Wer schon einmal versucht hat, 1.500 Produkte gleichzeitig mit KI anzureichern, kennt das Problem: der Browser-Tab läuft, der Laptop darf nicht in den Ruhezustand, und ein zufälliger Netzwerkabbruch bedeutet, dass der gesamte Fortschritt verloren geht. Client-seitige Bulk-Verarbeitung ist fragil, weil sie an die Lebensdauer eines Browser-Tabs gekoppelt ist. pshly.ai löst dieses Problem, indem Bulk-Jobs vollständig serverseitig laufen.
Das Grundproblem client-seitiger Verarbeitung
Wenn eine Anwendung Bulk-Operationen im Browser ausführt, hängt der gesamte Job vom offenen Tab ab. Schließen Sie den Tab, klappt der Laptop zu, oder bricht die Internetverbindung kurz ab, stoppt die Verarbeitung mitten im Job. Bei kleinen Batches von 10 oder 20 Produkten ist das ein Ärgernis. Bei 2.000 Produkten, wo ein vollständiger Durchlauf mehrere Stunden dauern kann, ist es ein Dealbreaker.
Wie server-seitige Jobs bei pshly.ai funktionieren
Sobald Sie einen Bulk-Job starten — sei es Metafeld-Anreicherung, Bild-Generierung oder Kollektions-Zuordnung — wird der Job an eine Warteschlange auf dem Server übergeben. Von diesem Moment an läuft die Verarbeitung unabhängig von Ihrem Browser weiter. Sie können den Tab schließen, den Laptop herunterfahren oder zu einem anderen Gerät wechseln: der Job läuft im Hintergrund auf der Infrastruktur weiter und die Ergebnisse warten bei Ihrer nächsten Anmeldung.
Echtzeit-Fortschrittsbalken
Bleiben Sie im Dashboard, sehen Sie den Fortschritt in Echtzeit: wie viele Produkte bereits verarbeitet sind, wie viele noch ausstehen, und eine geschätzte Restzeit basierend auf der aktuellen Verarbeitungsgeschwindigkeit. Bei einem typischen Metafeld-Job mit Vision-Modus liegt der Durchsatz bei etwa 40 bis 60 Produkten pro Minute, abhängig von Bildgröße und Anzahl der zu befüllenden Felder. Bei reiner Textanreicherung ist der Durchsatz spürbar höher.
Job-Logs für vollständige Nachvollziehbarkeit
Jeder Bulk-Job führt ein detailliertes Log: welches Produkt wann verarbeitet wurde, welches Ergebnis erzielt wurde, und bei Fehlern die genaue Fehlermeldung. Das ist entscheidend, wenn ein Job teilweise fehlschlägt — etwa weil ein einzelnes Produkt eine beschädigte Bild-URL hat. Statt den ganzen Job als "fehlgeschlagen" zu markieren, protokolliert pshly.ai den Fehler auf Produktebene und verarbeitet den Rest der Warteschlange normal weiter.
Automatische Wiederholung bei transienten Fehlern
Nicht jeder Fehler ist dauerhaft. Ein kurzzeitiger Timeout bei der Shopify-API oder ein temporärer Rate-Limit-Treffer sind typische, vorübergehende Störungen. Für solche Fälle implementiert pshly.ai eine automatische Retry-Logik mit exponentiellem Backoff: das betroffene Produkt wird nach einer kurzen Wartezeit erneut versucht, bis zu einer definierten Obergrenze. Erst wenn alle Wiederholungsversuche fehlschlagen, wird das Produkt im Log als endgültig fehlgeschlagen markiert und für eine manuelle Prüfung markiert.
Entdopplung von Item-IDs in der Warteschlange
Bei größeren Teams, in denen mehrere Personen gleichzeitig Bulk-Jobs starten, oder wenn ein Filter versehentlich dieselben Produkte in zwei überlappenden Jobs erfasst, entsteht sonst leicht doppelte Arbeit — und doppelter Credit-Verbrauch. pshly.ai entdoppelt Item-IDs innerhalb der Warteschlange: taucht dieselbe Produkt-ID bereits in einem laufenden oder wartenden Job auf, wird sie nicht ein zweites Mal eingereiht. Das spart Rechenzeit und verhindert widersprüchliche Ergebnisse, wenn zwei Jobs dasselbe Produkt gleichzeitig verändern würden.
Wie die Warteschlange priorisiert
Jobs werden nach dem Prinzip first-in-first-out verarbeitet, mit einer Ausnahme: kleinere Jobs mit weniger als 50 Produkten werden leicht bevorzugt, damit ein einzelner großer Katalog-Job von 5.000 Produkten nicht die gesamte Warteschlange für Stunden blockiert und kleinere Test-Läufe verzögert. Diese Balance sorgt dafür, dass sowohl große Bulk-Operationen als auch schnelle Einzeltests zügig durchlaufen.
Praxisbeispiel: 4.200 Produkte über Nacht
Ein Händler mit einem Katalog von 4.200 Produkten startete abends einen kompletten Metafeld- und Kategorie-Job vor Feierabend, schloss den Laptop und ging nach Hause. Am nächsten Morgen war der Job vollständig durchgelaufen: 4.187 Produkte erfolgreich angereichert, 13 mit einem Log-Eintrag markiert wegen fehlender oder defekter Produktbilder. Diese 13 wurden anschließend manuell geprüft und einzeln nachgezogen. Ohne server-seitige Verarbeitung hätte dieser Job einen durchgehend geöffneten Browser über die gesamte Nacht erfordert — eine unrealistische Annahme in jedem Team.
Was das für Ihren Workflow bedeutet
Server-seitige Bulk-Verarbeitung verändert, wie Teams mit großen Katalogen arbeiten. Statt Anreicherungs-Sessions um die Verfügbarkeit eines geöffneten Browsers herum zu planen, starten Sie einen Job und wenden sich anderen Aufgaben zu. Details zur genauen Funktionsweise der Warteschlange, Retry-Limits und Job-Historie finden Sie in der Bulk-Workflow-Dokumentation.
Was ein kompletter Durchlauf in der Praxis bringt
Bei G&F Verpakkingen lief die erste große Bereinigung als drei aufeinanderfolgende Bulk-Jobs: Titel, Meta-Descriptions und Metafelder für 512 Produkte. Zusammen waren das gut 3.500 Felder, die sonst manuell hätten gefüllt werden müssen — geschätzt 120 Stunden Arbeit. Die Jobs liefen im Hintergrund, während das Team normal weiterarbeitete; echte Aufmerksamkeit kostete nur der Review-Schritt. In den Wochen nach der Veröffentlichung stieg der organische Traffic um 34%. Der Punkt ist nicht, dass die KI schneller tippt, sondern dass die Laufzeit einer katalogweiten Verbesserung von Monaten auf Tage sinkt.
Wie Sie einen großen Durchlauf aufteilen
Bei Katalogen über tausend Produkten bewährt sich eine feste Reihenfolge: erst Titel, dann Handles, dann Meta-Descriptions, dann Metafelder. Jeder Schritt nutzt das Ergebnis des vorherigen, sodass der Handle immer dem finalen Titel folgt. Starten Sie jeden Schritt an einer Teilauswahl von fünfzig Produkten, prüfen Sie den Review und stellen Sie erst danach den vollständigen Katalog in die Warteschlange. So erkennen Sie Abweichungen in Ihren Quelldaten, bevor Credits über Tausende Produkte verteilt werden.
Wenn Sie regelmäßig große Batches anreichern, testen Sie den Unterschied selbst — starten Sie kostenlos und lassen Sie Ihren ersten Bulk-Job im Hintergrund laufen.