KI im E-Commerce 2026: 7 Anwendungsfälle die wirklich funktionieren
KI-Projekte scheitern im E-Commerce selten an der Technologie, sondern am falschen Use Case und an mangelhafter Datenbasis. Sieben Anwendungsfälle haben 2026 Produktionsreife, von Produktdaten-Anreicherung über Personalisierung bis zu individuellen KI-Agents.
Die KI-Anwendungsfälle mit dem größten Hebel im E-Commerce sind 2026 Produktdaten-Anreicherung, Personalisierung, Preisoptimierung, Kundenservice-Chatbots, Demand Forecasting, intelligente Produktsuche und individuelle KI-Agents. Den schnellsten messbaren Effekt liefert die Produktdaten-Anreicherung mit 60 bis 80 Prozent Zeitersparnis in der Datenpflege. Kundenservice-Chatbots beantworten 40 bis 60 Prozent der Anfragen automatisiert, Personalisierung erhöht den durchschnittlichen Bestellwert um 10 bis 20 Prozent.
KI-Projekte scheitern selten an der Technologie. Sie scheitern daran, dass Unternehmen mit dem falschen Anwendungsfall starten: zu komplex, zu wenig Daten, zu hohe Erwartungen. Dieser Artikel zeigt sieben Bereiche, in denen KI im E-Commerce nachweislich Ergebnisse liefert, und erklärt für jeden, was er kostet, was er bringt und welche Voraussetzungen erfüllt sein müssen.
Das Wichtigste in Kürze
Produktdaten-Anreicherung senkt den manuellen Pflegeaufwand um 60 bis 80 Prozent und reduziert Fehlquoten bei Attributen auf unter 5 Prozent.
KI-Chatbots im Kundenservice beantworten 40 bis 60 Prozent der Anfragen automatisiert und sparen 3 bis 8 Euro pro bearbeiteter Anfrage.
Personalisierung erhöht den durchschnittlichen Bestellwert um 10 bis 20 Prozent, braucht aber mindestens 1.000 monatliche Sitzungen als Datenbasis.
Demand Forecasting reduziert Lagerbestände um 15 bis 25 Prozent, setzt jedoch zwei bis drei Jahre saubere Abverkaufsdaten auf SKU-Ebene voraus.
Individuelle KI-Agents kosten 40.000 bis 120.000 Euro pro Szenario und erreichen 2026 Serienreife im Mittelstand.
Warum die meisten KI-Initiativen im E-Commerce scheitern
Laut einer McKinsey-Analyse aus 2024 scheitern rund 70 Prozent aller KI-Projekte nicht an fehlender Technologie, sondern an mangelhafter Datenbasis und unklaren Erfolgskriterien. Im E-Commerce ist das besonders ausgeprägt: Teams investieren in KI-Tools, ohne vorher zu klären, welches Problem konkret gelöst werden soll und welche Daten dafür verfügbar sind.
„Der Unterschied zwischen KI-Demo und KI-Produktion ist immer derselbe: Integration in einen bestehenden Workflow. Wenn der Shop-Betreiber ein separates Tool öffnen muss, ist der Use Case tot.“
Philipp Beyer
CTO, onacy GmbH
Sieben KI-Use-Cases mit Produktionsreife
Der Ausgangspunkt sollte deshalb immer die Frage sein: Wo verursacht manuelle Arbeit heute den größten Aufwand oder wo gehen nachweislich Umsatz und Konversion verloren? Die sieben Anwendungsfälle in diesem Artikel sind dort angesiedelt, wo reife Technologie auf klare Messziele trifft.
1. Produktdaten-Anreicherung
Was es ist
KI-gestützte Produktdaten-Anreicherung bedeutet, unvollständige oder inkonsistente Produktinformationen automatisiert zu vervollständigen. Das kann die Klassifikation von Produkten in Kategorien sein, das Ergänzen fehlender Attribute aus Beschreibungstexten, das Standardisieren von Maßeinheiten oder das Generieren von Textvarianten für verschiedene Kanäle.
Was es bringt
Mittelständische Händler mit 5.000 bis 50.000 SKUs berichten von Zeitersparnissen zwischen 60 und 80 Prozent bei der manuellen Datenpflege. Konkret: Ein Elektronikgroßhändler, der bisher 3 Vollzeitkräfte für die Produktdatenpflege eingesetzt hat, kann den gleichen Datendurchsatz mit einer Person und KI-Unterstützung erreichen.
Neben dem Effizienzgewinn verbessert sich messbar die Datenqualität. Fehlquoten bei Attributen sinken von typischerweise 15 bis 25 Prozent auf unter 5 Prozent, wenn Klassifikationsmodelle und Validierungsregeln kombiniert werden.
Was es kostet
Einfache regelbasierte Anreicherung über bestehende PIM-Systeme ist ab etwa 15.000 bis 25.000 Euro Einmalaufwand umsetzbar. KI-gestützte Lösungen mit Trainingsaufwand und Custom-Modellen liegen je nach Datenmenge bei 40.000 bis 100.000 Euro Projektbudget zuzüglich laufender Modellwartung.
Voraussetzungen
Die kritische Voraussetzung ist eine konsolidierte Datenbasis. KI kann keine strukturellen Datenlücken heilen, die aus 15 Jahren dezentraler Produktpflege entstanden sind. Wer noch kein zentrales Product Information Management hat, sollte dieses Fundament zuerst legen, bevor KI-Schichten darüber gebaut werden.
2. Personalisierung
Was es ist
Personalisierung im KI-Kontext meint mehr als Produktempfehlungen auf Basis simpler „Kunden kauften auch“-Logik. Moderne Recommendation-Engines analysieren Verhaltensdaten in Echtzeit, berücksichtigen Kontext (Gerät, Tageszeit, Wetter, aktueller Warenkorb) und können verschiedene Segmente mit unterschiedlichen Zielen anspielen: Cross-Sell, Upsell, Retention.
Was es bringt
Gut implementierte Personalisierung erhöht den durchschnittlichen Bestellwert um 10 bis 20 Prozent, laut Adobe Commerce-Benchmarks von 2024. Die Streuung ist dabei groß: Shops mit hohem Traffic und diversen Produktkatalogen profitieren überproportional. Shops mit weniger als 1.000 monatlichen Sitzungen sehen kaum messbare Effekte, weil die Datenbasis für sinnvolle Segmentierung fehlt.
Was es kostet
SaaS-Personalisierungstools wie Nosto, Clerk.io oder Dynamic Yield kosten je nach Traffic und Feature-Umfang zwischen 500 und 5.000 Euro monatlich. Custom-Lösungen auf Basis eigener Recommendation-Modelle beginnen erst bei deutlich höherem Investitionsvolumen und lohnen sich ab etwa 2 Millionen Euro Jahresumsatz.
Voraussetzungen
Personalisierung setzt valide Tracking-Daten voraus. Shops, die nach der Einführung von Cookie-Consent-Layern auf 20 bis 30 Prozent ihrer historischen Nutzerdaten verzichten müssen, haben oft keine ausreichende Grundlage für segmentierte Modelle. Serverseitiges Tracking und First-Party-Datenstrategie sind hier die eigentliche Hausaufgabe.
3. Preisoptimierung
Was es ist
Dynamische Preisgestaltung auf Basis von KI analysiert Wettbewerbspreise, eigene Lagerbestände, historische Abverkaufsdaten und Nachfragesignale, um Preisempfehlungen zu generieren oder automatisch anzupassen. Im Kern geht es darum, Preisspielräume auszunutzen ohne die Conversion zu beschädigen.
Was es bringt
Händler in preissensitiven Kategorien berichten von Margenverbesserungen zwischen 2 und 8 Prozentpunkten durch Preisoptimierung. In wettbewerbsintensiven Segmenten wie Elektronik oder Mode kann automatisiertes Repricing Preiskämpfe nach oben mitgehen und bei sinkender Konkurrenz Spielräume zurückgewinnen.
Was es kostet
Repricing-Tools für Amazon und andere Marktplätze sind ab 200 bis 800 Euro monatlich verfügbar. Shop-seitige Pricing-Engines mit eigenem Modell kosten in der Implementierung typischerweise 30.000 bis 80.000 Euro und setzen Preisstrategien auf Kategorie- oder SKU-Ebene voraus.
Voraussetzungen
Preisoptimierung funktioniert nur dort, wo ein echter Spielraum besteht und Preise nicht durch Preisbindung, Lieferantenverträge oder strategische Positionierungsentscheidungen fixiert sind. Außerdem ist Monitoring-Infrastruktur nötig: Wer nicht täglich sieht, wie sich Preisanpassungen auf Conversion und Marge auswirken, optimiert blind.
4. Kundenservice-Chatbots
Was es ist
LLM-basierte Chatbots können Standardanfragen im Kundenservice beantworten: Lieferstatus, Rückgabebedingungen, Produktfragen, Kontoinformationen. Im Gegensatz zu regelbasierten Bots der ersten Generation können aktuelle Systeme Kontext verstehen, Nachfragen stellen und komplexere Anfragen strukturiert bearbeiten.
Was es bringt
Bei typischen Kundenservice-Profilen im E-Commerce lassen sich 40 bis 60 Prozent aller Anfragen automatisiert beantworten. Die Einsparung pro automatisiert bearbeiteter Anfrage liegt je nach Standort und Servicemodell bei 3 bis 8 Euro. Bei einem Unternehmen mit 10.000 Servicekontakten monatlich entspricht das einer jährlichen Ersparnis von 144.000 bis 576.000 Euro, wenn der Automatisierungsgrad bei 50 Prozent liegt.
Der Haken: Diese Zahlen gelten nur, wenn Chatbot und menschlicher Fallback sauber integriert sind. Schlechte Übergaben oder fehlendes Eskalationsmanagement erzeugen mehr Aufwand als sie sparen.
Was es kostet
Vorkonfigurierte E-Commerce-Chatbots kosten zwischen 500 und 3.000 Euro monatlich. Custom-Lösungen mit Systemanbindung an ERP, OMS und CRM starten bei 20.000 Euro Implementierungsaufwand. Dazu kommen API-Kosten der zugrundeliegenden KI-Modelle, die bei hohem Volumen relevant werden.
Voraussetzungen
Ein funktionierender Chatbot braucht strukturierte Wissensbasis: FAQs, Produktdaten, Order-Management-Anbindung. Unternehmen, die ihre eigenen Serviceprozesse noch nicht dokumentiert haben, werden feststellen, dass das die eigentliche Arbeit ist, nicht die KI-Implementierung.
5. Demand Forecasting
Was es ist
KI-gestütztes Demand Forecasting nutzt historische Abverkaufsdaten, saisonale Muster, externe Signale (Wetter, Events, Werbemaßnahmen) und Markttrends, um Bedarfsmengen je Produkt und Zeitraum vorherzusagen. Die Vorhersagen fließen in Bestellmengenplanung, Lageroptimierung und Produktionsplanung ein.
Was es bringt
Gut kalibrierte Forecasting-Modelle reduzieren Lagerkosten durch bessere Bestandsplanung und senken Out-of-Stock-Raten. Typische Benchmarks zeigen Lagerbestandsreduzierungen von 15 bis 25 Prozent bei gleichzeitiger Verfügbarkeitsverbesserung. Das klingt widersprüchlich, erklärt sich aber dadurch, dass klassische Planung systematisch überlagert, weil Planer Unsicherheit einpreisen.
Was es kostet
SaaS-Forecasting-Lösungen wie Lokad, Relex oder Blue Yonder sind auf mittelständische Anforderungen zugeschnitten und kosten je nach Artikelanzahl und Planungshorizont 2.000 bis 10.000 Euro monatlich. Eigenentwicklungen auf Basis von Python-ML-Stacks sind günstiger im laufenden Betrieb, aber teurer in der Einführung und Wartung.
Voraussetzungen
Die harte Voraussetzung ist Datenhistorie. Zwei bis drei Jahre saubere Abverkaufsdaten auf SKU-Ebene sind die Untergrenze für Modelle, die statistisch belastbare Vorhersagen erzeugen. Unternehmen, die erst seit zwei Jahren auf einer einheitlichen Plattform arbeiten, werden Forecasting-Qualität erleben, die klassische Methoden kaum schlägt.
6. Intelligente Produktsuche
Was es ist
Klassische Shopsuche matcht Keywords gegen Produkttexte und Attribute. Semantische Suche arbeitet mit Vektoren: Produkttexte und Suchanfragen werden in Embeddings umgerechnet, die Nähe im Vektorraum entscheidet über Relevanz. Das Ergebnis: Treffer auch bei Tippfehlern, Synonymen und Umschreibungen, die eine klassische Suche nicht erkennt.
KI-Modus: Semantische Suche und natürlichsprachliche Queries
Der nächste Schritt ist die natürlichsprachliche Suche. Nutzer tippen nicht mehr „Bit 4mm“, sondern „Zeig mir Bits für meine Bohrmaschine mit 800 Watt“. Das System zerlegt die Anfrage, zieht relevante Produktdaten und liefert eine gefilterte Ergebnismenge samt Begründung. Technisch laufen darunter Vektor-Datenbanken (Qdrant, Weaviate, Pinecone), Embedding-Modelle (OpenAI text-embedding-3, Cohere Embed, open-source bge-large) und eine Ranking-Schicht, die Geschäftsregeln wie Marge, Verfügbarkeit oder Kundenstatus mit einfließen lässt.
Commercial Options sind Algolia NeuralSearch, Elastic Relevance Engine oder die Shopware Search ab Rise mit integriertem AI-Modus. Für Shops mit sehr großem Katalog und spezifischen Anforderungen lohnt ein eigener Stack auf Qdrant oder Weaviate.
Was es bringt
Die Wirkung ist in zwei Kennzahlen sichtbar: Null-Treffer-Rate sinkt typisch von 8 bis 15 Prozent auf unter 3 Prozent, die Conversion auf Suchseiten steigt um 10 bis 20 Prozent. Für B2B-Shops mit komplexen Produktkatalogen ist der Hebel oft noch größer, weil Fachbegriffe und Kundenbezeichnungen stark variieren.
Was es kostet
Algolia NeuralSearch startet im mittleren vierstelligen Bereich pro Monat, Shopware Rise ist über die Lizenz abgedeckt, ein Eigenbau mit Qdrant liegt bei 500 bis 2.000 Euro Infrastruktur pro Monat plus Embedding-Kosten (OpenAI ab etwa 0,02 Dollar pro 1.000 Tokens). Initiale Integration: 15.000 bis 40.000 Euro, abhängig von Katalogtiefe und Ranking-Logik.
Voraussetzungen
Die Qualität der Produkttexte entscheidet über die Qualität der Suche. Dürre Attributtabellen mit 20 Wörtern pro Produkt liefern semantisch kaum Signal. Erst strukturierte Beschreibungstexte, Anwendungskontexte und Synonyme in der PIM-Pflege machen semantische Suche wirklich stark. Deshalb greifen Use Case 1 (Produktdaten-Anreicherung) und Use Case 6 (Intelligente Suche) operativ ineinander.
7. Individuelle KI-Agents im Shop
Was es ist
Ein Chatbot antwortet, ein Agent handelt. Der Unterschied ist nicht kosmetisch, er ist architektonisch: Agents haben API-Zugriff auf Warenkorb, Bestellsystem, CRM, ERP und können Aktionen im Namen des Nutzers ausführen. Sie kombinieren LLM-Reasoning, strukturierte Tool-Calls und Memory über mehrere Interaktionen hinweg.
Was es bringt
Die Einsatzfelder sind je nach Kundentyp unterschiedlich.
Im B2B entsteht echter Mehrwert in drei Szenarien. Ein Einkaufsassistent versteht das Einkäuferprofil, erkennt wiederkehrenden Bedarf und bestellt Standardware automatisch nach. Ein Konfigurations-Guide führt durch komplexe Produktkonfigurationen, wie sie im Maschinenbau oder bei IT-Hardware üblich sind, und validiert Kompatibilität schon während der Eingabe. Ein Compliance-Check-Agent prüft vor der Bestellung, ob interne Freigabeprozesse und Richtlinien eingehalten sind, und spart dem Vertrieb manuelle Rückfragen.
Im D2C liegen die Szenarien näher am Endkunden. Ein Styling-Berater im Fashion-Shop gleicht Vorlieben, Körperdaten und Wetter ab, ein Ernährungs- oder Fitness-Coach im Supplement-Shop baut Pläne aus dem Sortiment, ein Geschenke-Finder kombiniert Budget, Empfängertyp und Anlass zu einer konkreten Produktauswahl.
Was es kostet
Agenten-Projekte sind deutlich aufwendiger als klassische Chatbots, weil Tool-Integration, Autorisierung und Fehlerbehandlung zum Kern gehören. Realistische Bandbreite: 40.000 bis 120.000 Euro für ein produktionsreifes Setup mit einem klar abgegrenzten Szenario, plus 1.000 bis 5.000 Euro monatlich für LLM-Kosten und Betrieb. Eigenbau auf Basis von LangGraph, CrewAI oder Anthropic Claude Agents senkt Lizenzkosten, erhöht aber Wartungsaufwand.
Voraussetzungen
Agents sind nur dann sinnvoll, wenn sie echte Aktionen auslösen können: Warenkorb anpassen, Bestellung auslösen, CRM-Notiz schreiben, Lagerbestand reservieren. Ohne API-Zugriff auf die operativen Systeme bleibt jeder Agent ein besserer FAQ-Ersatz. Weitere Voraussetzungen sind eine klare Freigabe-Mechanik für kritische Aktionen (Double-Confirm bei Bestellungen über einem Schwellenwert), eine saubere Audit-Spur und eine Haftungsklärung mit dem Datenschutzbeauftragten. Reifegrad 2026: produktive Piloten sind real, Serienreife kommt in den kommenden zwölf Monaten.
Wie man den richtigen Einstiegspunkt findet
Die sieben Anwendungsfälle unterscheiden sich in Reifegrad, Implementierungsaufwand und Datenanforderung. Die folgende Orientierung gilt für Unternehmen mit 50 bis 500 Mitarbeitern und einem Jahresumsatz zwischen 5 und 50 Millionen Euro im E-Commerce:
„Die sieben Use Cases mit Produktionsreife 2026 haben eine Gemeinsamkeit: Sie ersetzen Routinearbeit, nicht Entscheidungen. Das ist die Linie, an der sich Wirtschaftlichkeit entscheidet.“
Philipp Beyer
CTO, onacy GmbH
Use Case
Aufwand
Nutzen
Voraussetzung
Produktdaten-Anreicherung
15.000 bis 100.000 Euro je nach Modelltiefe
60 bis 80 Prozent Zeitersparnis, Fehlquote unter 5 Prozent
Konsolidierte Datenbasis im PIM
Personalisierung
500 bis 5.000 Euro monatlich (SaaS)
10 bis 20 Prozent höherer Bestellwert
Valide Tracking-Daten, über 1.000 Sitzungen pro Monat
Preisoptimierung
200 bis 800 Euro monatlich (Marktplatz) bis 80.000 Euro (eigene Engine)
2 bis 8 Prozentpunkte mehr Marge
Echter Preisspielraum plus Monitoring
Kundenservice-Chatbot
500 bis 3.000 Euro monatlich, Custom ab 20.000 Euro
40 bis 60 Prozent der Anfragen automatisiert
Strukturierte Wissensbasis und Eskalationsprozess
Demand Forecasting
2.000 bis 10.000 Euro monatlich (SaaS)
15 bis 25 Prozent weniger Lagerbestand bei besserer Verfügbarkeit
2 bis 3 Jahre Abverkaufsdaten auf SKU-Ebene
Semantische Produktsuche
15.000 bis 40.000 Euro Integration
Null-Treffer-Rate unter 3 Prozent, 10 bis 20 Prozent mehr Conversion auf Suchseiten
Hochwertige, strukturierte Produkttexte
Natürlichsprachliche Suche (KI-Modus)
Aufschlag auf semantische Suche: Vektor-Stack plus Ranking-Schicht
Größter Hebel in B2B-Katalogen mit variierenden Fachbegriffen
Embedding-Pipeline und Geschäftsregeln im Ranking
Individuelle KI-Agents
40.000 bis 120.000 Euro plus 1.000 bis 5.000 Euro monatlich
API-Zugriff auf Shop, ERP und CRM plus Freigabe-Mechanik
Aufwand und Nutzen der KI-Use-Cases im Vergleich. Stand: Juni 2026.
Wer bei null anfängt, sollte nicht versuchen, alle sieben Bereiche gleichzeitig anzugehen. Der wirkungsvollste erste Schritt ist oft die Produktdaten-Anreicherung, weil sie direkt die Datenqualität für alle anderen KI-Anwendungen verbessert. Wie Nutzungsdaten und KI dabei zusammenspielen, beschreibt unser Artikel zum PXM Closed Loop.
Fazit
KI im E-Commerce liefert dort messbare Ergebnisse, wo klare Datenbasis, definierte Erfolgskriterien und realistische Erwartungen zusammenkommen. Die sieben beschriebenen Anwendungsfälle sind keine Versprechen, sondern Bereiche, in denen die Technologie nachweislich funktioniert, mit den beschriebenen Einschränkungen und Voraussetzungen.
Der größte Fehler ist nicht, zu langsam zu starten. Er ist, mit dem falschen Anwendungsfall zu starten und nach einem misslungenen Piloten die gesamte KI-Agenda zu begraben.
Welcher KI-Anwendungsfall passt zu Ihrem Unternehmen?
Wir helfen Ihnen, den richtigen Einstiegspunkt zu finden. Kein Hype, keine Standardantworten. Nur eine ehrliche Einschätzung auf Basis Ihrer Datenlage und Ihrer Ziele.
Welche KI-Anwendungen rentieren sich 2026 im E-Commerce?
Die höchste Rendite liefern Use Cases mit klarer Messgröße: Produktdaten-Anreicherung (60 bis 80 Prozent Zeitersparnis), Kundenservice-Chatbots (40 bis 60 Prozent Automatisierung) und Personalisierung (10 bis 20 Prozent höherer Bestellwert). Demand Forecasting und KI-Agents rentieren sich erst mit ausreichender Datenbasis und API-Integration.
Was kostet die Einführung eines KI-Use-Case im Shop?
Typisch 15.000 bis 50.000 Euro Initialkosten je Use Case, je nach Komplexität und Integrationstiefe. Laufende API-Kosten liegen im mittleren dreistelligen bis niedrigen vierstelligen Bereich pro Monat. Hinzu kommen interne Aufwände für Datenaufbereitung und Testing. Ein erster Pilot mit begrenztem Scope ist oft in 6 bis 12 Wochen produktiv und liefert belastbare Zahlen für die Skalierung.
Welche KI-Modelle sind 2026 State of the Art?
Für Texte Claude 4.x oder GPT-4.x. Für Bilder GPT-4o Vision oder Claude Vision. Für Embeddings meist OpenAI text-embedding-3. Die Wahl hängt von Budget, Datenschutz und Latenz ab. Für DSGVO-kritische Daten bieten alle großen Anbieter EU-Hosting, alternativ kommen Open-Source-Modelle wie Llama oder Mistral im eigenen Rechenzentrum infrage. Modellwechsel sind über API-Abstraktion mit wenigen Tagen Aufwand möglich.
Muss ich meine Produktdaten für KI aufbereiten?
Ja. KI verstärkt Datenqualität, sie ersetzt sie nicht. Strukturierte Attribute, konsistente Taxonomien und saubere Bilder sind die Basis für verlässliche Ergebnisse. Als Voraussetzung gelten gepflegte Stammdaten in PIM oder ERP, idealerweise mit definierten Pflichtfeldern je Kategorie. Die Aufbereitung selbst lässt sich KI-gestützt beschleunigen, etwa durch automatische Attribut-Extraktion aus bestehenden Beschreibungen und Datenblättern.
Welche KI-Use-Cases im E-Commerce haben 2026 Produktionsreife?
Sieben Anwendungsfälle zeigen messbaren Nutzen: Produktdaten-Anreicherung, Personalisierung, Preisoptimierung, Service-Chatbots, Demand Forecasting, intelligente Produktsuche sowie individuelle KI-Agents. Die ersten sechs sind im Mittelstand produktiv im Einsatz, Agents erreichen 2026 Serienreife. Voraussetzung ist in allen Fällen eine belastbare Datenbasis, typische Pilotprojekte laufen 2 bis 3 Monate bis zur ersten messbaren Wirkung.
Was ist der Unterschied zwischen einem KI-Chatbot und einem KI-Agent?
Ein Chatbot antwortet, ein Agent handelt. Agents haben über Tool-Calls direkten Zugriff auf Warenkorb, Bestellsystem, CRM und ERP und können Aktionen im Namen des Nutzers auslösen. Sinnvoll sind sie nur, wenn diese Aktionen echten Geschäftsnutzen haben, sonst bleiben sie ein besserer FAQ-Ersatz.
Autor
Philipp Beyer
CTO, onacy GmbH
Philipp Beyer verantwortet als CTO der onacy GmbH die technische Architektur von Commerce- und Datenplattformen. Sein Fokus liegt auf produktiver KI-Integration im E-Commerce, von semantischer Suche über Recommendation-Systeme bis zu Agent-Architekturen, die in bestehende Shop-, PIM- und ERP-Landschaften eingebettet werden.
