KI für Amazon Content: Der 4-Schritte-Prozess für bessere Listings

Jonas Zeppenfeld: Genau. Gerade in den letzten Wochen und Monaten hat sich im KI-Bereich extrem viel getan. Die neuen Tools heben das Ganze nochmal auf ein anderes Level. Wenn du heute noch ein komplettes internes Designteam für Amazon-Content brauchst, solltest du dir zumindest anschauen, welche neuen Möglichkeiten es inzwischen gibt. Denn wir können mittlerweile Aufgaben, für die früher mehrere Personen einen ganzen Tag gebraucht haben, zu großen Teilen allein und deutlich effizienter umsetzen – oft sogar mit besserem Output. Unser Prozess besteht aus vier Schritten. Der erste Schritt ist die Listing Intelligence. Also: Welche Informationen habe ich zu meinem Produkt? Welche Informationen liefern mir Kundenbewertungen? Welche Fragen, Wünsche oder Probleme tauchen in Rezensionen und im Support auf? Im zweiten Schritt lassen wir daraus mit KI einen Value Stack erstellen. Also eine strukturierte Nutzenargumentation mit USPs und klaren Verkaufsargumenten. Im dritten Schritt bauen wir daraus eine Bildsequenz. Also eine logische Reihenfolge für die Amazon-Bilder. Und im vierten und letzten Schritt veredeln wir das Ganze mit Canva, damit die Inhalte am Ende auch wirklich visuell zur Marke passen. Im Grunde ist das eine Kombination aus einem LLM – zum Beispiel ChatGPT – und Canva. Das ist aus unserer Sicht aktuell eine der besten Lösungen. Wir haben dabei ungefähr eine 80/20-Verteilung: 80 Prozent übernimmt die KI, 20 Prozent machen wir noch manuell. Jonas Zeppenfeld: Gehen wir direkt in den ersten Schritt: Listing Intelligence. Dafür sammeln wir zunächst alle relevanten Produktinformationen. Dazu gehören natürlich die Produktdaten selbst, aber auch Kundenbewertungen, Support-Erfahrungen und typische Rückfragen. Vieles kann man manuell zusammentragen, einiges kann man sich auch per KI-Recherche strukturieren lassen. Außerdem schauen wir auf typische Missverständnisse rund um das Produkt. Also Dinge, die Kunden nicht direkt verstehen oder bei denen sie unsicher sind. Solche Erkenntnisse kommen oft aus Support-Nachrichten oder aus Bewertungen. Dann geben wir der KI zusätzlich alles mit, was wichtig ist: Informationen zu Compliance, Zertifikaten, möglichen Health Claims und allem, was kommuniziert werden darf – oder eben nicht. Das Ziel ist, wirklich alle relevanten Informationen an einem Ort zu bündeln. Jonas Zeppenfeld: Im zweiten Schritt machen wir daraus dann den Value Stack. Was ist damit gemeint? Der Value Stack ist im Grunde die strukturierte Antwort auf die Frage: Warum sollte ein Kunde genau dieses Produkt kaufen? Ganz oben steht dabei das Big Promise. Also das zentrale Nutzenversprechen: Was hat der Kunde konkret davon? Darunter kommen die tragenden Säulen – also die inhaltlichen Begründungen, warum dieses Versprechen glaubwürdig ist. Das sind Bündel aus Produkteigenschaften, Vorteilen und Besonderheiten. Dann folgt eine Liste der wichtigsten USPs, also der zentralen Verkaufsargumente. Davon ruhig zehn bis fünfzehn Punkte, wenn sie wirklich relevant sind. Wichtig ist außerdem, dass auch Zertifikate, Nachweise und vertrauensbildende Faktoren enthalten sind. Und ebenso wichtig: die Objection Buster. Also die Argumente gegen mögliche Einwände. Wenn ein Kunde innerlich schon abspringen will, weil er denkt: „Vielleicht ist das Produkt doch nichts für mich“, dann müssen genau diese Zweifel im Value Stack abgefangen werden. Das ist die Grundlage für das Briefing, aus dem später die Bilder entstehen. Jonas Zeppenfeld: Im dritten Schritt geht es dann um die Bildsequenz. Hier überlegen wir: Welche Inhalte sollen in welcher Reihenfolge auf den Amazon-Bildern erscheinen? Welche Botschaft kommt zuerst? Was folgt danach? Wie transportieren wir das Big Promise, die USPs und die Vertrauenselemente visuell sinnvoll? Für die eigentliche Bildgenerierung empfehlen wir aktuell – aus unserer Erfahrung – besonders Gemini beziehungsweise die dort verfügbaren Bildmodelle. Gerade bei konsistenten Logos, Stilrichtungen und wiederkehrenden Elementen liefert das derzeit sehr gute Ergebnisse. Wichtig ist dabei: Das Content-Briefing entsteht nicht automatisch perfekt. Das muss man sauber vorbereiten. Man kann dafür ChatGPT oder andere LLMs nutzen. Aber die Qualität des Outputs hängt stark davon ab, wie gut das Briefing ist. Danach erzeugen wir die Bilder einzeln und arbeiten iterativ. Also nicht mit der Erwartung, dass direkt im ersten Versuch das perfekte Endergebnis entsteht. Vielmehr holen wir uns Inspiration, verbessern Schritt für Schritt und bauen daraus eine Vorlage, die wir weiterentwickeln können. Genau das ist auch der Kern dieser 80/20-Logik: Wir erwarten nicht, dass die KI sofort das finale Ergebnis liefert. Sie bringt uns aber extrem schnell auf ein sehr hohes Niveau. Jonas Zeppenfeld: Im vierten Schritt geht es dann um den Feinschliff und die Markenanpassung in Canva. Hier sorgen wir dafür, dass die Ergebnisse am Ende wirklich zur Marke passen: richtige Schriftarten, korrekte Farben, passende Abstände, saubere Hintergründe, visuelle Klarheit. Natürlich kann man auch versuchen, solche Dinge schon direkt in der KI mitzugeben. Aber unsere Erfahrung ist: Wenn du später noch Texte anpassen willst, wenn du A/B-Tests machen möchtest oder wenn du einfach flexibel bleiben willst, dann ist es deutlich sinnvoller, diese letzten Feinheiten manuell in Canva zu machen. Die letzten 20 Prozent sind oft die, die am Ende die Markenqualität ausmachen.

Torsten Schuh: Ich glaube, wichtig ist nochmal zu betonen, wie viel Zeit man damit sparen kann. Du hast ja gesagt: Im ersten Schritt werden die Produktdaten gesammelt. Danach erstellt man auf dieser Basis mit KI ein Content-Briefing. Anschließend baut man daraus Bildsequenzen auf, die dann nochmal feinjustiert und final überarbeitet werden. Das ging gerade vielleicht etwas schnell, aber im Kern ist es genau das: ein klarer Ablauf, mit dem man viel schneller zu guten Ergebnissen kommt. Jeder, der damit schon einmal gearbeitet hat, weiß, wie schnell man sich sonst verlieren kann. Man kann sich ewig mit einzelnen Varianten aufhalten, bis man irgendwann das Gefühl hat, ein gutes Ergebnis zu haben. Deshalb ist so ein strukturierter Prozess extrem hilfreich. Und ich kann nur unterstreichen: Gerade bei Themen wie konsistente Logos oder wiederkehrende Markenelemente ist das aktuell wirklich stark. Wenn man sich überlegt, dass man dadurch potenziell nicht mehr vier oder fünf Leute für bestimmte Aufgaben braucht, sondern allein schon sehr weit kommt, dann ist das schon beeindruckend.

Jonas Zeppenfeld: Ja, absolut. Man kann inzwischen schon sehr vieles komplett über KI lösen. Diese Kombination aus LLM, Bildgenerierung und Canva funktioniert für uns aktuell sehr gut. Natürlich gibt es immer noch Punkte, bei denen Menschen genauer hinschauen – zum Beispiel, ob die Reihenfolge sauber ist, ob die Textabstände stimmen oder ob bestimmte Markendetails perfekt umgesetzt sind. Das sind Dinge, die man in Canva oft noch besser kontrollieren kann. Aber wenn du nicht jedes einzelne Detail maximal perfektionieren musst, sondern als Markeninhaber einfach sehr guten Amazon-Content möglichst effizient erstellen willst, dann ist das heute schon extrem stark. Es gibt natürlich auch Tools, die genau solche Lösungen anbieten. Aber im Kern machen sie oft nichts anderes, als Bildmodelle und Textmodelle miteinander zu verbinden. Deshalb ist es gerade so spannend: Man kann sich inzwischen selbst sehr leistungsfähige Workflows bauen. Und ich bin sehr gespannt, wie schnell sich das Ganze weiterentwickelt. Es kann gut sein, dass eine Folge wie diese schon bald wieder teilweise überholt ist, weil die Tools sich aktuell in einer enormen Geschwindigkeit weiterentwickeln. Deshalb kann ich nur raten: Dranbleiben.

Torsten Schuh: Definitiv. Wenn man sich anschaut, was allein in den letzten sechs Monaten passiert ist – von KI-generierten Texten über Bilder bis hin zu kompletten Workflows – dann sieht man, wie schnell sich alles verändert. Und ich finde vor allem den Gedanken spannend, dass man irgendwann einfach nur noch ein Ziel formuliert und im Hintergrund mehrere KI-Agenten zusammenarbeiten, um ein perfektes Ergebnis zu erzeugen. Da wird in den nächsten Monaten und Jahren noch sehr viel passieren. Bis dahin muss man mit den verfügbaren Tools pragmatisch arbeiten. Und ich finde, das, was du beschrieben hast, ist dafür ein sehr guter und realistischer Ansatz. Wenn dich das Thema interessiert und du die Prompts haben möchtest, dann melde dich gerne. Probier es aus, teste ein bisschen und lass deiner Kreativität freien Lauf. Jonas, hast du noch einen letzten Tipp zum Abschluss?

Jonas Zeppenfeld: Ja, einen ganz klaren: Wenn du das erste Mal mit Gemini oder ähnlichen Tools arbeitest, dann versuch nicht, direkt zu präzise zu prompten. Gib der KI am Anfang ruhig etwas Spielraum. Oft entstehen gerade dann Ergebnisse, auf die man selbst so gar nicht gekommen wäre. Also lieber am Anfang etwas gröber starten, sich inspirieren lassen und dann iterativ besser werden.

Torsten Schuh: Das ist ein schönes Schlusswort. Nicht nur in den eigenen Gedanken festhängen, sondern auch bewusst Raum für neue Ideen lassen – auch durch KI. Wir sind gespannt, was du daraus machst, und wünschen dir viel Erfolg beim Ausprobieren. Wenn du Unterstützung brauchst, melde dich gerne. Die Kontaktdaten findest du wie immer in der Beschreibung. Danke, dass du dabei warst. Und Jonas, danke dir für die Tipps und den Einblick in den Prozess.

Jonas Zeppenfeld: Ja, danke dir auch, Torsten.

Torsten Schuh: Gerne. Und damit würde ich sagen: Bis dann, auf Wiedersehen. Jonas Zeppenfeld: Ciao, ciao!