KI gegen Shrinkflation: Vertrauen statt Millimeter

Shrinkflation ist kein Randthema mehr. Wenn Verbraucher*innen bei vertrauten Produkten plötzlich weniger Inhalt für (gefühlt) denselben Preis bekommen, entsteht nicht nur Ärger – es entsteht Misstrauen. Und Misstrauen ist im Einzelhandel teurer als jede Rohstoffpreissteigerung.

Genau hier setzt die aktuelle Diskussion an, die auch Spar-Chef Hans K. Reisch jüngst zugespitzt hat: Die Politik will mit neuen Vorgaben zur Preisauszeichnung Transparenz schaffen – etwa mit minimal größeren Grundpreis-Schriftgrößen. Reisch hält das für „Nonsens“ und erwartet keinen Effekt auf die tatsächlichen Lebensmittelpreise. Ich teile den Kern der Kritik: Wer Vertrauen gewinnen will, muss Verhalten verstehen – nicht Millimeter messen.

In dieser Ausgabe unserer Serie „KI im Einzelhandel und E-Commerce“ geht’s deshalb um die praktische Frage: Wie können Händler Shrinkflation erkennen, erklären und abfedern – mit Daten, KI und klugen Produktentscheidungen?

Shrinkflation ist primär ein Wahrnehmungsproblem – und damit ein Datenproblem

Shrinkflation wirkt, weil Kund*innen Preis und Menge selten gleichzeitig rechnen. Im Kopf bleibt: „Die Packung kostet wieder mehr“ oder „Da ist weniger drin“. Das Problem ist weniger die juristische Korrektheit der Auszeichnung, sondern die Psychologie am Regal.

Im Alltag passiert Shrinkflation oft in Nuancen:

• gleiche Verpackungsoptik, kleinerer Inhalt
• neue „Rezeptur“, andere Füllmenge
• leicht geänderte Portionsanzahl

Die Reaktion ist selten: „Ah, der Grundpreis steht ja da.“ Die Reaktion ist eher: „Die wollen mich für blöd verkaufen.“ Und dieser Eindruck färbt auf Marke und Händler ab – auch wenn die Veränderung vom Hersteller kommt.

KI kann hier konkret helfen, weil sie nicht nur „Transparenz“ anbietet, sondern Wahrnehmung messbar macht:

• Welche Produkte lösen nach Gewichts-/Volumenänderungen mehr Reklamationen aus?
• Welche Kategorien sind besonders sensitiv (z. B. Kaffee, Schokolade, Waschmittel)?
• Welche Kundensegmente reagieren wie (preisorientiert vs. markentreu)?

Shrinkflation eskaliert dort, wo Kund*innen das Gefühl haben, überrascht worden zu sein.

Was Händler heute oft unterschätzen

Viele Retailer behandeln Shrinkflation wie ein PR-Thema („Wir können nichts dafür“) oder wie ein Compliance-Thema („Grundpreis ist ausgewiesen“). Beides ist zu kurz gedacht.

Die eigentliche Herausforderung ist operativ: Sortimente, Preislogiken, Promotions und Kommunikation müssen so abgestimmt werden, dass Kund*innen nicht das Gefühl bekommen, „reingelegt“ zu werden. Genau dafür ist KI nützlich.

Grundpreis, Schriftgröße, Bürokratie: Warum die Debatte am Kern vorbeigeht

Die Schriftgröße des Grundpreises von 3 mm auf 3,5 mm zu erhöhen, löst kein Vertrauensproblem. Es löst auch kein Preisproblem. Es erzeugt vor allem Arbeit: neue Etiketten, Layout-Anpassungen, Prozesse, Kontrollen.

Reischs Punkt (aus dem Interview-Kontext): Der Handel landet „unschuldig“ in der Schusslinie, obwohl Shrinkflation typischerweise von Herstellern getrieben wird (Rohstoffpreise, Verpackungskosten, Margendruck). Das ist plausibel – gleichzeitig bleibt der Handel der Ort, an dem der Ärger ankommt.

Die bessere Frage lautet daher: Wie kann der Handel Shrinkflation früh erkennen und proaktiv steuern?

KI-Alternative zu „Millimeterarbeit“

Statt Kleinstregeln, die in der Filiale schwer zu kontrollieren sind, bringt KI zwei starke Hebel:

1. Automatisierte Produktänderungs-Erkennung: Abgleich von Stammdaten, Packungsgrößen, EAN-Änderungen, Bildern, Lieferanteninfos.
2. Auswirkungsanalyse auf Kund*innen: Vorhersage, ob eine Mengenänderung die Abverkaufsrate, Retouren, Beschwerden oder Warenkorbabbrüche beeinflusst.

Damit wird aus „Wir reagieren“ ein „Wir sehen’s kommen“.

KI in der Praxis: Shrinkflation erkennen, bevor sie im Regal explodiert

Der schnellste Weg zu weniger Shrinkflation-Ärger ist ein Frühwarnsystem. Das klingt groß – ist aber machbar, wenn Datenquellen sauber zusammenspielen.

Datenquellen, die (fast) jeder Händler hat

• Artikelstammdaten (Gewicht, Volumen, Stückzahl, Preis)
• Lieferantenkommunikation (Änderungsmitteilungen, neue EANs)
• POS-/Kassendaten (Abverkauf, Promo-Effekte)
• Kundenservice (Beschwerden, Chat-Logs, E-Mail-Tickets)
• Online-Reviews und Social-Media-Signale (Sentiment)

KI/ML-Modelle können daraus Muster lernen: Welche Kombination aus „weniger Inhalt + gleiches Packaging + Preisanpassung“ erzeugt besonders häufig negative Reaktionen?

Konkretes Beispiel: „Schleichende“ Packungsänderung

Angenommen, ein Hersteller reduziert die Füllmenge einer beliebten Müslipackung von 500 g auf 450 g.

Ein KI-basiertes System kann:

1. Änderung automatisch flaggen (Stammdaten/Wareneingang)
2. Grundpreis-Impact berechnen (€/kg)
3. Kundensegmente identifizieren, die das Produkt regelmäßig kaufen
4. Reaktionsrisiko prognostizieren (z. B. anhand früherer ähnlicher Fälle)
5. Maßnahmen vorschlagen:
   • klare Regalkommunikation („Neue Packungsgröße“ statt stiller Wechsel)
   • temporäre Promo, um den Übergang abzufedern
   • Alternativprodukt prominent platzieren

Das ist nicht „Marketing-Trick“. Das ist Kundenschutz durch Prozessqualität.

Von Marktmacht zu Marktmonitoring: KI als Radar für Preis- und Wettbewerbsdynamik

Wenn Reisch über „Marktmacht“ spricht, steckt dahinter ein realer Konflikt: Hersteller, Handel, Politik – alle versuchen, Verantwortung zuzuordnen. Für Kund*innen ist das egal. Sie wollen faire, nachvollziehbare Preise.

KI kann das Thema Marktmacht nicht lösen, aber sie kann die Faktenlage verbessern, etwa durch:

KI-gestütztes Wettbewerbsmonitoring

• Preisscans über Online-Sortimente (inkl. Packungsgrößen und Grundpreise)
• Erkennung von „gleichen“ Produkten mit leicht variierenden Größen
• Analyse von Promo-Druck in bestimmten Kategorien

Das hilft, intern sauber zu argumentieren:

• Wo steigen Grundpreise tatsächlich?
• Wo verschiebt sich nur die Menge?
• Welche Marken treiben Änderungen besonders häufig?

Für Händler bedeutet das: bessere Verhandlungen, bessere Sortimentsentscheidungen, weniger Bauchgefühl.

Demand Forecasting: weniger Druck, weniger Shrinkflation

Ein überraschender Zusammenhang: Je schlechter die Nachfrageprognose, desto höher der Kostendruck in der Kette. Überbestände, Abschriften, hektische Promotions – all das frisst Marge. Und irgendwo versucht jemand, das zu kompensieren.

KI-basierte Nachfrageprognosen (unter Einbezug von Saison, Wetter, Feiertagen, Aktionen) reduzieren:

• Verderb und Abschriften (insb. Frische)
• unnötige Preisaktionen
• Lieferengpässe

Und damit indirekt auch den „Anreiz“, über versteckte Mengenanpassungen zu arbeiten.

Transparenz, die wirklich ankommt: Personalisierung ohne „Trickgefühl“

Transparenz ist dann wirksam, wenn sie zur Situation passt. Ein Grundpreis in 3,5 mm ist formal transparent. Aber die Info kommt oft zu spät – oder wird übersehen.

KI kann hier helfen, Transparenz gezielt auszuspielen:

1) Digitale Regaletiketten + KI-Regeln

Wenn Packungsgrößen wechseln, kann ein System automatisch:

• Hinweistext anstoßen („Packungsgröße angepasst“)
• Grundpreis farblich hervorheben (ohne „Alarmismus“)
• Vergleichspreise zu Eigenmarken anzeigen

Das ist besonders relevant im Wintergeschäft (Dezember): Viele kaufen routiniert für Feiertage, Backen, Gäste. Gerade dann fällt Shrinkflation negativ auf, weil Budgets enger sind.

2) Personalisierte Kommunikation im E-Commerce

Online sind die Möglichkeiten größer:

• „Preis pro 100 g“ prominent neben dem Warenkorbbutton
• Vergleich „alte vs. neue Größe“ in der Produkt-Historie
• Empfehlungen, die wirklich sparen helfen („größere Packung“, „Eigenmarke“, „Abo-Rabatt“)

Wichtig: Personalisierung darf nicht wie Manipulation wirken. Meine Faustregel:

Jede KI-Empfehlung muss sich in einem Satz fair erklären lassen.

3) „Trust KPIs“ statt nur Umsatz-KPIs

Wer Shrinkflation ernst nimmt, misst nicht nur Abverkauf. Sinnvolle Kennzahlen:

• Beschwerdequote pro 10.000 Käufe
• Retouren-/Stornoquote nach Produktänderungen
• Wiederkaufrate bei betroffenen Artikeln
• Sentiment (Bewertungen, Social Signals) vor/nach Änderungen

So wird Vertrauen steuerbar.

FAQ aus Projekten: Was Händler zu Shrinkflation & KI wirklich fragen

„Kann KI Shrinkflation verhindern?“

Nein – aber KI kann die negativen Effekte deutlich reduzieren. Händler können früher reagieren, Alternativen anbieten und Kommunikation sauber timen.

„Brauchen wir dafür riesige Datenmengen?“

Nicht zwingend. Schon mit Stammdaten + POS + einfachen Kundenservice-Kategorien lässt sich ein erstes Warnsystem bauen. Mehr Daten verbessern die Trefferquote.

„Wie schnell sieht man Ergebnisse?“

Ein pragmatisches Setup (Dashboards + Regeln + erste ML-Modelle) liefert oft in 6–10 Wochen sichtbare Effekte: weniger Beschwerden in identifizierten Kategorien und bessere Sortimentsentscheidungen.

„Was ist der häufigste Fehler?“

KI nur als Technikprojekt aufzusetzen. Shrinkflation ist ein Zusammenspiel aus Einkauf, Category Management, Pricing, Filiale, E-Commerce und Kommunikation. Wenn eine Abteilung fehlt, verpufft der Nutzen.

Was jetzt zählt: Shrinkflation managen wie ein Produktproblem

Die Debatte um größere Grundpreis-Schrift wirkt wie ein Symbolkampf. Reischs Einwand trifft einen Nerv: Mehr Bürokratie schafft noch kein günstigeres Lebensmittel. Für Händler ist die entscheidende Realität aber eine andere: Kund*innen verhandeln Vertrauen bei jedem Einkauf neu.

Wenn du Shrinkflation ernst nimmst, behandelst du sie wie ein Produkt- und Datenproblem:

• Änderungen früh erkennen
• Reaktionen messen
• Sortimente und Kommunikation anpassen
• Transparenz so gestalten, dass sie im Alltag ankommt

In der Serie „KI im Einzelhandel und E-Commerce“ zeigt sich immer wieder: KI ist am wertvollsten, wenn sie uns hilft, besser für Kund*innen zu entscheiden – nicht, wenn sie nur Prozesse dekoriert.

Wer 2026 mit stabiler Kundenbindung starten will, sollte jetzt damit beginnen, Shrinkflation systematisch zu monitoren. Die spannende Frage ist nicht, ob 3,5 Millimeter helfen. Sondern: Welche Signale in euren Daten zeigen heute schon, wo Vertrauen morgen kippt?