KI im Handel: Fallgruben vermeiden, Mehrwert liefern

65 % der Retail-Führungskräfte geben an, bereits gescheiterte KI-Projekte erlebt zu haben. Das ist kein Randphänomen, sondern ein Muster – und es hat fast nie mit „zu wenig Innovation“ zu tun. Es scheitert an Basics: Daten, Infrastruktur, Verantwortung, Betrieb.

Gerade im Schweizer Einzelhandel und E-Commerce ist der Druck hoch: Margen bleiben eng, Kundenerwartungen steigen (Personalisierung, Verfügbarkeit, schnelle Lieferung), und Datenschutz wird zu Recht streng ausgelegt. Wer hier KI einführt, braucht nicht die grösste Vision, sondern den saubersten Plan.

In dieser Ausgabe unserer Serie „KI im Einzelhandel und E-Commerce“ geht es deshalb um eine klare Frage: Wie setzen Händler KI so um, dass sie im Alltag funktioniert – ohne teure Fallstricke? Ich zeige, wo Projekte typischerweise kippen und wie Sie KI-Anwendungsfälle wie personalisierte Empfehlungen, Nachfrageprognosen, Bestandsoptimierung und Kundenanalysen pragmatisch zum Laufen bringen.

Warum KI-Projekte im Handel so oft scheitern

Die häufigste Ursache ist kein Algorithmus-Problem, sondern ein Ziel- und Umsetzungsproblem. Wenn das Geschäftsziel unklar ist, kann das Modell noch so gut sein – es wird keine Entscheidung verbessern.

Der Gastbeitrag von Marc Del Vecchio (Supermicro) trifft einen wunden Punkt: Viele Unternehmen merken zu spät, dass ihre Annahmen nicht zur Realität im Store, Lager oder Onlineshop passen. KI wird dann wie ein „Add-on“ behandelt, statt als Teil eines End-to-End-Prozesses.

Typische Muster, die ich immer wieder sehe:

• Unklare Erfolgsdefinition: „Wir wollen KI“ ist kein Ziel. „Warenverfügbarkeit um 2 Prozentpunkte erhöhen“ ist ein Ziel.
• Falsche Reihenfolge: Erst ein Use Case wählen, dann Daten prüfen, dann Infrastruktur nachziehen – statt umgekehrt.
• Pilot-Falle: Ein Proof-of-Concept läuft im Labor, aber nicht im Filialnetz oder im Peak (Black Friday / Vorweihnachtsgeschäft).
• Betrieb wird vergessen: Monitoring, Retraining, Modell-Drift, Incident-Prozesse – niemand fühlt sich zuständig.

Merksatz: KI ist kein Projekt. KI ist ein Produkt, das betrieben werden muss.

Die 5 grössten KI-Herausforderungen – und was Schweizer Händler daraus machen sollten

Die Herausforderungen sind bekannt, aber ihre Konsequenzen werden unterschätzt. Hier sind die wichtigsten Stolpersteine – mit konkreter Übersetzung in den Retail-Alltag.

1) Datenqualität: „Garbage in“ kostet echtes Geld

Wenn Produktdaten, Bestände, Preise und Kundensignale nicht konsistent sind, wird jede Prognose zur Lotterie. Im Handel ist das besonders kritisch, weil kleine Fehler grosse Kettenreaktionen auslösen: falsche Disposition, Out-of-Stock, unnötige Abschriften.

Praktisch heisst das:

• Artikelstammdaten (Attribute, Varianten, Grössen, EAN) müssen sauber sein, sonst kann eine Empfehlungs-KI nicht sinnvoll „ähnliche“ Produkte finden.
• Bestandsdaten müssen zeitnah sein (Filiale, Lager, Transit). Sonst empfiehlt die KI Produkte, die nicht lieferbar sind.
• Kundendaten müssen konsentiert und rechtssicher nutzbar sein – inklusive Consent-Logik.

Actionable Check: Wählen Sie 30 Top-Artikel und prüfen Sie manuell: Sind Attribute vollständig? Sind Bilder und Kategorien konsistent? Stimmen Bestände über Kanäle hinweg? Diese Mini-Prüfung entlarvt 80 % der Datenprobleme.

2) Datenschutz & Sicherheit: Nicht „ob“, sondern „wie“

Im Schweizer Markt wird KI schnell zum Vertrauens-Thema. Kund:innen verzeihen einen unpassenden Newsletter eher als eine undurchsichtige Datennutzung.

Was in der Praxis hilft:

• Datensparsamkeit als Designprinzip: Für Nachfrageprognosen brauchen Sie oft keine Personendaten.
• Pseudonymisierung/Anonymisierung: Kundenanalysen können meist mit Hash-IDs funktionieren.
• Klare Datenflüsse: Wer sieht was? Wo wird verarbeitet (Edge, Cloud, Rechenzentrum)? Wie lange wird gespeichert?

Gerade bei Edge AI (z. B. Computer Vision im Store) lässt sich Datenschutz oft besser umsetzen, weil Daten lokal verarbeitet und nur aggregierte Ergebnisse übertragen werden.

3) Infrastruktur & Hardware: Zu spät geplant, zu teuer bezahlt

Ein Klassiker: Das Modell steht – und dann stellt man fest, dass die vorhandene Hardware die Rechenlast nicht schafft. Del Vecchio beschreibt genau diese späte Erkenntnis als Kostentreiber.

Für Retail-Use-Cases bedeutet das:

• Empfehlungen im Onlineshop brauchen schnelle Inferenz und stabile Schnittstellen zum Shop-System.
• Nachfrageprognosen benötigen Datenpipelines und Rechenleistung vor allem in Trainingsphasen.
• Computer Vision im Store (Edge) braucht robuste Geräte, gute Kameraintegration, Updatefähigkeit und Monitoring.

Faustregel: Planen Sie Infrastruktur nicht nach dem Pilot, sondern nach dem Betrieb im Peak. Weihnachten ist kein Sonderfall – es ist die Realität.

4) Integration in bestehende Systeme: Der unsichtbare Aufwand

KI bringt erst dann Geld, wenn sie Entscheidungen in Prozessen auslöst. Und dafür muss sie in Warenwirtschaft, ERP, PIM, CRM, Kassensysteme und Shop-Stack integriert werden.

Drei Punkte machen den Unterschied:

• Schnittstellen zuerst: Welche Events kommen rein (Sales, Clickstream, Bestand)? Welche Outputs gehen raus (Bestellvorschläge, Empfehlungen, Alerts)?
• Human-in-the-loop: Disponent:innen oder Category Manager brauchen eine Oberfläche, die Vertrauen schafft – inklusive Erklärbarkeit („Warum schlägt das System das vor?“).
• Rollback & Fallback: Wenn KI ausfällt, muss der Prozess weiterlaufen. Sonst wird sie intern schnell „abgeschaltet“.

5) Akzeptanz bei Mitarbeitenden: KI darf nicht wie Kontrolle wirken

Widerstand entsteht oft dort, wo KI als Bewertung von Menschen statt als Unterstützung verstanden wird. Besonders in kleineren Unternehmen kann das zu Blockaden führen.

Was funktioniert:

• Starten Sie mit Use Cases, die Mitarbeitende entlasten (z. B. automatische Out-of-Stock-Alerts statt Performance-Tracking).
• Definieren Sie Rollen: Wer ist „Owner“ des Use Cases? Wer entscheidet bei Konflikten zwischen Erfahrung und Modell?
• Messen Sie nicht nur KPI, sondern auch Prozessqualität (Zeitersparnis, weniger manuelle Korrekturen).

Ein KI-System ist nur so gut, wie es im Alltag genutzt wird – nicht wie es im Demo-Meeting aussieht.

Edge AI vs. Cloud: Welche Architektur passt zu welchem Use Case?

Die richtige Architektur ist eine Geschäftsentscheidung, keine Glaubensfrage. Im Handel ist oft eine Hybrid-Strategie am sinnvollsten.

Edge AI: Wenn Geschwindigkeit, Kostenkontrolle und Datenschutz zählen

Edge AI spielt ihre Stärken aus, wenn Daten direkt im Store entstehen und schnell reagiert werden muss:

• Frequenz- und Warteschlangen-Analysen (ohne Personenbezug, aggregiert)
• Regalzustand-Erkennung (Out-of-Shelf)
• Verlustprävention mit klaren Compliance-Grenzen

Vorteil: weniger Datenbewegung, schnellere Reaktion, oft leichteres Datenschutz-Design.

Cloud/Rechenzentrum: Wenn Training, Skalierung und zentrale Steuerung dominieren

Cloud ist häufig besser für:

• Training grosser Modelle (z. B. Nachfrageprognosen über alle Filialen)
• Zentrale Personalisierung (Empfehlungslogik, Segmentierungen)
• Modellverwaltung, Monitoring, A/B-Tests

Vorteil: Skalierbarkeit und zentrale Governance.

Pragmatischer Ansatz: Trainieren zentral, inferieren dort, wo es Sinn ergibt (Edge für Vision, zentral für Prognosen/Empfehlungen).

Ein 6-Stufen-Plan, der KI-Projekte wirklich durch den Betrieb bringt

Ein strukturierter Prozess reduziert Risiko stärker als jede Tool-Auswahl. Das im Artikel genannte 6-Stufen-Framework lässt sich für Schweizer Händler sehr gut operationalisieren – mit ein paar Ergänzungen.

1. Schwachstellen messbar definieren

   • Beispiel: „Out-of-Stock im Click & Collect um 15 % senken“ oder „Abschriften in Warengruppe X um 10 % reduzieren“.

2. Use Case so wählen, dass Daten vorhanden sind

   • Starten Sie dort, wo Daten schon zuverlässig fliessen (POS, Shop, Lager), nicht dort, wo erst alles neu aufgebaut werden muss.

3. Modelle/Partner gezielt auswählen

   • Gute Partner erkennen Sie daran, dass sie zuerst nach Daten, Prozessen und Betrieb fragen – nicht nach „welches LLM wollen Sie?“.

4. Kontrolliert testen (Pilot), aber realistisch

   • Testen Sie in einer Filiale mit echten Randbedingungen: schwankendes WLAN, wechselnde Teams, Peak-Zeiten.

5. In Workflows integrieren – mit Verantwortung

   • Legen Sie fest: Wer bekommt den KI-Output? Wer bestätigt? Wer korrigiert? Wie wird daraus eine Bestellung, ein Preis-Update oder eine Empfehlung?

6. Überwachen, aktualisieren, verbessern

   • Setzen Sie Monitoring auf: Forecast-Fehler, Out-of-Stock-Rate, Conversion, „Coverage“ der Empfehlungen, Drift-Indikatoren.

Meine Ergänzung: Planen Sie von Tag 1 an einen „Betriebsmonat 13“. Viele Projekte laufen 12 Monate und sterben dann leise, weil niemand Budget und Team für Wartung eingeplant hat.

Konkrete Retail-Use-Cases: So entsteht schnell messbarer Mehrwert

KI lohnt sich im Handel dann, wenn sie drei Dinge verbindet: Kundennutzen, Prozessnutzen und Daten-Realität. Drei Use Cases passen besonders gut zur aktuellen Saisonlogik (Jahresende, Promotions, Geschenkgeschäft) und zu Schweizer Anforderungen.

Personalisierte Empfehlungen: Weniger Streuverlust, mehr Warenkorb

• Nutzen Sie Verhaltensdaten (Clicks, Views, Warenkorb) stärker als demografische Daten.
• Regeln + KI kombinieren: z. B. erst Verfügbarkeit/Marche/Retourenquote filtern, dann personalisieren.
• Messen Sie sauber: Uplift per A/B-Test (Conversion, AOV, Retouren).

Nachfrageprognosen: Weniger Abschriften, bessere Verfügbarkeit

• Starten Sie in einer Warengruppe mit guter Historie (z. B. Basics, regelmässige Nachfrage).
• Integrieren Sie Promotions, Feiertage, Wetter (wo sinnvoll) und Lead Times.
• Definieren Sie einen Prozess, wie Prognosen zu Bestellvorschlägen werden.

Kundenanalysen: Entscheidungen verbessern, nicht nur Dashboards bauen

• Segmentierungen sollten Aktionen auslösen (z. B. Reaktivierung, Sortiment je Region, Churn-Prevention).
• Legen Sie klare Grenzen fest: Was wird personalisiert, was nicht?
• Dokumentieren Sie: Datenquellen, Consent, Aufbewahrung, Zugriff.

Fazit: KI ohne Fallgruben heisst „sauber geplant“

KI im Einzelhandel scheitert selten an der Idee – sondern an Daten, Integration und Betrieb. Wer früh Infrastruktur und Governance klärt, spart Geld und Nerven. Und wer Use Cases wählt, die messbar auf Umsatz, Marge oder Verfügbarkeit einzahlen, bekommt intern Rückenwind.

Wenn Sie als Schweizer Händler KI für personalisierte Empfehlungen, Nachfrageprognosen oder Kundenanalysen einsetzen wollen, lohnt sich ein nüchterner Start: Daten prüfen, Ziele schärfen, Piloten realistisch aufsetzen, Betrieb einplanen. Das ist nicht glamourös – aber wirksam.

Welche zwei Prozesse in Ihrem Unternehmen kosten heute am meisten Zeit oder Marge – und könnten mit besseren Daten und einem klaren KI-Use-Case als erstes profitieren?