70 Prozent der KI-Budgets im deutschen Online-Handel versickern in Pilotprojekten, die nach zwölf Monaten stillgelegt werden. Das beobachtet auch AIMultiple in seiner Analyse konkreter eCommerce Technologien. Das Problem liegt nicht in der Software, sondern in der Auswahl: Händler mit mehr als einer Million Euro Jahresumsatz setzen Technologie primär dort ein, wo der ROI am schnellsten messbar ist – und übersehen dabei strategische Hebel.
Warum scheitern Technologieprojekte im Online-Handel?
Technologieprojekte scheitern, weil Betreiber Software nach Hype-Relevanz statt nach Prozess-Priority auswählen. Die meisten starten mit Chatbots oder Personalisierungs-Engines, weil der Business Case offensichtlich erscheint. Doch AIMultiple listet in seiner Übersicht eCommerce Technologien auf, deren Impact weniger spektakulär, aber deutlich nachhaltiger ist. Dynamische Preisgestaltung etwa steigert bei Modehändlern die Margen um durchschnittlich acht Prozent – nicht durch aggressives Discounting, sondern durch bedarfsabhängige Anpassungen in Echtzeit. Wer jedoch nur die Software kauft und keine Preisstrategie definiert, erntet Warenkorbabbrüche.
Ein weiterer unterschätzter Use Case: Computer Vision für Retouren-Qualitätskontrolle. Zalando und About You setzen seit 2022 auf bildbasierte KI, um Rücksendungen zu klassifizieren und Second-Life-Entscheidungen in Sekundenbruchteilen zu treffen. Mittelständler scheuen die Initialinvestition von 50.000 bis 150.000 Euro, obwohl der Break-even bei Retourenquoten über 35 Prozent oft schon nach sechs Monaten erreicht ist. [ECOMMERCE MINDED: Retourenmanagement]
Welche Technologien lohnen sich jenseits des Hypes?
Laut AIMultiple-Daten wirken sich Predictive Analytics und dynamische Preisgestaltung deutlich stärker auf den Umsatz aus als Voice Commerce oder Visual Search. Letztere dominieren die Konferenzagenden, doch in Deutschland nutzen nur 4 Prozent der Konsumenten regelmäßig sprachgesteuerte Kauffunktionen. Stärker wirkt sich der Einsatz von Predictive Analytics im Bestandsmanagement aus. Ein Möbelhändler aus Bayern reduzierte mit bedarfsprognostizierter Disposition die Überbestände um 23 Prozent und hievte die Verfügbarkeit auf 97 Prozent. Das System liest dabei nicht nur interne Verkaufsdaten, sondern externe Signale wie Wettertrends und regionale Baubeginne.
Was bedeutet das für den Mittelstand?
Für den Mittelstand bedeutet das: KI-Features müssen in die bestehende Prozesslogik eingepasst werden, nicht umgekehrt. Shop-Systeme wie Shopify Plus oder Shopware 6 integrieren mittlerweile KI-Funktionen nativ. Das senkt die Einstiegshürde, verschleiert aber die strategische Aufgabe. Ein B2B-Händler für Elektrokomponenten, der 2023 ein Recommendation-Engine implementierte, erzielte keine Steigerung der durchschnittlichen Bestellmenge – weil das System Kabel vorschlug, wo Kunden Steckergehäuse suchten. Der Fehler lag nicht im Algorithmus, sondern in der Taxonomie des Produktdatenmanagements.
Deutsche Händler sollten bei eCommerce Technologien mit einer klaren Pain-Point-Analyse beginnen: Wo brennt es wirklich? Wenn die Antwort Retouren, Bestandskosten oder Preisgestaltung lautet, lohnt sich der Blick auf die AIMultiple-Use-Cases. Wenn die Antwort „Wir brauchen mehr KI“ lautet, steht das Projekt bereits mit einem Bein im Graben. In diesem Fall hilft keine Technologie der Welt – erst recht keine, die nur auf einer Liste gut aussieht.