KI-Kompetenz im Handel: Schulung reicht nicht

23 % der Beschäftigten in Deutschland nutzen KI – aber nur 14 % halten sich für kompetent im Umgang damit. Diese Lücke ist keine Kleinigkeit. Sie ist der Grund, warum KI in vielen Unternehmen zwar „eingeführt“ wurde, im Alltag aber kaum Wirkung entfaltet.

Seit dem 02.02.2025 ist KI-Kompetenz in Europa in vielen Fällen verpflichtend: Anbieter und Betreiber von KI-Systemen müssen sicherstellen, dass Menschen, die KI entwickeln oder betreiben, ausreichend qualifiziert sind. Das ist gut für Compliance. Für Wettbewerbsfähigkeit im Einzelhandel und E-Commerce reicht es trotzdem nicht.

Ich sehe das gerade jetzt – kurz vor Jahresende, wenn Teams Bilanz ziehen und Budgets für 2026 planen – besonders deutlich: Wer KI nur schult, aber nicht Arbeitsabläufe, Verantwortlichkeiten und Anreizsysteme verändert, bezahlt für Technik, die im Tagesgeschäft verhungert. Im Handel ist das doppelt teuer, weil Margen eng sind und Kundenloyalität hart erkämpft wird.

KI-Kompetenz ist kein Kurs – sie ist ein Betriebszustand

KI-Kompetenz ist nicht etwas, das man „abschließt“. Sie zeigt sich daran, ob Teams KI-Tools regelmäßig, sicher und zielgerichtet nutzen – und ob daraus messbare Ergebnisse entstehen.

Das Problem: Viele Organisationen behandeln KI wie eine klassische Software-Einführung. Ein Training, ein Handout, vielleicht ein internes Wiki. Danach geht’s zurück in den Alltag. Gartner beschreibt dieses Muster als eine Art „Zwei-Wochen-Syndrom“: Neue Tools werden kurz getestet, dann versiegt die Nutzung.

Dahinter steckt ein harter Lerneffekt: Wenn neues Wissen nicht angewendet wird, zerfällt es schnell. Als Faustzahl wird oft genannt, dass ohne Wiederholung ein Großteil des Gelernten binnen Tagen verloren geht. Für den Handel bedeutet das: Ihr investiert in Schulungen, aber die KI landet am Ende in einer Schublade – während Bestände weiter aus dem Ruder laufen und Kampagnen weiter nach Bauchgefühl geplant werden.

Meine Haltung: Wenn KI im Handel keine Routine wird, ist sie Dekoration.

Was „KI-Kompetenz“ im Einzelhandel konkret heißen muss

Im Einzelhandel und E-Commerce sollte KI-Kompetenz immer an typische Werttreiber geknüpft sein:

• Sortiments- und Bestandsentscheidungen (Nachfrageprognosen, Replenishment)
• Personalisierung (Empfehlungen, Next Best Offer)
• Kundenservice (Chatbots, Agent Assist)
• Pricing & Promotions (Preiselastizitäten, Promo-Optimierung)
• Betrugs- und Retourenmanagement (Anomalieerkennung)

Kompetent ist ein Team nicht, wenn es Begriffe erklären kann – sondern wenn es KI-Ausgaben bewerten, Grenzen verstehen und Entscheidungen damit verbessern kann.

Warum KI scheitert: Akzeptanz schlägt Use-Case

Der verbreitete Management-Mythos lautet: „Wenn der Use-Case gut genug ist, kommt die Nutzung von allein.“ Die Realität ist unbequemer: Nutzung entsteht durch Akzeptanz, Vertrauen und Integration in die Arbeit.

Gartner fasst das sinngemäß so zusammen: KI wird oft schlecht genutzt, weil Mitarbeitende sie nicht akzeptieren, nicht verstehen oder nicht sinnvoll in die Arbeit integrieren.

Das sieht man im Handel ständig:

• Ein Recommendation-System ist live – aber das Marketing vertraut weiter auf manuelle Segmentlisten.
• Ein Forecast-Tool liefert Vorschläge – aber die Filialplanung überschreibt sie „zur Sicherheit“.
• Ein Service-Chatbot beantwortet Anfragen – aber Agents umgehen ihn, weil er die falschen Tickets erstellt.

Der Knackpunkt: Wenn Menschen das Gefühl haben, KI macht sie langsamer, angreifbar oder austauschbar, blocken sie. Dann ist selbst das beste Modell „bedeutungslos“, weil es nicht genutzt wird.

Vertrauen entsteht durch Transparenz und faire Regeln

Akzeptanz kommt nicht aus dem Nichts. Sie wächst, wenn Teams drei Dinge erleben:

1. Verlässlichkeit im Alltag: KI hilft spürbar, nicht nur in Demos.
2. Erklärbarkeit auf dem richtigen Niveau: Nicht jede Person braucht Modell-Details, aber jede braucht nachvollziehbare Logik.
3. Klare Spielregeln: Was darf in Tools eingegeben werden? Wie werden Ergebnisse geprüft? Wer haftet bei Fehlern?

Im Kontext unserer Serie „KI in Bildung und Forschung“ ist das spannend: Genau diese Prinzipien gelten auch für Bildungsplattformen, adaptive Lernsysteme und KI-gestützte Forschungsauswertung. Wenn Lehrende oder Forschende KI nicht vertrauen oder sie nicht in ihre Routinen passt, bleibt sie Pilotprojekt.

Schulungen sind Pflicht – aber ohne Arbeitsumbau sind sie Stillstand

Schulung ist der Einstieg, nicht die Lösung. Wer nur schult, trainiert Teams häufig für Prozesse, die sich durch KI sowieso verändern müssen.

Gartner formuliert es sehr klar: Geschäftsbereiche, die ihre Arbeitsprozesse grundlegend transformieren (statt KI nur einzuführen), erreichen ihre Umsatzziele deutlich häufiger. Für den Handel bedeutet das: Nicht „KI draufkleben“, sondern Arbeit neu schneiden.

Der Praxishebel im Handel: Arbeit neu zuschneiden

Ein gutes Beispiel ist die Nachfrageprognose:

• Alt: Analyst erstellt Forecast, Planner diskutiert, Filiale meldet Bauchgefühl, am Ende wird manuell korrigiert.
• Neu mit KI: Modell erstellt Forecast + Unsicherheitsband, Planner entscheidet nur noch über Ausnahmen, Filiale liefert strukturierte Kontextdaten (Events, Umbauten), Ergebnis fließt direkt in Bestelllogik.

Das ist nicht nur ein neues Tool. Das ist ein anderer Job.

Merksatz: KI bringt Wert, wenn sie Entscheidungen verändert – nicht wenn sie nur Reports hübscher macht.

Was im Arbeitsumbau fast immer vergessen wird

• Zeitfenster im Tagesgeschäft: Wenn niemand 20 Minuten pro Tag für KI-gestützte Entscheidungen hat, wird KI nie Alltag.
• Definition von „guter Arbeit“: Wird die Person dafür belohnt, KI zu nutzen – oder dafür, Risiken zu vermeiden und alles zu überschreiben?
• Qualität der Eingangsdaten: Schlechte Produktdaten (Attribute, Bilder, Größenlogik) ruinieren Personalisierung schneller als jedes Modellproblem.

Governance: KI-Kompetenz liegt zwischen IT, HR und Business

KI-Kompetenz ist kein reines IT-Thema – und auch kein reines HR-Thema. Genau dieses „Dazwischen“ sorgt dafür, dass Verantwortung hin- und hergeschoben wird.

In vielen Unternehmen landet KI am Ende unfreiwillig beim CIO („accidental ownership“). Der soll dann nicht nur Technik liefern, sondern auch Akzeptanz, Produktivität und Kultur „mitlösen“. Das ist unrealistisch.

Für Einzelhandel und E-Commerce funktioniert es besser mit einer klaren Dreiteilung:

• IT/Tech: Plattform, Sicherheit, Integrationen, Monitoring, Datenzugriff
• HR/Learning: Rollenspezifische Qualifizierung, Lernpfade, Change-Formate
• Fachbereiche (Commerce, Supply Chain, Marketing, Service): Use-Cases, Prozessumbau, KPIs, Adoption

Ein Governance-Modell, das in der Praxis funktioniert

Ich mag einfache Regeln, die man in Meetings wiederholen kann:

1. Ein Owner pro Use-Case (immer im Business)
2. Ein Tech-Owner pro System (IT/Engineering)
3. Ein Enablement-Owner pro Zielgruppe (HR/L&D oder AI Enablement)
4. Ein KPI-Set, das Adoption UND Ergebnis misst

Wer nur „KI-Schulungen ausrollt“, aber keine Owners und KPIs benennt, bekommt am Ende Folien – keine Wirkung.

So wird KI-Kompetenz im Handel messbar (und damit steuerbar)

Messbarkeit ist der Unterschied zwischen Aktionismus und Steuerung. Wenn ihr Leads, Umsatz oder Effizienz verbessern wollt, braucht ihr Kennzahlen, die direkt zur Nutzung passen.

Drei KPI-Ebenen, die ihr kombinieren solltet

1. Adoption-KPIs (Nutzung):

   • Anteil aktiver Nutzer pro Woche
   • Wiederkehrquote nach 30/60/90 Tagen
   • Anteil KI-gestützter Entscheidungen (z. B. Forecast-Ausnahmen vs. manuelle Vollüberschreibung)

2. Qualitäts-KPIs (Verlässlichkeit):

   • Fehlerquote durch falsche KI-Ausgaben
   • Korrekturrate durch menschliche Review
   • Datenqualitätsmetriken (z. B. fehlende Attribute bei Produkten)

3. Business-KPIs (Wertbeitrag):

   • Conversion Rate in personalisierten Listen
   • Warenverfügbarkeit / Out-of-Stock-Rate
   • Retourenquote (nach Segmenten/Produkten)
   • Deckungsbeitrag pro Bestellung (statt nur Umsatz)

Wichtig: Ein KI-Projekt, das nur Business-KPIs reportet, aber Adoption nicht misst, fliegt blind.

Rollenspezifische Schulungen: skeptisch, operativ, führend

Differenzierung schlägt „one size fits all“. Drei Gruppen brauchen drei Formate:

• Skeptiker: kurze, konkrete Workflows + klare Grenzen („Was darf die KI, was nicht?“)
• Power-User/Operatoren: Hands-on-Training, Prompt- und Qualitätsstandards, Datenlogik
• Führungskräfte: Steuerungslogik, KPIs, Risiko- und Entscheidungsframeworks (keine Abkürzung)

Wenn Führungskräfte KI nicht verstehen, blockieren sie sie oft unbewusst: durch falsche Erwartungen, falsche KPIs oder „Null-Fehler“-Ansprüche.

Mini-Blueprint: 6 Wochen von Compliance zu echter Nutzung

Wer jetzt (Q1/2026) schnell vom Pflichtprogramm zur Praxis kommen will, kann das in sechs Wochen erstaunlich weit bringen:

1. Woche 1: Use-Case priorisieren (1–2 Prozesse, die wirklich Geld/ Zeit kosten)
2. Woche 2: Zielgruppen & Rollen definieren (wer entscheidet, wer prüft, wer betreibt)
3. Woche 3: Workflow designen (wo genau sitzt KI im Prozess – und wo nicht)
4. Woche 4: Training in der Arbeit (30–45 Minuten, direkt am echten Fall)
5. Woche 5: KPI-Dashboard live (Adoption + Qualität + Business)
6. Woche 6: Retrospektive & Regeln nachschärfen (Prompt-Standards, Datenpflege, Freigaben)

Das ist kein Mammutprojekt. Es ist konsequente Betriebsführung.

Fazit: KI-Kompetenz ist die Basis – aber Wettbewerb entsteht woanders

KI-Kompetenzpflicht seit 2025 sorgt dafür, dass Unternehmen nicht völlig unvorbereitet handeln. Für Einzelhandel und E-Commerce ist das allerdings nur die Eintrittskarte. Der eigentliche Wert entsteht, wenn ihr KI in Arbeit übersetzt: mit Rollen, Zeit, Regeln, Messbarkeit.

Wer nur Compliance-orientiert schult, bekommt eine abgehakte Maßnahme. Wer Prozesse umbaut, bekommt Ergebnisse: bessere Verfügbarkeit, präzisere Personalisierung, effizientere Teams – und am Ende stabilere Margen.

In unserer Serie „KI in Bildung und Forschung“ sprechen wir oft über Lernsysteme, Kompetenzaufbau und Adoption. Der Handel kann davon lernen: Nicht das Tool entscheidet, sondern das Verhalten, das ihr im Alltag ermöglicht.

Wenn ihr 2026 KI wirklich nutzen wollt, stellt euch eine einfache Frage: Welche Entscheidung soll nächste Woche anders getroffen werden als letzte Woche – weil KI hilft?