KI im E-Commerce: Von Produktbeschreibungen bis Customer Service

Es ist Sonntagabend, 22:35 Uhr. Julia Meier, Gründerin eines Online-Shops für Sportbekleidung, sitzt am Laptop und starrt auf eine endlose Excel-Liste. 3.847 Produkte in ihrem Shopify-Store. Aber 2.234 davon haben keine vollständige Produktbeschreibung – nur den generischen Hersteller-Text, den auch 50 andere Shops haben. Keine SEO-Optimierung, kein Storytelling, keine Alleinstellungsmerkmale.

Julia rechnet: Wenn sie jede Produktbeschreibung selbst schreiben würde (20 Minuten pro Produkt), wären das 747 Stunden. Bei 40-Stunden-Wochen: 18,7 Wochen. Fast 5 Monate Vollzeit-Arbeit, nur für Produktbeschreibungen. Und sie hat noch so viel anderes zu tun: Marketing, Kundenservice, Retouren-Management, Lieferanten-Kommunikation, Buchhaltung.

Sie hatte versucht, es outzusourcen. Eine Content-Agentur wollte 75 Euro pro Produktbeschreibung. 2.234 Produkte × 75 Euro = 167.550 Euro. Das war mehr als ihr komplettes Jahresbudget. Freelancer auf Fiverr waren günstiger (15 Euro pro Stück), aber die Qualität war inkonsistent. Manche Texte waren brilliant, manche klangen wie Google Translate. Und die Durchlaufzeit? 6 Wochen für 100 Produkte. Bei 2.234 Produkten wären das über 3 Jahre.

Gleichzeitig explodierte der Kundenservice. 500 Anfragen pro Woche. "Wo ist meine Bestellung?" – "Welche Größe passt mir?" – "Wie kann ich retournieren?" Julia hatte zwei Vollzeit-Mitarbeiter für Support (90.000 Euro pro Jahr), aber sie kamen kaum hinterher. Die durchschnittliche Antwortzeit: 6 Stunden. Amazon antwortet in 10 Minuten. Zalando hat 24/7-Chatbots. Julia hatte... zwei überlastete Menschen, die nur Mo-Fr 9-17 Uhr arbeiten konnten.

Dann die SEO-Rankings. Julia googelte "Laufschuhe Damen". Ihr Shop? Position 87. Amazon Position 1, Zalando Position 2, spezialisierte Runner-Shops Positionen 3-10. Warum? Weil diese Shops hunderte Wörter optimierte, keyword-reiche Produktbeschreibungen hatten. Julia hatte: "Nike Laufschuh Größe 38. Farbe: Blau. Material: Mesh." 12 Wörter. Null SEO-Potential.

Sie saß da um 22:35 Uhr und dachte: "Ich kann gegen Amazon nicht gewinnen. Die haben unbegrenzte Ressourcen – KI-Teams, hunderte Content-Writer, 24/7-Support in 15 Sprachen. Ich habe... mich. Und zwei Mitarbeiter. Wie soll das funktionieren?"

Dann sah sie einen Artikel: "KI im E-Commerce: 5.000 Produktbeschreibungen in 4 Stunden. 24/7-Support mit KI-Bot. 80% Kosteneinsparung." Sie las weiter. Die Zahlen klangen unrealistisch. Aber sie war verzweifelt genug, es zu probieren.

6 Monate später: Julia hat alle 3.847 Produkte mit KI-optimierten Beschreibungen. Ihr SEO-Traffic ist um 42% gestiegen. Ihr Support-Team ist von 2 auf 1 Mitarbeiter geschrumpft (der zweite macht jetzt strategisches Customer Success statt FAQ-Beantwortung). Ihre Support-Kosten sind von 90.000 auf 55.000 Euro gesunken. Und sie selbst? Arbeitet nicht mehr Sonntagabends um 22:35 Uhr, sondern hat endlich Zeit für strategische Arbeit – neue Produktlinien, Marketing-Kampagnen, Wachstum.

Dieser Artikel zeigt Ihnen, wie Julia es gemacht hat. Die 10 Use Cases, die ROI-Rechnung (539%), die Shopify-Integration (30 Minuten), das Praxisbeispiel (5.000 Produkte in 4 Stunden) und die Stolpersteine, die Sie vermeiden müssen. Nach dem Lesen wissen Sie: Wie Sie als Online-Händler gegen Amazon bestehen können – nicht durch unbegrenzte Ressourcen, sondern durch intelligente Automatisierung.

Ein mittelständischer Online-Händler mit 5.000 SKUs steht vor folgender Herausforderung:

Die Rechnung ist einfach: 5.000 Produkte × 3 Kanäle × 300 Wörter = 4,5 Millionen Wörter Content. Bei 20 Minuten pro Produktbeschreibung sind das 1.667 Arbeitsstunden – fast ein ganzes Arbeitsjahr. Und das sind nur die Beschreibungen, ohne SEO-Optimierung, Übersetzungen oder Updates.

Traditionelle Lösungen scheitern:

• Externe Textagenturen: 50-150€ pro Produktbeschreibung = 250.000€ für 5.000 Produkte
• Freelancer: Qualität inkonsistent, lange Durchlaufzeiten
• Inhouse-Team: Recruiting dauert Monate, Fixkosten hoch

Die Alternative: KI-Automatisierung. Nicht als Ersatz für Menschen, sondern als Produktivitätsmultiplikator.

Das Problem: Tausende Produkte ohne Beschreibungen oder nur mit Herstellertexten, die auf 50 anderen Shops identisch sind – SEO-Gift.

Die KI-Lösung: Automatische Generierung einzigartiger Produktbeschreibungen basierend auf Produktdaten (EAN, Attribute, Kategorie) und Brand Guidelines.

Praxis-Workflow:

1. CSV-Export aus Shopify/WooCommerce mit Produktdaten
2. KI analysiert: Kategorie, Attribute, Zielgruppe, USPs
3. Generierung von 300-500 Wort Beschreibungen mit SEO-Keywords
4. Qualitätskontrolle: Stichproben prüfen (5%)
5. Bulk-Import zurück ins Shopsystem

Zeitersparnis konkret:

• Manuell: 20 Minuten pro Produkt = 1.667 Stunden für 5.000 Produkte
• Mit KI: 2 Minuten Qualitätskontrolle pro Produkt = 167 Stunden
• Ersparnis: 1.500 Stunden = 90% weniger Zeitaufwand

Kosteneinsparung:

• Externe Agentur: 50€ × 5.000 = 250.000€
• KI-Lösung: 3.000€ (Plattform) + 40h Qualitätskontrolle (1.600€) = 4.600€
• ROI: 98% Kostenersparnis

Meta-Titles und Meta-Descriptions sind SEO-Gold – aber bei 5.000 Produkten ein Albtraum.

KI-Ansatz:

• Analyse der Top-10-Rankings für relevante Keywords
• Automatische Generierung von Meta-Titles (55-60 Zeichen) mit Hauptkeyword
• Meta-Descriptions (150-160 Zeichen) mit Call-to-Action
• Berücksichtigung von Sonderzeichen, Emojis (optional), USPs

Beispiel-Output:

SEO-Impact:

• Click-Through-Rate: +15-25% durch optimierte Snippets
• Organischer Traffic: +30-40% nach 3-6 Monaten
• Ranking-Verbesserung: Durchschnittlich 5-10 Positionen für Long-Tail-Keywords

Die Mehrheit der Support-Anfragen im E-Commerce sind repetitiv: "Wo ist meine Bestellung?", "Welche Größe passt?", "Wie kann ich retournieren?"

Die KI-Lösung: Ein Chatbot, der auf Ihr Produktwissen, FAQs und Bestelldaten zugreift.

Integration-Setup:

• Anbindung an Shopify/WooCommerce Order-API
• Wissensbasis: FAQs, Produktinformationen, Versandrichtlinien
• Live-Übergabe an Support-Team bei komplexen Anfragen (nach 3 Rückfragen)

Typische Automatisierungsquoten:

• Versandstatus-Anfragen: 95% automatisiert
• Größen-/Passform-Fragen: 80% automatisiert
• Retourenabwicklung: 75% automatisiert
• Produktberatung: 60% automatisiert
• Reklamationen: 20% automatisiert (Weiterleitung an Mensch)

Durchschnittlich: 70-80% aller Anfragen ohne menschliches Eingreifen gelöst

Kosten-Kalkulation:

Traditioneller Support (5 FTEs):

• 5 Mitarbeiter × 45.000€ = 225.000€/Jahr
• Schulung, Tools, Management: +30.000€
• Gesamt: 255.000€/Jahr

KI-Support + 2 FTEs für komplexe Fälle:

• KI-Plattform: 12.000€/Jahr
• 2 Mitarbeiter × 45.000€ = 90.000€
• Gesamt: 102.000€/Jahr

Einsparung: 153.000€/Jahr (60%)

Generische Newsletter mit 2% Open-Rate sind 2025 Geschichte. Personalisierung at Scale ist der neue Standard.

KI-gestützte Personalisierung:

• Analyse des Kaufverhaltens (RFM-Segmentierung)
• Automatische Generierung personalisierter Betreffzeilen
• Dynamic Content basierend auf Browsing-History
• A/B-Testing von Varianten

Beispiel: Kunde hat "Laufschuhe" im Warenkorb, aber nicht gekauft:

Performance-Steigerung:

• Open-Rate: +30-50% (von 15% auf 20-23%)
• Click-Rate: +40-60% (von 2% auf 3-3,2%)
• Conversion: +25-35% (von 4% auf 5-5,4%)
• Revenue per E-Mail: +80-120%

Retouren kosten E-Commerce-Händler durchschnittlich 10-15% des Umsatzes. KI kann helfen, Retouren zu reduzieren UND den Prozess zu automatisieren.

Prävention durch KI:

• Größenempfehlungen basierend auf Produktdaten und Kundenfeedback
• "Passt dir wahrscheinlich nicht"-Warnungen bei ungewöhnlichen Kombinationen
• Automatische Beantwortung von Passform-Fragen im Chat

Automatisierung des Retourenprozesses:

1. Kunde initiiert Retoure
2. KI analysiert Retourengrund und Kaufhistorie
3. Automatische Genehmigung oder Weiterleitung
4. Generierung von Retourenlabels
5. Tracking und Status-Updates
6. Automatische Rückerstattung nach Wareneingang

KI-gestützte Retourenanalyse:

• Identifikation von Problem-Produkten (>30% Retourenquote)
• Root-Cause-Analyse: "Fallen zu klein aus" → Größentabelle anpassen
• Lieferanten-Feedback: Qualitätsprobleme automatisch eskalieren

Impact:

• Retourenquote: -15-25% durch bessere Beratung
• Bearbeitungszeit: -70% (von 5 Min auf 1,5 Min pro Retoure)
• Kundenzufriedenheit: +30% (schnellere Abwicklung)

Amazon verdient Milliarden mit "Kunden kauften auch..."-Empfehlungen. Jetzt können auch kleinere Shops diese Technologie nutzen.

Empfehlungs-Typen:

• Collaborative Filtering: "Kunden, die X kauften, kauften auch Y"
• Content-Based: Ähnliche Produkte basierend auf Attributen
• Hybrid: Kombination aus beidem
• Cross-Selling: Ergänzende Produkte
• Upselling: Premium-Alternativen

Implementierung in 4 Schritten:

1. Integration mit Produktdaten und Order History
2. KI trainiert auf Kaufmustern
3. Einbindung in Product Pages, Checkout, E-Mails
4. A/B-Testing und Optimierung

Conversion-Impact:

• Average Order Value (AOV): +15-25%
• Units per Transaction: +1,3 Artikel im Durchschnitt
• Cross-Sell-Rate: +20-30%
• Customer Lifetime Value: +18%

Internationale Expansion scheitert oft an Übersetzungskosten: 0,10-0,15€ pro Wort × 5.000 Produkte × 300 Wörter × 5 Sprachen = 225.000€+.

KI-Übersetzung für E-Commerce:

• Nicht Google Translate! Sondern: Kontext-bewusste Übersetzung
• Berücksichtigung von SEO-Keywords pro Zielmarkt
• Lokalisierung (nicht nur Translation): Währungen, Maßeinheiten, kulturelle Anpassungen
• Konsistenz: Glossare für Produktnamen, technische Begriffe

Workflow:

1. Deutsche Produktbeschreibungen als Master
2. Batch-Übersetzung in EN, FR, IT, ES, NL
3. Qualitätskontrolle: Native Speaker prüft Stichprobe (5%)
4. Feedback-Loop: Korrekturen fließen in KI-Training ein
5. Import in Shopify Multilingual oder WooCommerce WPML

Kosten-Vergleich:

• Professionelle Übersetzung: 225.000€ (einmalig)
• KI + Qualitätskontrolle: 8.000€ (einmalig)
• Ersparnis: 96%

Plus: Updates und neue Produkte in Minuten statt Wochen übersetzbar

Kundenbewertungen sind Goldminen – aber wer liest 5.000 Reviews manuell?

KI-gestützte Sentiment-Analyse:

• Automatische Kategorisierung: Positiv/Neutral/Negativ
• Themen-Extraktion: Was wird konkret gelobt/kritisiert?
• Trend-Erkennung: Verschlechtert sich die Qualität?
• Competitor-Analysis: Was sagen Kunden über Wettbewerber?

Praktischer Nutzen:

Beispiel: 200 Reviews für "Bluetooth-Kopfhörer XY"

KI-Analyse ergibt:

Maßnahmen ableiten:

1. Produktbeschreibung anpassen: "Achtung: Für kleine Ohren ggf. nicht geeignet"
2. Lieferant kontaktieren: Passform-Problem adressieren
3. FAQ erweitern: Bluetooth-Pairing-Anleitung
4. Marketing nutzen: "90% lieben die Akkulaufzeit" → Werbung

Impact:

• Retourenquote: -20% (durch bessere Erwartungs-Management)
• Produktentwicklung: Datenbasierte Verbesserungen
• Conversion: +10% (durch gezielte USP-Kommunikation)

Zu viel Lagerbestand bindet Kapital, zu wenig bedeutet verlorene Sales. KI findet die Balance.

KI-gestütztes Forecasting:

• Historische Verkaufsdaten (Saisonalität, Trends)
• Externe Faktoren: Wetter, Feiertage, Werbekampagnen
• Lead Times von Lieferanten
• Retouren-Quoten
• Preis-Elastizität

Automatische Alerts:

• "Produkt XY wird in 5 Tagen ausverkauft sein → Nachbestellung empfohlen"
• "Lagerbestand Größe M überhöht → Rabatt-Aktion starten?"
• "Saisonartikel: Abverkauf in 4 Wochen beginnen"

Business-Impact:

• Lagerkosten: -15-20% (weniger Überbestand)
• Stockout-Rate: -30-40% (weniger verpasste Sales)
• Working Capital: -25% (Kapital frei für Wachstum)
• Lieferanten-Beziehungen: Bessere Planbarkeit durch präzisere Forecasts

Klassisches A/B-Testing: 2 Wochen Laufzeit, manuelle Auswertung, dann nächste Variante. KI macht es schneller und intelligenter.

KI-gestütztes Testing:

• Automatische Generierung von Varianten:
  • Headlines: 10 verschiedene Versionen
  • CTAs: "Jetzt kaufen" vs. "In den Warenkorb" vs. "Bestellen"
  • Produktbeschreibungen: Feature-fokussiert vs. Benefit-fokussiert
  • Bildauswahl: Freisteller vs. Lifestyle
• Multi-Armed-Bandit-Algorithmus: KI lernt während des Tests und leitet Traffic zur besten Variante
• Segment-spezifische Tests: Mobile vs. Desktop, Neukunden vs. Bestandskunden

Beispiel-Ergebnis: Produktseite "Laufschuhe": 10 Varianten getestet über 7 Tage

Gewinner-Kombination:

• Headline: "Der Schuh, der dich 5% schneller macht" (+12% Conversion vs. Original)
• CTA: "Jetzt bestellen – Kostenloser Versand" (+8% vs. "In den Warenkorb")
• Beschreibung: Benefit-fokussiert (+6%)
• Bild: Lifestyle-Shot (+4%)

Gesamt-Uplift: +34% Conversion

Bei 10.000 Besuchern/Monat × 3% Conversion × 100€ AOV:

• Vorher: 30.000€ Revenue
• Nachher: 40.200€ Revenue
• +10.200€/Monat = +122.400€/Jahr für EINE Produktseite

Die beste KI-Lösung nützt nichts, wenn die Integration Wochen dauert. Moderne KI-Plattformen wie Plotdesk bieten native Shopify-Apps.

Setup in 3 Schritten:

Schritt 1: App installieren (5 Minuten)

1. Shopify Admin → Apps → App Store öffnen
2. "KI-Plattform" suchen (z.B. Plotdesk)
3. "App hinzufügen" klicken
4. Berechtigungen bestätigen:
   • Lesen: Produkte, Bestellungen, Kunden
   • Schreiben: Produkte (für Bulk-Updates)

Schritt 2: Daten synchronisieren (10 Minuten)

• Automatischer Import aller Produktdaten
• Kategorien, Attribute, Bilder, Varianten
• Optional: Kundendaten für Personalisierung (DSGVO-konform)
• Optional: Bestelldaten für Support-Bot

Schritt 3: Use Cases konfigurieren (15 Minuten)

Produktbeschreibungen:

Customer Service Bot:

Bulk-Operationen:

Ausgangssituation: Ein Online-Shop für Elektronikzubehör mit 5.000 SKUs kämpfte mit:

• 60% der Produkte ohne vollständige Beschreibungen (nur Hersteller-Text)
• SEO-Rankings schlecht: Position 40-100 für relevante Keywords
• 500+ Support-Anfragen/Woche, davon 70% repetitiv
• 2 Vollzeit-Mitarbeiter für Content-Pflege (80.000€/Jahr)
• 3 Support-Mitarbeiter (135.000€/Jahr)

Ziel: Content-Qualität steigern, Support entlasten, Kosten senken, SEO verbessern.

Implementierung (Woche 1-2):

Phase 1: Produktbeschreibungen (Tag 1-3)

1. Shopify-Integration: 30 Minuten
2. CSV-Export aller Produkte: 10 Minuten
3. KI-Generierung von 5.000 Beschreibungen:
   • Batch-Processing: 3 Stunden
   • Qualitätskontrolle (5% Stichprobe): 4 Stunden
   • Korrekturen: 2 Stunden
   • Bulk-Import: 20 Minuten
4. SEO-Metadaten parallel generiert

Gesamt-Aufwand: 10 Stunden statt 1.667 Stunden

Phase 2: Customer Service Bot (Tag 4-5)

1. Wissensbasis aufbauen:
   • FAQs importieren
   • Versand-/Retourenrichtlinien
   • Produktdaten anbinden
2. Bot-Training: 2 Stunden
3. Testing: 2 Stunden
4. Go-Live: Parallel zu Support-Team (1 Woche Pilotphase)

Gesamt-Aufwand: 4 Stunden Setup

Phase 3: E-Mail-Marketing-Automatisierung (Tag 6-7)

1. Segmente definieren: 1 Stunde
2. Personalisierte Templates: 2 Stunden
3. A/B-Tests konfigurieren: 1 Stunde

Gesamt-Aufwand: 4 Stunden

Ergebnisse nach 6 Monaten:

SEO & Traffic:

• Organischer Traffic: +42% (von 25.000 auf 35.500 Besucher/Monat)
• Durchschnittliches Ranking: Von Position 65 auf Position 22
• Featured Snippets: 12 Produkte in Top-3 für Longtail-Keywords

Conversion & Umsatz:

• Conversion Rate: +15% (von 2,0% auf 2,3%)
• Average Order Value: +12% (durch bessere Produktempfehlungen)
• Umsatz gesamt: +58% (2,1 Mio. € statt 1,8 Mio. €)
• Zusätzliche 300.000€ Jahresumsatz

Support-Entlastung:

• Support-Anfragen: -65% (von 500 auf 175/Woche)
• Automatisierungsquote Bot: 78%
• Team reduziert von 3 auf 1,5 FTE (90.000€ Einsparung)

Content-Effizienz:

• Neue Produktbeschreibungen: 5 Minuten statt 20 Minuten
• Content-Team von 2 auf 0,5 FTE (60.000€ Einsparung)
• Übersetzungen in 5 Sprachen: 2.000€ statt 45.000€ (43.000€ Einsparung)

Kosten (Jahr 1):

Nutzen (Jahr 1):

Break-Even nach 6 Wochen!

Zusätzliche Benefits (nicht monetarisiert):

• Mitarbeiterzufriedenheit: Weniger repetitive Aufgaben
• Skalierbarkeit: 10.000 Produkte mit gleichem Aufwand möglich
• Datenqualität: Konsistente Produktinformationen
• Markenimage: Professioneller Außenauftritt
• Internationalisierung: 10 Sprachen statt 1

Stolperstein #1: Zu hohe Erwartungen ("KI macht alles")

Reality Check:

• KI generiert 95%-Lösungen, nicht 100%
• Qualitätskontrolle bleibt wichtig (5-10% Stichproben)
• Komplexe Anfragen brauchen Menschen

Lösung: Definiere klare KPIs (z.B. "80% der Produktbeschreibungen KI-generiert, 20% manuell") und kommuniziere realistisch im Team.

Stolperstein #2: Fehlende Brand Voice

Problem: KI-Texte klingen generisch und passen nicht zur Marke.

Lösung:

• Erstelle 5-10 "Golden Sample"-Produktbeschreibungen manuell
• Definiere Brand Guidelines in KI-Instructions:
  • Tonalität (z.B. "Freundlich, aber professionell")
  • Verbotene Wörter (z.B. "günstik", "billig")
  • Must-Have-Elemente (z.B. "Immer Nachhaltigkeits-USP erwähnen")
• Iteriere: Feedback nach jeder Batch-Generierung

Stolperstein #3: Datenschutz-Bedenken

Problem: Kundendaten in KI-System = DSGVO-Risiko?

Lösung:

• Wähle europäische KI-Plattform mit Servern in Deutschland
• AVV-Vertrag mit Anbieter abschließen
• Pseudonymisierung: Nutze IDs statt Namen für Personalisierung
• Transparenz: Datenschutzerklärung aktualisieren

Stolperstein #4: Team-Widerstand ("KI nimmt uns den Job")

Problem: Mitarbeiter fürchten um Arbeitsplätze.

Lösung:

• Kommunikation: "KI macht euch produktiver, nicht überflüssig"
• Umschulung: Content-Team wird zu Quality-Control + strategischem Content
• Quick Wins teilen: "Dank KI haben wir jetzt Zeit für kreative Projekte"
• Partizipation: Team in Use-Case-Auswahl einbinden

Die KI-Evolution im E-Commerce steht erst am Anfang. Was 2025 State-of-the-Art ist:

Voice Commerce: "Alexa, bestelle Bio-Kaffee" → KI versteht Kontext, wählt bevorzugte Marke, bestellt

Visual Search: Foto von Sneakers machen → KI findet identisches oder ähnliches Produkt in deinem Shop

Hyper-Personalisierung: Jeder Kunde sieht eine individuell kuratierte Homepage mit Produkten, die zu 90% gekauft werden

Predictive Logistics: KI versendet Produkte VOR der Bestellung (basierend auf Kaufwahrscheinlichkeit), Kunde kann dann innerhalb 24h stornieren

Autonomous Pricing: KI passt Preise in Echtzeit an: Nachfrage, Wettbewerb, Lagerbestand, Wetter – alles berücksichtigt

Die Frage ist nicht ob, sondern wann du einsteigst. Early Adopters gewinnen Marktanteile, während Late Mover aufholen müssen.

Phase 1: Assessment (Woche 1)

1. Identifiziere deinen größten Schmerzpunkt:
   • Fehlende Produktbeschreibungen? → Use Case #1
   • Überlasteter Support? → Use Case #3
   • Schlechte SEO-Rankings? → Use Case #2
2. Sammle Daten:
   • Wie viele Produkte ohne vollständige Infos?
   • Wie viele Support-Anfragen/Woche?
   • Wie viel Zeit für Content-Erstellung?
3. Definiere Ziel-KPI:
   • "500 Produktbeschreibungen in Woche 1"
   • "Support-Anfragen -30% in Monat 1"

Phase 2: Pilot (Woche 2-4)

1. Wähle KI-Plattform (z.B. Plotdesk)
2. Integriere Shopify/WooCommerce (30 Min)
3. Starte mit 50-100 Produkten (Test)
4. Qualitätskontrolle: Was funktioniert gut?
5. Iteriere: Instructions anpassen

Phase 3: Skalierung (Monat 2-3)

1. Rolle Use Case auf alle Produkte aus
2. Füge 2. Use Case hinzu (z.B. Support-Bot)
3. Schulung Team (4h)
4. Monitoring: KPIs täglich prüfen

Phase 4: Optimierung (ab Monat 4)

1. A/B-Testing: Verschiedene Varianten testen
2. Feedback-Loop: Learnings sammeln
3. Neue Use Cases identifizieren
4. ROI dokumentieren für Stakeholder