KI fuer Online-Shops: Produkttexte und Kundensupport automatisieren

Wo KI im Online-Shop wirklich Zeit spart

In fast jedem mittelstaendischen Online-Shop sind es dieselben zwei Engpaesse: Produkttexte und Kundensupport. Bei 500 oder 5.000 Artikeln ist jeder einzelne Beschreibungstext Handarbeit. Und jede Mail mit "Wo ist mein Paket?" oder "Passt das in Groesse M?" bindet jemanden, der eigentlich verkaufen sollte.

KI loest beide Probleme nicht magisch, aber strukturiert. Der Unterschied zwischen einem funktionierenden Setup und teurem Spielzeug liegt in der Vorbereitung: saubere Produktdaten, klare Marken-Tonalitaet und ein definierter Eskalationspfad. Wer das ueberspringt, produziert generische Texte und einen Chatbot, der Kunden vergrault.

Dieser Artikel zeigt beide Anwendungsfaelle konkret — mit Schritten, Tools und den Fehlern, die in der Praxis am haeufigsten passieren.

Teil 1: Produkttexte automatisieren

Das Grundprinzip

Ein Sprachmodell (Claude, GPT, Gemini) bekommt strukturierte Produktdaten als Input und gibt fertigen Beschreibungstext aus. Der Hebel ist nicht das Modell selbst, sondern wie gut die Eingabedaten und die Anweisung sind.

Ein schlechter Prompt lautet: "Schreib eine Produktbeschreibung fuer einen Wanderschuh." Das Ergebnis ist austauschbar. Ein guter Prompt enthaelt:

• Strukturierte Attribute: Material, Groessen, Gewicht, Wasserdichtigkeit, Sohle, Einsatzbereich
• Zielgruppe: "ambitionierte Wochenend-Wanderer, 35–55"
• Tonalitaet: "sachlich, kein Werbe-Superlativ, deutsche Du-Form"
• Struktur-Vorgabe: "Einleitung 2 Saetze, dann 4 Bullet-Vorteile, dann ein Absatz Pflege-Hinweis"
• Verbote: "keine erfundenen Eigenschaften, nur was in den Attributen steht"

Schritt fuer Schritt

1. Datenquelle anzapfen: Produktattribute kommen aus dem Shop-System (Shopware, WooCommerce, Shopify) oder dem PIM. Per CSV-Export oder direkt ueber die API.
2. Prompt-Template bauen: Ein festes Geruest mit Platzhaltern fuer die Attribute. Einmal sauber definiert, fuer alle Produkte gleich.
3. Batch-Lauf: Ueber eine Automatisierung (n8n, Make oder ein kleines Python-Skript) laeuft jedes Produkt durch das Modell. 1.000 Texte kosten je nach Modell wenige Euro bis niedrige zweistellige Betraege.
4. Stichprobe pruefen: 20–30 Texte manuell lesen, bevor alles live geht.
5. Zurueckschreiben: Texte landen ueber die Shop-API wieder im Produktfeld — als Entwurf, nicht direkt veroeffentlicht.

Was viele unterschaetzen: SEO und Duplicate Content

KI-Texte sind nicht automatisch gut fuer Google. Zwei Risiken:

• Zu generisch: Wenn 200 Shops dasselbe Modell mit denselben Hersteller-Daten fuettern, entstehen aehnliche Texte. Differenzierung kommt durch eigene Tonalitaet, eigene Anwendungsbeispiele und echte Produktkenntnis im Prompt.
• Keyword-Steuerung: Das relevante Suchwort gehoert explizit in die Anweisung ("verwende den Begriff 'wasserdichter Wanderschuh Herren' einmal natuerlich im ersten Absatz"). Sonst optimiert das Modell auf Lesbarkeit, nicht auf Auffindbarkeit.

Google hat kein Problem mit KI-Texten an sich — sondern mit duennem, hilflosem Content. Ein KI-Text mit echten Produktdaten, Pflege-Hinweisen und Anwendungskontext ist besser als ein lieblos hingerotzter Handtext.

Mini-Checkliste Produkttexte

• Produktattribute liegen strukturiert vor (nicht nur im Bild)
• Marken-Tonalitaet ist in einem Satz beschreibbar
• Prompt verbietet erfundene Eigenschaften
• Ziel-Keyword pro Produktkategorie definiert
• Texte gehen als Entwurf rein, nicht direkt live
• Stichprobenkontrolle vor dem Massen-Rollout

Teil 2: Kundensupport automatisieren

Realistische Erwartung

Kein serioeses Setup ersetzt den Support zu 100 Prozent. Realistisch ist: 60–80 Prozent der wiederkehrenden Standardfragen automatisch beantworten, den Rest sauber an einen Menschen uebergeben. Die haeufigsten automatisierbaren Faelle:

• Sendungsverfolgung / "Wo ist mein Paket?"
• Retouren- und Widerrufs-Ablauf
• Groessen-, Material- und Kompatibilitaetsfragen
• Verfuegbarkeit und Lieferzeiten
• Zahlungs- und Rechnungsfragen

RAG statt Halluzination

Ein Chatbot, der frei aus dem Modellwissen antwortet, erfindet Versandkosten und Rueckgabefristen. Das ist gefaehrlich — falsche Aussagen koennen rechtlich bindend wirken. Die Loesung heisst RAG (Retrieval Augmented Generation): Der Bot zieht seine Antworten ausschliesslich aus deinen echten Quellen.

Konkret bedeutet das:

1. Deine FAQ, AGB, Versand- und Retourenseiten werden in eine durchsuchbare Wissensbasis (Vektordatenbank) eingelesen.
2. Bei jeder Kundenfrage sucht das System die passenden Textstellen heraus.
3. Das Modell formuliert die Antwort nur auf Basis dieser Stellen — mit der Anweisung: "Wenn die Information nicht in den Quellen steht, sag das und biete den Menschen-Kontakt an."

So bleibt der Bot bei deinen echten Konditionen und erfindet nichts.

Live-Daten anbinden

Fuer Sendungsstatus reicht Wissensbasis nicht — das ist Echtzeit. Hier wird der Bot per API an Versanddienstleister (DHL, DPD, GLS) oder dein Shop-Backend angebunden. Kunde gibt Bestellnummer ein, der Bot holt den Status live. Das ist der Fall mit dem groessten Entlastungseffekt, weil "Wo ist mein Paket?" oft 30–40 Prozent aller Anfragen ausmacht.

Der Eskalationspfad ist Pflicht

Der wichtigste Teil ist der Uebergang zum Menschen. Regeln, die immer gelten sollten:

• Bei Beschwerden, emotionaler Sprache oder Rechtsfragen sofort an einen Menschen
• Nach zwei erfolglosen Versuchen automatisch weiterleiten
• Jederzeit per "Mit Mitarbeiter sprechen" ausbrechen
• Uebergabe inklusive Gespraechsverlauf, damit der Kunde nichts wiederholen muss

Tools fuer den Einstieg

• Fertige Plattformen: Tidio, Userlike, Intercom — schnell live, weniger flexibel
• Custom mit n8n/Make + Modell-API: mehr Aufwand, volle Kontrolle ueber Tonalitaet, Datenquellen und Eskalation
• Shop-native Erweiterungen: fuer Shopware/Shopify gibt es Plugins, die RAG bereits mitbringen

Welcher Weg passt, haengt vom Anfragevolumen ab. Unter ca. 50 Anfragen am Tag reicht oft eine fertige Plattform. Darueber lohnt eine massgeschneiderte Loesung.

Mini-Checkliste Kundensupport

• Top-10-Standardfragen aus echten Support-Tickets gezogen
• Wissensbasis aus AGB/FAQ/Versandseiten aktuell
• RAG statt freier Modellantwort
• Live-Sendungsstatus per API angebunden
• Eskalationspfad mit Gespraechsverlauf-Uebergabe
• DSGVO: Datenschutzhinweis im Chat, Speicherdauer geklaert

Datenschutz und Realismus

Kundendaten gehen durch externe Modell-Anbieter — das braucht einen Auftragsverarbeitungsvertrag (AVV) und einen Datenschutzhinweis im Chatfenster. Fuer den deutschen Mittelstand ist das kein Showstopper, aber ein Pflichtpunkt vor dem Go-live.

Ehrlich bleibt: KI im Shop ist ein Werkzeug zur Entlastung, kein Selbstlaeufer. Der erste Monat ist Feintuning — Prompts schaerfen, Eskalationsregeln nachziehen, Wissensbasis ergaenzen. Wer das einplant, hat danach ein System, das echte Stunden pro Woche zurueckgibt. Bei Plugwork bauen wir genau solche Setups — mit Business-Logik zuerst, dann Technik.