Shopify und Vercel bauen Hydrogen als offene, runtime-agnostische Basis neu. Hydrogen deployt jetzt …
Warum KI-Projekte im E-Commerce an der Architektur scheitern und wie Composable das ändert
Jedes E-Commerce-Unternehmen hat inzwischen eine KI-Geschichte zu erzählen. Das Marketing-Team generiert Produktbeschreibungen mit ChatGPT. Der Kundenservice testet einen Chatbot. Die SEO-Abteilung lässt Meta-Descriptions automatisch optimieren. Die Ergebnisse klingen vielversprechend einzeln betrachtet.
Doch wer genauer hinschaut, erkennt ein Muster: Die KI funktioniert in isolierten Anwendungsfällen, aber sie verändert nicht, wie das Unternehmen tatsächlich arbeitet. Aus einzelnen Erfolgsgeschichten wird kein unternehmensweiter Wandel. Und der Grund dafür liegt nicht dort, wo die meisten IT-Entscheider ihn vermuten.
Die Illusion des KI-Fortschritts
Aktuelle Zahlen zeichnen ein paradoxes Bild. Laut McKinseys State of AI Report 2025 setzen 88 Prozent der Unternehmen KI in mindestens einem Geschäftsbereich ein. Gleichzeitig haben fast zwei Drittel dieser Unternehmen es nicht geschafft, KI über einzelne Abteilungen hinaus zu skalieren. Nur 7 Prozent berichten von einer unternehmensweiten KI-Integration.
Für den E-Commerce bedeutet das konkret: Die Produktbeschreibungen werden schneller erstellt, aber die personalisierten Landingpages erfordern immer noch wochenlange Entwicklungsarbeit. Der Chatbot beantwortet Standardfragen, hat aber keinen Zugriff auf Echtzeit-Bestandsdaten oder die individuelle Kundenhistorie. Die automatisierten SEO-Texte ranken, aber die A/B-Tests dafür müssen manuell vom Entwicklerteam aufgesetzt werden.
Das Ergebnis ist nicht KI-Transformation, sondern KI-Kosmetik.
Warum die übliche Diagnose in die Irre führt
Wenn KI nicht skaliert, greifen Unternehmen instinktiv zu bekannten Erklärungen: fehlende Fachkräfte, mangelnde Schulung, zu wenig Change Management. Diese Faktoren spielen eine Rolle, aber sie sind nicht die Hauptursache.
McKinseys Daten liefern einen überraschenden Befund: Der stärkste Prädiktor für den tatsächlichen finanziellen Erfolg von KI ist das Redesign von Workflows. Unternehmen, die Arbeitsabläufe grundlegend um KI-Fähigkeiten herum neu gestalten, erzielen dreimal häufiger messbare EBIT-Effekte als solche, die KI in bestehende Prozesse einpassen.
Und genau hier liegt das Problem. Workflows lassen sich nicht neu gestalten, wenn die zugrunde liegende Technologiearchitektur das nicht zulässt.
Die Architektur-Falle im E-Commerce
Stell dir ein typisches mittelständisches E-Commerce-Unternehmen vor. Der Technologie-Stack besteht aus einer monolithischen Shop-Plattform, einem separaten CMS für Content-Seiten, einem PIM-System für Produktdaten, einem DAM für Bilder und Videos, einer CDP für Kundendaten und einem Newsletter-Tool fürs E-Mail-Marketing.
Jedes dieser Systeme hat eigene KI-Features angekündigt oder bereits integriert. Das CMS bietet KI-gestützte Content-Erstellung. Das PIM generiert Produktbeschreibungen automatisch. Die CDP segmentiert Kunden mit Machine Learning. Für sich genommen klingen diese Features beeindruckend.
Das Problem: Diese KI-Fähigkeiten existieren als isolierte Inseln. Das CMS weiß nichts von den Kundensegmenten der CDP. Das PIM kennt die Conversion-Daten des Shops nicht. Die KI im Newsletter-Tool kann nicht auf die Personalisierungslogik der CDP zugreifen.
In einer monolithischen Architektur ist jede neue KI-Verbindung ein eigenes Integrationsprojekt. Jedes Projekt erfordert Custom-Code, API-Abstimmung, Testzyklen und Wartung. Bei fünf bis zehn Systemen im Stack entstehen dutzende potenzielle Integrationspunkte und jeder einzelne ist eine Barriere für unternehmensweite KI.
MuleSofts Connectivity Benchmark Report 2026 bestätigt das: 82 Prozent der IT-Verantwortlichen nennen Integration als eine der größten Herausforderungen bei der KI-Einführung. Unternehmen betreiben im Durchschnitt 957 Applikationen, von denen nur 27 Prozent miteinander verbunden sind.
Der fundamentale Unterschied: Monolith versus Composable
Die Architektur-Frage lässt sich auf einen einfachen Test reduzieren: Kann ein KI-Agent in deinem Stack system-übergreifend handeln, ohne dass für jede neue Fähigkeit ein eigenes Integrationsprojekt nötig ist?
In einer monolithischen Architektur lautet die Antwort fast immer Nein. Jedes System ist eine geschlossene Einheit. KI-Features innerhalb eines Systems mögen beeindruckend sein, aber sie enden an der Systemgrenze.
In einer Composable-Architektur sieht das fundamental anders aus. Wenn der Tech-Stack aus austauschbaren, API-verbundenen Einzelkomponenten besteht, kann KI von Anfang an über Systemgrenzen hinweg operieren.
Das bedeutet konkret für den E-Commerce:
Ein KI-Agent kann Kundensegmente aus der CDP lesen, passende Produktempfehlungen aus dem PIM ziehen, personalisierte Landingpages im CMS zusammenstellen und einen A/B-Test konfigurieren - in einem einzigen Workflow, ohne manuellen Eingriff und ohne Custom-Integration.
Der Workflow verändert sich nicht inkrementell, er wird fundamental neu gedacht. Und genau das ist der Unterschied, den McKinsey als den stärksten Prädiktor für KI-Erfolg identifiziert hat.
Was das für Frontend-Architektur bedeutet
Die Diskussion über KI und Architektur wird oft auf das Backend reduziert APIs, Datenbanken, Integrationsschichten. Aber gerade im E-Commerce spielt das Frontend eine entscheidende Rolle.
Denn das Frontend ist der Ort, an dem KI-gesteuerte Personalisierung, dynamische Inhalte und Echtzeit-Optimierung tatsächlich beim Kunden ankommen. Wenn das Frontend monolithisch mit dem Backend verkoppelt ist, kann keine KI der Welt schnell genug Varianten ausspielen, ohne den gesamten Deployment-Zyklus zu durchlaufen.
Ein entkoppeltes, headless Frontend ermöglicht dagegen:
Erstens, KI-gesteuerte Personalisierung in Echtzeit. Wenn Content-Bausteine als unabhängige Komponenten existieren, kann ein KI-Agent Varianten zusammenstellen und ausspielen, ohne die gesamte Seite neu zu deployen.
Zweitens, autonome A/B-Tests ohne Entwickler-Queue. In einem komponentenbasierten Frontend können Marketing-Teams unterstützt durch KI Testvarianten direkt konfigurieren, ohne auf Sprint-Planung und Code-Reviews warten zu müssen.
Drittens, schnellere Time-to-Market für neue Experiences. Statt monatelanger Entwicklungszyklen für eine neue Kampagnen-Landingpage ermöglicht ein modulares Frontend die Zusammenstellung neuer Seiten aus bestehenden Bausteinen beschleunigt durch KI.
Drei Fragen, die E-Commerce-Entscheider jetzt stellen sollten
Die Investition in KI-Tools ohne Investition in die richtige Architektur gleicht dem Kauf eines Rennwagens für eine Straße voller Schlaglöcher. Die Geschwindigkeit ist theoretisch da, aber die Infrastruktur verhindert, dass sie genutzt werden kann.
Bevor ein Unternehmen das nächste KI-Feature evaluiert, sollten drei Fragen beantwortet werden:
Erste Frage: Kann KI in unserem Stack system-übergreifend handeln? Wenn jeder neue KI-Anwendungsfall ein eigenes Integrationsprojekt erfordert, skaliert KI nicht. Sie multipliziert nur den Integrationsaufwand.
Zweite Frage: Können Marketing-Teams KI-gestützte Änderungen ohne Entwickler-Tickets umsetzen? Wenn jede Personalisierung, jeder A/B-Test und jede Content-Variante durch die Entwicklungs-Queue muss, wird KI nicht schneller sie erzeugt nur mehr Tickets.
Dritte Frage: Ermöglicht unsere Frontend-Architektur Echtzeit-Optimierung? Wenn Frontend und Backend monolithisch verkoppelt sind, kann KI keine dynamischen Experiences ausspielen, ohne den gesamten Release-Prozess zu triggern.
Wer alle drei Fragen mit Ja beantworten kann, baut einen nachhaltigen Wettbewerbsvorteil auf. Wer das nicht kann, automatisiert lediglich bestehende Ineffizienzen.
Der Weg vom Pilot zur Plattform
Die gute Nachricht: Der Wechsel von einer monolithischen zu einer Composable-Architektur muss kein Big-Bang-Projekt sein. Die erfolgreichsten Migrationen folgen einem schrittweisen Ansatz.
Der erste Schritt ist die Entkopplung des Frontends. Ein Headless Frontend kann auf bestehender Backend-Infrastruktur aufsetzen und sofort die Flexibilität für KI-gesteuerte Experiences schaffen.
Der zweite Schritt ist die Integration einer Orchestrierungsschicht. Statt Point-to-Point-Integrationen zwischen allen Systemen verbindet eine zentrale Orchestrierungsebene die bestehenden Tools CMS, PIM, CDP, Shop und macht ihre Daten für KI-Agents zugänglich.
Der dritte Schritt ist die schrittweise Ablösung monolithischer Komponenten. Nicht alles muss auf einmal ersetzt werden. In einer MACH-Architektur können einzelne Komponenten nach Bedarf ausgetauscht werden, ohne den gesamten Stack zu gefährden.
Jeder dieser Schritte schafft sofort Wert nicht erst nach Abschluss einer mehrjährigen Transformation.
Fazit: Architektur ist die KI-Strategie
Die Diskussion über KI im E-Commerce wird zu oft als Tool-Frage geführt. Welcher Chatbot? Welches Content-Generierungs-Tool? Welche Personalisierungsengine? Diese Fragen sind wichtig, aber sie sind nachrangig.
Die eigentliche strategische Frage lautet: Erlaubt unsere Architektur es, dass KI über Systemgrenzen hinweg arbeitet, Workflows neu gestaltet und autonom Ergebnisse liefert?
Unternehmen, die diese Frage mit Ja beantworten können, werden den Abstand zu ihren Wettbewerbern in den kommenden Jahren nicht linear, sondern exponentiell vergrößern. Denn jede neue KI-Fähigkeit baut auf der bestehenden Infrastruktur auf, statt ein neues Integrationsprojekt zu erfordern.
Die Architektur ist nicht die Voraussetzung für die KI-Strategie. Die Architektur ist die KI-Strategie.
Mehr zur Laioutr-Plattform
Mehr dazu: KI-gestützte Editorial-Workflows: Wie Headless-Teams Content-Standards skalieren, ohne die redaktionelle Kontrolle zu verlieren und Jenseits der Content-Generierung: Wie AI die Enterprise-Marketing-Strategie at Scale neu denkt.