Erstellung von Werbetexten und Produktbeschreibungen

Jeder Shop, jeder Marktplatz und jedes Marketingteam braucht viele kurze, überzeugende und korrekte Texte: Produkttitel, Beschreibungen, Aufzählungspunkte, Anzeigenüberschriften, Newsletter-Teaser. Die Herstellerdaten sind oft dünn oder uneinheitlich, und Handarbeit skaliert nicht auf Tausende Artikelnummern (SKUs) und mehrere Sprachen. LLMs machen aus strukturierten Produktdaten, Fotos und einem Markenleitfaden in Sekunden kanalspezifische Texte. Die Arbeit verlagert sich vom Schreiben auf Datenqualität, Markenregeln, Prüfung der Aussagen und Freigabe. Das ist einer der am weitesten verbreiteten Anwendungsfälle generativer KI und steckt inzwischen in den meisten Shop-, Marktplatz- und PIM-Systemen.

Problem & Nutzen

• Heute: Texter oder Category Manager schreiben Texte je Artikelnummer und Kanal. Lieferantendaten werden unverändert übernommen, daraus entstehen doppelte Inhalte, fehlende Attribute und schwaches SEO. Für Produkte im Long Tail gibt es oft gar keine Beschreibung, und neue Märkte warten auf Übersetzungen.
• Nutzen durch KI: Abdeckung des gesamten Katalogs, schnellere Zeit bis zur Listung, einheitlicher Ton, kanalspezifische Varianten (Zeichenlimits, Stilvorgaben der Marktplätze) und viele Anzeigenvarianten zum Testen.
• Gemessene Beispiele (von Anbietern und Agenturen selbst berichtet):
• Ein polnischer Baustoffhändler mit mehr als 10.000 Produkten senkte den Schreibaufwand von 15 Minuten auf unter 2 Minuten je Produkt. In der frühen Prüfung wurden 50 % der KI-Entwürfe unverändert freigegeben, 45 % brauchten kleine Korrekturen und 5 % wurden neu erzeugt [1].
• Amazon berichtet, dass mehr als 900.000 Verkäufer seine generativen Listing-Werkzeuge genutzt haben. Händler übernehmen die erzeugten Inhalte in mehr als 90 % der Fälle ohne Änderungen. TechCrunch weist darauf hin, dass dies zum Teil bedeuten kann, dass Verkäufer die Ergebnisse nicht genau prüfen [2][3].
• axite (AX Semantics, Stuttgart) berichtet von 52 Millionen Texten für XXXLutz in mehr als 13 Sprachen und von +50 % Konversion bei babyartikel.de. Das sind Angaben der Anbieter, die nicht unabhängig überprüft wurden [4].
• Die Konversionsversprechen der Anbieter schwanken stark und sind selten durch kontrollierte Tests belegt. Planen Sie deshalb einen eigenen A/B-Test, bevor Sie mit Umsatzsteigerungen rechnen.

Varianten

• Online-Shop im KMU / Marktplatzverkäufer: Erzeugung per Klick in Shopify, Shopware, WooCommerce, Amazon Seller Central, eBay oder Etsy aus ein paar Stichwörtern, einem Foto oder einer Produkt-URL [3].
• Handel / Markenhersteller im großen Maßstab: PIM-gesteuerte Massenerzeugung für 10.000 bis 1 Mio. Artikelnummern mit Vollständigkeitsprüfung der Attribute, Vorlagen je Kanal und Übersetzung, z. B. Akeneo, Salsify, Pimcore [5].
• B2B / Fertigung: technische Datenblätter und ETIM/ECLASS-Attribute in lesbare Katalog- und Händlertexte verwandeln. Die Datenanreicherung selbst steht in DATA-010.
• Performance-Marketing: Varianten für Überschriften und Beschreibungen für Google-/Meta-Anzeigen, Betreffzeilen von Newslettern und Landingpage-Abschnitte. Gebots- und Kreativoptimierung steht in REC-007.
• Tourismus & Gastgewerbe: Beschreibungen von Hotels, Ferienwohnungen und Erlebnissen aus strukturierten Objektdaten, für Buchungsportale und Tourismusorganisationen.
• Privatnutzung: Anzeigen für den Verkauf gebrauchter Ware (Kleinanzeigen, Vinted, eBay) aus einem Foto.
• Hier nicht behandelt: lange SEO-Artikel (LANG-005), Social-Media-Beiträge (LANG-007), Umschreiben bestehender Texte in die Markensprache (LANG-011), Prüfung regulierter Werbeaussagen (LANG-024) und Bildmaterial (GEN-001).

So funktioniert es

1. Produktdaten (PIM/ERP/Feed) + Fotos + Briefing
2. Datenprüfung (Pflichtattribute vorhanden? Einheiten vereinheitlicht? Widersprüche?)
3. Grounding-Paket (Attribute, Fakten aus Datenblättern, Markenleitfaden, freigegebene Beispiele per Retrieval)
4. LLM-/VLM-Erzeugung je Kanalvorlage (Länge, Ton, Keywords, Struktur als JSON)
5. automatische Prüfungen (Fakten nur aus den Quelldaten, verbotene/regulierte Aussagen, Länge, Dubletten, Sprache)
6. menschliche Prüfung & Freigabe (Stichprobe oder 100 % je nach Risiko)
7. Veröffentlichung in Shop/Marktplatz/Feed (API)
8. A/B-Test & Rückmeldung zur Leistung

• Grounding ist die zentrale Entwurfsentscheidung. Das Modell soll nur aus den Attributen schreiben, die es erhält. Weisen Sie es an, „fehlt" auszugeben, statt etwas zu erfinden, und prüfen Sie dann jede Zahl und jedes Material im Ergebnis gegen den Quelldatensatz. Eine strukturierte Ausgabe (JSON je Feld) macht das prüfbar.
• Die Markensprache entsteht aus einem Stilleitfaden plus 10–50 freigegebenen Beispielen, die per Ähnlichkeit (Embeddings) abgerufen werden, und seltener durch Feintuning.
• VLMs lesen Produktfotos, um Lücken zu füllen (Farbe, Stil, sichtbare Merkmale). Alles, was aus einem Bild abgeleitet wird, ist ein Vorschlag, der bestätigt werden muss.
• Mensch-in-der-Schleife (Human-in-the-Loop): Freigabe neuer Vorlagen, vollständige Prüfung regulierter Kategorien (Kosmetik, Lebensmittel, Gesundheit, Spielzeug, Umweltaussagen) und Stichprobenkontrollen bei den übrigen.

Datenaufbereitung

Das Rohmaterial sind Produktdaten: Attribute, Materialien, Maße und Zertifikate in ERP, PIM oder Shop; Fotos und Lieferantendatenblätter (oft PDFs) auf Dateiablagen oder in E-Mails; dazu der Leitfaden zur Markensprache, die Liste verbotener Aussagen und einige freigegebene Beispieltexte, die meist nur in den Köpfen der Mitarbeitenden oder in verstreuten Word-Dateien existieren.

Typische Lücken: fehlende oder uneinheitliche Attribute, dasselbe Produkt mit unterschiedlicher Schreibweise in verschiedenen Systemen, Datenblätter nur als Scan, keine schriftliche Liste verbotener Aussagen (Gesundheit, „beste", Nachhaltigkeit) und keine freigegebenen Beispiele je Kanal.

Aufbereitungsschritte: - Produktdaten aus ERP oder Shop exportieren und in einer sauberen Tabelle bereinigen (siehe PREP-011 und PREP-005); zuerst die Pflichtattribute füllen, denn das Modell darf sie nicht raten. - Lieferanten-PDFs und Scans per OCR verarbeiten (siehe PREP-006, DOC-014). - Markensprache, Regeln für Werbeaussagen und je Kanal 5 bis 10 Musterbeispiele („Gold Standard") aufschreiben (siehe PREP-016, PREP-015). - Die Rechtsgrundlage prüfen, wenn Bewertungen oder Kundendaten verwendet werden (siehe PREP-025).

Grober Anteil: etwa 40 bis 60 Prozent des Gesamtaufwands. Die Einrichtung des Modells dauert Tage; die Korrektur der Produktdaten dauert Wochen. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Shop-, Marktplatz- und PIM-Werkzeuge liefern ausgereifte, in der EU hostbare Textgeneratoren zu KMU-Preisen, und Produkttexte sind ein Standardprozess.
• Großunternehmen: Weg B. Tausende Artikelnummern, viele Kanäle und ein vorhandenes PIM verlangen eine API-basierte Erzeugung, die in den Produktdatenfluss integriert ist, mit eigenen Marken- und Aussagenprüfungen.
• Entwickler: Weg B. Cloud-APIs mit strukturierten Ausgaben sind der schnellste Weg, Feeds und Plug-ins für mehrere Kunden zu bauen.
• Privat: Weg A. Hobbyverkäufer und kleine Shops erhalten, was sie brauchen, von den eingebauten Assistenten ihres Marktplatzes oder Shopsystems.

Weg A — Kaufen (für die meisten KMU empfohlen)

• In Handelsplattformen eingebaut: Shopify Magic, Shopware AI Copilot, Amazon-Listing-Werkzeuge (auf Bedrock aufgebaut [2][3]), Google Merchant Center Product Studio, eBay „magical listing". Kostenlos oder inbegriffen. Für kleine Kataloge gut genug.
• PIM-/Produktinhalts-Plattformen: Akeneo (FR) „Text and Image Enrichment" lässt sich zur Steuerung (Governance) an ein eigenes LLM anbinden [5]. Weitere sind Salsify und Pimcore (AT, Open-Source-Kern).
• Spezialisierte Textgeneratoren für den E-Commerce (EU): axite / AX Semantics (DE) verbindet LLM-Erzeugung mit Leitplanken aus strukturierten Daten in mehr als 110 Sprachen [4]. Retresco (DE) bietet Data-to-Text.
• Schreibassistenten für Marketing: neuroflash (DE). Das Werkzeug speichert Texte auf deutschen Servern in der Open Telekom Cloud und leitet die Erzeugung an GPT, Gemini, Claude oder Mistral weiter [6]. Weitere sind Jasper, Writer, Copy.ai, DeepL Write (DE, Umformulierung) sowie Microsoft 365 Copilot / Gemini in Workspace.
• Weg A wählen, wenn: der Katalog in Standardvorlagen passt und der Shop oder das PIM die Funktion bereits bietet. Prüfen Sie, wo das Modell läuft, ob Ihre Daten für Training genutzt werden und ob Sie verbotene Begriffe erzwingen können.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Claude, GPT und Gemini (jeweils mit EU-Datenhaltung oder EU-Regionen über Azure OpenAI, Vertex AI oder Amazon Bedrock Frankfurt) sowie Mistral (FR) Medium 3.5 / Large 3 über La Plateforme [7]. Kleinere, günstigere Modelle (z. B. Mistral Small 4, Gemini der Flash-Klasse) genügen für Massenbeschreibungen. Setzen Sie Spitzenmodelle für kreative Überschriften und schwierige Kategorien ein.
• Muster: Batch-API-Aufträge über den PIM-Export, mit strukturierten Ausgaben per JSON-Schema und einem zweiten „Prüf"-Prompt oder einer Regelmaschine, die Aussagen mit den Quellattributen vergleicht. Übersetzt wird mit der DeepL-API oder mit dem LLM selbst (LANG-009).
• Integration: n8n / Make / Power Automate oder ein kleiner Dienst (Python + LangChain oder reines SDK). Lesen aus der PIM-/Shop-API (Akeneo, Shopware, Shopify Admin API, Amazon SP-API), Zurückschreiben der Entwürfe mit dem Status „zu prüfen". Ein Agenturprojekt für 8.205 Produkte nutzte die OpenAI-API + LangChain + Retool als Prüfoberfläche [1].
• Weg B wählen, wenn: Sie eigene Vorlagen, viele Kanäle oder Sprachen haben oder eigene Prüfungen wünschen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Qwen3-30B-A3B-Instruct (Apache 2.0, 3,3 Mrd. aktive Parameter, schnell auf einer GPU) [8], Mistral Small 4 / Ministral 3 (Apache 2.0) [7], Gemma 4 (12B, 26B MoE, 31B; multimodal, kann Produktfotos lesen) [9]. Größer: Mistral Large 3 (Apache 2.0) oder Qwen3-235B-Klasse auf HW3/HW4.
• Stack: vLLM oder Ollama, strukturierte Ausgaben über vLLM Guided Decoding / Outlines, ein kleines Embedding-Modell (z. B. multilingual-e5 oder bge-m3) für den Abruf von Beispielen, n8n selbst betrieben für den Workflow und LanguageTool (selbst betreibbar) für Rechtschreibung und Grammatik.
• Hardware: HW2 (eine GPU mit 24–32 GB) betreibt ein quantisiertes MoE-Modell mit ca. 30B oder ein dichtes Modell mit 12–14B. Damit lassen sich über Nacht zehntausende Beschreibungen erzeugen. HW3, wenn Sie für den deutschen Marketingstil die Qualität von ca. 70–120B wünschen.
• Weg C wählen, wenn: Produktdaten vor dem Marktstart vertraulich sind oder die Mengen so groß sind, dass die Kosten je Token ins Gewicht fallen. Die deutsche Stilqualität kleiner Modelle ist gut, braucht aber Prüfung.

Weg D — Eigenes Training

Lohnt sich nur bei großem Umfang und stabilem Hausstil: Ein LoRA-Feintuning eines Modells mit 7–30B auf einigen tausend freigegebenen, erfolgreichen Texten je Sprache verkürzt den Prompt und verbessert die Einheitlichkeit der Markensprache. Korrekturen aus der Prüfwarteschlange und Gewinner aus A/B-Tests sind die natürlichen Trainingsdaten. Für die meisten Organisationen genügen Prompting und abgerufene Beispiele.

Stand der Technik (2026)

• Standard in Plattformen: Die Erzeugung aus Stichwörtern, einem Foto oder einer URL ist bei Amazon, Shopify, Google Merchant Center und den großen PIM-Systemen üblich. Amazon ist vom Schreiben neuer Listings (2023) dazu übergegangen, bestehende Listings um fehlende Attribute zu ergänzen (Mai 2025) [2][3].
• Multimodale Eingabe: Offene und geschlossene Modelle (Gemma 4, Mistral-3-Familie, Qwen3-VL, Gemini, GPT, Claude) lesen Bilder, sodass der Weg vom Foto zum Listing ohne separate Bildbeschreibung funktioniert [9].
• Erzeugung mit Leitplanken: Anbieter verbinden die Sprachgewandtheit von LLMs mit deterministischen Prüfungen gegen die Produktdaten („Intents statt Prompts" [4]). Agentische PIM-Funktionen markieren Datenlücken vor der Erzeugung [5].
• Generative Engine Optimization: Beschreibungen werden zunehmend so geschrieben, dass KI-Einkaufsassistenten sie korrekt zitieren, nicht nur für das Google-Ranking (siehe REC-011).
• Grenzen und Fehlerbilder: erfundene Spezifikationen (Materialien, Zertifikate, Kompatibilität), generische „KI-klingende" Texte, die alle gleich aussehen, rechtswidrige Aussagen („umweltfreundlich", „klinisch erwiesen"), falsche Einheiten nach der Übersetzung und Prüfende, die aufhören, genau zu prüfen. Die hohen Übernahmequoten sind kein Beleg für Richtigkeit [2].

Gemeinsame Bausteine & Kombinationen

• Gleicher LLM-Endpunkt / gleiche GPU (llm-general, HW2–HW3): LANG-002 E-Mail-Entwürfe, LANG-005 SEO-Inhalte, LANG-007 Social-Media-Beiträge, LANG-011 Umschreiben in die Markensprache. Ein gemeinsames Paket zur Markensprache (Stilleitfaden + Beispielspeicher in einem Vektorindex) bedient sie alle.
• Vorgelagerte Daten: DATA-010 Anreicherung von Produktdaten (PIM, ECLASS, ETIM). Gute Attribute sind der größte Qualitätshebel für erzeugte Texte.
• Übersetzung: LANG-009 für die Lokalisierung der erzeugten Texte auf Märkte.
• Nachgelagert / angrenzend: LANG-024 Compliance-Prüfung im Marketing (Prüfung von Aussagen), GEN-001 Produktbilder, GEN-027 Landingpages, REC-006 E-Mail-Personalisierung, REC-007 Optimierung von Anzeigenmotiven, REC-011 Generative Engine Optimization.
• Workflow-Engine (n8n / Power Automate) und die Prüfoberfläche lassen sich für jeden LANG.WRITE-Fall wiederverwenden.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage. Oft im Shop-/PIM-Tarif enthalten oder als Abo eines Schreibwerkzeugs pro Nutzer.
• Weg B: 2–6 Wochen für eine Pipeline mit PIM-Anbindung, Prüfungen und Prüfoberfläche. Die Tokenkosten je Beschreibung liegen je nach Modell und Länge typischerweise bei einem Bruchteil eines Cents bis wenigen Cents.
• Weg C: 4–8 Wochen plus GPU-Server und Betrieb. Das zahlt sich bei sehr großen oder vertraulichen Katalogen aus.
• Kostentreiber: Datenbereinigung, Zahl der Kanäle × Sprachen, Prüfaufwand in regulierten Kategorien.
• Kennzahlen: Katalogabdeckung (% der Artikelnummern mit vollständigem Text), Zeit bis zur Listung, Freigabequote im ersten Durchlauf, Quote sachlicher Fehler in Stichprobenprüfungen, Editierabstand, Konversions- und Warenkorbrate (A/B-Test), organische Impressionen, Klickrate (CTR) der Anzeigen, auf falsche Beschreibungen zurückgeführte Retouren.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung (Budget, Marken- und Aussagenrichtlinie), der Leitung Marketing oder E-Commerce als Prozessverantwortlichen und den Datenverantwortlichen für ERP und PIM, die die Produktdaten freigeben müssen. Beziehen Sie die IT für Schnittstellen und Konten ein und Recht oder Compliance früh für die Regeln zu Werbeaussagen (UWG, Gesundheits- und Umweltaussagen). Die Mitarbeitenden, die heute die Texte schreiben, sind die Schlüsselgruppe: Wählen Sie zwei oder drei von ihnen als Pilotgruppe und lassen Sie sie die Prüfcheckliste festlegen.

Betriebsrat: in der Regel nein, da das Werkzeug Produktdaten verarbeitet und keine Beschäftigten überwacht. Es hängt dennoch vom Produkt ab. Wenn es Prompts und Ergebnisse einzelner Nutzer protokolliert, kann § 87 Abs. 1 Nr. 6 BetrVG greifen, und § 90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-geplante Arbeitsverfahren. Siehe GUIDE-004. Datenschutzbeauftragte(r) und Datenschutz-Folgenabschätzung (DSFA) sind nur nötig, wenn Kundenbewertungen oder personenbezogene Daten einfließen; schließen Sie mit jedem Anbieter einen Auftragsverarbeitungsvertrag (AVV, Art. 28 DSGVO) ab.

KI-Kompetenz: Unterstützen Sie die Mitarbeitenden mit einer kurzen Schulung zu Prompting, halluzinierten Aussagen und Prüfpflicht (Art. 4 KI-Verordnung, siehe GUIDE-006). Typische Sorge: „KI ersetzt Texter." Sprechen Sie das offen an: Die Arbeit verlagert sich auf Qualität und Markenkontrolle, und nichts wird ohne menschliche Freigabe veröffentlicht (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): kein Hochrisiko (keine Kategorie nach Anhang III). Art. 50 gilt ab dem 2. August 2026 [10][11] (Digital Omnibus, Verordnung 2026/1744: Systeme, die bereits vor dem 2. August 2026 auf dem Markt waren, haben für die Kennzeichnung nach Art. 50 Abs. 2 bis zum 2. Dezember 2026 Zeit).
• Art. 50 Abs. 2, Anbieter: Wer das generative System bereitstellt (der Modellanbieter, und Sie selbst, wenn Sie unter Weg B, C oder D einen eigenen Generator bauen), muss Ausgaben maschinenlesbar kennzeichnen. Die Ausnahme für unterstützende Funktionen oder Standardbearbeitung ist eng. Maßgeblich ist der freiwillige Verhaltenskodex der Kommission zur Kennzeichnung (endgültige Fassung Juni 2026) [11].
• Art. 50 Abs. 4, Betreiber: Die Kennzeichnungspflicht für KI-Text gilt nur für Text, der die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse informiert, und sie entfällt nach menschlicher Prüfung mit redaktioneller Verantwortung. Gewöhnliche Produkt- und Anzeigentexte liegen meist außerhalb.
• Art. 4: Für die Beschäftigten gilt eine Pflicht zur KI-Kompetenz.
• Verbraucherrecht (Hauptrisiko): Der Verkäufer haftet für irreführende Texte, gleich ob eine Person oder eine KI sie geschrieben hat (UGP-Richtlinie, in Deutschland das UWG). Die Richtlinie (EU) 2024/825 gilt ab dem 27. September 2026. Sie verbietet allgemeine Umweltaussagen ohne anerkannte hervorragende Umweltleistung, Produktaussagen auf Basis von Emissionskompensation und Nachhaltigkeitssiegel ohne Zertifizierung [12]. Nehmen Sie diese Begriffe in die Liste verbotener Aussagen auf.
• Branchenregeln: Gesundheitsbezogene Angaben bei Lebensmitteln (Verordnung 1924/2006), Kosmetikaussagen (Verordnung 655/2013), das deutsche Heilmittelwerbegesetz für Gesundheitsprodukte, die Textilkennzeichnungsverordnung und Produktsicherheitsinformationen in Online-Angeboten nach der GPSR (Verordnung 2023/988). Leiten Sie diese Kategorien in die vollständige Prüfung oder an LANG-024.
• Urheberrecht & Marktplätze: Füttern Sie keine Wettbewerbertexte zum Umschreiben ein. Beachten Sie die Inhaltsrichtlinien der Marktplätze.
• DSGVO: Produktdaten sind nicht personenbezogen. Personalisierte Texte, als Eingabe genutzte Kundenbewertungen oder CRM-Segmente sind es. Nutzen Sie einen in der EU gehosteten Anbieter mit Auftragsverarbeitungsvertrag und ohne Training mit Ihren Daten.
• Gegenmaßnahmen: Fakten ausschließlich aus Quellattributen erzeugen, automatische Prüfungen auf Aussagen und verbotene Begriffe einsetzen, bei regulierten Kategorien die Prüfung verpflichtend machen, ein Prüfprotokoll (KI-Entwurf gegenüber veröffentlichtem Text) führen und regelmäßig Stichproben prüfen.

Erste Schritte

1. Wählen Sie eine Kategorie mit 200–500 Artikelnummern und sauberen Attributdaten. Messen Sie die aktuelle Abdeckung, die Zeit bis zur Listung und die Konversion.
2. Schreiben Sie einen einseitigen Leitfaden zur Markensprache plus eine Liste verbotener Aussagen (Umweltaussagen, Gesundheitsaussagen, Superlative) und sammeln Sie 20–50 Ihrer besten vorhandenen Texte als Beispiele.
3. Testen Sie den Generator, den Ihr Shop/PIM bereits bietet (Weg A), gegen einen Prototyp nach Weg B mit denselben Artikelnummern. Lassen Sie zwei Prüfende sachliche Richtigkeit und Ton bewerten.
4. Fügen Sie automatische Prüfungen (Attributkonsistenz, Länge, verbotene Begriffe) und einen Prüfstatus im PIM hinzu, bevor irgendetwas live geht.
5. Führen Sie 4–8 Wochen lang einen A/B-Test von KI-Texten gegen die bisherigen Texte durch und rollen Sie dann nach Kategorie und Sprache aus.

Quellen

1. SUNZINET — case study: AI content generation for 10,000 products (construction-materials retailer) — https://www.sunzinet.com/en/references/scale-10000-products-ai-content-generation
2. TechCrunch — Amazon's newest AI tool is designed to enhance product listings (8 May 2025) — https://techcrunch.com/2025/05/08/amazons-newest-ai-tool-is-designed-to-enhance-product-listings
3. Amazon — Generative AI-powered product listings for sellers — https://www.aboutamazon.com/news/innovation-at-amazon/amazon-generative-ai-powered-product-listings
4. axite (AX Semantics GmbH, Stuttgart) — product content platform and customer results — https://axite.io/en/
5. Akeneo — product experience platform, AI text & image enrichment — https://www.akeneo.com/
6. neuroflash — AI copilot for marketing teams (data hosting statement) — https://neuroflash.com/neuroflash-for-marketing-teams-businesses/
7. Mistral AI — models overview — https://docs.mistral.ai/getting-started/models/models_overview/
8. Qwen3-30B-A3B-Instruct-2507 model card — https://huggingface.co/Qwen/Qwen3-30B-A3B-Instruct-2507
9. Google — Gemma models overview — https://ai.google.dev/gemma/docs/core
10. EU AI Act, Article 50 (transparency obligations) — https://artificialintelligenceact.eu/article/50/
11. European Commission — Code of Practice on marking and labelling of AI-generated content — https://digital-strategy.ec.europa.eu/en/policies/code-practice-ai-generated-content
12. European Commission — Directive (EU) 2024/825 Empowering consumers for the green transition — https://transition-pathways.europa.eu/legislation/directive-eu-2024825-empowering-consumer-green-transition
13. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj