KI im E-Commerce: Warum Produktdaten wichtiger sind als P…

Viele Händler denken, mit dem richtigen ChatGPT-Prompt ist das Problem der Produktkommunikation gelöst. Ich habe mit Jan Kaiser gesprochen und schnell gemerkt: Das greift zu kurz. KI im E-Commerce entfaltet ihr volles Potenzial erst, wenn das Fundament stimmt. Und das Fundament ist nicht der perfekte Prompt, sondern ein strukturiertes Produktdatenmodell. Jan ist Gründer von Xanevo und arbeitet seit 2018 praktisch mit KI. In diesem Artikel habe ich die wichtigsten Punkte aus unserem Gespräch zusammengefasst und in konkrete Handlungsempfehlungen für Marketing-Verantwortliche und E-Commerce-Teams übersetzt.

Zum Video:

Von klassischem Machine Learning zur modernen KI im E-Commerce

Jan ist kein Quereinsteiger in die KI-Welt. Er kommt aus der klassischen Informatik, hat 2019 sein erstes neuronales Netz gebaut, ein Reinforcement-Learning-System für die pharmazeutische Qualitätskontrolle, und danach KI-Abteilungen in Konzernen aus Pharma und Fintech aufgebaut.

Diese Herkunft prägt seinen Blick auf den aktuellen Markt. Heute kann jeder für 20 Euro im Monat KI-Workflows bauen. Vor einigen Jahren standen selbst sechsstellige Budgets allein für Prototypen auf der Agenda.

„Stand heute zuckt man schon zusammen, wenn ein Prototyp fünfstellig kostet. Das zeigt, wie rasant sich die Entwicklung vollzogen hat.“
— Jan Kaiser

Diese Demokratisierung der KI-Technologie ist Chance und Risiko zugleich. Sie öffnet die Tür für viele neue Anbieter, darunter auch solche, die oberflächliche Lösungen verkaufen, die beim ersten echten Einsatz ins Wanken geraten.

Warum „einfach ChatGPT nutzen“ für KI E-Commerce zu kurz greift

Ein Muster, das Jan in seiner Beratungspraxis bei Xanevo immer wieder sieht: Händler werfen Lieferantendaten in die ChatGPT-Oberfläche und erwarten strukturierte, shop-konforme Produktdaten als Ausgabe.

Das Ergebnis ist meist enttäuschend, oder schlimmer: fehlerhaft. Ein Sprachmodell ist darauf trainiert, möglichst hilfreich zu sein. Es befüllt also Felder, auch wenn die nötigen Informationen in den Quelldaten gar nicht vorhanden sind. Dieses Phänomen nennt sich Halluzination.

„Eine KI ist darauf trainiert, unglaublich hilfreich zu sein und will immer eine Antwort geben. Das heißt, sie halluziniert manchmal Werte, weil sie versucht, eine Aufgabe möglichst präzise zu erfüllen.“
— Jan Kaiser

Das eigentliche Problem liegt nicht im Prompt, sondern in der Datenbasis. Wer dem Modell kein klares Zieldatenmodell mitgibt, also exakt definierte Attribute, Felder und erlaubte Werte, bekommt Ausgaben, die zwar plausibel klingen, aber sachlich falsch sein können. Ein Staubsauger, dem fälschlicherweise eine Nassreinigungsfunktion zugeschrieben wird, führt direkt zu Retouren und Kundenbeschwerden.

Produktdaten optimieren: Das eigentliche Fundament jeder KI-Strategie

Bevor überhaupt ein KI-Tool zum Einsatz kommt, braucht es eine klare Produktdatenhierarchie. Wer Produktdaten optimieren will, sollte auf etablierte Branchenstandards zurückgreifen:

• E-Class: Ein hierarchischer Kategorienbaum, der Produkte von einer Oberkategorie bis zum spezifischen Blattknoten klassifiziert (z. B. „Gartenwerkzeug“ → „Heckenschere elektrisch“)
• ETIM: Ein Attribut- und Datenstandard, der definiert, welche Eigenschaften eine Produktkategorie haben sollte und welche Werte dabei erlaubt sind

Diese Standards müssen nicht eins zu eins übernommen werden. Sie dienen als Startpunkt, den man auf die eigene Shopstruktur, SEO-Anforderungen und Zielgruppe zuschneidet.

„Das einfachste, was du machen kannst, wenn du noch keine saubere Produktdatenhierarchie hast, ist: Nimm einen dieser Standards, übernehme die Äste, die für dich funktionieren, schneide ab, was nicht passt, und schau dann, wie du das in deinen Frontend-Kategoriebaum überführst.“
— Jan Kaiser

Warum saubere Produktdaten die KI-Qualität entscheidend verbessern

Je präziser ein Datenmodell definiert ist, desto gezielter lässt sich künstliche Intelligenz im E-Commerce einsetzen. Konkret bedeutet das:

• Das Modell weiß genau, welche Felder es befüllen soll
• Es kann erkennen, wenn ein Feld leer bleiben muss, weil die Information in den Quelldaten fehlt
• Qualitätssicherungsschritte lassen sich programmatisch beschreiben und automatisieren

Wer Produktdaten optimieren möchte, schafft damit gleichzeitig die Voraussetzung für skalierbare KI-Workflows und spart langfristig erheblich manuelle Nacharbeit.

Small Language Models vs. große Sprachmodelle: Was wann im KI E-Commerce einsetzen?

Eine Frage, die wir im Gespräch ausführlich beleuchtet haben: Welches Modell ist für welchen Zweck am besten geeignet? Jan unterscheidet klar zwischen zwei Szenarien.

Kleine, spezialisierte Modelle (Small Language Models)

Wann sinnvoll: Wenn der Anwendungsfall eng definiert ist, sich das Produktsortiment kaum verändert und hohe Volumen bei geringen Kosten entscheidend sind.

Beispiel aus der Praxis: Für die Spracherkennung in PDF-Dokumenten kostet der Einsatz eines großen Modells via API rund 25 Cent pro Dokument. Ein speziell trainiertes kleines Modell erledigt dieselbe Aufgabe für 0,01 Cent, bei vergleichbarer Genauigkeit.

Typische Einsatzfelder:
Spracherkennung in Dokumenten, regelbasierte Mappings bei stabilen Produktkategorien (z. B. Fashion mit fixen Saisonsortimenten), grammatikalische Anpassungen und Templating.

Große kommerzielle Sprachmodelle (GPT-4, Gemini, Claude etc.)

Wann sinnvoll: Wenn Eingabedaten variabel sind (mal CSV, mal PDF, mal Bilder), sich das Sortiment häufig verändert und keine eigenen Modelle trainiert werden sollen.

Typische Einsatzfelder:
Produkttextgenerierung, Übersetzungen in viele Sprachen, Daten-Onboarding bei breitem, sich wandelndem Sortiment.

„Wenn ich Kontextunsicherheit habe, was reinkommt, und eine Output-Unsicherheit, weil sich das Datenmodell verändern kann, dann ist es natürlich super geeignet, ein großes Sprachmodell zu nehmen und den Contentprozess mit Prompts anzupassen, anstatt eigene Modelle zu trainieren.“
— Jan Kaiser

Der Multi-LLM-Ansatz: Sicherheit durch Mehrheitsvotum

Besonders spannend fand ich den Multi-LLM-Ansatz, den Jan bei Xanevo einsetzt. Die Idee: Dieselbe Aufgabe wird parallel durch mehrere Sprachmodelle bearbeitet und die Ergebnisse werden miteinander verglichen.

Das Prinzip ist wie ein Expertengremium. Wenn neun von zehn Fachleuten einer Aussage zustimmen, kann man dieser Aussage deutlich stärker vertrauen, als wenn die Meinungen gleichmäßig geteilt sind.

Praktische Umsetzung:
Stimmen vier von fünf Modellen überein, wird das Ergebnis automatisch akzeptiert. Stimmen nur drei von fünf überein, prüft ein Mensch den Fall nach. Dieser Ansatz wird bei Mappings, Übersetzungen und Textgenerierung eingesetzt.

Gemessenes Ergebnis: In einem konkreten OCR-Projekt erreichte die KI eine Präzision von über 90 %, während der menschliche Prozess, der als Referenz galt, nur bei 72 % lag. Der vermeintliche Goldstandard war also der Mensch, nicht die Maschine.

Ab wann lohnt sich Automatisierung mit künstlicher Intelligenz im E-Commerce?

Jan hat im Gespräch eine klare Skala skizziert, an der sich Unternehmen orientieren können:

„Stand heute würde ich sagen: Wenn du dich im dreistelligen Bereich bewegst, macht KI schon Sinn – aber eher als Assistenzmittel, nicht als Vollautomatisierung.“
— Jan Kaiser

Die entscheidende Frage ist nicht nur das Volumen, sondern auch die Veränderungsgeschwindigkeit des Sortiments und die Varianz der Eingangsdaten.

Internationalisierung mit KI im E-Commerce: Warum der Big-Bang-Ansatz scheitert

Internationalisierungsprojekte scheitern laut Jan häufig an demselben strukturellen Fehler. Budget wird festgelegt, Content in einer Sprache produziert, alles auf einmal ausgerollt. Und dann wundert man sich über ausbleibende Ergebnisse.

Jans Gegenentwurf ist der iterative Test-Ansatz:

1. Content segmentieren: Was muss übersetzt werden? Navigation und rechtliche Texte brauchen zwingend menschliche Prüfung. Technische Produktdaten (z. B. Maße eines Dübels) können bedenkenlos vollautomatisch übersetzt werden.
2. Verschiedene Qualitätsstufen testen: Für 100 Artikel lässt man einen Native Speaker schreiben, für weitere 100 arbeitet man mit ChatGPT, für weitere 100 mit einem Multi-LLM-Ansatz.
3. Ergebnisse messen: Welche Variante erzielt bessere Rankings, mehr Traffic, höhere Conversion Rates?
4. Schrittweise skalieren: Was funktioniert, wird ausgebaut. Was nicht funktioniert, wird verworfen.

Lokalisierung vs. Übersetzung: Ein unterschätzter Faktor im KI E-Commerce

Automatische Übersetzung und echte Lokalisierung sind nicht dasselbe. Das ist ein Aspekt, der beim Einsatz von künstlicher Intelligenz im E-Commerce oft unterschätzt wird.

Konkrete Beispiele aus dem Gespräch:
In der Schweiz heißt ein Fahrrad „Velo“. Wer mit „Fahrrad“ wirbt, verliert Sichtbarkeit. Der Begriff „Checkout“ wird in deutschen Shops meist nicht als „Kasse“ übersetzt, obwohl das die korrekte Übersetzung wäre. Heckenschneideregelungen sind in Deutschland gesetzlich geregelt. Solche Compliance-Texte existieren in anderen Ländern möglicherweise gar nicht und sollten nicht einfach übernommen werden.

„Es gibt EU-normierte Gefahrenstoffhinweise mit H-Sätzen und P-Sätzen, die bereits übersetzt in Normdatenbanken vorliegen. Die will ich gar nicht mit KI übersetzen – die hat mir schon jemand anderes korrekt übersetzt.“
— Jan Kaiser

Compliance-Texte und Marketing-Texte: Unbedingt trennen

Im CMS oder PIM-System sollte klar unterschieden werden zwischen:

• Marketing-Texten (Produktbeschreibungen, Vorteile, Anwendungshinweise): KI-Übersetzung mit optionaler menschlicher Prüfung geeignet
• Compliance-Texten (Warnhinweise, Gefahrenstoffangaben, rechtliche Hinweise): Nutzung von Normdatenbanken oder zwingend menschliche Prüfung

Feintuning oder Prompting: Was bringt im KI E-Commerce wirklich etwas?

Eine Frage, die in der Praxis immer wieder auftaucht: Lohnt sich das Fine-Tuning eines Modells auf die eigene Sprache und Tonalität? Jan hat dazu eine klare Daumenregel:

• Wenig Daten, viel anpassen wollen: Ins Prompting investieren (Few-Shot-Prompting, System-Prompts mit Beispielen)
• Viele Daten, spezifische Änderungen: Fine-Tuning lohnt sich

Für das Fine-Tuning großer Modelle empfiehlt er die Methode LoRA (Low Rank Adaptation). Dabei werden nicht alle Parameter des Modells angepasst, sondern nur die letzten Schichten, die für die konkrete Ausgabe zuständig sind. Das senkt den Rechenaufwand erheblich.

Kostenschätzung: Ein ordentliches Fine-Tuning liegt heute bei 500 bis 1.000 US-Dollar, ein Bruchteil dessen, was noch vor einigen Jahren nötig war.

Budgets und Projektlaufzeiten für KI im E-Commerce

Wer konkrete Zahlen als Orientierung braucht: Jan hat im Gespräch folgende Größenordnungen skizziert.

Einstieg / kleiner Shop mit wenigen Sprachen:
5.000 bis 10.000 Euro, inklusive Beratung, Begleitung, Tool-Einführung und Übergabe. Das Ergebnis ist ein funktionierender, aber nicht perfekter Prozess mit manueller Nacharbeit.

Mittleres Projekt (z. B. Produkttext-Automatisierung für eine neue Sprache):
3.000 bis 5.000 Euro für Beratung und Coaching, Umsetzung durch das interne Team oder gemeinsam mit dem Dienstleister.

Großes Lokalisierungsprojekt (mehrere Sprachvarianten, zehntausende Artikel):
25.000 bis 250.000 Euro. Beispiel: 35.000 Artikel in Französisch und Italienisch, je mit internationaler und Schweizer Variante.

Typische Projektlaufzeit für erste Ergebnisse: 1 bis 3 Monate für einen validierten Proof of Concept.

Der ideale Ausgangspunkt: Was Unternehmen für KI im E-Commerce mitbringen sollten

Damit ein KI-Projekt im E-Commerce wirklich erfolgreich startet, hat Jan eine klare Wunschliste an die Ausgangssituation formuliert:

• Analytics ist aufgesetzt und das Team versteht seine Content-Architektur
• Die verschiedenen Content-Segmente (Ratgeber, Produktdetailseiten, Kategorieseiten, Filter-Landingpages, Blog) sind bekannt und ihre Performance ist messbar
• Es gibt ein Verständnis davon, was Content-Erstellung kostet und was sie bringt
• Das Unternehmen ist bereit, faktenbasiert zu entscheiden, nicht aus dem Bauchgefühl heraus

„Ich muss einen Ansatz entwickeln, faktenbasiert an ein Projekt ranzugehen. Wir messen einfach mal, was Fakt ist, und lassen uns dann nicht von Bauchgefühlen beirren.“
— Jan Kaiser

Das richtige Mindset: Perfektion als Wachstumsbremse beim KI-Einsatz

Ein Punkt, der mich im Gespräch besonders getroffen hat: der kulturelle Aspekt der KI-Einführung. Vor allem im deutschsprachigen Raum beobachtet Jan eine Tendenz zur Überoptimierung. Den Wunsch, jeden einzelnen Output zu kontrollieren, bevor er live geht.

Das Ergebnis: Unternehmen skalieren nur so weit, wie ihre manuelle Kapazität reicht.

„Viele Unternehmen machen so viel, wie sie manuell können – und landen dann genau bei dem Content-Output, dem Umsatz und dem Marktanteil, den sie manuell erreichen können.“
— Jan Kaiser

Der produktivere Ansatz ist, bewusst mit einer etwas niedrigeren Qualitätsstufe zu arbeiten, wenn dadurch deutlich mehr Reichweite, mehr Märkte und letztlich mehr Umsatz erreichbar sind. Eine Conversion Rate von 1,8 % bei dreifacher Reichweite schlägt eine Conversion Rate von 2,0 % bei einfacher Reichweite in den meisten Fällen deutlich.

Dazu gehört auch, Guard Rails zu implementieren: automatische Qualitätsprüfungen, stichprobenartige manuelle Sichtungen und klare Alarme, wenn ein KI-Output außerhalb definierter Toleranzen liegt.

Key Takeaways: KI im E-Commerce richtig einsetzen

• Produktdaten zuerst: Ohne strukturiertes Datenmodell (z. B. auf Basis von E-Class oder ETIM) liefert jede KI unzuverlässige Ergebnisse, egal wie gut der Prompt ist.
• Modellwahl ist kontextabhängig: Small Language Models für stabile, enge Anwendungsfälle; große Modelle für variables Sortiment und uneinheitliche Eingangsdaten.
• Multi-LLM-Ansatz nutzen: Mehrheitsvotum über mehrere Modelle erhöht die Ausgabequalität und reduziert Halluzinationen messbar.
• Skalierung in Stufen: Rein manuell, KI-Assistenz, Human-in-the-Loop, Vollautomatisierung. Nicht überspringen, sondern iterativ vorgehen.
• Internationalisierung testen, nicht rollen: Verschiedene Qualitätsstufen parallel testen, Ergebnisse messen, dann skalieren.
• Compliance und Marketing trennen: Normdatenbanken für rechtliche Texte nutzen, KI nur für Marketing-Content einsetzen.
• Faktenbasiert entscheiden: Benchmark-Tests aufsetzen, bevor in Automatisierung investiert wird. Die Ergebnisse sind oft überraschend.
• Budgetrahmen: 5.000 bis 10.000 Euro für erste funktionierende Setups, 25.000 bis 250.000 Euro für komplexe Lokalisierungsprojekte.

Fazit

Ich habe aus dem Gespräch mit Jan einiges mitgenommen. KI im E-Commerce bietet enorme Hebel, bei Produktdaten, Content-Erstellung und Internationalisierung. Aber der entscheidende Erfolgsfaktor ist nicht das mächtigste Sprachmodell oder der cleverste Prompt. Es sind die Grundlagen: saubere Datenmodelle, klare Qualitätskriterien, ein iterativer Test-Ansatz und die Bereitschaft, Perfektion zugunsten von Geschwindigkeit und Reichweite loszulassen.

Das Gute: Man muss nicht sofort alles automatisieren. Der Weg von der manuellen Bearbeitung über KI-Assistenz bis zur Vollautomatisierung lässt sich schrittweise gehen, und jede Stufe liefert bereits messbare Mehrwerte beim Einsatz von KI im E-Commerce.

Du willst wissen, wo dein E-Commerce-Unternehmen auf dieser Skala steht und welche nächsten Schritte sinnvoll wären? Jan und das Team von Xanevo bieten Readiness-Gespräche und Innovations-Workshops an. Alle Details findest du auf xanevo.com.

FAQ: KI im E-Commerce

1. Was sind strukturierte Produktdaten und warum sind sie so wichtig für KI im E-Commerce?

Strukturierte Produktdaten sind Informationen, die nach einem klaren Schema organisiert sind, mit definierten Attributen (z. B. „Farbe“, „Gewicht“, „Nass-Saugfunktion“) und erlaubten Werten (z. B. „Blau“, „1,2 kg“, „Ja/Nein“). Für KI-Systeme im E-Commerce sind sie entscheidend, weil ein Sprachmodell ohne diesen Rahmen selbstständig Felder befüllt, auch wenn die nötigen Informationen in den Quelldaten fehlen. Das führt zu fehlerhaften Produktbeschreibungen, die Retouren und Vertrauensverlust verursachen können.

2. Ab welcher Unternehmensgröße lohnt sich künstliche Intelligenz im E-Commerce für Produktdaten?

Eine pauschale Antwort gibt es nicht. Als grobe Orientierung gilt: Ab dreistelligen SKU-Zahlen, die regelmäßig neu gelistet oder aktualisiert werden, macht KI als Assistenzwerkzeug Sinn. Vollautomatisierung rechnet sich typischerweise ab vierstelligen Volumina pro Jahr. Für kleinere Shops kann KI dennoch sinnvoll sein, dann eher als Benutzeroberfläche (z. B. ChatGPT direkt) statt als automatisierter Workflow.

3. Wie kann ich mit KI E-Commerce Produktdaten optimieren, ohne Halluzinationen zu riskieren?

Der wichtigste Schritt ist die Definition eines klaren Zieldatenmodells mit exakten Attributen und erlaubten Werten, idealerweise auf Basis von Standards wie E-Class oder ETIM. Zusätzlich empfiehlt sich der Multi-LLM-Ansatz, bei dem mehrere Modelle parallel befragt werden und nur bei Mehrheitsvotum automatisch akzeptiert wird. Abweichungen werden zur manuellen Prüfung markiert. So lässt sich die Halluzinationsrate messbar senken und Produktdaten optimieren, ohne auf manuelle Kontrolle ganz verzichten zu müssen.

4. Was ist der Unterschied zwischen Fine-Tuning und Prompting beim Einsatz von KI im E-Commerce?

Beim Prompting gibt man dem Modell Anweisungen und Beispiele direkt im Eingabefeld, ohne das Modell selbst zu verändern. Das ist flexibel und günstig, stößt aber bei sehr spezifischen Anforderungen an Grenzen. Beim Fine-Tuning wird das Modell mit eigenen Trainingsdaten angepasst, sodass es dauerhaft bestimmte Stile, Strukturen oder Fachbegriffe bevorzugt. Fine-Tuning lohnt sich, wenn viele Beispieldaten vorhanden sind und spezifische, gleichbleibende Anpassungen benötigt werden. Die Kosten liegen heute bei 500 bis 1.000 US-Dollar für einen ordentlichen Durchlauf.

5. Welche häufigen Fehler werden bei Internationalisierungsprojekten mit KI E-Commerce gemacht?

Der häufigste Fehler ist der „Big-Bang-Ansatz“: Alles wird auf einmal ausgerollt, ohne vorher zu testen, was wirklich funktioniert. Weitere typische Fehler sind fehlende Keyword-Recherche für das Zielland, keine Unterscheidung zwischen Marketing- und Compliance-Texten sowie die Annahme, dass eine wortgetreue Übersetzung ausreicht. Echte Lokalisierung berücksichtigt landestypische Begriffe, etwa „Velo“ statt „Fahrrad“ in der Schweiz, und kulturelle Nuancen, die automatische Übersetzungstools nicht erfassen.

6. Was ist ein Multi-LLM-Ansatz und wie verbessert er KI im E-Commerce?

Bei einem Multi-LLM-Ansatz wird dieselbe Aufgabe parallel an mehrere Sprachmodelle gegeben und die Ergebnisse werden nach einem Mehrheitsprinzip bewertet. Stimmen vier von fünf Modellen überein, wird das Ergebnis automatisch akzeptiert. Bei Uneinigkeit wird der Fall manuell geprüft. Dieser Ansatz erhöht die Präzision nachweislich. In einem OCR-Projekt erreichte die KI über 90 % Genauigkeit, während der menschliche Referenzprozess nur bei 72 % lag.

Dieser Artikel basiert auf Folge 8 des Podcasts „Behind the Scenes in Marketing“ von Antonio Blago. Das vollständige Gespräch mit Jan Kaiser von Xanevo kannst du dir hier anhören: Zur Podcastfolge auf YouTube