Handels-KI, die die Prognose bewegt — nicht die Präsentation.

Die ehrliche Antwort ist enger als der Markt behauptet und tragfähiger als Skeptiker zugestehen. Im Handel und in der Konsumgüterbranche wirkt KI dort, wo eine Entscheidung tausendfach pro Woche wiederholt wird, wo die Eingabe bereits digital vorliegt und wo eine kleine, konstante Verbesserung sich kumuliert. Hierarchische Bedarfsprognose ist das klarste Beispiel: einzeln unspektakulär, in der Menge sichtbar in die Prognosegenauigkeit (WAPE) und die Regalverfügbarkeit.

Was KI nicht verändert, ist die Verantwortung. Ein Modell kann ordnen, bewerten, markieren und entwerfen; verantwortlich für das Ergebnis bleibt ein Mensch. Nachhaltige Projekte definieren zuerst den Human-in-the-Loop-Vertrag und passen das Modell danach an.

Fast jedes ins Stocken geratene KI-Programm in Handel und Konsumgüter scheiterte an Daten, nicht am Modell. Absatzpanels aus SKU × Filiale × Woche, Promotionskalender und Wetterdaten kommen mit Lücken, doppelten Identifikatoren, Schema-Drift und undokumentierten Geschäftsregeln aus jahrzehntealten Integrationen. Unsere erste Phase ist deshalb immer eine Bewertung der Datenreife.

Diese Bewertung ist bewusst unspektakulär — und genau dort verschwindet das Risiko. Sie zeigt, ob das Problem überhaupt lösbar ist, welche realistische Obergrenze für die Prognosegenauigkeit (WAPE) und die Regalverfügbarkeit gilt und was es kosten würde, diese Grenze zu heben.

Systeme in Handel und Konsumgüter werden geprüft. Die DSGVO und Transparenzpflichten für Verbraucherdaten setzt den Maßstab: wie das Modell trainiert wurde, auf welcher Population, mit welchen bekannten Fehlermodi, wie überwacht und von wem zurückgerollt. Wir erzeugen diese Nachweise als Liefergegenstand.

Die letzte Phase ist die Übergabe. Ihr Team erhält Trainingspipelines, Evaluationsharness, Monitoring-Dashboards und ein Runbook, geschrieben für eine Rufbereitschaft um drei Uhr nachts.