KI im E-Commerce: vom Support bis zu Empfehlungen und Inhalten

Ein Online-Shop hat drei Engpässe, bei denen KI wirklich hilft: Support, der nicht hinterherkommt; Angebote, die nicht treffen; und Inhalte, die zu umfangreich sind, um sie manuell zu erstellen. Der Reihe nach.

Kundenservice 24/7#

Kunden fragen zu jeder Tageszeit nach Verfügbarkeit, Lieferung, Rückgaben und Produktparametern. Concierge RAG antwortet mit eurem Wissen – mit Zitaten von der Produktseite oder den AGB – und eskaliert ungewöhnliche Fälle an einen Menschen. Das ist kein regelbasierter Chatbot: der Unterschied zwischen einem Agenten und einem Chatbot zeigt sich genau dort, wo die Antwort in Dokumenten gefunden und mit einer Quelle belegt werden muss (RAG). Verkauft ihr auf mehreren Märkten? Der mehrsprachige Helpdesk bedient jede Sprache mit einem Team.

Der schnellste messbare Return ist ein Pilot von 4-6 Wochen auf Basis eures Produkt- und Bestellwissens. Im E-Commerce sind viele Tickets wiederkehrende Fragen – „Wo ist mein Paket“, Verfügbarkeit und Rückgaben – und genau hier schließt der Bot das Gespräch selbst ab (Containment) und übergibt den Rest an einen Menschen. Eine realistische, ehrliche Spanne für einen gut abgegrenzten Start liegt grob bei der Hälfte bis zwei Dritteln der Routineanfragen, die ohne Mitarbeiter bearbeitet werden; der Rest landet in der Warteschlange. Wir versprechen keinen festen Prozentsatz im Voraus – er hängt vom Sortiment, von der Qualität eurer Wissensbasis und davon ab, wie eng ihr den ersten Umfang definiert. Das Ergebnis messen wir am echten Traffic, wir erklären es nicht im Angebot.

Anpassung und Empfehlungen#

Nicht jeder Lead und nicht jeder Warenkorb ist gleich. Predictive Scoring verwandelt eine flache Liste in Prioritäten: welche abgebrochenen Warenkörbe gerettet, welche Kunden besonders betreut, was empfohlen werden soll. Unter der Haube berechnen BGE-M3-Embeddings (Modell) die Ähnlichkeit von Produkten lokal – dieselbe Mechanik wie die semantische Suche im Katalog: „Regenjacke für die Berge“ findet ein Produkt, das als „wasserdichte Trekkingjacke“ beschrieben ist, obwohl sie kein gemeinsames Wort teilen. Alles, ohne Kundendaten in die Cloud zu senden.

Der abgebrochene Warenkorb ist der am besten messbare Hebel auf der Seite der Anpassung: das Scoring entscheidet, an welche Warenkörbe eine Erinnerung zurückkehrt, mit welcher Botschaft und wann – statt eine Vorlage an alle zu schicken. Das ist kein Versprechen von „X % Rückgewinnung“ – der Effekt hängt von Marge, Sortiment und davon ab, ob der Warenkorb wegen des Preises, der Versandkosten oder einfacher Unentschlossenheit abgebrochen wurde. Der Sinn ist: ihr lenkt dasselbe Erinnerungsbudget dorthin, wo die Abschlusschance wirklich höher ist, und lest das Ergebnis aus einem A/B-Test auf eurem eigenen Traffic.

Inhalte im großen Maßstab#

KI generiert die erste Version von Inhalten aus euren Daten (Parameter, Kategorien), und der Mensch gibt sie frei – schneller als von Grund auf zu schreiben, ohne Kontrolle über Qualität und Ton zu verlieren. Entscheidende Bedingung: die Beschreibung entsteht aus den tatsächlichen Feldern des Produkts, nicht aus der freien Fantasie des Modells. Wie man KI-Halluzinationen begrenzt beim Generieren von Beschreibungen – durch Verankerung in Daten und einen Freigabeschritt – beschreiben wir separat, ebenso wie den breiteren Ansatz zu KI im Content-Marketing.

Die Praxis zeigt: bei einem Katalog mit Tausenden SKUs ist das Modell „Entwurf, dann korrigiert ein Mensch“ um ein Vielfaches schneller als das Schreiben von Grund auf – der Redakteur prüft und feilt am Ton, statt Satz für Satz zu formulieren. Wir nennen keinen festen Faktor, weil er davon abhängt, wie strukturiert eure Eingabedaten sind (je sauberer die Felder, desto besser der Entwurf und desto weniger Korrekturen). Die Betriebsregel bleibt konstant: nichts geht ohne menschliche Freigabe in den Shop, und das Modell ergänzt keine Parameter, die nicht in den Daten stehen.

Wann der Bot, wann ein Mensch#

Die Grenze verläuft nicht zwischen „einfachen“ und „schwierigen“ Fragen, sondern entlang der Fehlerkosten. Wo ein Fehler eine kleine Unannehmlichkeit ist, kann der Bot das Gespräch selbst abschließen. Wo ein Fehler einen finanziellen Verlust, einen Streit oder eine beschädigte Beziehung bedeutet, entscheidet ein Mensch.

Der Bot muss eine niedrige Schwelle für die Übergabe an einen Menschen haben: der Kunde schreibt jederzeit „verbinde mich mit einem Berater“ und landet in der Warteschlange. Die Containment-Rate durch das Erschweren dieses Transfers in die Höhe zu treiben, ist nicht nur unethisch – im Verbraucherservice setzt es den Shop dem Vorwurf der Irreführung aus.

Was messen#

KI im E-Commerce steigert den Umsatz indirekt – durch besseren Support und treffsicherere Anpassung. Deshalb messen wir nicht „Umsatzwachstum dank KI“ als eine einzelne Zahl (zu viele Faktoren wirken darauf ein), sondern harte indirekte Kennzahlen:

• Containment-Rate – der Anteil der Gespräche, die der Bot ohne Berater abschließt. Sie wächst mit der Qualität der Wissensbasis.
• Handoff-Rate und Zeit bis zum Menschen – wie viele Gespräche in die Warteschlange gehen und wie schnell der Kunde einen Berater erreicht.
• Bearbeitungszeit eines Tickets – von der Anfrage bis zur Lösung; hier spart KI am meisten bei wiederkehrenden Fällen.
• CTR und Conversion auf KI-generierten Beschreibungen – im A/B-Test mit manuell geschriebenen Beschreibungen verglichen, nicht im Voraus erklärt.
• Einfluss auf Retouren – ob bessere, konsistente Beschreibungen und Vorverkaufssupport den Anteil der „nicht so, wie ich dachte“-Retouren senken.

Jede dieser Kennzahlen lesen wir aus echtem Traffic, gegen eine Kontrollgruppe. Die ehrliche Reihenfolge ist: zuerst den aktuellen Stand messen (Baseline), dann auf engem Umfang ausrollen, dann vergleichen – kein versprochener Prozentsatz im Angebot.

AI Act und DSGVO im E-Commerce#

Ein Online-Shop verarbeitet bei jeder Transaktion sensible Daten: Adressen, Rechnungsdaten, Kaufhistorie und oft Kartennummern (meist auf der Seite des Zahlungsdienstleisters). All das sind PII, also gestalten wir den Support so, dass diese Daten nicht an externe Modelle gelangen.

• PII-Maskierung vor der Cloud. Bevor irgendetwas ein Cloud-Modell erreicht, werden personenbezogene Daten erkannt und durch Tokens ersetzt (z. B. eine Bestellnummer oder Adresse wird zum Platzhalter), und die Antwort wird lokal wieder zusammengesetzt.
• Lokale Embeddings und Datenresidenz. Produktähnlichkeit und Suche berechnen BGE-M3-Embeddings in eurer eigenen Infrastruktur – Kundendaten verlassen eure Umgebung nicht. Das ist eine bewusste Entscheidung zur Datenresidenz, kein Nebeneffekt.
• Pflicht zur Offenlegung des Bots. Ab dem 2. August 2026 muss der Kunde wissen, dass er mit einem KI-System spricht, bevor er irgendwelche Daten angibt. Der Support-Chat gibt sich als automatisch zu erkennen – den Bot als Menschen auszugeben, ist ausdrücklich verboten. Die Details der Unternehmenspflichten fasst der Artikel AI Act und DSGVO 2026 zusammen.

Kundenservice und Empfehlungen im Shop sind in der Regel kein Hochrisikosystem im Sinne des AI Act – aber die Transparenzpflichten (Offenlegung des Bots), die menschliche Aufsicht über unumkehrbare Aktionen und die DSGVO gelten unabhängig von der Klassifizierung. Die Klassifizierung einer konkreten Umsetzung sollte mit einem Juristen bestätigt werden.

Was KI nicht kann#

Sie erfindet keine Strategie für euch, ersetzt kein gutes Produktfoto und repariert kein schwaches Angebot. Sie entlastet von repetitiver Arbeit und erhöht die Trefferquote – aber die Grundlagen des Shops (Sortiment, Preise, Logistik) bleiben in menschlicher Hand.

Live ausprobieren#

Der Kern von Support und Inhalten basiert auf euren Daten. Füge eine Beschreibung ein und sieh dir die Zusammenfassung in unserem Sandbox an (Playground: PII maskiert, keine Speicherung):

FAQ#

Steigert KI im E-Commerce wirklich den Umsatz?#

Indirekt, über zwei Hebel: besserer Support (schnellere, konsistente Antworten 24/7 reduzieren Abbrüche und Retouren) und bessere Anpassung (Prioritäten und Empfehlungen treffen den Kunden). Das ist kein Zaubertrick für die Conversion, sondern Entlastung des Teams und höhere Trefferquote dort, wo heute flache Listen und Ticket-Warteschlangen sind.

Sind Kundendaten sicher?#

Ja. Embeddings und Suche bleiben lokal, und PII maskieren wir vor dem Senden in die Cloud. Bestell- und Kundendaten verlassen eure Infrastruktur nicht – das ist eine bewusste Entscheidung zur Datenresidenz, konform mit DSGVO.

Wo anfangen im Shop?#

Beim Kundenservice auf Basis eures Produktwissens – das bringt den schnellsten messbaren Return (weniger Tickets für das Team, schnellere Antworten). Konkret: ein enger Umfang (Bestellstatus, Verfügbarkeit, Rückgaberegeln), ein Pilot von 4-6 Wochen, eine vor dem Start gemessene Baseline. Erst danach kommen Anpassung (abgebrochene Warenkörbe, Empfehlungen) und Inhaltsgenerierung hinzu. Die Bereitschaft der Organisation bewertet das Tool Readiness-Check.

Was kostet das?#

Es hängt von Umfang und Skalierung ab. Support auf Basis eures Wissens mit einem lokalen Modell ist vor allem ein Kosten für Infrastruktur und Umsetzung, ohne Gebühren pro Gespräch; die Beschreibungsgenerierung kommt als separates Modul hinzu. Wir nennen keine einzelne Summe ohne Kontext – ein echter Kostenvoranschlag für euer Volumen und Sortiment berechnet der ROI-Rechner, und die Inferenzkosten der Inferenz-Rechner. Ausgangspunkt ist immer ein enger, messbarer Pilot, nicht das Ausrollen von allem auf einmal.

Wie misst man, ob es funktioniert?#

Am echten Traffic, mit einer Kontrollgruppe. Zuerst eine Baseline (Containment, Bearbeitungszeit, Retourenquote, Conversion auf Beschreibungen), dann ein Rollout auf engem Umfang, dann ein A/B-Vergleich. Der Umsatz wächst indirekt, also schreiben wir nicht alles der KI zu – wir betrachten die indirekten Kennzahlen, die wir wirklich kontrollieren: wie viele Gespräche der Bot selbst abschließt, wie schnell ein Fall einen Menschen erreicht und ob bessere Beschreibungen die CTR steigern und Retouren senken.