Computer Vision ist im Retail 2026 über die Pilot-Phase hinaus — produktive Anwendungen gibt es in E-Commerce, Filialgeschäft und Logistik. Der ROI-Rahmen ist schmaler als bei Gen-AI, aber klar messbar.
E-Commerce-Use-Cases
Visuelle Suche. Der Nutzer lädt ein Bild hoch oder fotografiert ein Produkt, das System findet ähnliche im Sortiment. Besonders relevant in Mode, Möbel, Kunst. Conversion-Uplift typisch 5–15 Prozent bei visuellen Sortimenten.
Automatisches Produkt-Tagging. Bilder werden automatisch mit Attributen getaggt (Farbe, Material, Stil, Muster). Ersetzt manuelle Arbeit bei großen Sortimenten. Zeiteinsparung 60–80 Prozent.
Produkt-Bild-Qualitäts-Check. Automatische Prüfung, ob Produktbilder den Guidelines entsprechen (Auflösung, Hintergrund, Produkt-Ausrichtung).
Recommendation auf visueller Ähnlichkeit. „Ähnliche Looks" / „Matches" im Mode-Kontext.
User-Generated-Content-Moderation. Bewertungs-Bilder automatisch auf Angemessenheit prüfen vor Publikation.
In-Store-Use-Cases
Shelf-Analytics. Kameras im Laden erkennen, welche Produkte ausverkauft sind, falsch platziert wurden, oder unterdurchschnittlich präsentiert sind. Out-of-Stock-Reduktion typ. 10–20 Prozent.
Customer-Flow-Tracking (anonymisiert). Welche Laufwege in der Filiale? Welche Zonen bekommen wenig Aufmerksamkeit? Heatmaps für Layout-Optimierung.
Queue-Management. Kassen-Schlangen werden erkannt, Personal dynamisch eingesetzt.
Theft Prevention. Ungewöhnliches Verhalten wird erkannt — allerdings Datenschutz-heikel und oft kontraproduktiv für Kunden-Experience.
Dwell-Time-Analytics. Wie lange verweilen Kunden vor bestimmten Displays? Proxy für Interesse.
Logistik-Use-Cases
Automatisches Paket-Sizing. Kamera-basierte Vermessung für Versand-Kosten-Optimierung.
Qualitätsprüfung in der Lieferkette. Schäden, falsche Produkte, fehlende Teile werden erkannt.
Retouren-Inspektion. Eingehende Retouren werden automatisch kategorisiert (verkäuflich/defekt/refurbish).
Tool-Landschaft
Cloud-APIs (einfachster Einstieg):
- Google Cloud Vision API
- AWS Rekognition
- Azure Computer Vision
- Clarifai
Spezialisierte Retail-Plattformen:
- Syte (visuelle Suche, Produkt-Tagging)
- Trax (Shelf-Analytics)
- ViSenze (E-Commerce-CV-Suite)
Self-Hosted / Custom:
- YOLO (Object Detection)
- OpenCV + PyTorch/TensorFlow
- Hugging Face Vision-Modelle
Für 80 Prozent der Use-Cases reichen Cloud-APIs. Self-Hosted lohnt sich ab bestimmtem Volumen oder bei domain-spezifischen Anforderungen.
Datenschutz und rechtliche Lage
Im E-Commerce: Fast immer unproblematisch, solange keine Gesichtserkennung passiert.
In-Store mit Video-Analyse: Heikel. DSGVO und national-spezifische Regelungen beachten. Grundregeln:
- Keine biometrische Identifikation ohne explizite Einwilligung
- Anonymisierte Analyse (Heatmaps, Zähler) ist akzeptabel
- Informationspflicht an Kunden (Beschilderung im Laden)
- Data-Retention-Policies
Bei EU AI Act: Echtzeit-Biometrie im öffentlichen Raum ist „high risk" oder teilweise verboten. Retail-Filialen sind kein öffentlicher Raum, aber die Einschränkungen sind streng.
Voraussetzungen für produktive Nutzung
1. Klarer Use-Case mit Business-Case. Nicht „Wir wollen CV einsetzen", sondern „Wir wollen Out-of-Stock in Filialen um X Prozent reduzieren".
2. Datenbasis. Für Custom-Modelle: mindestens 1.000 gelabelte Trainings-Bilder pro Klasse. Für API-Nutzung ausreichend Test-Volumen für Validierung.
3. Infrastruktur. Kamera-Setup, Netzwerk-Kapazität, Cloud-Rechenzeit. Kann überraschend aufwendig sein bei In-Store-Szenarien.
4. Integration. CV-Output muss in bestehende Systeme fließen (ERP, Merchandising-Tool, Personalplanung).
5. Datenschutz-Prüfung. Vor Pilot-Start mit DPO klären.
ROI-Rahmen
E-Commerce:
- Visuelle Suche: 3–12 Prozent Conversion-Uplift bei visuell-relevanten Kategorien
- Automatisches Tagging: 60–80 Prozent Zeitersparnis in Produkt-Management
- Bild-Qualitäts-Check: reduziert Rückmeldungen durch schlechte Bilder
In-Store:
- Shelf-Analytics: 10–20 Prozent Out-of-Stock-Reduktion, typisch 1–3 Prozent Umsatz-Uplift
- Customer-Flow: qualitativ — bessere Layout-Entscheidungen
Logistik:
- Paket-Sizing: 2–5 Prozent Versand-Kosten-Einsparung
- Qualitätsprüfung: 20–40 Prozent Zeitersparnis bei Inspektions-Arbeit
Häufige Fehler
Fehler 1 — CV ohne Use-Case-Fokus. „Wir haben Kameras, was können wir damit?" ist die falsche Startfrage.
Fehler 2 — Datenschutz-Blindheit. Projekte werden gestartet, DPO wird erst im Rollout einbezogen. Dann kommt der Einwand zu spät.
Fehler 3 — Modell ohne Retraining. Produkt-Sortiment ändert sich, Modell veraltet. Regelmäßiges Retraining nötig.
Fehler 4 — Investment in Custom-Models zu früh. Mit APIs starten, erst bei klarem Skaling-Bedarf auf Custom wechseln.
Verbindungen: Personalisierung mit KI für visuelle Recommendation-Integration. KI-ROI messen für Wirkungsnachweis.