AI-driven UX – wie AI das Einkaufserlebnis verbessert
Der moderne E-Commerce tritt in eine Phase ein, in der das Einkaufserlebnis nicht mehr ausschließlich nach der Ästhetik des Shops, der Geschwindigkeit oder der Anzahl der Funktionen bewertet wird. Immer wichtiger wird, ob der Nutzer das richtige Produkt schnell finden kann, ob er passende Vorschläge erhält, ob das Angebot zu seinem Kaufkontext passt und ob ihm der gesamte Prozess ein Gefühl von Einfachheit und Sicherheit bei seiner Entscheidung vermittelt. Genau in diesem Bereich beginnt künstliche Intelligenz eine immer wichtigere Rolle zu spielen. McKinsey weist darauf hin, dass Verbraucher immer häufiger maßgeschneiderte Online-Interaktionen erwarten und dass AI sowie Generative AI es Unternehmen ermöglichen, die Personalisierung von Erlebnissen deutlich effektiver zu skalieren als traditionelle Ansätze. Parallel dazu entwickeln Anbieter von Commerce-Technologien nicht nur Empfehlungsmechanismen, sondern auch semantische Suche, AI-basiertes Merchandising und Conversational Commerce, die den Weg von der Intention bis zum Kauf verkürzen sollen.
Aus unserer Perspektive ist jedoch am wichtigsten, dass AI das Einkaufserlebnis nicht von selbst verbessert. Es reicht nicht aus, ein Empfehlungsmodell, einen Chatbot oder eine Personalisierungs-Engine einzuführen, damit ein Shop plötzlich intuitiver wird. AI beginnt erst dann echten Mehrwert zu liefern, wenn sie in eine gut konzipierte E-Commerce-Architektur eingebettet ist, Zugang zu strukturierten Daten hat und konkrete Momente der Customer Journey unterstützt, anstatt lediglich ein beeindruckendes Add-on zur Benutzeroberfläche zu erzeugen. In der Praxis bedeutet das einen Wechsel von der Frage „wie fügt man AI dem Shop hinzu“ hin zur Frage „wie nutzt man AI so, dass der Nutzer schneller, einfacher und sicherer kauft“. Diese Richtung ist sowohl mit den Beobachtungen von McKinsey zur Skalierung von Personalisierung als auch mit der Entwicklung von AI-Tools für Search, Discovery und Empfehlungen auf Seiten von Commerce-Plattformen und Cloud-Anbietern konsistent.
AI-driven UX beginnt nicht mit Grafik, sondern mit der Beseitigung von Reibung
Viele Gespräche über UX im E-Commerce konzentrieren sich noch immer auf die visuelle Ebene, während das eigentliche Problem des Nutzers sehr oft etwas viel Einfacheres betrifft: Er kann das passende Produkt nicht finden, versteht die Unterschiede zwischen Varianten nicht, verirrt sich in Filtern oder verliert im Checkout das Vertrauen. Studien zeigen, dass die durchschnittliche Warenkorbabbruchrate auf einem sehr hohen Niveau bleibt – aktuell 70,19 % – und dass Probleme im Zusammenhang mit dem Checkout und der Usability des Kaufprozesses nach wie vor zu den häufigsten Gründen für verlorene Bestellungen gehören. Das ist ein wichtiger Kontext, weil er zeigt, dass das Einkaufserlebnis in der Regel nicht auf spektakuläre Weise scheitert. Meist zerfällt es an den Stellen alltäglicher Reibung, auf die der Nutzer beim Suchen, Vergleichen und Abschließen des Kaufs trifft.
Genau hier beginnt AI-driven UX sinnvoll zu werden. Nicht weil sie klassisches Experience Design ersetzt, sondern weil sie hilft, die Nutzerintention schneller zu verstehen und die Benutzeroberfläche besser darauf abzustimmen. Und genau hier entsteht die Notwendigkeit von Personalisierung. Personalisierter Commerce ist ein Ansatz, bei dem AI-powered Search and Discovery die Zeit verkürzen, die benötigt wird, um das richtige Produkt zu finden, das semantische Verständnis von Suchanfragen unterstützen, Zero-Result-Search-Fälle reduzieren und eine bessere Anordnung der Produkte auf Kategorieseiten ermöglichen. Google Cloud entwickelt wiederum Vertex AI Search for Commerce und Conversational Commerce genau dafür, damit Nutzer natürlicher nach Produkten suchen können und der Shop besser auf ungenaue, beschreibende oder kontextbezogene Fragen reagiert. Aus UX-Perspektive bedeutet das vor allem eines: weniger Aufwand auf Seiten des Käufers und eine größere Chance, dass der Weg zum Produkt kürzer, intuitiver und weniger frustrierend wird.
Das verändert auch die Art und Weise, wie über Optimierung gedacht wird. Noch vor Kurzem wurde UX hauptsächlich durch manuelle Layout-Tests, heuristische Audits und weitere Iterationen der Benutzeroberfläche verbessert. Heute kann AI diesen Prozess deutlich umfassender unterstützen – durch die Analyse von Verhaltensmustern, das Erkennen von Momenten nachlassender Aufmerksamkeit, das Aufdecken wiederkehrender Probleme in Customer Journeys und die bessere Anpassung der Logik der Inhaltsdarstellung an das tatsächliche Nutzerverhalten. Aus unserer Perspektive ist jedoch am wichtigsten, AI nicht als Abkürzung zu behandeln, die die Grundlagen umgeht. Wenn der Checkout unklar ist, die Produktdaten inkonsistent sind und die Katalogstruktur chaotisch ist, wird selbst das beste Modell architektonische oder konzeptionelle Fehler nicht beheben. Grundlegende Usability-Probleme haben nach wie vor einen enormen Einfluss auf Warenkorbabbrüche, und AI hat den größten Wert dann, wenn sie einen gut konzipierten Prozess stärkt, anstatt seine Schwächen zu kaschieren.
Die Personalisierung der Customer Journey hört auf, ein Zusatz zu sein, und wird zur Logik des Shops
Personalisierung im E-Commerce wurde lange Zeit recht oberflächlich verstanden. Meist beschränkte sie sich auf die Anzeige einiger empfohlener Produkte, eine Erinnerung an einen abgebrochenen Warenkorb oder eine grundlegende Segmentierung von Kampagnen. Heute reicht dieses Modell nicht mehr aus. McKinsey betont, dass Unternehmen mit steigenden Kundenerwartungen beginnen, AI und Generative AI zu nutzen, um die Personalisierung von Erlebnissen deutlich tiefer zu skalieren und nicht nur für ein einfacheres Targeting von Botschaften. Das bedeutet eine Abkehr von der Vorstellung der Personalisierung als separates Marketingmodul und den Übergang zu einem Denken über Personalisierung als Logik der gesamten Customer Journey.
In der Praxis bedeutet die Personalisierung der Customer Journey heute weit mehr, als ein Banner an ein Nutzersegment anzupassen. Es geht darum, dass der Shop auf den aktuellen Kontext reagiert – Kaufhistorie, aktuelles Verhalten, Einstiegsquelle, Phase des Kaufprozesses, Kundentyp, bevorzugtes Liefermodell oder zugewiesene Preislogik. Shopware beschreibt Real-Time Personalization genau als die Fähigkeit, Inhalte und Erlebnisse auf Basis aktueller Interaktionen und Verhaltensweisen an den einzelnen Nutzer anzupassen. Im B2B-Kontext ist dieser Umfang noch größer, weil er dynamische Preise auf Kunden- oder Projektebene, personalisierte Dashboards, individuelle Suchergebnisse oder angepasste Zahlungs- und Liefermethoden umfassen kann. Aus unserer Perspektive ist das eine sehr wichtige Veränderung, weil sie zeigt, dass Personalisierung heute kein Schmuckelement des Einkaufserlebnisses mehr ist, sondern ein Bestandteil seiner Funktionalität.
Dieser Ansatz hat auch sehr konkrete Auswirkungen auf das Geschäft. Wenn der Nutzer das richtige Angebot schneller sieht, sich nicht durch irrelevante Kategorien arbeiten muss und sofort die passende Verfügbarkeit, den richtigen Preis und die richtige Kaufvariante erreicht, dann wird das Einkaufserlebnis nicht nur angenehmer, sondern einfach effektiver. Der Kunde verbringt weniger Zeit mit Filtern und mehr Zeit mit Entscheidungen. Aus unserer Perspektive liegt genau hier der größte Wert von AI in der Personalisierung: nicht darin, den Eindruck eines „intelligenten Shops“ zu erzeugen, sondern die Distanz zwischen Bedürfnis und Kauf zu verkürzen. McKinsey und Shopware beschreiben diese Richtung ähnlich – als Übergang zu stärker zugeschnittenen, kontextbezogenen und in Echtzeit funktionierenden Erlebnissen.
Dynamische Empfehlungen funktionieren am besten dann, wenn sie Teil der gesamten Journey sind und nicht nur eine einzelne Box auf der Produktseite
Produktempfehlungen sind eines der ältesten Einsatzfelder von AI im E-Commerce, aber ihre Rolle verändert sich deutlich. Noch vor Kurzem behandelten viele Shops sie als einfaches Cross-Selling- oder Upselling-Modul, das oft nach starren, manuell definierten Regeln funktionierte. Heute werden dynamische Empfehlungen immer häufiger als eine Ebene aufgebaut, die gleichzeitig an vielen Punkten der Customer Journey wirkt: in Suchergebnissen, auf Kategorieseiten, auf der Produktseite, im Warenkorb, nach dem Kauf und manchmal auch in der E-Mail-Kommunikation und im Remarketing.
Das ist sehr wichtig, weil der Nutzer Empfehlungen nicht losgelöst vom Rest des Shops erlebt. Für ihn zählt, ob die Vorschläge relevant sind, ob sie im richtigen Moment erscheinen und ob sie helfen, eine Entscheidung zu treffen, anstatt die Aufmerksamkeit zu zerstreuen. Aus unserer Perspektive sollten gute Empfehlungen nicht nur den Warenkorb erhöhen. Sie sollten auch das Gefühl schaffen, dass der Shop die Bedürfnisse des Käufers versteht, ihm hilft, sich im Angebot zu bewegen, und die Zahl unnötiger Entscheidungen reduziert. Das ist besonders wichtig in Shops mit einem breiten oder komplexen Katalog, in denen die bloße Anzahl an Produkten gegen die Conversion arbeiten kann. In solchen Umgebungen kann AI nicht nur klassische „Kunden kauften auch“-Szenarien unterstützen, sondern auch fortgeschrittenere Ansätze, die auf Intention, Produktähnlichkeit, Sitzungskontext oder Kundenspezifik basieren.
Es ist auch wichtig zu bemerken, dass moderne Empfehlungen immer häufiger über den eigentlichen Moment der Produktauswahl hinausgehen. Shopware entwickelt heute Funktionen wie AI-generated Checkout Message, AI-generated Summary of Ratings, Customer Classification, Search by Context oder Image Search. Das sind wichtige Signale für die Entwicklungsrichtung von Commerce-Plattformen, weil sie zeigen, dass AI nicht mehr in einem einzigen Empfehlungsmodul eingeschlossen ist. Sie beginnt, verschiedene Ebenen des Einkaufserlebnisses zu beeinflussen: von der Produktentdeckung über den Vertrauensaufbau auf der Produktseite bis hin zur Kommunikation nach dem Kauf. Aus unserer Perspektive wird genau dieses Modell an Bedeutung gewinnen – Empfehlungen als Teil eines breiteren Systems zur Entscheidungsunterstützung und nicht als einzelnes Widget, das dem Layout hinzugefügt wird.
AI verbessert das Einkaufserlebnis nur dann, wenn sie auf einer soliden Grundlage arbeitet
Der größte Denkfehler beim Thema AI im E-Commerce ist die Annahme, dass das Modell selbst das Problem der Erlebnisqualität löst. In der Praxis sind die Qualität von Empfehlungen, die Relevanz von Personalisierung und die Wirksamkeit von AI-driven UX nur so gut wie die Daten, Business Rules und die Architektur, an die die AI angeschlossen wurde. Wenn der Produktkatalog inkonsistent ist, Attribute unvollständig sind, Preise zwischen Kanälen abweichen, Lagerbestände verzögert sind und die Logik von Promotionen unklar ist, dann wird selbst das fortschrittlichste System ein Erlebnis erzeugen, das aus Sicht des Nutzers inkonsistent oder irreführend wirkt. Im E-Commerce sieht man heute eine starke Konzentration auf semantische Suche, Merchandising, Empfehlungen und Discovery genau deshalb, weil diese Bereiche eine solide Datengrundlage benötigen, um relevante Ergebnisse zu liefern.
Dasselbe gilt für Governance. Organisationen, die einen höheren Wert aus AI erzielen, haben häufiger klar definierte Prozesse, die festlegen, wann und wie Modellergebnisse menschliche Validierung erfordern, und verbinden AI mit dem Redesign von Workflows, anstatt sie als loses Experiment zu behandeln. Im E-Commerce ist das von enormer Bedeutung, weil AI bereits heute nicht nur Marketinginhalte beeinflusst, sondern auch die Art und Weise, wie Produkte gesucht, Bewertungen dargestellt, Kunden segmentiert oder Empfehlungen ausgespielt werden. Aus unserer Perspektive verbessert sich das Einkaufserlebnis wirklich erst dann, wenn AI innerhalb eines geordneten Entscheidungsmodells arbeitet und das Vertrauen des Kunden nicht durch falsche, zufällige oder unpassende Vorschläge untergräbt.
Im modernen E-Commerce sollte AI das stärken, was bereits gut konzipiert ist
Bei CREHLER glauben wir nicht an das Narrativ, nach dem AI jeden Onlineshop automatisch reparieren wird. Aus unserer Perspektive ist ein Ansatz viel treffender, bei dem AI gut konzipierte Grundlagen stärkt: eine logische Informationsarchitektur, einen klaren Checkout, konsistente Produktdaten, gut geplante Integrationen und eine sinnvoll aufgebaute Personalisierungsschicht. Erst auf einer solchen Grundlage lässt sich ein Erlebnis aufbauen, das tatsächlich intuitiver, kontextbezogener und besser auf den Nutzer abgestimmt ist.
Genau deshalb wird die Zukunft des Einkaufserlebnisses im E-Commerce nicht darin bestehen, immer weitere spektakuläre Funktionen hinzuzufügen, sondern AI immer besser mit dem realen Kaufprozess zu verbinden. Der Nutzer soll das Produkt schneller finden, das Angebot besser verstehen, passendere Empfehlungen erhalten und reibungsloser vom Interesse zum Kauf gelangen. Und gleichzeitig soll die Marke Daten besser nutzen, die Treffsicherheit von Entscheidungen erhöhen und ein skalierbareres Wachstumsmodell aufbauen. In E-Commerce-Projekten – insbesondere in solchen, die auf modernen Plattformen wie Shopware entwickelt werden – bedeutet das heute immer häufiger die Notwendigkeit, AI-driven UX, Personalisierung und Empfehlungen mit Architektur, Integrationen und einem guten Delivery-Modell zu verbinden. Aus unserer Perspektive beginnt genau hier der echte Vorteil und nicht auf der Ebene des bloßen Schlagworts „AI im Shop“.
