Was im E-Commerce wirklich bei der Conversion hilft
Viele Inhalte zum Thema „KI im E-Commerce“ lesen sich wie eine Verkaufspräsentation. Hier ist, was wir sehen, wenn wir echte Händlerkonten instrumentieren, den Funnel analysieren und den tatsächlichen Effekt messen.
Wir haben KI-Funktionen in Shopify Plus, Headless-Next.js-Builds und individuellen Plattformen integriert. Die folgenden Funktionen sind danach sortiert, wie oft sie tatsächlich im Bericht zur Conversion-Rate-Steigerung auftauchen.
Was funktioniert
1. Personalisierte Empfehlungen auf PDP und im Warenkorb. Die KI-Funktion mit dem höchsten ROI im E-Commerce, ganz klar. Ein relevanzoptimiertes Empfehlungssystem („Kunden, die dieses Produkt angesehen haben, kauften auch …“) steigert den durchschnittlichen Bestellwert (AOV) durchgängig um 8–18 % und erhöht die Gesamt-Conversion um 2–5 %, wenn es auf Produktdetailseiten und im Warenkorb eingesetzt wird.
Was „relevanzoptimiert“ bedeutet: nicht die Standard-Empfehlungen von Shopify. Man braucht ein Modell, das das Sitzungsverhalten der Nutzer berücksichtigt, nicht nur SKU-Ähnlichkeit. Anbieter wie Nosto, Klevu und Algolia Recommend machen das gut. Eine Eigenentwicklung lohnt sich erst ab etwa 50 Mio. $ GMV.
2. KI-gestützte Website-Suche. Die Funktion mit dem zweithöchsten ROI, besonders bei Katalogen mit über 1.000 SKUs. Der Ersatz der Stichwortsuche durch eine semantische, tippfehlertolerante Suchmaschine steigert die Conversion-Rate der Suchnutzer typischerweise um 30–50 %. Da Nutzer, die die Suche verwenden, ohnehin 2–3-mal so häufig konvertieren wie Nutzer, die nur stöbern, verstärkt sich dieser Effekt zusätzlich.
Konkretes Beispiel: Ein Modehändler, mit dem wir zusammengearbeitet haben, ersetzte seine Standardsuche durch Typesense plus ein Learning-to-Rank-Modell. Der suchgetriebene Umsatz stieg innerhalb von acht Wochen von 14 % auf 22 % des Gesamtumsatzes. Sonst änderte sich nichts an der Website.
3. Dynamische Preisgestaltung – aber nur im richtigen Kontext. Sinnvoll für: Reisen, Eventtickets, verderbliche Waren, B2B mit Mengenstaffeln. Nutzlos und markenschädigend für: Mode, Beauty und die meisten DTC-Kategorien, in denen Kunden dasselbe Produkt wiederholt kaufen und Preisänderungen bemerken.
Wer dynamische Preise einsetzt, sollte diszipliniert vorgehen: regelbasiert mit ML-Input, nicht reine ML-Ausgabe. Das Unternehmen setzt die Grenzen, das Modell wählt innerhalb dieser Grenzen, und jede Änderung ist nachvollziehbar.
4. Deflektion im Kundenservice. Ein gut abgestimmter LLM-Agent kann 40–60 % der Vorverkaufsfragen („Gibt es das in Größe 14?“, „Wann kommt die Lieferung in die PLZ 90210?“) lösen, ohne dass ein Mensch eingreifen muss. Die Wirtschaftlichkeit ist eindeutig, wenn man für ein 24/7-Support-Team bezahlt. Die Umsetzung ist schwieriger, als Anbieter behaupten – RAG über den Produktkatalog plus eine Schutzschicht plus Übergabe an Menschen. Für eine ordentliche Integration sollte man 6–10 Wochen einplanen.
Was nur Show ist
Visuelle Suche. Klingt in Demos großartig. In der Praxis gehört die Conversion-Rate von Nutzern, die „per Foto suchen“, durchgängig zu den niedrigsten aller Traffic-Segmente. Kunden fotografieren keine Produkte, die sie kaufen wollen – sie beschreiben sie. Das kann warten, bis man alles andere bereits umgesetzt hat.
KI-generierte Produkttexte. Spart Zeit, aber die Texte sind zwischen Shops, die dasselbe Modell und denselben Prompt verwenden, austauschbar, und Googles Qualitäts-Update vom Dezember 2025 hat genau dieses Muster abgestraft. KI zum Entwerfen nutzen, aber von einem Menschen redigieren lassen. Rohe Modellausgaben nicht live schalten.
„KI-gestützte“ Upsells, die nur die Bestseller neu mischen. Viele Plattformen kleben das Etikett „KI“ auf das, was letztlich ein nach Umsatz sortiertes Widget ist. Vorher testen: den Anbieter bitten, dieselbe Produktseite für zehn verschiedene Nutzersegmente zu zeigen, und prüfen, ob sich überhaupt etwas ändert.
Die richtige Reihenfolge der Umsetzung
Für die meisten Händler unter 20 Mio. $ GMV empfehlen wir diese Reihenfolge:
- Zuerst die Website-Suche. Höchster Basis-ROI, kein Modelltraining nötig, wenn man einen guten Anbieter wählt.
- Dann Empfehlungen auf PDP und im Warenkorb. Verstärkt die Effekte der verbesserten Suche.
- Als Drittes E-Mail- und SMS-Personalisierung. Günstiger als On-Site-Personalisierung, und Händler haben auf der E-Mail-Seite ohnehin meist mehr Daten.
- Als Viertes Automatisierung im Kundenservice. Erst, wenn man 50+ Tickets pro Tag in stabilen Kategorien hat. Unterhalb dieses Volumens übersteigt der Betriebsaufwand für die Pflege des Systems die Einsparungen.
- Alles Weitere – dynamische Preise, vorausschauende Lagerhaltung, Betrugserkennung – lohnt sich erst im großen Maßstab und im Einzelfall. Nicht bauen, nur weil es modern klingt.
Eine Anmerkung zum Datenschutz
Alle oben genannten KI-Funktionen laufen auf Basis von Kundenverhaltensdaten. Ab 2026 verlangen EU- und kalifornische Vorschriften eine Opt-in-Einwilligung für personalisierte Empfehlungen, die sitzungsübergreifend lernen. Wenn Ihr E-Commerce-Stack keine Consent-Management-Ebene hat, beheben Sie das, bevor Sie die Personalisierung aktivieren. Die Bußgelder sind nicht theoretisch.
Das ehrliche Fazit
Für die meisten Händler bedeutet KI im Jahr 2026: Suche, Empfehlungen und ein cleverer Support-Agent. Das sind 15.000–50.000 $ an Integrationsaufwand, die sich innerhalb von zwei Quartalen amortisieren. Alles andere ist Zuckerguss – und ein Großteil davon ist zuckerfrei. Wenn Sie das für Ihren eigenen Shop planen: Unsere Teams für E-Commerce und KI & Machine Learning planen solche Integrationen gemeinsam – wie Suche und Empfehlungen für einen Luxus-Multi-Vendor-Marktplatz zusammenkamen, zeigt unsere Fallstudie.
