White Risk zeigt, wie Schweizer Präzision, Inhouse-Entwicklung und KI zusammen eine preisgekrönte App formen – und was Retailer für Omnichannel und KI daraus lernen können.
Vom Lawinenlabor zur Master-App: Warum das den Retail interessieren sollte
White Risk ist nicht einfach eine Lawinen-App. Sie ist das Ergebnis von über 20 Jahren kontinuierlicher Softwareentwicklung, entstanden im WSL-Institut für Schnee- und Lawinenforschung SLF in Davos – und wurde 2025 zum Master of Swiss Apps gekürt.
Warum gehört diese Geschichte in eine Serie über KI in der Schweizer Industrie und was hat das mit Einzelhandel und Omnichannel-Retail zu tun?
Weil White Risk zeigt, wie Schweizer Präzision, Inhouse-Entwicklung und datenbasierte Entscheidungen zu einem Produkt führen, das Nutzer:innen wirklich vertrauen. Genau das brauchen auch Retailer, die ihre Kundschaft über Filiale, Webshop und App hinweg intelligent ansprechen wollen – zunehmend unterstützt durch KI.
In diesem Beitrag geht es darum,
- was White Risk strukturell richtig gemacht hat,
- wie KI dort bereits eingesetzt wird,
- und welche konkreten Lektionen Schweizer Retailer für ihre eigenen KI- und Omnichannel-Projekte daraus ziehen können.
1. Kontinuierliche Entwicklung statt „One Shot“-Projekt
White Risk ist ein Paradebeispiel für kontinuierliche Weiterentwicklung. Das Produkt startete als interaktive Lern-CD auf Flash. Heute ist es ein Ökosystem aus App, Website, E-Learning und datengetriebener Gefahreneinschätzung – ausgezeichnet mit Gold in der Kategorie Functionality.
Die Entwicklung verlief in klaren Etappen:
- ca. 2005: Lern-CD auf Flash als Basis fĂĽr Lawinenwissen
- 2009: erste iOS-App, Fokus auf Lawinenbulletin und Schneekarten
- wenige Jahre später: Android-Version
- ab 2013: vollwertiges Tourenplanungsmodul, laufend verbessert
- heute: umfangreiche E-Learning-Inhalte, Tools wie Hangneigungsmesser, Gefahrenbeurteilung, automatische SchlĂĽsselstellenerkennung
Die Kernbotschaft: Es gibt keinen „fertigen“ Status. Produkt und Technologie werden laufend überprüft, modernisiert und erweitert.
Was heisst das fĂĽr den Schweizer Retail?
Viele Handelsunternehmen denken immer noch in Einmal-Projekten: „Wir brauchen eine neue App“, „Wir führen jetzt KI ein“, „Wir machen jetzt Omnichannel“. Dann wird ein grosses Projekt aufgesetzt, oft an eine Agentur ausgelagert – und nach dem Go-Live fällt das Thema in den Wartemodus.
Die Realität ist eine andere:
- Kundenerwartungen ändern sich ständig (Beispiel: Same-Day-Delivery, Abholung in der Filiale, personalisierte Empfehlungen).
- Technologiezyklen werden kürzer (neue KI-Modelle, veränderte Datenschutzanforderungen, neue Endgeräte).
- Wettbewerb schläft nicht, gerade im grenznahen Bereich mit deutschen und französischen Playern.
Wer wie das SLF denkt, baut seine digitalen Kanäle als Produkt, nicht als Projekt:
- kontinuierliche Releases statt Big Bang alle paar Jahre
- klare Roadmap, aber offen fĂĽr neue Erkenntnisse aus Daten und Praxis
- Budget fĂĽr Weiterentwicklung, nicht nur fĂĽr initiale Implementierung
Für KI im Retail heisst das: Eine Empfehlungstechnologie oder ein dynamisches Pricing-Modell ist nie „fertig“. Datenqualität, Modellgüte und Businesslogik brauchen laufende Pflege – genau wie Lawinenmodelle und Simulationsdaten bei White Risk.
2. Inhouse-Kompetenz als strategischer Vorteil
Das SLF hat sich bewusst entschieden, White Risk inhouse zu entwickeln – mit einem erstaunlich kleinen Kernteam:
- 2 Product Owner fĂĽr Inhalte und Anforderungen
- 4 Softwareentwickler fĂĽr Web, Apps, Back-End und GIS
- 2 Interaction-Designer
- separates Team fĂĽr das Lawinenbulletin
- internes IT-Team fĂĽr Server, Infrastruktur, Monitoring und Pikettdienst
Trotz begrenzter Ressourcen entsteht damit eine App, die auf dem Niveau kommerzieller Consumer-Produkte spielt – und zwar, weil:
- Fachwissen (Lawinenforschung) und Entwicklung im gleichen Haus sitzen,
- Feedback-Schleifen kurz sind,
- Entscheidungen nicht an Dritte ausgelagert werden,
- das Team Technologien bewusst auswählt (z.B. kein Cordova/Flutter, sondern native Entwicklung plus Kotlin Multiplatform).
„Wir entwickeln White Risk bewusst inhouse, da wir bereits über erfahrene Softwareentwickler und umfassendes Know-how verfügen.“
Lektionen fĂĽr den Einzelhandel
Gerade im Schweizer Retail sehe ich zwei Extreme:
- Alles wird an Agenturen und Integratoren vergeben – Know-how bleibt draussen.
- IT ist stark auf Infrastruktur fokussiert, aber nicht auf digitale Produkte.
Beides ist gefährlich, wenn KI und Omnichannel strategisch wichtig werden.
Was Retailer von White Risk übernehmen können:
- Product Owner-Rolle ernst nehmen: Mindestens eine Person, die Handel, Kund:innen und Technologie versteht – und die App/Web-Erlebnisse als Produkt steuert.
- Kernkompetenz im Haus halten: Architektur, Datenmodelle, KI-Modelle und Customer Journey gehören ins eigene Gehirn, nicht nur in externe Dokumente.
- Langfristige Partnerschaften ergänzen, nicht ersetzen: Externe Partner sind wertvoll, aber nicht als alleiniger Gedächtnisspeicher.
Für KI-Projekte ist das zentral: Wer Algorithmen für Warensteuerung, Sortimentsoptimierung oder Dynamic Pricing vollständig auslagert, gibt einen wesentlichen Teil seiner Strategie ab. White Risk zeigt, wie viel man mit einem kleinen, fokussierten Team erreichen kann – wenn es durchgängig Verantwortung trägt.
3. Daten, Simulation und KI: Präzision als Prinzip
Die Stärke von White Risk liegt nicht nur in der Benutzeroberfläche, sondern vor allem im Umgang mit Daten.
Für die automatische Erkennung von Schlüsselstellen im Gelände werden u.a. genutzt:
- öffentliche Geländedaten (Höhenmodelle)
- Waldbedeckungsdaten
- ein eigenes Simulationsmodell für Lawinenabgänge
Daraus entstehen Karten, die angeben, wo Lawinen auslaufen könnten und wie gefährlich sie wären. Auf dieser Basis unterstützt die App Skitourengeher:innen bei Planung und Risikoabschätzung.
Zusätzlich setzt das SLF seit 2021 ein KI-Modell zur Einschätzung der Lawinengefahr ein. Dieses Modell liefert täglich eine eigene Bewertung der Lawinensituation und dient den Prognostikern als zusätzliche Entscheidungsgrundlage, nicht als Ersatz.
Parallelen zur KI im Retail
Der Mechanismus ist verblüffend ähnlich zu KI-Anwendungen im Handel:
- Geländedaten ↔ Verkaufs- und Bewegungsdaten (POS, E‑Com, Filialfrequenzen)
- Lawinenmodelle ↔ Nachfrage- und Prognosemodelle
- Lawinengefahr ↔ Bestandsrisiko, Überhänge, Out-of-Stock
- Schlüsselstellen im Gelände ↔ kritische Touchpoints in der Customer Journey
So wie White Risk aus Daten „kritische Hänge“ erkennt, können Retail-KI-Systeme etwa:
- Filialen mit hohem Out-of-Stock-Risiko identifizieren
- Aktionen vorhersagen, bei denen Margen „lawinenartig“ abrutschen
- Kundensegmente finden, bei denen Abwanderungsgefahr steigt
Entscheidend ist der Ansatz:
- Modell plus Mensch: Das KI-Modell im Lawinenwarndienst ersetzt nicht den Experten, sondern liefert eine zusätzliche Sicht. Genauso sollte ein KI-gestütztes Replenishment-System den Einkäufer nicht abschaffen, sondern ihn mit besseren Vorschlägen ausstatten.
- Transparente Logik: Im sicherheitskritischen Umfeld von White Risk ist Nachvollziehbarkeit Pflicht. Für Retail-KI gilt dasselbe – wenn Store-Manager oder Category Manager die Logik nicht verstehen, wird das System nicht akzeptiert.
Wer KI in der Schweizer Präzisionsindustrie oder im Retail einsetzt, sollte sich an dieser Haltung orientieren: Präzision durch Daten, Verantwortung beim Menschen.
4. Nutzerzentrierung: Funktionalität, die im Alltag trägt
Die Jury des Best of Swiss Apps hat White Risk nicht nur wegen der Technologie ausgezeichnet, sondern wegen ihrer Funktionalität. Besonders positiv hervorgehoben wurden:
- die automatische SchlĂĽsselstellenerkennung
- die Kombination von Tourenplanung, Sicherheitstools und Lerninhalten an einem Ort
- Offline-Verfügbarkeit im Gelände
Dazu kommen viele durchdachte Details:
- Fokus auf Offline-Nutzung: Die meisten Inhalte funktionieren auch ohne Netzabdeckung – logisch in den Alpen.
- Accessibility im Detail: Farbschemata, die für Farbenblinde gut erkennbar sind; Tests mit betroffenen Personen; dynamische Textgrössen; Dark- und Light-Mode für unterschiedliche Sichtverhältnisse.
- Breite Zielgruppe: Vom Einsteiger bis zur Profi-Ausbildung – alle finden passende Inhalte und Tools.
Was bedeutet das fĂĽr Omnichannel-Retail?
Viele Retail-Apps scheitern daran, dass sie aus Kundensicht kein klares Problem lösen. Ein paar Produktkataloge und Aktionen reichen nicht.
Ăśbertragen auf den Einzelhandel:
- Offline-Fähigkeit ernst nehmen: Kund:innen erwarten, dass die App in der Filiale sofort reagiert, egal wie gut das WLAN ist. Preis- und Produktinfos, digitale Kundenkarte, Einkaufslisten – möglichst viel sollte offline vorbereitet sein.
- Klares Nutzenversprechen: White Risk hilft konkret, Touren sicherer zu planen. Eine Retail-App sollte ähnlich konkret sein, z.B.:
- schneller einkaufen und weniger anstehen
- personalisierte Angebote statt Prospekt-WĂĽste
- einfache Retouren und Umtauschverwaltung
- Barrierefreiheit planen, nicht nachziehen: Konsequent getestete Farbkontraste, grosse Touch-Ziele, klare Sprache. Das ist kein „Nice-to-have“, sondern gerade in einer alternden Gesellschaft ein direkter Umsatzfaktor.
Oder anders gesagt: Funktionalität ist die konsequente Antwort auf reale Nutzungsszenarien. Genau das macht White Risk stark – und fehlt vielen Retail-Apps.
5. Organisationskultur: Hack Weeks, Feedback und Mut zur Technologie
Ein spannendes Detail in der White-Risk-Geschichte ist die Hack Week, die das SLF einmal pro Jahr durchfĂĽhrt. Dort testet das Team neue Technologien, baut Prototypen und prĂĽft Ideen, die im Daily Business keinen Platz haben. Viele Produktfeatures sind aus diesen Wochen entstanden.
Dazu kommt:
- kontinuierliches Monitoring der Systeme und Pikettdienst bei Störungen
- aktive Einbindung der User-Community durch Feedbackkanäle
- mutige Technologie-Entscheidungen, etwa der frĂĽhe Einsatz von Kotlin Multiplatform Mobile, noch in der Beta-Phase
Diese Kultur ist kein Luxus, sondern einer der HauptgrĂĽnde, warum White Risk heute stabil, modern und nutzerzentriert ist.
Ăśbertrag auf KI-Projekte im Handel
FĂĽr Retailer, die KI und Omnichannel ernst meinen, sind drei Punkte entscheidend:
-
Experimentierfenster schaffen
Kleine, gut abgegrenzte Experimente – z.B. KI-gestützte Empfehlungen nur in einer Produktkategorie oder in einer Testregion. -
Schnelles Feedback ermöglichen
Direktes Feedback aus Filialen und von Kund:innen (In-App-Feedback, Store-Manager-Runden, digitale Panels) erhöht die Trefferquote von Features massiv. -
Technologiemut zeigen
Wer immer nur wartet, bis ein Trend „ausgereift“ ist, kommt im Schweizer Markt oft zu spät. White Risk hat KMM eingeführt, als es riskant war – aber kontrolliert, modular, mit klarer Rückfallstrategie.
Auch in der Schweizer Präzisionsindustrie sehen wir: Die Unternehmen, die als erste mit KI-gestützter Qualitätskontrolle oder vorausschauender Wartung gestartet sind, haben heute einen realen Effizienzvorsprung. Retail kann hier denselben Weg gehen – aber nur, wenn Technologieexperimente nicht dauernd am Tagesgeschäft scheitern.
6. Was Retailer konkret von White Risk übernehmen können
Zum Schluss ein paar praktische Leitlinien, die sich aus der White-Risk-Story fĂĽr den Schweizer Einzelhandel ableiten lassen.
1. Produkte statt Projekte denken
- App, Webshop, Loyalty-Programm und KI-Services als lebende Produkte fĂĽhren.
- Roadmap, KPIs und Verantwortlichkeiten klar definieren.
2. Inhouse-Kompetenz aufbauen
- Mindestens ein kleines Kernteam fĂĽr Product, Data & KI im eigenen Haus etablieren.
- Kritische Algorithmen (z.B. Personalisierung, Pricing) verstehen und mitgestalten, nicht nur einkaufen.
3. Daten ernst nehmen
- Datenqualität als strategischen Vermögenswert behandeln.
- Simulationen und Prognosen (z.B. Nachfrageprognosen, Abverkaufsszenarien) wie das SLF ihre Lawinenmodelle: laufend validieren und verbessern.
4. Echte Probleme lösen
- Jede Funktion in App oder Web mit einem klaren Satz begründen können: „Das hilft Kund:innen, weil…“
- Offline-Szenarien explizit planen: Was funktioniert in der Filiale auch bei schlechtem Netz?
5. Kultur fĂĽr Experimente und KI schaffen
- Regelmässige Innovationsformate wie Hack Days einführen.
- Kleine KI-Piloten aufsetzen, statt auf das „grosse KI-Programm“ zu warten.
Fazit: Präzision, Verantwortung und Mut zur eigenen Lösung
White Risk zeigt eindrücklich, wie in der Schweiz digitale Exzellenz entstehen kann: mit tiefem Fachwissen, einer klaren Produktvision, Inhouse-Kompetenz und dem konsequenten Einsatz von Daten und KI – immer mit dem Menschen als letzte Instanz.
Für Schweizer Retailer, die sich in Richtung KI-gestützter Omnichannel-Welt entwickeln wollen, ist das kein Lawinenlehrbuch, sondern eine strategische Blaupause. Wer Präzision ernst nimmt, seine digitalen Kanäle wie ein sicherheitskritisches System behandelt und Stück für Stück eigene Kompetenz aufbaut, wird auch im Wettbewerb mit internationalen Playern nicht verschüttet.
Die Frage ist weniger, ob KI in den nächsten Jahren den Handel verändert – das tut sie längst. Die eigentliche Frage lautet: Wollen Sie zuschauen, oder wollen Sie Ihr eigenes „White Risk“ für den Retail bauen?