Xanevo - AI Consulting for Ecommerce

www.xanevo.com

We help mid and enterprise E-commerce retailers unlock the full potential of AI for their businesses. Start driving efficiency and growth by automating repetitive tasks, creating high-quality product content and optimizing operations.
- Automated Product Data Enrichment
- Automated Product Descriptions at scale 
- Automated High Volume Translation
- Multi-Marketplace Content Automation

Book an audit:
https://meetings-eu1.hubspot.com/jan-kaiser/ai-audit

Managing Director & Founder

Liquidity Management, Wealth Management and Consulting for Startups, Entrepreneurs and Freelancers.

Retain more money after taxes with the right financial strategies as founders. Starting at any founder stage.

Business Consultant

Fachhochschule Konstanz - Hochschule für Technik, Wirtschaft und Gestaltung

2023-2024:
- business intelligence
- machine learning

2021-2022:
- financial mathematics
- linear algebra
- statistics

Lecturer - Business Intelligence

devs group

Mixed position that involved hands-on web development, controlling, strategy & process management

Data Scientist & Consultant

Machine Learning with a strong focus on text processing and generation (NLP/NLG).
I decided to switch the legal context by founding a company and providing services through Xanevo GmbH.

Data Scientist & IT Consultant

Vetter Pharma

- Inhouse training, consulting, requirements engineering and implementation of machine learning solutions
- Tensorflow, OpenCV, Git, Docker, Elasticsearch
- IT Strategy

Data Scientist

- Bachelor thesis within the field of applied machine learning for error recognition within images

Data Science Intern

HTWG Konstanz

Tutoring in following modules:
- Mathematics I (3 semesters)
- Stochastics (1 semester)
- Mathematics study group for freshmen (4 semesters)
- Computer architectures (1 semester)

Academic Tutor

wirsindhandwerk gmbh

- Working with OpenStreetMap geo data fors search engine purposes

Software Engineer

Sybit GmbH

- Consulting: SAP Hybris
- Developing IoT prototypes with SAP Cloud Platform and Java
- Executing inhouse machine learning training

IT Consultant Intern

EURONICS Gaming (1 year) & Self-Employed (1 year)

Made a living from coaching fees, tournament prize money and sponsoring contracts within the eSports industry.

Ex: eSports Manager & Professional Gamer

Hi,

I'm Jan Kaiser, an AI strategist and e-commerce expert with over 8 years of hands-on consulting experience. I founded Xanevo, an AI consulting agency that specializes in tailoring AI solutions for mid-to-enterprise e-commerce businesses. As the managing director at Xanevo, I splits my time between optimizing e-commerce performances and mentoring upcoming AI researchers across three universities.

2021 hat uns der Südkurier kurz nach der Gründung von Xanevo interviewt. Die 4 Jahre alte Zeitung habe ich immer noch. Heute gibt es uns immer noch - obwohl wir 2022 fast pleite gegangen sind. Unsere Journey:

Nach dem Interview waren Jeffrey, Timo und ich super stolz. 

Drei Typen, die keiner so richtig ernst genommen hätte. Aber genau deshalb waren wir hungrig - wir hatten etwas zu beweisen.

• 2021: Die Gründung

Januar: Jeffrey und ich starten das erste Projekt. 

April: Erstes 5-stelliges Projekt mit 40.000€ - zusammen mit Timo, Niklas und Julius.

Juni: Wir haben das komplette Geld reinvestiert in die Firmengründung.

Dann einen Monat 24/7 Vollgas in Wien - einfach nur, weil wir die Stadt mochten.

Unsere Strategie war simpel: Wir waren die Schnellsten, die Besten und die Günstigsten.

Wir haben overdelivered und waren viel zu günstig. Aber das war unser Weg, Fuß zu fassen.

Von Monat zu Monat haben wir Kundenprojekte geangelt. Kostet was es wolle.

• 2022: Der Crash

Unser Albtraum-Jahr. 

Oktober: Galeria Kaufhof ging pleite - und damit brach unsere ganze Kette zusammen. 

- Wir hatten Kunde A
- Kunde A hatte Galeria
- Galeria machte Kaufstopp
- Kunde A machte Kaufstopp bei uns

Die Agentur für Arbeit verweigerte uns Kurzarbeit mit der Begründung: "Ihr seid nicht direkt betroffen." 

Das hätte uns 21.000€ gespart. 

Also löste ich mein Aktienportfolio auf und lieh das Geld der Firma.

Wir mussten unsere Positionierung anpassen, alles neu denken - und meine Co-Founder haben entschieden, auszusteigen.

• 2023: Der Neustart

Januar: Unsere Co-Founder Konstellation löst sich auf. Kein böses Blut, trotzdem schmerzhaft. 

März: Volkan kommt fulltime dazu - ohne Erfahrung als Selbstständiger oder Gründer, aber mit dem Herz am rechten Fleck und dem richtigen Mindset.

Ich bin immer noch dankbar, dass er diesen mutigen Schritt gemacht hat.

Ergebnis: Wir haben den 2022er Umsatz mit halber Belegschaft gehalten.

• 2024: Die Verdopplung

Wir haben unseren Umsatz verdoppelt und konnten wieder hiren: Wir sind von 4 auf 12 Mitarbeiter gewachsen. 

Heute konkurrieren wir um Deals mit Accenture und KPMG.

• 2025: Weiter auf Kurs

Dieses Jahr verdoppeln wir unseren Umsatz wieder - zumindest nach den jetzigen Zahlen. Drei Dinge haben sich nicht geändert:

1. Der Hunger ist geblieben - auch wenn wir etabliert sind
2. Wir sind immer noch zügig - nur nicht mehr die Günstigsten
3. Vollfokus auf eine Sache - heute KI, E-Commerce & Growth statt nur TextGen Projekte

4 Jahre, eine Beinahe-Pleite, ein kompletter Pivot und ein Neustart später sind wir stärker als je zuvor - als etablierter Player, der mit den Großen konkurriert.

Jan Kaiser

Individualistic AI Consulting for Mid & Enterprise eCom-Companies | Managing Director & Founder @ Xanevo

Am Mittwoch war ich zum ersten Mal beim SEO & Content Club in Berlin und habe vor 100 Leuten über "Scaling AI-Powered Text - Without Compromising Quality" gesprochen. Meine Learnings über SEO & Content in 2025: 

Mason's (Head of SEO bei Bauhaus) Präsentation über modularen Content war so gut, dass ich direkt mein Notizbuch rausgeholt habe.

Er arbeitet seit 2 Jahren daran, SEO Content bei Bauhaus komplett umzukrempeln. 

Statt 500 Artikel zu produzieren und zu hoffen, dass sie ranken, führt sein Team gezielt drei Schritte durch: 

- User Intent definieren 
- Topics klassifizieren
- Bestehenden Content in Module unterteilen

Damit können sie schnell auf Änderungen reagieren, Updates machen und ihren Content aktuell halten. So sorgen sie proaktiv dafür, dass sie besser ranken.

Der Vortrag von Matteo war auch super. Ein Zitat ist bei mir besonders hängen geblieben:

"The future is already here, just not evenly distributed."

Das hat bei mir total eingeschlagen, weil es perfekt beschreibt, was ich täglich sehe. 

Sind wir mal ehrlich: Wir sind im DACH-Raum oft nicht die innovativsten, wenn es um KI geht - besonders im Vergleich zu den USA. 

Aber das ist gar nicht schlimm. Das heißt einfach: Wir müssen das Rad nicht neu erfinden.

Lasst uns einfach schauen, wer schon weiter ist als wir. Wer ist schon in der Zukunft, die wir erreichen wollen? Das gilt nicht nur für Technologie, sondern auch für Business-Modelle, Prozesse, sogar Selbstentwicklung.

Die Person, das Unternehmen, die Technologie, die schon einen Schritt weiter ist - wird es mit sehr hoher Wahrscheinlichkeit geben. Es sei denn, du bist ein High-Tech-Forschungsinstitut.

Statt nach der perfekten Innovation zu suchen, sollten wir uns fragen:

- Wer macht das, was ich vorhabe, schon erfolgreich?
- Welche Standards gibt es bereits, die ich nutzen kann?
- Wo kann ich von existierenden Lösungen lernen, statt alles selbst zu entwickeln?

Innovation bedeutet nicht immer, etwas völlig Neues zu schaffen. Oft bedeutet es, das Richtige zur richtigen Zeit richtig umzusetzen.

Das Event war übrigens perfekt organisiert vom Giuseppe Colucci 📶, Ciara Serrano Temprado, Textbroker EU & WeWork crew Warschauer Strasse. 

100 Leute, geile Location und authentische italienische Antipasti von LuFood Box - so macht Networking Spaß.

Und es war schön, mal wieder ein paar Gesichter wie Volkan, Mario und Leonel aus dem Team persönlich wiederzusehen und den Abend auch mit ihnen zu verbringen.

Ein gelungener Mittwoch!

Ich habe dieses Jahr zum ersten Mal seit 6 Jahren Urlaub gemacht. Und habe ihn nicht vermisst. Urlaub ist ein Konzept für Leute, die Ausgleich zu ihrer Arbeit brauchen. Wenn ich Ausgleich brauche, ändere ich die Arbeit.

Neben Xanevo habe ich 6 Beteiligungen zwischen 10-100% und 7 Unternehmen im Portfolio neben der Holding.

Nochmal zu gründen? Macht mir Spaß. 

Für Buchhaltung und rechtliche Themen unterstützt mich meine Assistenz. 

Alles was mir keinen Spaß macht, kann ich delegieren.

Ich bin so frei in der Gestaltung, dass ich praktisch nie das Gefühl habe: "Jetzt brauche ich mal eine Woche Auszeit."

Stattdessen mache ich Micro-Vacations: 

• Ein Wochenende weg
• Mal eine Nacht in einem Spa Hotel

Für andere ist das ein normales Wochenende - für mich ist es Urlaub, weil ich sonst 7 Tage durcharbeite.

Das funktioniert mit zwei Tools:

1. Biohacking mit Daten: Mein Oura Ring zeigt mir Schlafqualität, Herzfrequenzvariabilität, Körpertemperatur. Ich sehe sofort: Brauche ich heute einen ruhigen Tag oder kann ich Gas geben?

2. Bewusste Pausen: Wenn es doch mal stressig wird, baue ich einfach 3x10 Minuten aktive Pause ein. Zusätzlich zur Mittagspause oder wenn ich irgendwo hin muss, einfach 10 Minuten mal nichts tun.

Der Bonus: Ich könnte theoretisch nächstes Jahr schon in Rente gehen.

Bei 2.500€ netto Lebensstandard brauche ich 1.000.000€ im Depot (bei einem 4%-Return und vereinfachter Rechnung). Wenn ich meine Assets verkaufen würde, wäre das machbar.

Aber warum sollte ich? Die Arbeit macht Spaß.

Das ist der Unterschied: Die meisten arbeiten für den Urlaub. Ich gestalte die Arbeit so, dass ich keinen Urlaub brauche.

Wenn deine Arbeit dich auslaugt, liegt das Problem nicht am fehlenden Urlaub. 

Es liegt an der Arbeit selbst.

Wir machen fast 7-stellige Umsätze mit Xanevo. Trotzdem schlafe ich seit 6 Jahren (quasi) auf dem Boden, auf einer japanischen Tatami-Matte. Alles fing 2019 mit einem zu kleinen Bett in meiner Praktikumswohnung an:

Ich bin mit 1,90m etwas größer und das Bett in meiner damaligen Wohnung in Ravensburg war einfach zu klein. 

Also hat mein damaliger Mieter es zerstückelt und daraus ein Blumenbeet gebaut. Ich musste aber irgendwo schlafen.

Nach kurzer Recherche bin ich auf die Tatami-Matte gestoßen.

Für alle, die es nicht kennen: Das ist eine Reisstroh-Matte aus Japan. Du kennst sie vielleicht aus japanischen Filmen - diese geflochtenen Unterlagen in Wohnungen. 

Die echten Tatami-Matten sind ziemlich dick und schwer, haben aber durch das gewobene Reisstroh eine natürliche Belüftung.

Und preislich war es auch ein riesiger Unterschied: Die Matte + einen 12-schichtigen Futon habe ich für 450€ gekauft.

Probier ich mal aus, dachte ich mir.

Und ehrlich gesagt waren die ersten zwei Nächte die Hölle.

Ich war mein weiches Bett gewohnt und schlief plötzlich quasi auf dem Boden. Die Matte fühlte sich an, als würde ich in der Sporthalle schlafen - mit nichts außer einer Winterjacke zwischen dem Boden und mir. 

Ich hatte Rückenschmerzen, wenig Schlaf und musste mich komplett umgewöhnen…

Ab der dritten Nacht war es aber völlig normal. Mein Körper ging in den Panikmodus: Ich konnte es mir nicht mehr leisten, nicht zu schlafen - ich war einfach zu müde.

Ein weiterer Pluspunkt: Ich liege morgens nicht mehr rum.

Der Unterschied ist krass. In einem normalen Bett drehe ich mich zur Seite und setze mich hin. 

Bei der Matte muss ich von unten komplett aufstehen - das ist mental eine ganz andere Nummer.

Rumliegen und sich zur Seite wälzen, wenn der Wecker klingelt, ist auf der Matte einfach nicht komfortabel. Du kannst nur normal auf dem Rücken liegen und schlafen - und morgens führt kein Weg dran vorbei: Ich muss aufstehen.

Das hat mein komplettes Morgenritual verändert.

Heute schlafe ich überall sofort ein und habe morgens null Probleme beim Aufstehen.

6 Jahre später nutze ich immer noch dieselbe Tatami-Matte - nur mit einem noch dünnerem Futon, also noch härter als damals.

Und solange ich alleine schlafe, wird das so bleiben. Egal, wie gut Xanevo läuft - ich brauche kein fancy Bett.

Nur meine Matte.

ChatGPT 5 kann in 90 Sekunden ein Frontend für eine Software bauen und LinkedIn rastet aus: "Das Ende aller SaaS-Anbieter". Ich sehe es eher als IT Security und Release Management Risiko: 

Ja, die GPT 5 ist beeindruckend. Aber bevor wir alle zu "Buildern" werden, sollten wir uns fragen: 

• Wo ist das Testing?
• Wo ist das Governance? 
• Wo sind die Security Reviews? 

Eine App in 60 Sekunden zu bauen ist eine Sache. 
Sie sicher, skalierbar und wartbar zu machen eine völlig andere.

Meine Einschätzung: ChatGPT 5 ist kein DIY-SaaS-Killer.

Es ist ein super Tool für Rapid Prototyping und Management-Präsentationen. Perfekt, um Stakeholder abzuholen und Change schneller voranzutreiben.

Aber die Grenzen sind klar:

→ Für Proof-of-Concepts und erste Demos: Fantastisch
→ Für interne Prozess-Tools ohne kritische Daten: Durchaus sinnvoll
→ Für produktive Business-Anwendungen: Problematisch

Bis zur Pre-Seed-Finanzierung kann so etwas auf jeden Fall hilfreich sein. Danach wird es schwierig, denn “echte” Software braucht mehr als nur Funktionalität. 

Sie braucht:

• Skalierbarkeit
• Architektur
• Updates
• Security
• Support

Alles Dinge, die man nicht in 60 Sekunden bekommt.

Die Leute verwechseln "funktioniert" mit "produktionstauglich". Das sind zwei völlig verschiedene Kategorien.

KI-Tools sind mächtig. Aber momentan ersetzen sie nur das Prototyping - nicht die Production.

Hier ist etwas, das wirklich unsere Zeit wert ist - Google hat 3.500 Führungskräften eine einfache Frage gestellt: Wo bringt KI euch tatsächlich einen ROI? Das Ergebnis ist ein 48-seitiger Report: 

Egal ob ihr das große Ganze steuert oder technisch im Detail steckt, der Report ist für alle, die sich mit KI beschäftigen (wollen).

Der Report zeigt unter anderem die wahren Stolpersteine. Genau die Themen, die beim schnellen "KI mal eben einführen" unter den Tisch fallen: 

• People & Organization Management
• Impact Storytelling
• Risk Management
• Datenqualität

Interessant wird's auch auf Seite 16 - die Bereiche mit wirklich messbarem Impact:

• Customer Service
• Marketing Automation
• Document Management  
• IT Security (das hat mich überrascht)

Ich breche das mal auf konkrete eCommerce Anwendungsfälle herunter:

1. Customer Service automatisieren

Weniger Zeit verschwenden bei Retouranfragen, Beschwerden und Standard-Produktfragen. Hier seht ihr sofort Ergebnisse.

2. Marketing Assets automatisieren

• Bilder bearbeiten
• Metadaten pflegen
• Untertitel generieren
• Produkttexte schreiben

Wenn nicht vollautomatisch, dann wenigstens mit maximaler Produktivitätssteigerung.

3. Document Management digitalisieren

OCR für Belege und Rechnungen, sichere Workflows für Finanzdaten und personenbezogene Informationen.

Das Problem mit den meisten KI-Beratern: Sie verkaufen Technologie statt Prozesse.

Der Google Report bestätigt das. Unternehmen mit strukturierter Herangehensweise und klarer C-Level-Sponsorship sehen 78% ROI. Ohne diese organisatorische Basis nur 44%.

Es ist im ersten Schritt nicht die Technologie, die entscheidet. Es sind die Prozesse.

Bevor ihr den nächsten KI-Experten bucht: 

1. Definiert erst eure Datenqualität & Prozesse
2. Baut ein Change Management Team auf
3. Sorgt für Executive Buy-in

Dann funktionieren KI Projekte auch.

Der komplette Report lohnt sich übrigens. 

Link zum Google Cloud ROI Report 2025 in den Kommentaren.

Spätestens seit November 2022 weiß jeder dank ChatGPT was ein Large Language Model ist. Mit Small Language Models beschäftigt sich die Mehrheit der Menschen aber gar nicht. Das ist der Unterschied: 

Small Language Models sind wie spezialisierte Maschinen - perfekt für eine Aufgabe, die man tausende Male macht. 

Large Language Models sind Allzweckmaschinen, die alles können - aber nichts perfekt.

Früher haben wir bei Xanevo gesagt: "Okay, das komplette Problem zu lösen wird 50.000-350.000€ kosten." 

Dann haben wir monatelang entwickelt und implementiert.

Heute starten wir anders: 

5.000-40.000€ für einen LLM-Prototyp. Nach kurzer Zeit wissen wir, ob der Prozess funktioniert, ob die Datenqualität reicht und ob das Problem überhaupt lösbar ist.

Erst dann entscheiden wir: Bleibt es beim LLM oder entwickeln wir ein spezialisiertes SLM?

Die Entscheidung ist eigentlich simpel:

Small Language Model, wenn:

• Du langfristig Betriebskosten sparen willst
• Du die gleiche Aufgabe sehr häufig machst
• Die Eingabedaten strukturiert und vorhersehbar sind
• Du niedrige Fehlertoleranz brauchst (Buchhaltung, regulierte Bereiche)

Large Language Model, wenn:

• Du Ergebnisse so günstig wie möglich erzielen möchtest
• Du unterschiedliche Aufgaben lösen willst
• Du keine perfekte Datenqualität hast
• Du schnell testen und iterieren willst

Der Klassiker aus der Praxis: 

PDF-Rechnungen verarbeiten. Perfekt für ein SLM, weil Rechnungen Konventionen folgen. 
Ein weiterer wichtiger Unterschied: 

Small Language Models musst du trainieren. Du brauchst Daten, Beispiele und führst einen Trainingsprozess durch. Dann hast du niedrige Betriebskosten.

Large Language Models sind schon trainiert - bei OpenAI, Microsoft, Google mit unglaublich viel mehr Daten.

Aber wir prototypen trotzdem erst mit LLMs, weil wir danach wissen, ob der Kunde überhaupt die richtigen Daten hat, ob seine Erwartungen realistisch sind, und ob der ROI stimmt.

Das verhindert die teuren Überraschungen von früher.

So bekommen wir direkt wichtige Insights für das Projekt.

Manchmal bleibt es beim LLM-Prototyp, manchmal bauen wir das SLM. Hauptsache, es löst das Business-Problem.

Die meisten scheitern, weil sie gleich "das perfekte Tool" wollen. 

Besser: Schnell testen, dann optimieren.

Ich habe das ganze auch nochmal einfach im Podcast mit cyberLAGO e.V. - digital competence network heruntergebrochen. 

Hör gerne mal rein: https://lnkd.in/e8fvsjtK

KI ist kein Chatbot.
KI ist nicht ChatGPT.
KI ist kein N8N-Workflow.
KI ist nicht das “eine” Tool.
KI ist nicht Automatisierung.
KI ist nicht die Lösung für alles.

Es gibt auch nicht "die KI".

Aber irgendwie ist all das trotzdem ein Teil davon.

KI-Implementierung ein- und abzugrenzen, ist also gar nicht so einfach.

Ich verstehe KI-Implementierung so:

Es ist der Prozess, intelligente Systeme in bestehende Geschäftsprozesse zu integrieren - nicht nur ein Tool zu kaufen.

Davor gibt es 3 Phasen: 

Prozessanalyse
Datenaufbereitung
System-Integration

Darauf basieren wiederum konkrete Anwendungen wie Content-Generierung, Qualitätssicherung und Forecasting.

Jeder Use Case erfordert einen anderen Ansatz:

• Demand Forecasting → ML-Algorithmen + saubere historische Daten
• Produktkategorisierung → Standards (eTIM, eCLASS) + Attribut-Mapping
• Produktbeschreibungen → Generative KI + Produktdatenbank + Regelbasierte Validierung

Die Lösungen sind immer kontextspezifisch.

Bedeutet, sie müssen für den jeweiligen Anwendungsfall entwickelt werden und funktionieren nicht Out-of-the-Box.

Meine aktuelle Wahrnehmung ist, dass hinter "KI-Implementierung" oft eine Plug-and-Play-Lösung erwartet wird.

Bedeutet: Tool kaufen, einmal klicken, fertig.

Diese Form von KI-Implementierung gibt es allerdings nicht.

Dieses Missverständnis führt häufig zu enttäuschten Erwartungen und gescheiterten Projekten, obwohl mit richtig implementierter KI schon so vieles möglich ist.

Der Unterschied zwischen erfolgreichen und gescheiterten KI-Projekten liegt meist nicht in der Technologie, sondern im Verständnis der eigenen Prozesse.

Wie verstehst du KI-Implementierung?

Überall lese ich: "2025 ist das Jahr der AI Agents". VCs investieren Milliarden in AI. Startups versprechen "autonome Workflows, die alles verändern". Ich wette 2025 immer noch gegen AI Agents - obwohl ich jeden Tag damit arbeite.

Das Problem liegt nur teilweise an den Agents selbst. Das Hauptproblem sehe ich eher darin, wie die meisten Leute über Agents denken.

Sie wollen komplexe Multi-Step-Workflows automatisieren. 20-Schritte-Prozesse, die "autonom" ablaufen sollen - ihr kennt die Screenshots aus n8n…

Das ist mathematisch zum Scheitern verurteilt.

Wenn jeder Schritt 95% Zuverlässigkeit hat (was optimistisch ist), dann:

→ 5 Schritte = 77% Erfolgsrate
→ 10 Schritte = 59% Erfolgsrate  
→ 20 Schritte = 36% Erfolgsrate

Production braucht aber 99,9%+ Zuverlässigkeit. Selbst bei magischen 99% pro Schritt kommst du nur auf 82% bei 20 Schritten.

Dabei brauchen die meisten nicht mal Multi-Step-Workflows. Minimale AI-Workflows für Fragmente eines Problems würden viel mehr Sinn machen. 

Wer wirklich Multi-Step-Workflows braucht, hat möglicherweise seinen Prozess nicht verstanden oder zu komplex gehalten.

Meine Faustregel: Kann ich die Aufgabe gut beschrieben an einen Menschen outsourcen?

Wenn ja, dann sollte das meine Grundanforderung sein, welche Infos und Tools ich einer KI zur Verfügung stelle.

Was sage ich damit?

Bevor du AI Agents baust, baue erst einmal einen AI-Workflow, der nur punktuell Prompts nutzt. Baue diesen sukzessive zum Agent aus, wenn wirklich notwendig.

Die meisten Firmen sind nicht so komplex, dass es Armeen an KI-Agenten dafür braucht.

Ich bin nicht gegen AI Agents. Ich bin gegen schlecht durchdachte Agent-Architekturen.

Einfach, begrenzt, mit menschlicher Kontrolle da, wo es darauf ankommt.

So funktionieren sie deutlich zuverlässiger.

Mit 16 habe ich als Gamer für 5€ meinen ersten Workflow verkauft. An andere Gamer, die genauso wenig Lust hatten wie ich, stundenlang auf ihr Handy zu starren. Damals wie heute wollen Games ihre User am Screen halten. 

Wir mussten in RPG Games Diamanten sammeln - aber die spawnten nur alle 1-2 Minuten. 100 Diamanten am Tag bedeuteten also 1-2 Stunden stumpfes Klicken.

Und das nur, damit du ihre Paid Offerings siehst: "Kauf dir 500 Diamanten für 5 Euro statt 5 Tage zu klicken."

Ich war broke und hatte keine Lust auf Microtransactions. Also habe ich eine Lösung gebaut.

Die Lösung: Bildverarbeitungssoftware auf meinem Mini-Laptop.

Das Programm hat:

• Jede Sekunde den Screen analysiert
• Nach Diamanten gesucht (Pixelanalyse, keine fancy AI)
• Automatisch geklickt, wenn es einen gefunden hat

Der technische Challenge: Die Diamanten sahen nicht immer gleich aus. Unterschiedliche Lichtverhältnisse, Schatten, Abstufungen. 

Deshalb war kein 1:1-Abgleich möglich. Ich musste eine Mustererkennung bauen, die trotz Variationen funktioniert.

2016 gab es noch kein ChatGPT, kein Copy-Paste von fertigen Lösungen. Plain old Bildverarbeitung programmieren.

Dann fragten andere im Clan, ob sie das auch nutzen können.

Ich habe ihnen geholfen, einen Handy-Emulator auf dem Laptop einzurichten, den Clicker installiert und für 5 Euro verkauft.

Mein erster "Business Case" - ohne dass ich ihn so genannt hätte.

20 Jahre später mache ich im Prinzip das Gleiche - nur für Unternehmen statt Gamer, ein wenig komplexer und für etwas mehr als 5€...

Laut KI-Experten wird die Business-Welt bald auf den Kopf gestellt. Ich sehe das anders: SaaS stirbt nicht aus. Kanzleien sterben nicht aus. Agenturen sterben nicht aus.

Statt Weltuntergangs-Szenarien zu malen, müssen Unternehmen KI mit den richtigen Elementen zusammenbringen, dann klappt es auch: 

1. Mitarbeiter-Befähigung: 
Nicht ersetzen, sondern die bestehenden Teams stärken und ihre Fähigkeiten erweitern.

2. Kundenanforderungen: 
KI nutzen, um Kundenbedürfnisse besser zu verstehen und zu erfüllen, statt nur Kosten zu senken.

3. Interne Prozesse: 
Die vorhandenen Abläufe optimieren und intelligenter gestalten, anstatt alles neu zu erfinden.

4. Datengrundlage: 
Erst die Datenbasis schaffen, dann KI sinnvoll einsetzen - nicht umgekehrt.

Das Ergebnis: Es entsteht sogar Wert, ohne dass gleich alles aussterben muss.

KI-Transformation bedeutet nicht Segregation, sondern Integration.

Was stirbt laut manchen noch aus? Habe ich was vergessen?

3 von 4 Unternehmen schieben KI-Projekte auf und warten auf bessere Tools. Dabei lösen bessere Tools nicht ihr eigentliches Problem. Die meisten haben nämlich nicht mal die Basics, um heutige KI sinnvoll zu nutzen.

Was wir eigentlich lösen müssen ist:

• Prozesse verstehen und dokumentieren
• Datenqualität und -struktur aufbauen
• Standards definieren statt alles neu erfinden

Wer diese Basics hinten anstellt, hat 3 Probleme:

1. Mitarbeiter nutzen ChatGPT ohnehin schon - ohne Struktur, ohne Prozesse, ohne Qualitätssicherung. Das führt zu inkonsistenten Ergebnissen und verschwendetem Potenzial.

2. Die Organisation baut kein fundamentales Verständnis auf. Egal wie gut die Tools noch werden - wenn die Prozesse nicht klar sind, die Daten schlecht strukturiert sind und keine Standards existieren, bringt das beste Tool nichts.

3. Die grundlegenden Probleme verschwinden nicht durch bessere KI. Wie kategorisieren wir Produkte? Welche Datenstandards nutzen wir? Wie stellen wir Compliance sicher? Diese Fragen müssen trotzdem geklärt werden.

Die Unternehmen, die vor 2-3 Jahren angefangen haben ihre Hausaufgaben zu machen, sind jetzt klar im Vorteil.

• Sie haben saubere Datenstrukturen
• Sie arbeiten mit etablierten Standards (eTIM, eCLASS, GPC)
• Sie haben dokumentierte Prozesse und klare Compliance-Regeln (DIN-Normen, EFSA, etc.)

Jedes neue KI-Tool können diese Unternehmen viel schneller bewerten und einsetzen, weil die Grundlage stimmt.

Das ist der riesige Vorteil derer, die nicht auf bessere Tools gewartet haben, sondern erst ihre Basics geklärt haben.

Ein Beispiel aus der Praxis:

Zwei Tiefkühl-Händler wollen 200 SEO-Texte mit KI generieren. Health Claims-Verstöße können sechsstellige Bußgelder kosten.

Unternehmen A wartet auf "bessere KI, die das automatisch kann".

Unternehmen B macht die Hausaufgaben: EFSA-Datenbank strukturieren, Schwellenwerte mappen, regelbasierte Filter aufbauen. Dann KI einsetzen.

Ratet mal, wer in 12 Monaten bei “noch besserer” KI schneller skalieren kann?

Die beste KI der Welt hilft dir nicht, wenn deine Produktdaten ein Chaos sind, du keine Standards nutzt und deine Prozesse nicht verstehst.

Wie siehst du das?

OpenAI launcht die Responses API und konsolidiert alle bisherigen APIs zu einer einheitlichen Schnittstelle. Für E-Com Händler bedeutet das: Ihr könnt jetzt hunderte Stunden repetitive Arbeit automatisieren.

Was passiert konkret?

OpenAI ersetzt seine fragmentierten APIs (Chat Completions, Assistants API, Tools) durch eine einzige Responses API. 

Die alte Assistants API läuft bis Mitte 2026 aus - Migration ist Pflicht.

Für Chat Completions gibt es kein hartes Enddatum, aber OpenAI empfiehlt aktiv den Umstieg. Neue Features (Agenten, Computer Use, Websuche, RAG) landen nur noch in Responses.

Der technische Vorteil: Weniger Custom-Code, weniger State-Handling, stabilere Integration.

Jetzt die wichtigere Frage: Wo setzt ihr das ein?

Meine klare Antwort: Interne Workflows und interne Prozesse.

Im E-Commerce liegen die größten Hebel unter der Haube. Jeder E-Com-Mitarbeiter muss täglich, wöchentlich, monatlich repetitive Dinge machen:

• Lieferanten onboarden
• Lieferscheine erzeugen
• Produkte anlegen und pflegen
• Daten von APIs herziehen und scrapen
• Produktfotos reduzieren und optimieren
• Fremde Datenmodelle auf eigene Strukturen mappen

Das sind hunderte Stunden pro Monat. Und genau hier macht eine einheitliche API wie Responses den Unterschied.

Der Business-Impact ist direkt messbar:

Entweder senkst du deine variablen Kosten pro Produkt oder du kannst mit dem gleichen Team viel mehr Produkte onboarden, listen und damit größere Market Coverage erreichen.

Mehr Produkte = größere Warenkörbe = mehr Umsatz.

Ich würde hier auch nochmal zwischen Händlern und Herstellern unterscheiden: 

Händler sollten priorisieren:

• repetitive Prozesse zu streamlinen
• interne Workflows zu automatisieren
• vernünftige Human-in-the-loop-Prozesse aufzubauen

Hersteller sollten priorisieren:
Customer Service zu enablen, Wissen, FAQ-Systeme und höhere Datenqualität für ihre Händler bereitzustellen - damit verkaufen die Händler besser wiederum besser.

Die Responses API macht vieles einfacher - einheitliche Tool-Calls, integriertes RAG, weniger Middleware.

Aber die Frage bleibt: Wo setzt du sie ein?

Meine Empfehlung: Dort, wo der Business-Impact am größten ist. Und das sind bei Händlern die internen, repetitiven Prozesse, die niemand sieht, aber die täglich Geld kosten.

Wo siehst du den größten Impact?

Früher brauchte ich einen Programmierer, um eine simple Datenabfrage zu übersetzen:  "Zeig mir Sales nach Bundesland, aufgeteilt nach Quartalen" wurde zu komplexen SQL-Statements mit Gruppierungen und Filtern.

Heute macht das die KI direkt.

Dasselbe Prinzip funktioniert überall, wo jemand "übersetzt":

→ Business-Anforderungen in Software-Features
→ Strategische Ziele in operative Maßnahmen  
→ Marktanalysen in Handlungsempfehlungen

Die KI schafft Brücken - aber nur wenn zwei Bedingungen erfüllt sind:

1. Klarer Datenkontext: Die zugrunde liegenden Informationen müssen strukturiert und zugänglich sein

2. Präzise Formulierung: Du musst dein Problem so konkret beschreiben können, wie du es einem menschlichen Experten erklären würdest.

Was das praktisch bedeutet:

Statt einen Data Analyst einzustellen, investiere in saubere Datenstrukturen und bringe deinen Mitarbeitern bei, wie sie präzise Fragen stellen.

Definiere deine Business-Requirements so klar, dass eine KI sie direkt in technische Spezifikationen übersetzen kann.

Der Wandel läuft bereits - in allen Bereichen, wo Menschen hauptsächlich als Übersetzer fungieren.

KI eliminiert keine Jobs - sie eliminiert Gatekeeper.

LinkedIn nutzt ab November deine Daten, um ihre KI zu trainieren. Standardmäßig sind alle Nutzer einverstanden - ein Opt-Out ist erforderlich. Hier ist mein Take als jemand, der KI-Systeme entwickelt:

LinkedIn wird Beiträge von Nutzern bevorzugen, die KEINEN Opt-Out gemacht haben.

Warum? 

Weil sie dadurch nicht nur den Content bekommen (Trainingsdaten), sondern auch die Engagement-Signale wie

• Impressions
• Kommentare
• Dwell Time
• Reposts
• etc.

Das ist der entscheidende Unterschied zu normalen Trainingsdaten.

Damit kann LinkedIn ihre AI-Modelle trainieren, um (noch besser) zu verstehen:

Was ist "guter" Content?
Was ist "mittelmäßiger" Content?  
Was ist "schlechter" Content?

Mit diesen gelabelten Daten können sie dann:

1. Automatisch besseren Content generieren
2. Bereits beim Upload vorhersagen, ob ein Post erfolgreich wird
3. Erfolgreiche Posts stärker pushen

Das Resultat: Höhere Dwell Time, mehr Plattform-Nutzung, stärkere Nutzerbindung.

Für LinkedIn ist das ein Win-Win-Win.

Wer sich gegen das AI-Training entscheidet, wird algorithmisch weniger wertvoll für die Plattform. 

Weniger Daten = weniger Signale = weniger Förderung.

Jede Plattform lebt davon, ihre Nutzer möglichst lange darauf zu halten. Je besser die KI Content-Performance vorhersagen und optimieren kann, desto erfolgreicher ist die Plattform.

Der eigentliche Clou: Die meisten Nutzer werden nichts ändern, weil Opt-Out immer Aufwand bedeutet.

LinkedIn bekommt also die wertvollsten Daten von genau den Nutzern, die am wenigsten über die Implications nachdenken.

Zwei Fragen, die sich jeder stellen sollte:

1. Ist mir meine Content-Reichweite wichtiger als meine Datenkontrolle?
2. Will ich Teil des AI-Trainings sein - oder riskieren, algorithmisch benachteiligt zu werden?

Es gibt keine richtige oder falsche Antwort. Aber man sollte die Trade-Offs verstehen, bevor man sich entscheidet.

Dass LinkedIn eher Personen pushen wird, die keinen Opt-Out machen werden, ist übrigens (noch) nirgends bestätigt - es ist einfach eine Vermutung von mir, die Sinn machen könnte.

Was ist euer Take dazu?

Ein Onlineshop will einen Produktberater als Chatbot einführen. Die Idee macht theoretisch Sinn - wenn ein User über die normale Suchfunktion nichts findet, soll ein Chatbot helfen. Diese Logik hat er übersehen:

Ein Chatbot nutzt dieselbe Suchtechnologie wie die Website-Suche.

Der Bot nimmt die Chat-Nachricht, startet eine Suche in den 100.000 Artikeln, und gibt die besten Suchergebnisse an ein Sprachmodell (wie ChatGPT oder Claude) weiter, das dann eine Antwort formuliert.

Wenn die normale Suche bereits schlecht funktioniert, wird der Chatbot auch nicht besser sein.

Eine bessere Alternative wäre es, die Customer Journey splitten: 

• Option 1: User wissen, was sie suchen → Optimierte Website-Suche
• Option 2: User brauchen Beratung → Chatbot als primärer Einstieg

Der Beratungs-Chatbot muss also anders positioniert werden: 

"Hi, ich helfe bei der Produktauswahl" statt "Hier ist dein Backup, falls die Suche versagt hat."

Der entscheidende Punkt: Die Grundannahme ist, dass die Suchfunktion gut funktioniert.

Die Suchfunktion kann nur funktionieren, wenn die Produktdatenbasis stimmt. Wenn ein User sucht und nichts findet, liegt das an schlechten Produktdaten - und kann nicht mit KI oder LLMs gefixed werden.

Drei Fragen, die sich jeder stellen sollte, BEVOR ein Chatbot eingeführt werden soll:

1. Funktioniert die normale Suche bereits gut?
2. Gibt es strukturierte, vollständige Produktdaten?
3. Soll beraten oder nur die schlechte Suche wieder gut gemacht werden? 

Wenn 1 + 2 vorliegen, kann ein Chatbot an der richtigen Stelle durchaus Sinn machen.

Wenn die Suchfunktion im Backend schon nicht funktioniert, kann aber auch kein Chatbot helfen.

6 Gründe, warum KI viel zu oft eine Spielerei bleibt - statt in die breite, produktive Nutzung zu kommen. Ohne Ranking oder Priorisierung: 

Komplizierte Tools statt einfache Lösungen

Teams bauen intelligente Workflows für Probleme, die sich mit simplen Templates lösen lassen. Bei der Vertragserstellung zum Beispiel: Gelb markierte Felder in einem Google Doc ausfüllen geht fast genauso schnell, ist rechtssicher und kostet einen Bruchteil.
____

KI-Gurus verkaufen Workflows, die nicht funktionieren

N8N-Workflows von Twitter kopieren, ins Deutsche übersetzen und für tausende Euro verkaufen. Das Problem: Die Workflows funktionieren meist gar nicht richtig. Diese KI-Berater sind wie Zwischenhändler, die kostenlosen Content nehmen und als Premium-Lösung weiterverkaufen.
____

Komplexe Multi-Step-Workflows scheitern mathematisch

Je mehr Schritte ein automatisierter Workflow hat, desto wahrscheinlicher wird ein Fehler. Bei 95% Zuverlässigkeit pro Schritt und 20 Schritten hast du nur noch 36% Erfolgsrate am Ende. Für echte Produktionsumgebungen brauchst du aber 99,9% Zuverlässigkeit.
____

Standards ignorieren und alles neu erfinden

Unternehmen entwickeln ihre eigenen Kategoriestrukturen für Produkte, obwohl eTIM, eCLASS und GPC bereits existieren. Das Rad neu erfinden kostet Zeit und macht das System anfälliger für Fehler. Standards nutzen ist vollkommen legitim.
____

Grundlagen werden übersprungen

Viele springen direkt zu KI-Tools, ohne die Basics zu verstehen. Egal ob Onlineshop, Chatbot oder Suchmaschine - am Ende geht es immer darum, die Bedürfnisse der Nutzer zu verstehen und passende Lösungen zu liefern. Diese Grundlogik bleibt gleich.
____

Jeder probiert rum, aber kaum jemand hat wirklich Ahnung

Alle reden von KI-Durchbrüchen, aber in Wahrheit weiß niemand genau, was langfristig funktioniert. Die Technologie entwickelt sich so schnell, dass selbst Experten oft nur experimentieren und hoffen, dass es klappt.
____

Was funktioniert: 

Einfache, strukturierte Ansätze für spezifische Probleme.

Ich sehe diese Fehler täglich bei Kunden - und ehrlich gesagt, habe ich früher selbst viele davon gemacht. Man lässt sich von den ganzen Versprechungen mitreißen und übersieht die simplen Lösungen.

Heute schauen wir erstmal, was WIRKLICH gebraucht wird. 

Und dann arbeiten wir daran, wie wir die spezifischen Probleme lösen können. 

Eins nach dem anderen.

Microsoft's Copilot Studio Agents wurden auf der DEF CON 33 komplett zerlegt. Mit ein paar cleveren Prompts haben Researcher sie gehackt und sensible Infos aus Salesforce gezogen:

• Private Tools freigelegt
• Komplette CRM-Records gedumpt
• Aktionen ohne menschliche Kontrolle ausgeführt

Die "autonomen Agents", die jetzt alle bauen wollen, wurden zu zu offenen Datenschleusen ohne jegliche Governance.

Die Ironie: "No human in the loop" wird als Feature verkauft. Für Hacker ist es ein Traum. Eine Vulnerability = komplette System-Kompromittierung.

Diesmal waren es Salesforce-Records, Billing-Info und interne Kommunikation. Nächstes Mal? Who knows.

Mein Take dazu:

Wenn du AI-Agents sicher bauen willst, dann sind sie zu  90% "traditionelle Software" mit Sicherheitsschranken, Authentifizierungsprozessen, Data Checks, etc.

Vor allem, wenn sie von Kunden nutzbar sind, von außen zugänglich sind, nicht nur interne Prozesse abbilden - dann brauchst du eine robuste Sicherheitsarchitektur: 

Verhinderung von 

• Hijacking-Methoden
• Prompt Injection
• etc.

Die sicherste Methode:

Ich lasse meinen AI-Agent nicht direkt auf mein CRM zugreifen. Ich brauche zwischendrin ein Broker-System, welches Anfragen prüft und adäquat weiterleitet. Keine KI, sondern mit klaren Regeln.

Dieser Broker:

• Checkt die Anfrage des Agents
• Prüft, ob ich die Anfrage weiterleiten darf
• Leitet die Systemantwort gefiltert ans KI-Modell zurück

Wer AI-Agents ohne diese Sicherheitsarchitektur deployed, ist nicht innovativ, sondern öffnet Türen für Hacker da draußen.

Autonomous ist cool - bis dein Agent für jemand anderen arbeitet.

Amazon launcht "Buy for Me" - eine Funktion, mit der User Produkte kaufen können, die nicht bei Amazon gelistet sind. Amazon führt den Checkout stellvertretend auf der Händler-Website durch. Die meisten denken: 

Das ist für Kunden, die mehr Auswahl wollen.

Ich sehe das anders: Das ist für Amazon, weil 50% ihrer Seller ein technisches Problem nicht lösen können.

Ich kenne den Pain selbst:

Ich bestelle regelmäßig Supplements bei verschiedenen Anbietern. Mein größter Pain Point: Wenn ein Produkt nicht auf Stock ist, kann ich es nicht einfach vorbestellen.

Bei Sunday Natural z.B. gibt es keine Funktion, die mich benachrichtigt oder sogar automatisch kauft, sobald das Produkt wieder verfügbar ist. Bei Amazon ist das in vielen Fällen genauso. 

Viele kleinere Händler nutzen Fulfillment by Merchant (FBM) statt Fulfillment by Amazon (FBA). Sie haben oft kein automatisiertes Stock-Management oder nicht die Skills, ihr System mit Amazon zu synchronisieren.

Das bedeutet:

• Amazon weiß nicht, ob der Händler etwas auf Lager hat
• Kunden finden Produkte nicht, obwohl sie verfügbar sind  
• Händler verpassen Sales
• Amazon verliert Traffic an externe Shops

Amazon's Lösung dafür ist “Buy For Me”:

Mit KI-Agenten (Nova-Modelle + Claude) führt Amazon den Checkout auf externen Händler-Websites automatisch durch. 

Der Kunde:

• Bleibt in der Amazon-App
• Muss keine neuen Zahlungsdaten eingeben
• Sieht eine Amazon-ähnliche Produktseite

Amazon:

• Übernimmt die Transaktion
• Behält den Kunden in der App
• Sammelt Daten über externes Kaufverhalten

Meine Einschätzung:

Von allen Amazon-Sellern können etwa 50% ihr Stock-Management nicht automatisch mit Amazon synchronisieren. Von diesen 50% können vermutlich 80% durch Agentic AI gelöst werden.

Das sind 40% aller Amazon-Seller, die jetzt plötzlich besser sichtbar werden - ohne dass sie ihre Systeme ändern müssen.

Wie bereitet man sich vor?
Die gute Nachricht: Es ist simpler als gedacht.

Du musst es dem AI-Agent nur möglichst leicht machen, deine Artikel zu finden.

Konkret:

1. Amazon muss deinen Brandstore kennen (URL, Name, Struktur)
2. EAN/GTIN müssen in deiner internen Shop-Suche indexiert sein
3. Wenn jemand die EAN in deiner Shop-Suche eingibt, muss der Artikel gefunden werden

Ich sehe hier vor allem Chancen für kleine Händler, die ihr Stock-Management noch nicht im Griff haben. Sie können mehr Kontrolle an Amazon abgeben und trotzdem profitieren.

Für DACH-Marken bedeutet das:

1. Stelle sicher, dass EAN/GTIN in deiner internen Shop-Suche indexiert sind
2. Mach deinen Brandstore für AI-Agents auffindbar
3. Pflege deine Produktdaten sauber - auch wenn du nicht auf Amazon verkaufst
4. Bereite dich jetzt vor, bevor “Buy for Me” nach Europa kommt

Die Frage ist: Bist du bereit, Amazon zu einer zentralen Discovery-Layer für deinen Shop zu machen?

Taplio

Jan Kaiser's Linkedin Analytics

What is Jan talking about?

Who is engaging with Jan

's Best Posts (last 30 days)

Want to drive more opportunities from LinkedIn?