Auf dem Retail Technology Show 2026 in London hat eine Umfrage unter Branchenvertretern ergeben: 24 % der befragten Technologieanbieter halten KI im Handel für überhypt oder verwirrend. Was steckt dahinter – und was folgt daraus für die Evaluierung von KI-Pricing-Tools?
Auf dem Retail Technology Show (RTS) 2026 in London – dem wichtigsten europäischen Event für Handelstechnologie – hat die Association of Software and Payments Retailers (ASPR) unter Teilnehmern eine Einschätzung zur KI-Reife im Retail eingeholt. Das Ergebnis ist ernüchternd: Ein Viertel der befragten Technologieanbieter hält KI im Handel entweder für überhypt oder für aktiv verwirrend. Fast die Hälfte schätzt sie als vielversprechend, aber noch frühzeitig ein. Nur rund drei von zehn sagen, KI liefere bereits messbare Ergebnisse.
Die Erhebung ist methodisch begrenzt – 50 Befragte, vornehmlich Anbieterseite, auf einem spezifischen Event. Dennoch ist der Befund signifikant: Er kommt aus der Gruppe, die am stärksten ein Interesse daran hat, KI positiv darzustellen – den Technologieanbietern selbst. Dass ein Viertel von ihnen Übertreibung oder Verwirrung attestiert, sagt etwas über den aktuellen Zustand des Marktes.
Warum das KI-Versprechen im Retail noch nicht vollständig eingelöst ist
KI-Systeme im Retail – ob für Pricing, Demand Forecasting, Personalisierung oder Supply Chain – versprechen Effizienzgewinne, die in der Praxis von einer zentralen Voraussetzung abhängen: Datenqualität. Und genau hier hakt es. Viele mittelständische Händler haben keine konsistenten, integrierten Datenpipelines. Historische Verkaufsdaten liegen in verschiedenen Systemen, Wettbewerberpreise werden nicht systematisch erfasst, und Produktdaten sind unvollständig oder inkonsistent. Ein KI-Modell, das auf diese Basis aufgesetzt wird, produziert Prognosen, die schlechter sind als einfache Heuristiken.
Ein zweites Problem: Anbieter kommunizieren KI-Fähigkeiten oft in einer Sprache, die interne Kaufentscheider nicht hinterfragen können. „Machine Learning-gestützte Elastizitätsschätzung" klingt nach echter KI – ist aber in manchen Produkten eine einfache Regressionsanalyse mit neuem Namen. Das schafft Erwartungen, die nicht erfüllt werden, was zu Enttäuschung und KI-Skepsis führt.
Was gute KI-Pricing-Implementierungen von Marketing-KI unterscheidet
Die 28 % der RTS-Befragten, die bereits messbare Ergebnisse sehen, haben typischerweise eines gemeinsam: Sie haben vor der KI-Implementierung in Datenqualität investiert. Saubere, konsistente Produktdaten, integrierte Wettbewerber-Monitoring-Feeds und klare Definitionen, was das Modell optimieren soll (Marge vs. Volumen vs. Preisimage), sind die Grundlage. Ohne diese Basis ist die beste KI-Pricing-Software ein teures Experiment.
Praktische Konsequenz für Software-Evaluierungen
Wer 2026 Pricing-Software evaluiert, sollte KI-Versprechen systematisch hinterfragen: Mit welchen Daten trainiert das Modell? Wie geht es mit lückenhaften oder inkonsistenten Eingangsdaten um? Kann der Anbieter Referenzkunden mit vergleichbarer Datensituation und messbaren Ergebnissen vorweisen? Und: Was passiert, wenn das Modell falsch liegt – gibt es Mechanismen für menschliche Kontrolle?
Pricing Takeaway: KI im Pricing ist nicht überhypt in der Theorie – sie ist oft überhypt in der Implementierungsreife spezifischer Produkte. Wer KI-Pricing-Software evaluiert, ohne die Datenbasis zu prüfen und ohne Referenzimplementierungen zu sehen, kauft Erwartungen – keine Ergebnisse. Die 28 %, die bereits echten Nutzen sehen, haben eines gemeinsam: sie haben die Hausaufgaben vor der Software-Implementierung gemacht.