KI im E-Commerce: Use Cases, die sich für Shops wirklich rechnen

Die meisten KI-Projekte im E-Commerce scheitern nicht an der Technik, sondern an der Auswahl. Ein Modell zu integrieren ist inzwischen eine Fingerübung; die schwierige Frage ist, welche Aufgabe man ihm überhaupt gibt. Wir prüfen jeden Use Case vorab an drei Größen — und wenn eine davon fehlt, lassen wir ihn liegen.

Stückzahl, Fehlerkosten, Messbarkeit

Erstens die Stückzahl: Eine KI amortisiert sich über Wiederholung. Bei 40 Produkten schreibt ein Texter die Beschreibungen schneller, als du das Prompting sauber hinbekommst. Bei 12.000 Artikeln mit vier Sprachversionen kippt die Rechnung eindeutig in die andere Richtung. Zweitens die Fehlerkosten pro Fall: Ein mittelmäßiger Absatz in einer Kategoriebeschreibung kostet dich Ranking-Potenzial. Eine falsche Zusage im Kundenservice kostet dich Geld, im Zweifel vor Gericht. Drittens die Messbarkeit: Wenn du nicht vorher festlegst, welche Kennzahl sich bewegen soll — Suchergebnis-Klickrate, Conversion-Rate der Suche, Ticketvolumen, Retourenquote —, wirst du hinterher nicht sagen können, ob sich der Aufwand gelohnt hat. Genau daran scheitern in der Praxis die meisten Pilotprojekte: Sie werden nie abgeschaltet, weil niemand belegen kann, dass sie nichts bringen.

Was überhypt ist

Drei Dinge werden im E-Commerce-Kontext regelmäßig überverkauft. Vollautonome Agenten, die den Shop eigenständig steuern — Preise setzen, Kampagnen starten, Bestände disponieren —, sind in produktiven Shops die Ausnahme, weil niemand ohne Freigabestufe eine Fehlentscheidung mit direkter Umsatzwirkung riskieren will. KI-generierte Massenware im Content skaliert Text, aber selten Sichtbarkeit; warum, steht im nächsten Kapitel. Und Personalisierung in Echtzeit braucht Datenmengen, die ein Shop mit 800 Bestellungen im Monat schlicht nicht produziert — ein statisches, gut gebautes Cross-Selling schlägt dort jedes Modell, das aus zu wenig Signal lernen soll.

Der ehrliche Ausgangspunkt

Bevor du in KI investierst, lohnt der Blick auf das, was ohne Modell im Argen liegt. Ein Shop mit fehlenden Kategorietexten, kaputten Canonicals oder einer Ladezeit jenseits der Core-Web-Vitals-Ziele gewinnt durch KI nichts — er produziert dieselben Probleme nur schneller. Bei Kiwabo kam der Zuwachs von über 210 Prozent organischem Traffic aus der Kombination von Plattform-Migration, sauberer SEO- und SEA-Struktur, durchdachter Customer Journey und serverseitigem Tracking — nicht aus einem einzelnen Tool. KI ist ein Verstärker. Sie verstärkt auch das, was nicht funktioniert.

Der Use Case mit dem klarsten Business Case ist unspektakulär: Texte. Kaum ein Shop hat für jeden Artikel eine eigenständige Beschreibung, kaum eine Kategorieseite hat den Einführungstext, den sie zum Ranken bräuchte, und bei Sortimentswechseln veraltet beides sofort. Genau diese Arbeit ist repetitiv, gut strukturierbar und in ihren Fehlerkosten überschaubar.

Wo die Grenze verläuft: Google und skalierter Content

Der verbreitete Irrtum lautet, Google bestrafe KI-Texte. Das tut es nicht. Was Google in seinen Spam-Richtlinien als scaled content abuse definiert, ist das Erzeugen vieler Seiten, die primär auf Rankings zielen, ohne dem Nutzer Mehrwert zu bieten — ausdrücklich einschließlich der Nutzung generativer KI, um „viele Seiten ohne Mehrwert für Nutzer zu erzeugen“. Das Kriterium ist also nicht die Herkunft des Textes, sondern sein Nutzen. Praktisch heißt das für einen Shop: Ein Modell, das aus derselben dünnen Herstellerangabe 3.000 Varianten desselben Absatzes formuliert, produziert austauschbaren Text — und austauschbarer Text rankt nicht, egal wer ihn geschrieben hat.

Was in der Praxis funktioniert, ist die Umkehrung: Du fütterst das Modell mit dem, was nur du hast. Maße, Materialien, Kompatibilitätslisten, Lieferumfang, typische Anwendungsfälle, echte Kundenfragen aus dem Support, Retourengründe. Aus strukturierten Attributdaten plus einem festen Textgerüst entstehen Beschreibungen, die tatsächlich Fragen beantworten. Der Redaktionsaufwand verschiebt sich damit vom Schreiben zum Prüfen — und diese Prüfstufe ist nicht optional. Die vertiefte SEO-Mechanik dahinter steht in unseren Guides zu WooCommerce SEO und Shopify SEO.

Produktbilder: die Kennzeichnungspflicht, die viele übersehen

Generierte oder KI-bearbeitete Produktbilder sind reizvoll, weil Freisteller, Lifestyle-Szenen und Varianten-Renderings sonst teuer sind. Nur gelten hier inzwischen formale Regeln. Google verlangt in der Merchant-Center-Dokumentation zu KI-generierten Inhalten, dass KI-erzeugte Bilder das IPTC-Feld DigitalSourceType tragen — mit Werten wie TrainedAlgorithmicMedia für modellgenerierte Bilder oder CompositeSynthetic für Montagen mit synthetischen Elementen. Ausdrücklich untersagt ist, diese Metadaten nachträglich zu entfernen. Für KI-erzeugte Titel und Beschreibungen sieht Google mit structured_title und structured_description eigene Attribute samt Quellenangabe vor. Wer seinen Feed automatisiert befüllt, sollte das im Mapping berücksichtigen, bevor Bilder abgelehnt werden.

Dazu kommt der europäische Rahmen: Die Transparenzpflichten aus Artikel 50 der KI-Verordnung greifen seit dem 2. August 2026. Anbieter müssen synthetische Bild-, Audio-, Video- und Textausgaben maschinenlesbar als künstlich erzeugt markieren, und wer mit einem System interagiert, muss darüber informiert werden. Für Shops heißt das konkret: Kennzeichnung ist keine Stilfrage mehr, sondern Teil der Pflichtprüfung — und für die eigene Umsetzung gehört die Bewertung im Zweifel auf den Tisch der Rechtsberatung, nicht der Marketingabteilung.

Wenn wir in Shops nach ungenutztem Potenzial suchen, landen wir überdurchschnittlich oft bei der internen Suche. Nutzer, die suchen, haben eine konkrete Absicht — sie sind die kaufbereiteste Gruppe im Shop. Und sie stoßen regelmäßig auf eine Volltextsuche, die an einem Tippfehler, einem Synonym oder einer umgangssprachlichen Bezeichnung scheitert.

Semantische Suche: Bedeutung statt Zeichenkette

Klassische Shopsuche vergleicht Zeichenketten. Wer „Jacke für Regen“ eingibt, findet keine „wasserdichte Softshelljacke“, wenn das Wort Regen im Datensatz nicht vorkommt. Semantische Suche löst das über Embeddings: Produkte und Suchanfragen werden in Vektoren übersetzt, die Bedeutungsnähe abbilden, und die Suche liefert das inhaltlich Passende statt des wörtlich Übereinstimmenden. In der Praxis ist das einer der wenigen KI-Use-Cases, bei denen sich der Effekt sauber messen lässt — Anteil der Suchen ohne Ergebnis, Klickrate auf Suchergebnisse, Conversion-Rate der Suchsessions gegenüber der Nicht-Suchsession. Ein sinnvoller Aufbau kombiniert beides: die exakte Suche für Artikelnummern und Markennamen, die semantische für beschreibende Anfragen. Wichtig ist eine Filterschicht, die harte Kriterien wie Verfügbarkeit, Preisrahmen oder Größe erzwingt — Bedeutungsähnlichkeit allein liefert sonst schöne, aber nicht kaufbare Treffer.

Empfehlungen: gut, sobald genug Signal da ist

Empfehlungslogik ist der älteste KI-Use-Case im Handel und entsprechend ausgereift — mit einer Bedingung: Sie braucht Verhaltensdaten. Kollaboratives Filtern lernt aus dem Muster „wer das kaufte, kaufte auch jenes“, und dieses Muster entsteht erst ab einer gewissen Zahl an Sessions und Bestellungen. Kleinere Shops fahren mit inhaltsbasierten Empfehlungen aus Attributdaten und einer handgepflegten Zubehörlogik oft besser als mit einem Modell, das aus zu dünner Datenlage rät. Das ist keine Absage an Personalisierung, sondern eine Reihenfolge: erst sauberes Tracking und belastbare Produktdaten, dann Modell. Wer die Grundlagen der Conversion-Arbeit noch vor sich hat, findet sie im Ratgeber zur Conversion-Rate-Optimierung.

Personalisierung, die sich rechnet: der Lebenszyklus

Der zuverlässigste Personalisierungshebel liegt selten auf der Startseite, sondern im Nachkauf. Reaktivierung, Nachkaufsequenzen, Warenkorbabbruch-Strecken, Verbrauchsintervall-Erinnerungen: Hier liegen genug historische Daten vor, das Timing ist berechenbar, und der Effekt ist im Umsatz direkt sichtbar. KI übernimmt dabei die unauffälligen Teile — Segmentbildung, Zeitpunktwahl, Betreffzeilen-Varianten, Produktauswahl je Empfänger. Wie diese Strecken aufgebaut sind, steht im Ratgeber zur E-Mail-Marketing-Automatisierung.

Die drei folgenden Anwendungen funktionieren technisch einwandfrei. Sie unterscheiden sich von den vorherigen dadurch, dass ein Fehler nicht nur schlechteren Content bedeutet, sondern unmittelbar Geld, Vertrauen oder Rechtsposition kostet.

Der Chatbot, der eine Zusage macht: der Fall Air Canada

Das Lehrstück dazu ist inzwischen mehrfach in Rechtsblogs durchdekliniert worden. Ein Kunde fragte den Chatbot von Air Canada nach dem Trauerfall-Tarif; der Bot erklärte, er könne die Ermäßigung bis zu 90 Tage nach dem Flug nachträglich beantragen. Die tatsächliche Richtlinie sah eine Genehmigung vor der Reise vor. Die kanadische Schlichtungsstelle entschied gegen die Airline und sprach dem Kunden 812 kanadische Dollar zu; das Argument der Airline, der Chatbot sei eine eigenständige rechtliche Einheit, wurde ausdrücklich zurückgewiesen — es mache keinen Unterschied, ob eine Information von einer statischen Seite oder aus einem Chatbot stamme, wie unter anderem CBS News berichtete.

Die Konsequenz für einen Shop ist keine Absage an Chatbots, sondern eine Bauvorschrift. Der Bot antwortet nur aus einer kuratierten Wissensbasis, nicht aus dem freien Modellwissen — Versandzeiten, Rückgabefristen, Garantiebedingungen und Verfügbarkeiten kommen aus deinem System, nicht aus einer Formulierung. Alles, was eine verbindliche Zusage wäre — Kulanz, Erstattung, Preiszusage, Liefertermin —, wird an einen Menschen übergeben. Der Bot benennt seine Quelle und sagt „das weiß ich nicht“, statt zu formulieren. Und die Interaktion ist als KI-System gekennzeichnet, was Artikel 50 der KI-Verordnung ohnehin verlangt. Unter diesen Bedingungen ist ein Support-Assistent ein sehr guter Use Case: Statusabfragen, Produktfragen aus dem Datenblatt und Retourenanstoß sind das Volumen, das den First-Level-Support füllt.

Dynamische Preise: mächtig, transparenzpflichtig, imageanfällig

Automatisierte Preisanpassung ist im Wettbewerbsvergleich verbreitet und dort auch sinnvoll — Repricing gegen Marktbeobachtung, Abverkaufslogik für Restbestände, Margensteuerung nach Warengruppen. Heikel wird es bei personalisierter Preisgestaltung, also unterschiedlichen Preisen für unterschiedliche Nutzer auf Basis ihres Verhaltens oder Endgeräts. Im europäischen Verbraucherrecht besteht hier eine Informationspflicht, wenn der Preis durch automatisierte Entscheidungsfindung personalisiert wurde — und unabhängig von der Rechtslage ist der Reputationsschaden erheblich, sobald Kunden Preisunterschiede untereinander bemerken. Unsere Empfehlung: Repricing gegen den Markt ja, Preisdiskriminierung gegen den einzelnen Kunden nein. Rabattlogik über nachvollziehbare Mechanismen wie Mengen, Bundles oder Kundenkonto-Status ist der bessere Weg, und die konkrete Ausgestaltung gehört rechtlich geprüft.

Bedarfs- und Retourenprognose: der stillste ROI

Der Use Case, über den am wenigsten gesprochen wird, hat oft die beste Rendite, weil er nicht am Umsatz, sondern an der Kapitalbindung ansetzt. Prognosemodelle auf Basis von Verkaufshistorie, Saisonalität, Kampagnenplan und Lieferzeiten reduzieren gleichzeitig Überbestand und Fehlmengen. Das ist klassisches maschinelles Lernen, keine generative KI — unspektakulär, gut evaluierbar, und ein Modellfehler kostet Lagerplatz statt Kundenvertrauen. Ähnlich verhält es sich mit Retourenprognosen: Wenn du weißt, welche Artikel-Größen-Kombinationen überdurchschnittlich zurückkommen, kannst du an der Produktseite nachbessern, statt die Retoure hinzunehmen.

Der strukturell interessanteste Umbruch betrifft nicht die KI im Shop, sondern die KI vor dem Shop. Immer mehr Produktrecherche beginnt in ChatGPT, Perplexity oder den AI Overviews statt auf einer Suchergebnisseite — und die nächste Stufe ist, dass das System nicht nur empfiehlt, sondern den Kauf anstößt.

Was technisch schon existiert

OpenAI hat dafür mit Stripe das Agentic Commerce Protocol veröffentlicht. Das Modell ist für Händler bemerkenswert konservativ gebaut: Der Händler liefert einen strukturierten Produktfeed mit Preisen, Beständen und Versandinformationen, stellt Checkout-Endpunkte bereit und behält die Entscheidungshoheit — in der Dokumentation ausdrücklich festgehalten, dass OpenAI nicht Merchant of Record ist und der Händler Bestellungen annimmt oder ablehnt, die Zahlung belastet und den Auftrag auf den eigenen Systemen bestätigt. Gleichzeitig ist die Marktlage in Bewegung: Berichte über eine Verschiebung weg vom in den Chat eingebetteten Checkout hin zu händlerseitigen Kaufstrecken zeigen, dass die konkrete Ausspielung noch nicht final ist.

Was du davon heute umsetzt

Genau deshalb wäre es falsch, jetzt auf ein einzelnes Protokoll zu wetten. Die sinnvolle Vorbereitung ist die, die sich unabhängig davon auszahlt und ohnehin auf der Liste steht:

• Maschinenlesbare Produktdaten. Vollständiges Product-Schema mit Preis, Währung, Verfügbarkeit, GTIN sowie Versand- und Rückgabebedingungen. Das ist die Grundlage für Rich Results, für den Feed und für jedes Agentensystem gleichermaßen.
• Konsistenz über alle Kanäle. Preis und Verfügbarkeit müssen auf der Seite, im Schema, im Feed und im Checkout identisch sein. Abweichungen führen bei Google zu Ablehnungen und bei einem Agenten zu abgebrochenen Bestellungen.
• Antwortfähige Inhalte. Kernaussage im ersten Satz, echte Käuferfragen als FAQ-Block, Vergleichs- und Auswahlkriterien explizit ausformuliert. Systeme extrahieren, was kompakt und weit oben steht.
• Sichtbarkeit messen. Klassische Rankings zeigen nicht mehr, ob du in KI-Antworten vorkommst. Wie du das misst, steht im Ratgeber zur Generative Engine Optimization.

Die Reihenfolge, die wir empfehlen

Wenn du morgen anfängst, dann in dieser Folge: Erst die Datenbasis — Produktattribute, Schema, Feed, Tracking. Dann der Use Case mit der klarsten Kennzahl, in den meisten Shops die interne Suche oder die Produkttexte, mit definierter Messgröße und einem festen Zeitpunkt für die Auswertung. Danach erst alles, was direkt mit Kunden spricht oder Preise verändert — mit Freigabestufe und menschlicher Eskalation. Bei Airbag24 lag der Hebel für rund 400 Prozent ROI genau in dieser Logik: erst das Fundament über die Migration vom Altsystem auf Shopify tragfähig machen, dann optimieren. Werkzeuge, die auf einer wackeligen Basis aufsetzen, verstärken die Wackelei — sie ersetzen sie nicht.