Was die Forscher tatsächlich verglichen haben
Im Dezember 2023 fanden bei einem einzigen, nicht genannten grenzüberschreitenden Händler fünf randomisierte Teilversuche statt. Jeder dauerte eine Woche. Die Beschreibungen waren auf Englisch, Spanisch, Französisch, Portugiesisch und Koreanisch verfasst. Aus diesen Sprachen lassen sich die Länder der Teilnehmenden nicht ableiten.
In die Analyse gingen 4.772.937 Verbraucherbeobachtungen nach Klicks auf ausgewählte Produktdetailseiten ein. Das sind weder ausschließlich Käufer noch sämtliche Shopbesucher. Die KI-Beschreibungen wurden zu vorhandenen menschlichen Texten hinzugefügt; wo Text fehlte, lieferten sie erstmals eine Beschreibung. Die Kontrollgruppe behielt den bisherigen Zustand. Es ging also nicht darum, menschliche Texte durch KI zu ersetzen.
Studie und Tabellen lesenAusgaben sind nicht Bestellungen oder Gewinn
Die im Papier als Verkäufe bezeichnete Größe ist die gesamte Ausgabe für Produktbestellungen in US-Dollar je Verbraucher. Geschätzt wurde ein Plus von 0,0104 USD je Verbraucher. Tabelle C5 weist einen relativen Effekt von 2,05 Prozent aus; Tabelle 4 rundet ihn auf 2,1 Prozent.
Damit ist weder ein Anstieg der Bestellzahl um 2,1 Prozent noch eine Verbesserung der Conversion-Rate um 2,1 Prozentpunkte belegt. Auch Gewinn, Marge und Jahresumsatz wurden damit nicht bestimmt. Der Effekt ist auf dem Fünfprozentniveau statistisch signifikant. Das beschreibt die Evidenz in diesem Versuch, nicht die Wiederholbarkeit in einem anderen Shop.
Studie und Tabellen lesenDie Ausgangslage des Katalogs zählt
Bei fast der Hälfte der direkt von der Plattform verkauften Produkte fehlte Text oder war nur in sehr knapper Form vorhanden. Die Studie zeigt deshalb keinen allgemeinen Sieg von KI über vollständige, sorgfältig erstellte menschliche Beschreibungen. Die Ausgangslage war somit häufig eine knappe Produktbeschreibung, nicht ein bereits ausgereifter Text.
Für die englischen Texte betrachten die Autoren außerdem kurze und lange Ausgangsbeschreibungen getrennt. Der Unterschied der relativen Effekte zwischen diesen Gruppen erreicht das übliche Fünfprozentniveau nicht. Daraus folgt weder eine feste Wortzahlregel noch der Nachweis, dass die kürzesten Texte grundsätzlich die beste Investition sind.
Studie und Tabellen lesenWelche Entscheidung vor dem Textauftrag steht
Für einen sinnvollen Auftrag sollte zunächst feststehen, welche belegbare Produktinformation fehlt und welche Käuferfrage sie beantwortet. Dazu gehören die passenden Zielgruppen, belastbare Produktdaten und eine verantwortliche Person, die Aussagen freigibt. Mehr Text allein ist noch kein nachgewiesener Nutzen.
Benennen Sie anschließend das relevante Geschäftsergebnis und die vollständigen Kosten für Vorbereitung, Prüfung und Pflege. Auch Nutzungsrechte an Materialien müssen geklärt sein. So entsteht ein abgrenzbarer Content-Auftrag. Kataloganbindung, Experimente oder automatische Veröffentlichung sind nicht schon deshalb enthalten, weil KI bei der Texterstellung eingesetzt wird.
Was sich nicht übertragen lässt
Die im Juni 2026 überarbeitete Version v6 ist ein Preprint. Sie untersucht kurze Versuche aus dem Jahr 2023 bei einem Händler, keinen Leistungsvergleich heutiger Modelle. SEO-Platzierungen, Zitate in KI-Assistenten und die Rentabilität eines anderen Unternehmens wurden nicht gemessen.
Das Ergebnis spricht dafür, echte Informationslücken genauer anzusehen und eine passende Messgröße festzulegen. Es erlaubt weder ein identisches Erfolgsversprechen noch die direkte Hochrechnung der Prozentzahl auf den Jahresumsatz. Eine Entscheidung sollte zum eigenen Ausgangszustand passen, nicht nur zur Überschrift der Studie.
Studie und Tabellen lesenWir können einen Content-Auftrag mit Quellen, Prüfkriterien und vereinbartem Umfang innerhalb unserer bestehenden Leistungen abgrenzen.
Produkt-Content besprechenOffizielle Quellen
Die Autoren legen offen, dass Fang und Yuan den Handelspartner beraten haben und Zhang dort beschäftigt war.
Studie und Tabellen lesenGenerative AI and Sales Productivity: Field Experiments in Online Retail · Fang, Yuan, Zhang, Donati, Sarvary · arXiv:2510.12049v6CC BY 4.0