KI für Unternehmen: Was sie kann (und was nicht)

Das am schnellsten wachsende Versprechen im Bereich KI für Unternehmen ist eines, das wir jede Woche hören: Ein Gründer möchte die Diskussion mit Softwareanbietern komplett überspringen und sein Point-of-Sale-System einfach am Wochenende von einer KI bauen lassen. Das klingt plausibel. Sie beschreiben, was Sie wollen, das Modell schreibt den Code, und am Montag eröffnen Sie Ihr Geschäft. Auf diese Weise entstehen tatsächlich beeindruckende Dinge: Landingpages, interne Dashboards, das Grundgerüst einer mobilen App.

Doch sobald versucht wird, eine echte Zahlung abzuwickeln, wird aus dem Wochenende ein ganzes Quartal (Wortspiel beabsichtigt).

Dies ist keine Warnung vor KI. Wir nutzen sie ständig, und Händler, die verstehen, worin sie wirklich gut ist, hängen diejenigen ab, die es nicht tun. Aber im Handel zeichnet sich derzeit ein ganz bestimmtes Fehlermuster ab, und es lohnt sich zu verstehen, warum es dazu kommt, und nicht nur, dass es passiert.

Ein Hinweis zum Zeitrahmen: Dies wurde im Juli 2026 geschrieben, als Claude Opus 4.8, Gemini 3.5 Flash und GPT-5.5 die am häufigsten genutzten Modelle sind. Diese Auswahl wird schnell veraltet wirken. Diese Tools ändern sich von Monat zu Monat, und eine Einschränkung, die heute noch real ist, kann schon behoben sein, wenn Sie dies lesen, während neue Eigenheiten auftauchen, die noch niemand auf dem Schirm hat. Betrachten Sie die folgenden Details als Momentaufnahme und machen Sie es sich zur Gewohnheit, die aktuellen Funktionen und bekannten Schwachstellen des Modells zu prüfen, das Sie tatsächlich nutzen.

Wie diese Modelle wirklich funktionieren

Ein großes Sprachmodell ist eine Vorhersagemaschine. Es hat eine enorme Menge an Text und Code gelesen und tut im Kern eine Sache sehr gut: Basierend auf allem, was bisher geschrieben wurde, schätzt es den wahrscheinlichsten nächsten Textabschnitt. Das ist alles. Es gibt keine Datenbank, in der es Dinge nachschlägt, und kein internes Register für wahre Fakten, das es überprüft. Es erzeugt die plausibelste Fortsetzung.

Genau dieses Prinzip sorgt dafür, dass es sich bei manchen Aufgaben wie Magie anfühlt. Das Schreiben einer Produktbeschreibung, das Verfassen einer E-Mail oder das Erstellen einer React-Komponente, die ein ordentliches Gitter aus Buttons darstellt: Dies sind Mustervervollständigungsprobleme, und das Modell hat Millionen von Beispielen gesehen. Das Ergebnis sieht richtig aus, weil es statistisch gesehen richtig ist.

Das Problem beginnt, wenn „am plausibelsten“ und „tatsächlich korrekt“ nicht mehr dasselbe sind.

Hallucination, ganz einfach erklärt

Wenn ein Modell etwas generiert, das absolut überzeugend klingt, aber völlig falsch ist, nennt man das in der Branche eine Halluzination. Das Wort lässt es wie einen Systemfehler klingen. Das ist es aber nicht. Es ist das System, das genau wie vorgesehen funktioniert und plausiblen Text in einer Situation erzeugt, in der Plausibilität und Wahrheit voneinander abweichen.

Fragen Sie ein Modell nach der API-Methode zur Rückerstattung einer Teilzahlung. Wenn es nicht die exakte aktuelle Dokumentation gesehen hat, wird es nicht sagen: „Ich weiß es nicht.“ Das ist keine wahrscheinliche Fortsetzung. Stattdessen erfindet es einen Methodennamen, der genau wie ein echter aussieht, mit der richtigen Namenskonvention und sinnvollen Parametern. Es liest sich absolut autoritativ. Es wird jedoch in dem Moment lautlos scheitern, in dem ein Kunde sein Geld zurückfordert.

Das ist im Handel wichtiger als fast überall sonst, denn die Kosten für minimale Fehler bedeuten hier, dass Geld falsch bewegt wird. Eine halluzinierte Blog-Einleitung ist peinlich. Eine halluzinierte Steuerberechnung, ein fehlerhafter Erstattungsablauf oder eine falsche Bestandsbuchung bedeuten eine Rückbuchung, eine Betriebsprüfung oder einen Kunden, dem der Betrag doppelt abgebucht wurde.

Warum der Aufbau von Commerce-Systemen komplexer ist, als es aussieht

Wenn jemand sagt „Bau mir ein POS“ oder „Bau mir einen Shop“, stellt er sich meistens den Bildschirm vor: das Produktgitter, den Warenkorb, den Checkout-Button. Eine KI kann diesen Bildschirm schnell erstellen, und er wird professionell aussehen.

But the screen is the easy 10%. The part that makes it a commerce system rather than a picture of one is everything behind it, and almost all of that is state and integration, not layout:

Payments. Taking money involves a payment processor, a merchant account, PCI compliance, tokenized card handling, and a dozen edge cases like declined cards, partial captures, refunds, disputes, and currency conversion. A model can write code that looks like it calls a payment API. Whether that code is secure, compliant, and correctly handling the failure cases is a different question entirely, and it's the question that matters.

Inventory. Stock isn't a number on a page; it's a number that has to stay correct while two customers check out the last unit at the same moment, while a return comes in, while a manual count adjusts it. Get the concurrency wrong and you oversell. Models are notoriously weak at this kind of stateful, race-condition-prone logic precisely because correctness here depends on runtime behavior the model never sees.

Order history and reconciliation. Every transaction has to be recorded once, immutably, and reconciled against what the processor says actually happened. This is boring, unglamorous bookkeeping logic, and it's the part that keeps you out of trouble with your accountant and the tax authority.

Tax. Rates vary by jurisdiction, by product class, by the customer's location, and they change. A plausible-looking tax function is worse than no tax function, because it'll be wrong in ways you don't notice until you file.

None of these are layout problems. They're correctness-over-time problems, and "generate the most plausible code" is structurally the wrong tool for guaranteeing correctness over time.

Where AI genuinely earns its place

We're not telling you to keep AI away from your business. The opposite. Most of what a small store needs done day to day sits squarely in the zone where AI is a real advantage, and if you're not using it for these, you're working harder than your competitors.

The pattern that makes something a good fit: a confident first draft saves you real time, and you can look at the result and tell whether it's any good. Marketing and content work fit this almost perfectly.

Generating images for ads. You can produce ad visuals, product mockups, and social graphics in minutes instead of paying for a shoot or a stock subscription. For a seasonal promo or a quick A/B test of two creatives, this is genuinely useful and the cost is close to zero.

Writing social posts and captions. Feed it your product and your tone and it'll draft a week of posts faster than you'd write one. You're still the editor, but the blank-page problem disappears.

Coming up with ad and newsletter ideas. This is where it shines even when the output isn't final. Ask for twenty angles for a back-to-school campaign and most will be mediocre, but two or three will be worth running, and you'd never have brainstormed all twenty yourself.

Talking through decisions. Use it as a sounding board for general business questions, like how to structure a loyalty offer or what to test next. Treat it as a sharp colleague who's occasionally confidently wrong, not as an oracle, and it's a useful thinking partner.

Alongside those, the less glamorous wins: summarizing reviews and support tickets so you can spot patterns, drafting the first version of an automation for a human to verify, and answering "how do I" questions about tools you already use.

Two caveats that separate good output from obvious AI slop

First, AI-generated visuals have a sameness problem. The default look, those glossy, slightly-too-perfect gradient posters, is now so common that customers recognize it instantly, and it reads as cheap. If you use generated images, push past the first result: change the style, feed it your own brand colors and product photos, crop and edit it like a starting point rather than a finished piece. A poster that looks like every other AI poster does less for you than no poster at all.

Second, proofread everything before it goes out. Because AI states wrong things as confidently as right ones, a hallucinated price, a made-up product feature, or a fake statistic will sail straight into your newsletter if you don't check. The rule is simple: AI can write the draft, but a human signs off before anything reaches a customer. Read every word as if you'll be held to it, because you will be.

The common thread across all of it: AI is excellent where a confident draft saves you time and you can easily check the result.

It's dangerous where being subtly, confidently wrong costs you money and you can't easily check the result.

The distinction that actually matters

Here's the part most of the "AI built my POS" stories miss. There's a difference between asking AI to invent commerce logic from scratch and asking it to assemble a store on top of infrastructure that already handles the money correctly.

When a general-purpose model writes your payment handling, your inventory math, and your tax logic from nothing, every one of those is a fresh chance to hallucinate something plausible but wrong. You're trusting the prediction engine with the parts that have to be exact. That's the version that turns into a quarter-long debugging project.

But the payment processing, the stock decrements, the order ledger, the reconciliation: none of these need to be reinvented for every store. They're the same hard problems every merchant has, and they should be solved once, correctly, by people who handle the edge cases on purpose. When that foundation already exists and is known to work, the job left for AI is the part it's genuinely good at: composing the surface, arranging the layout, wiring up the flow. Plausible is fine there, because a human can see the result and the money underneath is already handled.

So the lesson isn't "keep AI away from commerce." It's: be very suspicious of any setup where AI is generating the logic that moves money, and much more comfortable where AI is building on top of infrastructure that already moves money correctly. The first is asking a prediction engine to be exact. The second is letting it do what it's brilliant at while something built for correctness handles the rest.

A storefront has to be correct. The money has to move right every single time, not most of the time. The smart use of AI in commerce is knowing which layer it belongs in, and making sure the layer underneath was never left up to a guess.