KI gegen Ladendiebstahl: Sicherheit ohne Vertrauensverlust

530.643 registrierte Ladendiebstähle in einem Jahr – diese Zahl (für England und Wales, Jahr bis März 2025) ist der Moment, in dem viele Handelsunternehmen aufhören, über „kleine Schwundquoten“ zu reden, und anfangen, über Sicherheit als strategisches Thema zu sprechen. Und zwar nicht nur wegen der Ware: In Befragungen berichten Mitarbeitende zu hohen Anteilen von verbaler Gewalt, Drohungen und Übergriffen.

Genau deshalb sehen wir 2025 einen spürbaren Trend: KI-gestützte Anti-Diebstahl-Technologien ziehen in Filialen ein – von Gesichtserkennung über „Checkout-VAR“-Kameras an Self-Checkouts bis zu Bodycams für Teams auf der Fläche. Das wirkt auf manche wie eine düstere Zukunftsvision. Für andere ist es schlicht ein Versuch, einen realen Schaden zu begrenzen, wenn Polizei und Justiz im Alltag nicht zuverlässig reagieren.

In dieser Ausgabe unserer Serie „KI im Einzelhandel und E-Commerce“ schaue ich auf das, was viele Unternehmen gerade unterschätzen: Die Technik ist selten das Problem. Die Umsetzung ist es. Wer KI zur Diebstahlprävention einführt, entscheidet damit auch über Kundenerlebnis, Markenvertrauen, Datenschutzrisiken – und ganz praktisch über ROI.

Warum Händler jetzt auf KI-Sicherheit setzen

Die schnelle Antwort: Weil Schwund und Gewalt in der Filiale operative Stabilität gefährden. Wenn Ladendiebstahl steigt, kippen Prozesse – Regallücken, Frust im Team, höhere Preise, mehr Sicherheitsmaßnahmen. Besonders im Weihnachtsgeschäft (wir sind am 21.12.2025 mitten in der Peak-Saison) wird das sichtbar: hohe Frequenz, volle Körbe, mehr Stress – und leider auch mehr Gelegenheiten für Delikte.

Was KI hier attraktiv macht, ist der Mix aus Echtzeit-Erkennung und Skalierbarkeit:

• Self-Checkout-Systeme erzeugen Fehler – absichtlich und unabsichtlich. KI kann „nicht gescannt“-Muster erkennen.
• Wiederholungstäter*innen verursachen einen überproportionalen Teil der Schäden. Systeme wie Gesichtserkennung zielen genau darauf.
• Klassische Maßnahmen (mehr Security, mehr Personal) sind teuer – und in Zeiten von Fachkräftemangel nicht immer verfügbar.

Der Haken: Wenn Kund*innen das Gefühl haben, unter Generalverdacht zu stehen, zahlen Sie mit Vertrauen. Und Vertrauen ist im Handel eine harte Währung.

Welche KI-Technologien 2025 in Filialen auftauchen – und was sie wirklich leisten

Die kurze Antwort: KI wirkt am besten dort, wo sie Verhalten und Prozesse unterstützt – nicht dort, wo sie pauschal „Menschen bewertet“. In der Praxis lassen sich die aktuellen Ansätze in drei Gruppen einteilen.

1) „Checkout-VAR“ und Computer Vision am Self-Checkout

Hier ist der Nutzen am klarsten: Die KI prüft den Scan- und Bezahlprozess, nicht die Identität. Overhead-Kameras und Video-Analyse spielen bei Verdacht auf einen „Missed Scan“ eine Sequenz ab, bevor die Zahlung abgeschlossen wird. Das hat zwei Effekte:

1. Deterrence: Wer bewusst „vergisst“, wird eher abgeschreckt.
2. Fehlerkorrektur: Viele Vorfälle sind Bedienfehler (z. B. zwei Artikel gleichzeitig in der Hand, Barcode nicht erkannt).

Meine Erfahrung aus Projekten: Diese Kategorie hat im Verhältnis die beste Akzeptanz, wenn sie sauber kommuniziert wird – weil Kund*innen den Zusammenhang sofort verstehen: „Hier geht’s um den Kassenprozess, nicht um mich als Person.“

2) Gesichtserkennung (biometrische Überwachung)

Gesichtserkennung ist die kontroverseste Maßnahme – zu Recht. Der Mechanismus ist simpel: Kamera scannt Gesichter beim Eintritt, vergleicht sie mit einer Watchlist („Subjects of interest“).

Der betriebliche Nutzen ist ebenfalls klar: Repeat Offenders werden erkannt, Personal kann frühzeitig reagieren, Sicherheitskräfte können gezielt ansprechen.

Das Risiko ist aber strukturell:

• Fehlalarme (False Positives) können unbeteiligte Kund*innen treffen.
• Reputationsschaden ist wahrscheinlich, wenn Transparenz fehlt.
• Rechts- und Compliance-Komplexität ist hoch, insbesondere in DACH (DSGVO, Zweckbindung, Datensparsamkeit, Informationspflichten).

Und noch etwas: Wenn Unternehmen Gesichtserkennung einführen, ohne gleichzeitig in deeskalierende Prozesse zu investieren, entsteht oft das Gegenteil des Gewünschten – mehr Konflikt auf der Fläche.

3) Bodycams und „KI-unterstützte“ Vorfallanalyse

Bodycams sind nicht automatisch KI – aber 2025 werden sie häufig mit KI-Features kombiniert: automatische Ereignis-Markierung, Audio-Trigger (z. B. Schreie), schnellere Auswertung von Vorfällen.

Der Nutzen ist zweigleisig:

• Schutz der Mitarbeitenden (abschreckend, dokumentierend)
• Bessere Beweisführung und schnellere interne Nachbereitung

Wichtig: Bodycams wirken besonders dann, wenn sie Teil eines Gesamtsystems sind – inklusive Trainings, klarer Regeln zur Aktivierung, Speicherfristen und sauberer Kommunikation.

Funktioniert das wirklich? Was Zahlen nahelegen – und was Händler oft falsch messen

Die kurze Antwort: Ja, KI kann Vorfälle reduzieren – aber nur, wenn Erfolg richtig definiert und unabhängig geprüft wird. Ein Kernproblem in der Debatte: Viele Wirksamkeitsbehauptungen stammen von Anbietern oder Einzelhändlern selbst. Das ist nicht automatisch falsch, aber es ist selten „vergleichbar“.

Trotzdem geben einige veröffentlichte Kennzahlen eine Richtung:

• In Läden mit einer bestimmten Gesichtserkennungs-Lösung wurde ein deutlich geringerer Kriminalitätsanstieg berichtet als in Läden ohne System.
• Einzelne Filialberichte sprechen von sehr hohen Rückgängen (bis zu 90%) nach Einführung bestimmter Technologien.
• Bodycam-Piloten wurden mit zweistelligen Rückgängen bei Gewaltvorfällen in Verbindung gebracht.

Was in der Praxis oft schiefgeht: Unternehmen messen nur „Shrink“ oder „Anzahl Vorfälle“ und übersehen die Verlagerungseffekte.

Drei Messfehler, die ROI-Berechnungen ruinieren

1. Verdrängung statt Vermeidung: Diebstahl sinkt in Filiale A, steigt aber in Filiale B oder wandert in den Online-Kanal (z. B. Retourenbetrug).
2. Mehr Erkennung ≠ mehr Kriminalität: Wenn ein System besser detektiert, steigen gemeldete Vorfälle kurzfristig.
3. Customer Friction wird nicht bepreist: Abbruch am Self-Checkout, längere Wartezeiten, schlechtere NPS-Werte.

Eine belastbare Bewertung braucht daher ein Set aus KPIs, z. B.:

• Shrink-Rate nach Warengruppe (High-Risk Kategorien wie Alkohol, Kosmetik, Elektronik)
• False-Positive-Rate (bei Alerts)
• Abbruchquote am Self-Checkout
• NPS/CSAT im Store (vor/nach Rollout)
• Mitarbeiterfluktuation und Krankheitstage (als Stressindikatoren)
• Zeit bis zur Bearbeitung eines Vorfalls (Operations-KPI)

Wenn Sie nur eine Kennzahl mitnehmen: „Kosten pro verhinderten Vorfall“ (inkl. Kundenerlebnis-Kosten) ist oft ehrlicher als „Schwund gesunken“.

Die Balance: Sicherheit, Datenschutz und Kundenerlebnis gleichzeitig gewinnen

Die kurze Antwort: Sicherheit ohne Vertrauen funktioniert nicht – und Vertrauen ohne Sicherheit auch nicht. Wer KI im Laden einführt, muss beides systematisch gestalten.

Governance: Was vor dem Pilot geklärt sein muss

Bevor die erste Kamera hängt, braucht es ein Minimum an Governance. Nicht als Papierübung, sondern weil es später Krisen verhindert:

• Zweckdefinition: Geht es um Prozessintegrität (Self-Checkout) oder um Personenerkennung (Biometrie)? Beides ist nicht „dasselbe“.
• Datensparsamkeit: So wenig personenbezogene Daten wie möglich. Wo geht Anonymisierung/Pseudonymisierung?
• Transparenz am Eingang: Klare Hinweise, verständliche Sprache, keine juristischen Nebelkerzen.
• Auditierbarkeit: Wer darf Watchlists pflegen? Wer entscheidet über Einträge? Wie wird gelöscht?
• Incident Playbook: Was passiert bei False Positives? Wer spricht Kund*innen an? Wie wird deeskaliert?

Mein Standpunkt: Gesichtserkennung ohne extern überprüfbare Regeln und ohne harte Grenzen ist in DACH eine Einladung zur Vertrauenskrise. Für viele Händler ist Computer Vision am Checkout der deutlich smartere erste Schritt.

„Privacy by Design“ als Wettbewerbsvorteil

Viele Teams sehen Datenschutz als Bremse. Ich sehe ihn als Differenzierung.

Beispiele, die in der Praxis gut funktionieren:

• Edge-Verarbeitung (Auswertung lokal, nicht in der Cloud, wenn möglich)
• Kurze Speicherfristen, klare Löschroutinen
• Strikte Trennung von Sicherheitsdaten und Marketing-/CRM-Daten
• Optik/UX: Technik sichtbar, aber nicht aggressiv inszeniert

Der unterschätzte Effekt: Wenn Kund*innen verstehen, dass ein System fair und begrenzt eingesetzt wird, ist Akzeptanz erstaunlich hoch.

Vom Diebstahlschutz zur Handelsintelligenz: Was KI nebenbei lernen kann (und was sie nicht darf)

Die kurze Antwort: Sicherheits-KI erzeugt Daten über Kundenverhalten – diese Daten sind Gold wert, aber hochsensibel. Genau hier liegt die Brücke zu unserer Serien-Perspektive: KI im Handel ist nicht nur Empfehlungssystem und Nachfrageprognose. Es ist auch Sensorik.

Sinnvolle, legitime Synergien (ohne Biometrie-Marketing)

Sie können aus Sicherheits- und Prozessdaten wertvolle, nicht-invasive Erkenntnisse ziehen:

• Store-Layout optimieren: Wo entstehen wiederholt Engpässe, wo häufen sich Abbrüche am Self-Checkout?
• Personalplanung verbessern: Peaks an „Assistance Needed“ korrelieren oft mit bestimmten Uhrzeiten, Warengruppen oder Kassentypen.
• Bestandsmanagement: Wenn Schwund sich auf wenige SKUs konzentriert, kann man Planogramme, Sicherungsmaßnahmen und Nachschub anders planen.
• Demand Forecasting: Korrekturen durch „Missed Scans“ beeinflussen Verkaufsdaten – die KI kann Datenqualität verbessern.

Wichtig ist die Grenze: Sicherheitsdaten sind kein Shortcut für Personalisierung. Wer Kund*innen über biometrische Systeme „wiedererkennt“, um Angebote zu personalisieren, spielt mit dem Feuer – regulatorisch und reputativ.

Praxis-Blueprint: So starten Retailer in 90 Tagen sinnvoll

Die kurze Antwort: Beginnen Sie dort, wo KI den Prozess verbessert und das Risiko niedrig ist – und bauen Sie von dort aus. Ein pragmatischer 90-Tage-Plan sieht so aus:

1. Risiko-Heatmap erstellen (Woche 1–2)

   • Top-10 SKU/Warengruppen nach Schwund
   • Top-5 Filialen nach Vorfällen
   • Prozessschwachstellen (Self-Checkout, Eingänge, Alkohol-/Kosmetikzonen)

2. Low-Friction-Pilot definieren (Woche 3–6)

   • Fokus: Computer Vision am Self-Checkout oder Regal-/Zonenanalyse
   • KPI-Set inkl. Kundenerlebnis
   • Schulung für Teams (Deeskalation, Assistenz-Prozesse)

3. Governance „klein, aber hart“ (parallel)

   • Rollen & Rechte, Logging, Löschfristen
   • Standardtexte für Hinweisschilder und Kundenservice

4. A/B-Test-Design (Woche 7–12)

   • Vergleichsfilialen definieren
   • Zeiträume und Saison-Effekte berücksichtigen
   • Ergebnis: Entscheidungsvorlage für Skalierung

Wenn in 90 Tagen kein eindeutiger Effekt messbar ist: nicht „noch mehr Kameras“ bestellen – sondern Ursachenanalyse. Oft liegt die Hebelwirkung in Prozess-UX, Personalunterstützung und sauberer Kommunikation.

Was 2026 wahrscheinlich wird – und worauf sich Schweizer Händler vorbereiten sollten

Die kurze Antwort: Mehr KI-gestützte Verhaltensanalyse, mehr Automatisierung – aber auch mehr Regulierung und mehr Sensibilität bei Kund*innen. Technologisch sehen wir eine klare Richtung:

• stärkere Echtzeit-Analytik (Bewegungsmuster, Anomalien)
• Smart Shelves und Sensorik zur Bestandssicherheit
• kassenlose Konzepte, die Schwund technisch reduzieren können, aber hohe Investitionen brauchen

Für die Schweiz ist die zentrale Frage weniger „ob“ KI-Sicherheit kommt, sondern wie sie gestaltet wird: Mit klarer Governance, fairen Prozessen und einem Kundenerlebnis, das nicht nach Kontrollstaat aussieht.

Wer jetzt sauber arbeitet, gewinnt doppelt: weniger Schwund und bessere Datenqualität – und damit eine stärkere Basis für Personalisierung, Nachfrageprognosen und Bestandsmanagement, also die Kernthemen dieser Serie.

Merksatz für Entscheider*innen: KI in der Diebstahlprävention ist nur dann erfolgreich, wenn sie gleichzeitig Risiko reduziert und Vertrauen stärkt.

Wenn Sie gerade überlegen, welche KI-Lösungen zu Ihrem Filial- oder Omnichannel-Setup passen: Starten Sie mit einem Pilot, der messbar ist, datenschutzarm bleibt und operativ hilft. Und bauen Sie von dort aus weiter – statt alles auf die radikalste Technologie zu setzen.