KI im Handel: sechs Trends und was sie für Händler bedeuten

Wo der Handel gerade steht

Bevor es um Technologie geht, macht Anna Graf auf der OGcon 2025 die Lage auf, und die ist wenig romantisch: großer Wettbewerbsdruck, Probleme bei den Margen, Personal- und Fachkräftemangel, verändertes Kundenverhalten. Der E-Commerce hatte seinen Peak während Corona, stockte danach eine Zeit lang und zieht jetzt wieder an. In den Innenstädten stehen trotzdem viele Gebäude leer. Dazu steigende Kosten und höhere Beschaffungsrisiken. Das gehe gerade allen so, sagt sie.

Was die digitale Transformation dagegensetzt, beschreibt sie als drei Hebel, die zusammengehören: einen Wettbewerbsvorsprung, wenn die Daten richtig sortiert sind, KI im Marketing als Differenzierungsfaktor und eine bessere Zusammenarbeit über gemeinsame Technologie. Besonders in Verbundgruppen – wem der Begriff nichts sagt: Expert oder Rewe zum Beispiel, also Gruppen mit einem gemeinsamen Dach, deren Händler einzeln selbstständig tätig sind. Man erkennt das oft daran, dass die Webseiten ein bisschen unterschiedlich aussehen. Genau dort lohnt der Blick, was gebündelt vollzogen werden kann: Prozesse beschleunigen, Effizienz steigern, höhere Margen erreichen.

Auf der Kundenseite steht dem eine schlichte Erwartung gegenüber. Die meisten Kunden erwarten inzwischen ein personalisiertes Angebot, und bei der Flut an Kontakten über Newsletter und Social Media muss man irgendwie herausstechen, um überhaupt an jemanden heranzukommen. Also: maßgeschneiderte Erlebnisse und gleichzeitig eine schnellere Markteinführung. Graf illustriert das Tempo an einem Schuh für ehemalige Hochleistungssportler, den sie sich in Hamburg hat zeigen lassen – vor ein paar Jahren zwei Jahre von der Idee bis zum Markteintritt, heute wenige Wochen.

Sechs Trends, die den Handel gerade bewegen

So, einmal der Reihe nach durch das, was Graf für den Mittelstand als Highlight-Trends sieht. Die Klammer darüber ist der Druck aus der Technologie selbst: KI funktioniert 24/7, gerade die Agents, und daran müssen sich Abläufe anpassen.

• Hyperpersonalisierung: Individuelle Ansprache statt Gießkanne – der eigentliche Grund, warum Marken und Händler ihre Daten überhaupt zusammenbringen wollen.
• Clean-Room-Kooperation von Marke und Point of Sale: Bisher waren das getrennte Datensätze, an die man schwer herankam. Jetzt entstehen Wege, sie geschützt gemeinsam auszuwerten.
• Attention & Emotion AI: Messen, wo die Aufmerksamkeit tatsächlich liegt – über Screentime, über Social Media, perspektivisch auch über Brillen an ganz verschiedenen Orten.
• Dynamic Pricing und Loyalty: Knüpft direkt an die Personalisierung an: skalieren und schauen, wo sich welche Möglichkeit ergibt.
• Sustainability und digitaler Produktpass: Nicht aus Greenwashing-Motiven, sondern um effizienter zu sein und Ressourcen bestmöglich zu nutzen. Das bringt am Ende einen Kostenvorteil und wird für den kommenden digitalen Produktpass ohnehin notwendig.
• Agents: Für das Marketing hält Graf sie für einen No-Brainer: ein täglicher Bericht mit den relevanten Kennzahlen, der von selbst kommt, statt manueller Zusammensuchen – inklusive Früherkennung von Trends.

Praktisch am sichtbarsten wird das in der Kampagnenproduktion, die sich von Wochen auf Stunden verkürzt – und das gilt laut Graf nicht nur für Verbundgruppen, sondern genauso für Einzelkämpfer. Sie nennt dazu eine Black-Friday-Kampagne, in der 12.000 Banner-Varianten für 450 Händler in sieben Tagen und mit vier Personentagen im Zentralmarketing entstanden sind. Früher wäre das unmöglich gewesen, sagt sie.

Wichtiger als die Menge ist dabei die Klammer: Social Media, Kampagnen, Marktanalyse, Personalisierung und Content-Generierung sollen ineinandergreifen und ein gemeinsames Bild ergeben, das markenzentriert bleibt. Man kann nicht auf einem Kanal so auftreten und auf dem anderen komplett anders – das zerstört die Brand Identity. Bildgeneratoren mit hinterlegten Markenvorgaben, etwa Adobe Firefly, sind genau deshalb relevant: Die Marke wird einmal positioniert und dann in unterschiedlichsten Varianten ausgespielt.

Data Clean Room: wenn Marke und Händler gemeinsam rechnen

Der Case, den Graf am spannendsten findet, kommt aus Großbritannien. Ein Cerealienhersteller hatte dort bei einem Produkt sinkende Absatzraten, schlicht weil die Menschen gerade sehr preissensibel sind. Statt lauter zu werben, hat man die Daten gebündelt: pseudonymisiert, anonymisiert und dann die Daten aus dem Retail mit Third-Party-Daten zusammengeführt – und von dort aus kreativ an die Prozesse herangegangen. Der Effekt innerhalb von drei Monaten: bei den preissensiblen Käufern ein Absatzplus von 9 Prozent, bei den loyalen Käufern von 36 Prozent. Erreicht wurde das über eine bessere Ausspielung der Assets und Kampagnen, die im Funnel dann auch zum Kauf geführt haben.

Ein zweiter Fall aus den USA funktioniert nach demselben Muster: PepsiCo und Dollar General, also wieder Marke und Retail zusammen, haben erstmals eine Marken- und eine Coupon-Kampagne zusammengeführt, per KI orchestriert und dabei Echtzeitdaten aus den Kassensystemen mit den Loyalty-Programmen verbunden. Getestet und ausgespielt wurde über Social Media. Graf berichtet von einer um 69 Prozent höheren Conversion Rate. Und Coca-Cola ging es weniger um Absatz als um Fanengagement: mit wenig Media-Budget viele Assets schaffen, gelöst über ein Sprachmodell und einen Bildgenerator in einer geschützten Sandbox, in der die Community selbst gestalten konnte, zentral kuratiert. 120.000 eingereichte Beiträge und sieben Millionen Impressions – deutlich mehr Interaktion als bei sonstigen Projekten.

Interessant ist an diesen Fällen weniger das Ergebnis als der Weg dorthin, denn den beschreibt Graf als klaren Ablauf. Und er beginnt nicht bei der KI, sondern bei der Frage, welche Daten überhaupt vorliegen.

Produktdaten: die unspektakuläre Arbeit, die alles trägt

Wer einen Online-Shop hat, kennt das Problem: Produktbeschreibungen müssen für alle Kommunikations- und Vertriebskanäle erstellt und dann auf unterschiedlichen Marktplätzen ausgespielt werden. Und meistens liegt die Stammdatenablage unvollständig oder unstrukturiert in verschiedenen Systemen. Genau hier setzt KI in einem PIM-System an: Sie sortiert, harmonisiert und versieht die Daten mit neuen Labels, sodass am Ende sauber sortierte Metadaten stehen, mit denen sich überhaupt erst zuverlässig ausspielen lässt. Daten aus Produktbildern lassen sich dabei automatisch mit herausziehen.

Was so ein System praktisch prüft, ist mehr als Textproduktion. Meistens braucht es eine kurze und eine lange Beschreibung; danach geht es um Datenqualität und darum, ob alles compliance-mäßig richtig eingerichtet ist. Ist ein Preis im Vergleich zum Konkurrenzprodukt falsch angesetzt, flaggt das System das sofort. Es schlägt vor, welche Vorteile gegenüber Mitbewerbern nicht genannt sind – und welche Artikel sich fürs Cross-Selling anbieten. Grafs Beispiel dafür ist angenehm banal: Zum Mineralwasser wird der Glas-Strohhalm mit vorgeschlagen.

Den Zeitgewinn beziffert sie aus eigener Erfahrung, sie hatte selbst einen Shop: Für eine Produkteingabe habe sie früher rund zehn Minuten gebraucht, heute sind es wenige Sekunden. Und das Prinzip hängt nicht am E-Commerce – je nach Branche sieht der Zuschnitt anders aus, funktioniert aber bei Versicherungen genauso wie im Automobilhandel.

Erst die Daten, dann die KI – und bitte kein AI-Zoo

An dieser Stelle wird Graf ungewohnt deutlich. Ganzheitlich denken sei das Wichtigste – immer leicht gesagt und schwer getan, räumt sie ein. Aber man müsse sich die Prozesse wirklich ansehen und ehrlich beantworten, wie weit man überhaupt ist: Ist man schon so weit, dass eine KI eingesetzt werden kann? Oder muss man sich erst darum kümmern, dass die Daten richtig sortiert sind? Meistens, sagt sie, haben wir gar nicht die richtige Datenbasis, um KI sinnvoll einzusetzen. Die erste Frage müsse deshalb immer lauten: Kann ich die KI spezifisch richtig trainieren – sind die Daten so vorhanden, dass das geht? Wie ein strukturierter Einstieg aussieht, zeigt unser Leitfaden KI im Unternehmen einführen.

Das zweite Risiko ist organisatorisch und hat bei ihr einen Namen: der AI-Zoo. Jedes Department findet seine eigene Lösung, hier macht man dies, dort das – und am Ende steht man vor demselben Problem wie früher bei den Datensilos: viele unterschiedliche Systeme, die sich gar nicht miteinander verstehen, und Daten, die nicht sinnvoll verwertet werden. Es sei deshalb sinnvoll, von Anfang an in einem Governance-Hub zu denken und das Ganze zentral zu steuern. Dezentral passiert es in den einzelnen Departments ohnehin – aber der Grundrahmen bleibt in der Übersicht und wird immer wieder überprüft.

1. 1Compliance zuerst: Das Fundament ist die Vereinbarkeit mit dem EU AI Act – bevor irgendetwas ausgerollt wird.
2. 2Integration in die vorhandenen Systeme: KI wird nicht danebengestellt, sondern dockt an das an, was ohnehin läuft.
3. 3Nutzen definieren: Erst dann wird die KI dort eingesetzt, wo sie wirklich nützt – für Wissen oder fürs Marketing.
4. 4Generative Zusatzlösungen: Darüber kommen generative Bausteine, etwa die automatisierte Bildgenerierung für unterschiedliche Kampagnen.
5. 5Clean Rooms in der Architektur: Zuletzt lässt sich die Zusammenarbeit zwischen Einzelhandel und Marke über geschützte Datenräume ergänzen.

Das Shopping-Erlebnis der Zukunft: gefunden werden, wenn die KI berät

Graf gehört nach eigener Aussage zu denen, die Online-Shopping eigentlich immer gehasst haben und es nur tun, wenn es sein muss. Genau von dort aus beschreibt sie die Verschiebung: Man fängt an, direkt mit einem Chat zu sprechen – ich brauche eigentlich das und das – und bekommt dort Dinge vorgeschlagen. Die Frage für Händler und Marken lautet damit nicht mehr nur, wie das Regal aussieht, sondern: Wie tauche ich in diesen Suchen überhaupt auf?

Das ist die Herausforderung der nahen Zukunft, und alle arbeiten schon daran – von SEO zu GEO, also Generative Engine Optimization. Datensätze freizugeben und zu optimieren wird wichtiger, damit man von der KI relevant gefunden wird. Was dahintersteckt und wie man es angeht, haben wir in GEO erklärt: Sichtbarkeit in KI-Suchen ausführlich aufgeschlüsselt. Der Punkt hier ist der Zusammenhang: Ohne gepflegte Produktdaten aus dem vorigen Abschnitt gibt es nichts, was eine KI zitieren könnte.

Ihr letztes Beispiel ist das eleganteste. H&M hat bereits Models komplett KI-generiert – und diese Models haben ihre Persönlichkeitsrechte behalten, können ihre Avatare also selbst auch mit anderen Marken nutzen. Daraus werden wahrscheinlich neue Abrechnungsmodelle entstehen. Bei vollständig virtuellen Influencern ohne echtes Vorbild sieht Graf dagegen einen Haken, und sie formuliert ihn wieder als Abwägung: Wir haben die volle Kontrolle darüber, aber das Vertrauen geht auf der anderen Seite verloren.

Häufige Fragen