schuhkurier: Künstliche Intelligenz gilt derzeit als eines der wichtigsten Zukunftsthemen im Handel. Wie verändert KI den Mode- und Schuhhandel in den kommenden Jahren?
Tobias Ring: Die größte Verschiebung sehe ich in der Customer Journey selbst. Kundinnen und Kunden suchen nicht mehr nur über klassische Suchanfragen, sondern zunehmend gemeinsam mit KI-Systemen, die ihre Absicht verstehen und passende Produkte direkt vorschlagen.
Wie verändert KI die Produktsuche – sowohl im Shop als auch außerhalb?
KI-Suche wird das Einkaufsverhalten der nächsten Generation so grundlegend verändern, wie die Google-Suche einst den Massenmarkt für Suchmaschinen geöffnet hat. Sprachmodell-Anwendungen werden das Verhalten im gesamten Handel verschieben. KI-Suchsysteme verstehen Absicht und Kontext oft präziser als andere Kanäle, weil sie mehr Informationen gebündelt verarbeiten können. Dadurch ordnen sie passende Produkte genauer den passenden Kunden zu.
Außerhalb des eigenen Shops entstehen ganz neue Einstiegspunkte. KI-Agenten können heute bereits im Auftrag von Kunden Produkte vergleichen und sogar bestellen. Erste Plattformen sind bereits angebunden. Sie unterstützen diese Entwicklung technisch über offene Protokolle: KI-Agenten können – sofern Händler das freigeben – auf strukturierte Shop-Daten zugreifen, etwa zur Produktsuche, während die Zahlungsabwicklung und Kontrolle bewusst im System der Händler bleiben. Wer in diesen neuen Suchergebnissen nicht auffindbar ist, verschwindet für einen wachsenden Teil der Kundschaft komplett vom Radar.
Was heißt das konkret für den Schuhfachhandel?
Für den Schuhhandel bedeutet das, dass der Onlineshop künftig vor allem eins liefern muss: strukturierte, maschinenlesbare Produktdaten. Sonst taucht ein Schuh in den neuen KI-gestützten Suchergebnissen schlicht nicht auf.
Gerade im Schuhhandel spielen Beratung und Passform eine große Rolle. Wie kann KI dabei helfen, Kunden online besser zu beraten und Kaufentscheidungen sicherer zu machen?
Passform ist online eines der schwierigsten Probleme, weil sie sich nicht in einer einzigen Zahl abbilden lässt, aber klassische Größentabellen bilden fast ausschließlich die Länge ab. So kann selbst bei exakt richtiger Größe ein Schuh drücken, wenn Breite, Spann oder der Schnitt des Leistens nicht passen. Wie geht das besser? Nehmen wir einmal einen Wanderschuh, der in den Bewertungen immer wieder als zu eng beschrieben wird. Ein KI-System kann automatisch Feedback-Muster erkennen und Kunden im Kaufprozess direkt zu einer größeren oder breiteren Passform raten. Das senkt Fehlkäufe schon heute messbar.
Eine weitere Möglichkeit sind Virtual-Try-On-Technologien: Kunden laden ein Foto hoch und sehen, wie ein Produkt an ihnen wirkt, statt sich allein auf ein Foto am Model verlassen zu müssen. 3D-Animationen zeigen zusätzlich, wie sich ein Schuh in Bewegung verhält. Ein Beratungsgespräch im Laden ersetzt das nicht vollständig, aber die Lücke wird spürbar kleiner.
Viele Händler experimentieren gerade mit KI. Welche Anwendungen funktionieren heute schon wirklich gut – also nicht nur als Pilot, sondern mit einem messbaren Effekt?
Ein Beispiel, das mich überzeugt, ist automatisiert erstellter Produkt-Content. Hier sehe ich auch kurzfristig die größten Hebel. Denn wenn Produktdaten nicht sauber gepflegt und für Systeme lesbar aufbereitet sind, ist jeder andere KI-Anwendungsfall von Anfang an eingeschränkt – von der Suche bis zur Personalisierung. KI-generierte Fotos und Videos verkürzen die Produktionszeit für neue Produktseiten und senken die Kosten gegenüber klassischen Shootings deutlich, da sie gleichzeitig auch kanalübergreifend produzieren. Das ist gerade bei großen, sich schnell ändernden Sortimenten ein enormer Hebel. Conversion-Optimierung wird damit vom Pokern zur Wissenschaft. Mit Scayle Studios lassen sich beispielsweise bis zu 95 % kürzere Produktionszeiten und bis zu 90 % geringere Kosten erzielen.
Im Suchbereich sehen wir einen ähnlichen Effekt: Wer eine Suchfunktion nutzt, kauft im Schnitt mehr ein als jemand, der nur stöbert, weil die Kaufabsicht bereits vorhanden ist. Wer also heute in bessere Produktdarstellung und -auffindbarkeit investiert, sieht den Effekt in den nächsten Wochen, nicht erst nächstes Jahr.
KI verspricht also gleichermaßen mehr Effizienz und mehr Umsatz. Warum scheitern dann so viele KI-Projekte?
Viele Unternehmen starten erst mal klein, was grundsätzlich der richtige Weg ist. Allerdings fehlen den Projekten oft eine übergeordnete Priorisierung und eine einheitliche Strategie. Daher bleiben viele KI-Projekte isolierte Insellösungen: Eine Abteilung testet einen Chatbot, eine andere ein Empfehlungssystem, ohne dass beides zusammengedacht wird. Das Ergebnis sind ein inkonsistenter Markenton, unklare Zuständigkeiten und ein Ansatz, der in Einzelprojekten stecken bleibt, anstatt zu einer echten Unternehmensstrategie zu werden. Eine aktuelle Gartner-Prognose bestätigt das: Demnach sollen mehr als 40 % aller Agentic-AI-Projekte bis Ende 2027 wieder eingestellt werden – meist wegen unklaren Geschäftsnutzens oder fehlenden Risikomanagements, selten wegen der Technologie dahinter. Ein weiterer häufiger Fehler: KI wird eingesetzt, bevor grundlegende Probleme in Checkout, Zahlungsoptionen oder Ladezeiten gelöst worden sind. KI bringt durch bessere Empfehlungen mehr kaufbereite Kunden in den Checkout. Und dort wird nun jedes ungelöste Problem sofort in Umsatzverlusten sichtbar, weil Kunden wieder abspringen. Meine Empfehlung: erst die Basis absichern, dann klare Regeln für den KI-Einsatz definieren – regelmäßige Tests, Fact-Checking und menschliche Kontrolle bei allen kundenzugewandten Projekten. Zudem sollten sensible Kundeninformationen nicht unbedacht an Systeme übergeben werden, deren Datenverarbeitung sich kaum kontrollieren lässt.
Sie haben es gerade angesprochen. Trotz des aktuellen Hypes ist KI ja nicht unumstritten. Wo sehen Sie die größten Chancen für Händler – und wo liegen vielleicht auch die größten Risiken?
Am meisten Potenzial sehe ich in der Personalisierung: KI erkennt Kaufabsicht und Verhaltensmuster in Echtzeit und das deutlich feiner als klassische Filter, was natürlich auch die Conversion Rate spürbar steigert. Aus unserer Erfahrung ist eine Steigerung um bis zu 20 % beim personalisierten Shopping und über 10 % bei personalisierten Kampagnen möglich. Genau darin liegt aber auch die größte Gefahr. Wichtig ist Fingerspitzengefühl: Sobald eine Empfehlung wirkt, als wisse sie zu viel über jemanden, kippt Personalisierung schnell ins Gegenteil. Transparenz darüber, wie Daten genutzt werden, und echte Kontrolle für Kunden sind deshalb eine Voraussetzung, keine Option. Ähnlich zweischneidig ist automatisierter Kundenservice. Der ist zwar rund um die Uhr verfügbar, aber sobald die Technik bei einer komplexeren Frage versagt, entwickelt sich aus der gewonnenen Effizienz schnell Kundenfrust. Eine Verbindung zu echten Mitarbeitenden muss deshalb immer gewährleistet bleiben.
Und wie wird sich das Thema Personalisierung weiterentwickeln? Was ist die Vision?
In den nächsten Jahren erwarte ich, dass Systeme über die reine Produktempfehlung hinauswachsen und zunehmend Stilpräferenzen verstehen und zu persönlichen Beratern werden. Gerade im Schuhhandel, wo Passform und Geschmack gleichermaßen zählen, macht das einen spürbaren Unterschied für die Kaufentscheidung.
KI lebt von guten Daten. Aber wer ist zukünftig Owner der Produktdaten, Händler oder Marke?
Marken werden auch künftig die Owner ihrer primären Produktdaten sein. Sie müssen zuverlässige Basisdaten liefern. Der Vorteil eines Händlers liegt darin, dass diese Daten dann mit eigenen Erfahrungen angereichert werden können: KI hilft dabei, Passform- oder Retouren-Feedback zu sammeln und eigene Verkaufsmuster zu nutzen – nicht nur beim Empfehlen der richtigen Größe, sondern auch, um passende Produktbundles vorzuschlagen, also z. B. das richtige Pflegemittel zum Schuh oder eine passende Tasche.
Liegt hier der Vorteil, den Händler gegenüber Marken ausspielen können?
Genau. Entscheidend ist, dass Händler dieses Wissen nicht nur in den Köpfen ihrer Mitarbeitenden oder in einzelnen Systemen liegen lassen. Wer Passform-, Retouren-, Beratungs- und Kaufdaten strukturiert zusammenführt, kann über Marken hinweg deutlich besser empfehlen als ein einzelner Hersteller. Genau darin liegt die Chance des Handels: nicht die Marke bei ihren Produktdaten zu übertreffen, sondern näher am tatsächlichen Bedarf des Kunden zu sein.
Welche Kompetenzen müssen Händler künftig aufbauen? Wie verändern sich die Anforderungen an die Teams durch KI?
Marken und Händler werden zunehmend zu Trainern ihrer eigens angepassten Modelle. Das heißt: Trainingsdaten kuratieren und regelmäßig prüfen, was ein System auf Anfragen antwortet – eine Kompetenz, die es in dieser Form vor wenigen Jahren noch gar nicht gab. Im Category Management verschiebt sich die Aufgabe hin zur bewussten Steuerung der KI-Sortimentslogik, damit Bestseller Nischenprodukte nicht automatisch verdrängen. Kuratierte Inhalte bleiben menschliche Arbeit. Im Marketing entscheidet sich zunehmend, wie gut Produktdaten für neue KI-Suchkanäle aufbereitet sind, nicht mehr nur die Qualität der klassischen Kampagne. Und im Kundenservice braucht es neue Aufsichtskompetenzen: Content-Filter einrichten, Genauigkeit prüfen, Freigabeprozesse für KI-generierte Antworten definieren. Über alle Bereiche hinweg braucht es neben der technischen Kompetenz vor allem Urteilsvermögen: das Gespür dafür, wann ein Mensch eingreifen muss.
Wenn Sie einem Händler nur einen Rat geben müssten: Mit welchem konkreten Anwendungsfall sollte er heute starten, um möglichst schnell einen messbaren Nutzen zu erzielen?
Ich würde mit der automatisierten Auswertung von Kundenbewertungen zur Größen- und Passformoptimierung starten. Der Aufwand ist überschaubar, die Technik existiert bereits, und der Effekt auf die Retourenquote lässt sich innerhalb weniger Wochen messen – nicht erst nach einem Jahr Projektlaufzeit. Wichtig ist nur, vorher sicherzustellen, dass die eigenen Produktdaten und Bewertungen überhaupt in einer strukturierten Form vorliegen, sonst hat auch der einfachste Anwendungsfall keine Grundlage. Mein genereller Rat dabei: lieber mit einem konkreten, klar messbaren Anwendungsfall anfangen als mit einer großen KI-Strategie, die ein Jahr lang nur auf dem Papier existiert.
