AI ist in vielen E-Commerce-Teams längst angekommen.
Produkttexte werden mit ChatGPT geschrieben. Kampagnenideen entstehen mit Claude. Reports werden von AI zusammengefasst. Produktdaten werden automatisch angereichert.
Das spart Zeit. Aber in vielen Unternehmen verändert AI den eigentlichen Arbeitsprozess erstaunlich wenig.
Der Mensch sammelt weiterhin Daten aus Shopify, GA4, Klaviyo oder Meta Ads, kopiert Informationen zwischen Tools, prüft Ergebnisse, trifft Entscheidungen und stößt anschließend die nächsten Schritte an.
AI übernimmt einzelne Aufgaben. Der Prozess bleibt manuell. Genau hier liegt meiner Meinung nach einer der größten ungenutzten Hebel für AI im E-Commerce.
Die entscheidende Frage lautet nicht mehr nur: Wie bekomme ich mit AI ein besseres Ergebnis? Sondern: Wie baue ich einen Prozess, in dem AI zuverlässig mit Daten, Tools und Menschen zusammenarbeitet?
Ein guter Prompt ist noch kein AI-System
Nehmen wir einen typischen Montagmorgen im E-Commerce-Team. Jemand möchte verstehen, wie die vergangene Woche gelaufen ist.
Dafür werden vielleicht:
- Shopify-Umsätze geprüft,
- GA4-Daten analysiert,
- Meta Ads kontrolliert,
- Google Ads ausgewertet,
- Klaviyo-Kampagnen betrachtet,
- Auffälligkeiten gesammelt,
- Hypothesen entwickelt,
- und daraus Aufgaben für das Team abgeleitet.
Heute könnte AI am Ende dieses Prozesses eingesetzt werden. Zum Beispiel:
„Hier sind meine Zahlen. Analysiere sie und sag mir, was auffällig ist.“
Das ist nützlich. Aber der Mensch hat vorher bereits den größten Teil der Arbeit erledigt.
Ein produktiveres System würde anders aussehen. Die relevanten Daten werden automatisch geladen. Shopify, Klaviyo, GA4 und Paid-Media-Kanäle werden parallel analysiert. Auffälligkeiten werden strukturiert zusammengeführt. AI sucht nach Zusammenhängen. Ein Prüfschritt hinterfragt die wichtigsten Hypothesen. Danach entstehen konkrete Handlungsempfehlungen.
Unkritische Aufgaben können direkt vorbereitet werden. Riskante Änderungen benötigen weiterhin eine menschliche Freigabe.
AI beantwortet damit nicht mehr nur eine Frage. Sie wird Teil des Geschäftsprozesses.
E-Commerce-Prozesse sind selten linear
Viele Automationen werden wie Checklisten gebaut:
Shopify analysieren → Klaviyo analysieren → Meta Ads analysieren → Ergebnis schreiben.
Technisch funktioniert das. Logisch ergibt es oft wenig Sinn.
Warum sollte die Klaviyo-Analyse warten, bis Shopify fertig ist? Warum sollte Meta Ads erst starten, wenn GA4 abgeschlossen ist? Wenn zwei Aufgaben keine Informationen voneinander benötigen, gibt es auch keinen Grund, sie nacheinander auszuführen.
Die bessere Struktur sieht häufig eher so aus: Shopify, Klaviyo, GA4, Meta Ads und Google Ads werden gleichzeitig analysiert. Erst danach werden die Ergebnisse zusammengeführt.
Dieses Prinzip kommt aus dem sogenannten Graph Engineering. Der Begriff klingt technischer, als die Idee eigentlich ist. Statt einen Prozess als starre Reihenfolge von Schritten zu betrachten, fragt man:
Welche Aufgabe benötigt welche Information, bevor sie starten kann?
Das verändert die Architektur grundlegend. Ein Workflow wird nicht danach gebaut, was „als Nächstes“ kommt. Er wird danach gebaut, welche tatsächlichen Abhängigkeiten bestehen.
Nicht jeder AI-Schritt sollte Fließtext produzieren
Ein weiteres Problem entsteht, wenn mehrere AI-Schritte miteinander arbeiten. Ein Analyse-Agent könnte beispielsweise schreiben:
„Die Conversion Rate auf mobilen Endgeräten ist gegenüber der Vorwoche deutlich gefallen. Gleichzeitig ist der Anteil neuer Besucher gestiegen. Eine mögliche Ursache könnte die neue Landingpage sein.“
Für einen Menschen ist das angenehm zu lesen. Für einen weiteren Systemschritt ist es weniger ideal. Robuster wäre ein strukturiertes Ergebnis:
- Metrik:
- Conversion Rate
- Veränderung:
- -17 %
- Segment:
- Mobile
- Quelle:
- Shopify + GA4
- Hypothese:
- neue Landingpage
- Confidence:
- 0,78
Damit muss der nächste AI-Schritt nicht erst interpretieren, was der vorherige gemeint haben könnte. Das System arbeitet mit klar definierten Informationen.
Dieser Unterschied wird wichtig, sobald AI nicht mehr nur einmal antworten, sondern zuverlässig Teil eines wiederkehrenden Prozesses werden soll.
Klare Regeln für Berechnungen. KI für Zusammenhänge.
Viele AI-Workflows folgen heute einem einfachen Prinzip: Möglichst viele Daten sammeln und anschließend ein großes Sprachmodell fragen:
„Analysiere alles.“
Das funktioniert erstaunlich gut. Es ist aber nicht immer die beste Architektur.
Viele Aufgaben benötigen überhaupt keine AI. Zum Beispiel:
- Duplikate entfernen,
- Daten sortieren,
- Zeiträume vereinheitlichen,
- Werte berechnen,
- Produkte anhand ihrer IDs zusammenführen,
- Datensätze filtern,
- Grenzwerte prüfen.
Dafür ist klassische Software meist schneller, günstiger und zuverlässiger.
AI wird interessant, sobald Interpretation ins Spiel kommt.
Nicht:
Ist der ROAS von 4,2 auf 3,5 gefallen?
Das kann Code berechnen.
Sondern:
Warum könnte der ROAS gefallen sein und welche Daten sollten wir prüfen, um die Hypothese zu bestätigen?
Das ist eine Aufgabe für AI.
Ein Prinzip, das ich bei AI-Systemen deshalb sehr sinnvoll finde, lautet: Klare Regeln für Berechnungen. KI für Zusammenhänge.
Je klarer diese Grenze gezogen wird, desto robuster wird das Gesamtsystem.
Gute AI-Systeme brauchen einen Gegenspieler
AI kann plausible Erklärungen sehr überzeugend formulieren. Genau das ist gleichzeitig eine ihrer größten Stärken und Schwächen.
Angenommen, ein System kommt zu dem Ergebnis:
„Die Meta-Kampagne performt stark. Das Budget sollte um 30 Prozent erhöht werden.“
Eine einfache Qualitätskontrolle wäre:
„Prüfe bitte, ob diese Empfehlung sinnvoll ist.“
Das Ergebnis wird häufig freundlich ausfallen. Statt die Empfehlung nur bestätigen zu lassen, würde ich die KI gezielt nach Gegenargumenten suchen lassen:
„Versuche zu beweisen, dass diese Empfehlung falsch ist.“
Plötzlich entstehen andere Fragen:
- Ist der bessere ROAS nur kurzfristig?
- Hat sich das Attribution Window verändert?
- Wird Umsatz aus anderen Kanälen verschoben?
- Ist der Neukundenanteil gesunken?
- Gibt es saisonale Effekte?
- Ist die Marge überhaupt ausreichend?
Ein solcher Verifier soll nicht bestätigen. Er soll widersprechen. Gerade bei AI-gestützten Entscheidungen ist dieser Unterschied enorm wertvoll.
Ein Fehler darf nicht den ganzen Prozess zerstören
In der Theorie funktionieren APIs immer. In realen E-Commerce-Systemen eher nicht.
- Eine Datenquelle ist nicht erreichbar.
- Ein Tracking-Event fehlt.
- Eine API liefert einen Timeout.
- Ein Scraper wird blockiert.
- Ein Modell produziert ungültige Daten.
Ein produktives System muss deshalb nicht fehlerfrei sein. Es muss mit Fehlern umgehen können.
Wenn beispielsweise fünf Datenquellen ausgewertet werden und Google Ads temporär nicht erreichbar ist, muss die gesamte Analyse nicht zwangsläufig abbrechen. Das System könnte stattdessen transparent melden:
Analyse basiert auf vier von fünf Datenquellen. Google-Ads-Daten konnten nicht geladen werden.
Danach kann entschieden werden, ob die vorhandenen Informationen ausreichen. Das ist ein wichtiger Unterschied zwischen einer AI-Demo und einem System, auf das sich ein Unternehmen im Alltag verlassen kann.
Technische Fähigkeit ist nicht dasselbe wie Berechtigung
Ein AI-Agent könnte technisch sehr viel. Er könnte:
- Produktdaten ändern,
- Preise anpassen,
- Newsletter versenden,
- Kampagnen pausieren,
- Werbebudgets erhöhen,
- Rabattcodes erstellen,
- Produkte deaktivieren.
Die wichtigere Frage ist aber: Was darf er unter welchen Bedingungen tun?
Das ist im produktiven Einsatz entscheidend. Ein sinnvolles System könnte beispielsweise festlegen:
- AI darf Kampagnen analysieren.
- AI darf Budgetänderungen empfehlen.
- AI darf die Änderung vorbereiten.
Eine Budgeterhöhung von mehr als 20 Prozent benötigt jedoch eine menschliche Freigabe.
Dasselbe Prinzip kann für andere Aktionen gelten:
- Newsletter an große Empfängersegmente,
- Preisänderungen,
- Produktlöschungen,
- Theme-Deployments,
- Rabattaktionen,
- hohe Werbebudgets.
Solche Regeln sollten nicht nur als Satz in einem Prompt stehen. Sie sollten technisch im Prozess verankert sein. Denn ein Modell kann eine Anweisung falsch interpretieren. Eine technische Sperre nicht.
Das Ziel ist nicht maximale Autonomie
Bei AI Agents entsteht schnell der Eindruck, das beste System sei das autonomste. Ich halte das für die falsche Zielsetzung. Ein Unternehmen braucht nicht möglichst autonome AI. Es braucht die richtige Autonomie für den jeweiligen Prozess.
- Eine Produktbeschreibung kann AI vielleicht vollständig erstellen.
- Eine neue E-Mail-Kampagne sollte möglicherweise geprüft werden.
- Eine Preisänderung benötigt vielleicht eine explizite Freigabe.
- Ein Performance-Report kann vollständig automatisiert laufen.
- Eine strategische Budgetentscheidung sollte weiterhin ein Mensch treffen.
AI-Integration bedeutet deshalb nicht: Der Agent macht alles. Sondern: Jede Aufgabe bekommt das passende Verhältnis aus klassischer Software, AI und menschlicher Entscheidung.
Wie könnte so etwas konkret aussehen?
Nehmen wir einen hypothetischen E-Commerce-Manager. Jeden Morgen startet automatisch eine Analyse.
Das System lädt Daten aus:
- Shopify,
- GA4,
- Klaviyo,
- Meta Ads,
- Google Ads.
Anschließend werden die Bereiche parallel analysiert. Die einzelnen Ergebnisse werden in ein gemeinsames Format gebracht. Ein weiterer AI-Schritt sucht Zusammenhänge. Ein Verifier hinterfragt die wichtigsten Hypothesen. Das Ergebnis könnte beispielsweise so aussehen:
- Finding:
- Mobile Conversion Rate ist um 17 Prozent gefallen.
- Evidence:
- Shopify und GA4 zeigen denselben Effekt.
- Hypothese:
- Die neue Landingpage könnte auf mobilen Geräten langsamer laden.
- Confidence:
- 78 Prozent.
- Empfohlene Prüfung:
- Core Web Vitals und Conversion Rate nach Device vergleichen.
- Action:
- Performance-Ticket vorbereiten.
Diese Aufgabe könnte das System automatisch in Linear, Jira oder Trello anlegen. Ein anderes Finding könnte lauten:
Empfehlung:
Meta-Budget um 30 Prozent erhöhen.
Hier greift eine andere Regel. Die Änderung wird vorbereitet, aber nicht ausgeführt. Ein Mensch entscheidet. Das ist für mich der entscheidende Unterschied zwischen einem Chatbot und produktiver AI-Integration.
Die eigentliche Herausforderung ist nicht mehr der perfekte Prompt
Prompt Engineering bleibt relevant. Natürlich macht es einen Unterschied, welches Modell eingesetzt wird und wie eine Aufgabe beschrieben ist.
Aber sobald AI Teil eines echten Geschäftsprozesses werden soll, entstehen wichtigere Fragen:
- Woher kommen die Daten?
- Welche Aufgaben können parallel laufen?
- Welche Informationen müssen zwischen Schritten übertragen werden?
- Welche Ergebnisse müssen überprüft werden?
- Was passiert bei Fehlern?
- Welche Aktionen darf AI selbstständig ausführen?
- Wo benötigt sie einen Menschen?
- Wie werden Kosten begrenzt?
- Wie kann später nachvollzogen werden, warum eine Entscheidung getroffen wurde?
Das sind keine Prompt-Fragen mehr. Das sind Fragen der System- und Prozessarchitektur.
Unternehmen brauchen nicht noch einen AI-Chatbot
Genau hier verändert sich auch mein Blick darauf, was produktive AI-Integration im Unternehmen bedeutet.
Das Ziel sollte nicht sein, möglichst viele AI-Tools einzuführen. Und auch nicht, für jeden Prozess einen autonomen Agenten zu bauen.
Viel interessanter ist eine Infrastruktur, in der fünf Dinge zusammenkommen: Unternehmenswissen. Daten. Tools. AI. Menschen.
Man kann sich das als eine Art Business AI OS vorstellen. AI kann darin unterschiedliche Rollen übernehmen.
Manchmal ist ein Chat die beste Lösung. Manchmal ein automatisierter Workflow. Manchmal ein Agent. Und manchmal klassische Software ganz ohne AI.
Die richtige Lösung ist nicht die technisch beeindruckendste. Es ist die einfachste Architektur, die einen relevanten Prozess zuverlässig verbessert.
Fazit: Der nächste Hebel liegt im System
Die erste Phase der AI-Adoption im E-Commerce war geprägt von Tools. ChatGPT. Claude. Copilots. Content-Generatoren.
Die nächste Phase wird stärker von Integration geprägt sein.
Nicht die Frage:
Welches AI-Tool nutzen wir noch?
Sondern:
Welchen Geschäftsprozess können wir mit AI fundamental besser bauen?
Dafür müssen Unternehmen AI nicht nur als Interface betrachten. Sondern als Bestandteil ihrer Prozesse. Mit klaren Daten. Klaren Abhängigkeiten. Klaren Kontrollmechanismen. Und klar definierten Stellen, an denen weiterhin Menschen entscheiden.
Der Unterschied lässt sich auf einen Satz reduzieren: AI sollte nicht nur einzelne Tasks erledigen. AI sollte sinnvoll in den Prozess eingebaut sein.
Produktive AI-Integration für E-Commerce
Ich helfe E-Commerce-Teams dabei, genau solche Prozesse zu identifizieren und produktiv mit AI umzusetzen. Nicht als AI-Demo und nicht als weitere Insellösung. Sondern verbunden mit den Daten, Tools und Arbeitsweisen, die im Unternehmen bereits existieren.
Ein relevanter E-Commerce-Prozess. Produktiv mit AI umgesetzt.
