Wer online nach Laufschuhen sucht, landet schnell vor 200 Modellen. Ein Klick auf einen Trailrunning-Schuh führt zur Empfehlung eines City-Sneakers. Die KI hat geantwortet, aber sie hat nicht verstanden. Genau an diesem Punkt steht der E-Commerce heute: Die Systeme können chatten, doch die Qualität der personalisierten Auswahl hinkt hinterher.
Warum versteht KI den Kaufkontext noch nicht?
Künstliche Intelligenz in Online-Shops greift auf Produktdaten, Klickverhalten und Bestellhistorien zurück. Was ihr fehlt, ist der Kontext der Absicht. Ein Suchender will nicht einfach „Schuhe“, sondern ein Modell für nasse Waldwege, einen breiten Vorfuß und ein Budget unter 150 Euro. Solche Nuancen lassen sich nicht aus einem einzelnen Klick ableiten.
Das Problem liegt weniger im Modell als in den Daten. Viele Shops liefern der KI unvollständige Produkttaxonomien, lückenhafte Attribute und verteilte Kundendaten. Wenn Prestashop, Shopware oder Magento-Systeme nicht sauber kategorisiert sind, kann auch der beste Algorithmus keine passgenaue Beratung liefern. Die Antwort wirkt dann intelligent, die Empfehlung bleibt aber generisch.
Was bedeutet das für Shopify, Shopware und Adobe Commerce?
Die großen Shopsysteme bauen ihre KI-Funktionen aus. Shopify integriert generative Werkzeuge in Admin und Storefront, Shopware arbeitet an KI-gestützten Produktempfehlungen, Adobe Commerce setzt auf Live Search und künstliche Intelligenz für Merchandising. Doch der Mehrwert entfaltet sich erst, wenn Händler ihre Datenbasis aufgeräumt haben.
Ein Shopbetreiber, der 50.000 Produkte pflegt, aber keine einheitlichen Attributsfelder für Passform, Material oder Einsatzzweck nutzt, wird aus einer KI-Beratung wenig herausholen. Die Technologie verstärkt dann bestehende Schwächen statt sie zu kompensieren. Erst saubere Stammdaten, saubere Kategorien und verknüpfte Kundenprofile machen den Unterschied.
Wie lösen Händler das Kontextproblem?
Die Lösung beginnt vor dem Chatbot. Händler sollten ihre Produktdaten in einem PIM-System konsolidieren, Attribute standardisieren und Filterlogiken überprüfen. Werden Rückgabegründe und Bewertungen ausgewertet, lässt sich ableiten, wo Empfehlungen regelmäßig danebenliegen. Diese Datenflüsse müssen mit der KI verbunden werden.
Kontext entsteht auch durch gezielte Rückfragen. Statt sofort ein Produkt vorzuschlagen, kann ein Assistent nach dem Verwendungszweck, der bevorzugten Marke oder der Preisobergrenze fragen. Solche dialogbasierten Systeme erfordern mehr Designarbeit, liefern aber bessere Ergebnisse. Tools wie Gorgias oder Tidio zeigen, wie sich Kundenservice-Kontexte gezielt aufbauen lassen, vorausgesetzt, die Backend-Daten stimmen.
„KI im E-Commerce ist kein Zaubertrick. Sie ist ein Spiegel der Datenqualität eines Shops.“
Die nächsten zwölf Monate werden entscheidend sein. Wer jetzt seine Datenstrukturen, Taxonomien und Kundenprofile aufeinander abstimmt, kann aus KI-gestützter Beratung einen echten Wettbewerbsvorteil machen. Wer darauf wartet, dass die Technologie allein die Lücke schließt, bleibt im digitalen Smalltalk stecken.