Ein Warenkorb, der sich nicht leeren lässt. Ein Self-Checkout, der beim dritten Artikel einfriert. Für Kund:innen sind das Sekunden der Verärgerung – für Händler:innen sind es verlorene Umsätze, verlorenes Vertrauen und, je öfter es passiert, verlorene Kundschaft. Während Handelsunternehmen zunehmend AI in Produktempfehlungen, Kundenservice, Preisgestaltung und Warenwirtschaft integrieren, bleibt eine Frage oft im Hintergrund: Wer stellt eigentlich sicher, dass all das auch wirklich funktioniert? Ayk Odabasyan, Geschäftsführer bei unserem ECC CLUB-Mitglied Appmatics, erklärt im Interview, warum Qualitätssicherung im Zeitalter der AI nicht weniger, sondern deutlich mehr Gewicht bekommt – und warum menschliche Expertise dabei zum eigentlichen Wettbewerbsvorteil wird.
Wenn ein Online-Shop, eine App oder eine Kasse nicht richtig funktioniert – was steht für Händler dabei eigentlich auf dem Spiel?
Mehr, als die meisten auf den ersten Blick denken. Ein Fehler im Checkout ist nicht einfach ein technisches Detail, das später gefixt wird – er ist in dem Moment, in dem er auftritt, bares Geld, das durch die Finger rinnt. Kund:innen brechen ab, kaufen woanders, und das Schlimmste: Sie kommen beim nächsten Mal erst gar nicht wieder. Studien zeigen, dass Nutzer:innen nach einer schlechten digitalen Erfahrung selten eine zweite Chance geben. Das gilt für den Onlineshop genauso wie für die App oder die Kasse im stationären Geschäft. Und der Punkt ist: Diese Fehler passieren nicht, weil Unternehmen schlecht arbeiten, sondern weil digitale Systeme heute so komplex und so schnelllebig sind, dass man sie nicht mehr „nebenbei“ testen kann. Qualitätssicherung ist deshalb kein IT-Thema, das man am Ende eines Projekts abhakt – sie ist ein Umsatz- und Vertrauensthema, das von Anfang an mitgedacht werden muss.
AI hält gerade in fast jedem Bereich des Handels Einzug – von Produktempfehlungen bis zum Kundenservice. Was bedeutet das für die Qualitätssicherung?
Es verändert die Aufgabe fundamental. Klassische QA hat geprüft, ob ein System das tut, was es tun soll – ein Button führt zur richtigen Seite, ein Preis wird korrekt berechnet, eine Bestellung kommt im Warenwirtschaftssystem an. Das ist deterministisch, das lässt sich testen und abhaken. AI-Systeme funktionieren anders: Sie treffen Entscheidungen, sie lernen aus Daten, ihr Verhalten verändert sich mit der Zeit. Eine Produktempfehlung, die heute gut funktioniert, kann in drei Monaten – durch neue Daten, neues Nutzerverhalten oder einfach ein Modell-Update – ganz anders aussehen. Das heißt: QA entwickelt sich, vereinfacht gesagt, von der einmaligen Prüfung zur kontinuierlichen Aufgabe. Man testet nicht mehr nur, ob ein System funktioniert, sondern ob es weiterhin so funktioniert, wie es soll – und das dauerhaft, nicht nur beim Launch.
Wo sitzen die größten Risiken, wenn Handelsunternehmen AI einsetzen, ohne die Qualität systematisch zu prüfen? Und wo bringt AI die QA selbst voran?
Auf der Risikoseite sehen wir vor allem drei Dinge. Erstens: Immer mehr Code wird AI-gestützt geschrieben – das geht schneller, aber es entstehen auch mehr Fehler, weil nicht jede Zeile durchdacht wird. Das Ergebnis sind Black Boxes, die funktionieren, bis sie es nicht mehr tun, und bei denen sich oft kaum noch nachvollziehen lässt, warum. Zweitens verschärft genau das ein Tempo-Problem: Release-Zyklen werden kürzer, aber die Testkapazität skaliert nicht automatisch mit – QA wird entweder zum Flaschenhals oder unter Zeitdruck einfach übersprungen. Und drittens, ganz undramatisch gesagt: AI Fehler sehen die Kundinnen direkt. Ein Bug in der Warenwirtschaft bleibt oft intern, aber ein Chatbot mit einer falschen Auskunft fällt der Kundschaft sofort auf – und kann schnell zum Reputationsthema werden.
Auf der Chancenseite dreht sich das Bild aber um: AI ist auch ein enormer Hebel für die QA selbst. Testfälle lassen sich automatisiert generieren, große Codebasen und Datenmengen lassen sich auf Anomalien scannen, Regressionstests laufen in einem Bruchteil der Zeit. Es ist im Grunde ein Wettlauf: Je mehr AI in Entwicklung und Produkt steckt, desto mehr AI-gestützte Qualitätssicherung braucht es, um das aufzufangen.
Wie sieht das konkret aus? Kannst du anhand eines Beispiels zeigen, wo AI und QA zusammenspielen – oder eben nicht?
Die Aktionen zum Black Friday eignen sich gut als Beispiel, weil dort alles gleichzeitig zusammenkommt: Traffic-Spitzen, dynamische Preisanpassungen, personalisierte Angebote, oft neue Kampagnenlogiken, die kurz vorher live gehen. Wenn ein AI-gestütztes Empfehlungssystem oder eine dynamische Preis-Engine unter dieser Last nicht sauber getestet ist, zeigt sich das meist genau dann, wenn es am teuersten ist – nicht an einem ruhigen Dienstagvormittag im März, sondern an einem der wichtigsten Verkaufstage im Jahr. Wir haben Fälle gesehen, in denen Rabatt-Logiken sich gegenseitig ausgehebelt haben oder in denen personalisierte Empfehlungen unter Last komplett ausgefallen sind. Eine gute Vorbereitung heißt hier: Lasttests, die realistische Spitzenszenarien simulieren, gezielte Tests der AI-Logik unter verschiedenen Rabatt- und Kampagnenkombinationen, und ein Monitoring, das während des Events selbst noch eingreifen kann, statt erst am Montag danach Bericht zu erstatten. Der Unterschied zwischen einem entspannten und einem katastrophalen Black Friday liegt sehr oft genau in dieser Vorarbeit.
Wie AI-ready sind mittelständische Handelsunternehmen aus eurer Erfahrung wirklich?
Die Website ist ein guter erster Indikator mit Blick auf AI-Readiness, aber eben nur der erste. Wenn schon Ladezeiten, mobile Darstellung oder Fehlerbehandlung nicht stimmen, ist das oft ein Hinweis, dass Qualitätssicherung eher punktuell passiert, statt kontinuierlich mitgedacht zu werden. Aufschlussreicher ist der Blick auf die Schnittstellen zwischen den Systemen. Da hören wir häufig: "Dafür ist eigentlich jemand anderes zuständig." Ein klassisches Beispiel: Das Warenwirtschaftssystem meldet einen Lagerbestand nicht in Echtzeit an den Onlineshop, eine Kundin bestellt ein Produkt, das eigentlich schon ausverkauft ist. Fragt man nach, wer für diese Schnittstelle verantwortlich ist, zeigen Shop-Team, IT und Logistik oft freundlich aufeinander. Genau das ist das Signal: Wo niemand die Verbindung zwischen den Systemen verantwortet, testet auch niemand, was dort passiert – und genau an dieser Bruchstelle stolpern später auch AI-Systeme, weil sie meist auf mehreren dieser Systeme gleichzeitig aufsetzen. Die tatsächliche Reife hängt deshalb weniger an der Website, sondern mehr daran ob es etablierte Testprozesse, klare Verantwortlichkeiten und eine von Anfang an mitgedachte QA gibt.
Viele befürchten, AI könnte den Menschen ersetzen. Wie steht ihr dazu?
Je mehr Entscheidungen ein System eigenständig trifft, desto wichtiger wird der Mensch, der versteht, was dabei passiert. AI kann Muster erkennen, Tests automatisieren, riesige Datenmengen durchforsten – aber sie kann nur begrenzt beurteilen, ob ein Ergebnis für ein bestimmtes Unternehmen, eine bestimmte Zielgruppe oder eine bestimmte Kampagne wirklich sinnvoll ist. Je mehr AI in der Entwicklung zum Einsatz kommt, desto teurer wird der Fehler, den niemand mehr geprüft hat. Deshalb reicht es nicht, dass Expert:innen „in the loop“ sind, also irgendwo im Prozess mit draufschauen. Sie müssen „in the lead“ sein – also die Instanz, die entscheidet, wo AI eingesetzt wird, wo die Grenzen liegen und wann eingegriffen wird. AI ersetzt Qualitätssicherung also nicht – sie macht sie sogar wichtiger. Die Unternehmen, die am souveränsten mit AI umgehen, sind nicht die, die am meisten automatisiert haben, sondern die, die genau wissen, wo menschliche Führung unverzichtbar bleibt und ihre Prozesse gezielt steuern.