So prüfen Sie KI-angereicherte Produktattribute, bevor Google oder Meta sie ablehnen

Die meisten Kataloge lassen ihre Produktdaten inzwischen durch irgendeine Form von KI laufen – eine fehlende Farbe wird ergänzt, ein Material aus dem Titel erraten, eine Beschreibung für eine SKU geschrieben, die nie eine hatte. Das funktioniert gut genug, dass Teams aufhören, es zu prüfen. Genau das ist das Problem. Die Dokumentation des Google Merchant Center bestätigt, dass das System für automatische Artikelaktualisierungen, das abweichende Werte bei price, sale_price, availability und condition durch Crawlen Ihrer Landingpage stillschweigend korrigiert, color, material, size oder GTIN nicht abdeckt (Google Merchant Center Hilfe). Sind diese Attribute falsch, korrigiert sie niemand für Sie – der fehlerhafte Wert bleibt einfach live in Ihrem Feed, bis ein manuelles Audit oder eine Ablehnung durch den Kanal ihn aufdeckt. Dieser Leitfaden richtet sich an alle, die KI- oder regelbasierte Anreicherung für Kataloge mit einigen hundert bis einigen hunderttausend SKUs einsetzen. Er liefert einen konkreten QA-Prozess – fünf Fehlermuster, auf die Sie prüfen sollten, ein Bewertungsschema und einen Stichproben-Workflow –, um diese Fehler abzufangen, bevor sie Google, Meta oder TikTok Shop erreichen.

Warum KI-angereicherte Attribute unbemerkt fehlschlagen

Die Feed-QA konzentrierte sich bisher auf die Attribute, die die Kanäle selbst aktiv für Sie überwachen. Google korrigiert einen veralteten Preis oder einen falschen Lagerstatus automatisch anhand Ihrer Landingpage, ohne dass Sie einen Finger rühren müssen (Dokumentation zu automatischen Artikelaktualisierungen). Dieses Sicherheitsnetz verleitet Teams zu der Annahme, derselbe Schutz gelte überall. Das tut er nicht. Farbe, Material, Größe, Muster und GTIN sind bewusst von der Automatisierung ausgenommen, weil Google sie nicht so zuverlässig aus einem Seiten-Crawl ableiten kann wie einen angezeigten Preis.

Diese Lücke ist heute wichtiger als noch vor zwei Jahren, denn genau diese Attribute sollen KI-Funktionen zur Anreicherung in großem Umfang befüllen – diejenigen, die ein Händler im Quellfeed nie gepflegt hat. Ein KI-Modell, das aus einem Produktfoto "Echtleder" errät oder drei uneinheitliche Farbnamen zu einem vereinheitlicht, arbeitet genau in dem Bereich des Feeds, in dem es für eine falsche Antwort kein automatisches Auffangnetz gibt.

Die fünf Fehlermuster, die KI-Anreicherung mit sich bringt

Diese Muster sind nicht hypothetisch. Jedes entspricht einer dokumentierten Anforderung von Google oder Meta, von der ein generischer KI-Durchlauf von sich aus nichts wissen kann.

• Formatverstöße. Das Attribut color von Google lehnt Hex-Codes, rein numerische Werte und alles über 40 Zeichen pro Farbname ab – ein Modell, das die Farbe aus einem Bild "extrahieren" soll, gibt bereitwillig #3B2F2F zurück (Spezifikation des Farbattributs).
• Abweichung von der Landingpage. Google verlangt, dass die übermittelte Farbe exakt dem Wortlaut auf der Landingpage entspricht – "wenn Sie auf Ihrer Landingpage 'Toasted Walnut' verwenden, übermitteln Sie diesen Wert in Ihren Produktdaten. Übermitteln Sie nicht 'Brown'" (Spezifikation des Farbattributs). Ein Anreicherungsdurchlauf auf Basis eines generischen Bildklassifikators sieht nicht, was in Ihrem PDP-Text tatsächlich steht.
• Übermütig erfundene Spezifität. Ein Modell macht aus einem vagen oder fehlenden Materialfeld oft etwas, das präzise klingt, aber falsch ist – "Leder" für ein Produkt, das tatsächlich aus Polyurethan besteht. Die Materialspezifikation von Google verlangt, dass der Wert "den Hauptstoff oder das Hauptmaterial, aus dem Ihr Produkt besteht" wiedergibt, keine plausible Vermutung (Spezifikation des Materialattributs).
• Attribut-Vermischung. Dass ein Größenwert im Musterfeld landet oder eine Materialbeschreibung im Farbfeld, passiert häufiger als erwartet, sobald die Anreicherung unbeaufsichtigt über Zehntausende Zeilen mit uneinheitlichen Quelltiteln läuft.
• Kanalübergreifende Inkonsistenz. Läuft die Anreicherung für jeden Kanalexport separat, kann dasselbe Produkt in Ihrem Google-Feed "Toasted Walnut" und in Ihrem Meta-Feed "Brown" erhalten – ein echtes Signal für Käufer und auf mindestens einer Seite eine Abweichung von der Landingpage.

Vorher/Nachher im Detail: fünf reale Fehlerbilder

Die folgende Tabelle zeigt, wie jedes Fehlermuster als tatsächlicher Feed-Wert aussieht, warum es scheitert und was die korrigierte Zeile enthalten sollte.

Ein QA-Bewertungsschema für KI-angereicherte Attribute

Bewerten Sie jede angereicherte Zeile vor dem Livegang anhand von fünf Kriterien mit jeweils 0–2 Punkten. So wird aus einer subjektiven Prüfung nach dem Motto "sieht das richtig aus?" etwas, das auch Nachwuchskräfte oder externe Dienstleister einheitlich anwenden können.

Eine Zeile mit 9–10 Punkten kann automatisch veröffentlicht werden. Eine Zeile mit 6–8 Punkten kommt in eine Warteschlange für manuelle Stichproben. Alles unter 6 wird in Quarantäne genommen – also aus dem nächsten Export herausgehalten –, bis ein Mensch es korrigiert. Das entspricht dem Umgang von Google selbst mit diesen Attributen: nicht als Automatisierungsrisiko, sondern als Risiko für die manuelle Prüfung, da die eigene crawlerbasierte Automatisierung ausdrücklich vor ihnen haltmacht.

Die QA-Checkliste in Ihren Anreicherungs-Workflow einbauen

1. Führen Sie vor der Veröffentlichung automatisierte Regelprüfungen für jede angereicherte Zeile durch. Zeichenlimits, verbotene Zeichen (Hex-Muster, rein numerische Farbwerte) und unzulässige generische Begriffe ("multicolor", "various", "assorted") lassen sich mit einfachen Regex-Regeln abfangen, ganz ohne menschliches Zutun. Dieselbe regelbasierte Logik, die hinter der Feed-Anreicherung steckt, kann diese Prüfungen als Schranke ausführen, bevor Werte überhaupt den Export erreichen.
2. Ziehen Sie Stichproben nach Risiko, nicht gleichmäßig. Priorisieren Sie die manuelle Prüfung in Kategorien, in denen das GMC das Attribut als Pflicht behandelt – laut den kategoriespezifischen Anforderungen von Google etwa Bekleidung und Accessoires bei der Farbe (Spezifikation des Farbattributs) – sowie bei allen SKUs, deren Konfidenzwert der KI (sofern Ihr Anreicherungstool einen ausgibt) unter Ihrem Schwellenwert liegt.
3. Vergleichen Sie mit Quelldaten, nicht mit Plausibilität. Das Fehlerbild ist nicht, dass angereicherte Werte falsch aussehen – das Fehlerbild ist, dass sie richtig aussehen. Prüfen Sie jeden Hinweis zur Belegbarkeit der Spezifität anhand eines tatsächlichen Lieferantendatenblatts oder PDP-Texts, nicht danach, ob der Wert vernünftig klingt.
4. Wiederholen Sie die kanalübergreifende Konsistenzprüfung nach jedem Export, nicht nur nach der Anreicherung. Läuft Ihr Anreicherungsschritt, bevor der Feed in kanalspezifische Exporte aufgeteilt wird, ist das Problem konstruktionsbedingt weitgehend gelöst. Läuft die Anreicherung pro Kanal (häufig, wenn verschiedene Kanäle unterschiedliche Formatierungen benötigen), braucht es einen eigenen Abgleichsdurchlauf.
5. Protokollieren Sie, was Sie in Quarantäne nehmen. Eine steigende Quarantänequote für ein bestimmtes Attribut oder eine Kategorie ist ein Signal, den Anreicherungs-Prompt oder das Regelwerk zu korrigieren – nicht nur die einzelnen Zeilen.

Bei einem Feed, der täglich statt stündlich synchronisiert wird, kann ein durchgerutschter fehlerhafter Anreicherungswert bis zu einem vollen Synchronisierungszyklus lang live vor Käufern stehen, bevor der nächste Export Ihnen die Chance zur Korrektur gibt – ein Grund mehr, warum die Prüfung vor der Veröffentlichung stattfinden muss, nicht danach.

Was dieser Prozess nicht abdeckt und wo er an Grenzen stößt

Dieser Prozess erkennt Formatverstöße, Abweichungen und nicht belegbare Spezifität – er bewertet nicht, ob ein von der KI geschriebener Titel oder eine Beschreibung guter Text ist; das ist eine separate, subjektivere Prüfung. Er ersetzt auch keine rechtliche oder Compliance-Prüfung in regulierten Kategorien (Nahrungsergänzungsmittel, Werbeaussagen zu Kosmetik, Kinderprodukte), in denen ein falsches oder erfundenes Attribut ein Compliance-Problem ist und nicht nur eine Frage der Feed-Qualität.

Im wirklich großen Maßstab – Kataloge mit Millionen von SKUs, mehreren Beteiligten und formalen Freigabeketten – reicht eine stichprobenbasierte manuelle Warteschlange wie oben allein nicht mehr aus. Auf genau diese Art von Governance-Workflow sind Plattformen wie Productsup ausgelegt, bei denen Regel-Engines und Audit-Trails fest in die Plattform integriert sind, statt nachträglich ergänzt zu werden. Und wenn der Engpass eher die Prüfkapazität als das Werkzeug ist, ist das Managed-Service-Modell von Feedonomics – ein Team, das Ihren Feed prüft, statt einer Software, die Sie selbst konfigurieren – eine legitime Alternative dazu, intern Personal dafür einzustellen. Keiner der beiden Ansätze ist nötig, um die obige Checkliste umzusetzen; beide sollten Sie aber kennen, bevor Sie entscheiden, dies intern in großem Maßstab aufzubauen.

Schließlich ersetzt nichts davon die Lektüre der Spezifikation für das nächste Attribut oder die nächste Kategorie, die Sie anreichern. Google und Meta aktualisieren Formatregeln und Kategorieanforderungen so häufig, dass eine heute erstellte Checkliste in sechs Monaten eine erneute Lektüre der Quelldokumentation erfordert und kein dauerhafter Selbstläufer ist. Wenn es Ihnen speziell um KI-generierte Bilder und Beschreibungen statt um strukturierte Attribute geht, lesen Sie unseren separaten Richtlinien-Leitfaden zu KI-generierten Produktinhalten – jener Artikel behandelt die Einhaltung von Kanalrichtlinien, dieser die QA der Datenqualität.

FAQ

Korrigiert das Google Merchant Center einen falschen Farb- oder Materialwert automatisch?

Nein. Die automatischen Artikelaktualisierungen von Google decken nur Preis, Sonderpreis, Verfügbarkeit und Zustand ab. Farbe, Material, Größe und GTIN sind ausgenommen, sodass ein falscher Wert in diesen Feldern live bleibt, bis Sie oder Ihr Anreicherungsprozess ihn korrigieren. Im Leitfaden zur Google-Merchant-Center-Integration von Feedance erfahren Sie, wie Feed-Exporte an das GMC konfiguriert werden.

Was passiert, wenn ich Google eine kommagetrennte Liste von Farben übermittle?

Google übernimmt nur die erste Farbe der Liste und verwirft den Rest stillschweigend – eine kommagetrennte Zeichenfolge wird nicht als mehrere Werte behandelt (Behebung: ungültiger Wert für color). Verwenden Sie stattdessen Schrägstriche, bis zu drei Farben pro Produkt.

Verlangt Meta dieselben Farb- und Materialattribute wie Google?

Nein. In der Feldspezifikation des Commerce-Katalogs von Meta sind Farbe und Material optional, während die Größe speziell für Bekleidungs- und Schuhkategorien Pflicht ist. Meta verlangt allerdings, dass die Farbe in Worten und nicht als Hex-Code angegeben wird (Felder des Meta-Commerce-Katalogs).

Ist ein falsches Farbattribut dasselbe Risiko wie ein Verstoß gegen die Richtlinie zu Falschdarstellung?

In der Regel nicht. Ein einzelnes falsches Attribut zeigt sich typischerweise als Problem auf Artikelebene im Tab "needs attention" des Merchant Center, nicht als Sperrung auf Kontoebene. Falschdarstellung ist eine separate, schwerwiegendere Richtlinie, die sich gegen vorsätzliche oder systematische Falschangaben über ein Unternehmen oder Angebot richtet, nicht gegen einen vereinzelten Attributfehler.

Wie viel meines Katalogs sollte ich nach einem KI-Anreicherungslauf manuell prüfen?

Gewichten Sie Ihre Stichprobe nach Risiko statt gleichmäßig: Priorisieren Sie Kategorien, in denen ein Attribut Pflicht ist (zum Beispiel Bekleidung und Accessoires bei der Farbe), sowie jede Zeile, die Ihr Anreicherungstool als wenig zuverlässig markiert, bevor Sie die verbleibende Prüfzeit auf den restlichen Katalog verteilen.

Kann derselbe KI-angereicherte Attributwert in meinen Google- und Meta-Feeds unterschiedlich sein?

Das sollte er nicht, wenn beide dasselbe Produkt beschreiben sollen. Läuft die Anreicherung je Kanalexport separat, ergänzen Sie nach dem Export einen Abgleichsschritt, um Fälle zu erkennen, in denen die beiden Werte auseinandergedriftet sind.

Was sollte ich tun, wenn ich halluzinierte Attribute entdecke, die bereits live in meinem Feed sind?

Ziehen Sie die betroffenen SKUs heraus, korrigieren Sie die Werte anhand der Quelldaten (Lieferantendatenblätter oder die Live-PDP, nicht durch einen erneuten Durchlauf desselben Anreicherungsprozesses) und übermitteln Sie sie erneut. Prüfen Sie anschließend, ob dasselbe Fehlermuster auch an anderer Stelle im Katalog auftritt – eine Halluzination ist selten ein Einzelfall.

Liefert KI-Anreicherung manchmal Attributwerte, die ein manueller Prozess übersehen würde?

Ja – sie ist wirklich nützlich, um Attribute in großen Katalogen zu befüllen, in denen manuelle Eingabe nicht realistisch ist, und um Muster zu erkennen (etwa uneinheitliche Benennungen), die einem Menschen bei der Prüfung Zeile für Zeile nicht auffallen. Die QA-Ebene dient dazu, ihre spezifischen Fehlerbilder abzufangen, nicht dazu, gegen ihren Einsatz zu argumentieren.

Prüfen Sie Ihren Feed mit dem kostenlosen Produktfeed-Audit-Tool von Feedance, um vor Ihrem nächsten Anreicherungslauf zu sehen, wo Ihre aktuellen Attributdaten stehen.