Walmart berichtet über bemerkenswerte Ergebnisse seines KI-Einkaufsassistenten Sparky. Nach Unternehmensangaben liegt der durchschnittliche Warenkorbwert bei Sparky-Nutzern 40 % höher. Die visuelle Produktsuche erreicht zudem eine 57 % höhere Conversion als die textbasierte Suche. Das sind interessante Signale – auch wenn damit noch keine ursächliche Wirkung der KI nachgewiesen ist.
Gleichzeitig kommt aus Europa eine wichtige Botschaft. Auf dem Retail Media Impact Summit in Amsterdam bewerteten Handelsexperten verschiedene KI-Anwendungen nach ihrer wirtschaftlichen Relevanz.
Das Ergebnis KI-gestützter Optimierung
Datenqualität und KI-gestützte Optimierung sind bereits relevant. Vollständig autonome Einkaufsagenten dagegen eher Zukunftsmusik. Für FMCG-Vertriebsleiter ergibt sich daraus eine wichtige Konsequenz. Wir sollten KI nicht mehr nur danach beurteilen, was technisch möglich ist. Sondern danach, welchen wirtschaftlichen Beitrag sie leistet.
Beispielsweise Wirkungen von KI-Einsatz:
→ Mehr Umsatz durch bessere Sortimentsentscheidungen?
→ Weniger Kosten durch effizientere Außendienstbesuche?
→ Höherer Promotion-ROI?
→ Weniger Zeitaufwand für Analysen und Berichte?
Vielleicht brauchen wir deshalb eine neue Steuerungsgröße: Den messbaren Wertbeitrag unserer KI-Anwendungen.
Die entscheidende Frage lautet: Welche KI-Anwendung hat in Ihrem Vertrieb bereits einen nachweisbaren wirtschaftlichen Nutzen erbracht?
Mein Vorschlag: Eine KI-Wirkungs-Scorecard
Für jeden relevanten KI-Anwendungsfall könnten fünf Größen erfasst werden: Zeitersparnis, zusätzlicher Umsatz, Kosteneinsparung, Entscheidungsqualität und Implementierungsaufwand. Damit ließen sich Projekte systematischer vergleichen.
So könnte die Scorecard aufgebaut sein
| Betrachtungsfeld | Messgröße | Leitfrage |
|---|---|---|
| Umsatz | zusätzlicher Absatz, Rohertrag oder vermiedener Umsatzverlust | Entsteht ein nachweisbarer Geschäftseffekt? |
| Kosten | eingesparte externe Kosten oder vermiedener Aufwand | Welche Kosten sinken tatsächlich? |
| Zeit | eingesparte Stunden pro Woche oder Vorgang | Wie viel Arbeitszeit wird frei – und wofür wird sie genutzt? |
| Entscheidungsqualität | z. B. Forecast-Trefferquote, Prognosegüte oder Qualität von Handlungsempfehlungen | Werden Entscheidungen messbar besser? |
| Aufwand | Einführungsaufwand, Datenbedarf, laufende Pflege | Was kostet es, die Wirkung zu erreichen und dauerhaft zu halten? |
Oben stehen drei große Ergebnisfelder: UMSATZ · KOSTEN · ZEIT. Darunter folgt eine Vergleichstabelle für einzelne Anwendungsfälle. Die Werte sollten jeweils den Ausgangswert, den Wert nach dem Pilot und den belegten Effekt zeigen.
| KI-Anwendungsfall | Umsatz | Kosten | Zeit | Entscheidungsqualität | Aufwand |
|---|---|---|---|---|---|
| Vorbereitung von Jahresgesprächen | Wirkung erfassen | Wirkung erfassen | Stunden je Kunde | Einschätzung des KAM-Teams | niedrig / mittel / hoch |
| Außendienst: Besuchsvorbereitung und Empfehlungen | z. B. Absatzentwicklung | z. B. Kosten je Besuch | Vorbereitungszeit | Umsetzung empfohlener Maßnahmen | niedrig / mittel / hoch |
| Absatz- oder Aktionsprognose | Absatz / Rohertrag | Überbestände / Abschriften | Analysezeit | Prognosegüte | niedrig / mittel / hoch |
Die Beispiele passen zu typischen KI-Einsatzfeldern im FMCG-Umfeld, etwa Absatzprognosen, Vertriebssteuerung und die Optimierung von Platzierung oder Werbeausgaben.
Wichtig für eine faire Bewertung
Zeitgewinn ist zunächst frei werdende Kapazität. Er wird erst dann zu einem finanziellen Nutzen, wenn diese Zeit sinnvoll eingesetzt wird. Außerdem sollten Umsatz- und Kosteneffekte nicht doppelt gezählt werden. Deshalb braucht jede Bewertung einen Ausgangswert und einen nachvollziehbaren Vergleich.