Die KI-Diskussion im Handel kreist um Modelle und Use-Cases. Pricing-AI, Forecast-AI, Sortiments-AI: Algorithmen, Demos und ROI-Versprechen prägen den Diskurs auf den relevanten Konferenzen. Die Frage, auf welcher Datenbasis diese Algorithmen tatsächlich rechnen, wird seltener gestellt.
Für den Handelseinkauf lautet die belastbare Antwort: auf Daten, die in den meisten Organisationen strukturell nicht zusammenkommen. Konditionen liegen im ERP. Rückvergütungen entstehen im Bonus-Tool oder in Excel. Verträge sind als PDF abgelegt, Side-Letter im Mailverkehr, Bestandsbewegungen im Warenwirtschaftssystem. Diese Trennung ist nicht das Versäumnis einer einzelnen IT-Abteilung, sondern die strukturelle Realität in den meisten mittelständischen Handelsorganisationen.
Anwendungsfelder, die heute tragfähig sind
Steht die Datengrundlage, lassen sich im Handelseinkauf drei Anwendungsfelder konkret und produktiv besetzen.
Verhandlungsvorbereitung mit quantifizierten Argumenten. Eine KI mit Zugriff auf das gesamte Konditionsgerüst kann pro Verhandlungstermin innerhalb von Minuten ein Briefing erzeugen: Outlier-Positionen im internen Benchmark, ungenutzte Caps, knapp verfehlte Bonusstaffeln, Margenwirkung simulierter Konditionsbewegungen. Diese Funktion ersetzt keine Verhandlung. Sie verkürzt die Vorbereitungszeit erheblich und stellt eine konsolidierte Argumentationsbasis bereit.
Markdown- und Retoure-Entscheidung auf Artikelebene. Eine KI mit Sicht auf Bestand, Sell-Through, Margenstatus und hinterlegte Retouren-Konditionen kann pro Artikel bewerten, welche Option am Stichtag wirtschaftlich am sinnvollsten ist. Es handelt sich um eine Optimierungsrechnung mit definierten Inputs, die kontinuierlich aktualisiert wird und die periodische Excel-Pflege ersetzt.
Rebate-Forecast und Bilanzqualität. Eine KI, die jede Wareneingangsbuchung gegen das aktuelle Bonus-Regelwerk rechnet, liefert eine tagesgenaue Rückstellung statt einer quartalsweisen Schätzung. Der Wirtschaftsprüfer hat eine belastbarere Datengrundlage, der Jahresabschluss enthält weniger Korrekturen aus abweichenden Bonus-Abrechnungen.
Anwendungsfelder, die mit KI nicht abgedeckt werden
Eine KI im Handelseinkauf führt keine Verhandlungen autonom. Sie übermittelt keine Konditionsänderungen an Lieferanten ohne menschliche Freigabe. Sie ersetzt keine persönliche Beziehungsführung und keine Erfahrung mit Side-Letter-üblichen Gepflogenheiten einzelner Lieferanten. Sie reduziert nicht die Lieferantenzahl per se.
Eine KI-Einführung mit diesen Erwartungen scheitert vorhersehbar. Eine Einführung als Bearbeitungs- und Auswertungsbeschleuniger eines komplexen Datenraums liefert ein Werkzeug, das die analytische Arbeit übernimmt, die in der manuellen Excel-Pflege regelmäßig unterbleibt.
Häufige Muster im Scheitern von KI-Piloten
Drei Muster treten in nicht erfolgreichen Pilotprojekten der vergangenen Jahre gehäuft auf.
Im ersten Muster erhält die KI nur einen Ausschnitt der Daten, weil weitere Systeme nicht angebunden sind. Die Empfehlungen basieren auf einer Teilsicht und werden im operativen Betrieb nach kurzer Zeit ignoriert, weil sie an der Realität vorbeigehen.
Im zweiten Muster läuft die KI auf einer generischen Datenarchitektur, die mit der Retail-Logik der vier Konditionsklassen nicht umgehen kann. Konzepte wie Margengarantie mit Stichtag und Bezugsebene pro Marke gehören nicht zum Standard-Datenmodell allgemeiner Sprachmodelle. Ohne vorgebaute Modellierung entstehen Halluzinationen, die im ersten Audit auffallen.
Im dritten Muster ist kein Owner für die laufende Datenpflege definiert. Konditionen werden weiter in Excel verhandelt und nicht in die Plattform zurückgespielt. Innerhalb weniger Monate ist die KI-Basis veraltet, und das Vertrauen der Einkaufsorganisation in die Empfehlungen verschwindet.
Voraussetzungen einer tragfähigen Datenebene
Eine Plattform, in der die Retail-Logik strukturell vorgebaut ist: Konditionsstaffeln mit Saison- und Stichtagsbezug, Bezugsebene pro Marke und Bereich, Caps mit Auslösebedingung, Wachstumsbonus mit rückwirkender Rückzahlung bei Nicht-Erreichung. Diese Mechaniken sind keine Edge-Cases, sondern die operative Realität des Handels und gehören in das Datenmodell, nicht in nachgelagerte Workarounds.
Eine KI auf dieser Basis kann spezialisierte Agenten für Verhandlung, Retoure, Forecast und Margenanalyse betreiben. Sie ist kein nachgelagerter Layer auf einem Standard-BI, sondern strukturell mit dem Datenmodell verwoben. Dieser Unterschied entscheidet darüber, ob ein KI-Projekt im Handelseinkauf nach sechs Monaten produktiv genutzt wird oder ohne Wirkung bleibt.
Drei Prüffragen an KI-Anbieter im Handelseinkauf
Welche der vier Konditionsklassen führt die Plattform sauber im Datenmodell, einschließlich Staffeln, Caps, Bezugsebenen und Stichtagen.
Wie wird die Aktualität der Konditionsdaten sichergestellt, insbesondere bei Sondervereinbarungen, die unterjährig verhandelt werden.
Wie wird sichergestellt, dass Empfehlungen über die Pilotphase hinaus akzeptiert werden und im operativen Workflow Anwendung finden.
Allgemeine Antworten auf diese Fragen disqualifizieren das Tool unabhängig von der Qualität der Algorithmen. Konkrete Antworten rechtfertigen die nächste Stufe der Evaluation.
