In dieser Woche hätte ich auf dem WorldFood Summit & der Nielsen Akademie zum Thema KI im Handel und FMCG sprechen sollen. Wegen einer Erkrankung konnte ich nicht auf die Bühne gehen — deshalb halte ich hier einige Thesen fest, die ich für wesentlich halte.
Heute sprechen alle über KI. Im Geschäft ist die eigentliche Frage aber längst nicht mehr, welches Werkzeug man auswählt. Die relevantere Frage lautet: Kann ein Unternehmen KI in ein steuerbares, messbares Ergebnis verwandeln?
Der erste und hartnäckigste Mythos besteht darin, dass KI im Geschäft im Wesentlichen auf die Wahl eines modischen Tools hinauslaufe. In der Praxis beginnt KI erst dann Wirkung zu entfalten, wenn sie in Prozesse eingebettet wird und Teil von Geschäftsstrategie und Unternehmenskultur wird.
Ein neues Modell behebt kein altes Durcheinander. Es macht es nur schneller und teurer.
Damit das alles nicht auf dem Niveau einer schönen Idee stehen bleibt, sollte man sich besser nicht auf Inspiration, sondern auf eine belastbare Abfolge von Schritten stützen.
Zunächst müssen im Unternehmen die Grundvoraussetzungen geschaffen werden. Die Arbeit mit KI muss zu einer erlernten Fähigkeit werden, nicht zu einer einmaligen Initiative. Es geht dabei nicht um Zertifikate oder um einen „absolvierten Kurs“, sondern um die Fähigkeit, KI in der realen Arbeit anzuwenden — in den eigenen Aufgaben, im eigenen Prozess, im eigenen Verantwortungsbereich.
Dann kommt ein weiterer wichtiger Punkt: Die Einführung von KI darf nicht „der IT überlassen“ werden. Das ist eindeutig Sache der Führung. Führungskräfte setzen die Norm, etablieren Rituale, gehen voran und lassen Defätismus gar nicht erst Wurzeln schlagen. Sätze wie „Das wird bei uns nicht funktionieren“ oder „Das ist nichts für uns“ töten eine Einführung schneller als jeder Mangel an Technologie.
Auch wenn all das wie das übliche Gespräch „über Kultur“ klingen mag, ist es in der Praxis keineswegs abstrakt. In einer Reihe von Interviews mit Akteuren aus Handel und FMCG zeigte sich ein ziemlich stabiles Bild. Insgesamt nannten die Teilnehmer zehn verschiedene Treiber, die die Einführung von KI fördern, und elf verschiedene Barrieren, die sie bremsen oder zum Scheitern bringen.
Zu den am häufigsten genannten Treibern gehörten Datenreife, Unterstützung durch das Management und ein eigenes Budget. Zu den häufigsten Barrieren gehörten Sicherheitsrisiken, Kosten bei unklarem ROI sowie Widerstand im Team, wenn Mitarbeiter direkt oder indirekt signalisieren: „Das wird bei uns nicht fliegen.“
Der Sinn ist sehr einfach: Wenn Sie Treiber und Barrieren frühzeitig sehen, können Sie Ihre Bereitschaft ehrlich einschätzen — und müssen sich später nicht wundern, warum die Werkzeuge gekauft wurden, aber der Effekt ausblieb.
Ein weiterer wichtiger Befund aus unserer Analyse: Unternehmen, die die größte Bereitschaft zeigten, waren in der Regel auch bei der tatsächlichen Einführung am weitesten. Sie hatten mehr KI-Prozesse im Pilotbetrieb oder bereits produktiv und damit einen höheren Reifegrad insgesamt.
Zuerst das Fundament bauen, dann die Anwendungsfälle skalieren. Nicht umgekehrt.
Daraus ergibt sich sofort die praktische Frage: Womit anfangen?
Ein gesondertes Problem ist der Versuch, alles gleichzeitig zu tun. In der Praxis führt das fast immer zum gleichen Ergebnis: viele Piloten, viel Lärm — und sehr wenig realer Effekt.
Deshalb sollten Initiativen durch eine einfache Matrix gefiltert werden: Wirkung × Aufwand.
Sie teilt die Fälle in vier Gruppen:
- Schnelle Gewinne — hohe Wirkung bei relativ geringem Aufwand. Genau dort sollte man anfangen, weil sie schnell Vertrauen im Unternehmen schaffen.
- Investitionswürdig — hohe Wirkung, aber auch hoher Aufwand. Das sind keine „schnellen Gewinne“ mehr, sondern das Fundament: Daten, Integrationen, Qualität der Stammdaten und Prozessarchitektur.
- Glänzende Spielzeuge — sehen gut aus, bringen aber wenig Nutzen. Sie lassen sich leicht starten, verändern aber selten die ökonomische Logik des Geschäfts.
- Schlechte Idee — hoher Aufwand, geringe Wirkung. Das sind Fälle, die von Anfang an nicht skalierbar wirken und schnell zu teurem Lärm werden.
Gewinnen wird also nicht derjenige mit den meisten Piloten, sondern derjenige, der zwei oder drei richtige Wetten eingeht: zuerst ein schneller und verständlicher Effekt, dann systematische Skalierung.
Eine weitere wichtige Frage lautet, wo KI im Unternehmen eigentlich „lebt“. In der Praxis lassen sich fast alle Fälle in zwei Typen teilen: Der erste betrifft interne Effizienz, wo KI das Volumen manueller Arbeit, Fehler und Verzögerungen reduziert und Produktivität sowie Entscheidungsgeschwindigkeit erhöht; der zweite betrifft den äußeren Bereich, in dem KI den Wert für den Kunden und das Geld für das Unternehmen steigert — durch Service, Personalisierung, Ausführung und neue Angebote. In beiden Fällen gilt jedoch derselbe Grundsatz:
KI lebt nicht im Chat und nicht im klügsten Modell. Sie lebt im Steuerungskreislauf: Entscheidung, Handlung, Kontrolle.
Solange dieser Kreislauf nicht geschlossen und oft genug wiederholt wurde, um stabil und mit klarer Ökonomie zu funktionieren, handelt es sich nicht um Einführung, sondern um ein Spiel mit Technologie.
Wenn man über praktische Anwendungsfälle spricht, gibt es drei Bereiche, in denen KI bereits einen klaren geschäftlichen Nutzen liefert.
1. Service als Teil des Produkts
Der Schmerzpunkt ist fast allen klar: Die Belastung des Kundendienstes steigt, die Antwortzeit wird länger, und die Servicekosten steigen ebenfalls. Ein KI-Assistent übernimmt Standardanfragen und übergibt komplexere Fälle an einen Menschen — jedoch nicht chaotisch, sondern innerhalb eines Prozesses mit Qualitätskontrolle. Das Ergebnis: Das Team kann bis zu ~80% der Routinezeit freisetzen und sich auf das konzentrieren, was die Kundenerfahrung tatsächlich beeinflusst.
2. „Operative Wahrheit“ im stationären Handel
In vielen Unternehmen werden Daten über das Regal noch immer manuell erhoben: Das ist langsam, ungenau, manchmal betrugsanfällig und fast immer verzögert. KI kann diese Kontrolle automatisieren — etwa durch Bilderkennung — und den Fakt sofort in Bericht und Aufgabe übersetzen. In der Praxis verkürzt das die Zeit für manuelle Kontrolle um bis zu ~60% und reduziert die Verzögerung beim Eingang von Daten von einer Woche auf wenige Minuten. Das Gespräch bewegt sich damit vom Rätselraten zu Fakten.
3. Personalisierung
Das Problem mit Mikrosegmenten besteht darin, dass es immer noch Tausende Kunden in „einem Paket“ sind — und damit zu allgemeine Kommunikation und ein verwaschener Effekt. KI arbeitet anders: Sie trifft Entscheidungen auf Ebene des konkreten Menschen, seines Kontexts, seines Kanals und seines Moments — das, was oft als next best action bezeichnet wird. In realen Fällen führt das zu einem Umsatzwachstum von etwa 1,2–2,0% und einem Margenwachstum von etwa 1,1–1,8%, wobei der Effekt durch A/B-Tests bestätigt wird und nicht nur durch eine schöne Präsentation.
Was für die einen noch nach Zukunft klingt, ist für andere bereits Arbeitsrealität geworden. Deshalb müssen Unternehmen strategisch denken. Es geht längst nicht mehr nur um aktuelle Prozesse und heutige Ökonomie, sondern darum, welche Schnittstellen, Kanäle und Technologien in fünf bis zehn Jahren zur Normalität gehören werden. Um nicht nur hinterherzulaufen, braucht es technologisches Monitoring und vor allem unternehmerische Interpretation:
Was davon verändert das Geschäftsmodell tatsächlich — und was ist nur Lärm?
Gerade hier wird deutlich, warum die vorherigen Schritte — Daten, Prozesse, Kultur, Produktentscheidungen — überhaupt nötig sind. All das ist kein Selbstzweck, sondern das Fundament für die nächste Verschiebung, die für viele längst nicht mehr nur eine ferne Zukunftsfrage ist.
Wenn der wichtigste Übergang früher der Weg von offline zu online war, dann bildet sich jetzt vor unseren Augen die nächste Ebene der Schnittstelle heraus: Assistenten und KI-Agenten, die immer häufiger zum Vermittler zwischen Käufer und Auswahl werden. Im Markt wird bereits die Hypothese diskutiert, dass perspektivisch bis zu 60% des Marktvolumens über solche Schnittstellen laufen könnten. Und wenn sich diese Entwicklung auch nur teilweise verwirklicht, verändert sich die Logik des Wettbewerbs.
Unternehmen konkurrieren dann nicht mehr nur um die Aufmerksamkeit des Menschen, sondern auch darum, vom Algorithmus korrekt „gelesen“ und ausgewählt zu werden. Und der Algorithmus stützt sich nicht auf Werbeversprechen, sondern auf viel bodenständigere Dinge: Verfügbarkeit, Preis, Lieferzeit, Datenqualität und Stabilität der Ausführung.
Wenn Sie in der Antwort des Assistenten nicht vorkommen, kommen Sie in der Wahl des Käufers nicht vor.
P.S. „Alice, bestell mir Medikamente. Du weißt ja schon, was mir wirklich helfen wird, schneller wieder auf die Beine zu kommen.“
This week I was supposed to speak at the WorldFood Summit & Nielsen Academy on AI in retail and FMCG. I fell ill and could not get on stage, so I am setting down a few points here that I consider important.
Everyone is talking about AI. But in business the key question is no longer which tool to choose. The more relevant question is whether a company can turn AI into a controlled, measurable result.
The first and most persistent myth is that AI in business is mainly about choosing a fashionable tool. In practice, AI begins to deliver only when it is embedded in processes and becomes part of business strategy and corporate culture.
A new model will not fix old disorder. It will only make it faster and more expensive.
If all of this is to remain more than a polished idea, it is better to rely not on inspiration but on a proven sequence of action.
First, a company has to create the basic conditions. Working with AI must become an acquired capability, not a one-off initiative. This is not about certificates or a course that has been “completed.” It is about the ability to apply AI in real work — in one’s own tasks, one’s own process, one’s own sphere of responsibility.
There is also another important point: AI implementation cannot simply be left to IT. It is clearly a leadership matter. Leaders set the norm, establish rituals, set the example, and do not allow defeatism to take root. Phrases such as “this will never work for us” or “this is not for us” kill implementation faster than any shortage of technology.
This may sound like yet another conversation about “culture,” but in practice it is not abstract at all. In a series of interviews with participants from retail and FMCG, a fairly stable picture emerged. Respondents named ten different drivers that support AI adoption and eleven different barriers that slow it down or derail it.
The most frequent drivers were data readiness, management support, and dedicated budget. The most common barriers were security risks, costs under unclear ROI, and internal resistance from teams that directly or indirectly communicate: “this will not take off here.”
The meaning is simple: if you see both the drivers and the barriers in advance, you can assess your own readiness honestly and avoid wondering later why the tools were purchased but the effect never came.
Another important conclusion from our analysis was this: companies that showed the highest degree of readiness also tended to be the most advanced in actual implementation. They had more AI processes in pilot or already in production, which meant a higher overall level of maturity.
First build the foundation, then scale the cases. Not the other way around.
That leads directly to the practical question: where should one begin?
A separate problem is the attempt to do everything at once. In practice, that almost always leads to the same result: many pilots, much noise, and very little real effect.
That is why initiatives should be filtered through a simple matrix: impact × effort.
It divides cases into four groups:
- Quick wins — high impact with relatively low effort. These are the best place to start because they quickly create internal trust.
- Worth investing in — high impact, but also high effort. This is no longer about “quick wins” but about the foundation: data, integrations, reference data quality, and process architecture.
- Shiny toys — they look attractive but deliver little value. They are easy to launch, but they rarely change the economics of the business.
- Bad ideas — high effort, low impact. These are the cases that do not look scalable from the beginning and quickly turn into expensive noise.
So the winner is not the one with the largest number of pilots, but the one who can make two or three correct bets: first a fast and comprehensible effect, then systematic scaling.
Another important question is where AI actually “lives” inside a company. In practice, nearly all cases fall into two types: the first concerns internal efficiency, where AI reduces manual work, errors, and delays while increasing productivity and decision speed; the second concerns the external interface, where AI increases value for the customer and revenue for the company through service, personalization, execution, and new offers. But in both cases the principle is the same:
AI does not live in the chat and not in the smartest model. It lives in the management cycle: decision, action, control.
Until that cycle is closed and repeated often enough to function steadily with clear economics, it is not implementation. It is just a game of technology.
If we speak about practical use cases, three zones already show clear business results.
1. Service as part of the product
The pain point is obvious to almost everyone: pressure on customer service grows, response time increases, and service costs rise as well. An AI assistant can take over standard requests while passing more complex cases to a human — not chaotically, but within a process that includes quality control. The result is that the team can free up as much as ~80% of its routine time and focus on what genuinely affects customer experience.
2. “Operational truth” in offline retail
In many companies, shelf data is still collected manually: it is slow, inaccurate, sometimes fraudulent, and almost always delayed. AI can automate control — for example through image recognition — and immediately turn fact into report and task. In practice this reduces manual control time by up to ~60% and shortens the delay in receiving data from a week to a matter of minutes, moving the conversation from guesswork to fact.
3. Personalization
The problem with micro-segments is that they still mean thousands of customers inside one “package,” which leads to overly general communication and diluted effect. AI works differently: it makes decisions at the level of the individual person, their context, channel, and moment — what is often called next best action. In real cases this produces sales growth of roughly 1.2–2.0% and margin growth of roughly 1.1–1.8%, with the effect confirmed by A/B tests rather than by a polished presentation alone.
What still sounds like the future to some has already become working reality for others. That is why companies need to think strategically. The question is no longer only about current processes and today’s economics, but about which interfaces, channels, and technologies will become normal over the next five to ten years. To avoid merely catching up, one needs technological monitoring and, more importantly, entrepreneurial interpretation:
What truly changes the business model, and what is only noise.
That is where the previous steps — data, processes, culture, product decisions — reveal their purpose. None of them is an end in itself. They are the foundation for the next shift, which for many has already ceased to belong to some distant future.
If the main transition used to be the movement from offline to online, then another layer of interface is now forming before our eyes: assistants and AI agents increasingly becoming the intermediary between buyer and choice. There is already a hypothesis in the market that, in time, up to 60% of market volume may pass through such interfaces. If that trajectory materializes even partly, the very logic of competition changes.
Companies begin to compete not only for human attention, but also for being correctly “read” and selected by the algorithm. And the algorithm does not rely on advertising promises. It relies on more grounded things: availability, price, delivery times, data quality, and reliability of execution.
If you are not in the assistant’s answer, you are not in the customer’s choice.
P.S. “Alice, order me some medicine. You already know what will actually help me get back on my feet more quickly.”
На этой неделе я должен был выступать на WorldFood Саммит & Nielsen Академия по теме ИИ в ритейле и FMCG. Но заболел и не смог выйти на сцену — поэтому фиксирую здесь несколько тезисов, которые считаю важными.
Сегодня про ИИ говорят все. Но в бизнесе главный вопрос уже не в том, какой инструмент выбрать. Главный вопрос другой: может ли компания превратить ИИ в управляемый, измеримый результат.
Первый и самый устойчивый миф — что ИИ в бизнесе сводится к выбору модного инструмента. На практике ИИ начинает давать результат только тогда, когда он встроен в процессы и становится частью бизнес-стратегии и корпоративной культуры.
Новая модель не исправит старый бардак. Она просто сделает его быстрее и дороже.
Чтобы всё это не осталось на уровне красивой идеи, лучше опираться не на вдохновение, а на проверенную последовательность действий.
Сначала в компании нужно создать базовые условия. Работа с ИИ должна стать освоенным навыком, а не разовой инициативой. И речь здесь не про сертификаты и “прослушанный курс”, а про способность применять ИИ в реальной работе — в своих задачах, в своём процессе, в своём контуре ответственности.
Дальше — важный момент: внедрение ИИ нельзя оставлять “на откуп IT”. Это точно дело руководства. Руководители задают норму, вводят ритуалы, показывают пример и не позволяют дефетизму укорениться. Потому что фразы вроде «у нас это не получится» или «это не про нас» убивают внедрение быстрее любой нехватки технологий.
И хотя всё это может звучать как очередной разговор “про культуру”, на практике это совсем не абстракция. В серии интервью с участниками рынка ритейла и FMCG мы увидели довольно устойчивую картину. Всего участники называли 10 разных мотиваторов — факторов, которые помогают внедрению ИИ, — и 11 разных барьеров, которые, наоборот, тормозят или срывают его.
Среди мотиваторов чаще всего звучали готовность данных, поддержка руководства и выделенный бюджет. Среди барьеров — риски безопасности, затраты при неочевидном ROI, а также сопротивление внутри команды, когда сотрудники прямо или косвенно транслируют: «это у нас не взлетит».
Смысл здесь очень простой: если вы заранее видите и мотиваторы, и барьеры, вы можете честно оценить свою готовность — и не удивляться потом, почему инструменты купили, а эффекта нет.
И ещё один важный вывод из нашей аналитики: компании, которые показывали наибольшую готовность, как правило, оказывались и наиболее продвинутыми по фактическому внедрению — у них было больше ИИ-процессов в пилоте или уже в продуктиве, а значит, выше и общая зрелость.
Сначала строим фундамент — потом масштабируем кейсы. Не наоборот.
И отсюда возникает уже главный практический вопрос: с чего начинать?
Отдельная проблема — попытка делать всё сразу. На практике это почти всегда приводит к одному и тому же результату: много пилотов, много шума — и очень мало реального эффекта.
Поэтому инициативы имеет смысл фильтровать через простую матрицу: эффект × усилие.
Она делит все кейсы на четыре группы:
- Быстрые победы — высокий эффект при относительно низких усилиях. Именно с них лучше начинать, потому что они быстро создают доверие внутри компании.
- Стоит инвестировать — высокий эффект, но и высокие усилия. Это уже не “быстрые победы”, а фундамент: данные, интеграции, качество справочников, архитектура процессов.
- Блестящие игрушки — выглядят красиво, но пользы почти не дают. Их легко запустить, но они редко меняют экономику бизнеса.
- Плохая идея — много усилий, мало эффекта. Это те кейсы, которые с самого начала не выглядят масштабируемыми и быстро превращаются в дорогой шум.
Поэтому выигрывает не тот, у кого больше пилотов, а тот, кто умеет выбрать 2–3 правильные ставки: сначала быстрый и понятный эффект, потом — системное масштабирование.
Ещё один важный вопрос — где именно ИИ “живёт” в компании. На практике почти все кейсы делятся на два типа: первый — это внутренняя эффективность, где ИИ снижает объём ручного труда, количество ошибок и задержек, повышает производительность и скорость принятия решений; второй — это внешний контур, где ИИ усиливает ценность для клиента и деньги компании — через сервис, персонализацию, исполнение и новые предложения. Но в обоих случаях принцип один и тот же:
ИИ живёт не в чате и не в самой умной модели, а в цикле управления — решение, действие, контроль.
Пока этот цикл не замкнут и не повторён столько раз, чтобы начать работать стабильно и с понятной экономикой, это остаётся не внедрением, а игрой в технологию.
Если говорить о практических кейсах, то для примера можно взять три зоны, где ИИ уже даёт понятный бизнес-результат.
1. Сервис как часть продукта
Здесь боль понятна почти всем: нагрузка на клиентский сервис растёт, время ответа увеличивается, стоимость обслуживания тоже. ИИ-ассистент берёт на себя типовые запросы, а более сложные случаи передаёт человеку — но не хаотично, а в рамках процесса с контролем качества. В результате команда высвобождает до ~80% времени от рутины и может заниматься тем, что действительно влияет на клиентский опыт.
2. «Операционная правда» в офлайне
Во многих компаниях данные о полке до сих пор собираются вручную: это долго, неточно, иногда с фродом и почти всегда с задержкой. ИИ позволяет автоматизировать контроль — например, через распознавание фото — и сразу превращать факт в отчёт и задачу. На практике это сокращает время ручного контроля до ~60%, а задержку в получении данных — с недели до нескольких минут, переводя разговор из зоны догадок в зону фактов.
3. Персонализация
Проблема микросегментов в том, что это всё равно тысячи клиентов “в одном пакете”, а значит — слишком общая коммуникация и размытый эффект. ИИ работает иначе: принимает решение на уровне конкретного человека, его контекста, канала и момента — то, что обычно называют next best action. В реальных кейсах это даёт рост оборота порядка 1,2–2,0% и рост маржи порядка 1,1–1,8%, причём эффект подтверждается A/B-тестами, а не только красивой презентацией.
То, что для одних всё ещё звучит как будущее, для других уже стало рабочей реальностью. Именно поэтому компаниям важно думать стратегически. Речь уже не только о текущих процессах и сегодняшней экономике, а о том, какие интерфейсы, каналы и технологии станут нормой через 5–10 лет. Чтобы не догонять, нужен технологический мониторинг и, главное, предпринимательская интерпретация:
Что из этого реально меняет модель бизнеса, а что — просто шум.
Именно здесь становится понятно, зачем вообще нужны все предыдущие шаги — данные, процессы, культура, продуктовые решения. Всё это не самоцель, а фундамент для следующего сдвига, который для многих уже перестал быть вопросом далёкого будущего.
Если раньше главным переходом был путь от офлайна к онлайну, то сейчас на наших глазах формируется следующий слой интерфейса: ассистенты и AI-агенты, которые всё чаще становятся посредником между покупателем и выбором. На рынке уже звучит гипотеза, что в перспективе до 60% рыночного объёма может проходить через такие интерфейсы. И если эта траектория хотя бы частично реализуется, то меняется сама логика конкуренции.
Компании начинают бороться не только за внимание человека, но и за то, чтобы их корректно “прочитал” и выбрал алгоритм. А алгоритм опирается не на рекламные обещания, а на более приземлённые вещи: наличие, цену, сроки, качество данных и стабильность исполнения.
Если вас нет в ответе ассистента — вас нет в выборе покупателя.
P.S. «Алиса, закажи мне лекарства. Ты уже знаешь, что действительно поможет мне быстрее встать на ноги».