KI in Magento-Shops: Produktinhalte, Suche und Support, die funktionieren

Die meisten Magento-Teams haben bereits einen Chatbot ausprobiert oder ein paar Produktnamen in ein LLM kopiert. Die schwierigere Frage ist, welche KI-Funktionen sich in der Praxis bewähren – bei einem echten Katalog mit Tausenden SKUs, mehreren Store Views und einem Support-Team, das den ganzen Tag Fragen zu Bestellungen beantwortet.

Dieser Leitfaden behandelt die Anwendungsfälle, die sich auf Magento 2 und Adobe Commerce im Produktivbetrieb bewähren, was Adobe nativ mitliefert, was Sie selbst entwickeln und welche Risiken Sie vor dem Go-live im Griff haben müssen.

1. Produktinhalte: Entwürfe, Anreicherung und Übersetzungen

Produktinhalte sind der häufigste Einstieg, weil die Ausgangsdaten strukturiert sind. Sie haben bereits Attribute wie Material, Maße, Kompatibilität und Pflegehinweise. Ein LLM kann daraus weit schneller eine gut lesbare Beschreibung, eine Kurzbeschreibung, Aufzählungspunkte und Meta-Tags erstellen als ein Texter, der bei null anfängt.

Ein Workflow, der funktioniert:

1. Exportieren Sie die Produktattribute, denen Sie vertrauen (SKU, Name, Attributset, wichtigste Spezifikationen), über die REST API oder einen Katalogexport.
2. Senden Sie sie mit einem festen Prompt an das Modell, der Ihre Markensprache, verbotene Wörter und die Regel „Verwende nur die bereitgestellten Fakten.“ enthält.
3. Schreiben Sie das Ergebnis in ein Staging-Attribut oder eine separate Store View – niemals direkt in die Live-Beschreibung.
4. Lassen Sie jeden Eintrag von einem Merchandiser freigeben oder bearbeiten und veröffentlichen Sie ihn dann.

Übersetzungen folgen demselben Muster. Erstellen Sie einen Entwurf pro Store View und lassen Sie ihn von einem Muttersprachler prüfen – vor allem Größentabellen, Rechtstexte und alles mit Maßeinheiten oder regulatorischer Bedeutung.

Was Google zu KI-generierten Produkttexten sagt

Laut den Richtlinien der Google-Suche verstößt ein angemessener Einsatz von KI nicht gegen die Richtlinien. Wer jedoch generative KI nutzt, um viele Seiten ohne Mehrwert für Nutzer zu erstellen, kann gegen die Spam-Richtlinie zum Missbrauch skalierter Inhalte verstoßen. Google fordert Websitebetreiber außerdem auf, KI-Ergebnisse vor der Veröffentlichung auf Fakten zu prüfen, und weist darauf hin, dass dies auch für Titel, Meta-Beschreibungen, strukturierte Daten und Alt-Texte von Bildern gilt.

Für Magento-Shops besteht das praktische Risiko in nahezu identischen Texten bei Tausenden ähnlichen SKUs. Geben Sie dem Modell die Attribute, die jedes Produkt unterscheiden, und lassen Sie es dünne Produkte nicht mit generischen Füllsätzen aufblähen.

2. Eine Suche, die die Absicht versteht

Die Keyword-Suche scheitert an Anfragen wie „warme Jacke zum Wandern im Regen“, wenn in Ihrem Katalog „wasserdichte, isolierte Shell-Jacke“ steht. Die semantische Suche vergleicht die Bedeutung der Anfrage mit der Bedeutung Ihrer Produktdaten und kann diese beiden Formulierungen daher zusammenbringen.

Adobe Commerce: semantische Suche mit Live Search

Der Live-Search-Dienst von Adobe umfasst jetzt eine semantische Suche. Laut der Adobe-Dokumentation ist sie für Adobe Commerce 2.4.4 und neuer verfügbar, funktioniert nur für englischsprachige Kataloge und wird aktiviert unter Marketing > SEO & Search > Live Search im Bereich Settings. Bestehende Suchregeln, Synonyme, Facetten, Boosts und das Kategorie-Merchandising funktionieren parallel weiter. Adobe weist außerdem darauf hin, dass es im Admin keine Feinsteuerung wie Ähnlichkeitsschwellen gibt.

Wenn Sie Live Search bereits auf Adobe Commerce mit einem englischsprachigen Katalog nutzen, ist dies das KI-Upgrade mit dem geringsten Aufwand. Vergleichen Sie Suchanfragen ohne Ergebnis und die Such-Conversion vor und nach der Aktivierung.

Magento Open Source: Vektorsuche mit OpenSearch

Live Search ist ein Dienst von Adobe Commerce. Bei Magento Open Source haben Sie zwei Wege: eine Such-SaaS eines Drittanbieters oder eine Lösung auf Basis von OpenSearch, das Magento 2.4.8 und 2.4.9 bereits als Suchmaschine verwenden.

OpenSearch bietet Vektorsuche über die Plugins k-NN und Neural Search und unterstützt hybride Suche, die lexikalische und Vektorabfragen kombiniert und die Scores zusammenführt. Damit haben Sie die Bausteine, die Standard-Suchintegration von Magento nutzt sie aber nicht für Sie. Rechnen Sie mit einem individuellen Modul, das:

• bei der Indexierung Embeddings für Produkttexte erzeugt (oder das OpenSearch über eine Ingest-Pipeline übernehmen lässt),
• sie in einem knn_vector -Feld neben dem regulären Produktindex speichert,
• bei der Suche eine hybride Abfrage ausführt, damit exakte Treffer bei SKU und Marke weiterhin vorne liegen.

Behalten Sie das Keyword-Matching bei. Kunden, die eine Teilenummer eingeben, wollen genau dieses Teil – eine reine Vektorsuche liefert womöglich stattdessen „ähnliche“ Artikel.

3. Support-Antworten auf Basis Ihrer Daten

Ein generischer Chatbot, der Lieferzeiten rät oder Rückgaberegeln erfindet, kostet Sie mehr, als er einspart. Das Muster, das funktioniert, ist Retrieval-Augmented Generation (RAG): Der Assistent schlägt zuerst Fakten nach und formuliert dann eine Antwort ausschließlich auf Basis dessen, was er gefunden hat.

Typische Quellen in einem Magento-Shop:

• Katalogdaten für Produktfragen (Spezifikationen, Lagerstatus, Kompatibilität).
• CMS-Seiten für Versand-, Rückgabe- und Garantiebedingungen.
• Bestelldaten für Fragen wie „Wo ist meine Bestellung?“ – über die REST- oder GraphQL-API und erst nach der Authentifizierung des Kunden.

Geben Sie dem Assistenten schreibgeschützte API-Zugangsdaten, die auf die benötigten Daten beschränkt sind. Legen Sie eine klare Übergaberegel fest: Alles, was Erstattungen, Beschwerden, Kontoänderungen oder unsichere Antworten betrifft, geht samt Gesprächsverlauf an einen menschlichen Mitarbeiter.

Wenn Sie Kunden in der EU bedienen, gelten ab dem 2. August 2026 die Transparenzpflichten aus Artikel 50 des EU AI Act. Für Chatbots bedeutet das laut Europäischer Kommission: Menschen müssen ab der ersten Interaktion klar darüber informiert werden, dass sie mit einem KI-System interagieren, sofern dies nicht offensichtlich ist.

4. Automatisierung in Admin und Backoffice

Einige der besten Ergebnisse entstehen bei Aufgaben, die Kunden nie sehen:

• Eingehende Support-E-Mails klassifizieren und an die richtige Warteschlange weiterleiten.
• Kategoriezuordnungen und Attributwerte für neue Produkte aus Lieferantendaten vorschlagen.
• Produktbewertungen für Merchandiser zu Vor- und Nachteilen zusammenfassen.
• Fehlende oder widersprüchliche Attributdaten markieren, bevor ein Produkt live geht.
• Entwicklern bei Upgrades helfen, fremden Extension-Code zu verstehen – wobei ein Mensch jede Änderung prüft.

Diese Aufgaben laufen als geplante Jobs oder Queue-Consumer gegen die Magento-API. Sie lassen sich daher leicht pilotieren, messen und wieder abschalten.

5. KI-Shopping-Agenten und Commerce-Protokolle

Ein neueres Thema sind KI-Agenten, die im Auftrag von Kunden stöbern und einkaufen. Im Februar 2026 kündigte Adobe an, dass Adobe Commerce das Universal Commerce Protocol (UCP, unter Federführung von Google) und das Agentic Commerce Protocol (ACP, gemeinsam von OpenAI und Stripe entwickelt) unterstützen wird – aufbauend auf der bereits bestehenden Unterstützung für das Agent Payments Protocol (AP2). Ziel ist es, Katalog, Preise und Bestand für KI-Shopping-Oberflächen maschinenlesbar zu machen.

Für die meisten Händler ist das vorerst ein Thema zum Beobachten. Die sinnvolle Vorbereitung ist heute dieselbe Arbeit, die auch Suche und SEO hilft: vollständige, korrekte und strukturierte Produktdaten, saubere GraphQL- und REST-APIs sowie korrekte strukturierte Daten auf den Produktseiten.

Risiken, die Sie einplanen sollten

Klein anfangen – so geht's

1. Wählen Sie einen Anwendungsfall mit einer messbaren Kennzahl. Anteil der Suchen ohne Ergebnis, Zeit bis zur Veröffentlichung eines neuen Produkts oder Anteil der Support-Tickets, die ohne Mitarbeiter gelöst werden.
2. Messen Sie den Ausgangswert zwei bis vier Wochen lang, bevor Sie etwas ändern.
3. Starten Sie einen Pilot in einem Teilbereich. Eine Kategorie, eine Store View oder Chat auf nur einem Seitentyp.
4. Behalten Sie Menschen im Prozess bei allem, was Kunden oder Suchmaschinen sehen.
5. Entwickeln Sie außerhalb des Cores. Nutzen Sie die API, Message Queues und separate Dienste, damit Sie den Modellanbieter wechseln können, ohne den Checkout anzufassen.
6. Ziehen Sie nach 30 Tagen Bilanz und entscheiden Sie, ob Sie skalieren, anpassen oder stoppen.

Ein einfacher Batch-Job für Content-Entwürfe kann so klein sein – ausgeführt in einem separaten Dienst statt innerhalb von Magento:

# 1. Pull products missing a description (admin token with catalog read scope)
curl -s -H "Authorization: Bearer $TOKEN" \
  "https://example.com/rest/V1/products?searchCriteria[pageSize]=50&searchCriteria[filter_groups][0][filters][0][field]=description&searchCriteria[filter_groups][0][filters][0][condition_type]=null" \
  > products.json

# 2. Generate drafts with your model provider, write them to a review sheet
# 3. After approval, push with PUT /rest/V1/products/{sku}

Häufig gestellte Fragen

Brauche ich Adobe Commerce, um KI-Funktionen zu nutzen?

Nein. Von Adobe gehostete Dienste wie die semantische Suche in Live Search setzen Adobe Commerce voraus. Content-Generierung, RAG-Support-Assistenten und Vektorsuche mit OpenSearch lassen sich jedoch über die Standard-APIs und individuelle Module auf Magento Open Source umsetzen.

Schaden KI-generierte Produktbeschreibungen meinem SEO?

Nicht an sich. Die Richtlinien von Google zielen auf Inhalte, die massenhaft ohne Mehrwert für Nutzer erzeugt werden. Korrekte, geprüfte Beschreibungen auf Basis echter Produktattribute sind unproblematisch. Das Risiko sind Tausende ungeprüfte, nahezu identische Texte.

Ist die semantische Suche auch in anderen Sprachen als Englisch verfügbar?

Für Adobe Live Search nennt die Adobe-Dokumentation die semantische Suche derzeit nur für englischsprachige Kataloge. Ein individuelles OpenSearch-Setup kann mehrsprachige Embedding-Modelle verwenden, die Relevanz müssen Sie aber für jede Sprache selbst testen.

Darf ich Bestelldaten unter der DSGVO an ein LLM senden?

Das ist rechtmäßig möglich, aber behandeln Sie den Modellanbieter als Auftragsverarbeiter: Schließen Sie einen Auftragsverarbeitungsvertrag ab, senden Sie nur die zur Beantwortung nötigen Felder, klären Sie, wie lange Daten gespeichert und ob sie zum Training verwendet werden, und dokumentieren Sie die Verarbeitung in Ihrem Verzeichnis. Lassen Sie das Setup von Ihrer Datenschutzberatung prüfen.

Quellen

• Adobe Experience League: Live Search semantic search
• Adobe Experience League: What is Live Search?
• Adobe-Blog: Adobe Commerce commits to agentic commerce standards
• Adobe Commerce 2.4.9 Release Notes
• Release Notes zu Adobe Commerce 2.4.8
• OpenSearch-Dokumentation: Vector search
• OpenSearch-Blog: Building effective hybrid search
• Google Search Central: Guidance on generative AI content
• Google Search Central: Spam policies
• Europäische Kommission: Transparenzpflichten nach Artikel 50 des AI Act