KI Produktbeschreibung Generator: Texte, die ranken und verkaufen

Why Identical Supplier Product Descriptions Don't Help Your SEO

⏱ 14 Min. Lesezeit

Im letzten Jahr habe ich Produktbeschreibungen für viele Shopify Shops geschrieben oder das Schreiben betreut. Woran es scheitert, ist nie der Text an sich. Es ist das Modell, das Dinge behauptet, die niemand geprüft hat. In diesem Artikel zeige ich, wie ich einen Generator-Workflow um eine Frage herum baue: Woher darf jeder Fakt kommen? Im Kern geht es um einen Home-Décor-Shop mit 300 Produkten, den wir gebaut haben. Dazu kommen Ausschnitte aus anderen Kundenprojekten, auch aus denen, bei denen wir es beim ersten Mal falsch gemacht haben.

Ein Fakt, der ungeprüft blieb und nie bei Käufern ankam

Im US-Print-on-Demand-Shop für Home Décor hat jedes Produkt eine Faktendatei. Jeder Fakt wird mit einem Wert, einem Status (verified oder unverified) und einer Quelle gespeichert. So sieht der Eintrag für eine Stehlampe aus:

FaktWertStatusQuelle / Notiz
Höhe63,0 ingeprüftProduktseite des Lieferanten, gelesen am 2026-10-06
Hergestellt inUSAungeprüftAus dem Produktnamen übernommen, nicht an einem Muster geprüft; „wird Käufern nie gezeigt“

„Made in USA“ ist genau die Art von Aussage, die ein Modell liebt: kurz, beruhigend, gut für die Conversion. Wir hatten sie in den Daten, konnten sie aber nicht bestätigen. Also war die Regel einfach. Ungeprüfte Fakten bleiben in der Datei, damit sie niemand neu herausfinden muss, aber der Generator darf sie nicht verwenden. Maße im Text kommen nur aus Fakten, die als geprüft markiert sind. Dieselbe Logik gilt für eine lange Verbotsliste: Materialien, Leuchtmittel, Wattzahl, LED, Kabel, Montage, „passt“, Lieferzeiten, Herstellungsland, Preise, Rabatte, Bewertungen, Garantien, „handgemacht“, „öko“, „premium“ und „langlebig“. Alles auf dieser Liste braucht zuerst eine geprüfte Quelle, sonst taucht es nicht auf.

Das ist besser als der übliche Rat, dem Modell zu sagen, es solle „nicht halluzinieren“. Eine Regel im Prompt ist eine Bitte. Ein Statusfeld kann ein Skript durchsetzen. Würde ich diesen Shop neu starten, würde ich die Faktendatei bauen, bevor ich einen einzigen Prompt schreibe. Denn jede spätere Prüfung hängt daran.

Schritt 1: Das Modell muss erst schauen, dann schreiben

In einem Print-on-Demand-Shop ist das Produkt ein Muster auf einem Gegenstand. Die wichtigsten Fakten sind also die sichtbaren. Meine Schreibregeln sagten dem Modell, zuerst jedes Produktbild zu öffnen und nur das zu schreiben, was es sehen kann: Motive, Farben, Hintergrund, wie der Druck auf dem Produkt sitzt. Text, der in einem Produktrahmen gedruckt ist, darf es nie übernehmen, denn einige alte Rahmen zeigten noch einen veralteten Designnamen.

Jede Ausgabedatei hat ein Feld seen mit zwei bis vier Sätzen dazu, was die Bilder tatsächlich zeigen. Das ist ein günstiger Prüfpfad: Sagt die Beschreibung etwas, das die seen-Notiz nicht stützt, findest du es in Sekunden. Dieselbe Regel hatte einen nützlichen Nebeneffekt, dazu weiter unten mehr.

Schritt 2: Tonalität und Struktur, kurz gehalten

Ein wiederverwendbares Briefing schlägt einen cleveren Ein-Zeilen-Prompt. Unseres legte fest: amerikanische Schreibweise, keine Marken oder Designernamen (also kein Eames, Noguchi oder IKEA), „vintage-inspired“ statt „vintage“, das Haupt-Keyword im ersten Satz und Links nur zu Kollektionen, die es gibt. Mit diesem Briefing kam die Beschreibung der Bogen-Stehlampe auf 176 Wörter. Wenn du nur eine Zeile aus dem Briefing übernimmst, dann die erste: Verwende nur Fakten aus den gelieferten Daten und sag es, wenn ein Fakt fehlt.

Schritt 3: Der Generator ist nicht die einzige Quelle für Einzigartigkeit

Wenn du Lieferantentexte mit KI umschreibst, bekommst du meist eine Umformulierung derselben Wörter. In diesem Shop wurden die Lieferantenbeschreibungen komplett ersetzt. Jeder Text startet bei dem, was die Bilder zeigen, plus den geprüften Fakten. Wenn du Produkte von Lieferanten verkaufst, helfen identische Lieferantenbeschreibungen deinem SEO nicht, und ein leichtes Umschreiben mit KI löst das Problem nicht. Echte Kundensprache hilft ebenfalls. Wie du sie sammelst, zeigt unser Leitfaden zu Produktbewertungen auf Shopify.

Schritt 4: Rollout in großen Mengen mit Prüfungen, die scheitern können

Ich habe die Arbeit in 10 Runden gemacht. Vor jedem ersten Schreibvorgang gab es Backups, und das Apply-Skript überspringt jede Seite mit Lint-Fehlern. Am Ende hatten 300 von 300 Live-Produkten Beschreibungen, SEO-Titel, Metas und Alt-Texte für Bilder (1.552 Alt-Texte), und 49 von 49 Kollektionen hatten Text. Der Linter prüfte 353 Seiten und endete mit 0 Fehlern. Er prüft:

  • SEO-Titel bis 60 Zeichen, Meta bis 155;
  • Haupt-Keyword im ersten Satz;
  • verbotene Aussagen, Marken und britische Schreibweise;
  • Ähnlichkeit zwischen Beschreibungen: gemeinsame Drei-Wort-Folgen bleiben für jedes Paar unter 30 %;
  • Links nur zu Kollektionen, die es gibt.

Die Ähnlichkeitsprüfung ist wichtiger, als sie klingt. Sie fängt den Fall ab, dass ein Modell denselben Absatz für fünfzehn fast identische Produkte schreibt. Das ist nah an dem, was Googles Spam-Richtlinien als Missbrauch skalierter Inhalte bezeichnen. Für Kataloge, die zu groß für diesen Weg sind, priorisierst du nach Nachfrage, statt alles neu zu schreiben.

300/300Produkte mit Beschreibung, Titel, Meta
1.552Alt-Texte für Bilder geschrieben
353Seiten gelintet, 0 Fehler
20/20Zufallsprodukte passten zu ihren Fotos

Was schiefging und was die Prüfung entfernt hat

Lint kann dir nicht sagen, ob ein Satz wahr ist. Dafür habe ich 20 zufällige Produkte noch einmal mit Kontaktbögen ihrer Fotos abgeglichen, und der Text passte 20 von 20 Mal zu den Bildern. Drei Beispiele zeigen, wofür die Prüfung da ist:

  • Die weihnachtlichen Satztische erwähnen Christbaumschmuck und Sterne, aber keine Bäume, weil die Bäume auf den Tischplatten nicht zu sehen sind.
  • „Figuren sind auf den Schirmen vollständig“ wurde gestrichen. Es stimmte nicht: Einige Figuren waren an den Schirmrändern abgeschnitten.
  • „Langer, weit ausladender Bogen“ wurde bei der Bogenlampe gestrichen. Das Produkt ist eine Stange mit einem kurzen gebogenen Arm.

Weil der Schreiber jedes Foto öffnen musste, wurde er auch zum Bildprüfer. Unterwegs markierten die Text-Agenten alte Designnamen in Rahmen, eine ungeprüfte Aussage auf einem Bild („leuchtet warm, wenn die Lampe an ist“), an Schirmrändern abgeschnittene Figuren, einen Druck, dessen Rot und Grün bei vier kleinen Produkttypen schwarz herauskam, Lieferantenrahmen mit „SIZE SHOW“ und Zentimeterwerten sowie eine Leiste mit Ladesymbolen, die mehr versprach als die geprüften „USB-Anschlüsse“. Nichts davon ist ein Copywriting-Problem. Aber ohne den Zwang, jedes Bild anzusehen, hätten wir es nicht gefunden. Ein guter Generator-Workflow endet mit einer Mängelliste und mit Beschreibungen.

Wenn das Keyword mehr verspricht als das Produkt

„Arc floor lamp“ hat in den USA 33.100 Suchanfragen im Monat. Die meisten meinen damit einen großen Bogen über Kopf. Unsere ist eine Stange mit einem kurzen gebogenen Arm. Also sagen die Texte „schlanke Stange und gebogener Arm“, und mein Bericht warnte vor einer Erwartungslücke und Retouren, wenn wir zu viel versprechen. „Stained glass lamp“ (etwa 18.000 Suchanfragen) meint echtes Bleiglas, also haben wir den Begriff gar nicht angepeilt. Der Text sagt „Buntglas-Print“, und die FAQ stellt klar, dass es ein gedrucktes Muster ist. Ranke für den Begriff, aber lass den Begriff keine Aussagen schreiben, die das Produkt nicht halten kann.

Beschreibungen sind Daten, die an eine Produktversion gebunden sind

Eine Beschreibung veraltet in dem Moment, in dem sich das Produkt ändert. In diesem Shop wurden 44 frühere Textversionen ersetzt: nach dem Wechsel des Lieferantenprodukts, nach Neudrucken, nach einem Fix für zu spärliche Drucke und nach dem Fix für den Farbfehler. Alte Versionen werden als Dateien aufbewahrt, und das Apply-Skript spielt den neuen Text idempotent ein. Zweimal ausführen schadet also nicht. Behandle den Text als Daten mit Version, nicht als einmaligen Text.

Das Wort idempotent ist keine Deko. Bei Valeaf hat unser Skript zum Veröffentlichen von FAQs bei jedem Lauf die Einträge neu angelegt. Ein erneuter Lauf hätte die Kollektions-FAQs also verdoppelt. Wir haben es bemerkt, bevor das passiert ist, und jetzt läuft vor jedem erneuten Lauf ein Audit, das nur liest. Jedes Skript, das in einen Shop schreibt, sollte zweimal laufen können, ohne Schaden anzurichten.

Was Texte in großen Mengen wirklich kosten

Für Kollektionsseiten habe ich einen Lauf am 22. Oktober 2026 protokolliert. Der Prompt sortiert zuerst unsaubere Keyword-Kandidaten aus (andere Marken, Materialien, die wir nicht nennen dürfen, geformte Objekte, DIY). Dann schreibt er 380 bis 520 Wörter plus fünf oder sechs FAQs und zählt keine Designs, weil sich der Katalog ändert.

PostenWert
Modellaufrufe61
Gesamtkosten3,52 $ (Schätzung auf Basis eines angenommenen Listenpreises)
Tokensetwa 186k Input, 129k Output
Laufzeitetwa 14 Minuten
Pro Kollektionetwa 0,05 $ bis 0,07 $

Die Modellkosten sind nebensächlich. Die echten Kosten stecken in den Regeln, den Faktendateien und der Prüfung.

Case: Valeaf, deutsche Listings aus Amazon-Daten

Der Valeaf-Aufbau hatte den umgekehrten Ausgangspunkt: keine Fotos, sondern 137 Amazon-Listings in 46 Variantenfamilien, aus denen 40 Shopify Produkte werden mussten. Für die Beschreibungen (14. bis 16. Oktober 2026) habe ich das Briefing als Liste dessen geschrieben, was nicht passieren darf. Nur Fakten aus den Daten dieses Produkts verwenden und bei einer fehlenden Zahl null schreiben, statt zu schätzen. Keine Gesundheitsaussagen, wegen der EU-Regeln zu gesundheitsbezogenen Angaben (HCVO). Kein kopierter Amazon-Text, das wäre Duplicate Content. Keine Emojis und keine Hooks in Großbuchstaben. „BIO“ nur, wenn die Daten es sagen, sonst in notes markieren. Keine Sterne oder Bewertungszahlen.

Jeder Text hat 120 bis 250 Wörter in fester Struktur, mit Sorten und lateinischen Namen, Keim- und Erntezeiten, Aussaatmonaten und drei bis fünf FAQs als strukturierte Felder. Alle 40 von 40 Produkten bekamen Texte. Wo Quelldaten fehlten oder sich widersprachen, markierte der Agent die Lücke für den Kunden, statt zu raten. Die Variantenfamilien zeigten mir dieselbe Lektion von der anderen Seite: Amazon hatte unverwandte Themen unter einem Listing gemischt. Also haben wir Varianten nur für echte Optionen behalten (Format, Gewicht, Design). Ein Thema, ein Produkt. Eine Beschreibung kann nicht genau sein, wenn das Produkt dahinter ein Bündel unverwandter Dinge ist.

Case: Olique, Beschreibungen in Batches pro Kollektion

Für Olique, einen Geschenkshop für Olivenholz, haben wir die Produktbeschreibungen zwischen Februar und Mai 2026 Kollektion für Kollektion neu geschrieben: Schneidebretter, Bad, Rasur, Küche, Schalen, Grill, Deko und Haustier. Danach haben wir die Faktenaussagen über Olivenholz separat geprüft. Das war ein anderer Job als das Schreiben, mit einer anderen Frage: nicht „Liest sich das gut?“, sondern „Kann jemand für diesen Satz geradestehen?“.

Meine Meinung, nachdem ich beides ausprobiert habe: Plane diese Prüfung der Aussagen vor dem Batch ein, nicht danach. Bei einem Material driftet ein Texter oder ein Modell am leichtesten in Volksweisheiten ab. Es ist günstiger, die erlaubten Aussagen einmal aufzuschreiben, als sie in Dutzenden Beschreibungen zu suchen. Der veröffentlichte Case von Olique deckt auch die breitere SEO-Arbeit ab, darunter ein Haupt-Keyword pro Kollektion und strukturierte Daten. Seine Zahlen gehören zu diesem ganzen Programm, deshalb schreibe ich sie nicht allein den Beschreibungen zu.

Case: ein deutscher Samenshop, 50 Seiten in drei Wellen

Für einen deutschen Shop für exotische Samen und Bonsai haben wir zwischen Februar und März 2026 Texte für 50 Produktseiten geschrieben, Korrektur gelesen und eingespielt, in drei Wellen mit 10, 20 und 20 Seiten. Weil wir mit einer Welle von zehn gestartet sind, blieb die erste Prüfung klein, bevor die nächsten vierzig kamen. Das PDP-Template des Shops wurde danach neu gebaut und am 25. Mai veröffentlicht. Diese Reihenfolge würde ich wieder wählen. Bau die Struktur, in der der Text sitzt, um, wenn der Text steht, und nicht, während er sich noch ändert.

Derselbe Shop hat etwas, das ich spannender finde als die Texte selbst: Sein Katalog enthält 354 Pflanzenprofil-Einträge, 237 Produkt-FAQ-Einträge und 177 Kollektions-FAQ-Einträge als strukturierte Metaobjekte. Das sind die Antworten, die ein Käufer oder ein Assistent wiederverwenden würde. Ein Generator für Produktbeschreibungen ist viel stärker, wenn er solche Daten befüllt, als wenn er nur einen Absatz schreibt. Wie wir über diese Ebene denken, zeigt die Seite zu Shopify AI Agents.

Case: ein US-Décor-Shop, 25 Kollektionen zurückgerollt

Das hier ist ein Fehlschlag. Für einen US-Shop für Home Décor und Bekleidung mit über 4.800 Produkten haben wir SEO-Texte für 25 Kollektionen veröffentlicht. Nach Feedback vom Kunden haben wir alle 25 zurückgerollt und auf einem kalibrierten Template (Version 4) neu geschrieben. Die Lektion ist deutlich: Kalibriere eine Kollektion mit dem Kunden, bevor du skalierst. Wir hatten schon einen Tracker für die 117 Kollektionen des Shops, und seitdem will ich einen für jede Serie von Schreibvorgängen. So ist ein Rollback eine Liste und keine Suche.

Case: französische Weinseiten und die zwei Fehler, die ein Faktencheck fand

Für den französischen Shop von Alkoholfrei vom Winzer, einem Händler für alkoholfreien Wein, haben wir Winzer- und FAQ-Blöcke für 30 Weinseiten geschrieben: 60 Blöcke und 221 FAQ-Antworten. Im deutschen Shop überträgt ein Skript solche Blöcke aus einem Google Doc in Shopify Metaobjekte. Sein erster Lauf befüllte 19 Weinprodukte und fand 16 ohne Inhalt, was für sich schon eine nützliche Liste ist. Die französischen Texte habe ich vor der Veröffentlichung mit den Websites der Erzeuger abgleichen lassen, und dieser Check fand zwei kritische Fehler: einen Riesling, der in einem Rosé aufgeführt war, und zwei verschiedene Serviertemperaturen für denselben Wein. Keiner der beiden Fehler ist für Lint sichtbar, und beide hätten unter dem Namen des Shops auf einer Produktseite gestanden.

Jede Sprache wird aus ihrer eigenen Faktenbasis geschrieben, nicht aus dem Text eines anderen Markts übersetzt. Ich prüfe das Französische wie das Deutsche: gegen die Quelle, nicht gegen die andere Sprache.

Case: als kürzer besser war

Bei WMK Berlin, einem Shop für einzigartige Vintage-Möbel, liest die Kollektions-Engine jedes Live-Produkt und seine Fotos mit der Claude API. Der Block „Ausgewählte Produkte“ ist an den Lagerbestand gekoppelt, sodass verkaufte Stücke herausfallen, ohne dass jemand den Text neu schreibt. Dieser Shop hat mir eine Regel beigebracht, die ich jetzt überall anwende: Eine kürzere, genaue Beschreibung ist immer besser als eine längere, die Lücken mit Annahmen füllt. Die FAQ bekommt vier Fragen, wenn es vier echte Antworten gibt, nicht zehn.

Wie wir das mit Claude Code umsetzen, ganz ehrlich

Das meiste davon sind Python-Skripte und Claude Code Skills in unserem eigenen Repository, kein Produkt. Die Regeln, die für Beschreibungen zählen, sind die langweiligen. Jeder Schreibvorgang hat zuerst einen Dry-Run. Von 8.418 Skriptläufen in Kundenshops zwischen dem 5. und 25. Oktober 2026 waren 708 Dry-Runs. Inhalte gehen zuerst versteckt rein, dann prüft sie ein Mensch. Theme-Änderungen gehen nur in unveröffentlichte Themes, und das Live-Theme veröffentlicht ein Mensch, nachdem der Kunde zugestimmt hat. Löschen in Shopify ist den Skripten nicht erlaubt. In einem Samenshop wurden zwei Kräuterartikel aus einem Batch von Überarbeitungen zurückgehalten, damit jemand die medizinischen Formulierungen vor der Veröffentlichung prüfen konnte. Das ist das Muster für jede Aussage, die eine Behörde interessieren könnte.

Was der Agent nicht tut: entscheiden, was wahr ist. Er entwirft, ein Skript prüft, und ein Mensch verantwortet das Ergebnis. Wenn du sehen willst, wie die Teile zusammenpassen, beschreiben unsere Teamseite und unsere Leistungen zur E-Commerce-Automatisierung das größere Setup. Der Catalog SEO Agent ist noch ein Pilot.

Checkliste aus diesen Projekten

Jeder Fakt hat einen Wert, einen Status und eine Quelle
Ungeprüfte Fakten werden gespeichert, aber nie im Text verwendet
Das Modell beschreibt nur, was es auf den Bildern gesehen hat
Verbotene Aussagen sind eine Liste, die ein Skript prüft
Die paarweise Ähnlichkeit liegt unter einem festen Schwellenwert
Ein Mensch prüft eine Zufallsstichprobe noch einmal gegen die Fotos
Suchbegriffe versprechen nicht mehr als das Produkt
Alte Versionen werden aufbewahrt, und der Text wird nach Produktänderungen neu eingespielt
Eine Kollektion wird vor dem Batch mit dem Kunden kalibriert
Jedes Schreibskript kann gefahrlos zweimal laufen

Was Google sagt, in zwei Absätzen

Google verbietet KI-Inhalte nicht. Seine Hinweise zu Inhalten mit generativer KI verlangen Faktenchecks und eine Prüfung der Ausgabe, auch bei Titeln, Meta-Beschreibungen, strukturierten Daten und Alt-Texten. Seine Spam-Richtlinien nennen es Missbrauch skalierter Inhalte, wenn viele Seiten mit generativer KI erstellt werden, ohne Mehrwert für Nutzer. Unser Ansatz ist eine direkte Antwort darauf: geprüfte Fakten rein, automatische Prüfungen, menschliche Stichprobe. Das größere Bild findest du unter KI-Inhalte und SEO.

Wenn du Produkte an Google Shopping sendest, gibt es noch eine Regel. Laut Googles Merchant-Center-Hilfeseite zu KI-generierten Inhalten gehören KI-generierte Titel in structured_title und Beschreibungen in structured_description, mit digital_source_type auf trained_algorithmic_media gesetzt. Dein Prozess muss also festhalten, welche Texte KI-generiert sind. Ich habe nicht jede Feed-App auf diese Attribute getestet, also prüf dein eigenes Setup.

Was ich nicht gezeigt habe

Für die Beschreibungen des Home-Décor-Shops habe ich noch keine Ergebnisse zu Rankings, Klicks oder Conversions. Seine Search-Console-Daten sind noch jung, deshalb behaupte ich nicht, dass diese Texte ranken oder verkaufen. Der veröffentlichte Case von Olique hat Ergebnisse, aber sie gehören zu einem größeren SEO-Programm. Was ich zeigen kann, ist der Prozess: was das Modell sagen darf, was geprüft wird und was die Prüfungen entfernt haben. Wenn du Hilfe willst, schau dir die Übersicht unserer Shopify Agentur an oder den Fifty Rooms Case, der zeigt, wie der Shop selbst gebaut wurde.

🔑 Fazit

Steck die Arbeit in den Faktenspeicher und die Prüfungen, nicht in einen clevereren Prompt. Ein Fakt, der sich nicht prüfen lässt, bleibt in der Datei und aus dem Text heraus.

Du brauchst Produkttexte, die auf geprüften Fakten stehen?

✍️

Shopify SEO

Produkt- und Kollektionsinhalte auf Basis von Keyword- und SERP-Recherche.

SEO-Leistungen ansehen →
📦

Produkt-Feeds

Saubere, vollständige Produktdaten für Shopping Ads und Feeds.

Meinen Feed reparieren →
🔍

SEO-Audit

Finde zuerst doppelte und dünne Produktseiten.

Meinen Katalog prüfen →
AI Agents FAQ

Häufige Fragen

Nein. Bei einem deutschen Samenshop haben wir 50 Produktseiten in Wellen von 10, 20 und 20 umgesetzt, damit die erste Prüfung klein blieb. Bei einem US-Décor-Shop haben wir 25 Kollektionen auf einmal veröffentlicht und mussten alle zurückrollen. Kalibriere zuerst an einem kleinen Batch.

Schreib jede Sprache aus denselben geprüften Fakten, statt den fertigen Text zu übersetzen. Bei französischen Weinseiten haben wir jeden Text mit den Websites der Erzeuger abgeglichen, und dieser Check fand zwei Fehler, die eine Übersetzung übernommen hätte.

Lass das Feld leer und setz das Produkt auf eine Liste. Bei Valeaf hat der Agent Lücken für den Kunden markiert, statt zu raten, und bei einem Weinshop fand der erste Lauf unseres Veröffentlichungsskripts 16 Produkte ohne Inhalt. Eine sichtbare Lückenliste ist nützlicher als eine plausible Erfindung.

Kann er, aber ich würde ihn nicht so starten lassen. Unsere Skripte machen zuerst einen Dry-Run (708 von 8.418 Läufen in drei Wochen), Inhalte gehen versteckt rein, Themes werden nur in unveröffentlichte Kopien geschrieben, und ein Mensch prüft, bevor etwas live geht.

Setz sie auf die Verbotsliste und lass jede Ausnahme von einem Menschen freigeben. Für deutsche Saatgut-Sets haben wir Gesundheitsaussagen wegen der EU-Regeln zu gesundheitsbezogenen Angaben komplett verboten, und in einem Kräutershop haben wir zwei Artikel für eine Prüfung der medizinischen Formulierungen zurückgehalten. Das ist keine Rechtsberatung. Frag für deinen Markt deinen eigenen Berater.

Für ein paar Dutzend Produkte reicht eine App oder ein Chat mit einem guten Briefing. Skripte zahlen sich aus, wenn du eine Faktendatei, einen Lint, Backups und einen sicheren erneuten Lauf über Hunderte Produkte brauchst. Die Modellkosten lagen bei etwa 0,05 $ bis 0,07 $ pro Kollektion. Die Arbeit steckt in den Regeln drumherum.