Ein Product Content Specialist wurde früher an der Qualität von Produktbeschreibungen gemessen. Heute wird derselbe Mensch auch danach bewertet, ob ein KI-Assistent eine Frage eines Käufers anhand seiner Daten korrekt beantworten kann. Dieser Artikel behandelt die Aufgaben der Rolle im Oktober 2026, wie KI die Arbeit und das Publikum verändert hat, welche Risiken die Rolle nun trägt, und wie PIM-Software die Abläufe unterstützt.
Wichtigste Erkenntnisse
- Strukturierte Attributdaten sind das Kernvermögen. Beschreibungen, Feeds, strukturierte Datenauszeichnungen, Datenblätter und KI-Antworten entstehen alle aus ihnen.
- In US-Daten konvertieren Käufer von KI-Assistenten besser und besuchen mehr Seiten. Die Produktseite muss also bestätigen, was der Assistent gesagt hat.
- Assistenten beziehen Produktdaten aus unterschiedlichen Quellen: Google aus dem Merchant Center und schema.org-Auszeichnungen, Amazons Rufus aus Listing-Inhalten, Perplexity aus gecrawlten Seiten und ChatGPT aus Produkt-Feeds in den USA.
- Überprüfung von Behauptungen gehört nun zur Arbeit dazu. KI-Entwürfe fügen Formulierungen wie „umweltfreundlich" hinzu, was die EU seit dem 27. September 2026 verbietet, ohne anerkannte Nachweise.
- PIM-Software macht die Arbeitsmenge durch typisierte Attribute, Vollständigkeit pro Kanal, an Nachweise gebundene Regelwerke und Review-Workflows für KI-Entwürfe beherrschbar.
Was ein Product Content Specialist tut
Ein Product Content Specialist verwaltet die Informationen, die Produkte überall dort beschreiben, wo sie verkauft werden. Dazu gehören Titel, Beschreibungen, Stichpunkte, technische Attribute, Bilder mit Alt-Text, Datenblätter und die Feeds, die alles an eigene Shops, Handelspartner, Marktplätze und KI-Plattformen transportieren.
Die Rolle sitzt zwischen Teams. Produktmanagement und Engineering liefern die Fakten. Marketing definiert die Stimme. Channel Manager bestimmen, was jeder Marktplatz akzeptiert, und Legal entscheidet, welche Behauptungen zulässig sind. Der Spezialist verwandelt diese Eingaben in Inhalte, die über jeden Kanal und jede Sprache hinweg konsistent bleiben.
Verwandte Titel sind Product Content Manager, Product Data Specialist und PIM Manager. Bei Herstellern liegt der Fokus auf dem Masterdatensatz. Bei Einzelhändlern und Distributoren verlagert sich der Schwerpunkt auf das Onboarding von Lieferantendaten.
Wie KI die Ausführung verändert hat
Entwürfe sind nicht mehr der Engpass. Ein Sprachmodell wandelt Attribute in Sekunden in eine lesbare Beschreibung um, und Teams erwarten nun vollständige Katalogabdeckung in jeder Sprache und auf jedem Kanal, oft mit der gleichen Anzahl von Mitarbeitern.
Die Zeit des Spezialisten verlagerte sich upstream in vier Bereiche. Das Attributmodell definiert, welche Felder pro Kategorie vorhanden sind, in welchen Einheiten und mit welchen zulässigen Werten. Generierungsvorlagen teilen dem Modell mit, welche Attribute zu verwenden sind, wie lang der Text für jeden Kanal sein sollte und welche Formulierungen verboten sind. Review-Checks überprüfen Entwürfe gegen Quelldaten mit vollständigen Checks für Sicherheitsinformationen, Maße und Behauptungen. Distribution stellt sicher, dass jeder Kanal die gleichen Fakten in seinem erforderlichen Format erhält.
Schreibfähigkeit zählt immer noch, hauptsächlich in Vorlagen. Eine gut aufgebaute Vorlage verbessert jede daraus generierte Seite, und eine vage Anweisung verschlechtert alle.
Wenn konkurrierende Verkäufer die gleichen Herstellerdaten in ähnliche Modelle einspeisen, lesen sich ihre Beschreibungen ähnlich. Der Inhalt, der ein Produkt immer noch unterscheidet, kommt aus Daten, die ein Modell nicht erraten kann: gemessene Testergebnisse, Kompatibilitätslisten, Antworten auf wiederkehrende Supportfragen, reale Packmaße und Installationsbeschränkungen. Das Sammeln dieser Daten ist nun ein Kernteil des Jobs.
Was sich im Verhalten und in den Erwartungen der Käufer verändert hat
Käufer beginnen zunehmend in einem KI-Assistenten, beschreiben ihre Situation und klicken sich durch die Shortlist, die er zurückgibt. Daten von Adobe zu US-Retail-Seiten zeigen das Wachstum: Der Traffic von KI-Quellen stieg im ersten Quartal 2026 um 393 % im Jahresvergleich. Im März 2026 konvertierte dieser Traffic 42 % besser als Non-KI-Traffic, nachdem er im März 2025 38 % schlechter konvertiert hatte. Die Konversionszahl ist Daten eines einzelnen Monats aus den USA, zeigt also eine Richtung für US-Einzelhandel und sagt wenig über andere Märkte aus.
Die gleichen Besucher verbrachten 48 % mehr Zeit auf der Website und besuchten 13 % mehr Seiten pro Besuch. In einer Begleitumfrage von Adobe gaben 39 % der US-Verbraucher an, KI für Online-Shopping genutzt zu haben, und 66 % sagten, sie glauben, dass KI-Tools genaue Ergebnisse liefern.
Eine typische KI-Shopping-Frage enthält Einschränkungen, beispielsweise einen Geschirrspüler für eine 45-cm-Nische oder eine Gesichtscreme ohne ein bestimmtes Allergen. Der Assistent antwortet aus allen Daten, die er lesen kann, und der Käufer landet auf der Seite zur Überprüfung. Wenn die Seite eine andere Breite auflistet oder die Zutatenliste in einem Bild versteckt, endet der Besuch dort. In dieser Phase verdient sich die Seite Vertrauen durch genaue Aussagen wie „passt in Nischen ab 45 cm Breite".
Die Produktseite dient jetzt als Beweis für eine Antwort, die der Käufer bereits erhalten hat. Jeder Wert auf der Seite muss mit dem übereinstimmen, das der Assistent erhalten hat.
Jede Produktseite hat auch einen Machine Reader, der Fakten als Text oder Auszeichnungen benötigt. Adobe bewertete, wie viel Retail-Content Sprachmodelle lesen können: Homepages durchschnittlich 75 %, Produktseiten nur 66 %. Etwa ein Drittel des Produktseiten-Inhalts bleibt für diese Systeme unsichtbar. Typische Ursachen sind Spezifikationen, die nur in Bildern oder PDFs vorhanden sind, Werte, die erst nach der Skriptausführung erscheinen, gemischte Einheiten innerhalb einer Kategorie und Marketingtext ohne messbare Eigenschaften.
Wo KI-Assistenten Produktdaten beziehen
Google erstellt Shopping-Antworten, einschließlich solcher in seinen KI-Features, aus seinem Shopping Graph. Merchant Center-Feeds und schema.org-strukturierte Daten auf Produktseiten sind die zwei Eingaben, die ein Verkäufer kontrollieren kann. Das Merchant Center verweigert bereits Artikel, wenn der Feed-Preis oder die Verfügbarkeit von der Zielseite abweicht, daher kostet Drift zwischen Kanälen direkt an Sichtbarkeit.
Amazons Rufus, das Amazon in Deutschland, Frankreich, Italien und Spanien eingeführt hat, antwortet aus dem Amazon-Katalog, Kundenrezensionen und Community-Q&A. Für Marken und Verkäufer auf Amazon sind Listing-Attribute und Stichpunkte die direkte Eingabe.
OpenAI hat sich von einem eigenständigen Instant Checkout in ChatGPT abgewandt und konzentriert sich nun auf Produktentdeckung, mit Käufen, die auf der Website oder App des Händlers abgeschlossen werden. Seine Informationsseite für Händler sagt, dass ein Feed optional ist, wenn ChatGPT die Website bereits crawlt, aber Feeds geben Händlern mehr Kontrolle darüber, wie Produkte angezeigt werden. Shopping in ChatGPT ist bisher nur für US-Benutzer verfügbar. Shopify- und Etsy-Kataloge sind bereits integriert, und OpenAI plant später 2026 eine Self-Service-Merchant-Plattform.
Perplexity und andere Assistenten, die das Web durchsuchen, lesen die Seite selbst, einschließlich ihrer Auszeichnungen.
Für den Spezialisten ist jede dieser Eingaben ein Kanal mit Feldern zum Verwalten. Strukturierte Daten sind der direkteste Hebel auf der Seite. Schema.org Product-Auszeichnung in JSON-LD gibt Name, Marke, GTIN, Preis, Währung und Verfügbarkeit in einer Form an, die Maschinen ohne Raten parsen. Technische Spezifikationen passen in additionalProperty-Werte. Google erwartet, dass strukturierte Daten mit der sichtbaren Seite übereinstimmen, daher ist Auszeichnung, die aus den gleichen Attributen wie der sichtbare Text generiert wird, auch die sicherste Auszeichnung.
Risiken, die die Rolle nun trägt
Halluzinierte Spezifikationen
Wenn ein erforderliches Attribut leer ist, neigt ein Sprachmodell dazu, die Lücke mit einem plausiblen Wert zu füllen. Ein Bohrer bekommt eine Drehmomentangabe. Eine Jacke bekommt eine Wasserdichtigkeitsbewertung. Diese Fehler lesen sich gut und bestehen eine schnelle Überprüfung. Die Generierung sollte nur bei Produkten ausgeführt werden, deren erforderliche Attribute vollständig sind. Prompts sollten Nummern verbieten, die nicht in der Eingabe vorhanden sind, und Reviewer lehnen jede Zahl ohne Quellattribut ab.
Unbegründete Behauptungen in KI-Entwürfen
Sprachmodelle fügen Werbetexte hinzu, die niemand verlangt hat. Umweltadjektive haben unter ihnen das meiste Gewicht und die EU zeigt, wie streng die Regeln geworden sind.
Die EU-Richtlinie zur Stärkung der Verbraucher für den grünen Wandel trat am 27. September 2026 in Kraft. Nach den Fragen und Antworten der Europäischen Kommission sind generische Behauptungen wie „umweltfreundlich", „grün" oder „biologisch abbaubar" verboten, es sei denn, der Händler kann anerkannte hervorragende Umweltleistungen nachweisen, die für die Behauptung relevant sind, beispielsweise ein EU-Umweltzeichen, dessen Kriterien dies abdecken. Eine klare Spezifikation auf der Produktseite verwandelt eine generische Behauptung in eine spezifische, die zulässig ist, wenn sie wahr und nachweisbar ist. Die Regeln erstrecken sich auch auf Produktnamen und vorhandene Bestände.
Für den Spezialisten bedeutet dies, dass die Behauptungsprüfung zu einer laufenden Aufgabe mit eigenem Regelwerk pro Verkaufsmarkt wird. Nationale Umsetzungsgesetze unterscheiden sich in Timing und Detail, und andere Märkte haben ihre eigenen Regeln gegen irreführende Werbung.
Drift zwischen Kanälen
Jemand korrigiert einen Wert direkt im Shop-Backend oder einem Marketplace-Portal. Der nächste Export aus dem Mastersystem überschreibt die Korrektur, oder die Korrektur erreicht niemals die anderen Kanäle. Ein Assistent, der den Feed liest, widerspricht jetzt der Seite.
Jede Korrektur gehört in den Masterdatensatz. Eine Korrektur, die in einem Kanal vorgenommen wird, wird entweder überschrieben oder bleibt isoliert.
Wie PIM-Software einen Product Content Specialist unterstützt
Product Information Management (PIM)-Software führt einen Masterdatensatz pro Produkt und sendet kanalspezifische Versionen nach außen. Dieser Masterdatensatz ist die Grundlage der Produktinformationsverwaltung im E-Commerce, und er verändert, wie ein Product Content Specialist täglich arbeitet.
Typisierte Attribute und Vollständigkeit pro Kanal
Ein PIM speichert Breite als Zahl mit Einheit und „enthält Latex" als Ja oder Nein. Material kommt aus einer kontrollierten Liste. Validierung lehnt „ca. 60 cm" in einem numerischen Feld ab, und Einheitenkonvertierung produziert Zentimeter und Zoll aus einem gespeicherten Wert. Das macht eine Kategorie für Käufer und KI-Systeme vergleichbar.
Jede Produktkategorie hat ihren eigenen Attributsatz. Das Zuweisen eines Produkts zu „Geschirrspüler" bindet die Geschirrspüler-Attribute und markiert die erforderlichen. Vollständigkeit wird pro Kanal und Sprache berechnet, weil ein Marktplatz oder ein KI-Shopping-Feed einen anderen Feldsatz benötigt als der eigene Shop. Produkte unter dem Schwellenwert bleiben vom Export ausgeschlossen.
Ein Datensatz, viele Ausgaben
Der eigene Shop erhält eine lange Beschreibung und ein Marktplatz erhält kurze Stichpunkte, beide auf dem gleichen Datensatz. Export-Feeds werden pro Ziel konfiguriert, z. B. JSON oder CSV für einen KI-Shopping-Feed und XML für einen Marktplatz. Delta-Exporte enthalten nur geänderte Datensätze, was häufige Preis- und Bestandsaktualisierungen ermöglicht. JSON-LD-Auszeichnungen und Datenblätter können aus den gleichen Attributen generiert werden, daher erreicht ein korrigierter Wert mit dem nächsten Export jede Ausgabe.
KI-Entwürfe verankert in gespeicherten Daten
Innerhalb eines PIM referenziert ein Generierungs-Prompt Attributfelder direkt. Das Modell erhält die tatsächlichen Werte für dieses Produkt, schreibt in ein Entwurfsfeld und der Datensatz wechselt zur Überprüfung. Massengenerie führt eine Vorlage über Tausende von Produkten, und der Reviewer sieht jeden Entwurf neben seinen Quellattributen.
Regelwerke für Behauptungen an Nachweise gebunden
Eine einfache Wörterliste mit Verbotenen blockiert entweder zu viel oder zu wenig. Die Regel muss jeden eingeschränkten Begriff den Nachweisen zuordnen, die ihn unterstützen können. Ein gefülltes Zertifikatfeld beweist allein nichts über einen bestimmten Begriff.
Regelbeispiel: Der Begriff „biologisch abbaubar" in einem beliebigen Textfeld löst einen Check aus. Wenn die EU-Umweltzeichenkriterien des Produkts die biologische Abbaubarkeit abdecken, besteht der Text. Wenn nicht, geht der Datensatz zur Überprüfung, wo die Behauptung entfernt oder in eine spezifische Aussage mit dem angehängten Nachweisdokument umgeschrieben wird.
Spezifische, messbare Behauptungen gehen mit dem an den Produktdatensatz verknüpften Nachweis zur Überprüfung. Wiederverwendbare Textblöcke halten dann die genehmigte Formulierung, daher erscheint der gleiche geprüfte Satz bei jedem Produkt, auf das er zutrifft.
Workflows, Berechtigungen und Änderungsverlauf
Status und Genehmigungen bewegen ein Produkt von der Dateneingabe zum KI-Entwurf, Überprüfung, Behauptungsprüfung und Veröffentlichung. Berechtigungen auf Feldebene ermöglichen es Lieferanten, technische Attribute auszufüllen, ohne Marketingtext zu berühren, und nur eine Compliance-Rolle bearbeitet Behauptungsfelder. Wenn eine Behauptung angezweifelt wird, zeigt ein Änderungsprotokoll mit Benutzer, Zeitstempel, altem Wert und neuem Wert, woher sie kommt und wer sie genehmigt hat.
Fähigkeiten und Routinen, die jetzt funktionieren
Der Fähigkeitssatz hat sich zu Daten verschoben. Ein Product Content Specialist benötigt heute Attributmodellierung, die Fähigkeit, Channel- und Feed-Spezifikationen zu lesen, Arbeitskenntnisse strukturierter Daten, Vorlagen- und Prompt-Schreiben, Vertrautheit mit Regelwerken auf Behauptungen in jedem Verkaufsmarkt und genug Tabellenkalkulations- oder SQL-Fähigkeit, um Tausende von Datensätzen auf einmal zu überprüfen. Schreiben bleibt Teil davon, hauptsächlich in Vorlagen und für hochwertige Produkte.
Eine wöchentliche Routine, die die Hauptfehlerpunkte abdeckt:
- Stellen Sie mehreren KI-Assistenten Constraint-Fragen zu Ihren Top-Produkten und vergleichen Sie ihre Antworten mit Ihren Attributdaten.
- Führen Sie wichtige Produktseiten durch einen Validator für strukturierte Daten und bestätigen Sie, dass Auszeichnungen, sichtbarer Text und Feed-Werte übereinstimmen.
- Überprüfen Sie KI-Ausgaben nach Risiko. Jede Sicherheits-, Maß-, Kompatibilitäts- und Umweltaussage wird überprüft, und Style-Felder werden stichprobenartig überprüft.
- Verfolgen Sie die Vollständigkeit pro Kanal und Feed-Ablehnungen und beheben Sie das Attribut hinter jedem Fehler.
- Wandeln Sie wiederkehrende Support-Fragen und inhaltsbezogene Rückgaberünde in neue Attribute um.