Google Shopping KI-Audit 2026: Wie du mit AI schlechte Produktdaten findest und deinen ROAS verdoppelst

Warum Produktdaten über Erfolg oder Misserfolg entscheiden

Wer Google Shopping betreibt, denkt oft zuerst an Gebote, Budgets und Zielgruppen. Das ist verständlich - diese Parameter sind sichtbar, direkt steuerbar und liefern schnell messbare Ergebnisse. Was dabei häufig übersehen wird: Google bewertet deine Anzeigen nicht nur nach dem Gebot, sondern massgeblich nach der Qualität deiner Produktdaten im Merchant Center.

Ein Produkt mit einem präzisen Titel, korrekter GTIN, passender Produktkategorie und einem scharfen Bild wird im Auktionssystem bevorzugt. Google kann es besser einordnen, passgenauer ausspielen und dem Suchenden relevanter präsentieren. Ein Produkt mit vagen Titeln, fehlenden Attributen und generischen Beschreibungen verliert diese Auktionen - auch wenn das Gebot höher ist.

Das Tückische: Bei einem Feed mit 5.000 oder 50.000 Produkten ist es nahezu unmöglich, diese Qualitätsprobleme manuell zu identifizieren. Du siehst im Merchant Center vielleicht eine Fehlerquote von 3 Prozent - aber du siehst nicht, dass weitere 20 Prozent deiner Produkte zwar technisch fehlerfrei sind, aber aus Datensicht weit unter ihrem Potenzial laufen.

Genau hier setzt ein KI-gestützter Audit an. Statt nur Fehler zu zählen, analysiert er Muster, vergleicht Produkte innerhalb von Kategorien, bewertet Titel nach Suchrelevanz und priorisiert Optimierungen nach erwartetem Umsatzeinfluss.

Was ein KI-Audit anders macht als klassische Feed-Analysen

Klassische Feed-Audits folgen einer Checkliste: Ist die GTIN vorhanden? Stimmt der Preis? Ist das Bild mindestens 800x800 Pixel gross? Diese Checks sind notwendig, aber nicht hinreichend. Sie prüfen das Vorhandensein von Daten, nicht deren Qualität und Kohärenz.

Ein KI-basierter Audit geht einen Schritt weiter. Er kann semantisch bewerten, ob ein Produkttitel die wichtigsten Kaufsignale enthält, ob die Beschreibung Informationen doppelt statt ergänzt, ob Produkttypen konsistent vergeben wurden oder ob Preisangaben im Vergleich zur Konkurrenz auffällig sind.

Was KI im Feed-Audit leisten kann

Der entscheidende Vorteil liegt in der Skalierbarkeit. Was ein erfahrener Shopping-Spezialist bei 200 Produkten in einem halben Tag schafft, erledigt ein gut konfiguriertes KI-System bei 20.000 Produkten in vergleichbarer Zeit - und dabei konsistenter und ohne Ermüdungseffekte.

Die häufigsten Fehler im Shopping Feed - und wie KI sie findet

Aus der Praxis mit hunderten von Shopping-Feeds lassen sich typische Fehlerklassen identifizieren. Diese tauchen branchenübergreifend immer wieder auf - unabhängig davon, ob der Feed manuell gepflegt, per Datenfeed-Tool erstellt oder direkt aus dem Shop-System exportiert wird.

Fehlerklasse 1: Schwache Produkttitel

Der Produkttitel ist das wichtigste Feld im Shopping-Feed. Er entscheidet massgeblich darüber, bei welchen Suchanfragen dein Produkt erscheint. Häufige Schwächen sind: Marke fehlt oder steht an falscher Position, Produkttyp ist zu vage, relevante Attribute wie Farbe, Grösse oder Material fehlen, und der Titel orientiert sich eher am internen Produktnamen als an tatsächlichen Suchbegriffen.

Fehlerklasse 2: Fehlende oder falsche GTINs

GTINs (Global Trade Item Numbers) sind für Markenprodukte Pflicht. Google nutzt sie, um dein Angebot mit anderen Händlern zu vergleichen und in den Preisvergleich einzubinden. Häufige Fehler: GTIN-Feld leer gelassen, interne Artikelnummern eingetragen, veraltete GTINs für Produktvarianten verwendet oder das Feld mit «nicht vorhanden» belegt, obwohl eine GTIN existiert.

Fehlerklasse 3: Inkonsistente Produktkategorien

Google verwendet die Produktkategorie, um Anzeigen im richtigen Kontext auszuspielen. Wird ein Produkt falsch oder zu grob kategorisiert, entgehen dir relevante Auktionen. KI kann hier mit Textsemantik arbeiten: Sie vergleicht Produkttitel und -beschreibungen mit der zugewiesenen Kategorie und markiert Abweichungen, die auf eine Fehlzuordnung hindeuten.

Fehlerklasse 4: Qualitätsprobleme bei Bildern

Bilder sind der erste visuelle Eindruck im Shopping-Ergebnis. Bilder mit Wasserzeichen, schlechter Auflösung, Lifestyle-Fotos als Hauptbild oder weissem Text auf weissem Hintergrund kosten Klicks. Moderne KI-Systeme können Bildeigenschaften automatisiert bewerten und problematische Muster erkennen.

Die Drei-Schichten-Architektur für effektive KI-Analysen

Wer KI für Google Ads und Shopping-Audits einsetzen möchte, stösst schnell auf ein grundlegendes Problem: Generische KI-Anfragen liefern generische Antworten. «Analysiere meinen Shopping-Feed» führt zu oberflächlichen Hinweisen, die kein erfahrener Spezialist gebrauchen kann.

In der Community rund um AI-gestützte Google Ads Workflows hat sich dafür ein klares Konzept etabliert, das als Drei-Schichten-Architektur bezeichnet wird. Der Ansatz beschreibt, welche Art von Kontext KI braucht, um wirklich nützliche Analysen zu liefern: erstens eine dokumentierte Wissensbasis mit Google Ads Best Practices und bewährten Abfragemustern, zweitens Account-spezifische Daten und historische Performance-Informationen, und drittens klare Aufgabendefinitionen mit konkreten Ausgabeformaten.

Das klingt zunächst technisch - hat aber unmittelbar praktische Konsequenzen. Ein KI-System, das weiss, wie Google Shopping-Produktkategorien aufgebaut sind, welche GTIN-Formate gültig sind und wie ein optimaler Produkttitel nach Google-Richtlinien aussieht, gibt fundierte Empfehlungen. Ein KI-System ohne diesen Kontext rät ins Blaue.

Schicht 1: Strukturiertes Fachwissen

Die erste Schicht umfasst das dokumentierte Know-how über Google Shopping. Dazu gehören die aktuellen Merchant Center Richtlinien, die Struktur der Google-Produktkategorien, bewährte Titelformate nach Produktkategorie, Validierungsregeln für GTINs und MPNs sowie typische Fehlermuster und deren Ursachen.

Schicht 2: Account-spezifische Daten

Die zweite Schicht liefert den Kontext des konkreten Accounts. Welche Produkte laufen gut, welche schlecht? Welche Kategorien haben den höchsten ROAS? Wo gibt es Abweichungen zwischen Feed-Daten und tatsächlicher Performance? Diese Daten kommen aus dem Merchant Center Export, den Google Ads Reports und der historischen Performance-Analyse.

Schicht 3: Klare Aufgabendefinition

Die dritte Schicht definiert, was die KI konkret tun soll. Statt «analysiere den Feed» lautet die Anweisung: «Identifiziere alle Produkte in Kategorie X, deren Titel kürzer als 60 Zeichen sind, keine Marke und keine Grössen- oder Farbangabe enthalten, und sortiere sie nach Ausgabe der letzten 30 Tage absteigend.» Diese Präzision ist der Unterschied zwischen einer nützlichen und einer nutzlosen Ausgabe.

Schritt für Schritt: So führst du einen KI-Audit durch

Ein KI-gestützter Shopping-Audit folgt einem strukturierten Ablauf. Die folgende Reihenfolge hat sich in der Praxis bewährt, weil sie von den grössten Fehlern zu den Feinheiten voranschreitet und damit die Prioritäten sinnvoll setzt.

Schritt 1: Feed-Export und Datenaufbereitung

Exportiere deinen vollständigen Shopping-Feed aus dem Merchant Center oder direkt aus deinem Shop-System. Kombiniere ihn mit den Performance-Daten der letzten 90 Tage aus Google Ads (Impressionen, Klicks, Kosten, Conversions, ROAS auf Produkt-Ebene). Dieses kombinierte Datenset ist die Grundlage für jeden weiteren Analyseschritt.

Schritt 2: Technische Validierung

Prüfe zunächst alle Pflichtfelder auf Vollständigkeit und formale Korrektheit. GTIN-Formate, Preisangaben mit korrekter Währung, Verfügbarkeitswerte und Link-Formate sind mit regelbasierten Checks schnell abzuarbeiten. Hier liefert KI vor allem bei grossen Feeds Geschwindigkeitsvorteile gegenüber manuellen Prüfungen.

Wichtig dabei: Für präzise numerische Berechnungen - etwa die exakte Fehlerquote, ROAS-Abweichungen oder Preisvergleiche - sollte immer Python oder ein vergleichbares Berechnungswerkzeug eingesetzt werden. Sprachmodelle arbeiten bei Zahlen approximativ und können bei Micros-Umrechnungen oder Prozentberechnungen Fehler machen. Diese Erkenntnis aus dem Bereich AI-gestützter Ads-Workflows ist direkt auf Shopping-Audits übertragbar: Delegiere Mathematik an Code, delegiere semantische Bewertungen an KI.

Schritt 3: Semantische Titelanalyse

Hier entfaltet KI ihren grössten Mehrwert. Lass das Modell jeden Produkttitel nach definierten Kriterien bewerten: Enthält der Titel die Marke? Ist der Produkttyp eindeutig? Sind relevante Attribute vorhanden? Ist die Reihenfolge der Informationen suchintentionsgerecht? Das Ergebnis ist eine priorisierte Liste mit konkreten Verbesserungsvorschlägen.

Schritt 4: Kategorien- und Attribut-Audit

Prüfe, ob die Google-Produktkategorien präzise vergeben wurden und ob optionale, aber wertvolle Attribute wie Farbe, Material, Grösse, Muster und Altersgruppe für deine Produkte befüllt sind. Gerade diese Zusatzattribute verbessern die Aussteuerungsgenauigkeit erheblich.

Schritt 5: Priorisierung nach Umsatzpotenzial

Verknüpfe die gefundenen Fehler und Optimierungspotenziale mit den Performance-Daten. Ein Produkt, das täglich 50 Euro Werbeausgaben generiert und einen schwachen ROAS hat, sollte höher priorisiert werden als ein Produkt mit 0,50 Euro Tagesausgaben. Diese Verknüpfung von Datenqualität und Performance-Relevanz ist der Kern eines guten KI-Audits.

Merchant Center Fehler mit KI beheben: Konkrete Vorgehensweise

Das Merchant Center unterscheidet zwischen Ablehnungen (Produkt wird nicht ausgeliefert), Warnungen (Produkt läuft, aber mit Einschränkungen) und Verbesserungsvorschlägen. KI kann dabei helfen, nicht nur die Fehler zu katalogisieren, sondern auch Muster zu erkennen, die auf systemische Ursachen hinweisen.

Wenn zum Beispiel 40 Prozent deiner Ablehnungen auf «ungültige GTIN» zurückgehen, ist das kein zufälliger Einzelfehler, sondern ein systematisches Problem in der Datenpflege oder im Feed-Export. KI kann solche Cluster erkennen und damit den Weg zur Ursachenbehebung weisen, statt jeden Fehler einzeln zu adressieren.

Typische Fehlermuster und ihre Ursachen

Nach der Fehlerbehebung ist die Validierung entscheidend. Prüfe nach jedem Feed-Upload, ob die Fehlerquote gesunken ist und ob zuvor abgelehnte Produkte nun wieder ausgeliefert werden. Ein KI-System, das Fehler behebt, ohne die Ergebnisse zu verifizieren, schafft neue Risiken - das ist eine der zentralen Lektionen aus der Praxis mit AI-Workflows.

ROAS verdoppeln: Was nach dem Audit konkret passiert

Ein abgeschlossener Audit ohne konkrete Massnahmen ist wertlos. Die eigentliche Arbeit beginnt nach der Analyse. Hier sind die Hebel, die in der Praxis die grössten ROAS-Verbesserungen bringen.

Titelsoptimierung mit KI-Unterstützung

Für Produkte mit schwachen Titeln kann KI direkt Verbesserungsvorschläge generieren. Das Modell kennt das Produkt durch die Feed-Daten und kann Titel vorschlagen, die Marke, Produkttyp, relevante Attribute und Suchintention verbinden. Diese Vorschläge sollten immer von einem Menschen geprüft werden, bevor sie in den Feed übernommen werden - KI-generierte Texte können sachlich korrekt aussehen und trotzdem falsche Informationen enthalten.

Attribut-Anreicherung für besseres Targeting

Viele Shops lassen wertvolle optionale Attribute brach liegen. Farbe, Material, Grösse, Mustertyp und Altersgruppe verbessern nicht nur die Aussteuerung, sondern ermöglichen auch präziseres Custom-Label-Mapping für die Kampagnenstruktur. KI kann aus vorhandenen Produktdaten fehlende Attribute ableiten - mit dem Vorbehalt, dass die Ausgaben vor dem Import geprüft werden müssen.

Custom Labels für intelligente Kampagnenstruktur

Custom Labels erlauben es, Produkte nach selbst definierten Kriterien zu gruppieren - etwa nach Marge, Saisonalität, Bestandsstatus oder ROAS-Klasse. KI kann diese Klassifizierung automatisiert vornehmen, wenn die entsprechenden Daten vorhanden sind. Das Ergebnis ist eine Kampagnenstruktur, die nicht nach Kategorie gliedert, sondern nach wirtschaftlicher Relevanz.

Kampagnenstrategie nach dem Audit: Standard Shopping oder Performance Max?

Nachdem Produktdaten optimiert wurden, stellt sich die Frage nach der richtigen Kampagnenstruktur. Hier ist die Diskussion in der Praxis lebendig. Jyll Saskin Gales, eine erfahrene Google Ads Spezialistin, empfiehlt in ihren Analysen einen klaren Ausgangspunkt: Wenn das Budget unter einem bestimmten Schwellenwert liegt, sind Standard Shopping Kampagnen in der Regel die bessere Wahl. Performance Max bringt seinen vollen Nutzen erst dann, wenn genug Conversion-Daten vorhanden sind, um die automatisierten Systeme wirkungsvoll zu trainieren.

Das ist eine wichtige Einordnung für die Post-Audit-Phase. Ein verbesserter Feed hilft nur dann optimal, wenn die Kampagnenarchitektur dazu passt. Ein sauberer Feed mit starken Produktdaten in einer falsch konfigurierten Performance-Max-Kampagne kann schlechter abschneiden als derselbe Feed in einer einfach strukturierten Standard-Shopping-Kampagne mit manuellen Geboten.

Wann Standard Shopping sinnvoll ist

Sam Tomlinson betont in seiner Analyse der Google Marketing Live 2025 Ankündigungen, dass die Entwicklung hin zu AI-gesteuerten Kampagnentypen wie Performance Max und AI Max for Search unumkehrbar ist. Die strategische Schlussfolgerung daraus ist nicht, diese Systeme zu meiden, sondern zu verstehen, womit man sie füttert. Und dort schliesst sich der Kreis: Gute Produktdaten sind die Grundlage, auf der diese KI-Systeme ihre Entscheidungen treffen. Ein KI-Audit des Feeds ist damit gleichzeitig eine Investition in die zukünftige Leistungsfähigkeit automatisierter Kampagnen.

Wo KI noch an Grenzen stösst - und warum das wichtig ist

KI-gestützte Audits sind leistungsstark, aber nicht unfehlbar. Es wäre unehrlich, die Einschränkungen zu verschweigen - und für den praktischen Einsatz ist das Verständnis dieser Grenzen entscheidend.

Die Grundregel aus der Praxis lautet: KI-Ausgaben niemals unkritisch übernehmen. Das gilt für Anzeigentexte, Keyword-Empfehlungen, Budget-Vorschläge - und ebenso für Produktdaten-Optimierungen. Ein Sprachmodell kann plausibel klingende Titelvorschläge generieren, die sachlich falsch sind, weil es den Artikel nicht kennt. Es kann Kategorien vorschlagen, die sich grammatikalisch richtig anfühlen, aber die Google-Taxonomie fehlerhaft abbilden.

Die empfohlene Praxis aus dem Bereich AI-gestützter Ads-Workflows ist klar: Alle KI-Outputs müssen vor der Implementierung geprüft werden. Das ist keine theoretische Vorsichtsmassnahme, sondern eine praktische Notwendigkeit. Ein falsch generierter Produkttitel, der in den Feed eines grossen Shops eingespeist wird, kann Tausende von Produkten betreffen und im schlimmsten Fall zu Merchant-Center-Ablehnungen führen.

Was KI gut kann - und was nicht

Der beste Einsatz von KI im Shopping-Audit ist als Analysewerkzeug, das menschliche Experten schneller und effizienter macht - nicht als Ersatz für Fachwissen und Urteilsvermögen. Das mag weniger spektakulär klingen als vollautomatisierte Optimierung, entspricht aber der Realität des aktuellen Stands der Technik.

Fragen aus der Praxis