Die unsichtbare Revolution: Wie KI im Hintergrund des Einzelhandels Entscheidungen neu gestaltet

Es ist eine stille Revolution, die sich derzeit in den Führungsetagen und Serverräumen großer Einzelhandelskonzerne vollzieht. Während Verbraucher vor allem die sichtbaren Erscheinungsformen künstlicher Intelligenz wahrnehmen - den Chatbot, der bei der Produktsuche hilft, oder die virtuelle Anprobe - , findet die eigentliche Transformation im Verborgenen statt. Sie betrifft nicht die glitzernde Oberfläche des Einkaufserlebnisses, sondern dessen Fundament: die Art und Weise, wie Entscheidungen getroffen werden.

„KI zuerst bedeutet nicht, Intelligenz obendrauf zu setzen“, erklärt Murali Murugan, Senior Director of Engineering bei Macy’s, in einem Beitrag des MIT Technology Review. „Es bedeutet, neu zu gestalten, wie Entscheidungen ablaufen, damit das Unternehmen schneller agiert und jede Erfahrung sich standardmäßig relevanter anfühlt.“ Dieser Satz, so unscheinbar er klingen mag, markiert einen Paradigmenwechsel. Es geht nicht mehr um die nachträgliche Optimierung bestehender Prozesse durch Algorithmen, sondern um deren grundlegende Neukonzeption unter der Prämisse einer „KI-zuerst“-Philosophie.

Murugans Worte beschreiben eine Entwicklung, die weit über den Einzelhandel hinausweist. In einer Zeit, in der KI-Modelle wie OpenAI’s GPT-5.5 oder Anthropics Mythos 5 ganze Unternehmensnetzwerke simulieren und kompromittieren können, wird die Fähigkeit, aus Datenströmen blitzschnell Handlungen abzuleiten, zum entscheidenden Wettbewerbsvorteil - und zur potenziellen Gefahr. Die von Murugan beschriebene „Lücke zwischen Signal und Handlung“ zu schließen, ist das zentrale Versprechen moderner KI-Systeme, und es verändert gegenwärtig ganze Branchen.

Von isolierten Experimenten zu integrierten Systemen

Der Weg, den Macy’s beschritten hat, ist exemplarisch für eine größere Verschiebung im Handel. Frühe KI-Initiativen konzentrierten sich auf eng umrissene, wirkungsvolle Anwendungsfälle: Suchmaschinenempfehlungen und Kundenbindung. Dort ließen sich messbare Verbesserungen bei Konversionsraten und Reibungsverlusten schnell nachweisen, was intern die nötige Dynamik erzeugte. „Sobald wir die schnellen Erfolge etabliert hatten, war die Skalierung eine Geschäftsentscheidung, keine Technologiedebatte mehr“, sagt Murugan.

Diese Dynamik weitet sich nun auf den Bereich der konversationellen Handelsplattformen aus. Mit „Ask Macy’s“ hat das Unternehmen einen KI-gestützten Einkaufsassistenten entwickelt, der eher als persönlicher Stylist denn als traditionelle Suchleiste fungieren soll. Kunden können in natürlicher Sprache beschreiben, was sie benötigen - sei es für einen Abschlussball, einen Urlaub oder ein kurzfristiges Event - und erhalten kuratierte Empfehlungen, die vergangene Käufe, Präferenzen und den jeweiligen Kontext berücksichtigen. Der Assistent agiert dabei nicht als isoliertes Werkzeug, sondern als Teil eines integrierten Systems, das Personalisierung, Suche, operative Planung und sogar die Softwareentwicklung selbst umfasst.

Die langfristige Vision ist ein Einzelhandel, der sich zunehmend nahtlos, anpassungsfähig und personalisiert anfühlt - angetrieben von Systemen, die Kunden möglicherweise nie bewusst wahrnehmen. „Die eigentliche Transformation kommt von kontinuierlicher Verbesserung“, betont Murugan. „Es geht darum, aus Fehlern zu lernen, sich schnell an neue Technologiestandards anzupassen und Timing und Ausführung so zu optimieren, dass sie sich zu einem bedeutend besseren Kundenerlebnis summieren.“

Die Ökonomie des Unsichtbaren

Was bei Macy’s als „KI-zuerst“-Philosophie firmiert, findet sein technisches Pendant in einer anderen, ebenso unsichtbaren Revolution: der dynamischen Verwaltung von Cloud-Ressourcen. In einem Beitrag für den Google AI Blog beschreiben Todd Lipcon und Manish Purohit ein Verfahren namens „linear elastic caching“, das die Gesamtkosten von Cache-Speichern minimiert, indem es die Speicherzuweisung dynamisch an Echtzeit-Workloads anpasst. Der Ansatz behandelt Arbeitsspeicher nicht als fixe, vorab zugewiesene Ressource, sondern als eine Art Versorgungsgut, dessen Kosten linear von der Größe der zwischengespeicherten Daten und der Dauer ihrer Speicherung abhängen.

Die Analogie ist das klassische „Ski-Verleih“-Problem: Jedes Mal, wenn ein Kunde Daten anfordert, muss das System entscheiden, ob es die Daten im teuren, schnellen RAM behält („mieten“) oder sie löscht und damit die Latenz- und I/O-Strafen eines erneuten Abrufs riskiert („kaufen“). Mithilfe eines leichtgewichtigen maschinellen Lernmodells - eines flachen Entscheidungsbaums, der sich in wenige Zeilen C++-Code übersetzen lässt - weist das System jeder Seite eine optimale Verfallszeit (Time-to-Live, TTL) zu. In Tests mit Googles global verteilter Datenbank Spanner, die Milliarden von Anfragen pro Sekunde verarbeitet, reduzierte dieser Ansatz die Speichernutzung um 15,5 Prozent, während die Cache-Fehlzugriffe nur um 5,5 Prozent stiegen - und das vor allem bei Daten, die ohnehin billig abzurufen sind. Die Gesamtbetriebskosten sanken um etwa fünf Prozent.

Diese unsichtbare Optimierungsschicht ist das technologische Rückgrat jener „KI-zuerst“-Philosophie, die Murugan beschreibt. Sie ermöglicht es Systemen, in Echtzeit auf Veränderungen im Kundenverhalten zu reagieren, ohne dass dafür manuell Ressourcen alloziert werden müssen. Die Kluft zwischen Signal und Handlung schließt sich hier auf der Ebene der Infrastruktur.

Die Kehrseite der Automatisierung

Doch die Fähigkeit, Entscheidungsprozesse radikal zu beschleunigen, hat eine Kehrseite, die in der aktuellen Debatte um KI-Sicherheit deutlich zutage tritt. Wie der Sicherheitsforscher Michael Alexander Riegler vom Simula Research Laboratory in Oslo in einem Interview mit Science News erklärt, senken die neuesten Modelle die Hürden für böswillige Akteure dramatisch. „Früher musste man eine Gruppe von zwei- bis dreihundert Hackern anheuern“, sagt Riegler. „Heute muss man vielleicht nur 300 GPUs kaufen und kann ähnliche Dinge tun.“

Die Warnung des Geheimdienstbündnisses Five Eyes, das am 22. Juni erklärte, der Zeitrahmen für KI-gestützte Cyberangriffe sei „nicht Jahre, sondern Monate“, unterstreicht die Dringlichkeit. Modelle wie Anthropics Mythos 5 und OpenAIs GPT-5.5 haben in Tests bewiesen, dass sie eigenständig die vollständige Übernahme eines simulierten Unternehmensnetzwerks planen und durchführen können. Sie finden und nutzen Sicherheitslücken in Betriebssystemen, Browsern und anderer Software auf Expertenniveau - und das mit einer Geschwindigkeit, die menschliche Verteidigerteams hoffnungslos überfordert.

Riegler selbst relativiert die Aufregung um einzelne Modelle: „Ich denke, es ist ebenso viel Marketing wie echte Gefahr“, sagt er. „Wenn man sagt: ‚Ich sitze auf etwas, das so gefährlich ist, dass wir es nicht veröffentlichen können‘, werden viele Leute sehr interessiert und wollen Teil dieser Gruppe sein, die Zugang hat.“ Das eigentliche Problem, so Riegler, sei nicht das Modell selbst, sondern das gesamte Ökosystem: die Werkzeuge, die man ihm zur Verfügung stellt, der Internetzugang, die Fähigkeit, eigenen Code zu testen. „In unseren Tests haben wir ein System gebaut, das Ihre Website hacken, Sicherheitslücken finden, aber auch Ihr Netzwerk angreifen und versuchen kann, dort Schwachstellen zu entdecken. Oder es könnte eine andere KI knacken und sie dazu bringen, Dinge zu tun, die sie nicht tun sollte.“

Das Katz-und-Maus-Spiel der Zukunft

Die Parallelen zur Einzelhandels-Transformation sind frappierend. In beiden Fällen geht es um Systeme, die aus Datenströmen blitzschnell Handlungen ableiten - sei es, um einem Kunden das perfekte Outfit zu empfehlen, sei es, um eine Sicherheitslücke auszunutzen. Die Architektur ist dieselbe: agentenbasierte KI, die über verschiedene Plattformen hinweg agieren kann, wie sie Google DeepMind jüngst mit der Integration von „Computer Use“ in Gemini 3.5 Flash vorgestellt hat. Diese Modelle können sehen, logisch schlussfolgern und Aktionen über Browser-, Mobil- und Desktop-Umgebungen hinweg ausführen - Fähigkeiten, die sowohl für automatisierte Softwaretests als auch für langfristige Unternehmensautomatisierung einsetzbar sind.

Die von Riegler beschriebene Beschleunigung des „Katz-und-Maus-Spiels“ zwischen Angreifern und Verteidigern findet ihr Spiegelbild in der von Murugan beschriebenen Kompression der Signal-Handlungs-Lücke. In beiden Fällen geht es um die fundamentale Frage, wie schnell eine Organisation - sei es ein Einzelhändler oder eine Cybersicherheitsbehörde - aus Rohdaten operative Entscheidungen ableiten kann. Die Antwort wird zunehmend von KI-Systemen bestimmt, die im Hintergrund operieren, unsichtbar für den Endnutzer, aber von entscheidender Bedeutung für das Ergebnis.

Für den Einzelhandel bedeutet dies eine Zukunft, in der die Grenze zwischen physischem und digitalem Einkaufserlebnis verschwimmt, in der jedes Produkt, das ein Kunde sieht, bereits das Ergebnis einer Kette von KI-gestützten Entscheidungen ist - von der Lieferkettenoptimierung über die Preisgestaltung bis zur personalisierten Präsentation. Für die Cybersicherheit bedeutet es eine Zukunft, in der die Verteidigung nur dann Schritt halten kann, wenn sie dieselben automatisierten Werkzeuge einsetzt wie die Angreifer. „Die Prüfung der Sicherheit des eigenen Systems wird effizienter werden“, sagt Riegler. „Ich denke, am Ende wird es sich ausgleichen.“ Es bleibt die Frage, ob dieser Ausgleich schnell genug erfolgt, um die Verwundbarsten zu schützen - oder ob die unsichtbare Revolution am Ende vor allem jenen nutzt, die sie am schnellsten für ihre Zwecke einzusetzen verstehen.

Quellen:

• Repositioning retail for the AI era (MIT Technology Review - AI)
• Optimizing cloud economics with linear elastic caching (Google Research Blog)
• Will AI spark a scientific renaissance - or a diffuse monoculture? (Nature - News)
• How agents are transforming work (OpenAI Blog)
• Introducing computer use in Gemini 3.5 Flash (DeepMind Blog)
• How big a cybersecurity threat are the latest AI models, really? (Science News)

// weiterlesenHochbandbreitenspeicher: Der unsichtbare Flaschenhals, der KI-Chips ausbremstTechnologie„Wir freuen uns auf ein Treffen im Orbit“: Was hinter dem ersten Flug der Starship V3 stecktWeltraumWenn der Algorithmus das Laborpersonal wählt: Fluch oder Segen der KI in der Wissenschaft?Algorithmen

Kinetyra