Statistiken über das Scheitern von KI-Projekten werden oft zitiert, um Führungskräfte zu erschrecken, doch das eigentliche Problem ist einfacher: Die meisten KI-Initiativen im Einzelhandel liefern nie den geschäftlichen Mehrwert, den sie versprechen. Dieser Artikel erklärt, warum KI-Projekte im Einzelhandel scheitern und was führende Einzelhändler anders machen, um zu den erfolgreichen 5–20 % zu gehören.
Warum so viele KI-Projekte im Einzelhandel scheitern
Fehlende klare, CFO-orientierte Geschäftsergebnisse
Einer der größten Gründe, warum KI-Projekte im Einzelhandel scheitern, liegt in ihrem Start. Viele Initiativen beginnen mit vagen Ambitionen wie „Wir brauchen KI in der Bedarfsprognose“ oder „Wir sollten etwas mit KI machen“.
Ohne ein klares, messbares Geschäftsergebnis, ausgedrückt in der Sprache des CFO, wissen Teams nicht, wie Erfolg aussieht, und Stakeholder kommen schnell zu dem Schluss, dass „KI nicht funktioniert hat“.
Beispiele für konkrete Ziele:
- Reduzierung von Out-of-Stocks bei den Top 1.000 SKUs um 20 %.
- Senkung des Lagerbestands in einer bestimmten Kategorie um 10 %, ohne die Verfügbarkeit zu beeinträchtigen.
Wenn ein solches Ziel fehlt, werden selbst technisch starke Modelle als Fehlschläge wahrgenommen, da sie die Gewinn- und Verlustrechnung nicht klar beeinflussen.
Wahl auffälliger KI-Anwendungsfälle statt wertvoller Probleme
Ein weiterer häufiger Fehler ist die Wahl von Anwendungsfällen, weil sie auf Folien beeindruckend aussehen, anstatt weil sie die größten Gewinnhebel darstellen. Vision-basierte Regalanalysen oder Chatbots mögen auffällig sein, aber viel Geld steckt in weniger glamourösen Bereichen wie Backoffice-Automatisierung, besserer Bedarfsprognose, intelligenteren Sortimentsentscheidungen und disziplinierterem Preis- und Aktionsmanagement.
Wenn KI in marginalen Prozessen eingesetzt wird, kann sie technisch funktionieren und dennoch als Fehlschlag abgetan werden, einfach weil sie die zentralen Geschäftsmessgrößen nicht verändert.
Schwache Datenfundamente und fragmentierte Einzelhandelssysteme
KI benötigt konsistente, integrierte Daten. Viele Einzelhändler betreiben jedoch separate Systeme für POS, E-Commerce, Treueprogramme, ERP, Lager und Marketing – jedes mit eigenen Identifikatoren und Definitionen.
Typische Symptome sind das Fehlen einheitlicher Produkt-, Kunden- oder Filialansichten sowie eine inkonsistente Historie von Verkäufen und Preisen. In einer solchen Umgebung wird selbst das beste Modell Schwierigkeiten haben, wenn es auf chaotische Omnichannel-Daten trifft. Einzelhändler benötigen keine perfekte Datenplattform, um zu beginnen, aber sie brauchen ein minimales, zuverlässiges Rückgrat statt reines Chaos.
Fokus auf Modelle statt auf Akzeptanz und Change Management
Selbst wenn die technische Arbeit stark ist, scheitern KI-Projekte oft im Moment der Akzeptanz. Das Modell wird implementiert, Dashboards sehen beeindruckend aus – und das Geschäft läuft weiter wie zuvor.
Einkäufer und Category Manager könnten Empfehlungen misstrauen, die Tools als zu komplex empfinden oder keine Anreize haben, Entscheidungen zu ändern. In dieser Situation wird KI zu einer teuren Berichtsebene: etwas, das man in einer Präsentation zeigen kann, aber keine echte Entscheidungsmaschine.
Behandlung von KI als eine Reihe von Einzelexperimenten
Viele Einzelhändler betreiben KI als voneinander getrennte Pilotprojekte: ein Proof of Concept hier, ein Anbieterprojekt dort, ein lokales Experiment in einer Abteilung. Es gibt keinen langfristigen Fahrplan, keine wiederverwendbaren Komponenten und keinen klaren Produktverantwortlichen.
Im Laufe der Zeit verlangsamt sich jede Initiative oder stirbt, sobald der ursprüngliche Sponsor weiterzieht, und die Führungsebene kommt zu dem Schluss, dass KI „nie wirklich Fuß gefasst hat“.
Wie erfolgreiche Einzelhändler KI-Projekte zum Erfolg führen
Einzelhändler, die konsequent zu den erfolgreichen 5–20 % gehören, behandeln KI nicht als Magie, sondern als Disziplin der Umsetzung.
Start mit einer klaren Geschäftsfrage
Anstatt mit der Technologie zu beginnen, starten erfolgreiche Einzelhändler mit einer fokussierten Geschäftsfrage:
„Welche Entscheidung, wenn wir sie um 20–30 % verbessern würden, würde in diesem Jahr den größten Wert für unser Geschäft schaffen?“
Das könnte die Reduzierung von Preisnachlässen in der Modebranche sein, ohne die Abverkaufsquote zu beeinträchtigen, die Lokalisierung von Sortimenten ohne explodierende operative Komplexität oder die Verbesserung der Effektivität von Aktionen in einigen strategischen Kategorien. Von diesem Ausgangspunkt aus definieren sie Baseline, Ziel, Umfang und Zeitrahmen, sodass Erfolg oder Misserfolg keine Frage der Meinung mehr ist.
Pragmatische, wirkungsvolle erste Anwendungsfälle wählen
Erfolgreiche Einzelhändler sind pragmatisch, wo sie beginnen. Der erste KI-Anwendungsfall hat eine bedeutende Wirkung, ist aber technisch und organisatorisch machbar – zum Beispiel Bedarfsprognosen für ausgewählte Kategorien und Filialen, Sortimentsoptimierung in einem Segment oder automatisierte Bestellungen für einen Teil des Netzwerks.
Sie vermeiden hochpolitische, konzernweite Themen als erstes Experiment. Glaubwürdige frühe Erfolge schaffen Vertrauen und Budget für die Skalierung.
Datenfundamente und KI-Modelle parallel aufbauen
Anstatt Jahre mit abstrakten Datenplattformprojekten zu verbringen, arbeiten erfolgreiche Einzelhändler parallel an Datenfundamenten und KI-Modellen. Sie konzentrieren sich darauf, wichtige Identifikatoren zu vereinheitlichen, historische Verkaufs- und Aktionsdaten zugänglich zu machen und grundlegende Datenverantwortlichkeiten zu definieren. Frühe KI-Anwendungsfälle zeigen dann, wo Lücken wirklich schaden, und diese werden zuerst behoben. Jede Verbesserung der Datenqualität ist direkt mit sichtbarem Geschäftserfolg verbunden.
KI um reale Einzelhandels-Workflows herum gestalten
Ein weiterer Unterschied ist, wie KI den Nutzern bereitgestellt wird. In erfolgreichen Projekten werden Empfehlungen direkt in die Tools eingebettet, mit denen Einkäufer, Planer und Manager bereits arbeiten.
Die Ergebnisse werden als klare, umsetzbare Vorschläge präsentiert – wie „hier den Bestand um X erhöhen“, „diese SKUs entfernen“ oder „diesen Artikel zum lokalen Sortiment hinzufügen“ – mit der Möglichkeit, die dahinterliegende Logik einzusehen. Nutzerfeedback wird erfasst und in das Produkt zurückgespeist, sodass sich das System mit dem Geschäft weiterentwickelt.
Change Management als Kernarbeitsstream behandeln
Change Management ist kein nachträglicher Gedanke. Führende Einzelhändler binden Geschäftsstakeholder von Anfang an ein, gestalten Tools gemeinsam mit Endnutzern und erklären KI-Konzepte in einfacher Sprache. KPIs und Anreize werden mit KI-unterstützten Entscheidungen abgestimmt, und sowohl Erfolge als auch Misserfolge werden offen kommuniziert, damit KI zu einem vertrauenswürdigen Assistenten und nicht zu einer bedrohlichen Blackbox wird.
Balance zwischen maßgeschneiderten und standardisierten KI-Lösungen
Schließlich sind erfolgreiche Einzelhändler vorsichtig bei der Mischung aus Standardlösungen und maßgeschneiderten Ansätzen. Standard-SaaS-Plattformen sind ein schneller Einstieg, erfassen jedoch selten alle Nuancen eines spezifischen Einzelhändlersortiments, der Aktionsmechanik oder der Multi-Banner-Struktur.
Viele Marktführer nutzen daher robuste Plattformen für generische Fähigkeiten und ergänzen diese durch maßgeschneiderte Modelle und Geschäftslogik, die auf ihren eigenen Daten trainiert sind. Dies schafft eine Balance zwischen Geschwindigkeit, Skalierbarkeit und einem Wettbewerbsvorteil, den Konkurrenten nicht einfach kaufen können.
Fazit: KI im Einzelhandel scheitert eher an der Umsetzung als an Algorithmen
Aus dieser Perspektive ist die Schlagzeile „95 % der KI-Projekte scheitern“ kein Urteil über KI selbst, sondern eine Warnung, wie KI-Projekte im Einzelhandel typischerweise durchgeführt werden.
Wenn Initiativen in klaren Geschäftsergebnissen verankert sind, sich auf wertvolle, aber machbare Anwendungsfälle konzentrieren, auf nutzbaren Daten basieren, um reale Workflows herum gestaltet sind und durch gezieltes Change Management unterstützt werden, kann KI im Einzelhandel eine starke Rendite liefern.
Der Unterschied zwischen Scheitern und Erfolg liegt weniger in exotischen Algorithmen und viel mehr in Disziplin, Fokus und Umsetzung.
