Viele Mittelständler im B2B-Bereich diskutieren gerade intensiv über KI. In Beiräten, auf Strategieklausuren, in IT-Ausschüssen. Der Konsens ist meistens derselbe: KI ist wichtig, irgendwas müssen wir tun, aber wo fangen wir eigentlich an? Genau diese Frage führt regelmäßig in die falsche Richtung, nämlich zur Tool-Beschaffung, bevor das Fundament stimmt.
Da sich rechtliche Vorgaben regelmäßig ändern, sollten Unternehmen ihre Inhalte und Prozesse laufend überprüfen. Das gilt für Produktkennzeichnungen ebenso wie für Shop-Texte, Newsletter oder Social-Media-Beiträge. Wer zu spät reagiert, setzt sich unnötigen rechtlichen Risiken aus.
Im B2C-Handel ist vieles einfacher. Produktdaten sind oft überschaubar, Transaktionen sind anonym, Preislogiken sind transparent. Der B2B-Kontext dreht diese Parameter komplett um. Kundenindividuelle Preise, Rahmenverträge, komplexe Sortimente mit Tausenden von SKUs, kundenspezifische Berechtigungen, Nachbestelllogiken aus dem ERP: All das macht B2B E-Commerce zu einer anderen Disziplin als den Consumer-Shop.
Gleichzeitig ist genau dieser Kontext prädestiniert für KI. Repetitive Backoffice-Prozesse, große Datenmengen, strukturierte Transaktionsmuster: Das sind optimale Voraussetzungen für lernende Systeme. Das Problem ist nicht, dass KI hier nichts leisten könnte. Das Problem ist, dass die Datenbasis in vielen Unternehmen schlicht nicht vorhanden ist. Und damit meine ich nicht fehlende Daten im abstrakten Sinn, sondern konkret: Bestellhistorien, die in Excel-Tabellen liegen. Produktstammdaten, die inkonsistent gepflegt sind. ERP-Systeme, die seit Jahren keine sauberen Schnittstellen nach außen haben.
Ein Algorithmus, der auf schmutzigen Daten trainiert wird, liefert hochpräzise falsche Ergebnisse. Schneller und konsistenter als jeder Mensch, aber eben falsch.
Im B2B-Großhandel ist die Bestellung per E-Mail oder per PDF-Formular noch immer Alltag. Besonders bei Stammkunden, bei internationalen Lieferanten, bei technischen Produkten mit komplexen Spezifikationen. Ein Sachbearbeiter liest die E-Mail, überträgt die Positionen manuell ins ERP, prüft Verfügbarkeit und Preis, schickt eine Auftragsbestätigung zurück. Das dauert im Schnitt 15 bis 30 Minuten pro Vorgang.
KI mit Natural Language Processing kann diesen Prozess grundlegend verändern. Eingehende E-Mails und angehängte PDFs werden automatisch ausgelesen, Bestellpositionen werden extrahiert, mit dem Produktkatalog abgeglichen und als Vorerfassung ins ERP übertragen. Der Sachbearbeiter prüft und bestätigt, statt tippen zu müssen.
Wo dieser Use Case in der Praxis funktioniert, spart er je nach Bestellvolumen schnell einen halben bis ganzen FTE in der Auftragsbearbeitung. Die Voraussetzung: Das ERP muss über saubere API-Schnittstellen verfügen, die Produktstammdaten müssen konsistent gepflegt sein, und die Bestelldokumente müssen in einem Format vorliegen, das KI verarbeiten kann. Wer heute noch handschriftliche Faxaufträge verarbeitet, ist noch nicht in der ersten Stufe.
Breite Sortimente sind das Herzstück vieler B2B-Händler und Hersteller. Gleichzeitig sind sie die größte Quelle für Qualitätsprobleme im Shop. Fehlende Attribute, inkonsistente Beschreibungen, unvollständige technische Spezifikationen: Das kostet Conversion, erhöht Rückfragen im Support und macht Marktplatz-Listungen zu einem dauerhaften Aufwand.
Generative KI kann Produktdaten in einem Umfang anreichern, der manuell nicht skalierbar wäre. Texte aus bestehenden Stammdaten generieren, fehlende technische Attribute aus Datenblättern extrahieren, Beschreibungen für verschiedene Zielgruppen oder Sprachvarianten automatisch erzeugen: All das ist heute technisch möglich. Viele Shopsystem-Plattformen haben solche Funktionen bereits integriert oder über Erweiterungen verfügbar.
Der entscheidende Haken: Generative KI kann nur vervollständigen, was in irgendeiner Form schon strukturiert vorliegt. Wenn die Produktdaten im ERP oder PIM fragmentiert, veraltet oder nicht digital erfasst sind, gibt es nichts zu anreichern. In solchen Fällen beginnt das Projekt nicht mit KI-Auswahl, sondern mit Anforderungsmanagement und Stammdaten-Konsolidierung.
Der teuerste Umsatzverlust im B2B ist der stille Abwanderer. Kein Kündigungsschreiben, kein direktes Feedback. Die Bestellfrequenz sinkt langsam, die durchschnittliche Auftragsgröße geht zurück, irgendwann kommt ein Jahr lang nichts mehr. Dann ist der Kunde weg, oft zu einem Wettbewerber, der früher oder günstiger war.
Machine Learning kann diese Muster erkennen, bevor sie sich zur Kündigung entwickeln. Das Modell lernt aus historischen Transaktionsdaten, welche Verhaltensänderungen dem Abwandern typischerweise vorausgehen: sinkende Bestellhäufigkeit, veränderte Produktkategorien, steigende Rückfragen, Preisanfragen ohne Abschluss. Wenn diese Signale auf einen Bestandskunden zutreffen, erhält der zuständige Vertriebsmitarbeiter einen automatisierten Hinweis.
Dieser Use Case hat im B2B-Kontext besonders hohe Relevanz, weil der Anteil des Geschäfts, das auf Stamm- und Wiederholungskunden entfällt, deutlich höher ist als im B2C. Gleichzeitig stellt er klare Anforderungen: Die Transaktionshistorie muss strukturiert und vollständig im System vorliegen, mindestens über zwei bis drei Jahre. Wer Bestellungen bisher in verschiedenen Systemen pflegt, die nicht konsolidiert sind, hat keine Datenbasis für das Modell.
Für B2B-Unternehmen, die über Marktplätze wie Amazon Business, Mercateo oder branchen-spezifische Plattformen verkaufen, ist das Pricing-Management ein dauerhafter operativer Aufwand. Wettbewerber passen ihre Preise täglich oder sogar stündlich an, Nachfragemuster variieren saisonal, Lagerbestände verändern die optimale Preisstrategie. Wer das manuell steuert, ist strukturell im Nachteil.
Dynamic Pricing mit KI bedeutet: Das System beobachtet kontinuierlich die Wettbewerbspreise, analysiert die eigene Bestands- und Margensituation und passt Verkaufspreise automatisch innerhalb festgelegter Grenzen an. Kein Vertragsbruch, keine Preise unterhalb der Kostenbasis, keine manuellen Eingriffe für Routineentscheidungen. Nur Ausnahmen, die echte menschliche Bewertung erfordern, landen noch auf dem Schreibtisch.
Dieser Use Case funktioniert gut für standardisierte Produkte mit klarer Wettbewerbssituation und maschinenlesbar verfügbaren Marktpreisen. Er funktioniert schlecht bis gar nicht, wenn das eigene Pricing auf undokumentierten Kundenvereinbarungen oder komplexen Rabattprofilen basiert, die nicht im System abgebildet sind. Auch hier gilt: Bevor KI Preise steuern kann, muss die Preislogik selbst digital und nachvollziehbar sein. Die Grundlage legt in solchen Projekten oft der E-Commerce Audit, der zeigt, wo die Lücken wirklich liegen.
Das B2B Kundenportal ist längst kein nettes Zusatzangebot mehr, sondern eine Erwartungshaltung industrieller Einkäufer. Bestellhistorien, Lieferstatus, Rechnungen, technische Dokumentation, Ersatzteilkataloge: Kunden wollen das selbst abrufen können, ohne jedes Mal einen Ansprechpartner zu bemühen.
KI macht diesen Self-Service erheblich mächtiger. Statt einer statischen Suche in einem Dokumentenarchiv antwortet ein KI-gestützter Assistent auf konkrete Fragen: Welche Ersatzteile passen zu Maschine XY aus Lieferung 2019? Wie ist der aktuelle Status meiner offenen Bestellungen? Welche Folgeprodukte werden für das bestellte System empfohlen? Das reduziert Rückfragen im technischen Support deutlich, oft um 20 bis 40 Prozent in produktiven Setups.
Die technische Voraussetzung ist anspruchsvoll: Das Kundenportal braucht eine saubere, strukturierte Datenbasis aus ERP, PIM und idealerweise CRM. Wenn Produktdokumentation als eingescannte PDFs ohne OCR-Verarbeitung im System liegt, kann keine KI sinnvolle Antworten daraus ableiten. Digitalisierung der Daten kommt immer vor der KI-Schicht.
Das eigentliche Problem: Daten, die nicht existieren oder nicht digital sind
Hier ist die unbequeme Wahrheit hinter allen fünf Use Cases: Die KI-Technologie ist in den meisten Fällen nicht das Problem. Die Modelle sind leistungsfähig, die Werkzeuge sind zugänglich, die Kosten sind beherrschbar. Das Problem liegt früher.
Ein Großhändler, der seine Produktstammdaten in einer Legacy-Software pflegt, die seit zehn Jahren keine Wartung mehr bekommen hat, wird mit keinem Modell der Welt saubere Produktbeschreibungen generieren. Ein Maschinenbauer, dessen Servicedokumentation ausschließlich gedruckt existiert, kann keine KI-gestützte Ersatzteilsuche aufbauen. Ein Hersteller, dessen Kundenpreise in Excel-Tabellen beim Vertriebsleiter liegen, kann kein maschinelles Pricing implementieren.
Das klingt banal. In der Beratungspraxis tritt es aber regelmäßig auf: Unternehmen wollen KI kaufen, bevor sie ihre Daten strukturiert haben. Manchmal liegt das an fehlender interner Transparenz, manchmal an Erwartungen aus Pressemitteilungen, manchmal daran, dass die Bereitschaft zur KI-Investition politisch leichter durchzusetzen ist als ein schmerzhaftes Stammdatenprojekt.
Die Reihenfolge ist nicht verhandelbar:
Wer in dieser Reihenfolge vorgeht, spart sich die teuersten Fehler. Wer sie überspringt, kauft eine Lizenz und lernt auf eigene Kosten, was Garbage-in-Garbage-out in der Praxis bedeutet.
Ein klar abgegrenzter Pilot in einem Prozess, der heute messbar Personalzeit kostet, datenbasiert ist und einen definierten Anfang und ein definiertes Ende hat. Keine unternehmensweite KI-Strategie auf achtzig Folien, kein Transformationsprogramm mit drei Jahren Laufzeit.
Beim Thema Künstliche Intelligenz im E-Commerce empfehlen wir in der Beratung typischerweise einen 90-Tage-Piloten mit klarer Erfolgsmessung: Was ist die aktuelle Zeitinvestition im Prozess, wie verändert sich die Fehlerrate, welche Kostenreduktion ergibt sich konkret? Wenn ein Pilot diese Fragen nach drei Monaten nicht beantworten kann, hat er keine belastbare Grundlage für die Skalierung.
Die Kosten für einen ersten, seriösen Piloten im Mittelstand liegen realistisch zwischen 15.000 und 40.000 Euro. Vollintegrierte Lösungen mit ERP-Anbindung und echtem Rollout landen typischerweise im Bereich 80.000 bis 250.000 Euro im ersten Jahr. Der Grund, dass ein Drittel aller Unternehmen berichtet, KI sei teurer geworden als erwartet, liegt fast immer in unterschätzten Integrationskosten und nicht in den Modell-Lizenzen.
Laut der Grant-Thornton-Studie zur digitalen Transformation im Mittelstand geben 75 Prozent der befragten Führungskräfte an, dass KI ihre Unternehmensstrategie bereits beeinflusst. Gleichzeitig ist die Lücke zwischen Erkenntnis und Umsetzung damit dramatisch. Sie erklärt sich nicht durch fehlende Technologie, sondern durch fehlende Grundlagen, fehlende Priorität beim Datenmanagement und fehlende interne Ressourcen für die Umsetzung.
Gleichzeitig zeigt das Thema B2B E-Commerce insgesamt eine klare Richtung: Unternehmen, die frühzeitig in digitale Grundlagen investieren, skalieren KI-Anwendungen schneller und zu niedrigeren Kosten als Nachzügler. Das Differenzierungsfenster ist noch offen, schließt sich aber mit jedem Monat, in dem Wettbewerber ihre Dateninfrastruktur aufbauen, während andere noch in der Strategiediskussion stecken.
Besonders relevant ist dabei die Perspektive der Industrie und des Maschinenbaus. Dort beobachten wir, dass Predictive Maintenance, also die KI-gestützte Vorhersage von Wartungsbedarf auf Basis von Sensordaten, zu einem echten Wettbewerbsfaktor im After-Sales-Geschäft wird. Das funktioniert aber nur, wenn die Maschinendaten strukturiert erfasst werden, was in vielen Unternehmen noch nicht der Fall ist. Der Bereich Industrie und Maschinenbau steht hier exemplarisch für eine breitere Herausforderung: Das Potenzial ist bekannt, die Datenbasis fehlt.
KI kann im B2B E-Commerce echten betriebswirtschaftlichen Nutzen schaffen. Personalkosten senken, Prozesse beschleunigen, Churn verringern, Margen verteidigen. Die Use Cases sind konkret, die Technologie ist verfügbar, die Amortisationszeiten sind realistisch.
Aber KI ist keine Abkürzung an der Arbeit vorbei, die vor ihr kommt. Sie ist die Belohnung für die Unternehmen, die ihre Daten in Ordnung gebracht haben, ihre Systeme integriert haben und ihre Prozesse verstehen. Wer dieses Fundament legt, wird in 12 bis 24 Monaten einen messbaren Vorsprung haben. Wer das Fundament überspringt und direkt in die Lizenz investiert, kauft sich nur teures Lehrgeld.
Der erste Schritt ist deshalb selten ein KI-Tool. Er ist eine ehrliche Bestandsaufnahme der eigenen Daten- und Systemlandschaft.
Alexander Steireif ist Gründer und Geschäftsführer der Strategie- und Technologieberatung Alexander Steireif GmbH. Seit über 20 Jahren unterstützt er mittelständische Unternehmen dabei, ihren Vertrieb zu digitalisieren, leistungsfähige E Commerce Lösungen aufzubauen und klare Strategien für nachhaltiges digitales Wachstum zu entwickeln.
Geschäftsführer
steireif
