Mode-Onlineshop: Styling-Texte und Bewertungsanalyse mit Claude Code beschleunigen

Es war ein Freitagabend, als die Ansage kam: 50 neue Artikel sollten am Montag online sein.

Die Fotos waren fertig. Die Maße aufgenommen. Aber für jeden Artikel sollte ich drei Varianten an Styling-Texten schreiben und aus alten Bewertungen die Argumente herausziehen, die sich gut verkaufen. 50 Artikel mal 3 Varianten, das sind 150 Texte. Dazu sollte ich aus den Bewertungen Klagen über Passform und Stoff herauslesen und in die Produktbeschreibungen einarbeiten.

Ich saß da mit 20 offenen Browser-Tabs zum Kopieren der Bewertungen und murmelte um 23 Uhr vor mich hin: “Heute schaffe ich das nicht.” In einem Mode-Onlineshop bleibst du bei der Textarbeit hängen, sobald Fotos und Maße erledigt sind.

Gerettet hat mich damals Claude Code. Ich gab die Entwürfe der Texte und das Sortieren der Bewertungen ab und übernahm selbst die Rolle, die “so redet unsere Marke nicht”-Stellen zu korrigieren. So bekamen die 150 Texte über Nacht Form. Heute gebe ich dir diesen Ablauf in einer Form, die du direkt kopieren kannst.

Das Wichtigste in Kürze

• Gibst du der KI “Modell, Anlass, Passform”, entstehen die Styling-Texte als Serie von Entwürfen. Der Mensch korrigiert nur Tonfall und Markenstimme.
• Die Bewertungsanalyse endet nicht beim Sternezählen. Tagge nach drei Achsen — Passform, Stoff, Versand — und leite daraus konkrete Produktverbesserungen ab.
• Der KI überlässt du Entwurf, Klassifizierung und Zusammenfassung. Rabattentscheidungen, Bestandsangaben und rechtlich heikle Absolutaussagen stoppt immer der Mensch.
• Es reicht, Produktname oder Artikelnummer zu übergeben. Kundennamen und E-Mails gibst du der KI niemals — das ist die eiserne Regel beim Datenschutz.
• Bei 50 Artikeln schrumpften vier Stunden Handarbeit auf rund 30 Minuten. Auf den Stundenlohn umgerechnet rechnet sich das.

Mode-Onlineshop: Wo bleibst du in der Texterstellung hängen?

Zuerst zur Zielgruppe. Dieser Artikel richtet sich an alle, die in einem Mode-Onlineshop die Produktseiten bauen. Du machst die Fotos, nimmst Maße auf, schreibst die Texte und beobachtest nach dem Launch die Bewertungen, um nachzubessern. Oft betreust du mehrere Marken gleichzeitig.

Der Arbeitsablauf sieht meist so aus:

1. Neue Ware fotografieren und vermessen
2. Produktname, Material und Größentabelle eintragen
3. Styling-Vorschläge und Kombinations-Texte schreiben
4. Veröffentlichen und Trends in den Bewertungen lesen, sobald welche eingehen
5. Klagen über Passform und Stoff in die nächste Beschreibung und in den Einkauf einfließen lassen

Hängen bleibst du bei Schritt 3 und 5. Ein Text dauert 15 Minuten, bei 50 Artikeln ist das ein ganzer Tag. Die Bewertungsanalyse bleibt oft bei “viele 3-Sterne” stehen, ohne das Warum in Worte zu fassen — und schon kommt die nächste Lieferung. So wiederholt sich dieselbe Passform-Klage ein halbes Jahr lang. Das ist der stille Verschleiß im Mode-E-Commerce.

Falls du Claude Code zum ersten Mal nutzt, richte zuerst deine Umgebung mit dem Einstiegs-Leitfaden zu Claude Code ein, dann laufen die folgenden Schritte direkt durch.

Anwendungsfall 1: Styling-Texte je Artikel in drei Varianten entwerfen

Als Erstes wirkt die Textproduktion in Serie. Übergibst du Artikelnummer, Kategorie, Material und gedachten Anlass, kommen drei Entwürfe mit unterschiedlichem Tonfall heraus. Der Mensch trifft nur die Auswahl und justiert die Formulierungen.

Was die KI übernimmt und was der Mensch entscheidet, trenne ich in einer Tabelle.

Schritt	Übernimmt die KI	Entscheidet immer der Mensch
Kombinations-Ideen	Ja, 5 Vorschläge	Prüfen, ob die Kombi im Lager vorrätig ist
Entwurf des Textes	Ja, 3 je Anlass	An Markenstimme und Tonfall anpassen
Material- und Pflegehinweise	Nur Rohfassung	Auf Widerspruch zum Pflegeetikett prüfen
Absolutaussagen wie “günstigste” oder “garantiert”	Nicht erzeugen lassen	Aus Sicht des Wettbewerbsrechts streichen

Hier der Prompt zum Kopieren für die Texterstellung. Er ist darauf ausgelegt, direkt auf die Produktseite zu kommen, und enthält die Anweisung, übertriebene Absolutaussagen zu vermeiden.

Du bist Texter:in für einen Mode-Onlineshop. Schreibe für das folgende
Produkt drei Varianten an Styling-Vorschlägen.

# Produktinfo
- Artikelnummer: KN-2026SS-014
- Kategorie: Oversize-Strickpullover
- Material: Baumwolle 60 %, Acryl 40 %
- Farben: Elfenbein / Mokka
- Gedachte Anlässe: Büro, Café am Wochenende, Einkauf in der Nähe

# Bedingungen
- Jede Variante 120-160 Zeichen, höfliche Sie-Form
- Pro Variante mindestens ein Kombi-Teil (Hose oder Accessoire) nennen
- Keine Absolutaussagen wie "günstigste", "garantiert", "medizinisch"
- Keine Größenangaben, stattdessen auf Stimmung und Anlass konzentrieren

Ausgabe in diesem Format:
Variante 1: Text
Variante 2: Text
Variante 3: Text

Der entscheidende Punkt ist die Bedingung “keine Absolutaussagen”. Mode-Texte geraten leicht mit dem Wettbewerbsrecht in Konflikt, und Sätze wie “macht garantiert schlank” später wieder zu entfernen, kostet überraschend viel Zeit. Verbietest du das gleich in der ersten Anweisung, sinkt der Korrekturaufwand.

Anwendungsfall 2: Bewertungen nach drei Achsen taggen und in Verbesserungen umsetzen

Der zweite Fall ist die Bewertungsanalyse. Nur Sterne zählen schafft jede Tabellenkalkulation. Wert entsteht erst, wenn du die Freitexte in drei Achsen sortierst — Passform, Stoff/Qualität, Versand/Verpackung — und bis zur Verbesserungsmaßnahme in Worte fasst.

Hier eine Checkliste für die Bewertungsklassifizierung. Prüfst du die KI-Ausgabe daran, fällt weniger durch.

• Sind Passform-Aussagen nach “zu groß / zu klein / normal” klassifiziert?
• Sind Stoff-Klagen mit konkreten Worten erfasst (“dünn”, “kratzt”, “Knötchenbildung”)?
• Sind Versand und Verpackung nicht mit der Produktbewertung vermischt?
• Ist gezählt, wie oft dieselbe Klage vorkommt?
• Sind die Maßnahmen nach “nächste Lieferung” und “Beschreibung korrigieren” aufgeteilt?

Hier die Prompt-Vorlage zum Sortieren der Bewertungen. Für die leichte Auswertung lässt du sie als Tabelle zurückgeben.

Unten stehen Bewertungstexte zu einem Produkt. Tagge jede einzeln nach
den folgenden drei Achsen und gib am Ende drei Verbesserungsvorschläge.

# Achsen
1. Passform: zu groß / zu klein / normal / nicht erwähnt
2. Stoff & Qualität: gut / Klage (Inhalt) / nicht erwähnt
3. Versand & Verpackung: gut / Klage (Inhalt) / nicht erwähnt

# Ausgabe
| Nr | Passform | Stoff & Qualität | Versand & Verpackung | Kurzfazit |
Trenne nach der Tabelle unter "## Verbesserungsvorschläge", was bei der
nächsten Lieferung zu ändern ist und was die Beschreibung vorab abfangen kann.

# Bewertungstexte
(hier jede Bewertung in einer Zeile einfügen)

Der Trick ist, dir die Punkte ausgeben zu lassen, die “die Beschreibung vorab abfangen kann”. Steht etwa fünfmal “dünner als gedacht”, reicht es, vor dem Stoffwechsel in die Beschreibung “ein leichter, dünner Stoff für luftigen Tragekomfort” zu schreiben, und die Erwartungslücke schrumpft. Dass die Sterne steigen, ohne den Einkauf zu ändern, ist gar nicht selten.

Anwendungsfall 3: Die Textqualität maschinell prüfen

Der dritte Fall ist die Prüfung. Kontrollierst du 150 Texte nur mit dem Auge, rutschen Zeichenüberschreitungen und verbotene Wörter durch. Diesen Teil überlässt du einem maschinellen Türsteher.

Das Skript unten liest ein JSON mit den erzeugten Texten und prüft automatisch Zeichenzahl und verbotene Wörter. Mit Node.js läuft es direkt. Die Absolutaussagen, die im Mode-E-Commerce schnell zur Falle werden, stehen in NG_WORDS — ergänze sie nach deinen eigenen Formulierungsregeln.

import { readFile } from "node:fs/promises";

// Prüfobjekt: JSON mit einem Array aus [{ id, text } ...]
const items = JSON.parse(await readFile("./proposals.json", "utf8"));

const NG_WORDS = ["günstigste", "garantiert", "garantiert schlank", "medizinisch", "Nr. 1", "der beste"];
const MIN = 120;
const MAX = 160;

let ng = 0;
for (const item of items) {
  const len = [...item.text].length; // nach Codepoints zaehlen
  const hits = NG_WORDS.filter((w) => item.text.toLowerCase().includes(w.toLowerCase()));
  const problems = [];
  if (len < MIN || len > MAX) problems.push(`Zeichenzahl ${len} (erwartet ${MIN}-${MAX})`);
  if (hits.length) problems.push(`verbotene Woerter: ${hits.join(", ")}`);

  if (problems.length) {
    ng++;
    console.log(`NG ${item.id}: ${problems.join(" / ")}`);
  }
}

console.log(`\nVon ${items.length} Texten muessen ${ng} korrigiert werden`);
process.exit(ng === 0 ? 0 : 1);

proposals.json sieht so aus. Lässt du die Texte gleich in dieser Form erzeugen, klappt die Verknüpfung leichter.

[
  { "id": "KN-2026SS-014-A", "text": "Ein weich wirkender Oversize-Strickpullover. ..." },
  { "id": "KN-2026SS-014-B", "text": "Ein gepflegtes Teil, das auch ins Büro passt. ..." }
]

Lässt du dieses Skript vor dem Launch einmal laufen, stoppst du verbotene Wörter und Zeichenfehler rechtzeitig. Schreibst du solche Regeln in deine CLAUDE.md, greift die KI sie jedes Mal auf — wirf darum auch einen Blick auf die Best Practices für CLAUDE.md, dann läuft der Betrieb stabiler. Wer die Prompts noch eine Stufe schärfer machen will, findet in fortgeschrittenem Prompt-Engineering Anregungen.

Was sich vor und nach der Einführung verändert hat

In Zahlen wird der Effekt deutlich. Es ist meine grobe Schätzung, aber als Anhaltspunkt taugt sie.

Aufgabe	Vorher	Nachher
Texte 50 Artikel x 3	ca. 4 Stunden (anteilig, 15 Min pro Text)	ca. 30 Minuten (Entwurf + Tonfall)
Trend aus 100 Bewertungen	ca. 2 Stunden	ca. 20 Minuten
Zeichen- und Wortprüfung vor Launch	per Auge, mit Lücken	per Skript, automatisch, 0 Lücken

Grob gesagt blieben bei Texten und Bewertungen pro Monat rund 10 Stunden übrig. Bei 20 Euro Stundenlohn sind das 200 Euro im Monat. Dass ich die gewonnene Zeit in Foto-Regie und Einkaufsentscheidungen stecken konnte, wirkte mehr als der reine Geldwert.

Was die KI übernimmt und wo der Mensch immer stoppt

Gibst du aus Bequemlichkeit alles ab, kommt es im Mode-E-Commerce zu Unfällen. Darum ziehe ich eine klare Linie.

Abgeben darfst du Entwurf, Klassifizierung, Zusammenfassung und Formatprüfung. Die Rohfassung der Texte, das Taggen der Bewertungen, das Sammeln von Verbesserungsideen — da ist die KI schnell.

Der Mensch stoppt immer Folgendes:

• Die endgültige Entscheidung über Rabatt- und Sale-Formulierungen (hängt direkt an Einkaufspreis und Marge)
• Absolutaussagen wie “garantiert” oder “günstigste” (Risiko nach Wettbewerbs- und Heilmittelrecht)
• Angaben zu Bestand und Liefertermin (ein Tippfehler wird zur Lieferbeschwerde)
• Formulierungen, die die Markenwelt betreffen (mechanischer Tonfall vertreibt Leser)

Willst du diese Linie in einem Team aus Nicht-Entwicklern teilen, lass alle einmal die Einführung in Claude Code für Nicht-Entwickler lesen, dann entsteht ein gemeinsames Gespür dafür, was man abgeben darf.

Datenschutz und Sicherheit

Hier darfst du nicht nachlässig sein. In Bewertungen schleichen sich manchmal Käufernamen, Bestellnummern oder Teile von Adressen in den Text. So etwas direkt in die KI zu kopieren, vermeidest du.

Die Regeln in der Praxis sind einfach:

1. An die KI gibst du nur Produktname, Artikelnummer, Kategorie, Material und bereits veröffentlichte Bewertungstexte.
2. Name, E-Mail, Telefon, Bestellnummer und Adresse der Kundschaft maskierst du vorher.
3. Steht ein Personenname im Bewertungstext, ersetzt du ihn vor dem Einfügen.
4. Vertrauliche Einkaufspreise und Lieferantennamen gibst du nicht ein.

Personennamen in Bewertungen verhinderst du meist schon, indem du vor dem Einfügen im Editor die Eigennamen mit Anrede (“Herr”, “Frau”) schwärzst. Das wirkt aufwendig, aber lässt du es weg, verlierst du auf einen Schlag das Vertrauen — also machst du es immer.

Häufige Fragen

F. Meine erzeugten Texte klingen alle gleich. A. Schreib in den Prompt ausdrücklich “die 3 Varianten im Tonfall variieren (gepflegt / casual / entspannt)”. Änderst du nur den Anlass, bleibt der Wortschatz ähnlich — fügst du eine eigene Tonfall-Achse hinzu, streuen die Texte stärker.

F. Ich habe Hunderte Bewertungen und kann sie nicht alle einfügen. A. Gib nicht alles auf einmal hinein, sondern in 50er-Päckchen mit demselben Prompt und führe am Ende nur die Auswertungstabellen zusammen. Je mehr es sind, desto mehr lohnt sich das maschinelle Auswerten mit dem Prüfskript aus Anwendungsfall 3.

F. Es nervt, den Markentonfall jedes Mal anzugeben. A. Fasse Tonfall, Verbotswörter und bevorzugte Formulierungen deiner Marke in der CLAUDE.md zusammen, dann erübrigt sich die Anweisung jedes Mal. Dass das Team sie teilen kann, ist ein weiterer Vorteil.

F. Darf ich die erzeugten Texte direkt veröffentlichen? A. Behandle sie als Entwurf. Tonfall, Markenstimme und Absolutaussagen prüft der Mensch — das ist Voraussetzung. Das Skript aus Anwendungsfall 3 ist eine Hilfe, nicht die letzte Entscheidung.

Was beim echten Test herauskam

Den “50 Artikel am Montag online” aus dem Anfang habe ich tatsächlich nach diesem Ablauf abgewickelt.

Die Texte erzeugte ich, indem ich Artikelnummer, Material und Anlass übergab — drei Varianten je Artikel. Die 150 Entwürfe lagen in etwa 20 Minuten vor, und ich machte nur die Tonfall-Vereinheitlichung und strich aus zwei Texten das Absolute “passt garantiert am besten”. Durch das Prüfskript geschickt, fanden sich 7 Zeichenüberschreitungen und 2 verbotene Wörter. Dass ich die vor dem Launch abfing, war viel wert.

In der Bewertungsanalyse zeigte sich, dass sich die 3-Sterne-Gründe auf “fällt groß aus” konzentrierten, also schrieb ich vorab “lockerer geschnitten” in die Beschreibung. Dass es einen Hebel gibt, den ich vor der nächsten Lieferung ziehen kann, war der eigentliche Gewinn.

Am meisten gewirkt hat am Ende, dass ich gleich zu Beginn die Aufgaben für die KI und die für mich getrennt habe. Entwurf an die KI, die letzte Entscheidung über Tonfall, Absolutaussagen und Passform beim Menschen. Seit ich diese Linie ziehe, murmele ich seltener um 23 Uhr “ich schaffe das nicht”. Willst du denselben Ablauf im Team einrichten, ist Training & Beratung der schnellste Weg, gleich die Betriebsregeln mitzugestalten.

Zu den Grundlagen des Wettbewerbsrechts lohnt ein Blick in die Leitlinien der EU-Kommission zum Verbraucherschutz — danach kannst du die Linie bei Absolutaussagen mit eigenen Worten erklären.