KI-Plattform statt Informatikzentrum: Chance für Retail

Wer in der Schweiz gerade Personal sucht, spürt es längst: Digitale Kompetenzen sind knapp – und zwar nicht nur in der IT, sondern besonders dort, wo Technik direkt Umsatz beeinflusst: im Einzelhandel und E‑Commerce. Umso aufmerksamer sollte man hinschauen, wenn eine grosse Universität ihre Informatik-Strukturen umbaut.

Genau das passiert an der Universität Genf: Das Rektorat löst das Zentrum für Informatik (gegründet 1975) auf, stoppt ab dem Studienjahr 2026/2027 neue Einschreibungen in den bisherigen Programmen – und setzt parallel auf eine interdisziplinäre KI‑Forschungsplattform, die direkt an die Universitätsleitung angebunden ist. Das klingt nach internem Umbau. Für Retail‑Entscheider ist es aber vor allem ein Signal: KI wird nicht mehr als Nischenthema “in der Informatik” geführt, sondern als Querschnittsfunktion.

In dieser Ausgabe unserer Reihe „KI in Bildung und Forschung“ zeige ich, warum dieser Schritt mehr ist als Hochschulpolitik – und was Händler jetzt daraus ableiten können: von Partnerschaften über Recruiting bis zu konkreten Use Cases wie Personalisierung, Nachfrageprognosen und dynamischer Preisgestaltung.

Was die Uni Genf wirklich macht – und warum das relevant ist

Kernaussage: Die Universität Genf verschiebt Informatik von einer eigenen Einheit in die Fakultäten – und baut gleichzeitig eine zentrale KI‑Plattform auf.

Das bisherige Zentrum (CUI) war für Studiengänge rund um Informationssysteme und Dienstleistungswissenschaften zuständig. Laut Mitteilung werden die Aktivitäten in die Fakultäten integriert. Für bereits eingeschriebene Studierende soll das Studium weiterlaufen, doch für 2026/2027 werden keine neuen Einschreibungen in den bestehenden Programmen angenommen. Eine Arbeitsgruppe soll Anfang 2026 klären, wie die Ausbildungsgänge künftig weitergeführt werden.

Die Begründung, die in Medienberichten anklingt, ist typisch für grosse Organisationen: Budgetdruck und die Frage, wie man Studienangebote über mehrere Jahre stabil finanziert. Gleichzeitig verspricht die Universitätsleitung, Kernkompetenzen zu erhalten – und positioniert die neue interdisziplinäre KI‑Forschungsplattform als Hebel, um die digitale Transformation der Institution besser zu unterstützen.

Für Retail ist daran entscheidend:

• KI wird als strategische Infrastruktur verstanden, nicht als einzelnes Seminar oder „nice to have“.
• Interdisziplinarität ist kein Buzzword, sondern Voraussetzung: KI im Handel hängt genauso an Datenrecht, Ethik, UX, Betriebswirtschaft, Supply Chain und Psychologie.
• Eine zentrale KI‑Plattform kann schneller „vom Paper in die Praxis“ kommen – wenn Wirtschaftspartner mit am Tisch sitzen.

Merksatz: Wenn eine Uni KI direkt an die Leitung hängt, ist das ein Hinweis auf Priorität – und auf neue Formen der Zusammenarbeit.

KI‑Infrastruktur: Was Forschung Plattformen leisten müssen (damit Retail profitiert)

Kernaussage: Retail profitiert nicht von KI‑Forschung per se, sondern von wiederverwendbarer Infrastruktur: Datenzugang, Modelle, Governance und Transfer.

Eine „KI‑Plattform“ klingt zunächst nach Rechenleistung und ein paar Datenpipelines. In der Praxis ist es mehr: ein organisatorischer und technischer Rahmen, der KI‑Projekte reproduzierbar macht. Genau da liegen die Engpässe vieler Händler.

Von Experimenten zu produktiven Systemen

In vielen Retail‑Teams sieht die Realität so aus: Ein Pilot zur Nachfrageprognose läuft in einem Notebook, der Data Scientist wechselt das Unternehmen, und das Projekt versandet. Eine Plattform‑Logik – wie sie Universitäten zunehmend aufbauen – zwingt zu Standards:

• Datenkataloge und Datenqualität (Was ist „Umsatz“? Brutto/Netto? Retouren?)
• Modellverwaltung (MLOps): Versionierung, Monitoring, Drift‑Erkennung
• Sichere Umgebungen für sensible Daten (Kunden, Zahlungsdaten, Bewegungsdaten)
• Evaluation mit klaren Metriken (MAPE bei Forecasting, NDCG bei Empfehlungen, Servicelevel in der Logistik)

Wer als Händler mit einer solchen Plattform kooperiert – oder sich daran orientiert – spart Monate.

Warum Interdisziplinarität im Handel nicht verhandelbar ist

Die Sorgen rund um die Auflösung des Genfer Informatikzentrums drehen sich laut Berichten u. a. um einen möglichen Verlust des interdisziplinären Ansatzes. Ich halte das für den entscheidenden Punkt: Retail‑KI scheitert selten an der Modellgüte – sondern an der Einbettung in Prozesse.

Beispiel: Personalisierung.

• Das Modell kann technisch stark sein.
• Aber wenn Merchandising‑Regeln, Compliance (z. B. Profiling), Content‑Verfügbarkeit, Lieferfähigkeit und Customer Experience nicht mitgedacht werden, ist das Ergebnis schlechter als eine simple Segmentierung.

Eine gut aufgesetzte KI‑Plattform bringt diese Perspektiven systematisch zusammen.

Drei Retail‑Use‑Cases, die von Uni‑KI direkt profitieren

Kernaussage: Die spannendsten Anknüpfungspunkte zwischen akademischer KI und Handel sind dort, wo Datenkomplexität, Skalierung und Fairness zusammenkommen.

Hier sind drei Felder, in denen Schweizer Händler erfahrungsgemäss am schnellsten messbare Effekte sehen – und in denen eine universitäre KI‑Plattform als Partner besonders wertvoll sein kann.

1) Nachfrageprognose & Bestandsoptimierung

Direkter Nutzen: weniger Out‑of‑Stock, weniger Abschriften, stabilere Margen.

Warum Forschung hilft: Forecasting ist kein „ein Modell für alles“. Uni‑Teams arbeiten häufig an:

• Hierarchischen Forecasts (Filiale → Region → Gesamt) mit Konsistenzregeln
• Promotion‑Effekten (Preisaktion, Flyer, Influencer‑Push) und deren Kausalität
• Robustheit bei Datenbrüchen (Sortimentswechsel, Store‑Umbau, Lieferengpässe)

Für Händler ist der Transfer konkret: bessere Planungslogik, bessere Feature‑Sets (Wetter, Ferien, Events), bessere Testmethoden.

2) Personalisierung ohne „Creepiness“

Direkter Nutzen: höhere Conversion, bessere Wiederkaufraten, weniger Streuverlust.

Was 2025/2026 besonders relevant macht: Nutzer sind sensibler, Regulatorik wird strenger, und Cookies sind weiter auf dem Rückzug. Forschung kann hier liefern:

• On‑device/Edge‑Ansätze und Privacy‑preserving Learning
• Erklärbarkeit („Warum sehe ich das?“) als UX‑Element
• Fairness‑Tests (benachteiligt das System bestimmte Kundengruppen?)

Im Handel zählt am Ende ein Satz: Personalisierung ist dann gut, wenn sie hilft – nicht wenn sie auffällt.

3) Dynamische Preise & Promotion‑Optimierung

Direkter Nutzen: mehr Deckungsbeitrag bei gleichbleibender Preiswahrnehmung.

Dynamische Preisgestaltung wird oft falsch verstanden: Es geht nicht darum, Preise ständig zu ändern. Es geht darum, systematisch zu entscheiden, wann Stabilität besser ist als Reaktion.

Uni‑Know‑how ist wertvoll bei:

• Experimentdesign (A/B‑Tests, Geo‑Tests) ohne Kannibalisierung
• Kausalmodellen: Was verursacht den Absatz wirklich?
• Constraints (Preisuntergrenzen, Wettbewerbsregeln, Markenpositionierung)

Was Händler jetzt konkret tun können (statt nur zuzuschauen)

Kernaussage: Wenn Bildungseinrichtungen KI zentralisieren, sollten Händler ihre eigene KI‑Aufstellung überprüfen – und gezielt Kooperationen starten.

Hier sind pragmatische Schritte, die ich im Retail‑Umfeld als wirksam erlebt habe:

1) KI‑Roadmap an „Datenprodukte“ koppeln

Statt „wir machen 10 KI‑Projekte“: Definiert 3–5 Datenprodukte, die dauerhaft betrieben werden:

• Prognose‑Service für Einkauf & Disposition
• Recommendation‑Service für Shop & CRM
• Promotions‑Optimizer für Category Management

Dann erst entscheidet ihr, welche Modelle, Teams und Tools nötig sind.

2) Kooperationsmodell wählen: Praktika, Labs, gemeinsame Datenräume

Mit einer universitären KI‑Plattform können Händler typischerweise drei Formen der Zusammenarbeit anpeilen:

1. Talent‑Pipeline: Praktika, Abschlussarbeiten, duale Projekte
2. Applied Research: gemeinsames Projekt mit klarer Business‑Metrik (z. B. Abschriftenquote)
3. Secure Collaboration: Daten bleiben beim Unternehmen, Forschung arbeitet in kontrollierter Umgebung

Wichtig ist, die Erwartung sauber zu setzen: Ein Forschungsprojekt ersetzt kein Produktteam. Aber es kann die methodische Basis liefern, die im Unternehmen fehlt.

3) Governance als Wettbewerbsvorteil behandeln

Viele Händler reden über Modelle, wenige über Regeln. Die Unternehmen, die 2026 vorne sind, haben:

• klare Zuständigkeiten (Data Owner, Model Owner)
• definierte KPIs pro Use Case
• Monitoring im Betrieb (nicht nur im Pilot)
• dokumentierte Entscheidungen, gerade bei automatisierten Empfehlungen

Eine KI‑Plattform an einer Uni wird genau diese Themen strukturieren müssen – Händler sollten davon lernen.

„People also ask“: Häufige Fragen aus Retail‑Teams

Führt ein Einschreibungsstopp zu weniger IT‑Talenten?

Kurzfristig kann das lokal Druck erzeugen, weil Unsicherheit Talente abschreckt. Mittelfristig hängt es davon ab, ob die Programme in neuer Form attraktiver werden. Für Händler ist die sichere Wette: früher in Nachwuchs investieren (Werkstudenten, Trainee‑Tracks, Thesis‑Projekte).

Bringt eine KI‑Forschungsplattform dem Mittelstand überhaupt etwas?

Ja – wenn die Zusammenarbeit auf Transfer ausgelegt ist: klare Use‑Case‑Definition, Datenzugang geregelt, Erfolg messbar. Wer ohne Ziel „mal KI testen“ will, verbrennt Geld.

Welche Daten braucht man als Händler zuerst?

Für die meisten schnellen Erfolge reichen drei Domänen:

• Transaktionen (Kasse/Online, Retouren, Rabatte)
• Produktstamm (Kategorie, Attribute, Marge, Verfügbarkeit)
• Kunden- und Interaktionsdaten (CRM, Newsletter, Klicks – mit Einwilligungen)

Danach kommen externe Signale wie Wetter, Ferienkalender, Events.

Warum diese Genfer Entscheidung ein Signal für 2026 ist

Die Universität Genf zeigt mit der neuen KI‑Plattform einen Trend, den ich 2026 noch stärker erwarte: KI wird als institutionelle Infrastruktur aufgebaut – mit klarer Anbindung an Führung, Governance und Transfer. Dass parallel ein traditionelles Informatikzentrum aufgelöst wird, ist unbequem und sorgt nachvollziehbar für Protest und Debatten. Aber strategisch steckt eine klare Logik dahinter: KI soll dort wirken, wo Entscheidungen fallen.

Für den Einzelhandel und E‑Commerce in der Schweiz ist das eine Einladung. Nicht, um Hochschulpolitik zu kommentieren, sondern um Partnerschaften für angewandte KI zu schmieden: Personalisierung, Forecasting und Preislogik sind längst keine „Tech‑Spielereien“ mehr, sondern operatives Kerngeschäft.

Wenn du 2026 nicht nur über KI reden willst, sondern Ergebnisse brauchst, stell dir eine einfache Frage: Welche KI‑Fähigkeit muss in deinem Unternehmen so zuverlässig werden wie Zahlungsabwicklung oder Warenwirtschaft – und mit wem baust du sie auf?