KI-gestützte Apps: Was Retail-Teams von Swiss Awards lernen

Most companies get das Thema App-Erfolg falsch: Sie glauben, ein „schönes UI“ oder ein cleveres Feature reiche aus. In der Praxis entscheiden ganz andere Dinge – Trial-and-Error, kompromissloser Fokus auf Nutzer:innen, saubere Datenflüsse und eine klare Produktlogik. Genau das zeigte der Swico Winner Talk rund um die Best of Swiss Apps (BoSA): drei prämierte Projekte, drei sehr unterschiedliche Kontexte – und trotzdem auffällig ähnliche Muster.

Für unsere Serie „KI im Einzelhandel und E-Commerce“ ist das Gold wert. Denn die nächste Stufe im Retail kommt nicht nur von besseren Shops, sondern von besseren Apps: Beratung auf dem Smartphone, Navigation im Store, Personalisierung über alle Kanäle, digitale Services rund um Produkte. Und hier ist mein Standpunkt: Ohne KI wird App-Qualität im Handel bald zu teuer. Nicht, weil Teams unfähig wären – sondern weil die Komplexität (Devices, Datenschutz, Content, UX, Messbarkeit) explodiert.

Die drei Schweizer Beispiele liefern dafür ein starkes Lernpaket: eine Teenager-App mit heiklen Daten, ein 3D-Visitorguide als Progressive Web App und eine AR-Kunsttour mit kniffligen Standort- und Offline-Anforderungen. Daraus lassen sich sehr konkrete Prinzipien für Retail- und E-Commerce-Apps ableiten – und an den richtigen Stellen macht KI den Unterschied.

Erfolgreiche Apps entstehen aus „Trial-and-Error“ – KI macht es planbar

Kernaussage: Trial-and-Error ist normal, aber du solltest ihn messbar und zielgerichtet machen. Genau hier hilft KI – nicht als Deko, sondern als Produktwerkzeug.

Alle drei BoSA-Projekte berichten indirekt vom selben Muster: Prototypen, Tests, Iterationen, Hindernisse, erneutes Nachschärfen. Das klingt banal, ist aber in Retail-Apps oft der wunde Punkt. Viele Händler bauen „einmal“ eine App und erwarten, dass sie danach „läuft“. Die Realität? Apps sind Betrieb, nicht Projekt.

Was KI daran verbessert:

• Schnellere Hypothesen-Checks: KI-gestützte Analyse kann Muster in Abbruchraten, Scroll-Tiefen, Klickpfaden und Suchanfragen schneller sichtbar machen als manuelles Dashboard-Starren.
• Personalisierung ohne Overengineering: Statt fünf Zielgruppen-Workshops kann ein Recommendation-Ansatz (z. B. hybride Modelle aus Produktähnlichkeit + Verhalten) früh echte Relevanz erzeugen.
• Automatisierte UX-Quality-Checks: KI kann UI-Varianten, Microcopy oder Onboarding-Flows gegeneinander testen (A/B, Multi-Armed-Bandits) und Vorschläge priorisieren.

Retail-Übertragung: Wenn du eine Shopping-App hast, ist das Trial-and-Error nicht „Design-Gefühl“, sondern harte Mathematik: Welche Filter werden genutzt? Wo bricht Checkout ab? Welche Kategorie-Suche endet in „0 Treffer“? KI hilft, diese Fragen täglich zu beantworten – und nicht erst im Quartalsreport.

Case 1: Teena zeigt, wie man mit sensiblen Daten sauber umgeht

Kernaussage: Datenschutz ist kein „Compliance-Blocker“, sondern ein UX- und Vertrauensfeature – besonders bei sensiblen Daten. Das ist im Retail 1:1 übertragbar.

Das Projekt Teena kombiniert ein Periodenmessgerät mit einer App für Teenager. Der Stoff ist sensibel, die Zielgruppe minderjährig, das Vertrauen muss sitzen. Besonders interessant: Login ohne E-Mail oder Telefonnummer, stattdessen ein Gerät mit Seriennummer – und diese wird beim Kauf nicht mit einem Profil verknüpft.

Für den Handel wirkt das auf den ersten Blick weit weg. Ist es nicht.

Was Retail daraus direkt lernen kann

Im Einzelhandel sind Daten ebenfalls sensibel – nicht medizinisch, aber wirtschaftlich und persönlich: Kaufhistorie, Retouren, Größen, Zahlungsarten, Standortdaten, Ladenbesuche.

Ein starkes Prinzip aus Teena: „So wenige identifizierende Daten wie möglich, so viel Nutzen wie nötig.“

Konkrete Umsetzungsideen für E-Commerce- und Retail-Apps:

1. Guest-First statt Account-Zwang: Erst Nutzen liefern (Scanner, Verfügbarkeit, Wunschliste), dann Account anbieten.
2. Pseudonyme Identitäten: Kund:innen müssen nicht überall „Max Muster“ sein. Für Personalisierung reichen oft pseudonyme IDs.
3. Datenschutz als Feature kommunizieren: Kurz, klar, nicht juristisch. Ein Satz wie: „Wir speichern nur, was du brauchst, damit die App funktioniert.“

Wo KI hilft – ohne Datenschutz zu sprengen

KI wird oft reflexartig als „Datenfresser“ gesehen. Das muss nicht so sein.

• On-device Modelle (z. B. für Suche/Ranking, Bildklassifikation) reduzieren Serverdaten.
• Federated Learning kann Personalisierung ermöglichen, ohne Rohdaten zentral zu sammeln.
• Anomalie-Erkennung schützt Accounts und Zahlungen (Fraud Detection), ohne mehr Daten zu sammeln als nötig.

Mein Fazit: Die besten KI-Retail-Apps sind nicht die, die am meisten Daten haben – sondern die, die am klügsten mit wenigen Daten umgehen.

Case 2: Der Kunsthaus-Visitorguide beweist den Wert von Navigation und Content-Governance

Kernaussage: Orientierung ist ein Umsatztreiber. Wer Nutzer:innen schneller ans Ziel bringt, gewinnt – im Museum genauso wie im Store.

Der Visitorguide des Kunsthauses Zürich wurde als Progressive Web App umgesetzt und nutzt eine 3D-Karte zur Orientierung. Entscheidende Punkte: Nutzer:innen-Tests (über 80 % fanden sich auf der Karte zurecht), QR-Codes zur Verortung im Gebäude und ein CMS-Setup, das Content gut pflegbar macht.

Retail-Pendant: „Indoor Navigation“ ist nicht nur für Riesenläden

Viele Händler unterschätzen, wie oft Kund:innen scheitern – nicht am Preis, sondern an der Orientierung:

• „Ist das Produkt verfügbar – und wo genau?“
• „Wo ist die Abholung/Retoure?“
• „Welche Alternative passt zu meinem Bedarf?“

Was im Kunsthaus die Treppenhäuser sind, sind im Handel häufig Zonen, Regalreihen, Servicepoints.

Praktische Idee:

• QR-Codes oder NFC-Tags in Filialen → führen zu einer PWA-Seite mit Standort + Sortiment dieser Zone.
• Jeder Bereich bekommt eine „URL-Logik“ (wie im Visitorguide) → das erleichtert Analytics, Kampagnen und Content-Pflege.

KI als Turbo für Orientierung und Suche

Sobald Navigation und Content strukturiert sind, skaliert KI deutlich besser:

• Semantische Suche: „Winterjacke für Pendeln, nicht zu warm“ statt exakter Filter.
• Intent-Erkennung: App erkennt, ob jemand „vergleichen“, „schnell kaufen“ oder „Beratung“ will.
• Dynamische Inhalte: CMS-Inhalte werden automatisch für unterschiedliche Zielgruppen variiert (z. B. Einsteiger:innen vs. Profis).

Und ja: Accessibility ist hart. Der Visitorguide musste hier Abstriche machen. Genau das passiert auch im Retail. Meine Empfehlung: Accessibility nicht „später“, sondern als Akzeptanzkriterium – besonders wenn KI-generierte Inhalte (z. B. Produkttexte) ins Spiel kommen.

Case 3: ARTour zeigt, wie man komplexe Erlebnisse zuverlässig baut

Kernaussage: Wenn dein Erlebnis von Standort, Assets und Performance abhängt, brauchst du strikte Qualitätsregeln – sonst zerlegt es dir die User Experience.

Bei ARTour (AR-Kunsttour in Basel) war die Zusammenarbeit mit vielen Künstler:innen eine Herausforderung: 3D-Modelle kamen in sehr unterschiedlicher Qualität. Dazu: Schatten/Positionierung für realistische Platzierung, ein Android-GPS-Bug und die Forderung nach Offline-Karten – inklusive eigenem Tile-Server.

Das klingt nach Kunstprojekt. Für Retail ist es Alltag, nur anders verpackt:

• Produktbilder, 3D-Ansichten, UGC und Brand-Assets haben inkonsistente Qualität.
• Standort-Features (Filialfinder, Same-Day, Pickup) leiden unter ungenauen Geräten.
• Offline ist wieder relevant: Kellerfilialen, Einkaufszentren, Roaming, internationale Kundschaft.

Was Retail-Apps daraus mitnehmen sollten

Setze Asset-Standards wie ein:e Produzent:in. Ohne Regeln wird jede App langsam.

• Definiere fixe Profile für Bilder/3D (max size, Polygon-Limits, LOD-Stufen)
• Baue einen „Asset-Check“ in die Pipeline (automatisiert)
• Plane für Standortfehler: „Fuzzy Geofencing“ + klare UI, wenn Location unsicher ist

Wo KI konkret Mehrwert schafft

• Automatisierte Asset-Qualitätsprüfung: KI erkennt unscharfe Bilder, falsche Freisteller, Artefakte, Brand-Verstöße.
• Generative Varianten – aber kontrolliert: z. B. Hintergründe für Produktfotos oder kurze Nutzen-Claims, die durch Regeln und Freigaben laufen.
• Predictive Caching: KI prognostiziert, welche Inhalte offline/als Preload relevant sind (z. B. nach Uhrzeit, Wetter, Standort, Warenkorb).

Das „BoSA“-Playbook für KI im Einzelhandel und E-Commerce

Kernaussage: Erfolgreiche Apps folgen wiederholbaren Prinzipien. KI verstärkt diese – ersetzt sie aber nicht.

Hier ist ein kompaktes Playbook, das ich Retail- und E-Commerce-Teams 2026 praktisch immer empfehle:

1) Weniger Stakeholder, mehr Verantwortung

Teena funktionierte auch, weil „nur so viele Personen involviert waren, wie wirklich benötigt wurden“. Im Handel ist das selten. Zu viele Freigaben töten Geschwindigkeit.

Praxisregel: Ein Produkt-Owner entscheidet. Punkt.

2) Prototypen zuerst, Plattformfragen später

Dreipol testete Prototypen, bevor das CMS final gewählt wurde. Genau so vermeidest du Architektur-Religion.

Praxisregel: Erst Nutzerfluss und Content-Modell, dann Tech-Stack.

3) Dateninstrumentierung ist ein Feature

Wenn du Personalisierung willst, brauchst du saubere Events. Nicht „später“, sondern ab Sprint 1.

Minimaler Event-Satz für Retail-Apps:

• search_submitted, filter_applied, product_viewed, add_to_cart, checkout_started, purchase_completed, store_locator_used, pickup_selected

4) KI dort einsetzen, wo sie messbar Geld oder Zeit spart

Gute KI ist langweilig: weniger Retouren, weniger Supporttickets, höherer Warenkorb, schnellere Content-Pflege.

Beispiele mit klarer Messbarkeit:

• Größenberatung → Retourenquote runter
• Intelligente Suche → „No results“-Rate runter
• Demand Forecasting → Out-of-Stock runter
• Kundensegmentierung → Kampagnen-ROI rauf

5) Vertrauen gewinnen: Privacy, Transparenz, Kontrolle

Teena zeigt, wie Vertrauen aufgebaut wird. Retail muss nachziehen.

Praxisregel: Jede Personalisierung braucht einen klaren Nutzen + eine Opt-out-Option.

Was viele Teams jetzt (Ende 2025) falsch priorisieren

Kernaussage: Die meisten stecken Energie in sichtbare Features, obwohl die unsichtbaren Grundlagen den Erfolg bestimmen.

Gerade vor dem Jahreswechsel planen viele Händler ihre Roadmaps für Q1/2026. Meine provokante Empfehlung: Streich ein „Nice-to-have“-Feature und investiere die Zeit in Messbarkeit + Content + Datenschutz.

Denn erst dann lohnt sich KI wirklich. KI ohne saubere Daten, klare Content-Struktur und stabile UX ist wie ein Turbo auf einem Einkaufswagen.

„App-Erfolg ist nicht Magie. Es ist Disziplin – und die richtigen Feedback-Schleifen.“

Wenn du aus den BoSA-Beispielen eine Sache mitnimmst, dann diese: Die Gewinnerteams haben nicht „perfekt geplant“, sie haben besser iteriert. KI kann genau diese Iteration beschleunigen – gerade im Einzelhandel und E-Commerce, wo jede Woche neue Produkte, Preise und Nachfragewellen passieren.

Du planst 2026 eine Retail-App (oder willst eine bestehende endlich profitabel machen)? Dann starte nicht bei „mehr Features“, sondern bei den drei Fragen:

• Wo verlieren Nutzer:innen heute Zeit oder Vertrauen?
• Welche Entscheidungen treffen wir noch „nach Gefühl“?
• Welche Daten könnten wir datenschutzfreundlich nutzen, um relevanter zu werden?

Wer darauf gute Antworten hat, baut die Apps, die Kund:innen wirklich behalten.