Die Herausforderungen bei der Implementierung von Künstlicher Intelligenz in der Einzelhandels- und E-Commerce-Branche

Um die Gründe für das Scheitern von KI- und maschinellen Lernprojekten zu untersuchen, interviewte das Forschungsteam der amerikanischen RAND Corporation 65 Datenwissenschaftler und Ingenieure mit mindestens fünf Jahren Erfahrung im Aufbau von KI-Modellen in der Industrie oder der Wissenschaft. Diese Befragten stammen aus Unternehmen unterschiedlicher Größe und Branchen, um eine breite Repräsentativität der Ergebnisse zu gewährleisten.

Schließlich ergaben die Interviewinhalte und zugehörigen Daten einen Forschungsbericht mit dem Titel *Die Wurzeln des Scheiterns von KI-Projekten und der Weg zu ihrem Erfolg*. Schätzungen zufolge scheitern mehr als 80 % der KI-Projekte letztendlich: Entweder kommen sie nicht über die Pilotphase hinaus, oder sie werden zwar in Betrieb genommen, liefern aber keinen messbaren wirtschaftlichen Nutzen.

Gleichermaßen zeigt eine gemeinsame Studie des MIT und von McKinsey, dass 90 % der experimentellen Projekte für generative KI nie über die Pilotphase hinauskommen. Noch besorgniserregender ist, dass eine Umfrage von S&P Global aus dem Jahr 2025 ergab, dass 42 % der Unternehmen zugeben, die meisten ihrer KI-Initiativen aufgegeben zu haben – während dieser Anteil im Jahr 2024 nur 17 % betrug. Innerhalb eines einzigen Jahres ist die Abbruchrate von KI-Projekten um 147 % sprunghaft angestiegen.

Weitere Umfragen zeigen, dass 84 % der Wirtschaftsführer davon überzeugt sind, dass KI einen erheblichen Einfluss auf ihr Geschäft haben wird, und 97 % der Ansicht sind, dass die Dringlichkeit der Einführung von KI-Technologien zunimmt.

Dennoch ergab dieselbe Umfrage, dass nur 14 % der Organisationen der Meinung sind, sie seien vollständig darauf vorbereitet, KI in ihre Geschäftsprozesse zu integrieren. Vor zwei Jahren schafften es nur 48 % der KI-Prototyp-Projekte letztendlich in die Produktivumgebung, und vom Projektstart bis zur Inbetriebnahme vergingen durchschnittlich 8 Monate.

Es ist offensichtlich, dass Manager und leitende Angestellte in Unternehmen unter großem Druck stehen, mit KI etwas unternehmen zu müssen, um ihren Vorgesetzten zu beweisen, dass sie mit der technologischen Entwicklung Schritt halten. Doch zu viele Manager wissen nicht, wie sie diese Absicht in die Tat umsetzen können.

„Zhuang Shuai Retail E-Commerce Channel“ möchte aus diesem Bericht fünf umfeldbedingte Gründe für das Scheitern von KI-Projekten herausarbeiten, um Unternehmen im Einzelhandel und E-Commerce bei der praktischen Umsetzung von KI als Orientierung zu dienen, häufige Fallstricke zu vermeiden und die Erfolgsquote von Projekten zu steigern.

Fünf Wurzeln des Scheiterns

Grund 1: Missverständnisse oder falsche Vermittlung von Problemen durch die Führungsebene

Dies ist der häufigste Grund für das Scheitern von KI-Projekten. Brancheninteressengruppen missverstehen oder vermitteln oft falsch, welches Problem mit KI gelöst werden soll. 84 % der Befragten nennen das Versagen der Führungsebene als Hauptursache.

Konkret zeigt sich das darin, dass nach der Inbetriebnahme des trainierten KI-Modells festgestellt wird, dass die optimierten Kennzahlen falsch sind oder das Modell sich überhaupt nicht in die gesamten Geschäftsprozesse und Kontexte integrieren lässt.

Ein Befragter äußerte offen, dass Unternehmensleiter glauben, sie verfügten über eine große Menge an Daten, da sie wöchentlich Verkaufsberichte erhalten – diese Daten reichen aber möglicherweise nicht aus, um neue Ziele zu erreichen.

Diese Wurzel des Scheiterns ist im Einzelhandel besonders ausgeprägt: Viele Einzelhändler wollen eilig KI-Kundenservices oder Empfehlungssysteme einführen, definieren aber keine klaren Erfolgsmaßstäbe, beispielsweise ob die Konversionsrate gesteigert, der durchschnittliche Warenkorbwert erhöht oder die Nutzerbindung verbessert werden soll. Wenn die Ziele unscharf sind, laufen die von KI-Modellen optimierten Kennzahlen oft Gefahr, von den tatsächlichen Geschäftsanforderungen abgekoppelt zu werden.

Vor zwei Jahren brachte Target einen KI-Chatbot zur internen Effizienzsteigerung auf den Markt, doch die Mitarbeiter klagten allgemein darüber, dass das Tool unvollständig und praktisch nutzlos sei. Beispielsweise gab der Bot bei der Frage, wie man mit unhöflichen Kunden umgehen solle, lediglich den Rat, ruhig zu bleiben und höflich zu kommunizieren.

Grund 2: Fehlen hochwertiger Trainingsdaten

Viele KI-Projekte scheitern, weil Organisationen nicht über die erforderlichen Daten verfügen, um effektive KI-Modelle umfassend zu trainieren. Nach den von der Führungsebene verursachten Misserfolgen sind datenbedingte Scheitern die zweithäufigste Ursache.

Die Schwierigkeit liegt nicht nur in der Quantität der Daten, sondern vor allem in den Kosten für die Erfassung, Bereinigung und Erkundung der Organisationsdaten. Die Befragten erwähnten auch das Problem der Verfügbarkeit von Fachkräften: 7 von 50 Befragten gaben an, dass der Mangel an Talenten eine Hauptschwierigkeit darstellt, weitere 19 erklärten, dass es zwar keinen allgemeinen Mangel an Fachkräften gebe, aber an hochwertigen Spezialisten fehle.

Untersuchungen von „Zhuang Shuai Retail E-Commerce Channel“ zeigen, dass Unternehmen im Einzelhandel zwar über riesige Mengen an Transaktionsdaten verfügen – der Besitz von Daten bedeutet aber nicht den Besitz von nutzbaren, hochwertigen Daten. Verschiedenste Daten sind in mehreren Datensilos wie POS-Systemen, E-Commerce-Plattformen, Mitgliedschaftssystemen und Lieferkettenmanagementsystemen verteilt, mit unterschiedlichen Formaten und uneinheitlichen Standards.

Ein Datenanalyst im Einzelhandel verbringt möglicherweise 80 % seiner Arbeitszeit mit der Bereinigung und Integration von Daten, und nur 20 % der Zeit verbleiben für das Training und die Optimierung von Modellen.

Am Beispiel der Bestandsverwaltung, einem der vielversprechendsten Anwendungsbereiche für KI im Einzelhandel: In der Praxis werden Probleme wie uneinheitliche Warencodes, verzögerte Aktualisierung von Bestandsdaten und nicht synchronisierte Online- und Offline-Bestände in KI-Systemen nach dem Prinzip „Garbage in, Garbage out“ unbegrenzt verstärkt.

Grund 3: Jagd nach der neuesten Technologie statt Lösung von Problemen

Einige KI-Projekte scheitern, weil Organisationen sich mehr darauf konzentrieren, die neueste und modernste Technologie einzusetzen, als praktische Probleme für die vorgesehenen Nutzer zu lösen. Der Bericht weist ausdrücklich darauf hin, dass die Jagd nach den neuesten Fortschritten im Bereich KI selbst einer der häufigsten Wege zum Scheitern ist.

Erfolgreiche Projekte sollten sich auf das zu lösende Problem konzentrieren, nicht auf die Technologie, mit der das Problem gelöst wird. Viele Manager lassen sich von technologischem Hype täuschen und vergessen, die tatsächlichen Geschäftsprobleme zu prüfen.

Nachdem ChatGPT die weltweite Aufmerksamkeit auf sich gezogen hatte, beeilten sich unzählige Einzelhändler, große Sprachmodelle in ihre Geschäfte zu integrieren – zuerst den Hammer zu haben und dann den Nagel zu suchen, wurde zu einem allgemeinen Phänomen.

Im Oktober 2025 kündigte Walmart mit großem Aufwand die Zusammenarbeit mit OpenAI an, um eine Sofortkassierfunktion in ChatGPT einzuführen, mit der Nutzer ihre Einkäufe per Konversation abschließen können. Doch nur fünf Monate später beendete Walmart diese Zusammenarbeit.

Wo lag das Problem?

Wie bekannt wurde, wies diese Funktion schwerwiegende Probleme bei der Genauigkeit auf und ließ sich nicht mit den internen Einkaufstools von Walmart abstimmen, sodass die Konversionsrate von Bestellungen über den OpenAI-Kanal weit unter dem Niveau der eigenen Kanäle von Walmart lag.

Anschließend bettete Walmart seinen hauseigenen Einkaufsassistenten Sparky in die Plattformen ChatGPT und Google Gemini ein. Erste Tests zeigten, dass die Kaufrate über Sparky bei etwa 70 % der direkten Kaufrate über Walmart.com lag – das ist zwar immer noch weniger als über die eigenen Kanäle, aber deutlich höher als die Leistung der OpenAI-Sofortkassierfunktion.

Ein Sprecher von Walmart erklärte, dass sie durch diese Zusammenarbeit gelernt hätten, dass Kunden an jedem Berührungspunkt ein konsistentes Erlebnis erwarten.

Dieses Fallbeispiel verdeutlicht perfekt den Weg des Scheiterns, bei dem man der neuesten Technologie nachjagt statt Probleme zu lösen: Die Technologie selbst – große Sprachmodelle und konversationelles Einkaufen – war vorhanden, aber die Lösung ließ sich nicht in die bestehenden Einkaufsprozesse und Nutzererfahrungen von Walmart integrieren, sodass das Vorhaben letztendlich scheiterte.

Grund 4: Fehlende Fähigkeiten zur Bereitstellung und Verwaltung

Organisationen verfügen möglicherweise nicht über ausreichende Infrastrukturen, um Daten zu verwalten und fertige KI-Modelle bereitzustellen, was die Wahrscheinlichkeit des Scheiterns von Projekten erheblich erhöht.

Die Bereitstellung von KI hängt weit stärker von der umgebenden Infrastrukturarchitektur ab als das Modell selbst. Von der Datenverwaltung über die Modellbereitstellung bis hin zur anschließenden Wartung und Iteration kann ein Mangel an Infrastruktur in jedem einzelnen Glied dazu führen, dass das gesamte Projekt scheitert.

Der Bericht empfiehlt, durch vorab getätigte Investitionen in die Infrastruktur für Datenverwaltung und Modellbereitstellung den Zeitaufwand für den Abschluss von KI-Projekten erheblich zu senken und die Menge der für das Training verfügbaren effektiven Daten zu erhöhen.

Laut Informationen von „Zhuang Shuai Retail E-Commerce Channel“ betreibt ein großer Einzelhändler hunderte von Filialen, mehrere E-Commerce-Plattformen, komplexe Lieferkettennetze und ein umfangreiches Mitgliedschaftssystem. Die Vernetzung, Standardisierung und Echtzeitsynchronisierung der Daten aus all diesen Systemen ist an sich schon ein riesiges Vorhaben.

Theoretisch kann KI die Preise von Waren automatisch an Faktoren wie Echtzeitbestände, Preise von Konkurrenten, Wetter und Feiertage anpassen.

In der Praxis bedeutet dies, dass das KI-Modell in Echtzeit mit POS-Systemen, E-Commerce-Plattformen, Lieferkettenmanagementsystemen und sogar elektronischen Preisschildsystemen in den Filialen verbunden werden muss. Jede Verzögerung oder jeder Fehler in einem Glied kann zu Preisfehlern führen, die zu Gewinnverlusten oder Unzufriedenheit bei Kunden führen.

Starbucks brachte ein KI-gestütztes Tool zur Bestandsaufnahme auf den Markt, das aber nur 9 Monate nach dem Start wieder eingestellt wurde.

Laut einem internen technischen Auditbericht von Starbucks betrug die Erkennungsfehlerrate des Systems für Waren mit ähnlicher Verpackung bis zu 23 %, die Nichterkennungsrate bei starkem oder schwachem Licht über 35 %, und die Erkennungsgenauigkeit für zylindrische Waren wie Sirupe lag unter 60 %.

Die Wurzel des Problems lag nicht darin, dass der KI-Algorithmus selbst nicht fortgeschritten genug war, sondern darin, dass die Lichtverhältnisse in den Filialen und die Vielfalt der Warenverpackungen in der Einsatzumgebung die Anpassungsfähigkeit des KI-Modells weit überstiegen. Die Datenerfassungsumgebung und die Edge-Computing-Fähigkeiten in der Infrastruktur boten keine ausreichende Unterstützung für den KI-Einsatz.

Grund 5: Einsatz von KI in Szenarien, die nicht gelöst werden können

Der Bericht betont, dass KI kein Zauberstab ist, der jedes anspruchsvolle Problem verschwinden lässt. In manchen Fällen kann selbst das fortschrittlichste KI-Modell eine schwierige Aufgabe nicht automatisch erledigen.

Bereits 2021 arbeitete McDonald's mit IBM zusammen, um ein KI-Sprachbestellsystem auf den Markt zu bringen, das menschliche Bestellmitarbeiter durch KI ersetzen sollte. Im laufenden Betrieb machte das System jedoch ständig Fehler: Videos zeigten, dass das System einem Kunden Hunderte von Dollar an Chicken McNuggets zur Bestellung hinzufügte, und andere Kunden berichteten, dass fälschlicherweise Speck in ihr Eis gegeben wurde.

Drei Jahre später kündigte McDonald's an, diesen KI-Bestellversuch zu beenden.

Das Problem lag darin, dass im Bestellszenario des Drive-Through der Lärm von Automotoren, Wind und Regen sowie verschiedene externe Geräusche aus den benachbarten Fahrsprachen die Spracherkennung stark störten, und die KI konnte die Bestellanweisungen der Kunden in der lauten Umgebung kaum genau verstehen.

Das ist kein Problem, bei dem die KI nicht gut genug ist – sondern dieses spezielle Problem selbst überschreitet die aktuellen Fähigkeitsgrenzen von KI.

Ein weiteres interessantes Fallbeispiel stammt von Experimenten des KI-Unternehmens Anthropic: Sie ließen das große Sprachmodell Claude als KI-Filialleiter arbeiten, das einen Automaten-Shop für Snacks selbstständig betreiben sollte – das Vorhaben endete mit Verlusten.

Der KI-Filialleiter machte ständig Fehler bei der Auswahl des Warensortiments, der Preisgestaltung und der Bestandsverwaltung und verkaufte Waren sogar zu günstig, sodass Verluste entstanden.

Dies verdeutlicht anschaulich, dass selbst die fortschrittlichsten großen Sprachmodelle das Urteilsvermögen von Menschen bei komplexen geschäftlichen Entscheidungen nicht ersetzen können, da das Problem selbst die Fähigkeitsgrenzen von KI überschreitet.

Das Scheitern von KI-Projekten ist nicht nur die einfache Summe der oben genannten fünf Probleme, sondern ein systemisches Versagen der Organisationskultur, der Prozesse und der Personalstruktur.

Die von der Boston Consulting Group aufgestellte 10-20-70-Regel besagt, dass der Erfolg von KI-Projekten zu 10 % von Algorithmen, zu 20 % von Technologie- und Dateninfrastrukturen und zu 70 % von Menschen, Prozessen und kulturellem Wandel abhängt.

Die meisten Organisationen kehren dieses Verhältnis aber genau um: Sie investieren 70 % ihrer Energie in die Beschaffung und Bereitstellung von Technologie, und nur 10 % widmen sie dem Wandel von Personal und Kultur.

Als typische personalintensive Branche hängen Unternehmen im Einzelhandel und E-Commerce in jedem Glied – von den Filialmitarbeitern bis zu den Lieferkettenmanagern, von den Kundenservicemitarbeitern bis zu den Einkaufsexperten – stark von der Erfahrung und dem Urteil der Menschen ab. Wenn Organisationen versuchen, diese Rollen durch KI zu ersetzen oder zu unterstützen, und dabei die Personalschulung, die Neugestaltung von Prozessen und den kulturellen Wandel vernachlässigen, sind KI-Projekte fast zum Scheitern verurteilt.

Darüber hinaus hat der Bericht festgestellt, dass die auf dem Internet basierende agile Entwicklungsmethodik möglicherweise einen inhärenten Konflikt mit KI-Projekten aufweist.

10 von 50 Befragten sind der Ansicht, dass KI-Projekte eine anf