1995 kauften amerikanische Unternehmen Computer im Wert von rund 100 Milliarden Dollar pro Jahr. Die Arbeitsproduktivität stagnierte trotzdem. Der Ökonom Robert Solow hatte das Phänomen schon 1987 auf den Punkt gebracht: Das Computerzeitalter sei überall zu sehen — nur nicht in der Produktivitätsstatistik. Vierzig Jahre später wiederholt der E-Commerce genau dieses Muster, diesmal mit Künstlicher Intelligenz. Die Lizenzen sind gekauft, die Pilotprojekte laufen, die Folien voll. Doch in der Bilanz tut sich erstaunlich wenig.
Christian Maaß, Managing Director beim Musikhaus Thomann und Mitglied des etailment-Expertenrats, hat dafür eine unbequeme Erklärung: Die meisten Unternehmen investieren in die Technologie und lassen die Organisation, die sie nutzen soll, völlig unverändert. Das Ergebnis ist kein Effizienzgewinn, sondern eine zusätzliche Ebene von Tools auf den alten Prozessen.
Warum scheitern KI-Investitionen trotz steigender Budgets?
Die Zahlen der Anbieter lesen sich beeindruckend. Microsoft berichtet von Millionen verkaufter Copilot-Lizenzen, Salesforce prescht mit Agentic-AI-Ankündigungen voran, Shopify baut KI-Funktionen direkt in den Admin. Gleichzeitig zeigen aktuelle Studien — etwa von McKinsey und dem MIT — ein zähes Bild: Der weitaus größte Teil der Unternehmen meldet bislang keinen messbaren Beitrag der generativen KI zum operativen Ergebnis. Ein erheblicher Anteil der Pilotprojekte schafft es nicht einmal in den Regelbetrieb.
Die Ursache liegt selten im Modell. Sie liegt im Montagmorgen. Ein Marketing-Team bekommt ein Textmodell, arbeitet aber weiter in denselben Freigabeschleifen wie zuvor: Vier Runden Abstimmung, zwei Rechtsschecks, ein Wochenkalender für Social Posts. Die KI erzeugt den Entwurf in Sekunden — und das Ergebnis wartet dann genauso lange auf ein Okay wie der Entwurf aus der Agentur zuvor. Die Ersparnis verdampft im Prozess, nicht im Prompt.
Das Solow-Paradoxon, Teil zwei
Was in den Achtzigern mit PCs geschah, folgte einem typischen Drei-Phasen-Muster. Zuerst wurde die neue Technik als reine Kostenreduktion verkauft — weniger Schreibkräfte, weniger Rechenzeit. Dann stellte sich heraus, dass die Maschinen neue Arbeit erzeugten: mehr Präsentationen, mehr Tabellen, mehr interne Kommunikation. Erst in Phase drei, rund ein Jahrzehnt später, änderten Unternehmen ihre Strukturen wirklich — flachere Hierarchien, dezentrale Budgets, neue Rollen. Ab Mitte der Neunziger sprang die Produktivität in den USA spürbar an.
Die Lehre daraus ist unbequem: Der Produktivitätsschub kam nicht von der Hardware, sondern von der Reorganisation, die sie ermöglichte. Wer heute in KI investiert und dabei die Berichtslinien, Zielvorgaben und Verantwortlichkeiten von 2019 stehen lässt, befindet sich mitten in Phase zwei — mit dem Unterschied, dass die Lizenzkosten sofort auf der Gewinn- und Verlustrechnung landen, der Nutzen aber auf sich warten lässt.
Für den deutschen Handel kommt eine Besonderheit dazu. Viele Mittelständler haben ohnehin lange Genehmigungswege, Datenschutz-Freigaben und teils restriktive Betriebsvereinbarungen. Eine KI, die in diesem Umfeld nur als zusätzliches Werkzeug eingeführt wird, verstärkt die Bürokratie, statt sie aufzulösen. Das ist keine Technologiefrage. Das ist Führung.
Wie verändert Thomann die Organisation statt nur die Werkzeuge?
Was Maaß aus der Praxis des größten europäischen Musikhändlers berichtet, unterscheidet sich in einem zentralen Punkt vom üblichen Pilotprojekt-Theater: Dort wird nicht zuerst die Software gekauft und dann nach Anwendungsfällen gesucht, sondern zuerst der Prozess zerlegt. Welche Aufgabe entsteht warum, in welcher Reihenfolge, mit welcher Qualitätskontrolle — und an welcher Stelle liefert ein Modell tatsächlich bessere Ergebnisse als der bisherige Ablauf?
Der Unterschied klingt banal, ist aber strategisch. Wer Prozess-first arbeitet, stellt fest, dass viele KI-Vorhaben gar keine brauchen. Eine saubere Produktdaten-Pflege, ein vernünftiges Regelwerk für Preislogik, klare Zuständigkeiten im Kundenservice — das löst oft mehr, als es ein Sprachmodell je könnte. Wo die KI dann eingesetzt wird, trifft sie auf vorbereitete Daten, definierte Qualitätskriterien und Menschen, deren Rolle sich mitverändert hat. Genau daran scheitern die meisten Projekte: Die Organisation belohnt weiterhin das alte Verhalten.
Technologie ist der einfache Teil. Der schwierige Teil ist, einem Unternehmen beizubringen, anders zu arbeiten, als es belohnt wird.
Woran Händler messen sollten, ob KI wirklich trägt
Ein ehrlicher Blick auf die eigenen KI-Projekte beginnt mit einer unangenehmen Frage: Welcher Prozess existiert heute nicht mehr, weil die KI ihn übernommen hat? Nicht welcher Prozess schneller läuft — welcher weggefallen ist. Wer darauf keine Antwort hat, hat Werkzeuge angeschafft, keine Veränderung gekauft.
Drei Prüfpunkte helfen, Anspruch und Wirklichkeit auseinanderzuhalten:
- Durchlaufzeit statt Erstellungszeit: Nicht messen, wie schnell ein Text entsteht, sondern wie lange er vom Briefing bis zur Veröffentlichung braucht. Nur diese Zahl zeigt, ob die Organisation mitzieht.
- Vollkosten inklusive Betreuung: Prompt-Pflege, Modell-Updates, Schulung und Korrekturlesen gehören in die Rechnung. Manche KI-Prozesse sind damit teurer als der Mensch, den sie ersetzen sollten.
- Rollen-Check: Wenn nach dem KI-Rollout niemand anders arbeitet, keine Verantwortung gewandert und kein Meeting abgeschafft wurde, war es ein Tool-Deployment — kein Transformationsprojekt.
23 Prozent — so hoch beziffern Optimisten gern die Produktivitätsgewinne durch generative KI. Solche Zahlen stammen aus kontrollierten Einzelaufgaben: Ein Support-Mitarbeiter beantwortet Anfragen schneller, ein Entwickler schließt Tickets früher ab. Übertragen aufs ganze Unternehmen schrumpfen sie dramatisch, weil die Engpässe woanders sitzen — in Abstimmungen, in Datenqualität, in Entscheidungsängsten.
Drei Fehler, die fast jeder Händler gerade macht
Der erste Fehler ist der Lizenz-Reflex: Erst wird unternehmensweit ausgerollt, dann wird beobachtet, was passiert. Das erzeugt beeindruckende Adoptionszahlen im Dashboard und wenig Substanz. Klarna hat es 2024 vorgemacht, wie es auch anders geht — mit einem konkret umrissenen Anwendungsfall im Kundenservice, klarer Zielgröße und öffentlich kommunizierten Ergebnissen, statt mit einer Diffusionsstrategie über alle Abteilungen hinweg.
Fehler zwei: KI wird auf die bestehenden Schwachstellen gesetzt, statt diese vorher zu beheben. Schlechte Stammdaten bleiben schlechte Stammdaten — ein Modell, das daraus Produktbeschreibungen generiert, industrialisiert lediglich den Fehler. Die Reihenfolge lautet: Datenfundament, Prozesslogik, dann Modell.
Der dritte Fehler ist personeller Natur. Unternehmen erwarten, dass Belegschaften die neuen Werkzeuge „einfach nutzen“, ohne Zeitbudget, ohne Anreize, ohne klare Ansage, was sich dadurch an ihrer Rolle ändert. Wer Angst vor der eigenen Ersetzbarkeit hat, wird ein Tool bedienen, aber nicht für es kämpfen. Change Management klingt nach Konzern-Rhetorik, ist hier aber buchstäblich der Unterschied zwischen Rendite und Lehrgeld.
Was jetzt konkret zu tun ist
Wer ernst machen will, beginnt nicht mit einem weiteren Tool-Vergleich, sondern mit einer Prozessinventur. Drei bis fünf wiederkehrende Abläufe identifizieren, die messbar Zeit oder Geld kosten — Content-Produktion, Retouren-Kommunikation, Preispflege, Kundenservice-Erstkontakt. Für jeden einzelnen wird festgehalten, was die KI liefern soll, was der Mensch weiter entscheidet und welche Kontrolle entfällt. Erst dann kommt die Technik ins Spiel.
Und es braucht eine unbequeme Entscheidung auf Führungsebene: Jemand muss verantwortlich sein für die Frage, welche Arbeit wegfällt — nicht nur dafür, welche Software beschafft wird. Solange KI als IT-Thema behandelt wird, bleibt sie ein Budgetposten. Behandelt als Organisationsfrage wird sie das, was Solows Statistik erst nach einem Jahrzehnt zeigte: ein echter Produktivitätssprung.
Die PC-Ära hat rund fünfzehn Jahre gebraucht, bis die Investitionen in den Zahlen ankamen. Unternehmen, die heute ihre Abläufe konsequent umbauen, müssen nicht so lange warten — die Modelle sind weiter als die Computer von 1987 es je waren. Die, die nur Lizenzen kaufen, werden dagegen eines Tages feststellen, dass sie teuer für eine Lektion bezahlt haben, die der Einzelhandel eigentlich schon kennt: Werkzeuge verändern nichts. Organisationen verändern alles.