Beim Thema Governance benötigen Einzelhändler eine Control Plane für den Kontext

Einzelhändler treten in eine neue Phase der AI-Einführung ein.

In den frühen Gesprächen über generative AI ging es oft um das Experimentieren. Welches Modell sollten wir ausprobieren? Welchen Chatbot sollten wir bauen? Welches Team sollte das erste Pilotprojekt durchführen? Könnte AI die Suche verbessern, Dokumente zusammenfassen, Produktinhalte anreichern oder interne Fragen beantworten?

Das waren wichtige Ausgangspunkte. Viele Einzelhändler, Lebensmitteleinzelhändler, Vertriebsunternehmen und kundenorientierte Unternehmen haben aus diesen frühen Bemühungen echten Mehrwert gezogen.

Ende 2023 sah ein großes Vertriebsunternehmen, mit dem wir zusammenarbeiteten, die Möglichkeit, traditionelles Machine Learning und Large Language Models zu kombinieren, um die Abläufe im Produktkatalog zu verbessern. Wenn neue Produkte in den Katalog aufgenommen wurden, halfen Machine-Learning-Modelle bei der Kategorisierung und dem Abgleich von Artikeln, während Large Language Models detailliertere Produktbeschreibungen generierten.

Zu dieser Zeit war das bahnbrechend.

Die Initiative erforderte einen Systemintegrator, ein fokussiertes Tiger-Team und einen etwa 100-tägigen Sprint, um den Nutzen zu belegen, während das Team die Details der Architektur, des Datenzugriffs, des Modellverhaltens und des Geschäftsablaufs ausarbeitete. Es war eine äußerst erfolgreiche Initiative, die Millionen von Dollar einsparte und bewies, dass AI einen geschäftskritischen Prozess spürbar verbessern kann.

Es war aber auch ein typisches Muster der ersten Welle: ein Team, ein Anwendungsfall, eine Architektur, ein fokussierter Sprint.

Heute gehört diese Art von AI-gestütztem Workflow bereits zum Standard. Die Diskussion verschiebt sich von „Ich frage mich, ob AI dieses Problem lösen könnte“ zu „AI muss helfen, dieses Problem zu lösen, und ich brauche schnell die richtigen Daten, um das Geschäft nicht auszubremsen.“ Diese Verschiebung verändert die Herausforderung für Unternehmen.

In der nächsten Phase von Retail-AI geht es nicht nur darum, ein besseres Modell zu haben. Es geht darum, jeder AI-Anwendung den richtigen geschäftlichen Kontext zu geben.

Kontext macht Enterprise-AI erst nützlich

Ein Modell ohne Einzelhandelskontext liefert nur eine allgemeine Antwort.

Ein Modell mit dem richtigen Kontext kann einem Händler helfen, Sortimentsrisiken abzuwägen, einem Filialleiter, den Tag zu priorisieren, oder einer Führungskraft, eine verlässliche Antwort zu Umsatz und Marge zu erhalten. Für Einzelhändler umfasst dieser Kontext alles von Lagerbestand und Preisen bis hin zu Berechtigungen und Richtlinien, die festlegen, wer was sehen darf.

Dieser Kontext macht AI nützlich. Aber über den Kontext gelangt auch das Risiko in das System.

Welche Daten sollte die AI sehen? Welchen Geschäftsdefinitionen sollte sie vertrauen? Welche Benutzer dürfen welche Fragen stellen? Welche Tools kann der Agent aufrufen? Welches Modell sollte die Aufgabe übernehmen? Wie viel sollte diese Interaktion kosten? Wie sollte das Unternehmen prüfen, was passiert ist?

Deshalb benötigt Retail-AI eine Control Plane für den Kontext – eine einzige Ebene, die regelt, welche Daten, Modelle und Tools jede AI-Anwendung nutzen darf.

Governance ermöglicht Geschwindigkeit

Governance wird manchmal als etwas dargestellt, das Teams ausbremst. Für Einzelhändler gilt das Gegenteil.

Der Zweck von Governance ist es, mehr Teams mehr Freiheit zu geben, AI sicher zu nutzen.

Wenn die richtigen Kontrollen vorhanden sind, muss nicht jeder neue AI-Anwendungsfall zu einer einmaligen Sicherheits-, Beschaffungs- und Architekturaufgabe werden. Teams im gesamten Einzelhandelsunternehmen können schneller agieren, weil Modellzugriff, Berechtigungen, Protokollierung, Nachverfolgung und Kostenkontrollen bereits in die Plattform integriert sind.

Das ist der entscheidende Punkt für AI-Governance im Einzelhandel.

Es ist keine Governance um der Governance willen. Es ist Governance, damit Mitarbeiter AI selbstbewusster nutzen, Kunden besser bedienen und schnellere Entscheidungen auf der Grundlage vertrauenswürdiger Daten treffen können.

Teams gewöhnen sich immer mehr an die in ihre Workflows integrierte AI. Sie müssen den Freiraum erhalten, um zu experimentieren, zu entwickeln und Ergebnisse zu liefern. Aber Teams Freiraum zu geben, bedeutet nicht, Kontrollen abzuschaffen. Es bedeutet, ihnen eine geregelte Möglichkeit zu bieten, schnell zu agieren – mit den richtigen Daten, den richtigen Modellen, den richtigen Berechtigungen und den richtigen Kostenkontrollen, die bereits vorhanden sind.

Die nächste Phase ist die unternehmensweite AI-Einführung

In meiner Arbeit mit Technologie-Führungskräften im Einzelhandel habe ich erlebt, wie sich die Diskussion durch drei Phasen bewegt hat.

1. Erstens fragten Teams, wo sie mit generativer AI anfangen sollten.
2. Zweitens bauten sie gezielte Anwendungsfälle wie Produktabgleich, Kataloganreicherung, Suche, Zusammenfassung, interne Wissensassistenten und Content-Generierung auf.
3. Jetzt verschiebt sich die Diskussion erneut: Wie skalieren wir AI über Filialen, Hauptsitz-Teams und digitale Kanäle hinweg, ohne eine fragmentierte Governance, unkontrollierte Modellausgaben oder inkonsistenten Zugriff auf Unternehmensdaten zu schaffen?

Das ist wichtig, weil der Einzelhandel keine Branche mit nur einem Benutzer oder einem einzigen Workflow ist.

Die meisten dieser Mitarbeiter sitzen nicht am Schreibtisch und wählen ein AI-Tool aus. Ihre AI-Anwendung ist eingebettet – in eine Filial-App, ein Dashboard, einen Workflow, den sie bereits nutzen – und sie muss für jede Rolle eine andere Frage beantworten. Jede Funktion benötigt andere Daten. Jede Funktion hat andere Berechtigungen. Jede Funktion benötigt möglicherweise ein anderes Modell. Jede Funktion hat ein anderes Kosten- und Risikoprofil.

Deshalb kann Retail-AI nicht durch ein einziges Modell gelöst werden.

Einzelhändler benötigen eine geregelte Möglichkeit, viele AI-Anwendungen im gesamten Unternehmen bereitzustellen und gleichzeitig zu kontrollieren, welche Benutzer auf welche Daten zugreifen können, welche Modelle sie verwenden dürfen, wie viel sie ausgeben und wie diese Interaktionen überwacht werden.

Die Schwierigkeit liegt im Skalieren ohne Kontrollverlust

Da sich AI im gesamten Unternehmen verbreitet, laufen Einzelhändler Gefahr, ein fragmentiertes Betriebsmodell zu schaffen.

Ein Team nutzt Claude direkt. Ein anderes baut eine RAG-App. Ein weiteres nutzt Copilot. Entwickler greifen zu Cursor. Business-Anwender experimentieren mit Claude Cowork. Datenteams richten ihre eigenen agentischen Workflows ein.

Jedes Tool hat möglicherweise seinen eigenen Modellzugriff, Datenzugriff, Protokolle, Berechtigungen, Kosten und Governance-Prozesse.

Das kann in der Experimentierphase funktionieren. Als Betriebsmodell für Enterprise-AI funktioniert es nicht.

Ohne eine Control Plane stehen Einzelhändler schnell vor folgenden Problemen:

• Separate Verträge mit Modellanbietern
• Separate AI-Tools und Agenten-Frameworks
• Separate Prompt- und Antwortprotokolle
• Separate Kostenstellen
• Separate Berechtigungsmodelle
• Separate Orte, an denen die Geschäftslogik liegt
• Unterschiedliche Antworten auf dieselbe geschäftliche Frage

Einzelhändler haben Jahre damit verbracht, die Fragmentierung bei Daten und Analysen zu reduzieren. AI sollte nicht dasselbe Problem in einer neuen Form wieder einführen.

Einzelhändler brauchen offene AI-Harnesses, keine geschlossenen AI-Sackgassen

Mit zunehmender AI-Einführung stellt sich eine weitere Frage: Wo sollte der AI-Harness angesiedelt sein?

Einige Harnesses sind geschlossen. Der Benutzer erhält eine fertige AI-Anwendung, ein Standardmodell und nur begrenzte Kontrolle darüber, wie Daten, Tools, Prompts, Kosten und Modellauswahl geregelt werden. Das mag für die individuelle Produktivität nützlich sein, schränkt jedoch ein, wenn das Unternehmen kontrollieren möchte, welche Modelle verwendet werden, wie auf Daten zugegriffen wird, wie Kosten verwaltet werden und wie AI-Interaktionen überprüft werden.

Andere Harnesses sind offener. Sie ermöglichen es dem Unternehmen, das richtige Modell für die jeweilige Aufgabe zu wählen, eine Verbindung zu geregelten Daten und Tools herzustellen, Modellaufrufe über ein zentrales Gateway zu leiten und flexibel zu bleiben, wenn sich die Modelllandschaft verändert.

Dieser Unterschied ist wichtig.

Bei einem kürzlichen Abendessen erzählte der CIO eines Discounters, dass CIO-Peer-Groups aktiv darüber diskutieren, ob sie GPUs anschaffen sollten, um von kostengünstigeren Open-Source-Modellen zu profitieren. Gleichzeitig experimentieren Teams bereits mit verschiedenen AI-Oberflächen: Entwickler nutzen Cursor und Codierungsassistenten, Business-Teams erkunden Claude Cowork, Enterprise-Teams evaluieren Copilot-ähnliche Anwendungen und Datenteams entwickeln maßgeschneiderte Agenten und Anwendungen.

Das ist die Realität für die meisten Einzelhändler. Die Einführung von KI wird sich nicht einfach auf ein einziges Modell, einen einzigen Assistenten oder einen einzigen Anbieter standardisieren lassen.

Und wenn wir CIOs fragen, welches Modell sich ihrer Meinung nach durchsetzen wird, lautet die Antwort fast immer: „Ich weiß es nicht.“ Das ist eine rationale Antwort. Die Modelllandschaft verändert sich zu schnell, als dass ein CIO die KI-Strategie des Unternehmens auf das heutige Standardmodell im heute bevorzugten Tool ausrichten könnte.

Einzelhändler benötigen Modellflexibilität ohne Modellchaos.

Sie müssen Frontier-Modelle unterstützen, bei denen es auf Qualität und Reasoning ankommt. Sie benötigen Zugriff auf Open-Source-Modelle, wenn Kosten, Kontrolle oder Spezialisierung im Vordergrund stehen. Sie müssen Programmierassistenten, Business-Agents, Mitarbeiter-Apps und benutzerdefinierte Anwendungen unterstützen. Sie benötigen aber auch eine einheitliche Methode, um den Zugriff zu steuern, die Nutzung zu überwachen, Ausgaben zu kontrollieren, Interaktionen zu protokollieren und sicherzustellen, dass KI auf vertrauenswürdigem Unternehmenskontext basiert.

Genau das ist die Aufgabe einer KI-Control-Plane.

Modelle benchmarken und gleichzeitig Flexibilität wahren

Die Modelllandschaft entwickelt sich zu schnell, als dass Einzelhändler langfristige Architekturentscheidungen treffen sollten, die auf einen einzigen Modellanbieter oder einen einzigen Standard-Assistenten ausgerichtet sind.

Untersuchungen von Databricks zeigen, dass Open-Source-Modelle zunehmend komplexe Aufgaben bewältigen, für die vor Kurzem noch erstklassige Frontier-Modelle erforderlich gewesen wären. Das ist für Einzelhändler wichtig, insbesondere für Lebensmittel- und Discounthändler, bei denen die Margen gering sind und eine intensive KI-Nutzung schnell teuer werden kann.

Die Lösung besteht jedoch nicht darin, einfach davon auszugehen, dass Open-Source-Modelle immer gut genug sind. Die Lösung lautet: Benchmarking.

Ein Workflow für Produktinhalte funktioniert möglicherweise gut mit einem kostengünstigeren oder Open-Source-Modell. Eine komplexe Merchandising-Analyse erfordert unter Umständen ein leistungsfähigeres Reasoning-Modell. Ein Assistent für Filialmitarbeiter benötigt möglicherweise geringe Latenzzeiten, strenge Berechtigungen und kalkulierbare Kosten. Ein Programmierassistent oder ein mehrstufiger Planungs-Agent profitiert eventuell von einem Frontier-Modell. Das richtige Modell hängt von der Aufgabe, den Daten, den Genauigkeitsanforderungen, den Latenzanforderungen und dem Kostenprofil ab.

Aus diesem Grund benötigen Einzelhändler Modellflexibilität ohne Modellchaos. Die Frage sollte nicht lauten: „Welches Modell wird sich durchsetzen?“ Die bessere Frage ist: „Welches Modell eignet sich am besten für diese Aufgabe, in diesem Kontext, zu diesen Kosten und mit diesen Governance-Anforderungen?“

Geschlossene KI-Systeme verbergen oder begrenzen diese Auswahl oft. Eine offene Control-Plane ermöglicht es Einzelhändlern, Modelle zu benchmarken, zu wechseln und zu optimieren, wenn sich der Markt verändert.

Eine Control-Plane für den KI-Kontext im Einzelhandel

So sieht eine Control-Plane in der Praxis aus. Vier Databricks-Funktionen arbeiten zusammen, um dies zu ermöglichen: Unity Catalog, Unity AI Gateway, Foundation Model APIs und Genie.

• Unity Catalog verwaltet den Geschäftskontext: Daten, Berechtigungen, Lineage, Modelle und vertrauenswürdige Definitionen.
• Unity AI Gateway steuert den Modellzugriff: Routing, Nutzungstransparenz, Protokollierung, Budgets und Ratenbegrenzungen.
• Foundation Model APIs bieten zentralen Zugriff auf kommerzielle, Open-Source- und benutzerdefinierte Modelle.
• Genie ermöglicht es geschäftlichen Anwendern, Fragen in natürlicher Sprache an kontrollierte Daten zu stellen, sodass die Antworten stets auf vertrauenswürdigem Kontext basieren.

Zusammen helfen diese Funktionen Einzelhändlern, den Schritt von isolierten KI-Erfolgen hin zu einer unternehmensweiten KI-Einführung zu gehen.

Es geht nicht darum, jeden Benutzer in eine einzige KI-Anwendung zu zwingen. Es geht darum, dem Unternehmen eine einheitliche Governance- und Modellzugriffsstrategie an die Hand zu geben, die unabhängig davon gilt, welche Anwendung, welchen Agenten oder welche Schnittstelle ein Mitarbeiter verwendet.

Das Ziel ist es nicht, Teams von der Nutzung ihrer bevorzugten KI-Tools abzuhalten. Das Ziel ist es, Teams schneller agieren zu lassen und dem Unternehmen gleichzeitig die Kontrolle über das Modell, die Daten, den Kontext, die Kosten und das Risiko zu geben.

Wie das in den verschiedenen Teams im Einzelhandel aussieht

Der CIO eines Discounters erzählte kürzlich ein vielsagendes Beispiel. Seine CEO wollte, dass die KI auf breiteren Unternehmensdaten basiert, damit sie für Entscheidungen der Geschäftsführung wirklich nützlich ist.

Diese Anforderung bringt die KI-Herausforderung für Unternehmen perfekt auf den Punkt. Die CEO verlangte kein intelligenteres Modell. Sie verlangte eines, dem sie das Geschäft anvertrauen konnte. Dieser Instinkt ist richtig. KI wird wertvoller, wenn sie das Geschäft versteht. CEOs wollen Antworten, die auf ihren eigenen Zahlen basieren, nicht auf generischen Werten.

Die Lösung besteht nicht einfach darin, jedem KI-Tool uneingeschränkten Zugriff auf jeden Rohdatensatz zu gewähren. Die Lösung besteht darin, jedem Benutzer die richtige KI-Erfahrung zu bieten – basierend auf den richtigen Daten, mit den richtigen Berechtigungen, der richtigen Lineage, den richtigen Definitionen und der entsprechenden Auditierbarkeit.

Vermeidung einer weiteren isolierten KI-Ebene

Viele Einzelhändler investieren bereits stark in Data Governance, Lakehouse-Modernisierung und vertrauenswürdige Analysen. Mit der beschleunigten KI-Einführung besteht das Risiko, dass eine separate KI-Ebene entsteht, die außerhalb dieses kontrollierten Datenbestands ausgeführt wird. 

Das kann zu echten Problemen führen.

• Geschäftslogik kann außerhalb der Datenplattform dupliziert werden. 
• Berechtigungen müssen möglicherweise in mehreren Systemen neu erstellt werden. 
• KI-Agenten greifen möglicherweise ohne konsistente Lineage auf Daten zu. 
• Die Modellnutzung kann sich über verschiedene Anbieter und Verträge verteilen. 
• Die Kostentransparenz kann nach Team oder Anwendung fragmentiert werden. 
• Prompt- und Antwortprotokolle können von den Governance-Workflows getrennt werden.

Einzelhändler sollten es vermeiden, dieselbe Fragmentierung neu zu erschaffen, die viele jahrelang im Bereich Daten und Analysen zu beseitigen versucht haben.

Die Zukunft des agentenbasierten Einzelhandels erfordert, dass die KI zu den kontrollierten Daten kommt – und nicht, dass Geschäftslogik, Berechtigungen und vertrauenswürdiger Kontext in eine weitere, isolierte Ebene verlagert werden.

Für Einzelhändler, die bereits in Unity Catalog investieren, besteht der nächste Schritt darin, die darauf aufgebauten KI-Systeme zu steuern. Wenn Sie dies tun, übernimmt jeder neue KI-Anwendungsfall dieselben Berechtigungen, Audit-Trails und Kostenkontrollen, die bereits vorhanden sind, anstatt bei Null anzufangen.

Das Geschäftsergebnis: mehr Freiheit bei mehr Kontrolle

Mit einer kontrollierten KI-Control-Plane können Einzelhändler ihren Teams mehr Freiheit für schnelleres Handeln geben und gleichzeitig die Kontrolle im Unternehmen behalten. Jede Abteilung erhält eine KI, die genau auf ihre Arbeitsweise zugeschnitten ist – von der Filiale bis zum Finanzteam –, ohne dass dafür erst eine langwierige Sicherheits- oder Beschaffungsprüfung durchgeführt werden muss.

Gleichzeitig behalten IT-Verantwortliche den Überblick darüber, wer welche Modelle nutzt, auf welche Daten zugegriffen wird, wie viel jeder Workflow kostet und wie KI-Interaktionen gesteuert werden.

Das ist die Ausgewogenheit, die Einzelhändler benötigen. Kein einzelner Chatbot. Kein einzelnes Modell. Keine weitere isolierte KI-Plattform.

Eine Control-Plane für den Kontext.

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