Was kostet Textautomatisierung? Ein Vergleich zwischen GPT und Data-to-Text

Die Automatisierung mit GPT (Generative Pre-trained Transformer) und Data-to-Text-Systemen hat den Prozess der Texterstellung revolutioniert. Unternehmen jeder Größe sind nun in der Lage, schnell Texte für eine Vielzahl von Anforderungen zu erstellen, von Produktbeschreibungen bis hin zur internen Kommunikation.

Doch für welche Anwendungsfälle lohnt sich der Einsatz von GPT-Tools – und wann lohnt sich die Automatisierung mit einer Data-to-Text-Software? Dies ist eine wichtige Überlegung für Unternehmen, um bei der Erstellung von Inhalten Zeit und Geld zu sparen und Prozesse nachhaltig und bestmöglich zu optimieren.

Im Folgenden zeigen wir anhand von Beispielrechnungen, die auf realen Zahlen unserer AX-Semantics-Kunden beruhen, wann sich der Einsatz einer GPT- oder Data-to-Text-Software lohnt. Um unsere Berechnungen verständlicher zu machen, beschreiben wir zu Beginn kurz die Unterschiede zwischen den beiden Texterstellungstechnologien GPT und Data-to-Text.

Inhaltsverzeichnis:

1. Wie funktionieren GPT und Data-to-Text und wie unterscheiden sie sich?

1.1 Data-to-Text: Was ist das und wie funktioniert es?

1.2 GPT: Was ist das und wie funktioniert es?

2. GPT vs. Data-to-Text: 3 Anwendungsfälle

3. Wie hoch ist der Bedarf an Wörtern pro Monat?

3.1 GPT-Modelle: Kosten und Zeitaufwand nach Anwendungsfall

1. Die Eingabe und Erstellung der Prompts
2. Mehrsprachigkeit
3. Zeitaufwand insgesamt
4. Kosten insgesamt

3.2 Data-to-Text: Kosten und Zeitaufwand nach Anwendungsfall

1. Kleiner Anwendungsfall (130 Produktbeschreibungen)
2. Mittelgroßer Anwendungsfall (5.500 Produktbeschreibungen)
3. Kundenspezifischer Anwendungsfall (mehr als 400.000 Produktbeschreibungen)

4. Aktualität, Qualitätssicherung und Mehrsprachigkeit

5. Fazit

1. Wie funktionieren GPT und Data-to-Text und wie unterscheiden sie sich?

Sowohl GPT als auch Data-to-Text sind Technologien für die Generierung natürlichsprachiger Texte (“Natural Language Generation” oder kurz “NLG”). Auf den ersten Blick scheinen die beiden Sprachmodelle sehr ähnlich, aber sie funktionieren auf unterschiedliche Weise.

1.1 Data-to-Text: Was ist das und wie funktioniert es?

Data-to-Text bezeichnet die automatisierte Produktion natürlichsprachiger Texte auf Basis von strukturierten Daten sowie vom Nutzer definierter Regeln und Vorgaben, wie Tonalität und Struktur. Strukturierte Daten sind Eigenschaften, die zum Beispiel in tabellarischer Form vorliegen. Beispiele für strukturierte Daten sind unter anderem Produkteigenschaften aus einem PIM-System oder Spieldaten zu einem Fußballspiel – sie enthalten also Informationen, die sich in Texten nutzen lassen.

Somit hat der Anwender Kontrolle über das Textergebnis, kann jederzeit in die automatisierte Texterstellung eingreifen und Updates oder Anpassungen vornehmen. Dadurch sind Text-Konsistenz, Sinnhaftigkeit und Qualität gegeben. Die Texte sind zudem personalisierbar und skalierbar, was besonders beim Bedarf einer großen Textmenge von großem Vorteil ist. Skalierbare Texterstellung bedeutet, dass Tools auf Basis strukturierter Daten zum Beispiel Hunderte Texte zu Produkten mit variablen Details in wenigen Augenblicken erstellen. Darüber hinaus ist die Texterstellung nach einem initialen Setup automatisiert in mehreren Sprachen möglich – bei gleichbleibender Qualität.

1.2 GPT: Was ist das und wie funktioniert es?

GPT steht für „Generative Pre-trained Transformer“. Es handelt sich um ein Sprachmodell, das aus bestehenden Texten lernt und verschiedene Möglichkeiten zur Beendigung eines Satzes anbieten kann. Es wurde mit Hunderten von Milliarden von Wörtern trainiert, die einen bedeutenden Teil des Internets repräsentieren – einschließlich des gesamten Korpus der englischen Wikipedia, unzähliger Bücher und einer schwindelerregenden Anzahl von Webseiten.

GPT erstellt Produktbeschreibungen je nach eingegebenen Prompts, also den eingegebenen Informationen. Je detaillierter die Anweisung, desto genauer ist der ausgegebene Text. Es kann daher sein, dass der Prompt optimiert werden muss. Auf jeden Fall sind bei den ausgegebenen Texten Qualitätskontrolle und eventuelle Korrekturen erforderlich.

Im Unterschied zu Data-to-Text erzeugen GPT-Softwares nur einzelne Texte, auch wenn dies schnell möglich ist und sich so schnell eine große Textmenge ergibt. Der Anwender hat bei der Arbeit mit GPT-Software keine Kontrolle über den erzeugten Inhalt. Multilingualität ist zwar mit vielen GTP-Tools möglich, dennoch gilt auch hier: Die Überprüfung der Texte auf Korrektheit ist unerlässlich!

Wie unterscheiden sich die beiden Technologien? Ein Vergleich:

2. GPT vs. Data-to-Text: 3 Anwendungsfälle

Wann welche Technologie vorzuziehen ist, hängt vom Anwendungsfall ab. Während sich GPT-Technologie dafür eignet, Inspiration, oder ein Grundgerüst für einen Fließtext zu gewinnen, z. B. für einen Blogbeitrag, findet Data-to-Text-Software durch den Skalierungseffekt Anwendung in Unternehmen, die eine größere Menge an Texten benötigen und deren Texterstellung repetitive Prozesse beinhalten.

Wir fokussieren uns im Folgenden konkret auf die Erstellung von Produktbeschreibungen. Hierbei spielt vor allem die Menge der benötigten Texte eine Rolle. Wir nehmen eine Unterteilung nach Unternehmensgröße und dem korrelierenden Textbedarf auf Erhebung der Kunden-Datenbasis von AX Semantics vor.

Mit der Einteilung nach benötigten Produktbeschreibungen in:

• kleiner Anwendungsfall: 130 Produktbeschreibungen pro Monat
• mittelgroßer Anwendungsfall: 5.500 Produktbeschreibungen pro Monat
• kundenspezifischer Anwendungsfall: 400.000 Produktbeschreibungen pro Monat

Nach unseren Analysen liegt die durchschnittliche Länge einer aussagekräftigen, userfreundlichen Produktbeschreibung, die zudem noch die SEO-Kriterien für ein gutes Ranking erfüllt, bei 150 Wörtern. Diese Wortanzahl legen wir als Fixpunkt den Berechnungen für jeden Anwendungsfall zugrunde.

3. Wie hoch ist der Bedarf an Wörtern pro Monat?

Multiplizieren wir den monatlichen Bedarf an Produktbeschreibungen mit der durchschnittliche Länge einer Produktbeschreibung von 150 Wörtern, kommen wir je Anwendungsfall zu folgendem Bedarf an Wörtern pro Monat:

• kleiner Anwendungsfall: (150 * 130 =) 19.500 Wörter pro Monat
• mittelgroßer Anwendungsfall: (150 * 5.500 =) 825.000 Wörter pro Monat
• kundenspezifischer Anwendungsfall: (150 * 400.000 =) 60 Millionen Wörter pro Monat

Angesichts dieser Zahlen ist klar, dass eine manuelle Texterstellung nicht leistbar ist. Nun stehen Unternehmen mit unterschiedlichem Content-Bedarf vor der Frage, ob für sie GPT- oder Data-to-Text-Technologie die beste Lösung ist. Dabei ist zunächst einmal festzustellen, dass die beste Lösung die ist, die am wenigsten Ressourcen, wie Geld, Zeit und Mitarbeiterleistung bündelt, und die Textpflege, wie Updates, Anpassungen etc. erleichtert.

Schauen wir uns nun an, wie viel Zeit in die Texterstellung und die Textpflege investiert werden muss und welche Kosten dabei entstehen. Für die GPT-basierten Softwares legen wir für unsere Berechnungen Tools wie Jasper.ai, Open.ai, Neuroflash und ChatGPT zugrunde. Dem steht AX Semantics als Data-to-Text-Software gegenüber.

3.1 GPT-Modelle: Kosten und Zeitaufwand nach Anwendungsfall

1. Die Eingabe und Erstellung der Prompts

GPT-Softwaremodelle erstellen Texte auf Grundlage eingegebener Prompts. Meist sind mehrere Eingabeversuche notwendig, um einen geeigneten Text zu erhalten. Je nach GPT-Software und gebuchtem Preismodell, kauft der Anwender eine bestimmte Anzahl von Wörtern, die er pro Monat von der Software generieren lassen kann. Doch nicht alle Textausgaben sind verwertbar. Der Anwender verwirft also viele Wörter oder sogar ganze Textausgaben.

Wenn wir davon ausgehen, dass ein Anwender durchschnittlich für eine Produktbeschreibung circa drei Anpassungen vornimmt, ergibt sich folglich das Dreifache der benötigten Wortanzahl. Auf unsere Anwendungsfälle bezogen bedeutet dies:

• kleiner Anwendungsfall: (19.500 * 3 =) 58.800 Wörter pro Monat
• mittelgroßer Anwendungsfall: (825.000 * 3 =) 2.475.000 Wörter pro Monat
• kundenspezifischer Anwendungsfall: (60.000.000 * 3=) 180.000.000 Wörter pro Monat

Ein solch hoher Bedarf ist nicht mehr zu managen. Er spielt aber auch preislich eine Rolle, denn die Lizenzgebühren für GPT-Tools berechnen sich nach “Tokens”, d.h. nach dem Bedarf an generierten Wörtern, die vor allem in den mittelgroßen und kundenspezifischen Anwendungsfällen entsprechend hoch ausfallen. In unseren Analysen spielen diese Kosten aufgrund der schwankenden Preise von Anbieter zu Anbieter keine Rolle und werden in unseren Berechnungen ausgeklammert.

Für das Schreiben eines Prompts und gegebenenfalls dessen Optimierung, haben wir einen kleinen Zeitaufwand berechnet, weil wir davon ausgehen, dass der Prompt auf Produktdaten basiert. Deshalb rechnen wir für das Korrekturlesen und die Berichtigung eines Promptes mit einem Zeitaufwand von 10 Minuten (circa 0,16 Stunden). Multiplizieren wir dies nun mit den monatlich benötigten Produktbeschreibungen, ergibt sich daraus folgender Zeitaufwand:

• kleiner Anwendungsfall: (0,16 * 130 benötigte Produktbeschreibungen =) 21 h
• mittelgroßer Anwendungsfall: (0,16 * 5.500 =) 880 h
• kundenspezifischer Anwendungsfall: (0,16 * 400.000 =) 64.000 h

Die Analyse zeigt, dass der Zeitaufwand im kleinen Anwendungsfall mit GPT-Software noch überschaubar ist. Doch der Aufwand im mittelgroßen Anwendungsfall ist bereits so groß, dass es für Unternehmen im schnelllebigen E-Commerce-Sektor viel zu lange dauern würde, um Produktbeschreibungen zu veröffentlichen. Zudem ist die Organisation einer so großen Textmenge sowie deren Textpflege durch z.B. Updates nicht mehr handhabbar.

2. Mehrsprachigkeit

International agierende Unternehmen benötigen Inhalte in vielen Sprachen. Eine händische Übersetzung ist dabei zu langwierig. Auch GPT-Software ist kaum geeignet, da die Übersetzung eventuell falsche Angaben beinhaltet. Daher ist eine Qualitätskontrolle des Content-Outputs stets nötig. Doch schauen wir uns an, wie viel Zeit die Erstellung mehrsprachiger Texte erfordert.

Laut Analyse der Kundendaten von AX Semantics, arbeiten die meisten Unternehmen je nach Anwendungsfall mit folgender Anzahl von Sprachen:

• kleiner Anwendungsfall: weniger als 10 Sprachen
• mittelgroßer Anwendungsfall: weniger als 50 Sprachen
• kundenspezifischer Anwendungsfall: mehr als 30 Sprachen

Auffällig ist hierbei, dass Accounts, die die meisten Texte produzieren, nicht zwangsweise Content in der höchsten Anzahl von Sprachen brauchen. Tatsächlich zeigt das Ergebnis der Analyse, dass die mittleren Anwendungsfälle die meisten Sprachen verwenden.

Für die Kontrolle und Korrektur eines jeden Text-Outputs in verschiedenen Sprachen berechnen wir den Faktor 0,5 Stunden. Denn es fällt nicht nur ein Korrektur-, sondern auch ein Koordinationsaufwand an. Zum einen mit Übersetzern, zum anderen mit den internationalen Zweigstellen, die in anderen Märkten tätig sind und Texte übersetzen müssen.

Multiplizieren wir den Zeitaufwand von 0,5 Stunden mal der Anzahl benötigter Produktbeschreibungen, erhalten wir folgende Zeitaufwände:

• kleiner Anwendungsfall: (0,5 * 130 =) 65 Stunden im Monat
• mittelgroßer Anwendungsfall: (0,5 * 5.500 =) 2.750 h/ Monat
• kundenspezifischer Anwendungsfall: (0,5 * 400.000 =) 200.000 h/ Monat

Auch hier scheint der Aufwand im kleinen Anwendungsfall noch überschaubar, im mittleren und kundenspezifischen Fall aber ist der Zeitaufwand nicht mehr stemmbar.

3. Zeitaufwand insgesamt

Schauen wir uns nun an, wie viel Zeit Unternehmen insgesamt für die Texterstellung mit GPT-Software brauchen. Addieren wir die Zeit, die für die Erstellung eines Prompts, und die Zeit, die für die Korrektur eines Textes benötigt wird mit dem Kontrollaufwand für die mehrsprachigen Texte, ergeben sich folgende Zeitaufwände insgesamt:

• kleiner Anwendungsfall: (21 Stunden + 21 Stunden + 65 Stunden =) 107 Stunden im Monat
• mittelgroßer Anwendungsfall: (880 h 880 h + 2.750 h =) 4.510 h/ Monat
• kundenspezifischer Anwendungsfall: (64.000 h + 64.000 h + 200.000 h =) 328.000 h/ Monat

Gehen wir davon aus, dass die Unternehmen Vollzeitkräfte beschäftigen, die jeweils 160 Stunden im Monat arbeiten, müssen sie folgende Anzahl an Mitarbeitern beschäftigen, um den Content-Bedarf zu decken:

• kleiner Anwendungsfall: (107 Stunden / 160 Stunden =) 0,67 (bzw. 1 Mitarbeiter)
• mittelgroßer Anwendungsfall: (4.510 h / 160 h =) 28 Mitarbeiter
• kundenspezifischer Anwendungsfall: (328.000 h / 160 h =) 2.050 Mitarbeiter

4. Kosten insgesamt

Doch was bedeuten diese Zahlen für die anfallenden Kosten in Sachen Content-Produktion? In Bezug auf das Beschäftigungsverhältnis der Mitarbeitenden stehen Unternehmen eine Reihe von Möglichkeiten zur Verfügung: Beschäftigen sie Freelancer oder feste Mitarbeiter? Bezahlen sie pro Wort oder gibt es einen festen Stundensatz?

Inzwischen gibt es Prompt Writer, also Prompt-Redakteure, die im Jahr circa 300.000 US Dollar verdienen. Dies ist ein großer Kostenpunkt, der für Unternehmen nicht zu unterschätzen ist. Wir gehen in unserer Beispielrechnung der Einfachheit halber von einem festen Stundensatz aus, den wir aber mit 30 Euro Stundenlohn pro Mitarbeiter überaus tief ansetzen. Damit ergibt sich aus dem gesamten Zeitaufwand ein monatlicher Kostenpunkt von:

• kleiner Anwendungsfall: (30 Euro * 107 Stunden =) 3.198 € pro Monat
• mittelgroßer Anwendungsfall: (30 Euro * 4.510 Stunden =) 135.300 € pro Monat
• kundenspezifischer Anwendungsfall: (30 Euro * 328.000 Stunden =) 9.840.000 € pro Monat

Heruntergebrochen auf die einzelnen Texte ergibt sich der Preis pro Produktbeschreibung: 

• kleiner Anwendungsfall: ( 3.198 Euro / 130 Produktbeschreibungen =) 24,60 €
• mittelgroßer Anwendungsfall: (135.300 Euro / 5.500 =) 24,60 €
• kundenspezifischer Anwendungsfall: (9.840.000 Euro / 400.000 =) 24,60 €

Der Preis pro Produktbeschreibung verhält sich logischerweise in allen Fällen gleich und wird mit steigendem Textbedarf nur scheinbar günstiger. Denn bei der Betrachtung der Anwendungsfälle wird deutlich: Während für kleine Anwendungsfälle der Einsatz von GPT-Tools durchaus lohnend erscheint, ist GPT-Software für mittlere und kundenspezifische Anwendungen nicht geeignet, da der Zeit-, Personal- und Kostenaufwand für das Content-Team viel zu hoch und damit unwirtschaftlich ist.

3.2 Data-to-Text: Kosten und Zeitaufwand nach Anwendungsfall

Data-to-Text-Software setzt strukturierte Daten voraus. Der Vorteil dabei: Sind die Daten einmal glatt gezogen und vollständig, funktioniert die Texterstellung reibungslos. Zudem ist die Textproduktion skalierbar, d.h. egal wie viele Produktbeschreibungen das Unternehmen veröffentlichen will und wie viel Text-Output es braucht, die Software bewältigt die Aufgabe innerhalb kürzester Zeit zuverlässig. Dabei ist kein zusätzliches Personal nötig, da die Maschine die Texte regelbasiert erstellt. Dadurch ist die gleichbleibende Qualität der Texte gegeben.

AX Semantics bietet verschiedene Preispläne an, die sich nach der Anzahl der benötigten Produktbeschreibungen pro Monat richten. Nach dem initialen Setup erstellt die Software unique Texte, die zudem SEO-Anforderungen entsprechen. Doch welche Kosten und Ressourcen sind für den Einsatz von AX Semantics in verschiedenen Anwendungsfällen erforderlich?

Für das einmalige und initiale Setup ihres Textautomatisierungsprojekts brauchen Kunden nach unserer Analyse circa 80 Stunden für die Strukturierung von Daten und circa 150 Stunden für das Aufsetzen von Logiken und des Regelwerks. Im Falle der Mehrsprachigkeit werden circa 14 Stunden pro Sprache für die Überführung der grammatikalischen Regeln benötigt. Aus diesen drei Arbeitsschritten ergibt sich ein Gesamtzeitaufwand von 244 Stunden.

1. Kleiner Anwendungsfall (130 Produktbeschreibungen)

Für den kleinen Anwendungsfall bietet AX Semantics einen Preisplan von 279 € pro Monat an. Mit diesem Plan erstellen Anwender skalierbar automatisierte Produktbeschreibungen. Da die Texterstellung regelbasiert funktioniert, fällt nur der initiale Aufwand für das Aufsetzen strukturierter Daten und des Textkonzepts ins Gewicht. Das heißt, der Gesamtzeitaufwand beträgt, wie erläutert, 244 Stunden. Hinzu kommt ein durchschnittlicher Optimierungsaufwand von 48,8 Stunden. Optimierungsaufwand meint die Weiterentwicklung der Textkonzepte und Aussagen oder auch die Personalisierung der Texte entlang der Customer Journey. Der Aufwand für die Textpflege ist von Unternehmen zu Unternehmen unterschiedlich und hängt von verschiedenen Faktoren ab. Unsere Analyse geht bei dem Optimierungsaufwand von einem Durchschnittswert aus. Also der durchschnittlichen Zeit, die AX-Kunden für die Optimierung ihrer Texte aufwenden.

Die Gesamtkosten, die sich wie beim GPT-Rechenmodell aus 30 Euro Stundenlohn und dem Gesamtaufwand (hier 244 Stunden) ergeben, belaufen sich im kleinen Anwendungsfall auf 7.320 €. Zusammen mit dem Grundpreis von 279 € summieren sich die Gesamtkosten zu einem Betrag von 7.599 €.

Heruntergebrochen auf die Kosten für die Erstellung einer einzelnen Produktbeschreibung bedeutet das einen Kostenaufwand von 58 €. Dabei sind 1,5 Mitarbeiter mit der Aufgabe der Textautomatisierung betraut. Der Initialaufwand reduziert sich in den ersten Wochen, bis das Automatisierungsprojekt vollständig eingerichtet ist. Danach führen Anwender nur noch Optimierungs- bzw. Entwicklungsarbeiten durch.

Durch den Skalierungseffekt sinken im Laufe der Zeit die Kosten und der Personalaufwand, wie die Berechnung für den Preis einer einzelnen Produktbeschreibung zeigt:

2. Mittelgroßer Anwendungsfall (5.500 Produktbeschreibungen)

Der mittelgroße Anwendungsfall erfordert mehr Produktbeschreibungen, daher bietet AX Semantics einen höheren Preisplan von 2.300 Euro pro Monat an. Der initiale Aufwand für diesen Anwendungsfall beträgt 366 Stunden für die Erstellung von Logik und Regelwerken und der Optimierungsaufwand liegt im Durchschnitt bei 91,5 Stunden.

Die anfallenden Kosten (30 Euro Stundenlohn * 366 Stunden) liegen bei 10.980 Euro im Monat. Addiert mit dem Grundpreis ergeben die Gesamtkosten damit 13.280 €. Die Kosten pro Produktbeschreibung liegen bei 2 Euro. Die benötigte Arbeitskraft liegt unverändert bei 1,5 Beschäftigten. 

In diesem Fall wird der Vorteil des Skalierungseffekts durch die Automatisierung sehr deutlich. Der Aufwand für das initiale Setup reduziert sich stark und wird schließlich vom Optimierungsaufwand, wie Qualitätssicherung und Korrekturen, abgelöst.

Durch den Skalierungseffekt sinken die Kosten und der Personalaufwand in den ersten drei Monaten deutlich, wie die Berechnung für den Preis pro Produktbeschreibung zeigt:

3. Kundenspezifischer Anwendungsfall (mehr als 400.000 Produktbeschreibungen)

Gleiches gilt für den kundenspezifischen Anwendungsfall. Auch hier bleibt die benötigte Arbeitskraft dank des Skalierungseffekts mit 1,5 Mitarbeitern unverändert. Für den kundenspezifischen Anwendungsfall bietet AX Semantics einen maßgeschneiderten Preisplan an, der auf den individuellen Anforderungen des Unternehmens beruht.

Unsere Berechnungen basieren auf dem Textbedarf unserer Kunden, die mehr als 400.000 Produktbeschreibungen pro Monat benötigen. Der Initialaufwand liegt hier bei circa 488 Stunden und der Optimierungsaufwand beträgt 163 Stunden.

Die Gesamtkosten für die Erstellung der Produktbeschreibungen liegen damit bei 10.980 €, wenn ein Stundenlohn von 30 Euro angesetzt wird. Hinzu kommt eine Lizenzgebühr von 9.000 Euro, was sich zu Gesamtkosten von 23.640 € summiert. Je Produktbeschreibung belaufen sich die Kosten damit auf etwa 0,05 €.

Zwar liegen die Kosten mit 5 Cent pro Produktbeschreibung schon sehr niedrig. Doch auch im kundenspezifischen Anwendungsfall kommt der Skalierungseffekt zum Tragen: Die Kosten und der Personalaufwand sinken in den ersten Monaten, wie die Tabelle für den Preis pro Produktbeschreibung für die ersten drei Monate der Anwendung zeigt:

4. Aktualität, Qualitätssicherung und Mehrsprachigkeit

Die Beispielrechnungen zeigen, dass sich Data-to-Text-Software dank des Skalierungseffekts besonders für Unternehmen lohnt, die eine größere Menge an Texten benötigen.

Brauchst du viele Texte, wie zum Beispiel Produkt-, oder Kategoriebeschreibungen, eignet sich eine Data-to-Text-Software wie die von AX Semantics. Diese ermöglicht die Generierung tausender uniquer Texte in konstanter Qualität. Zudem lassen sich SEO- und Qualitätsstandards skalierbar umsetzen. Bei einer Änderung, zum Beispiel der Modifikation des Hersteller- oder Produktnamens, ist nur eine kurze Anpassung der Daten nötig und alle Texte werden automatisch angepasst. Das spart viel Arbeit und Zeit.

Bei GPT-Software hingegen ist es wichtig, jeden Text zu kontrollieren und gegebenenfalls zu korrigieren. Bei nachträglichen Änderungen der Produktinformationen müssen die Anpassungen nachträglich für jeden Text einzeln vorgenommen werden, was bei einer größeren Anzahl von Produktbeschreibungen eine nicht zu bewältigende Mammutaufgabe für Content-Teams darstellt.

Eine Automatisierung der Texterstellung ist daher für diese Unternehmen mit Data-to-Text-Software, nicht aber mit GPT-Software möglich. GPT-Software kann hier lediglich bestehende redaktionelle Prozesse unterstützen bzw. optimieren. 

Die folgende grafische Darstellung listet den personellen und finanziellen Aufwand für GPT- und Data-to-Text-Software nach Anwendungsfall und unterstreicht den Vorteil der Skalierung, der mit AX Semantics erzielt wird:

5. Fazit

Sowohl GPT- als auch Data-to-Text-Software sind hervorragende Tools für Unternehmen, die den Prozess ihrer Texterstellung automatisieren möchten. Doch welche Software am besten geeignet ist, hängt vom individuellen Anwendungsfall ab. Im kleinen Anwendungsfall hat GPT-Software in Punkto Wirtschaftlichkeit zwar in der Anschaffung die Nase vorn, doch bietet sie nicht den Vorteil des Skalierungseffekts. Denn nach dem Abschluss des initialen Setups ist nach wenigen Wochen AX Semantics mit circa 13 Euro pro Produktbeschreibung die günstigere Variante.

Durch den Skalierungseffekt ist AX Semantics ganz besonders bei einem größeren Textbedarf geeignet. Dieser Effekt zeigt sich vor allem am Kosten- und Personalaufwand für Anwendungsfälle mit großem Textbedarf, in dem sich der Preis pro Produktbeschreibung nach kurzer Zeit auf 5 Cent reduziert. Data-to-Text lohnt sich im Vergleich zu GPT-Modellen, da bei GPT-Tools keine Skalierung des Texterstellungsprozesses möglich ist, sondern nur eine manuelle Optimierung des generierten Textes. 

Ist der Bedarf an Texten hoch, rechnet sich der Einsatz von GPT-Tools kaum, da die Prompt-Eingabe, vor allem aber die Kontrolle der Textausgaben, viel Zeit und Mitarbeiterkraft bündelt und damit Geld kostet. Bei einer großen Textmenge wird dies schnell zu einer Mammutaufgabe, die entweder die Einstellung vieler neuer Mitarbeiter erfordert, oder, bei ausbleibender Kontrolle, die Gefahr von Fehlern birgt. Ändern sich im Nachhinein Produktinformationen, z. B. der Markenname oder bestimmte Hinweise, müssen diese Informationen für jeden Text händisch vorgenommen werden.

Bei Data-to-Text ist dies anders. Durch die zentrale Verwaltung reicht eine kleine Änderung in den Daten, um die Texte automatisch anzupassen. Durch die Skalierbarkeit des Texterstellungsprozesses liefert die Software zudem die Vorteile von gleichbleibender Konsistenz und Qualität. Mit AX Semantics können Unternehmen viel Zeit und Geld sparen und gleichzeitig einzigartige und hochwertige Produktbeschreibungen erstellen.

*Alle Softwarepreise, Kosten und Annahmen in der Beispielrechnung haben Gültigkeit zum Stand: 27. März 2023.

Weitere Informationen zum Thema: