Europas AI-Paradox im Einzelhandel: Viel Invest, wenig Impact

Wer Erfolg hat, wer scheitert – und was sich daraus lernen lässt

KI ist in Europas Konsumgüter- und Handelsbranche längst kein Experiment mehr – zumindest in den Budgetplänen. Doch ausgerechnet dort, wo Personalisierung, Prognosen und Automatisierung besonders schnell Wert schaffen könnten, bleibt der messbare Impact häufig erstaunlich klein, wie eine aktuelle nicht repräsentative Umfrage von McKinsey ergab: mehr Aktivität, mehr Initiativen, mehr Ausgaben – aber bei vielen Unternehmen weiterhin kaum belastbare Zahlen, was das unterm Strich bringt.

McKinsey stützt seine Diagnose auf eine Befragung von 27 C‑Level‑Führungskräften in Großunternehmen (16 von 27 beschäftigen mehr als 20.000 Mitarbeiter) aus den europäischen Consumer‑Industries (Retail, Konsumgüter, Fashion, Services).

23 der Befragten gaben an, dass die KI‑Aktivität im letzten Jahr gestiegen sei – niemand habe zurückgefahren. 22 wollen die Ausgaben erhöhen – die meisten um bis zu 30 %, fünf sogar um über 30 %.

Gleichzeitig melden nur sechs Befragte einen EBIT‑Effekt von mindestens 1 Prozent durch KI‑Initiativen; mehr als die Hälfte sagt, es sei „zu früh“, um die finanzielle Wirkung überhaupt zu beziffern. Im Schnitt sind laut McKinsey nur rund 10 Prozent der KI‑Initiativen wirklich skaliert – der Rest steckt in Proof‑of‑Concepts, Entwicklung oder hat noch nicht begonnen („pilot trap“).

Ein ähnliches Bild zeigen auch Branchenerhebungen in Deutschland: Der Handelsverband Deutschland (HDE) befragte für seine KI-Studie 175 Handelsunternehmen. Mehr als die Hälfte der Befragten spricht von einem überwiegend niedrigen bis mittleren Reifegrad. KI wird oft nur isoliert in einzelnen Feldern eingesetzt; strategisch verankerte, unternehmensweite Vorhaben seien noch die Ausnahme.

KI-Realität im deutschen Einzelhandel

Investiert wird vor allem in großen Konzernen: 90 % der Unternehmen mit einem Umsatz von 50 Mio. bis 1 Mrd. € bzw. 86,4 % mit über 1 Mrd. € planen KI-Projekte bzw. haben bereits welche umgesetzt.

So testet z. B. REWE im operativen Handel neue KI‑Formateund baut sein „Pick&Go“‑Konzept mit kamera‑ und sensorbasierten Erfassung statt des klassischen Scannens aus. 2026 wurde ein weiterer Testmarkt in Hannover eröffnet – inzwischen der siebte Standort dieser Art in Deutschland, laut REWE.

Bei einem autonomen Pilotprojekt zog REWE allerdings schon früh wieder die Reißleine: Der Testbetrieb von Lieferrobotern in Hamburg‑Barmbek wurde nach sechs Monaten beendet – laut eigener Darstellung planmäßig; zugleich werden Grenzen des Modells beschrieben: enge Warengruppen‑Eignung, Kapazität, Prozessprobleme – und Kopfsteinpflaster.

Auch beim kassenlosen Einkauf zeigt sich, dass der Traum vom „einfach rausgehen“ in der Praxis noch an Grenzen stößt: Netto (ohne Hund) rückte vom ursprünglichen Kassenlos‑Versprechen schnell wieder ab und setzt stattdessen auf Terminals, an denen die erkannten Artikel angezeigt und bezahlt werden – weniger Friktion als an der klassischen Kasse, aber eben auch nicht der radikale Durchbruch.

Was erfolgreiche Projekte ausmacht

McKinsey benennt als Kernproblem nicht den Mangel an Ideen, sondern fehlende Grundlagen: Talent, Daten‑/Tech‑Reife, AI‑Literacy und ein Operating Model, das aus Piloten Produkte macht.

Eine erfolgreiche Umsetzung von KI-Projekten hängt genau von diesen Faktoren ab. Das ergab auch die HDE-Studie: 91,8 % der Unternehmen geben an, dass eine hohe KI-Expertise ein eher relevanter, relevanter oder sehr relevanter Erfolgsfaktor ist, dicht gefolgt von hoher Datenqualität (89,1 %), professionellem Projekt bzw. Change-Management (jeweils 86,3 %), einem starken Support durch das Top-Management (83,5 %) und der Hilfe externer Experten (82,2 %).

McKinsey empfiehlt, vom Business Value her zu starten und Investitionen auf wenige „Big Bets“ zu konzentrieren statt vieler kleiner Experimente, „good enough“‑Daten pragmatisch für priorisierte Use Cases fit zu machen und KI als Transformationsprogramm (inkl. Adoption/Training/Incentives) zu führen – nicht als IT‑(Neben-)Projekt.

"Yippiejaja Yippie Yippie Yeah"

Ein herausragendes Beispiel einer gelungenen Transformation ist der Heimwerkerspezialist Hornbach, der stationären Handel und Online-Dienste durch moderne Technologien zu einem einheitlichen Kundenerlebnis verbindet.

CTO Dr. Andreas Schobert begreift neue Technologie als Chance und stellt frühzeitig die Frage: “Was, wenn unsere Kunden das haben wollen?”

KI betrachtet er als das „neue neue Normal“. Hornbach nutzt KI unter anderem für einen Assistenten, der den Mitarbeitern im Markt bei Fachfragen zu den über 60.000 Artikeln hilft, zur Automatisierung der Lieferketten oder im Marketing. Bei Produktbeschreibungen führt der Einsatz von KI zu einer Zeiteinsparung von 98 % und einer Kosteneinsparung von knapp 95 %.

Schobert betont, dass die Herausforderung darin besteht, die Organisation so zu steuern, dass Mitarbeiter KI als Arbeitskollegen begreifen.

Fazit

Der Erfolg kommt nicht mit dem Versprechen oder der Technologie – sondern mit dem Use Case, tiefgreifender Expertise, einer soliden Datenbasis und operativer Disziplin.