73% mehr IT-Insolvenzen: KI macht Handel resilient

8343 Insolvenzen in der Schweiz im Jahr 2025 – rund 50% mehr als im Vorjahr. Und ausgerechnet die IT-Dienstleister, die bei vielen Unternehmen „den Laden am Laufen halten“, trifft es besonders: 295 IT-Services gingen in Konkurs, ein Plus von 73%. Das ist keine Randnotiz für die Tech-Branche. Das ist ein Warnsignal für jeden Retailer und jeden E-Commerce-Verantwortlichen, der auf externe IT-Partner, Agenturen, Integratoren oder Spezialsoftware angewiesen ist.

Für mich ist die entscheidende Botschaft: Resilienz ist heute eine Technologie-Entscheidung. Wer im Handel mit knappen Margen, saisonalen Peaks (Weihnachtsgeschäft, Wintersales) und immer schnelleren Lieferketten lebt, darf sich keine „Single Points of Failure“ leisten – weder bei Dienstleistern noch bei Datenflüssen. Genau hier wird KI im Einzelhandel und E-Commerce praktisch: nicht als Buzzword, sondern als Werkzeug, um Planung, Bestand und Fulfillment robuster zu machen.

Warum die IT-Insolvenzwelle den Handel direkt betrifft

Kurz gesagt: Wenn IT-Partner ausfallen, fallen Prozesse aus – und im Handel kostet jede Stunde Stillstand echtes Geld.

Viele Händler*innen haben in den letzten Jahren komplexe IT-Landschaften aufgebaut: ERP, WMS, PIM, OMS, Shopsystem, Marktplatz-Anbindungen, Payment, Fraud, Retourenportale, BI. In der Realität hängen diese Systeme oft an einzelnen Dienstleistern, individuellen Customizations oder wenigen Schlüsselpersonen.

Wenn nun in der Schweiz 2025 besonders viele IT-Dienstleister verschwinden, betrifft das den Handel gleich mehrfach:

• Betriebsrisiko: Support-Verträge laufen ins Leere, SLAs werden wertlos, kritische Updates bleiben aus.
• Sicherheitsrisiko: Offene Patches, auslaufende Wartung, fehlende Incident-Response.
• Lieferkettenrisiko: Schnittstellen zu Speditionen, Carrier-APIs, ETA-Logiken und Lagerautomation können „stehen bleiben“.
• Projekt- und Transformationsrisiko: Migrationen (z. B. ERP/WMS) werden halbfertig eingefroren.

Besonders heikel ist das in Q4/Q1. Ende Dezember 2025 ist der Peak gerade durch – Retouren, Nachlieferungen und Wintersales laufen. In dieser Phase sind Systeme nicht „nice to have“, sondern Überlebensfaktoren.

Was 2025 zusätzlich treibt: strengere Durchsetzung von Schulden

Der Anstieg ist nicht nur Konjunktur, sondern auch Regulierung. Ein wesentlicher Treiber ist die seit 01.01.2025 geltende Revision des Schuldbetreibungs- und Konkursgesetzes (SchKG), die offene Schulden konsequenter eintreiben lässt. Das sorgt für mehr Konkursverfahren – auch bei Firmen, die früher „irgendwie“ durchgekommen wären.

Für Handel und E-Commerce ist das relevant, weil es die Lieferantenbasis verändert: Mehr Ausfälle, weniger Kulanz, kürzere Zahlungsziele, härtere Konditionen. Wer seine Zahlen nicht im Griff hat, spürt das schnell.

Der Mythos „IT-Pleiten sind nur ein IT-Problem“

Nein – IT-Ausfälle werden zu Supply-Chain-Ausfällen. Die Realität im Omnichannel: Wenn Daten nicht stimmen, stimmt der Bestand nicht. Wenn der Bestand nicht stimmt, werden Versprechen gebrochen. Und wenn Versprechen gebrochen werden, steigen Kosten.

Ein konkretes Beispiel aus der Praxis (typisch, nicht an eine einzelne Firma gebunden):

• Der Onlineshop zeigt „lieferbar in 1–2 Tagen“.
• Das WMS hat aber wegen fehlerhafter Bestandsabgleiche 3–5% Phantom-Bestand.
• Folge: Teillieferungen, Express-Nachversand, mehr Tickets im Support, schlechtere Bewertungen.

KI kann solche Ketten nicht magisch verschwinden lassen, aber sie kann sie messbar stabilisieren, wenn sie richtig eingesetzt wird: mit besseren Prognosen, smarterer Disposition und automatisierten Frühwarnsystemen.

Warum gerade jetzt KI in Logistik und Lieferkettenmanagement passt

Diese Serie dreht sich um KI in Logistik und Lieferkettenmanagement. Und das Timing ist perfekt: Wenn IT-Dienstleister wegfallen oder Projekte stoppen, braucht der Handel nicht „mehr Tooling“, sondern weniger Abhängigkeiten und mehr Steuerbarkeit.

KI funktioniert hier als „Entscheidungs-Motor“ über bestehenden Systemen:

• Sie nutzt Transaktionsdaten, Lieferzeiten, Retouren, Promotions und Wetter-/Saisonalitätsmuster.
• Sie erzeugt Prognosen und Empfehlungen, die Disposition und Operations direkt nutzen.
• Sie erkennt Anomalien früh: Abverkauf bricht ein, Lieferzeit driftet, Retourenquote kippt.

Drei KI-Anwendungsfälle, die Insolvenzrisiken im Handel senken

Die beste Risikostrategie ist operative Exzellenz. Wenn Planung, Bestand und Marge stabil sind, wird das Unternehmen weniger anfällig – auch wenn Partner ausfallen oder Kreditlinien teurer werden.

1) KI-gestützte Bedarfsprognosen: weniger Fehlbestand, weniger Kapitalbindung

Answer first: KI-Prognosen reduzieren gleichzeitig Out-of-Stock und Überbestand, weil sie nicht nur Durchschnittswerte, sondern Muster und Auslöser erkennt.

Klassische Forecasts scheitern im Handel oft an:

• Aktionen (Preis/Promo) und deren Nachlaufeffekten
• Saisonwechseln (z. B. Winterware, Sport, Outdoor)
• Cannibalization (ähnliche Produkte verdrängen sich)
• regionalen Unterschieden (Filiale vs. Online, Stadt vs. Land)

Moderne KI-Modelle (z. B. gradient boosting, deep learning time series) können diese Effekte modellieren – wenn die Datengrundlage stimmt.

Was ich als pragmatische Erfolgsformel sehe:

1. Start mit Top-100-SKUs oder Top-20%-Umsatzartikeln
2. Prognosehorizont sauber definieren (z. B. 1–8 Wochen)
3. Messgröße festlegen (MAPE/WAPE, Service Level, Out-of-Stock-Rate)
4. Human-in-the-loop: Dispo kann übersteuern, aber KI liefert Vorschlag und Begründung

Ergebnis: weniger „Feuerwehr“, weniger teure Sonderfahrten, weniger Abschriften.

2) Personalisierung mit Marge im Blick: Umsatz ist gut, Deckungsbeitrag ist besser

Answer first: KI-Personalisierung senkt Risiko, wenn sie nicht nur Conversion optimiert, sondern Marge, Retouren und Lieferfähigkeit berücksichtigt.

Viele Recommendation-Setups optimieren auf „klickt gut“. Das ist gefährlich, wenn:

• Produkte häufig retourniert werden
• Bestände knapp sind
• Lieferzeiten instabil sind

Besser ist ein constraint-based Ansatz:

• Empfehle bevorzugt Artikel mit stabiler Verfügbarkeit
• gewichte Retourenwahrscheinlichkeit mit ein
• berücksichtige Deckungsbeitrag statt nur Umsatz

Das wirkt direkt auf die finanzielle Robustheit: weniger unnötige Rabatte, weniger Retourenkosten, planbarere Fulfillment-Auslastung.

3) Bestandsoptimierung & Nachschub: KI als Frühwarnsystem in der Supply Chain

Answer first: KI erkennt Abweichungen früher als Monatsreports – und das ist in der Lieferkette entscheidend.

Ein gutes KI-Setup kann z. B. automatisch melden:

• Lieferzeit eines Lieferanten driftet seit 10 Tagen nach oben
• Abverkauf eines Artikels weicht um 30% vom erwarteten Verlauf ab
• Retourenquote steigt in einem Kanal oder einer Region signifikant
• bestimmte Carrier-/PLZ-Kombinationen verursachen überproportional viele Zustellprobleme

Das sind keine „Insights fürs Dashboard“, sondern operative Signale.

Konkrete Maßnahmen, die daraus automatisiert oder halbautomatisiert entstehen können:

• Nachbestellpunkte dynamisch anpassen
• Umlagerungen zwischen Lagern/Filialen vorschlagen
• Alternative Lieferanten priorisieren
• Versandregeln anpassen (Carrier-Switch bei Risiko-PLZ)

So setzt du KI robust um – trotz wackeliger IT-Landschaft

Die Ironie ist: Genau in einer Phase mit IT-Ausfällen brauchst du Architektur, die nicht an einem Anbieter hängt.

Hier ist ein Ansatz, der in Retail/E-Commerce realistisch funktioniert:

Daten zuerst: ein „Minimum Viable Data Layer“

Du brauchst nicht sofort das perfekte Data Warehouse. Du brauchst:

• saubere Produktstammdaten (PIM/ERP)
• Bestände und Bewegungen (WMS/ERP)
• Orders, Returns, Shipments (OMS/Shop/WMS)
• Promo-Kalender und Preis-Historie

Wichtig: ein eindeutiger Schlüssel (SKU/Variant-ID) und konsistente Zeitstempel.

KI als Service über Systeme – nicht als neues Monolith-Projekt

Wenn IT-Dienstleister ausfallen, scheitern vor allem große, schwerfällige Transformationsprogramme. Daher:

• KI-Use-Cases als API-/Service-Schicht planen
• klar definierte Inputs/Outputs
• dokumentierte Datenverträge
• fallback-fähige Prozesse (z. B. Dispo-Regeln, wenn Modell „down“ ist)

Das reduziert Vendor Lock-in und macht den Wechsel eines Implementierungspartners weniger schmerzhaft.

Governance: Wer entscheidet, wenn die KI entscheidet?

KI in der Lieferkette braucht klare Rollen:

• Owner: Supply-Chain-Leitung oder Head of E-Commerce Operations
• Data Steward: Qualität der Stammdaten und Bewegungsdaten
• Model Ops: Monitoring (Drift, Performance), Release-Management
• Business Playbooks: Was tun bei Alarm A/B/C?

Ohne Playbooks wird aus „KI erkennt Problem“ nur „KI nervt mit Alerts“.

Mini-FAQ: typische Fragen aus Handel & E-Commerce

„Ersetzt KI meinen IT-Dienstleister?“

Nein. KI ersetzt nicht IT, aber sie reduziert die Abhängigkeit von individuellen Custom-Lösungen, weil Entscheidungen stärker datengetrieben und standardisierbar werden.

„Ab wann lohnt sich KI für Bestandsoptimierung?“

Sobald Bestände relevant Kapital binden oder Out-of-Stock spürbar Umsatz kostet. In der Praxis lohnt es sich oft schon bei mittleren Sortimenten – wenn Datenqualität stimmt.

„Was ist der schnellste Einstieg in 6–8 Wochen?“

Ein Pilot für Bedarfsprognose + Nachbestell-Empfehlung auf einem klar abgegrenzten SKU-Set. Das liefert schnell messbare Effekte (Service Level, Bestandstage, Abschriften).

Was die 73% IT-Insolvenzen für 2026 bedeuten – und was du jetzt tun solltest

Die Zahl 73% mehr IT-Insolvenzen ist vor allem ein Signal: Der Markt wird härter, und „weiter wie bisher“ wird teurer. Gleichzeitig zeigt die gleiche Datenlage auch: IT-Neugründungen steigen (im IT-Bereich 2025 um 18%). Der Wettbewerb bleibt – aber die Verlässlichkeit einzelner Partner ist weniger selbstverständlich.

Für Retail und E-Commerce lautet mein klarer Rat: Bau Resilienz nicht über mehr Tools, sondern über bessere Entscheidungen. KI in Logistik und Lieferkettenmanagement ist dafür ein starker Hebel – weil sie dort ansetzt, wo Risiken in Krisen zuerst sichtbar werden: Nachfrage, Bestand, Lieferfähigkeit.

Wenn du 2026 stabiler dastehen willst, starte jetzt mit einer nüchternen Bestandsaufnahme:

• Wo hängen kritische Prozesse an einem einzelnen Dienstleister?
• Welche 20% Datenprobleme verursachen 80% operative Kosten?
• Welche Entscheidungen (Bestand, Promo, Pricing, Versand) werden heute „aus dem Bauch“ getroffen?

Und dann die entscheidende Frage zum Jahreswechsel: Welche Supply-Chain-Entscheidung willst du im Januar 2026 zum ersten Mal daten- und KI-gestützt treffen – statt erst im nächsten Peak unter Druck?