Drei Wege, wie KI die Transformation im Einzelhandel, in der Reisebranche und bei Konsumgütern vorantreibt

Es ist Freitagmorgen, 5:45 Uhr, und eine Filialleiterin steht im Backoffice und verliert eine Diskussion mit ihrem eigenen Gebäude. Vierzehn Dashboards sind auf zwei Bildschirmen geöffnet. Eine Aufgaben-Queue, die über Nacht von vier Systemen zusammengestellt wurde, die noch nie miteinander gesprochen haben, verlangt ihre Aufmerksamkeit in drei verschiedenen Prioritätsstufen. Irgendwo in Gang sieben ist die SKU mit der höchsten Umschlagshäufigkeit im Laden seit Dienstag ausverkauft. Die Regalkamera hat es am Dienstag erfasst. Das Nachbestellsystem hat es am Mittwoch abgeleitet. Die Aufgabe zur Behebung tauchte heute Morgen auf Platz elf auf, unter einem Planogramm-Audit und einer Schulungserinnerung. Sie wird es bei ihrem Rundgang finden, so wie Manager seit hundert Jahren Dinge finden, und bis dahin ist das Wochenendgeschäft, für das das Produkt bestellt wurde, bereits vorbei.

Das Signal existierte vier Tage lang. Was es nie gab, war eine Möglichkeit, darauf zu reagieren, bevor der Moment vorbei war.

Dieser Morgen wiederholt sich in verschiedenen Uniformen in jeder Konsumgüterbranche. Forrester schätzt, dass zwischen 60 % und 73 % aller Daten in einem Unternehmen nicht für Analysen genutzt werden. Bei Konsumgütern scheitern rund 85 % der neuen Produkteinführungen innerhalb von zwei Jahren. Nielsen führt die Mehrheit der Misserfolge nicht auf die Produktqualität zurück, sondern auf falsch verstandene Kundenbedürfnisse und Positionierung, also auf Signale, die zwar vorhanden waren, aber nicht erkannt wurden. Und als die Umfrage NVIDIA 2026 State of AI in Retail and CPG Unternehmen fragte, was sie an der Skalierung von AI hindert, war die am häufigsten genannte Hürde nicht die Technologie. Es waren die Daten. Das sind keine drei Probleme. Es ist ein einziges Problem, das sich auf drei Arten auswirkt: Sie konnten dem Signal nicht genug vertrauen, um danach zu handeln (Vertrauen), Sie konnten nicht handeln, bevor der Moment vorbei war (Zeit), oder Sie konnten es sich nicht leisten, die Signale in dem erforderlichen Umfang zu erfassen und danach zu handeln (Kosten). Die These dieses Beitrags ist, dass AI, wenn sie als System und nicht als Sammlung von Pilotprojekten eingesetzt wird, die erste Technologie ist, die alle drei Hürden gleichzeitig abbaut – und dass sich die Unternehmen, die dies verstehen, bald von den Unternehmen abheben werden, die lediglich Pilotprojekte gekauft haben.

Warum zwanzig Jahre Dashboards die Lücke nicht schließen konnten

Die Antwort der Branche auf das nicht gelesene Signal war Business Intelligence – und das war eine vernünftige Antwort. BI hat das Reporting professionalisiert, die Kennzahlen standardisiert, auf denen Vorstände arbeiten, und einer Generation von Händlern und Betreibern eine gemeinsame Faktenbasis geliefert. Sie hat ihren Platz verdient. Aber sie brachte drei strukturelle Grenzen mit sich, die sich auch mit noch so hohen Investitionen nicht wegbringen ließen.

Erstens konnte BI nur Daten erfassen, die in ein Schema passten. Das Regalbild, das Wartungsfoto, das Anrufprotokoll, die Bewertung, der Social-Media-Post: Der Großteil dessen, was ein Konsumgüterunternehmen tatsächlich wahrnimmt, hat es nie in das Modell geschafft, weil das Lesen menschliche Aufmerksamkeit erforderte – und die war die knappste Ressource im Haus. Zweitens beantwortete BI Fragen, an die bereits jemand gedacht hatte. Sie rechnete hervorragend über die vorgegebenen Joins hinweg; sie konnte sich jedoch kein Bild über Signale machen, die niemand vordefiniert hatte – und genau dort liegen die Überraschungen. Drittens endete BI bei einem Dashboard. Ein erfahrener Mensch musste immer noch bemerken, interpretieren, entscheiden und weiterleiten. Erkenntnisse bewegten sich also im Tempo der Eskalation, und die Eskalation bewegte sich im Tempo des Organigramms.

Was sich geändert hat, ist, dass jede dieser Grenzen vor Kurzem und unabhängig voneinander aufgehoben wurde. Foundation Models haben die Kosten für das Lesen unstrukturierter Daten drastisch gesenkt, sodass die Beobachtungen endlich in die Analyse einfließen. Wahrscheinlichkeitsbasiertes Denken machte Urteilsvermögen berechenbar, sodass der Fragenraum nicht mehr auf das beschränkt war, was ein Analyst vorhergesehen hatte. Und der agentische Wandel entkoppelte das Handeln vom Personalbestand, sodass der Weg vom Wissen zum Handeln nicht mehr in Meetings gemessen wird. Die drei Hürden haben zum ersten Mal einen Gegenspieler.

Wo die Signale bisher verloren gingen

Im Einzelhandel gehen sie auf der Verkaufsfläche verloren. Unsere Arbeit an AI-gestützten Filialabläufen führt immer wieder zu derselben Erkenntnis: Die Filiale ist die signalreichste Umgebung im Unternehmen und gleichzeitig diejenige, die am wenigsten in der Lage ist, diese Signale zu verarbeiten. Der Zustand der Regale wird nur durch Abgehen ermittelt. Personalpläne basieren auf den Kurven des Vorjahres. Abfall wird erst gezählt, wenn er in der Tonne liegt. Und der Filialleiter ist der einzige, überlastete Integrationspunkt für ein Dutzend Systeme, die nie darauf ausgelegt waren, morgens um 5:45 Uhr bei einem einzigen Menschen zusammenzulaufen. Der Kreislauf schließt sich nun dort, wo er am dringendsten benötigt wurde: Autonomes Regal-Scanning bei Harmons reduzierte Out-of-Stock-Situationen um mehr als die Hälfte und Preisauszeichnungsfehler um rund 75 %, und Ask Sam von Walmart verleiht einem Mitarbeiter in der ersten Woche das Erinnerungsvermögen eines Veteranen auf der Verkaufsfläche. Es entsteht die Filiale, die ihren eigenen Kreislauf steuert, indem sie Regale, Warteschlangen und Abfall kontinuierlich erfasst und innerhalb einer Stunde handelt, sodass der Rundgang des Managers zur Beurteilung von Ausnahmen wird und nicht zur Entdeckung des Offensichtlichen.

Bei Konsumgütern gehen sie in der Innovations-Engine verloren. Das traditionelle Stage-Gate-Modell führt sequenzielle menschliche Prüfungen an physischen Prototypen durch, und jedes Gate ist ein Ort, an dem Signale verpuffen: Die Bewertungen, die den Fehler nannten, blieben ungelesen; der frühe Abverkauf, der den Misserfolg vorhersagte, traf erst nach der Produktionszusage ein; der Social-Media-Trend, der das Konzept rechtfertigte, tauchte erst nach der Regalneuordnung auf. Meine jüngste Arbeit zum Thema Innovation in dieser Branche deutet auf eine Umkehrung hin, die sich gerade vollzieht: weg von sequenziellen menschlichen Gates, die mit veralteter Marktforschung gefüttert werden, hin zu einer kontinuierlichen, computergestützten Erfassung des Konsumenten, noch bevor eine physische Zusage gemacht wird. Die Belege aus der Praxis liegen vor: Ein globales Gesundheits- und Hygieneunternehmen hat die Marktforschung, Produktbewertungen und Social-Listening-Signale zusammengeführt, für deren Kombination seine Marketingexperten früher Wochen brauchten, und gelangt nun in wenigen Tagen vom rohen Signal zu umsetzbaren Erkenntnissen. Nach eigenen Angaben gewinnt das Unternehmen so die Stunden zurück, die seine Teams zuvor mit der Datenzusammenführung statt mit der Bewertung verbracht hatten – Stunden, die der Innovation fehlten. Der limitierende Faktor bei dieser Transformation ist nicht die Modellfähigkeit. Es sind proprietäre Konsumentendaten, die aktuell, governed und dicht genug sind, um darauf basierende Entscheidungen zu treffen.

In der Reisebranche gehen sie zwischen Systemen verloren, von denen jedes nur die halbe Wahrheit kennt. Die Telemetrie wusste, dass sich der Zustand der Komponente verschlechterte; der Crew-Planer wusste es nicht. Die Tariferstellungs-Engine wusste, dass sich die Nachfrage verschob; die Störungsstelle erfuhr es aus der Warteschlange. Die Branche ist beim Zusammenführen dieser Daten weiter als die meisten anderen: Predictive Maintenance liest Signale von mehr als 12.000 vernetzten Flugzeugen auf Airbus Skywise, Delta berechnet seine Preise mit generativen Modellen und AI-Concierges sind bei Expedia und Hilton auf dem Markt. Denkt man das weiter und verknüpft es, erhält man die Reise, die sich selbst repariert: Die Störung wird in den Wartungsdaten erkannt, die Reiseroute umgebucht, Hotel und Bodentransport angepasst, und der Reisende wird in derselben Nachricht über das Problem und seine Lösung informiert. IDC prognostiziert, dass bis 2030 bis zu 30 % der Reisebuchungen von AI-Agenten durchgeführt werden könnten, und die Betreiber, deren Daten diese Autonomie unterstützen können, werden einen überproportionalen Anteil daran haben.

In allen drei Branchen ist das Muster identisch. Nicht die Modelle sind der Burggraben. Die Daten sind der Burggraben.

Die drei Dinge, die AI ermöglicht

Das Muster hat eine Struktur, und es ist die Perspektive, die ich im Gespräch mit Führungskräften in diesen Branchen einnehme. Der Angriff von AI auf die drei Hürden erfolgt in drei Schritten, und jeder Schritt ist die Umkehrung einer der strukturellen Grenzen von BI.

1. Aus Dark Data wird ein Signal. Der Aufwand für das Lesen unstrukturierter Daten sinkt drastisch, und der Großteil dessen, was das Unternehmen wahrnimmt – Bilder, Protokolle, Telemetrie, Social-Media-Rauschen –, fließt endlich in die Analyse ein.
2. Wahrscheinlichkeitsbasiertes Denken erweitert den Fragenraum. Aus dem reinen Rechenwerkzeug wird Urteilskraft. Ein Modell bildet eine probabilistische Sichtweise über Signale hinweg, für die es nie explizit programmiert wurde – Wetter gegen Werbeaktionen gegen die Tarifänderung eines Mitbewerbers –, und die Überraschungen verstecken sich nicht mehr zwischen den Joins.
3. Menschliche Fähigkeiten werden von Personalbestand und Erfahrung entkoppelt. Unterstützung verleiht dem Mitarbeiter in der ersten Woche das Erinnerungsvermögen eines Veteranen; Automatisierung, der Extremfall, eliminiert die Verzögerung bei der Ausführung vollständig. Der Weg vom Wissen zum Handeln wird nicht mehr in Meetings gemessen.

Die drei Schritte laufen als Schleife gegen die Zeit; Echtzeit ist der Takt; Governance ist die Grundlage, die Vertrauen schafft und Kosten kontrolliert.

Jede Bewegung wirkt wie ein Verstärker, und Verstärkern ist es egal, was sie verstärken. Ein größerer Blickwinkel allein erzeugt nur mehr Rauschen. Logisches Schließen allein auf unkontrollierten Daten führt zu falschem Vertrauen. Beschleunigung allein führt nur schneller zu Fehlern. Ein Signal ohne logisches Schließen ist Rauschen; logisches Schließen ohne Signal ist falsches Vertrauen; Beschleunigung ohne beides führt nur schneller zu Fehlern. Führt man alle drei Komponenten auf denselben governed Daten in Echtzeit zusammen, entsteht etwas völlig Neues.

Deshalb erweist sich Governance, der am wenigsten glanzvolle Posten im Datenbudget, als der eigentliche Kern (Payload). Daten einmal zu „governen“ zahlt sich gleich doppelt aus: Sie können ihnen vertrauen – was die „Vertrauenssteuer“ aufhebt – und Sie müssen nie wieder für deren Herleitung bezahlen, da jedes Modell, jeder Agent und jede Anwendung auf derselben verarbeiteten, zertifizierten Grundlage aufbaut, anstatt denselben Korpus erneut zu extrahieren – was die „Kostensteuer“ aufhebt. Governance wird chronisch unterschätzt, weil sie als Compliance verbucht wird, während ihre Rolle als Kostenhebel ungemessen bleibt.

Die zugrunde liegende Architektur

Die oben beschriebene Betriebsweise verlangt von einer einzigen Architektur, drei Dinge gleichzeitig zu tun: die Sense-to-Action-Schleife in Echtzeit auszuführen, die Vertrauenswürdigkeit jeder erzeugten Antwort zu beweisen und beides zu tun, ohne dass das Unternehmen für die doppelte Verarbeitung derselben Daten zahlen muss. Das ist eine architektonische Spezifikation – und genau dafür wurde die Databricks Data Intelligence Platform entwickelt.

• Den Blickwinkel zu erweitern, ist eine Frage der Ingestion und Offenheit. Lakeflow Connect bringt mehr als 100 verwaltete Konnektoren für Unternehmensanwendungen, Datenbanken und Streaming-Quellen in Delta Lake und Apache Iceberg ein – offene Formate, die das Signal in Ihrem eigenen Speicher halten, anstatt in einer proprietären Engine, die Sie mieten müssen.
• Vertrauenswürdiges Schließen ist eine Frage der Governance und Evaluierung. Unity Catalog verwaltet Daten, Modelle und Agenten in einer einzigen Ebene, Unity Catalog Metrics macht geschäftliche Definitionen zu erstklassigen, governed Assets, sodass jeder Agent auf Basis derselben Bedeutung antwortet, und MLflow 3 bietet die Evaluierung und das Tracing, die eine probabilistische Antwort überprüfbar machen – eine Lücke, die governed Daten allein nicht schließen können. Unity AI Gateway weitet dieselbe Governance auf den Modell- und Agenten-Traffic selbst aus.
• Und das Handeln in Maschinengeschwindigkeit ist ein Anwendungsproblem: Agent Bricks erstellt evaluierte Agenten aus Unternehmensdaten, Genie legt governed Antworten direkt in die Hände von Filialleitern, Planern und der Betriebszentrale, und OpenSharing und Clean Rooms erweitern dasselbe governed Signal über die gesamte Wertschöpfungskette – vom Lieferanten über den Einzelhändler bis zum Partner –, ohne die Daten zu kopieren oder die Kontrolle darüber abzugeben.

Der entscheidende Punkt ist folgender: Die teilweise Einführung der Schleife bedeutet nicht teilweisen Nutzen. Ein Verstärker-Stack, bei dem eine Stufe fehlt, verstärkt das Falsche. Bei der Plattform-Entscheidung wählt ein Unternehmen, ob seine drei Bewegungen in dieselbe Richtung auf demselben governed Substrat weisen oder ob es in rasantem Tempo falsches Vertrauen aufbaut.

Die Fallstudien werden jetzt geschrieben

Und die Frist ist nicht mehr nur rein intern. Dieselbe Disziplin wird bald von außen auf die Probe gestellt: Verbraucher beginnen, das Einkaufen, Buchen und Kaufen an KI-Agenten zu delegieren, die auf im letzten Jahr eingeführten Protokollschienen laufen, und McKinsey prognostiziert, dass der durch Agenten vermittelte Handel bis 2030 zwischen 3 und 5 Billionen US-Dollar der weltweiten Einzelhandelsausgaben verlagern könnte. Diese Einkaufsmaschinen werden nur das lesen, was durch Governance lesbar gemacht wurde. Unternehmen, die die Lücke zwischen ihren Daten und ihren Entscheidungen geschlossen haben, werden feststellen, dass sie auch die einzige Verkaufsfläche geschaffen haben, die eine Maschine lesen kann – so gesellt sich zu den beiden Dividenden der Governance still und leise eine dritte hinzu.

Vor dreißig Jahren standen etablierte Einzelhändler vor einer Frage zum Web: Vertriebskanal oder Bedrohung, ablehnen oder annehmen. Die Unternehmen, die E-Commerce als eine neue Gesetzmäßigkeit und nicht nur als ein neues Schaufenster betrachteten, wurden in den folgenden zwei Jahrzehnten von allen anderen analysiert. Die gleiche Kluft bildet sich jetzt heraus, und sie wird nicht zwischen Unternehmen mit KI und Unternehmen ohne KI verlaufen. Sie wird zwischen den Unternehmen verlaufen, die das, was sie bereits wissen, produktiv nutzen, und denjenigen, die weiterhin die drei „Steuern“ darauf zahlen.

Die Vorbereitung ist klar definiert: Daten, die aktuell, governed und semantisch kohärent sind; logisches Schließen, das evaluiert wird; Handeln, das instrumentiert ist. Das Signal in Gang sieben wartet seit hundert Jahren darauf, rechtzeitig gelesen zu werden. Diese Disziplin war nie bloßer Mehraufwand. Sie macht den Unterschied aus zwischen einem Unternehmen, das nur weiß, und einem, das handelt.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag