Whitepaper
Automatisierte Produkttexte im PIM: Entscheidungslogik vor KI
Kurz-Zusammenfassung
Diese Case Study zeigt, wie automatische Produktbeschreibungen im PIM durch die Kombination aus deterministischer Entscheidungslogik und KI erzeugt werden können – reproduzierbar, nachvollziehbar und ohne Kontrollverlust.
Executive Summary
Automatische Content-Erzeugung gilt als klassischer KI-Anwendungsfall. In der Praxis zeigt sich jedoch schnell, dass unkontrollierte KI-Textgenerierung bei technisch geprägten und variantenreichen Sortimenten fachliche und rechtliche Risiken erzeugt.
Diese Case Study beschreibt daher einen anderen Ansatz:
KI wird nicht als Entscheidungsinstanz eingesetzt, sondern gezielt in eine bestehende Entscheidungsarchitektur integriert. Welche Inhalte erzeugt werden dürfen, auf welcher Datenbasis und unter welchen Bedingungen, entscheidet weiterhin das PIM-System – nicht das Sprachmodell.
Bereits vor dem Einsatz generativer KI wurden Produktbeschreibungen in Contene deterministisch und regelbasiert erzeugt. Mit der Verfügbarkeit moderner KI-Modelle wurde dieser Ansatz erweitert. Die KI übernimmt ausschließlich die sprachliche Formulierung auf Basis strukturierter und geprüfter Produktdaten.
Mechanismen wie explizite Aktivierung pro Artikel, filtergestützte Stapelverarbeitung, hash-basierte Überwachung sowie jederzeit verfügbare Rückfalloptionen stellen sicher, dass die Automatisierung skalierbar und nachvollziehbar bleibt.
Der Ansatz befindet sich aktuell in einer kontrollierten Erprobungsphase. Qualität, Nachvollziehbarkeit und Verantwortung haben dabei Vorrang vor maximaler Automatisierung.
Key Takeaways
KI allein erzeugt keine belastbaren Inhalte
Erst explizite Entscheidungslogik macht Content reproduzierbar, nachvollziehbar und fachlich belastbar.
Produktdaten entscheiden – KI formuliert
Die Verantwortung für Inhalte, Varianten und Aussagen verbleibt vollständig im PIM-System.
Skalierung erfordert Systematik
Filterbasierte Auswahl, Stapelverarbeitung, Hash-Überwachung und Rückfalloptionen machen Automatisierung beherrschbar.
Ausgangslage
Produktbeschreibungen wurden ursprünglich überwiegend manuell erstellt. Texte entstanden einzeln, oft zeitversetzt und abhängig von verfügbaren Ressourcen.
Später sollte ein generisches Skript den Aufwand reduzieren. Dieses erzeugte HTML-basierte Beschreibungstexte nach einem festen Muster:
- Überschrift
- Fließtext
- Technische Daten
Der Ansatz automatisierte jedoch lediglich die Ausgabeform – nicht die fachliche Logik.
Grenzen manueller und skriptbasierter Erzeugung
Das notwendige Know-how war stark an einzelne Mitarbeitende gebunden. Anpassungen und Annahmen lagen faktisch bei wenigen Personen. Mit deren Ausscheiden ging nicht nur Arbeitskraft, sondern auch Systemwissen verloren.
Zusätzlich erwiesen sich die Artikel als hoch variantenreich. Bereits kleine Unterschiede machten Anpassungen am Skript erforderlich. Für kleinere Teilmengen lohnte sich dieser Aufwand häufig nicht.
Die Folge waren:
- verzögerte Texte
- unvollständige Inhalte
- oder fehlende Produktbeschreibungen
Gleichzeitig mussten Änderungen an technischen Eigenschaften zusätzlich manuell in HTML-Texten gepflegt werden. Dadurch entstanden strukturelle Fehlerquellen und Inkonsistenzen.
Deterministische Content-Erzeugung
Die Lösung bestand in einem systemischen Wechsel.
Produktbeschreibungen wurden regel- und entscheidungsbasiert in der Decision Engine modelliert. Pro Kategorie wurde definiert:
- welche Informationen relevant sind
- wie Inhalte aufgebaut werden
- und unter welchen Bedingungen Texte entstehen
Damit wurde die Content-Erzeugung reproduzierbar, wartbar und personenunabhängig.
Warum KI allein nicht ausreicht
Mit modernen KI-Modellen entstand naheliegend die Idee, Produkttexte direkt generieren zu lassen. In der Praxis zeigte sich jedoch schnell:
KI kann formulieren – aber nicht entscheiden.
Ohne vorgelagerte Entscheidungslogik beginnt KI, fachliche Informationen zu interpretieren und zu verallgemeinern. Besonders kritisch erwies sich dabei die fachliche Identifikation ähnlicher Produkte und Varianten.
So zeigte sich in Tests, dass ähnlich aufgebaute Hersteller-Teilenummern – beispielhaft: X-50 und X-0-50 – von der KI als identisch interpretiert wurden, obwohl es sich fachlich um unterschiedliche Produkte handelt.
Auch bei der Auswertung von GTIN-Nummern erwies sich die KI als zu „freizügig“ und leitete Zusammenhänge ab, die fachlich nicht zulässig waren.
Das Ergebnis waren Texte, die sprachlich plausibel wirkten, fachlich jedoch falsch waren – mit entsprechenden rechtlichen Risiken.
Die Konsequenz war eindeutig:
Die fachliche Identifikation und Bewertung von Produkten muss ausschließlich deterministisch im System erfolgen.
Integration von KI in die Decision Engine
Der bestehende Ansatz wurde deshalb nicht ersetzt, sondern erweitert.
Die Decision Engine erhielt die Funktion:
GenerateAIContent(_prompt_)Der Prompt besteht aus zwei Teilen:
- einem statischen Teil (Struktur, Tonalität, Regeln)
- sowie einem dynamischen Teil, der deterministisch aus den PIM-Daten erzeugt wird
Die KI erhält ausschließlich explizit definierte Informationen. Eine fachliche Interpretation findet nicht statt.
Hash-basierte Überwachung
Um unnötige Neugenerierungen zu vermeiden, wird der Hashcode ausschließlich aus dem dynamischen Teil des Prompts gebildet – also aus den fachlich relevanten Produktdaten.
Änderungen am statischen Prompt (z. B. stilistische Verbesserungen oder Klarstellungen) führen nicht automatisch zu einer erneuten Generierung tausender Produkttexte.
Der Mechanismus ist eindeutig:
- Ändert sich der dynamische Datenanteil, ändert sich der Hash → erneute Generierung
- Bleibt der dynamische Datenanteil unverändert, bleibt der Hash stabil → keine Aktion
So bleibt der erzeugte Content fachlich aktuell, ohne unnötige Re-Generierungen auszulösen.
Bewusste Aktivierung und Rückfalloptionen
Ob KI-Content erzeugt wird, ist eine explizite Entscheidung pro Artikel.
Über Filter in Contene lassen sich:
- einzelne Kategorien
- definierte Teilmengen
- oder komplette Sortimente
gezielt für eine Stapelverarbeitung auswählen.
Bestehende manuelle Texte bleiben dabei erhalten. Beim Ausspielen in den Shop werden KI-Texte bevorzugt, ältere Inhalte können jedoch jederzeit reaktiviert werden.
So entsteht:
- kein Zwang
- kein irreversibler Umbau
- und kein Risiko für den laufenden Betrieb
Aktueller Stand
Der Ansatz befindet sich derzeit in einer kontrollierten Pilotphase. Da KI-Modelle kostenpflichtige API-Zugriffe erfordern, wird Automatisierung gezielt und wirtschaftlich sinnvoll eingesetzt.
Qualität, Nachvollziehbarkeit und Verantwortung stehen dabei vor maximaler Geschwindigkeit.
Fazit
Diese Case Study zeigt:
Automatische Content-Erzeugung mit KI funktioniert nachhaltig nur dann, wenn Entscheidungslogik der Textgenerierung vorgeschaltet ist.
In Contene entscheidet das System, welche Aussagen zulässig sind. Die KI übernimmt ausschließlich die sprachliche Formulierung – präzise, nachvollziehbar und jederzeit rücksetzbar.
Das Ergebnis ist keine unkontrollierte KI-Automatisierung, sondern ein belastbarer Ansatz für skalierbare Content-Erzeugung ohne Kontrollverlust.