neuland Fachtag 2026

Kaum ein Thema prägt die Diskussionen im Handel derzeit stärker als Künstliche Intelligenz. Doch welche Entwicklungen sind tatsächlich relevant und welche Erwartungen überzogen? Prof. Dr. Gerrit Heinemann ordnet die wichtigsten Trends ein und wirft einen kritischen Blick auf die Chancen, Grenzen und Auswirkungen von KI im Commerce.

Wie muss eine Software-Architektur aussehen, damit sie mit der Dynamik der Künstlichen Intelligenz Schritt halten kann? Anhand praktischer Erfahrungen aus der Softwareentwicklung bei Mercedes-Benz zeigt dieser Vortrag die Leitprinzipien unserer neuen KI-orientierten Architektur. Von der Plattformstrategie über artefaktbasierte Gestaltung bis hin zu einer konsequenten Austauschbarkeit aller Komponenten wird deutlich, wie moderne Software-Architektur die Grundlage für schnellere Innovation und nachhaltige Entwicklung schafft.

Was passiert eigentlich mit Menschen, wenn Systeme nur noch das Wahrscheinlichste ausspielen und alle Produkte gleich klingen, sich gleich anfühlen und gleich relevant wirken? Wenn Optimierung zur Monokultur wird? Im Mittelpunkt dieses Vortrags steht das Konzept des „Proof of Human“, aber nicht als Verifizierungsschranke oder Abwehrreaktion gegen KI, sondern als neue Kernkompetenz. Ein Blick darauf, wie menschliche Präsenz, Intuition und Verantwortung in digitalen Produkten strategisch unersetzbar werden.

Mit ChatGPT, Gemini und KI-Agenten verändert sich nicht nur, wie Menschen suchen – sondern auch, wo sie Antworten erhalten, Produkte entdecken und Kaufentscheidungen treffen. Damit entsteht eine zentrale Frage für Marken und Händler: Wer wird von KI-Systemen sichtbar empfohlen – und wer findet in diesen neuen Entscheidungsräumen gar nicht mehr statt? Schon heute zeigt sich, dass KI-Antworten einen erheblichen Einfluss darauf haben können, welche Anbieter wahrgenommen, verglichen und ausgewählt werden. Doch wie entstehen diese Antworten eigentlich? Welche Quellen nutzen KI-Systeme? Wie verlässlich sind ihre Empfehlungen und können wir ihnen wirklich blind vertrauen?

Bei neuland haben wir früh realisiert, dass ungesteuerte KI-Nutzung ein ökonomisches Risiko darstellt und auch die ökologischen Auswirkungen nicht zu vernachlässigen sind. Das Gute ist: Wer die Verschwendung von Tokens vermeidet, spart gleichzeitig Kosten und reduziert die assoziierten Umweltauswirkungen.

Diese Session gibt einen Einblick in unsere Strategien, um die Nutzung der KI kostensparend zu gestalten, ohne Qualität einzubüßen: Weshalb ist das überhaupt ein Thema, welche Tools kann man nutzen, und welche Maßnahmen machen tatsächlich einen Unterschied?

Den Abschluss bildet eine Diskussion und Erfahrungsaustausch mit den Anwesenden.

Erfolgreiche Transformationen von Legacy-Systemen bedeuten mehr als nur Code-Refactorings. Denn „Legacy“ hinterlässt Spuren im Code, in fachlichen Prozessen und der Teamkultur. Nachhaltige Modernisierung braucht daher frische Impulse von außen, um neue Teamstrukturen und Arbeitsweisen zu etablieren.

Bei unserem Kunden lebte die Suchlogik ursprünglich an einem ungewöhnlichen Ort: im Frontend, geschrieben in TypeScript. Mit neuen Anforderungen — unter anderem dem Wunsch nach Learning to Rank — stieß diese Architektur an ihre Grenzen. Wir haben den Code daher in ein eigenes Backend umgezogen und dabei komplett neu geschrieben. Die Wahl fiel auf Python, vor allem wegen des vorhandenen Team-Know-hows und des starken Ökosystems im Machine-Learning-Umfeld. Damit stellte sich aber eine Frage, die viele Teams beim Wechsel zu Python umtreibt: Wie geht man mit einer dynamisch typisierten Sprache um, ohne die Sicherheit und Klarheit zu verlieren, die man vorher hatte? Und wie lässt sich Domain-Driven Design sauber umsetzen, wenn der Compiler nicht mitdenkt? Im Vortrag zeigen wir, welche Werkzeuge und Patterns uns geholfen haben — von Type Hints und statischer Analyse bis hin zu konkreten Ansätzen für Value Objects, Entities und klar geschnittene Domänenmodelle in Python.

Jedes manifeste technische Problem von ausreichendem Gewicht ist die Lösung eines latenten organisatorischen Problems.

Coming Soon

KI als Lösungsansatz und ihre Alternativen

Der Siegeszug generativer KI hat vielen Digitalisierungsvorhaben neuen Schwung gegeben: Lang liegengebliebene Projekte erscheinen plötzlich machbar. Versäumte Projekte zur Datenaufbereitung erscheinen unnötig. Das Publikum ist nach scheinbar geringem Aufwand entzückt. Wer glaubt, dass ein Computer ihr bei der Lösung einer Aufgabe helfen kann, fragt, ob das “irgendwie mit KI” geht; traditionelle Lösungen sind oft gar nicht mehr auf dem Schirm.

Aber ist KI für jedes IT-Problem wirklich die angemessene Lösung? Wie muss ein Problem aussehen, damit KI als Lösung passt, und wo ist eine “traditionelle” Lösung (regelbasiert, von Hand programmiert, nachvollziehbar) besser? Welche Risiken (neben der bekannten “Prompt Injection”) entstehen durch den Einsatz von KI direkt oder in Form von Agentic Engineering? Wie sieht mein KI-Projekt in fünf Jahren aus? Und grundsätzlicher: Wofür haben wir als Menschen eigentlich Computer entwickelt und gebaut? Wie können sie unser Leben tatsächlich bereichern?

Im Workshop-Format erarbeiten wir Kriterien für die Auswahl des richtigen Ansatzes und testen sie an praktischen Beispielen. Bringt gern Beispiele aus Eurem Umfeld mit!

In zwölf Monaten haben wir den Checkout eines gewachsenen E-Commerce-Systems neu gebaut – mit Warenkorb, Payments, Checkout-Flow, Artikeldaten und der Anbindung an ein ERP, das parallel selbst neu entstand. Nach drei Monaten lief das erste MVP, nach sieben der erste Shop vollständig auf dem neuen Checkout. Heute sind vier von fünf Shops live, bei drei bis acht Deployments pro Woche.

Der Schlüssel war kein neues Framework, sondern ein Team, das die Fachlichkeit vollständig verantwortet und schnell entscheidet. Möglich wurde das durch bewusste Architekturentscheidungen: ein fachlicher Schnitt statt technischer Schichten, ein neues System, das Shop für Shop neben dem alten wächst, und Continuous Deployment mit durchgehender E2E-Testabdeckung. Unser Prinzip dabei: alte Konzepte verstehen, gemeinsam mit dem Fachbereich hinterfragen und nur dort neu bauen, wo es fachlich Sinn ergibt.

AI hat uns dabei durch die Analyse des Altsystems getragen und später die Entwicklung selbst verändert: größere Arbeitspakete, schneller umgesetzt – und neue Herausforderungen, mit denen wir erst umgehen lernen mussten.

Wir nutzen Claude Code im Abonnement, und wie viele andere in der Situation fragten wir uns: Was würden uns unser Verbrauch bei API-Abrechnung kosten? Was spart Token? Und welchen CO2-Rucksack schleppen wir da mit uns rum? Dafür haben wir Plugins gebaut, die Tokens sammeln, ein Backend, das sie speichert und ein Frontend, das sichtbar macht, was man vielleicht gar nicht sehen will. Wir erzählen, was wir gemacht haben, gegen welche Wände wir gelaufen sind und wie wir auf unsere CO2-Werte kommen. Der Code für das Dashboard ist Open Source verfügbar!

Sechs Versandlager, ein großes Filialnetz, zahlreiche Partner und die Peak Season: Hier stoßen Standardlösungen schnell an ihre Grenzen. Douglas setzt deshalb seit neun Jahren auf eine eigene Fulfillmentplattform. Dennis und Jens zeigen, wie sie Überverkäufe verhindert, Aufträge flexibel verteilt und neue Geschäftsmodelle schnell ermöglicht, und wann sich der Eigenbau wirklich lohnt.

Über die Bedeutung der (Fach-) Sprache in Agentischen Projekten.

Wo Menschen mit Unschärfe und Mehrdeutigkeit klar kommen, scheitert die KI, weil sie anfängt zu raten. Selbst wenn man ihr hundert Mal sagt, "frag nach, wenn du dir unsicher bist".

Und plötzlich ist ein Glossar nicht mehr Nice-to-have, sondern unverzichtbar. Und die vielzitierte "ubiquituous language" muss konsequent verwendet werden.

Nach langem Stillstand, kommt durch KI viel frischer Wind in das Thema Shopsuche. Wir stellen die Frage, wie wir die Suche mit und für Agenten optimieren können. Wo werden uns Agenten in der Zukunft bei Themen rund um die Shopsuche unterstützen: im Backoffice bei der Optimierung der Suchkonfiguration, im Shop selbst als Einkaufsberater und über agentische Suche via Chatbots? Wir zeigen die Ansätze unserer Ideen.

Vorstellung von Frontend-Integrations-Muster ("Microfrontends") zum Modernisieren per Stranglerpattern.

Die Entscheidung für Sprinklr als CCaaS-Plattform war für uns eine bewusste Make-or-Buy-Entscheidung: Standardfunktionen aus der Plattform dort nutzen, wo sie Mehrwert schaffen, und gleichzeitig unsere individuelle Lösung DEUS gezielt integrieren. Durch die Kombination aus standardisierten CCaaS-Funktionen und den Stärken unserer Eigenentwicklung konnten wir die Transformation im Customer Care deutlich beschleunigen. Der Vortrag gibt Einblicke in diesen Ansatz, die Integration von DEUS in die Plattform sowie die Rolle von KI, ihre Potenziale und ihre Grenzen.

Ich zeige einen kompletten Durchstich, wie man Open Weight Modelle auf lokalen Rechnern nutzt und was damit geht und viel mehr, was damit nicht geht.

Modernisierung unter harten deadlines: Wie INTERSPORT eine Altanwendung mit Umweg über eine Kaufsoftware abgelöst hat.

Wie wir bei einem unserer Kunden mit einem domänenkundigen Chatbot unsere Product Owner:innen unabhängiger gemacht und gleichzeitig den Cognitive Load unserer Entwickler:innen reduziert haben.

Ich erläutere, mit welcher Architektur Agentic Coding seine volle Kraft entfalten kann. Im Prinzip ist schon heute eine vollautomatische Entwicklung möglich: Ein geeignetes Prompt mit einem geeigneten KI-Harness kann automatisch ein Feature bauen, testen, reviewen, korrigieren und live deployen ohne Eingriff von Menschen. Damit dies möglich ist, werden aber bestimmte architektonische Muster benötigt: Continuous Deployment, ein überschaubarer fachlicher Kontext sowie weitgehende Unabhängigkeit von anderen Kontexten. Das galt auch schon für Menschen. Neu hinzu kommt für Agentic Coding ein geeigneter KI-Harness.

Dafür wird eine fachlich entkoppelten Architektur mit Self-Contained Systems benötigt. Ich erläutere, wie das praktisch aussieht und warum es bei relevanter Skalierung derzeit nicht mit Kaufsoftware effizient möglich ist, da diese unveränderbare Elemente enthält, die z.B. weitere fachliche Schnitte verbieten.