dass die KI eine Wandstärke erfunden hat, die es nicht gibt. Bei Text 900 heißt dasselbe Material einmal „Edelstahl“, einmal „rostfreier Stahl“ und einmal „Inox“. Und irgendwann sitzt jemand aus dem Produktmanagement wieder da und korrigiert von Hand — nur diesmal 40.000 Texte statt 40.000 leere Felder.

Das ist kein KI-Problem. Das ist ein Datenproblem.

Die apollon-These vorweg

Damit du den Rest des Artikels mit der richtigen Brille liest, sagen wir es gleich am Anfang:

KI schreibt keine guten Produkttexte aus dem Nichts. Erst saubere PIM-Attribute machen KI-Texte skalierbar, mehrsprachig und markenkonform.

Ein Sprachmodell ist ein Formulierungs-Motor, keine Faktenquelle. Es kann hervorragend aus vorhandenen Fakten flüssige, kanalgerechte Sprache bauen — aber es kann nicht wissen, ob dein Artikel 2,5 oder 3,0 Millimeter Wandstärke hat. Bekommt es die Fakten nicht sauber geliefert, füllt es die Lücke mit dem statistisch Wahrscheinlichsten. Das nennt sich dann Halluzination und kostet dich im Zweifel eine Retoure, eine Abmahnung oder beides.

Die gute Nachricht: Genau diese Fakten liegen bei dir schon strukturiert vor — im PIM. Die Kombination aus gepflegten Attributen und generativer KI ist deshalb kein netter Zusatz, sondern die eigentliche Bedingung dafür, dass Texterstellung überhaupt in die Größenordnung „ganzer Katalog“ kommt.

Im Rest des Artikels zeigen wir dir, warum KI-Texte ohne PIM scheitern, wie der Prozess Attribut → Prompt → Kanal-Text konkret abläuft, welche Guardrails du brauchst (inklusive Transparenz und Nachweisbarkeit), wie du das mehrsprachig skalierst — und wie ein Vorher/Nachher-Beispiel aussieht.

Warum KI-Texte ohne PIM scheitern

Wenn Unternehmen KI-Produktbeschreibungen einführen und nach ein paar Wochen wieder aufhören, liegt das fast immer an einem dieser fünf Muster:

1. Die KI erfindet Fakten. Fehlt ein Attribut, füllt das Modell die Lücke plausibel statt korrekt. Bei Produkttexten ist das der Klassiker: erfundene Maße, erfundene Zertifikate, erfundene Kompatibilitäten. Der Text liest sich überzeugend — und ist falsch.

2. Der Input ist Freitext statt Struktur. Wenn du der KI eine unsortierte Datenblatt-Textwüste in den Prompt kippst, muss sie erst raten, was davon Fakt, was Marketing und was veraltet ist. Strukturierte Attribute („werkstoff = Edelstahl 1.4404 (V4A)“, „aussendurchmesser_mm = 54″) sind eindeutig. Fließtext ist es nie.

3. Es gibt keine Wiederholbarkeit. Ein Text, den jemand einmalig im Chatfenster erzeugt und ins Shopsystem kopiert, ist nicht reproduzierbar. Ändert sich das Produkt, ist der Text tot — und niemand weiß, aus welchem Stand er entstanden ist.

4. Der Ton driftet. Ohne festgelegte Markenstimme klingt jeder Text ein bisschen anders. Bei fünfzig Texten fällt das nicht auf, bei fünftausend zerfällt dein Markenauftritt in fünftausend Dialekte.

5. Es fehlt der Kanalbezug. Amazon, dein B2B-Shop, der Print-Katalog und der Marktplatz in Frankreich brauchen unterschiedliche Textlängen, Tonalitäten und Pflichtangaben. Ein einziger „Universaltext“ passt nirgendwo richtig.

Alle fünf Punkte haben dieselbe Wurzel: Der KI fehlt eine verlässliche, strukturierte, versionierte Quelle für Produktfakten. Genau das ist die Aufgabe eines PIM. Was einen guten Produkttext inhaltlich ausmacht — Nutzenargument, Scanbarkeit, Vollständigkeit — haben wir in Was zeichnet gute Produktbeschreibungen aus? ausführlich beschrieben; die Kriterien ändern sich durch KI nicht, sie werden nur schwerer einzuhalten, wenn die Datenbasis wackelt.

Der Prozess: Attribut → Prompt → Kanal-Text

Der Kern dieses Artikels ist ein Ablauf in fünf nachvollziehbaren Schritten. Er sorgt dafür, dass nicht ein Mensch mit einem Chatfenster arbeitet, sondern ein System mit einer Regel.

Schritt 1 — Attribute als Fakten-Basis definieren

Lege je Produktkategorie fest, welche Attribute in einen Text einfließen dürfen und müssen. Typischerweise sind das drei Gruppen:

• Muss-Attribute: Alles, was der Text zwingend enthalten soll (Material, Maße, Leistung, Kompatibilität, Lieferumfang).
• Kann-Attribute: Alles, was den Text besser macht, wenn es gepflegt ist (Zertifikate, Anwendungsbeispiele, Pflegehinweise).
• Verbotene Felder: Interne Notizen, Einkaufspreise, Lieferantenkommentare — Felder, die niemals in einen Kundentext gehören.

Wichtig ist hier die Wertekontrolle: kontrollierte Auswahllisten statt Freitext. „Edelstahl“, „rostfreier Stahl“ und „Inox“ dürfen nicht drei Werte im selben Feld sein, sondern ein Wert mit klarer Schreibweise. Sonst produziert die KI genau diese Inkonsistenz zuverlässig weiter — nur schneller.

Schritt 2 — Vollständigkeit prüfen, bevor generiert wird

Setze eine harte Regel: Kein Text ohne vollständige Muss-Attribute. Das PIM prüft vor der Generierung, ob alle Pflichtfelder gefüllt sind. Fehlt etwas, geht der Artikel nicht in die Generierung, sondern in eine Aufgabenliste zur Datenpflege.

Das klingt nach Bremse, ist aber der eigentliche Qualitätshebel. Denn genau hier verhinderst du systematisch, dass die KI Lücken kreativ füllt. Wie du Vollständigkeit und Konsistenz überhaupt messbar machst, liest du in unserem Beitrag zu Produktdaten-Qualitäts-KPIs (erscheint am 23.09.2026) — die Kurzfassung: Was du nicht misst, generierst du irgendwann falsch.

Schritt 3 — Prompt-Templates je Kanal und Kategorie bauen

Statt freier Prompts arbeitest du mit Vorlagen, in die das PIM die Attributwerte einsetzt. Ein solches Template hat immer dieselben Bestandteile:

Baustein	Was drinsteht	Beispiel
Rolle & Marke	Markenstimme, Ansprache, Tonalität	„Schreibe als Fachhändler für Sanitärtechnik, sachlich, du-Ansprache, keine Superlative.“
Fakten-Block	Nur die freigegebenen Attribute aus dem PIM	werkstoff = Edelstahl 1.4404 (V4A), aussendurchmesser_mm = 54 (DN 50), zulassung = DVGW W 534
Kanal-Regeln	Länge, Struktur, Format	„Marktplatz: 5 Bullet Points à max. 200 Zeichen, erstes Bullet nennt das Material.“
Verbote	Was der Text nicht darf	„Keine Angaben, die nicht im Fakten-Block stehen. Keine Heilversprechen. Keine Preisnennung.“
Pflichtangaben	Rechtlich oder redaktionell Gesetztes	Grundpreis-Hinweis, Sicherheitshinweis, Herkunftsangabe

Der entscheidende Satz im Template ist der aus der Zeile „Verbote“: Die KI darf ausschließlich mit den gelieferten Fakten arbeiten. Damit verwandelst du das Modell von einer Wissensquelle in einen Formulierer — und genau das willst du.

Schritt 4 — Generieren, prüfen, freigeben

Die Generierung läuft im Batch über die Produktauswahl, nicht Artikel für Artikel im Chat. Danach greift ein zweistufiger Check:

1. Automatisch: Kommen alle Muss-Attribute im Text vor? Stehen im Text Zahlen oder Einheiten, die es im Fakten-Block nicht gibt? Sind Pflichtangaben enthalten? Wurden verbotene Begriffe verwendet? Stimmen Länge und Format für den Zielkanal?
2. Menschlich: Stichprobe je Kategorie und Sprache durch jemanden, der das Sortiment kennt — mit Freigabe-Workflow im PIM. Nicht jeder Text einzeln, aber jede Kategorie und jede Textsorte mindestens einmal.

Erst nach Freigabe wird der Text zum publizierbaren Stand. Das ist der Unterschied zwischen „wir haben KI ausprobiert“ und „wir produzieren Content im Regelbetrieb“. Mehr zu diesem Zusammenspiel aus Workflow, Freigabe und Automatisierung liest du in Automatisierung in PIM-Systemen.

Schritt 5 — Kanalgerecht ausspielen und rückkoppeln

Aus derselben Faktenbasis entstehen mehrere Textvarianten: Langtext für den eigenen Shop, Bullet-Liste für den Marktplatz, Kurztext für den Katalog, Snippet für den Feed. Das PIM verteilt sie an die jeweiligen Kanäle.

Und dann kommt der Teil, den die meisten vergessen: die Rückkopplung. Ändert sich ein Attribut — neue Norm, geänderte Maße, anderer Lieferumfang — muss der zugehörige Text automatisch als „veraltet“ markiert und neu generiert werden. Ohne diese Kopplung baust du dir innerhalb eines Jahres einen Textbestand auf, der nicht mehr zu deinen Daten passt.

Qualitäts-Guardrails: Was du festzurren musst

KI-Texte skalieren nur, wenn die Kontrolle mitskaliert. Diese vier Guardrails haben sich als Minimum bewährt.

Guardrail 1: Faktentreue

• Closed-Book-Prinzip: Das Modell darf nur die übergebenen Attribute verwenden, kein „Weltwissen“ ergänzen.
• Zahlen-Abgleich: Jede Zahl und Einheit im Text muss sich auf einen Attributwert zurückführen lassen. Alles andere ist ein Fehler, kein Stilmittel.
• Keine Superlative ohne Beleg: „Marktführend“, „am langlebigsten“, „bestes Preis-Leistungs-Verhältnis“ gehören auf die Verbotsliste, solange kein belegtes Attribut dahintersteht.

Guardrail 2: Markenstimme

• Ein verbindlicher Styleguide als Prompt-Baustein: Ansprache (du/Sie), Satzlänge, erlaubte und verbotene Begriffe, Umgang mit Fachsprache.
• Terminologie-Liste: Deine gesetzten Begriffe je Sprache. Das ist auch der Ort, an dem du Markennamen und Produktlinien vor kreativen Übersetzungen schützt.
• Beispieltexte im Template: Zwei, drei redaktionell abgesegnete Referenztexte im Prompt bringen die Tonalität zuverlässiger auf Kurs als jede Adjektivsammlung.

Guardrail 3: Pflichtangaben und Rechtstexte

Pflichtangaben gehören nicht in die Kreativität des Modells, sondern als feste Textbausteine aus dem PIM in den Text. Warnhinweise, Grundpreisangaben, Energielabel-Verweise, Herkunfts- und Sicherheitsinformationen werden gesetzt, nicht generiert. Alles, was rechtlich verbindlich ist, ist ein Attribut — kein Prompt-Ergebnis.

Guardrail 4: Transparenz und Kennzeichnung (EU AI Act)

Wenn du Inhalte mit KI erzeugst, bewegst du dich in einem regulatorischen Rahmen, der auf Transparenz zielt. Die Kennzeichnungspflichten des EU AI Act treffen dabei vor allem die Anbieter der KI-Systeme und bestimmte Inhaltsarten — für kommerzielle Produkttexte, die menschlich geprüft und redaktionell verantwortet werden, folgt daraus in aller Regel keine Kennzeichnungspflicht am Text. Genau deshalb ist entscheidend, dass du diese Prüfung auch belegen kannst. Praktisch heißt das drei Dinge:

• Dokumentieren: Halte fest, welche Texte mit KI erzeugt wurden, mit welchem Modell, aus welchem Datenstand und wer sie freigegeben hat. Ein PIM kann das als Metadatum am Text mitführen — das ist deutlich belastbarer als eine Excel-Liste im Marketing.
• Kennzeichnen können: Sorge dafür, dass du KI-Anteile jederzeit ausweisen kannst, statt das im Nachhinein rekonstruieren zu müssen.
• Verantwortung behalten: Menschliche Freigabe ist nicht nur Qualitätssicherung, sondern auch dein Nachweis, dass jemand die Inhalte verantwortet.

Serien-Hinweis: Was der EU AI Act konkret für KI im Marketing und bei Produktdaten fordert — mit Fristen, Pflichten-Timeline und Entscheidungshilfe — nehmen wir uns im Serien-Artikel „EU AI Act: Was KI im Marketing & bei Produktdaten jetzt beachten muss“ vor (erscheint am 25.11.2026). Dieser Abschnitt hier ist bewusst nur der Guardrail-Ausschnitt daraus.

Hinweis: Dieser Beitrag ist keine Rechtsberatung. Für die Bewertung deines konkreten Falls sprich bitte mit deiner Rechtsabteilung oder einem spezialisierten Anwalt.

Mehrsprachig skalieren — der eigentliche Hebel

Bei einer Sprache ist KI-Texterstellung eine Effizienzfrage. Bei sieben Sprachen wird sie zur Frage, ob das Projekt überhaupt machbar ist. Denn der klassische Weg — Text auf Deutsch schreiben, dann in sechs Sprachen übersetzen lassen — vervielfacht jeden Fehler und jede Ungenauigkeit des Ausgangstextes.

Der bessere Weg dreht die Reihenfolge um:

1. Attribute sind die Quelle, nicht der deutsche Text. Attributwerte werden übersetzt beziehungsweise als sprachspezifische Wertelisten gepflegt — einmal, sauber, wiederverwendbar. „Edelstahl 1.4404 (V4A)“ ist in jeder Sprache derselbe Fakt.
2. Pro Sprache wird generiert, nicht übersetzt. Aus denselben Fakten entsteht ein nativ formulierter Text mit sprachspezifischer Tonalität — statt einer deutschen Satzstruktur im französischen Gewand.
3. Terminologie und Markenbegriffe sind je Sprache gesetzt. Was nicht übersetzt werden darf (Produktlinien, Markennamen, Normbezeichnungen), steht auf einer Sperrliste im Template.
4. Marktspezifische Pflichtangaben kommen aus dem PIM. Was in Deutschland gilt, gilt nicht automatisch in Frankreich oder Polen. Solche Angaben sind länderspezifische Attribute, keine Übersetzungsaufgabe.
5. Freigabe bleibt pro Sprache bestehen. Die Stichprobe muss jemand machen, der die Sprache und den Markt kennt — sonst verlagerst du das Qualitätsrisiko nur.

Der Unterschied in der Praxis: Wenn sich ein Attribut ändert, musst du nicht sieben Übersetzungen nachziehen, sondern regenerierst sieben Texte aus einer korrigierten Quelle. Das ist der Punkt, an dem PIM + KI von „schneller tippen“ zu „anders arbeiten“ wird. Wie KI generell in PIM-Prozessen andockt — von Klassifizierung über Attributanreicherung bis Textgenerierung — beschreibt unser Beitrag KI-Einsatz in PIM-Systemen.

Vorher / Nachher: ein Beispiel

Nehmen wir als Beispiel einen Edelstahl-Rohrbogen aus dem Sanitärgroßhandel — konstruiert zur Veranschaulichung, nicht aus einem realen Kundensortiment.

Ausgangslage — Prompt ohne PIM („schreib mir eine Produktbeschreibung für einen Edelstahl-Rohrbogen 90°“):

„Dieser hochwertige Edelstahl-Rohrbogen 90° überzeugt durch seine erstklassige Verarbeitung und extreme Langlebigkeit. Gefertigt aus rostfreiem Edelstahl, ist er ideal für zahlreiche Anwendungen im Sanitär- und Heizungsbereich geeignet. Dank der hohen Materialstärke hält er auch höchsten Belastungen dauerhaft stand und erfüllt selbstverständlich alle relevanten Normen.“

Was daran nicht funktioniert: Der Text nennt keinen einzigen prüfbaren Fakt. Keine Legierung, keine Nennweite, keine Zulassung. Dafür drei unbelegte Superlative („erstklassig“, „extreme Langlebigkeit“, „höchste Belastungen“) und mit „erfüllt selbstverständlich alle relevanten Normen“ eine Aussage, die niemand verantworten kann. Er ist nicht filterbar, nicht vergleichbar, nicht rechtssicher — und in jeder Sprache gleich hohl.

Nachher — derselbe Artikel, generiert aus PIM-Attributen:

Fakten-Block aus dem PIM: werkstoff = Edelstahl 1.4404 (V4A) · aussendurchmesser_mm = 54 (DN 50) · winkel_grad = 90 · verbindung = Pressverbindung, M-Kontur · dichtung = EPDM · zulassung = DVGW-geprüft (Arbeitsblatt W 534) · einsatzbereich = Trinkwasser, Heizung · max_betriebsdruck_bar = 16 (bei 20 °C)

„Rohrbogen 90° aus Edelstahl 1.4404 (V4A) für Pressverbindungen in M-Kontur, Außendurchmesser 54 mm (DN 50), mit EPDM-Dichtung. Zugelassen für Trinkwasserinstallationen nach DVGW-Arbeitsblatt W 534 und einsetzbar bis 16 bar Betriebsdruck bei 20 °C. Die Werkstoffgüte V4A ist gegenüber V2A erhöht korrosionsbeständig und damit auch für chloridreichere Wasserqualitäten geeignet.“

Der zweite Text ist nicht „schöner“. Er ist belegbar: Jede Zahl im Text steht als Attribut im PIM. Er ist filterbar, weil die Fakten strukturiert daneben liegen. Er lässt sich in jede Sprache generieren, ohne dass sich die Fakten verschieben. Und er lässt sich automatisch neu erzeugen, sobald sich ein Attribut ändert.

Genau das ist der Unterschied zwischen KI-Texten und KI-Texten im großen Stil. Wenn du tiefer in die Textarbeit mit KI einsteigen willst, lohnt sich unser Grundlagenbeitrag KI zur Texterstellung.

Was das für dich heißt

Wenn du KI-Produktbeschreibungen in echter Stückzahl einführen willst, ist die erste Frage nicht „Welches Modell?“, sondern „Wie gut sind meine Attribute?“. Die Reihenfolge ist immer dieselbe: Attributmodell schärfen, Lücken schließen, Wertelisten kontrollieren, Templates je Kanal bauen, Guardrails setzen, freigeben, ausspielen, rückkoppeln.

Der Aufwand liegt vorn, in den Daten. Der Ertrag liegt hinten, in der Skalierung — und er ist mehrsprachig multiplikativ.

FAQ

Kann KI gute Produktbeschreibungen schreiben?

Ja — aber nur mit strukturierten Fakten als Input. Ein Sprachmodell formuliert hervorragend, weiß aber nichts über dein konkretes Produkt. Bekommt es gepflegte PIM-Attribute übergeben und die klare Anweisung, ausschließlich diese Fakten zu verwenden, entstehen belegbare, kanalgerechte Texte. Ohne diese Basis entstehen flüssige Texte mit erfundenen Details.

Warum brauche ich für KI-Produktbeschreibungen ein PIM?

Weil das PIM drei Dinge liefert, die ein Chatfenster nicht kann: eine strukturierte, geprüfte Faktenquelle, einen wiederholbaren Prozess mit Freigabe und Versionierung, und die Verteilung der Texte an alle Kanäle und Sprachen. Ändert sich ein Attribut, weiß das PIM, welche Texte neu erzeugt werden müssen.

Wie läuft der Prozess von Attribut zu Kanal-Text ab?

In fünf Schritten: Attribute je Kategorie als Fakten-Basis definieren, Vollständigkeit der Muss-Attribute vor der Generierung prüfen, Prompt-Templates je Kanal und Kategorie mit Markenstimme und Verboten aufbauen, im Batch generieren und automatisch plus stichprobenartig menschlich prüfen, kanalgerecht ausspielen und bei Attributänderungen automatisch neu erzeugen.

Wie verhindere ich, dass die KI Produktdaten erfindet?

Mit dem Closed-Book-Prinzip: Das Modell darf ausschließlich die übergebenen Attribute verwenden und keine eigenen Annahmen ergänzen. Dazu kommt eine Vollständigkeitsprüfung vor der Generierung (kein Text bei fehlenden Muss-Attributen) und ein automatischer Abgleich danach, ob jede Zahl und Einheit im Text auf einen Attributwert zurückgeht.

Wie bleibt die Markenstimme bei tausenden KI-Texten konsistent?

Über feste Prompt-Bausteine: ein verbindlicher Styleguide (Ansprache, Satzlänge, verbotene Begriffe), eine Terminologie-Liste je Sprache und zwei bis drei redaktionell abgesegnete Referenztexte im Template. Konsistenz entsteht nicht durch besseres Nachbearbeiten, sondern durch identische Vorgaben in jedem Generierungslauf.

Wie funktionieren mehrsprachige KI-Produktbeschreibungen?

Nicht als Übersetzung des deutschen Textes, sondern als eigenständige Generierung pro Sprache aus derselben Attributbasis. Attributwerte und Terminologie werden sprachspezifisch gepflegt, marktspezifische Pflichtangaben kommen als länderspezifische Attribute aus dem PIM, und die Stichprobenfreigabe erfolgt je Sprache durch jemanden mit Marktkenntnis.

Muss ich KI-generierte Produkttexte kennzeichnen?

In aller Regel nicht: Die Kennzeichnungspflichten des EU AI Act richten sich vor allem an die Anbieter der KI-Systeme, und für Texte, die menschlich geprüft und redaktionell verantwortet werden, greift die Offenlegung am Text üblicherweise nicht. Entscheidend ist deshalb, dass du diese Prüfung belegen kannst: Dokumentiere, welche Texte mit KI erzeugt wurden, aus welchem Datenstand sie stammen und wer sie freigegeben hat — am besten als Metadatum direkt am Text im PIM. Was das im Detail bedeutet, behandeln wir im Serien-Artikel zum EU AI Act (erscheint am 25.11.2026). Dieser Beitrag ersetzt keine Rechtsberatung.

Was ist der Unterschied zwischen KI-Produktbeschreibungen und GEO?

KI-Produktbeschreibungen betreffen das Erzeugen von Texten aus deinen Produktdaten. GEO (Generative Engine Optimization) betrifft das Zitiertwerden durch KI-Suchsysteme wie ChatGPT, Perplexity oder Google AI Overviews. Beide bauen auf derselben Grundlage auf — strukturierte, konsistente Produktdaten — verfolgen aber unterschiedliche Ziele.

Willst du sehen, wie das mit deinen Daten aussieht?

In einer kurzen Demo zeigen wir dir die KI-Features von OMN: wie Attribute zur Faktenbasis werden, wie Prompt-Templates je Kanal und Sprache greifen, wie Guardrails und Freigaben funktionieren — und wie aus einem gepflegten Artikel in einem Durchlauf die Texte für alle deine Sprachen entstehen.