Bevor mehr Modelle entwickelt werden, benötigt der Handel eine Infrastruktur-Revolution

Die Implementierung von künstlicher Intelligenz im Handel erfolgt in einem bemerkenswerten Tempo. Die Investitionen in künstliche Intelligenz im Einzelhandel beschleunigen sich rapide, wobei der Markt von 11,6 Milliarden Dollar im Jahr 2024 auf über 40 Milliarden Dollar bis 2030 wachsen soll.

Ähnlich werden neue Modelle in rascher Folge veröffentlicht, Anbieter erweitern ihre Fähigkeiten kontinuierlich, und Einzelhändler stehen unter zunehmendem Druck von Aufsichtsräten und Investoren, um zu demonstrieren, dass sie aktiv künstliche Intelligenz in ihre Betriebsabläufe integrieren.

Auf den ersten Blick entsteht der Eindruck, dass sich die Branche schnell und entschlossen wandelt. Doch unter dieser Aktivität werden die meisten dieser Initiativen auf Systeme aufgesetzt, die nie dafür konzipiert wurden, sie zu unterstützen.

Die Einschränkung liegt weder in der Verfügbarkeit noch in der Qualität der Modelle. Es ist der Zustand der Infrastruktur unter ihnen.

Bei der Implementierung von künstlicher Intelligenz sollte das erste Budget nicht in die künstliche Intelligenz selbst investiert werden. Es sollte in das investiert werden, was wir “Data Trust” nennen, also die Dateninfrastruktur. Dazu gehören Verbindungen zwischen Systemen, Daten-Deduplizierung und Echtzeit-Aktualisierungen.

Wenn dies nicht geschieht, ist es der Grund, warum künstliche Intelligenz im Handel scheitert und warum so viele Bemühungen mit Schwung beginnen, aber Schwierigkeiten haben, sich in nachhaltige Ergebnisse umzusetzen. Um künstliche Intelligenz erfolgreich zu implementieren, müssen wir mit der Infrastruktur beginnen.

Im Gegensatz dazu neigt die Konversation im Handel dazu, ein Layer zu hoch zu beginnen, indem sie sich auf die Auswahl von Modellen oder die Identifizierung von hochpotenten Anwendungsfällen konzentriert. Was viel weniger Aufmerksamkeit erhält, ist, ob die zugrunde liegende Datenarchitektur in der Lage ist, diese Entscheidungen auf eine sinnvolle Weise zu unterstützen.

Wenn die zugrunde liegenden Daten fragmentiert sind, wird künstliche Intelligenz nur Ausgaben generieren, die tatsächlich schädlich oder irreführend sein können.

In größeren Organisationen wird diese Tendenz durch die Notwendigkeit verstärkt, Fortschritte zu signalisieren. “Etwas mit künstlicher Intelligenz tun” wird zu einem Ziel an sich, und die Einführung eines Modells ist oft der unmittelbarste Weg, dies zu erreichen, unabhängig davon, ob es messbare Ergebnisse liefert. ^[1]

Auf Vorstands-Ebene beschleunigen sich die Erwartungen an künstliche Intelligenz in Form von besserer Personalisierung und messbaren Gewinnen in Effizienz und Marge. Auf System-Ebene hält die Bereitschaft jedoch nicht Schritt. Je länger diese Lücke besteht, desto teurer wird es, sie zu korrigieren, da Technologie-Schichten auf Grundlagen aufgesetzt werden, die unverändert bleiben.

Was “nicht bereit für künstliche Intelligenz” in der Praxis bedeutet

Ein Hauptproblem ist das Fehlen von Kohärenz zwischen Systemen. Zum Beispiel kann ein einzelner Kunde gleichzeitig in einer ERP-Plattform, einem E-Commerce-Umfeld und einem Offline- oder Loyalty-System existieren, wobei jede Instanz unterschiedliche Historien und Annahmen trägt.

Produkt-Daten sind zwar technisch vollständig, aber in Bezug auf die Bereitstellung von Kontext, der es einem Modell ermöglichen würde, es effektiv zu interpretieren oder zu begründen, begrenzt. Schlechte Datenqualität allein wird auf etwa 13 Millionen Dollar pro Jahr für Organisationen geschätzt, was unterstreicht, wie grundlegend diese Einschränkungen geworden sind.

Menschliche Teams lernen, diese Inkonsistenzen über die Zeit hinweg zu navigieren, indem sie informelle Brücken zwischen Systemen bauen. Ein Modell hingegen operiert strikt innerhalb der Struktur, die es erhält, und die Ausgaben, die es generiert, sind entsprechend eingeschränkt.

Wenn künstliche Intelligenz in diese Umgebung eingeführt wird, ist das Ergebnis nicht das Fehlen von Ausgaben, sondern eine allmähliche Verschlechterung ihrer Qualität.

Ein Modell kann Daten verarbeiten und Ausgaben produzieren, aber es wird Systeme nicht von selbst verbinden.

In der Praxis kann dies sich als ein Personalisierungsmotor äußern, der hochspezifische Produkt-Empfehlungen anbietet, die einen Kunden auf eine Weise kategorisieren, die nicht seinen tatsächlichen Vorlieben oder Absichten entspricht.

In künstlich intelligente Systemen werden Kunden-Erfahrungen oft präziser, aber weniger relevant. ^[1]

Diese Verschiebung von allgemeiner Relevanz zu spezifischer Irrelevanz kann schädlicher sein, als es erscheint, da sie beeinflusst, wie Kunden die Marke selbst wahrnehmen. In den schlimmsten Fällen unterperformen diese Systeme nicht einfach. Sie verschlechtern aktiv die Kunden-Erfahrung.

Warum die meisten künstlichen Intelligenz-Piloten scheitern und was es kostet

Diese Dynamik ist einer der Hauptgründe, warum ein großer Anteil von künstlichen Intelligenz-Piloten im Handel nicht über die Experimentier-Phase hinauskommen. Branchendaten deuten darauf hin, dass nur etwa die Hälfte der künstlichen Intelligenz-Initiativen von der Pilot- zur Produktionsphase gelangen, wobei ein erheblicher Anteil auf der Experimentier-Stufe stecken bleibt.

Das Problem liegt selten im Fehlen von Investitionen oder Absicht. Die Einschränkung entsteht, wenn die von diesen Systemen generierten Ausgaben nicht die Skalierung rechtfertigen.

Zu diesem Zeitpunkt stehen Organisationen vor der Wahl, entweder in Optimierung zu investieren oder die Initiative ganz aufzugeben. In vielen Fällen wählen sie Letzteres, weil die Umgebung, in der sie eingesetzt wird, nicht in der Lage ist, konsistente Ergebnisse zu unterstützen.

Branchenweit wiederholen sich die gleichen Infrastruktur-Lücken. Kunden-Daten bleiben fragmentiert anstelle von vereinheitlicht. Produkt-Informationen existieren, aber fehlen an Tiefe, die für Interpretation erforderlich ist. Systeme operieren parallel anstelle von einem kohärenten Informationsfluss. Wenn Modelle in diese Umgebung eingeführt werden, skalieren sie diese Probleme.

Die Kosten dieses Ansatzes gehen über direkte Ausgaben hinaus. Sie manifestieren sich als systemweite Ansammlung von Empfehlungen, die nicht umgesetzt werden, Personalisierung, die inkonsistent erscheint, und Automatisierung, die bestehende Fehler verstärkt.

Im Laufe der Zeit entsteht so eine subtile, aber signifikante Erosion des Vertrauens innerhalb der Organisation. Teams beginnen, die Zuverlässigkeit der Systeme, die sie aufbauen, in Frage zu stellen, und zusätzliche Technologie-Schichten werden eingeführt, um zu kompensieren. Das Ergebnis ist eine Verzögerung bei der Erreichung der Klarheit, die erforderlich ist, um Systeme zu bauen, die funktionieren.

Der Grund, warum viele Unternehmen künstliche Intelligenz-Piloten aufbauen, aber nie darüber hinausgehen, ist, dass sie diese Piloten auf schwachen Grundlagen aufbauen, was so ist, als würde man mit schlechten Zutaten kochen. ^[1]

Man könnte ein Rezept von Gordon Ramsay haben und exzellente Ausrüstung, aber wenn die Zutaten schlecht sind, ist das Ergebnis dennoch negativ.

Der Unterschied zwischen Start-ups und großen Konzernen

Kleinere Organisationen, insbesondere die im mittleren Marktsegment, zeigen oft eine größere Fähigkeit, künstliche Intelligenz effektiv zu implementieren. Dies liegt daran, dass ihre Systeme weniger fragmentiert sind und ihre Entscheidungsprozesse direkter sind.

In größeren Organisationen führt die Struktur selbst potenzielle Hindernisse ein. Initiativen werden häufig von der Notwendigkeit getrieben, auf externe Erwartungen zu reagieren, und künstliche Intelligenz wird zu einer Kategorie, die angesprochen werden muss, anstatt einer Fähigkeit, die sorgfältig integriert wird.

“Wir wollen künstliche Intelligenz implementieren” zu sagen, ist so, als würde man Strom in eine Fabrik einführen, ohne Maschinen. Die Lichter gehen an, aber die Produktion verbessert sich nicht, weil man in Technologie investiert hat, ohne zu wissen, was sie tatsächlich tun wird.

Die Verschiebung von Modellen zu Infrastruktur

Ein alternativer Ansatz beginnt, unter Organisationen, die diese Einschränkungen direkt erlebt haben, Gestalt anzunehmen.

Anstatt das erste Budget für künstliche Intelligenz-Modelle zu verwenden, investieren sie in das, was als “Data Trust” bezeichnet werden kann, also die Schaffung einer Grundlage, auf der Daten konsistent, verbunden und kontinuierlich aktualisiert sind. Das Ziel ist es, sicherzustellen, dass die verwendeten Daten sinnvolle Entscheidungen unterstützen können.

Die Daten-Vorbereitung kann bis zu 80 % der Zeit in Anspruch nehmen, die für maschinelles Lernen-Projekte aufgewendet wird, was unterstreicht, wie viel Arbeit in der zugrunde liegenden Daten-Schicht und nicht in den Modellen selbst steckt.

Der Prozess beginnt typischerweise mit einer detaillierten Kartierung der bestehenden Systeme und der Identifizierung von Lücken in der Daten-Fluss- und -Integrität. Die ersten 30 bis 60 Tage werden oft dafür verwendet, zu verstehen, wie Informationen innerhalb der Organisation fließen oder nicht fließen. Es folgt eine Phase der Integration und Standardisierung, in der Daten gereinigt, dedupliziert und auf Plattformen ausgerichtet werden.

Im Laufe der nächsten drei bis sechs Monate konzentrieren sich Unternehmen darauf, zuverlässige Daten-Pipelines aufzubauen und hochwertige Systeme in einer Weise zu verbinden, die reale Anwendungsfälle unterstützt. Erst wenn diese Grundlage geschaffen ist, wird es möglich, künstliche Intelligenz in Workflows einzuführen, die konsistente, messbare Ergebnisse liefern können.

Innerhalb eines Zeitraums von sechs bis neun Monaten beginnen Organisationen, die diesem Ansatz folgen, typischerweise, bedeutende Ergebnisse in Form von künstlich intelligente Prozessen zu sehen, die Metriken wie Konversion, Bindung und Marge-Verbesserung beeinflussen. Zu diesem Zeitpunkt hören Modelle auf, Experimente zu sein, und werden Teil der Betriebsabläufe. Ihre Leistung stabilisiert sich, und ihre Ausgaben werden handhabbar, so dass Teams auf sie vertrauen können.

Die Beschleunigung der Investitionen in künstliche Intelligenz im Handel wird in naher Zukunft wahrscheinlich nicht abnehmen. Was ungewiss bleibt, ist, ob die Infrastruktur-Bereitschaft Schritt halten und sie unterstützen kann. Die sich verbreiternde Lücke zwischen dem, was Organisationen von künstlicher Intelligenz erwarten, und dem, was ihre Systeme unterstützen können, ist bereits in der wachsenden Anzahl von Piloten sichtbar, die es nicht in die Produktionsphase schaffen. Um diese Lücke zu schließen, ist eine Verschiebung des Fokus auf den Aufbau dieser kritischen Infrastruktur erforderlich.

Die Verschiebung der Konversation von Modellen zu Infrastruktur hat nicht die gleiche Dringlichkeit oder Sichtbarkeit. Aber es ist dort, wo viele der aktuellen Einschränkungen residieren. Und es ist hier, wo die nächste Phase des bedeutungsvollen Fortschritts im künstlich intelligenten Handel wahrscheinlich entstehen wird. ^[1]