Die Kundschaft nutzt KI schneller als der Handel.

KI-gestützte Produktsuche und Einkäufe durch Agenten verändern, wie Kundinnen und Kunden finden und kaufen; wer Preise und Angebote mit KI gestaltet, braucht deshalb Vertrauen und gemessene Ergebnisse ebenso wie Algorithmen.

Unser Beitrag von 2024 beschrieb, wie KI Preise an Nachfrage, Bestand und Wettbewerb anpasst und Angebote auf einzelne Kundinnen und Kunden zuschneidet. Die Mechanik gilt weiter. Verändert hat sich das Umfeld. Kundinnen und Kunden recherchieren Produkte heute mit KI-Assistenten, KI-Agenten beginnen, in ihrem Auftrag zu kaufen, und Regulierer haben Fristen für Transparenz gesetzt. Die Fassung von 2024 stützte sich zudem auf eine viel zitierte Verbraucherstatistik und einen namenlosen Händler-Fall. Diese Ausgabe ersetzt beides durch datierte, belegte Zahlen.

• Rund 14% der US-Einzelhandelsunternehmen nutzen KI, etwa 17% erwarten dies binnen sechs Monaten (US Census Bureau, Mai 2026). Das liegt unter dem nationalen Durchschnitt von 19,8% und deutlich unter der Informationsbranche (39,7%).
• 30% bis 45% der US-Verbraucherinnen und -Verbraucher nutzen generative KI bereits für Produktrecherche und Vergleich (Bain & Company, November 2025).
• KI macht bei manchen Händlern bis zu 25% des Verweis-Traffics aus, aber weiterhin weniger als 1% des gesamten Traffics (Bain).
• Die Hälfte der Verbraucherinnen und Verbraucher möchte KI nicht eigenständig ganze Kaufvorgänge abwickeln lassen (Bain).
• Dem eigenen Shop-Assistenten eines Händlers vertrauen Kundinnen und Kunden dreimal mehr als einem Agenten eines Drittanbieters; Bain erwartet allerdings, dass sich dieser Abstand verringern kann.

Mit anderen Worten: Die KI-Nutzung im Handelsunternehmen ist noch überschaubar, die Kundschaft bewegt sich schneller. Diese Lücke ist eine Chance für Händler, die vertrauenswürdige eigene Kanäle aufbauen.

Der Kernkreislauf ist unverändert: Modelle verbinden Verkaufshistorie, Bestand, Wettbewerbspreise, Saisonalität und lokale Signale, prognostizieren die Nachfrage und empfehlen einen Preis oder ein Angebot; die Ergebnisse fließen zurück und verbessern das Modell. Drei Entwicklungen im Technologie-Stack sind für den Handel jetzt wichtig:

• Sprachmodelle sind in Handelsvolumen bezahlbar. Kleine Modelle von OpenAI (GPT-6 Luna) und Anthropic (Claude Haiku 5.5) kosten ab 0,10 US-Dollar je Million Eingabe-Tokens; die Preise der Flaggschiffe unterscheiden sich etwa um den Faktor 100. Personalisierte Produkttexte, Suche und Service-Antworten lassen sich in großer Menge erzeugen, mit messbaren Kosten je Interaktion.
• Händler nutzen mehrere Modelle. 81% der großen Unternehmen arbeiten mit drei oder mehr Modellfamilien (a16z). Modelle werden auch abgeschaltet: OpenAI stellt die Versionen von GPT-4o und GPT-4.1 am 14. Januar 2027 ein. Jeder kundennahe Workflow braucht daher vor einem Modellwechsel einen Test.
• Agenten kommen in den Handel. Die Ausgaben für KI-Agenten und -Assistenten sollen von 29,2 Mrd. US-Dollar 2026 auf 65,5 Mrd. US-Dollar 2027 steigen (Gartner). Zugleich erwartet Gartner, dass bis Ende 2027 mehr als 40% der Agenten-Projekte eingestellt werden. Begrenzen Sie die Berechtigungen von Agenten eng, vor allem bei allem, was einen Preis ändert oder eine Zahlung auslöst.

Personalisierung schafft nur Wert, wenn Kundinnen und Kunden sie annehmen. Daraus folgen drei praktische Punkte.

Die Kundenbeziehung selbst halten. Bain empfiehlt Händlern, den „Kundengraben zu vertiefen“ mit exklusiven Produkten und Treuevorteilen, Retail Media für Anfragen in natürlicher Sprache neu zu denken und Erstanbieterdaten sowie den Bezahlvorgang möglichst in eigener Hand zu behalten.

Die KI erklären. In der EU verlangt Artikel 50 der KI-Verordnung seit 2. August 2026, dass Menschen erfahren, wenn sie mit einem KI-System interagieren, etwa mit einem Einkaufsassistenten. Ab 2. Dezember 2026 müssen generative Systeme, die bereits auf dem Markt sind, synthetische Ausgaben einschließlich Produktbildern maschinenlesbar kennzeichnen (Verordnung (EU) 2026/1744).

Quellenkontext: EU AI Act · consolidated 2026-07-27 ↗

Wissen, welche Entscheidungen reguliert sind. Die Kreditwürdigkeitsprüfung natürlicher Personen, etwa für Ratenzahlung an der Kasse, ist eine Hochrisiko-Anwendung nach Anhang III mit Pflichten ab 2. Dezember 2027. In den USA gelten Regeln von Colorado und Kalifornien zu automatisierten Entscheidungen mit erheblicher Wirkung ab 1. Januar 2027. Personalisierte Preise sind in mehreren Märkten zudem ein Thema des Verbraucherschutzes; prüfen Sie vor dem Start die Informationspflichten in jedem Markt, in dem Sie verkaufen.

KI im Handel beginnt oft mit Kundenservice und Suche. Klären Sie für eine europäische Vorauswahl die vertraglichen Standorte für Speicherung, Inferenz, Sicherungen und Unterauftragnehmer. Unterscheiden Sie, ob Kundendaten standardmäßig vom Training ausgeschlossen sind, erst nach Opt-in genutzt werden oder ein Opt-out erforderlich ist. Auch die Abrechnungseinheiten unterscheiden sich: etwa pro Lösung, pro Nutzerplatz oder als abgegrenztes Angebot. Lassen Sie Standorte, Trainingsbedingungen und Abrechnungseinheit vor dem Einsatzvergleich schriftlich bestätigen.

Gemessene Effekte gibt es: Im Kundenservice steigerte ein generativer KI-Assistent die gelösten Anfragen pro Stunde um 14% im Schnitt und um 34% bei weniger erfahrenen Kräften (NBER).

Die Bewertungsmethoden von 2024 bleiben richtig, mit schärferen Regeln:

• Mit Kontrollgruppe arbeiten. Lassen Sie KI-Preise oder Personalisierung gegen eine Vergleichsgruppe von Filialen, Produkten oder Kundinnen und Kunden laufen, damit Saison und Aktionen das Ergebnis nicht verzerren.
• Marge messen, nicht nur Umsatz. Verfolgen Sie Konversion, Bruttomarge, Abschriftenquote und Retourenquote gemeinsam.
• KI-gestützte Produktsuche verfolgen. Messen Sie den von KI vermittelten Traffic und seine Konversion getrennt; er ist heute klein, wächst aber.
• Vertrauenssignale beobachten. Beschwerdequote, preisbezogene Servicekontakte und Abmeldungen zeigen, ob die Personalisierung angenommen wird.
• Abbruchbedingung vereinbaren. Legen Sie vorab fest, welches Ergebnis den Piloten skaliert und welches ihn beendet.

Dynamische Preisgestaltung verändert Preise anhand von Nachfrage, Bestand oder Zeitpunkt. Personalisierte Preisgestaltung variiert Preise oder Rabatte anhand von Informationen über eine Person oder Gruppe. Personalisierte Warenpräsentation verändert die angezeigte Auswahl, auch wenn die Preise gleich bleiben. Ein Handelsunternehmen sollte zuerst bestimmen, welche Praxis es plant. Werden alle drei als Personalisierung bezeichnet, bleiben betriebliche und verbraucherbezogene Fragen unklar.

Die Unterscheidung verbessert auch den Versuch. Ein Rabattvorschlag und eine automatische Preisänderung benötigen unterschiedliche Befugnisse und Prüfungen. Eine andere Produktrangfolge kann Kunden beeinflussen, ohne einen Preis zu verändern. Benennen Sie Handlung, betroffene Gruppe und die Person, die den Versuch stoppen darf. Das Geschäftsziel muss konkret sein: bessere Marge, weniger Abfall, leichtere Produktsuche oder ein anderes messbares Ergebnis.

Die FTC untersuchte im Januar 2025, wie Vermittler detaillierte Verbraucherinformationen zur Beeinflussung von Preisen und Angeboten einsetzen können. Die ersten Erkenntnisse und hypothetischen Beispiele belegen nicht, dass jedes Handelsunternehmen so vorgeht. Sie geben jedoch einen sachlichen Anlass, Daten und Ableitungen eines geplanten Personalisierungsdienstes zu prüfen. Quelle der FTC.

Ein hypothetischer Händler erwägt eine personalisierte Aktion. In einer Vergleichsgruppe führen 1.000 geeignete Besuche zu 100 Bestellungen mit jeweils 20 Euro Beitrag, insgesamt 2.000 Euro. Eine gleich große Testgruppe erreicht 120 Bestellungen mit nach Rabatt jeweils 15 Euro Beitrag, also 1.800 Euro. Die Abschlussquote steigt, während der Beitrag sinkt. Diese Zahlen erläutern die Rechnung. Sie sind weder ein Kundenergebnis noch eine Prognose.

Damit ist der Vergleich noch nicht vollständig. Berücksichtigen Sie Retouren, Abwicklung, Servicekontakte und Veränderungen im Warenkorb. Die Gruppen müssen vergleichbar sein. Prüfen Sie, ob Kunden zwischen Kanälen wechseln oder Käufe bis zum nächsten Rabatt verschieben. Ein kurzer Versuch erfasst Wiederkäufe und Beschwerden möglicherweise nicht. Vereinbaren Sie, welche Beobachtungen für die nächste Entscheidung ausreichen, statt aus einem Versuch jede Geschäftsfrage beantworten zu wollen.

Betrachten Sie außerdem die Verteilung. Ein Durchschnitt kann verdecken, dass eine Gruppe regelmäßig schlechtere Angebote erhält oder besonders häufig wechselnden Preisen ausgesetzt wird. Das Unternehmen braucht Regeln für akzeptable Behandlung und einen Weg zur Beschwerdeprüfung. Die Fähigkeit eines Modells, ein Ziel zu optimieren, belegt nicht, dass dieses Ziel die gewünschte Kundenbeziehung beschreibt.

Halten Sie fest, welcher Preis tatsächlich beim Kunden ankam. Eine Empfehlung im Modellprotokoll ist etwas anderes als eine im Warenkorb sichtbare Bedingung. Ohne diesen Bezug kann der Versuch mit einer Konfiguration ausgewertet werden, die nie vollständig ausgeliefert wurde. Zur brauchbaren Messung gehören deshalb Empfehlung, Ausspielung und tatsächlicher Geschäftsabschluss als unterschiedliche Ereignisse.

Das Empfehlungssystem sollte seine kaufmännischen Grenzen nicht selbst definieren. Der Händler kann Preisbereiche, Mindestmargen, ausgeschlossene Produkte und Freigaben vorgeben. Ein Vorschlag außerhalb dieser Grenzen wird zurückgestellt und nicht zur neuen Regel. Die Befugnis zur Veröffentlichung eines Preises bleibt von der Fähigkeit zur Nachfrageprognose getrennt.

Prüfen Sie gewöhnliche Fehlerfälle: veralteter Bestand, fehlende Wettbewerbsdaten, falsche Währung und wiederholte Aktualisierung. Verfolgen Sie, wie eine menschliche Korrektur alle betroffenen Kanäle erreicht. Website, App und Preisschild dürfen nicht unbemerkt auseinanderlaufen, weil Aktualisierungen zu unterschiedlichen Zeiten eintreffen. Für fehlende Quellen braucht es einen definierten Ersatzweg.

Kann ein Agent eine Transaktion abschließen, müssen Kundeneinwilligung, Ausgabenlimit und genaue Bestellung feststehen. Produktwechsel oder Preisänderung können eine erneute Zustimmung verlangen. Ein erfolgreiches Gespräch beweist weder angenommene Bestellung noch abgeschlossene Zahlung. Diese Zustände bestimmt das maßgebliche Transaktionssystem. Eine unklare Antwort wird vor einer Wiederholung abgeglichen.

Menschen sollten den relevanten KI-Einsatz ohne Architekturstudium verstehen können. Erläutern Sie, ob sie mit einem Assistenten sprechen, wie sie eine Person erreichen und wo wichtige Angebotsbedingungen stehen. Die allgemeine Aussage, das Unternehmen nutze verantwortungsvolle KI, erklärt weder einen unerwarteten Preis noch eine abgelehnte Anfrage.

Sammeln Sie nicht allein deshalb zusätzliche Personendaten, weil ein Modell sie verarbeiten könnte. Fragen Sie nach der Notwendigkeit für den vorgesehenen Nutzen und nach weniger eingreifenden Alternativen. Datenschutz und Verbraucherschutz sind für die tatsächliche Praxis und den jeweiligen Markt zu beurteilen. Dieser Beitrag liefert dafür Fragen und keine allgemeine Feststellung zur Rechtmäßigkeit personalisierter Preise.

Prüfen Sie die Erklärung in den tatsächlich verwendeten Sprachen und Kanälen. Mobiler Hinweis, Produktseite, Warenkorb und Serviceantwort sollten zusammenpassen. Erhalten Sie einen zugänglichen Weg, folgenreiche Fehler anzufechten. Wiederkehrende Beschwerden können einen Mangel aufzeigen, der in der durchschnittlichen Abschlussquote unsichtbar bleibt.

Auch Beschäftigte benötigen dieselbe Erklärung. Wer eine Kundenrückfrage beantwortet, muss erkennen können, welche Regel für den angebotenen Preis galt. Sonst entsteht eine zusätzliche Belastung im Service. Die interne Auskunft sollte deshalb den konkreten Vorgang erklären können, ohne unnötige persönliche Profile offenzulegen oder den gesamten Modellablauf nacherzählen zu müssen.

Vor dem Start betrachtet die kaufmännisch verantwortliche Person das genaue Angebot aus Kundensicht. Prüfen Sie Produkt, Preis, Währung, Berechtigung, Dauer und den Einfluss von Retouren. Modellvorschlag und veröffentlichte Aktion sind unterschiedliche Zustände. Die Auswertung muss erkennen lassen, welchen davon sie misst.

Lassen Sie das Serviceteam die Aktion mit denselben Informationen erklären, die Kunden erhalten. Können Beschäftigte die Preisregel nicht erläutern, wird das vor einer Ausweitung untersucht. Eine Erklärung sollte die relevante Bedingung verständlich machen, ohne Daten anderer Personen preiszugeben oder jeden Modelleffekt in eine scheinbar einfache Geschichte zu verwandeln.

Spielen Sie danach eine Korrektur durch. Ein falscher Preis, eine abgelaufene Aktion oder ein Widerspruch muss die zuständige Rolle erreichen. Klären Sie den Abgleich zwischen Website, Warenkorb, Bestätigung und Servicevorgang. Eine erfolgreiche Änderung in einer Oberfläche beweist nicht die Aktualisierung aller sichtbaren Zustände.

Bestimmen Sie zuletzt, wozu der Versuch berechtigt. Ein kleiner Aktionstest kann einen weiteren begrenzten Versuch rechtfertigen. Er erlaubt nicht automatisch individualisierte Preise für den gesamten Kundenstamm. Erhalten Sie getestete Gruppe und Bedingungen. Werden sie verändert, gehören Daten, Kundenerklärung, Wirtschaftlichkeit und rechtliche Bewertung erneut zusammen. Auch die Zuständigkeit für einen sofortigen Stopp bleibt benannt. Ein attraktiver Optimierungsvorschlag wird erst durch diese Verbindung zu einer beherrschbaren kaufmännischen Praxis. Der Umfang der Freigabe sollte für Betrieb und Kundenservice gleich verständlich sein.

Händler können mit Serviceantworten, Suche oder Unterstützung der Beschäftigten beginnen, bevor sie Preisänderungen freigeben. Im Handelsbereich des Prismas lassen sich Produkte erkunden. Prüfen Sie danach Datenverarbeitung, Abrechnung und Bereitstellung im Profil. Aus einer europäischen Anbieteradresse folgt keine Verarbeitung in der EU. Aus der Bezeichnung „Enterprise“ folgt keine Zusage gegen Trainingsnutzung. Nehmen Sie die wesentlichen Fragen in den Vergleich mit.

Ein AI Decision Brief kann eine begrenzte Auswahlliste bearbeiten. Für Wirtschaftlichkeit und Betriebsbedingungen ist der per Angebot vereinbarte Enterprise AI Opportunity Case geeigneter. Der Rechner macht Annahmen zu Volumen und Prüfung sichtbar. Die Anfrage sollte Geschäftsentscheidung, betroffene Kundenreise und benötigte Nachweise benennen.

Das nützliche Ergebnis verbindet Kundenbehandlung, betriebliche Kontrolle und Wirtschaftlichkeit. Eine höhere Abschlussquote allein leistet das nicht. Ebenso wenig genügt eine Rechtscheckliste ohne Verbindung zur tatsächlichen Preisausspielung. Ein tragfähiges Projekt macht diese Zusammenhänge vor einer breiten Einführung überprüfbar.

Was Sie jetzt entscheiden sollten

• Wählen Sie einen Anwendungsfall für Preisgestaltung oder Personalisierung und testen Sie ihn gegen eine Kontrollgruppe, mit Marge und Beschwerdequote als Erfolgsmaß.
• Entscheiden Sie, welche KI-Kanäle Sie selbst besitzen wollen (Shop-Assistent, Treueprogramm, Bezahlvorgang) und welche Drittanbieter-Agenten Sie zu welchen Datenbedingungen bedienen.
• Ordnen Sie jedem kundennahen KI-System seine Informationspflichten zu: Artikel 50 jetzt, maschinenlesbare Kennzeichnung ab 2. Dezember 2026, Kreditentscheidungen ab 2. Dezember 2027.

Quellenkontext: EU AI Act · consolidated 2026-07-27 ↗

Branchenbelege zu Handel & Konsumgüter und das vollständige Einkaufs-Arbeitsblatt finden Sie in der Good AI Prisma Global Market Study 2026/27 unter ethority.ai/ai-prism-study.

• US Census Bureau, KI-Nutzung von Unternehmen (Mai 2026): https://census.gov/library/stories/2026/05/ai-use-businesses.html
• Bain & Company, Agentic AI poised to disrupt retail (13.11.2025): https://www.bain.com/about/media-center/press-releases/20252/agentic-ai-poised-to-disrupt-retail-even-with-50-of-consumers-cautious-of-fully-autonomous-purchasesbain--company/
• OpenAI, Preise GPT-6.1 Sol und Luna: https://openai.com/index/introducing-gpt-6-1-sol/
• Anthropic, Modellübersicht: https://platform.claude.com/docs/en/about-claude/models/overview
• a16z, Enterprise-KI-Umfrage (Jan. 2026): https://a16z.com/leaders-gainers-and-unexpected-winners-in-the-enterprise-ai-arms-race/
• OpenAI, Deprecations: https://developers.openai.com/api/docs/deprecations
• Gartner, Prognose weltweiter KI-Ausgaben (Sep. 2026): https://gartner.com/en/newsroom/press-releases/2026-09-16-gartner-forecasts-worldwide-ai-spending-to-grow-49-point-5-percent-in-2026
• Gartner, Abbruch von Agenten-Projekten: https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
• Verordnung (EU) 2026/1744: https://eur-lex.europa.eu/eli/reg/2026/1744/oj/eng
• Lewis Silkin, Digital Omnibus on AI (Juli 2026): https://www.lewissilkin.com/en/insights/2026/07/27/the-digital-omnibus-on-ai-enters-into-force-today-102nedo
• Colorado SB 26-189: https://leg.colorado.gov/bills/sb26-189
• California Privacy Protection Agency, ADMT-Regeln: https://privacy.ca.gov/2025/09/california-finalizes-regulations-to-strengthen-consumers-privacy/
• NBER Working Paper 31161: https://www.nber.org/papers/w31161
• ETHORITY, Good AI Prisma Global Market Study 2026/27: https://ethority.ai/ai-prism-study

Aktualisierte Ausgabe des Beitrags, der 2024 erstmals auf ethority.net erschien; das Original bleibt archiviert.