Kshitij GuptaDatenstratege
Melden Sie sich an, um die neuesten Einblicke und Updates zu Technologie, KI & Datenanalyse, Data Science und Innovationen von Polestar Analytics zu erhalten.
Fassen Sie diesen Blogbeitrag wie folgt zusammen:
Im Jahr 2025 besuchten die meisten Online-Käufer einen Shop über ChatGPT oder einen ähnlichen Dienst und tätigten dabei die wenigsten Käufe. Sie sahen sich die Produkte an und verließen den Shop ohne etwas zu kaufen. Einzelhändler, die diese Zahlen analysierten, kamen zu dem Schluss, dass KI eher ein Recherchekanal als ein Vertriebskanal ist.
Nach den Feiertagen stand alles Kopf.Adobe AnalyticsEine Studie, die auf Daten von über einer Billion Besuchen im US-amerikanischen Online-Handel basierte, ergab, dass KI-gestützte Empfehlungen mindestens 31 % effektiver waren als alle anderen Kanäle zur Kundengewinnung. Der Umsatz pro Besuch durch KI-gestützten Traffic stieg um 254 %. An Thanksgiving erreichte der Unterschied 54 %.
Der Käufer, der früher nur Schaufensterbummel machte, kommt heute bestens vorbereitet. Er hat bereits verglichen, seine Auswahl eingegrenzt und konkrete Fragen gestellt. Manchmal hat ihm ein Makler diese Arbeit abgenommen. Gartner auf seinemIT-Symposium 2025Er sagte voraus, dass KI-Kanäle bis 2028 dazu beitragen würden, B2B-Umsätze von über 15 Billionen Dollar zu generieren, wobei die Aktivitäten über beide Kanäle hinweg und nicht nur auf Verbraucherebene berücksichtigt würden.
Dies verändert die zentrale Frage des Einzelhändlers. Es geht nicht mehr um die Frage „Wie ranken wir in den Suchergebnissen?“, sondern um eine komplexere Frage: Können unsere Daten sofort und präzise beantworten, wenn ein Kunde oder sein Mitarbeiter nach einem bestimmten Produkt fragt? Genau diese Lücke soll Databricks Mosaic AI for Retail schließen.
Der Einzelhandel funktioniert fragmentiert. Kassendaten sind von den Klickströmen im E-Commerce getrennt. Kundenbindungsprogramme werden in einem eigenen System geführt. Bestandsaktualisierungen erfolgen zu einem anderen Zeitpunkt als alle anderen Daten.
Ein Empfehlungssystem, das nicht alle Informationen gleichzeitig erfassen kann, produziert oft unsinnige Empfehlungen. Es empfiehlt einen Artikel, der bereits vor einer Stunde ausverkauft war. Es begrüßt einen langjährigen Kunden wie einen Fremden. Das Modell selbst ist selten das Problem; es argumentierte vielmehr mit einer unvollständigen Datenbasis.
Die Kosten dafür sind mittlerweile gut ermittelt.Studie der IHL Group vom September 2025Die globalen Kosten durch Lagerbestandsverzerrungen – die kombinierten Kosten von Fehlbeständen und Überbeständen – belaufen sich auf 1,73 Billionen US-Dollar pro Jahr, was 6,5 % des weltweiten Einzelhandelsumsatzes entspricht. Das ist in etwa das BIP Südkoreas, das dadurch verloren geht, dass man nicht weiß, was sich im Regal befindet.
Die aussagekräftigste Erkenntnis findet sich weiter unten im Bericht. Einzelhändler, die KI und maschinelles Lernen zur Bekämpfung des Problems einsetzen, erzielen ein 2,3-mal höheres Umsatzwachstum und ein 2,5-mal höheres Gewinnwachstum als Wettbewerber, die darauf verzichten. Dennoch hat weniger als ein Viertel der Einzelhändler KI erfolgreich in den Bereichen eingeführt, die am stärksten von Bestandsverzerrungen betroffen sind. Greg Buzek, Präsident von IHL, bringt es auf den Punkt: Entweder man entwickelt sich weiter oder man bleibt auf der Strecke.
Der Appetit ist also nicht der limitierende Faktor.McKinseys Bericht zum Stand der KIEine im November 2025 veröffentlichte Studie ergab, dass 88 % der Unternehmen KI regelmäßig in mindestens einem Bereich einsetzen. Auch die Kosten stellen nicht das Hindernis dar. Vielmehr liegt die Herausforderung in der Diskrepanz zwischen einem Modell, das lokal funktioniert, und einem Modell, das produktiv mit realen, kontrollierten Daten arbeitet. Fast zwei Drittel der in derselben Studie befragten Unternehmen haben noch gar nicht damit begonnen, KI unternehmensweit zu skalieren.
Databricks Mosaic AI ist Teil vonDatabricks-DatenintelligenzplattformDie Plattform, die nun unter dem Namen Databricks AI firmiert, bezeichnet kein einzelnes Modell. Sie ermöglicht es Einzelhändlern, ihre eigenen Daten für verschiedene Anwendungen zu nutzen, darunter Modellbereitstellung, -optimierung, KI-gestützte Suche und die Entwicklung eines Agenten-Frameworks. Alle diese Prozesse werden über den Unity Catalog gesteuert, um die korrekte Nachverfolgung und Überwachung aller Modelle im Produktivbetrieb zu gewährleisten.
Im Einzelhandel kommt es vor allem auf zwei Dinge an.
Das erste ist, dassKI-Agenten für den EinzelhandelEntscheidend sind Ihre individuellen Daten, nicht allgemeines Webwissen. Ein Mitarbeiter, der Ihre Artikelhierarchie, Ihre regionalen Nachfragemuster und Ihren aktuellen Lagerbestand kennt, beantwortet eine Frage anders als jemand, der sich auf das offene Internet verlässt.
Das zweite ist das Agenten-Framework, mit dem Teams Agenten erstellen können, die Live-Inventar abrufen, Preis-APIs aufrufen und handeln, anstatt nur zu reden.
Die zugrundeliegende Technik hat sich rasant weiterentwickelt.DatabricksDie KI-Suche wurde auf einer speicheroptimierten Architektur neu aufgebaut, die skalierbar ist aufMilliarden von Vektoren zu bis zu 7-mal geringeren KostenMittlerweile werden Milliarden-Vektor-Indizes in weniger als acht Stunden erstellt. Der veröffentlichte Preisvergleich ist eklatant: rund 7.000 US-Dollar pro Monat für 1,3 Milliarden Vektoren gegenüber rund 47.000 US-Dollar für das Standardangebot.Vorbild dientverarbeitet jetzt mehr als 250.000 Anfragen pro Sekunde.
Diese Zahlen sind aus einem praktischen Grund wichtig. Die semantische Suche im gesamten Produktkatalog war im Einzelhandel früher wirtschaftlich nicht rentabel. Während des Ansturms am Black Friday entscheidet der Durchsatz darüber, ob die Suche in Echtzeit erfolgt oder zu spät kommt.
Hier sind die wichtigsten Anwendungsfälle für Databricks Mosaic AI im Einzelhandel, die die Teams heute einsetzen:
Die Wechselwirkung ist wichtiger als jeder einzelne Anwendungsfall. Da diese Agenten auf einer gemeinsamen Grundlage basieren, lesen der Preis- und der Personalisierungsagent dieselben Informationen. Das ist der Unterschied zwischen agentenbasierter KI und einer Ansammlung unverbundener Bots, die jeweils nur wenig wissen und sich im Stillen widersprechen.
Dies sind Databricks-KI-Lösungen, die im Produktivbetrieb eingesetzt werden:
AdidasWir haben einen RAG-Chatbot entwickelt, um über 2 Millionen Produktbewertungen zu analysieren. Die Latenz sank um 60 %, die durchschnittliche Antwortzeit verkürzte sich von 15,5 auf 6 Sekunden. Durch den Einsatz effizienterer Modelle konnten die Rechenkosten um 91,67 % gesenkt werden. Die Effizienz der Analysten bei bewertungsbasierten Entscheidungen verbesserte sich um 30 bis 40 %, und über 50 Entscheidungsträger aus den Bereichen Produktentwicklung, Design und Marketing greifen nun direkt auf Erkenntnisse zu, anstatt darauf warten zu müssen.
Trek-FahrradDas Unternehmen migrierte in ein wirtschaftlich skalierbares Lager. Anwendungen im Einzelhandel, die zuvor 48 Stunden benötigten, sind nun in nur sechs bis acht Stunden fertig – eine Zeitersparnis von 80–90 %. Zudem wird das Lakehouse dreimal täglich statt nur einmal aktualisiert. Zuvor führte Trek Analysen nur einmal täglich in Nordamerika durch, wodurch Berichte in anderen Regionen verspätet eintrafen.
FOX SportsFür den Super Bowl LIX wurde eine KI-gestützte Suchfunktion auf Basis der Databricks AI Search-Plattform entwickelt. Die Funktion verarbeitet Tausende von Anfragen gleichzeitig und liefert doppelt so gute Suchergebnisse wie zuvor.Juni 2026Diejenigen, die die Sports AI-Plattform nutzten, verbrachten etwa doppelt so viel Zeit in der mobilen App.
Reckitthat eine GenAI-basierte Erkenntnismaschine entwickelt, die Verbraucherforschung, Rezensionen und soziale Signale in mehr als 60 Ländern vereint und die Kampagnenanalyse, die früher Wochen dauerte, um 40 % verkürzt.
Hinweis zu den aggregierten ROI-Zahlen: Diese sollten mit Vorsicht betrachtet werden. Die meisten kursierenden Zahlen stammen aus von Anbietern in Auftrag gegebenen Umfragen, und die Streuung zwischen ihnen ist so groß, dass die Methodik fragwürdig erscheint. Die oben genannten Fallstudien sind überprüfbar. Die Umfragedurchschnitte hingegen nicht.
Die Kluft vergrößert sich, und das ist das Unangenehme daran.McKinsey-Umfrage 202523 % der Unternehmen skalieren bereits ein agentenbasiertes KI-System in mindestens einem Geschäftsbereich, weitere 39 % experimentieren damit. Jeder Monat, den ein Wettbewerber mit dem Lernen aus dem Live-Datenverkehr verbringt, ist ein Monat Iteration, den ein späterer Marktteilnehmer zu keinem Preis nachholen kann. Modelle verbessern sich durch Feedback aus dem Produktivbetrieb, und dieses Feedback erhält man nur im Produktivbetrieb.
McKinsey stellte außerdem fest, dass besonders erfolgreiche Unternehmen etwa dreimal häufiger KI-Systeme unternehmensweit skaliert haben. Das ist kein technologischer Mangel, sondern ein Mangel an Betriebsmodellen, und solche schließen sich langsamer.
Nichts davon erfordert unrealistische Visionen. Es bedarf eines systematischen Datenmanagements und der Formulierung eines vordefinierten Anwendungsfalls – üblicherweise Personalisierung oder Kundenservice –, der frühzeitig und eindeutig genug Ergebnisse liefert, um Investitionen in einen neuen Anwendungsfall zu rechtfertigen. Im Kern geht es darum, eine verlässliche Grundlage für das Vertrauen in die für Entscheidungen verwendeten Informationen zu schaffen, anstatt dem spektakulärsten Modell hinterherzujagen.
Mosaic AI ist kein Modell, sondern die Schicht, die Ihre Daten in funktionierende Anwendungen umwandelt. Modellbereitstellung, Datenabfrage und ein Agenten-Framework werden dabei vollständig über Unity Catalog gesteuert. Der Unterschied besteht darin, dass die Agenten Ihre einheitlichen Daten (Ihre Artikelhierarchie, tatsächliche Lagerbestände, regionale Nachfrage) anstatt allgemeines Webwissen verarbeiten. So spiegeln die Antworten die aktuelle Situation in Ihrem Unternehmen wider.
Eine Empfehlungsmaschine macht Vorschläge; ein Agent handelt. Im agentenbasierten Handel werden Produktsuche, Empfehlung und die Transaktion selbst im Namen des Käufers abgewickelt, wobei Lagerbestands- und Preisinformationen in Echtzeit zum Zeitpunkt der Entscheidung abgerufen werden. Es ist der Wandel von KI, die den Kunden auf ein Produkt hinweist, hin zu KI, die den Kauf abschließt.
Die größte Hürde ist weder der Bedarf noch das Budget, sondern der Unterschied zwischen einem Modell, das im Notebook funktioniert, und einem, das produktiv mit realen, kontrollierten Daten arbeitet. Fast zwei Drittel der Unternehmen haben KI noch gar nicht unternehmensweit skaliert, und die Vorreiter betrachten sie als Herausforderung für ihr Betriebsmodell.
Über den Autor
Datenstratege
Die meisten Daten beantworten Fragen. Die richtigen Daten verändern die Richtung.
Verwandter Blog
Aishwarya Saran
