Google und KI-Texte: 60 Produkttexte im Faktencheck

Was Google am 1. Oktober geändert hat

Im Changelog von Search Central steht für den 1. Oktober eine Aktualisierung des Leitfadens zu generativen KI-Inhalten. Google hat Inhalte aus den Quality-Rater-Richtlinien übernommen und nennt als Grund, die Dokumentation an die Vorträge auf seinen Entwicklerveranstaltungen anzugleichen.

Der entscheidende neue Satz im englischen KI-Leitfaden lautet: It is critical to manually factcheck and review all AI-generated content for accuracy and trustworthiness before publishing. Davor erklärt Google, warum: Sprachmodelle rufen keine Fakten ab, sie sagen eine wahrscheinliche Wortfolge voraus. Dabei können überzeugend klingende Fehler entstehen. Danach folgt der Satz, der für Shops am wichtigsten ist: Die Prüfung gilt auch für Title-Elemente, Meta-Descriptions, strukturierte Daten und Alt-Texte von Bildern.

Was wirklich neu ist, zeigt der Vergleich mit den archivierten Fassungen vom 27.09.2026 und 28.09.2026 im Internet Archive:

Quelle: Eigener Vergleich der Google-Originalfassungen im Internet Archive mit den aktuellen englischen Seiten, Abruf 03.10.2026. Die Haupttexte der Nachher-Archivfassung vom 02.10.2026 stimmen mit den direkt abgerufenen Originalen überein.

Zwei Dinge sind mir dabei aufgefallen. Erstens: Die deutsche Fassung des KI-Leitfadens zeigte am 03.10.2026 noch den Stand vom 31.12.2025. Wer nur auf Deutsch nachliest, findet den neuen Satz nicht. Zweitens: Neu ist die Deutlichkeit, nicht der Grundsatz. Gary Illyes von Google hatte schon im April 2024 gesagt, generative KI-Ausgaben müssten immer auf Fakten geprüft werden, wie Matt G. Southern bei Search Engine Journal am 01.10.2026 zusammenfasst. PPC Land weist am 02.10.2026 auf eine Lücke hin, die Shops betrifft: Die Seite beschreibt für KI-Produktdaten nur den älteren Weg über Feed-Attribute und Metadaten, nicht die KI-Kennzeichnung, die Google im Juli 2026 eingeführt hat. Dazu mehr im Abschnitt zum Merchant Center.

Zahlen dazu, wie oft KI-Produkttexte wirklich über die Herstellerangaben hinausgehen, habe ich in keinem der Berichte gefunden. Deshalb der Test.

Mein Test: 60 KI-Produkttexte gegen die Herstellerseite

Ich wollte wissen, was passiert, wenn ein Shop so arbeitet, wie viele es tatsächlich tun: Produktname rein, Text raus. Und was sich ändert, wenn die KI vorher die Herstellerdaten bekommt.

Die zehn Produkte

Ich habe Produkte aus typischen Shop-Kategorien gewählt, von sehr bekannt bis Nische. Die offiziellen Herstellerseiten wurden am 03.10.2026 im Browser abgerufen und als Rohtext gesichert. Aus jeder Seite wurden 10 bis 15 Fakten mit wörtlichem Zitat herausgezogen, etwa Material, Maße, Pflege, Siegel und Lieferumfang.

Drei Arten zu fragen, zwei Modelle

Jedes Produkt bekam drei Aufträge. Der Wortlaut war bis auf die Ergänzungen gleich: eine Produktbeschreibung mit 100 bis 150 Wörtern, ein SEO-Titel mit höchstens 60 Zeichen, eine Meta-Description mit höchstens 155 Zeichen und ein Alt-Text für das Hauptbild.

• A, nur Produktname: Marke, Produktname, Kategorie und Farbe. So arbeiten viele Shops, wenn es schnell gehen soll.
• B, mit Herstellerdaten: zusätzlich das Datenblatt mit allen gesammelten Fakten.
• C, mit Daten und Regel: zusätzlich der Satz, dass das Modell nur Angaben aus den Daten verwenden und fehlende Angaben als Rückfrage ausgeben soll statt im Text.

Jeden Auftrag habe ich an GPT-6.1 Sol und an Claude Sonnet 5.5 geschickt, jeweils als einzelne Anfrage ohne Verlauf und ohne Webzugriff. Das ergibt 10 × 3 × 2 = 60 Textpakete.

Wie geprüft wurde

Die Pakete wurden verblindet: Bei der Prüfung war nicht zu sehen, welches Modell und welcher Auftrag dahinterstand. Jede prüfbare Tatsachenaussage wurde einzeln erfasst, also Material, Maße, Funktionen, Pflege, Herkunft, Siegel, Einsatzzwecke und Wirkversprechen. Reine Wertungen wie „stilvoll“ oder „ein echter Klassiker“ zählen nicht. Jede Aussage bekam eines von drei Urteilen:

• belegt: Die Herstellerseite sagt dasselbe. Dafür musste ein wörtliches Zitat von der Seite vorliegen.
• falsch: Die Herstellerseite sagt etwas anderes.
• unbelegt: Die Herstellerseite sagt dazu nichts. Das heißt nicht, dass die Aussage falsch ist. Es heißt, dass der Shop sie mit den Herstellerangaben nicht belegen kann.

Die Erfassung lief KI-gestützt. Alle 78 unbelegten Aussagen und eine Zufallsstichprobe von 40 belegten wurden danach noch einmal gegen die Herstellerseite gelesen. Bei der Stichprobe passten 38 Urteile eindeutig, 2 waren sinngemäß belegt. Zwei Urteile wurden korrigiert, und 15 Erwähnungen von „Tube“ bei Weleda flogen raus, weil diese Angabe aus meinem eigenen Auftrag stammte.

Ergebnis: Keine falsche Angabe, aber viele unbelegte

Über alle 60 Pakete kamen 1.126 prüfbare Aussagen zusammen. 1.048 davon waren belegt, 78 unbelegt, keine falsch. Das hat mich überrascht. Keines der beiden Modelle hat bei einem der zehn Produkte einen harten Fakt wie ein falsches Material oder eine falsche Zahl erfunden. Was sie tun: Sie ergänzen, was zu dem Produkt plausibel klingt.

Quelle: Eigener Test, 03.10.2026. 20 Pakete je Auftrag, je 10 von GPT-6.1 Sol und Claude Sonnet 5.5. Falsche Aussagen: 0 in allen drei Gruppen.

Die Tabelle zeigt zwei Effekte gleichzeitig. Mit Herstellerdaten enthalten die Texte mehr als doppelt so viele prüfbare Aussagen, also mehr echte Information für den Käufer. Und der Anteil, den du nicht belegen kannst, fällt von 30 auf 3,6 Prozent. Mit der zusätzlichen Regel bleibt eine einzige unbelegte Aussage übrig: ein „kompakter Rucksack“ beim Kånken.

Ohne Daten: Werbetext oder Vermutungen

Beim Auftrag A haben sich die Modelle sehr unterschiedlich verhalten. GPT-6.1 Sol bleibt vorsichtig und schreibt um die Fakten herum. Die Beschreibung des Armedangels-Shirts besteht nur aus Kombinationstipps: Jeans, Chino, offenes Hemd, weiße Sneaker. Bei zwei der zehn Pakete fand sich keine einzige prüfbare Aussage, im Schnitt waren es 6. Das ist sicher, aber für den Käufer fast wertlos.

Claude Sonnet 5.5 schreibt aus seinem Wissen über das Produkt und liefert 14 prüfbare Aussagen pro Paket. 38 Prozent davon stehen nirgends beim Hersteller. Ein paar Beispiele aus dem Test:

• Emsa Travel Mug: „passt in die meisten Getränkehalter im Auto“ und „Heißgetränke lange warm“. Emsa nennt auf der Seite weder Getränkehalter noch eine Warmhaltezeit.
• Anker Zolo: Die Powerbank versorge „Smartphone, Tablet und je nach Gerät auch ein kompaktes Notebook“. Die Herstellerseite nennt bei den kompatiblen Geräten nur Handys.
• Comandante C40: Mahlgrad „in feinen Klickschritten“, „bis zur French Press“, „angenehm leise“. Nichts davon steht auf der Herstellerseite.
• Armedangels JAAMES: „faire und nachhaltige Mode“. Das Wort „nachhaltig“ kommt auf der Produktseite nicht vor.
• Fjällräven Kånken: „Fuchs-Logo“. Die Herstellerseite spricht nur von einem reflektierenden Logo.

Manches davon dürfte stimmen. Das Fjällräven-Logo zeigt tatsächlich einen Fuchs. Genau darum geht es aber bei Googles Satz: Für den Leser klingt alles gleich überzeugend, und du kannst nur das belegen, wofür du eine Quelle hast. Beim Getränkehalter entscheidet der Bodendurchmesser, den Emsa nicht angibt. Ein Käufer, der den Becher deswegen bestellt und er passt nicht, schickt ihn zurück.

Mit Daten: Die Lücken werden klein

Sobald das Datenblatt im Prompt steht, übernehmen beide Modelle die Fakten sauber und vollständig. Mit Herstellerdaten (Auftrag B) hatte GPT-6.1 Sol nur noch 2 unbelegte Aussagen in 10 Paketen, Claude Sonnet 5.5 noch 15. Die typischen Fälle bei Claude: Der Emsa-Becher „hält dein Getränk unterwegs lange heiß oder kalt“, obwohl die Daten keine Warmhaltezeit nennen. Die WMF-Pfanne eignet sich „etwa zum Überbacken“. Das Shirt soll man „im Schonprogramm“ waschen, obwohl die Herstellerangabe „30° Pflegeleicht“ lautet.

Der interessanteste Befund kam mit Auftrag C. Dasselbe Modell, das beim Emsa-Becher vorher Getränkehalter und Warmhaltezeit ergänzt hatte, stellte jetzt genau diese Punkte als Rückfrage: „Wie lange hält der Becher Getränke warm oder kalt? Eine Angabe vom Hersteller fehlt.“ und „Passt der Becher in gängige Getränkehalter? Maße des Bodens fehlen.“ Claude Sonnet 5.5 lieferte im Schnitt 6,1 solcher Rückfragen pro Produkt, GPT-6.1 Sol 0,5. Für einen Shop ist diese Liste wertvoll: Sie zeigt, welche Angaben in deinen Produktdaten fehlen und was Käufer wahrscheinlich fragen.

Wo die Lücken sitzen

Fast alle unbelegten Aussagen standen in der Produktbeschreibung. Bei Auftrag A waren dort 41 Prozent der prüfbaren Aussagen unbelegt, in den Meta-Descriptions 12,5 Prozent. SEO-Titel und Alt-Texte enthielten in allen 60 Paketen keine einzige unbelegte Aussage, und mit Herstellerdaten war auch jede der 191 Aussagen in den Meta-Descriptions belegt. Die Metadaten sind in meinem Test also nicht das Problem, weil sie kurz sind und meist nur Name, Farbe und zwei, drei Kernfakten wiederholen. Prüfen musst du sie trotzdem, denn ein Fehler im Datenblatt landet dort genauso.

Inhaltlich ging es selten um Material oder Zahlen. 35 der 60 unbelegten Aussagen bei Auftrag A betrafen Funktionen und Einsatzzwecke: wofür sich ein Produkt eignet, was hineinpasst, was es kann. Danach kamen Wirkversprechen wie „üben Kinder Geschicklichkeit“ beim Holzregenbogen oder „als Schutz für das Gesicht bei kaltem Wetter“ bei der Weleda-Creme. Solche Aussagen fallen beim Gegenlesen am wenigsten auf, weil sie so selbstverständlich klingen.

Alle Rahmenbedingungen hielten die Modelle fast perfekt ein. Kein SEO-Titel war länger als 60 Zeichen, 2 von 60 Meta-Descriptions waren länger als 155 Zeichen, alle Beschreibungen lagen im Wortrahmen.

Alle 60 Testtexte zum Durchklicken

Im Explorer siehst du jedes Textpaket mit allen erfassten Aussagen. Grün ist belegt, gelb unbelegt. Fährst du mit der Maus über eine Markierung, siehst du das passende Zitat der Herstellerseite.

So prüfst du einen KI-Produkttext

Aus dem Test leite ich einen Ablauf ab, der die meiste Arbeit vor das Schreiben legt. Je besser die Daten im Prompt, desto weniger musst du hinterher suchen.

1. Herstellerdaten mitgeben

Kopiere Material, Maße, Gewicht, Pflege, Herkunft, Siegel, Lieferumfang und Garantie in den Prompt. Nimm dafür die Angaben deines Lieferanten oder der Herstellerseite, nicht die Beschreibung eines anderen Händlers. Im Test hat das allein den Anteil unbelegter Aussagen von 30 auf 3,6 Prozent gesenkt.

2. Ergänzungen verbieten

Ergänze im Prompt einen Satz wie diesen: „Verwende ausschließlich Angaben aus diesen Produktdaten. Wenn dir eine Angabe fehlt, schreib sie nicht in den Text, sondern als Rückfrage darunter.“ Das hat im Test die letzten Lücken fast vollständig geschlossen. Die Rückfragen beantwortest du einmal und ergänzt dein Datenblatt. Davon profitiert jeder spätere Text.

3. Jede Aussage gegen die Daten lesen

Geh die Beschreibung Satz für Satz durch. Steht die Aussage in deinen Daten, bleibt sie. Steht sie nicht drin, streichst du sie oder klärst sie mit dem Lieferanten. Besonders genau liest du Einsatzzwecke („passt in“, „eignet sich für“), Wirkversprechen und Steigerungen wie „wasserdicht“ statt „wasserabweisend“. Der folgende Abgleich nimmt dir die Suche ab.

Gemessen an den 60 Testtexten: Von den 67 unbelegten Aussagen, die sich im Text verorten ließen, lagen 62 in einem markierten Satz. Der Abgleich markiert aber auch Sätze, die nur Werbesprache enthalten oder eine Angabe mit anderen Worten wiedergeben. In den Texten mit Herstellerdaten traf das etwa jeden siebten Satz ohne unbelegte Aussage. Er ersetzt dein Lesen also nicht, er zeigt dir, wo du zuerst hinschaust.

4. Titel, Meta-Description, Alt-Text und Feed mitprüfen

Lies die Metadaten gegen denselben Datenstand wie die Beschreibung. Im Test waren sie sauber, weil sie aus denselben Daten entstanden sind. In der Praxis laufen sie oft über andere Wege: ein SEO-Plugin, eine Feed-App, ein Massenimport. Mehr dazu im nächsten Abschnitt.

5. Die veröffentlichte Seite lesen

Prüfe nach dem Import die echte Produktseite auf Handy und Desktop. Templates, Varianten und Apps können andere Texte ausspielen als der Editor. Erst was der Käufer sieht, ist veröffentlicht.

Der Ablauf in einer Minute

Die Aufnahme zeigt die neue Google-Formulierung, den Vorher-Nachher-Vergleich, ein erfundenes Beispiel für den Abgleich mit Produktdaten sowie Freigabe-Check und Zeitrechner.

Metadaten, strukturierte Daten und Merchant Center

Die Meta-Description verspricht nur, was die Seite hält. Der Alt-Text beschreibt das sichtbare Bild und ergänzt keine Eigenschaften. Strukturierte Daten bilden echte Preise, Verfügbarkeit und vorhandene Bewertungen ab. Ein grüner Rich-Results-Test hilft dabei nur technisch. Google sagt in seinen Richtlinien für strukturierte Daten ausdrücklich, dass sich die Qualitätsregeln nicht automatisch testen lassen.

Für das Merchant Center gibt es eigene Vorgaben für KI-generierte Produktdaten. KI-erzeugte Titel und Beschreibungen übermittelst du über die Attribute structured_title und structured_description, die Herkunft kennzeichnet der Wert trained_algorithmic_media. KI-erzeugte Bilder brauchen die entsprechenden IPTC-Metadaten. Seit Juli 2026 rollt Google außerdem eine Einstellung zur KI-Kennzeichnung von Werbemitteln aus, auch im Merchant Center. Sie betrifft Bilder und Videos in Anzeigen. Keine dieser Kennzeichnungen ersetzt die Faktenprüfung. Prüfe deshalb, was deine Feed-App tatsächlich sendet, und ob dort derselbe geprüfte Text ankommt wie auf der Produktseite.

Ein Punkt kommt in Deutschland dazu. Seit dem 27.09.2026 steht im Anhang des UWG unter Nr. 4a die nicht nachweisbare allgemeine Umweltaussage. Allgemeine Umweltaussagen wie „umweltfreundlich“ oder „nachhaltig“ sind damit unzulässig, wenn sie nicht auf derselben Seite klar konkretisiert werden und keine anerkannte hervorragende Umweltleistung nachgewiesen ist. Im Test hat ein Modell ohne Daten das Armedangels-Shirt prompt als „nachhaltige Mode“ beschrieben. Der Datenblatt-Abgleich markiert solche Wörter gesondert. Ob eine Formulierung im Einzelfall zulässig ist, klärst du rechtlich.

Wie viel Prüfzeit du einplanen solltest

Google nennt keine Prüfzeit und keine Quote. Der Rechner startet mit frei gewählten Modellwerten: 200 Texte, fünf Minuten Textprüfung, zwei Minuten für Metadaten und Datenabgleich, bei 20 Prozent drei Minuten Nacharbeit. Das ergibt 25 Stunden und 20 Minuten.

Für den Anteil mit Nacharbeit kannst du meine Testwerte nehmen. Ein Paket brauchte Nacharbeit, sobald es mindestens eine unbelegte Aussage enthielt. Das waren 70 Prozent der Pakete ohne Daten, 45 Prozent mit Herstellerdaten und 5 Prozent mit Daten und Regel. Den Unterschied merkst du nicht nur beim Anteil: Mit sauberen Daten ist auch jede einzelne Prüfung schneller, weil du Satz für Satz nur gegen eine Liste liest.

Was Quality Rater und die Spam-Welle damit zu tun haben

Google verlinkt weiterhin auf das Rater-PDF vom 11.09.2025. Die Abschnitte 4.6.5 zu massenhaft erzeugten Inhalten und 4.6.6 zu Hauptinhalten mit wenig Aufwand stehen dort wortgleich seit der Fassung vom 23.01.2025. Quality Rater bewerten Suchergebnisse, damit Google seine Systeme prüfen kann. Das Ranking einzelner Seiten verändern sie nicht direkt.

Abschnitt 4.6.6 passt sehr gut zu meinem Test. Dort steht, dass Inhalte mit wenig Aufwand, wenig Originalität und wenig Mehrwert die niedrigste Bewertung bekommen, ausdrücklich auch KI-generierte. Ein Produkttext ohne Daten, der nur Outfit-Tipps oder allgemeine Vorzüge aufzählt, ist genau so ein Fall. Für dein Ranking halte ich den leeren Text deshalb für das größere Risiko als ein einzelnes unbelegtes Detail. Wenn du hunderte solcher Seiten erzeugst, berührt das außerdem Googles Regel gegen Scaled Content Abuse. Wie Erfahrung, Fachwissen und Vertrauen dabei zusammenspielen, erkläre ich im Beitrag zu E-E-A-T für Shops.

Zur gleichen Zeit läuft das September-Spam-Update. Barry Schwartz berichtet am 01.10.2026 von erneut starker Bewegung am 30.09. und spricht von einer möglichen zweiten Welle. Google hat keine zweite Phase angekündigt und die neue Dokumentation nicht als Erklärung genannt. Die zeitliche Nähe belegt keine neue KI-Abstrafung. Den Rollout und meinen Check für einen Sichtbarkeitsverlust findest du im Beitrag zum Google Spam Update September 2026.

Meine Einschätzung

Googles Satz ist richtig, aber für Shops setzt er an der falschen Stelle an. Die Prüfung nach dem Schreiben ist schnell, wenn die Daten vor dem Schreiben stimmen. Mein Test zeigt das deutlich: Mit Datenblatt und einer klaren Regel blieb in 20 Paketen genau eine unbelegte Aussage übrig. Ohne Daten bekommst du entweder einen leeren Werbetext oder einen Text voller plausibler Vermutungen, und beides kostet dich hinterher mehr Zeit als das Datenblatt vorher.

KI-erstellte Texte schaue ich mir in meiner eigenen Arbeit immer selbst an. Der Test hat mir gezeigt, wo sich dieser Blick am meisten lohnt: bei Funktionen und Einsatzzwecken, die plausibel klingen, aber nirgends belegt sind. Deshalb würde ich keinen Produkttext mehr nur aus dem Produktnamen erzeugen lassen. Ich würde zuerst die Produktdaten in eine feste Form bringen, den Prompt mit der Regel aus Schritt 2 als Vorlage speichern und die Rückfragen der KI nutzen, um die Daten zu vervollständigen. Die Wahl des Modells ist dabei zweitrangig. Mit Daten lagen GPT-6.1 Sol und Claude Sonnet 5.5 nah beieinander. Ohne Daten ist Claude ergiebiger, aber riskanter, GPT sicherer, aber inhaltsleer.

Zeit für KI-Detektoren oder Humanizer würde ich mir sparen. Sie beantworten nicht, ob eine Aussage stimmt. Warum solche Werkzeuge keine verlässliche Abnahme liefern, erkläre ich im Beitrag zu KI-Text-Erkennung und Wasserzeichen.

Grenzen der Daten

Häufige Fragen

Verbietet Google KI-Produkttexte?

Nein. Google nennt KI weiterhin ein nützliches Werkzeug. Entscheidend sind richtige, hilfreiche Inhalte und die Einhaltung der Spam-Regeln. Neu ist die ausdrückliche Aufforderung, KI-Inhalte vor dem Veröffentlichen von Hand zu prüfen.

Wie oft erfinden KI-Modelle Produktfakten?

In meinem Test hat keine von 1.126 Aussagen der Herstellerseite widersprochen. Ohne Herstellerdaten war aber fast jede dritte Aussage nicht belegt, meist Funktionen und Einsatzzwecke. Mit Datenblatt und klarer Regel blieb eine von 452 übrig.

Reicht es, den Text von einer zweiten KI prüfen zu lassen?

Eine zweite KI kann Stellen finden, die nicht zu deinen Daten passen. Den Nachweis liefert sie nicht. Öffne die Produktquelle, prüf die konkrete Aussage und lass offene Fachfragen von jemandem klären, der das Produkt kennt.

Muss ich KI-Produkttexte sichtbar kennzeichnen?

Google empfiehlt Hinweise zur Entstehung dort, wo Leser sie erwarten. Eine Pflicht zur sichtbaren Kennzeichnung jedes Produkttextes folgt daraus nicht. Für Shopping-Daten im Merchant Center gelten eigene Vorgaben für KI-generierte Titel, Beschreibungen und Bilder.

Prüfen Quality Rater jetzt meinen Shop?

Nein. Quality Rater bewerten Suchergebnisse, um Googles Systeme zu prüfen. Die Faktenprüfung in deinem Ablauf ist deine Aufgabe. Eine manuelle Maßnahme ist wieder etwas anderes: eine Entscheidung von Google wegen eines Richtlinienverstoßes, die du im entsprechenden Bericht der Search Console siehst.

Ist die neue Doku die Ursache für Verluste am 30. September?

Dafür gibt es keine Bestätigung. Eine Textänderung und eine Ranking-Bewegung an benachbarten Tagen belegen keinen Zusammenhang.

Fazit

Gib einen KI-Produkttext erst frei, wenn du jede Aussage belegen kannst, und mach es dir leicht, indem die Belege schon im Prompt stehen. Mein Test zeigt, dass aktuelle Modelle mit sauberen Daten kaum noch danebenliegen. Ohne Daten schreiben sie Werbetext oder Vermutungen. Die Prüfung, die Google seit dem 1. Oktober ausdrücklich verlangt, wird damit vor allem eine Frage deiner Produktdaten. Wenn du dabei Unterstützung brauchst, findest du sie unter SEO für Onlineshops und KI-Automatisierung.