AI:D 5 - Let's talk AI - mit Yara Molthan, Spryker

Yara Molthan , VP Value Engineering & Business Consulting bei Spryker, bringt über 15 Jahre Erfahrung in verschiedenen Branchen und internationalen Märkten mit. Spryker, ein führender Anbieter von cloud-basierter, headless E-Commerce-Technologie gilt als die flexible Lösung für anspruchsvolle Use Case im digitalen Handel - in verschiedenen Industrien mit maßgeschneiderten Lösungen für komplexe Geschäftsmodelle.

Hi Yara, Stell dich gern kurz selbst vor

Ich bin Yara Molthan, VP Value Engineering & Business Consulting bei Spryker. Angefangen habe ich vor über 15 Jahren mit einem dualen Studium, was mir durch den Einsatz in verschiedenen Abteilungen bis heute hilft, unterschiedlichste Perspektiven in einem Unternehmen zu verstehen.

Nach drei Jahren in China, wo ich zwei Start-ups mit aufgebaut habe, einer Rolle in einem deutschen B2C-Start-up mit weltweiter Sales- & Marketing-Verantwortung und einer Zeit in der Beratung, bin ich nun auf der Software-Vendorenseite tätig.

Bei Spryker unterstützen mein Team und ich Kunden bei operativen und strategischen Fragestellungen. Wir helfen beispielsweise bei der Entwicklung von Business- und

Operating-Modellen. Wir sind fest davon überzeugt, dass in digitalen Projekten Technologie nur etwa 25% des Erfolgs ausmacht. Daher unterstützen wir von der Konzeption bis zur Umsetzung – dort liegt oft die größte Herausforderung.

Was sind deine Themen, wofür brennst du?

Ich brenne für Neuerungen im Digital Commerce, insbesondere für AI und Machine Learning. Mein Team und ich sehen uns als Innovatoren und Thought Leaders innerhalb von Spryker. Wir erarbeiten neue Geschäftsmodelle und monatlich auch einen Trend Point of View, um neue Themen für uns und unsere Kunden einordnen zu können.

Persönlich ist mir Nachhaltigkeit sehr wichtig. Ich bin überzeugt, dass die digitale Transformation eine Chance bietet, jedes Element der Wertschöpfungskette eines Unternehmens nachhaltiger zu gestalten. Wir stehen an einem kritischen Punkt: Unternehmen müssen sich neu erfinden, was besonders für traditionelle Betriebe eine große Herausforderung darstellt. Dies bietet aber auch eine enorme Chance, nachhaltiger zu arbeiten.

Diese Veränderungen betreffen sowohl den Go-to-Market als auch die Art und Weise, wie Unternehmen Wert schaffen. Es ist eine Gelegenheit, Nachhaltigkeit in den Kern des Geschäfts zu integrieren.

Welche wichtigen, weniger offensichtlichen Herausforderungen siehst du derzeit bei Händlern? Was sind die größten Probleme deiner/eurer Kunden und wie schätzt du deren Entwicklung ein?

Da gibt es viele große Herausforderungen wie bspw. das Makro-Umfeld oder auch aufstrebende chinesische Wettbewerber. Auf einer Metaebene erreichen mich in der Folge dieser Herausforderungen häufig zwei Hauptfragen:

Erstens, wie können Unternehmen mit der Beschleunigung und der Vielzahl der Themen umgehen? Es geht darum, wie Unternehmen schnell (und) reaktionsfähig werden können.

Zweitens, das Thema Risikominimierung: Wo sollen Unternehmen ihre Wetten platzieren? Wie können sie sich absichern, aber gleichzeitig wettbewerbsfähig und innovativ bleiben? Dies ist besonders relevant im Kontext des unfairen Wettbewerbs zwischen deutschen Händlern, die bemüht sind, alle Vorschriften einzuhalten, und ausländischen Anbietern, die zumeist auch geschickt Schlupflöcher nutzen.

Zusätzlich sehe ich KI als Lösung für viele E-Commerce-Herausforderungen. Sie kann Nachteile wie fehlende haptische Erfahrungen ausgleichen und in Bereichen wie Produktentwicklung, Personalisierung und Datennutzung große Fortschritte bringen. KI könnte auch nachhaltigen Geschäftsmodellen helfen und operative Themen von der Produktentwicklung bis zur Retourenabwicklung verbessern.

Wie sieht deiner Meinung nach der Handel bzw. der Shop der Zukunft aus? Welche Rolle spielen dabei Daten und sensorische Komponenten für Geschäftsmodelle, Margen und Kundenerfahrung?

Der Handel der Zukunft wird vor allem durch Hyperpersonalisierung geprägt sein. Shops werden vollständig auf individuelle Bedürfnisse zugeschnitten sein, angereichert mit Makrodaten und

KI-basierter Kundenerkennung und Vorhersagen. Es wird zu massiven Konsolidierungen kommen, wobei nur die stärksten Anbieter ihre Marktposition behaupten werden. Aber ebenso Nischenanbieter werden weiterhin Bestand haben, nur für die Mitte wird es eng.

Ich glaube auch an die Zukunft von Product-as-a-Service und die Sharing Economy. Besitz wird weniger wichtig, während Dienstleistungen und das Teilen an Bedeutung gewinnen. Virtuelle Welten könnten ebenfalls eine größere Rolle spielen, besonders in Verbindung mit KI und als Reaktion auf Klimaveränderungen.

Der Shop der Zukunft wird mehr als nur ein Verkaufsort sein. Er wird verschiedene Konsumformen in einem Universum vereinen, ähnlich wie Amazon es bereits mit Amazon Video, Musik, Rufus und Alexa macht.

Für kleinere Marken und Shops wird die Differenzierung eine Herausforderung. Mögliche Strategien könnten sein, sich auf spezifische Bedürfnisse zu fokussieren, Identifikation und Zugehörigkeitsgefühl zu schaffen, Nachhaltigkeit zu betonen oder auf lokale Verbundenheit zu setzen.

Künstliche Exklusivität als Gegengift für künstliche Intelligenz?

Ja, die Schaffung von künstlicher Exklusivität und Zugehörigkeit kann eine effektive Strategie sein. Luxusmarken demonstrieren dies bereits erfolgreich. Auch Streetwear-Marken nutzen ähnliche Taktiken, indem sie Knappheit und FOMO (Fear of Missing Out) erzeugen.

Diese Ansätze resonieren mit aktuellen Thesen aus der Branche. Zum einen wird die Schaffung von Zugehörigkeit als große Chance gesehen. Zum anderen wird betont, dass wir eine europäische, nachhaltigere Alternative zu den großen Plattformen brauchen.

Für kleinere Marken und Händler bedeutet das, dass sie nicht versuchen sollten, große Plattformen zu imitieren. Stattdessen sollten sie einen einzigartigen Ansatz finden, der regionale Verbundenheit oder spezifische Werte betont.

Ein vielversprechender Ansatz könnte das Konzept der Zirkularität sein, beispielsweise im Bereich der Kinderkleidung. Ein lokaler Händler könnte etwa eine "Clothing Library" mit nachhaltig und lokal produzierten Marken anbieten. Dies würde gut situierte, nachhaltigkeitsorientierte Familien ansprechen, die in die nächste Generation investieren wollen und denen ein verantwortungsvoller Konsum wichtig ist.

Solche Modelle kombinieren Nachhaltigkeit, Kreislaufwirtschaft, lokale Verbundenheit und Abo-Modelle, was eine vielversprechende Nische für kleinere Akteure im Markt darstellen könnte.

Darüber hinaus könnten Kunden neben dem Service Kinderkleidung für eine monatliche Gebühr auch Zugang zu weiteren Kategorien wie nachhaltigen Windeln und möglicherweise sogar Kinderbetreuungsdiensten erhalten. In diesem Sinne lässt sich das Angebot mit externen Angeboten erweitern oder der Share of Wallet bei den bestehenden Kunden durch die Erschließung weiterer Kategorien steigern.

Dieses Modell zeigt, wie kleinere Händler von einem reinen Produktfokus zu einem ganzheitlichen Dienstleistungsansatz übergehen können. Es ermöglicht die Kapitalisierung des Kundenzugangs und die Schaffung neuer Einnahmequellen.

Ein weiterer wichtiger Punkt ist die Neuinterpretation bestehender Geschäftsmodelle. Statt sich mit saisonalen Überhängen oder hohen Retourenquoten abzufinden, können Unternehmen ihre Betriebsmodelle überdenken. Ein Beispiel wäre Skiausrüstung, die als Dienstleistung statt als Produkt angeboten werden könnte.

Insgesamt geht es darum, bestehende Geschäftsmodelle neu zu denken, Kundenbeziehungen zu vertiefen und nachhaltige, serviceorientierte Ansätze zu entwickeln.

“Innovationen erfordern oft eine gewisse Markterziehung und Investitionen. Hier fehlt es manchmal an Kreativität und dem Mut, neue Konzepte groß zu lancieren. Statt die Herausforderungen zu betonen, sollten Unternehmen diese Neuerungen als Innovationen präsentieren und mit Begeisterung an den Markt bringen.“

Was macht ihr bei Spryker gerade operativ mit KI und wo geht da grob die Reise hin?

Bei Spryker setzen wir auf Composability und arbeiten mit verschiedenen KI-Technologiepartnern zusammen. Keiner weiß ja genau, wo die Reise hingeht, aber durch unseren composable Ansatz stellen wir sicher, dass unsere Kunden flexibel bleiben und neue Tools einfach testen können.

Wir haben langjährige Partnerschaften mit etablierten Unternehmen wie Algolia, Bazaarvoice oder Bloomreach, die in Sachen KI-Adaption weit vorne sind. So können wir früh Best-of-Breed-Lösungen integrieren, statt dass jedes Shopsystem irgendwas Eigenes baut, was dann nichts halbes oder ganzes ist.

Wir fokussieren uns beim Einsatz von KI auf die Developer Experience. Wir enablen sophistizierte Transaktionsmodelle – oder wie ich es meiner Mutter erkläre: Alles, was zu kompliziert ist, um es über einen normalen Online-Shop zu verkaufen[KH2] . Das erfordert aber natürlich gewisse Anpassungen unserer Technologie. Um diese möglichst einfach zu gestalten, stellen wir verschiedene KI-gestützte Entwicklertools zur Verfügung.

Zum Beispiel nutzen wir den GitHub Copiloten für Code-Vervollständigung. Das macht die Entwicklung effizienter und viel schneller. Zudem bieten wir KI-gestütztes QA-Testing und automatisierte Deployment Pipelines. Wir arbeiten auch daran, Amazon Q Developer zu integrieren, eine

KI-gestützte Lösung für Cloud Development. Diese Tools nutzen wir nicht nur intern, sondern stellen sie auch unseren Kunden und Partnern zur Verfügung.

Meine These ist recht einfach, der größte Hebel liegt tatsächlich im Bereich der Softwareentwicklung: Selbst wenn diese KI-Tools nur 15-20% Effizienzsteigerung bringen, hat das einen enormen Einfluss auf die gesamte digitale Wertschöpfungskette.

Absolut, der Flaschenhals in vielen Projekten ist oft die Code-Generierung und hier können KI-Tools einen signifikanten Unterschied machen. Zudem wird die Komplexität in modernen Software-Architekturen, sei es in composable Umgebungen oder Best-of-Suite-Lösungen, immer schwieriger für Menschen zu überblicken. Hier können KI-Tools als eine Art "zweites Gehirn" fungieren, um diese Komplexität zu bewältigen, Fehler zu finden und die Qualitätssicherung zu verbessern.

Besonders in Ansätzen wie Trunk-based Development, wo schnelle Iterationen und häufige Deployments die Norm sind, können diese Tools einen enormen Mehrwert bieten, oder?

Ja, sie können als zusätzliches Paar Augen dienen, um potenzielle Probleme frühzeitig zu erkennen und zu beheben, ohne dass man auf komplizierte Deployment-Workflows zurückgreifen muss.

Insgesamt sehe ich hier ein riesiges Potenzial für Effizienzsteigerungen und Qualitätsverbesserungen in der Software-Entwicklung, das weit über das hinausgeht, was wir bisher in anderen Bereichen der KI-Anwendung gesehen haben.

Was treibt die KI-Themen aktuell? Warum kommen Kunden auf euch zu?

KI-Projekte haben derzeit noch einen entscheidenden Nachteil, da Unternehmen ihre Ressourcen und Ordnungsrahmen neu aufstellen müssen. Das Gleiche gilt weiterhin auch für Digitalisierungsprojekte. Oft sind Budgets und Zuständigkeiten in Unternehmen zerstückelt und Unternehmensstrategien werden häufig extern entwickelt. Dadurch fehlt oft eine ganzheitliche Betrachtung der Ziele und der Kundenbeziehungen.

Unternehmen wünschen sich häufig, Risiken zu minimieren, indem sie mehrere Optionen verfolgen. Dafür ist es nötig, das Operating Model anzupassen und mehr Flexibilität zu schaffen. Strategien sind oft schon veraltet, wenn sie umgesetzt werden. Daher braucht es mehr Flexibilität und datenbasierte Entscheidungen, um Hypothesen zu testen und Investitionen anzupassen.

Gerade im Hinblick auf eine ganzheitliche KI-Transformation fehlt oft der Blick auf die gesamte Wertschöpfungskette – von der Produktentwicklung bis zur Prozessoptimierung. Unternehmen müssen entscheiden, wo bestehende Tools ausreichen und wo interne Kapazitäten für Machine Learning und die eigene KI aufgebaut werden müssen.

“Ein großer Hebel wäre die Etablierung eines AI Operating Models. Dieses würde es ermöglichen, Machine Learning und KI als neues Prinzip in kundenorientierten und internen Prozessen zu verankern. Es würde auch helfen, die gesamte Organisation an KI heranzuführen – nicht nur die technikaffinen Mitarbeiter, sondern auch skeptische Kollegen.“ 

Um die Akzeptanz zu erhöhen, kann man schrittweise vorgehen. Zum Beispiel könnte man Mitarbeitern, die mit Excel Schwierigkeiten haben, den Microsoft Copilot vorstellen. Dies bietet Chancen für Effizienzsteigerung und fördert die Akzeptanz in der Organisation.

Ein AI Operating Model sollte auch gewisse Freiheiten in Zusammenarbeit mit der Rechtsabteilung abstecken und gleichzeitig ein effektives Change Management bedenken.

Welche KI-Projekte siehst du als "Leuchttürme" und wie priorisierst du sie strategisch? In welchen Bereichen würdest du sofort starten, wo lieber abwarten und was vermeiden? Wie stellst du sicher, dass du dich auf die wertschöpfendsten Anwendungen konzentrierst?

In meiner Herangehensweise würde ich zwei parallele Stränge verfolgen: Einerseits ein Schnellboot für schnelle Erfolge und andererseits einen strategischen Zukunft-Stream, der auch den Aufbau eines AI Operating Models beinhaltet.

Die Schnellboote zielen darauf ab, schnelle Erfolge zu erzielen und Vertrauen in der Organisation aufzubauen. Hier suchen wir nach leicht umsetzbaren Projekten, die rasche Ergebnisse liefern und somit Budgets und Vertrauen sichern können.

Der strategische Zukunft-Stream hingegen fokussiert sich auf eine langfristige Priorisierung sowie das AI Operating Model. Wir würden uns schrittweise strukturiert durch verschiedene

End-to-End-Prozesse arbeiten, um zu vermeiden, dass wir den Anschluss verpassen – ein Fehler, den viele Unternehmen beim E-Commerce gemacht haben.

Für schnelle Ergebnisse empfehle ich, zügig Projekte zu erproben, die im Rahmen der Unternehmensregulatorik möglich sind. Dies könnte Personalisierung oder interne Tools wie Microsoft Copilot umfassen. Der Schwerpunkt sollte im besten Fall auf Projekten liegen, die direkten Kundennutzen oder Umsatzsteigerung zeigen, da diese leichter zu rechtfertigen sind als reine Effizienzgewinne. Um Zustimmung und Erfolg zu messen, können einfache Tools wie Google Forms eingesetzt werden. Hohe Zustimmungsraten lassen sich gut für die interne Kommunikation nutzen.

Für den strategischen Strang schlage ich einen strukturierten, beratungsähnlichen Ansatz vor. Wir würden ein passendes Framework auswählen, beispielsweise basierend auf Wirkung und Komplexität oder Kundennutzen versus interne Effizienz. Der Fokus sollte auf Bereichen liegen, in denen der Handlungsbedarf am größten ist und KI-Tools den höchsten Nutzen versprechen.

Dieses zweigleisige Vorgehen ermöglicht es, sowohl kurzfristige Erfolge zu erzielen als auch langfristig strategisch vorzugehen, um das Unternehmen optimal für die KI-Integration zu positionieren.

Nochmal zusammengefasst, welche strategischen Schwerpunkte würdest du bei der Transformation setzen?

Der Schwerpunkt sollte mehrere Wetten umfassen, welche die Ressourcenknappheit berücksichtigen. Wichtig ist die frühe Etablierung von Governance und Entscheidungsfreiheiten. Ein flexibles Operating Model ist entscheidend, um auf neue KI-Lösungen reagieren zu können und ein agiles KI-Umfeld zu schaffen, welches schnelle Erfolge und langfristige Strategien ermöglicht.

Wer AI nutzt, muss auch…

Security und Zukunftsentwicklung weiterdenken. AI erzeugt ständig neue Herausforderungen, die immer angepasste Sicherheitslösungen notwendig machen.

Was sind die drei wichtigsten Schritte unabhängig von AI?

Erstens: Verproben und testen. Zweitens: Mutig und bold sein, um auch mal First Mover zu sein. Drittens: Auf eigene Assets vertrauen, besonders bei Nachhaltigkeit.

In deinem OMR-Interview hast du über die Bedeutung von KI auf chinesischen Plattformen gesprochen, die vom Sourcing bis zur Demand Manufacture to Consumer auf Machine Learning basieren. Wie siehst du die Rolle von KI in deutschen Marktplätzen wie Otto im Retail-Bereich, insbesondere im Vergleich zu diesen stark KI-getriebenen chinesischen Plattformen?

KI wird für deutsche Marktplätze eine immer wichtigere Rolle spielen, besonders um mit chinesischen Plattformen Schritt halten zu können, die bereits stark auf Machine Learning setzen. Aus Sicht der Marktplätze wird KI die Konsolidierung und den Gewinn von Marktanteilen unterstützen. Dies stellt eine Herausforderung für digitale Einzelhändler und Brand-Shops dar, die versuchen, in diesem zunehmend kompetitiven Umfeld zu bestehen.

“Marktplätze haben durch ihre umfangreichen Daten und Machine-Learning-Tools eine größere Bandbreite, um zu verstehen, was Kunden als nächstes kaufen möchten. Sie können diese Daten nutzen, um gezielt Produkte zu empfehlen und Lücken im Sortiment zu identifizieren.“

Ein Beispiel wäre, dass Marktplätze feststellen, welche Produkte fehlen und diese Information an Händler weitergeben. Dies kann so weit gehen, dass sie spezifische Händler ansprechen und vorschlagen, bestimmte Produkte zu sourcen oder ihre bestehenden Bestände entsprechend anzupassen.

Durch die Auslagerung von Bestands- und Warenrisiken haben Marktplätze ihre Effizienz bereits massiv im Vergleich zum klassischen Handel gesteigert. KI kann hier helfen, frühzeitig Trends zu erkennen und diese Informationen an die Marktplatz-Verkäufer weiterzugeben. Ein praktisches Beispiel wäre, dass KI-basierte Analysen zeigen, dass Zebra-Muster gerade im Trend liegen, während Leo-Muster aus der Mode kommen. Diese Informationen könnten an Seller weitergegeben werden, die dann ihre Sortimente entsprechend anpassen können.

Könnte KI in Marktplätzen einen neuen Erlösstrom schaffen, indem sie Händlern hilft, Trends zu antizipieren und die Produktion entsprechend anzupassen?

Dies könnte sogar zu neuen Geschäftsmodellen führen, bei denen Marktplätze ihre Insights und Sortimentsoptimierungen als kostenpflichtige Services anbieten. Händler könnten gegen eine Gebühr Zugang zu diesen exklusiven Daten erhalten, um ihre eigenen Angebote besser an die Marktanforderungen anzupassen. Dieser Ansatz würde nicht nur die Wettbewerbsfähigkeit der Händler stärken, sondern auch zusätzliche Einnahmequellen für die Marktplätze schaffen.

So könnten Händler datenbasierte Entscheidungen treffen, anstatt sich auf Bauchgefühl oder dünne Wettbewerbers-Analysen zu verlassen. Durch die Vorhersage von Nachfragen mit KI können Seller Risiken minimieren und gezielter produzieren, zum Beispiel in kleineren Chargen, wenn ein steigender Bedarf absehbar ist. Dies reduziert das Risiko von Überproduktion und Fehlkalkulationen. Diese Dynamik ähnelt einem Perpetuum Mobile: Durch steigende Kosten für Kundengewinnung und Personalisierung wird die Relevanz und Größe der Marktplätze erhöht, was wiederum den Nutzen solcher Services verstärkt.

______

Danke an Yara Molthan und Spryker

Interview geführt von: Paul Krauss, Head of Digital bei der MDCT AG www.mdct.ag

Lektorat & Korrektorat: Karen Hünermann

Weitere Interviews in der Juni-Ausgabe 001 hier als Download, dieses Interview erscheint erst in der Ausgabe 2 im Oktober.

https://www.mdct.ag/de/aid-whitepaper/