Der größte Hebel sitzt oft nicht im Shop-Chat

Wenn im Onlinehandel über KI gesprochen wird, landet die Diskussion schnell beim Chatbot im Frontend. Das ist verständlich, weil der Anwendungsfall sichtbar ist. Für den kaufmännischen Mittelstand ist das aber oft nicht der Bereich mit dem schnellsten, saubersten Nutzen.

In der Praxis liegen die ersten belastbaren Hebel häufig weiter hinten im Betrieb. Genauer gesagt an zwei Stellen, die fast jeder Onlinehändler kennt:

  • eingehende Serviceanfragen, die zu langsam oder zu unsauber verteilt werden
  • Produktdaten, die unvollständig, widersprüchlich oder uneinheitlich gepflegt sind

Die These dahinter ist simpel: Wenn Sie Support-Triage und Katalogqualität mit KI-gestützter Automatisierung verbessern, senken Sie nicht nur Bearbeitungsaufwand. Sie verbessern gleichzeitig Antwortqualität, Datenqualität und indirekt auch vermeidbare Rückfragen, Fehlkäufe und Retouren.

Genau deshalb ist der Fall eines großen Onlinehändlers wie Wayfair für Entscheider interessant. Nicht als Blaupause im Maßstab, aber als Hinweis auf die richtige Reihenfolge: erst operative Engpässe automatisieren, dann sichtbare Komfortfunktionen ausbauen.

Warum Support-Triage oft vor dem Chatbot kommen sollte

Viele Serviceprozesse scheitern nicht daran, dass gar nicht geantwortet wird. Sie scheitern früher. Anfragen landen im falschen Team, werden doppelt bearbeitet, unvollständig priorisiert oder ohne Kontext weitergeleitet. Das kostet Zeit und verschlechtert die Servicequalität, obwohl noch kein einziger Mitarbeiter fachlich gearbeitet hat.

Genau hier ist KI-Automatisierung stark, weil die Aufgabe klar umrissen ist:

  • Anliegen aus E-Mails, Formularen oder Marktplatz-Nachrichten auslesen
  • Thema erkennen, etwa Lieferung, Storno, Reklamation, Ersatzteil oder Rechnung
  • Priorität einschätzen
  • an das richtige Team, Ticketfeld oder die richtige Warteschlange übergeben
  • fehlende Angaben markieren oder automatisch anfordern

Das ist kaufmännisch attraktiv, weil der Nutzen schnell messbar wird. Sie müssen nicht erst einen perfekten virtuellen Assistenten bauen. Es reicht, wenn die Vorsortierung sauberer läuft als heute.

Typische Effekte in der Praxis:

  • kürzere Reaktionszeiten durch weniger manuelle Sichtung
  • weniger Fehlzuordnungen und Eskalationen
  • geringere Einarbeitungslast für neue Servicekräfte
  • bessere Auswertbarkeit, weil Tickets strukturierter erfasst werden

Wichtig ist dabei die Erwartungshaltung. KI-Triage ersetzt nicht den Kundenservice. Sie standardisiert den Einstieg in die Bearbeitung. Genau das ist in vielen Serviceorganisationen schon genug, um spürbar Luft zu schaffen.

Wo die Umsetzung in der Realität hakt

Der Engpass ist selten das Modell. Der Engpass ist meist der Prozess drum herum.

Wenn Sie Ticket-Triage einführen wollen, stoßen Sie schnell auf drei praktische Fragen:

1. Sind Ihre Kategorien überhaupt belastbar?

Viele Händler haben historisch gewachsene Ticketgründe, die für Menschen halbwegs verständlich sind, aber maschinell schwer trennbar. Wenn "Reklamation", "Defekt", "Transportschaden" und "Problem nach Lieferung" intern unterschiedlich gemeint sind, lernt kein System sauber.

Vor dem Start brauchen Sie deshalb eine reduzierte, eindeutige Taxonomie. Lieber zehn klare Kategorien als vierzig unscharfe.

2. Was passiert bei Unsicherheit?

Ein häufiger Fehler ist Vollautomatisierung ohne Sicherheitsnetz. Sinnvoller ist ein gestufter Workflow:

  • hohe Sicherheit: automatische Zuordnung
  • mittlere Sicherheit: Vorschlag für den Servicemitarbeiter
  • geringe Sicherheit: Standardwarteschlange mit Hinweis

So senken Sie Risiko, ohne auf Effizienz zu verzichten.

3. Woher kommt der Kontext?

Ein Ticket ist oft erst dann sinnvoll bearbeitbar, wenn Auftragsdaten, Lieferstatus, Zahlart oder Produktinformationen mit herangezogen werden. Ohne diese Verknüpfung produziert KI nur hübsche Etiketten. Mit dieser Verknüpfung entsteht echter Nutzen.

Für den kaufmännischen Mittelstand heißt das: Nicht zuerst den perfekten Bot suchen, sondern prüfen, welche Daten aus Shopsystem, ERP, CRM oder Helpdesk in der Triage verfügbar gemacht werden können.

Katalogqualität ist kein Stammdaten-Nebenthema

Der zweite Hebel wird oft unterschätzt. Produktdatenpflege gilt in vielen Unternehmen als Dauerbaustelle, aber nicht als strategischer Automatisierungskandidat. Genau das ist ein Fehler.

Unsaubere Produktdaten verursachen an mehreren Stellen Kosten:

  • im Einkauf, wenn Informationen nachrecherchiert werden müssen
  • im Content-Team, wenn Attribute manuell vereinheitlicht werden
  • im Kundenservice, wenn Rückfragen zu Maßen, Material, Kompatibilität oder Lieferumfang entstehen
  • im Vertrieb, wenn Filter, Suche und Variantenlogik schlechter funktionieren
  • nach dem Kauf, wenn falsche Erwartungen zu Retouren führen

KI-gestützte Automatisierung kann hier gleich an mehreren Punkten helfen:

  • Attribute aus Lieferantentexten extrahieren
  • uneinheitliche Bezeichnungen vereinheitlichen
  • fehlende Merkmale identifizieren
  • Produktbeschreibungen strukturell verbessern
  • Widersprüche zwischen Titel, Bulletpoints, Attributen und Bildern markieren

Das ist besonders wertvoll für Händler mit breitem Sortiment, vielen Lieferanten oder häufig wechselnden Artikeldaten. Dort frisst manuelle Pflege schnell unverhältnismäßig viel Zeit.

Was sich realistisch automatisieren lässt

Wichtig ist, Katalogpflege nicht als einen einzigen Prozess zu verstehen. In der Praxis funktioniert der Einstieg am besten über klar abgegrenzte Teilaufgaben.

Geeignete erste Schritte sind zum Beispiel:

Attribut-Mapping

Lieferanten liefern Informationen in Freitext, PDFs oder uneinheitlichen Tabellen. KI kann daraus strukturierte Merkmale ableiten, etwa Material, Farbe, Maße oder Einsatzbereich. Menschen prüfen nur noch Ausnahmen.

Qualitätsprüfung vor Livegang

Neue Artikel werden vor Veröffentlichung automatisiert auf Pflichtfelder, Widersprüche und unklare Formulierungen geprüft. Das senkt den Anteil halbfertiger Produktseiten.

Vereinheitlichung bestehender Kataloge

Gerade bei gewachsenen Sortimenten unterscheiden sich Schreibweisen, Einheiten oder Merkmalslogiken. KI kann diese Unterschiede erkennen und zur Bereinigung vorbereiten.

Priorisierung der Pflege

Nicht jeder Datensatz ist gleich wichtig. Sinnvoll ist eine automatische Priorisierung nach Umsatzrelevanz, Retourenauffälligkeit, Serviceaufkommen oder Sichtbarkeitsproblemen im Shop.

Der indirekte Effekt auf Retouren und Servicekosten

Der interessanteste Punkt ist oft nicht die einzelne Automatisierung, sondern das Zusammenspiel.

Wenn Tickets besser vorsortiert werden und Produktdaten sauberer sind, entstehen mehrere indirekte Effekte gleichzeitig:

  • Kunden finden schneller die passende Information
  • falsche Erwartungen vor dem Kauf sinken
  • Servicemitarbeiter beantworten Rückfragen mit besserem Kontext
  • Reklamationen lassen sich sauberer klassifizieren
  • wiederkehrende Datenprobleme werden sichtbar

Das ist ein geschlossener Lernkreislauf. Servicefälle zeigen, wo Produktdaten fehlen oder missverständlich sind. Verbesserte Produktdaten reduzieren wiederum genau diese Servicefälle.

Für einen mittelständischen Onlinehändler ist das oft deutlich wertvoller als ein generischer Shop-Chat, der viele Standardfragen freundlich beantwortet, aber die eigentlichen Prozessursachen unberührt lässt.

So würde ich den Einstieg im Mittelstand aufsetzen

Statt ein großes KI-Programm auszurufen, würde ich pragmatisch vorgehen.

Phase 1:

Ticketanalyse

Nehmen Sie ein paar hundert bis wenige tausend Servicefälle der letzten Monate und clustern Sie:

  • häufigste Anliegen
  • Fehlzuordnungen
  • Bearbeitungszeiten
  • Rückfragen wegen fehlender Produktinformationen

Das schafft eine saubere Ausgangsbasis.

Phase 2:

Triage-Pilot

Automatisieren Sie zunächst nur die Klassifikation und Zuweisung für einige klar trennbare Kategorien. Messen Sie dann:

  • Trefferquote
  • manuelle Nacharbeit
  • Zeit bis Erstreaktion
  • Zahl der Weiterleitungen

Phase 3:

Katalog-Pilot

Wählen Sie eine Produktgruppe mit hohem Datenpflegeaufwand oder auffälligem Serviceaufkommen. Starten Sie dort mit Attribut-Extraktion und Qualitätsprüfung vor Veröffentlichung.

Phase 4:

Rückkopplung aufbauen

Verbinden Sie Service- und Katalogsicht. Wenn bestimmte Artikel oder Merkmalslücken wiederholt Tickets auslösen, gehört genau das auf die Prioritätenliste der Datenpflege.

Woran Projekte in diesem Bereich scheitern

Die häufigsten Gründe sind erstaunlich bodenständig:

  • unklare Zuständigkeiten zwischen Service, IT, Content und E-Commerce
  • keine belastbare Kategorielogik
  • schlechte Ausgangsdaten
  • zu hohe Erwartungen an Vollautomatisierung
  • fehlende Qualitätskontrolle bei produktiven Änderungen

Deshalb mein Rat aus der Praxis: Behandeln Sie diese Themen nicht als reines IT-Projekt. Es sind operative Prozessprojekte mit Datenbezug. Fachbereich und IT müssen gemeinsam entscheiden, was automatisiert werden darf, was vorgeschlagen werden soll und wo der Mensch bewusst in der Schleife bleibt.

Fazit

Für den kaufmännischen Mittelstand im Onlinehandel liegt schneller KI-Nutzen oft nicht im auffälligen Frontend, sondern in zwei stillen Engpässen: Support-Triage und Katalogqualität.

Genau dort ist der geschäftliche Hebel meist am saubersten. Sie sparen Sichtungs- und Pflegeaufwand, verbessern Antwort- und Datenqualität und senken indirekt die Kosten aus Rückfragen, Fehlkäufen und unnötigen Retouren.

Wer KI-Automatisierung in diesem Bereich erfolgreich einführen will, braucht keine große Zukunftserzählung. Er braucht klare Kategorien, saubere Datenzugriffe, einen gestuften Automatisierungsgrad und eine enge Rückkopplung zwischen Service und Produktdatenpflege.

Das ist deutlich weniger spektakulär als ein prominenter Shop-Chat. Aber kaufmännisch oft die bessere erste Wette.

Quellen