Dieser Artikel ist ein Recap des Digital Bash Webinars "E-Commerce und AI", in dem Leon Ruddat, Gründer der Agentur Strictly Boring, über seine Learnings aus drei Jahren als Head of Automation and AI bei Snocks berichtet. Hier findest du die wichtigsten Insights aus seinem Vortrag zusammengefasst. Die komplette Aufzeichnung des Webinars sowie weitere Ressourcen sind unter [LINK] verfügbar.
Künstliche Intelligenz verdient Geld oder kostet Geld, kaum etwas dazwischen. Bei Snocks fällt die Bilanz nach drei Jahren eindeutig aus: 326 Automatisierungen entstanden, aber nur 130 davon verdienen tatsächlich Geld. Das ist die These von Leon Ruddat, Gründer der Agentur Strictly Boring und zuvor Head of Automation and AI bei Snocks. Die Beispiele reichen von einem Achtstundentool bis zu seinem teuersten Fehler-Investment, und was den Unterschied macht, hat wenig mit der Größe des Projekts zu tun.
Die ehrliche Bilanz: Was ist profitabel, was nicht?
Ruddats Publikum lag mit seiner Schätzung deutlich daneben: Die Mehrheit vermutete weit weniger profitable Automatisierungen, als es tatsächlich gab. Rund 75 Prozent tippten auf 0 bis 50, 15 Prozent auf 50 bis 100, 8 Prozent auf 100 bis 200 und nur 3 Prozent auf 200 bis 300.
Entscheidend war dabei nicht die Größe des Projekts, sondern allein, dass es sich rentierte: In die Zahl flossen laut Ruddat auch kleine Flows ein, die lediglich Daten von einem System in ein anderes verschoben.
Warum verdienen 196 Automatisierungen kein Geld?
Die verbleibenden Automatisierungen scheiterten aus drei Gründen. Erstens: Hype-getriebene Fehlentschätzungen. Ruddat nennt ein konkretes Beispiel: einen sogenannten Knowledge-Bot, der das komplette Unternehmenswissen in einer Datenbank sammeln sollte. Der Aufwand war erheblich. Das Ergebnis: Niemand nutzte es. Es war schlicht bequemer, eine Frage direkt an einen Kollegen zu stellen. Nach drei Monaten wurde das Projekt eingestellt.
Zweitens kam es zu technologischem Fortschritt. Wenn sich die zugrunde liegende Technologie weiterentwickelte, ersetzten verbesserte Lösungen teilweise die bestehende Automatisierung. Die alte Lösung weiterzupflegen hatte keinen Sinn mehr.
Drittens fehlte es an Profitabilität. Manche Automatisierungen liefen zwar, verbrauchten aber mehr Tokens, als der erzeugte Wert wert war. Dabei galt: KI-Kosten plus Entwicklungsaufwand größer als der Nutzen, die Gleichung ging nicht auf.
Erfolgsbeispiele: Was funktionierte wirklich?
Der Klaviyo-Übersetzungsflow ist Ruddats erstes Erfolgsbeispiel: Mit demselben Team lassen sich seitdem drei bis fünf Newsletter pro Markt ausspielen. Ausgangspunkt war die internationale Expansion von Snocks, die Newsletter auf Deutsch, Englisch und weiteren Sprachen nötig machte. Die Lösung war simpel: Newsletter-Texte aus Klaviyo auslesen, in ein GPT-Modell einspeisen, auf die Tonalität trainieren, übersetzen, formatieren und zurück in Klaviyo spielen. „Ein simpler Anwendungsfall mit hoher Wiederholungsrate bringt den größten Return on Investment", so Ruddats Credo.
Das Meta-Ads-Bulk-Tool ist Ruddats zweites Erfolgsbeispiel, hier wird die KI-Automatisierung auch wirtschaftlich greifbar: Die Entwicklungskosten von 35.000 Euro standen nach sechs Monaten bereits 54.000 Euro Wert an eingesparter Arbeitszeit gegenüber, mittlerweile liegt der Wert bei über 380.000 Euro. Ausgangspunkt war ein überlastetes Performance-Marketing-Team, das während Sales Events nachts aufstehen musste, um Ads zu skalieren. Ruddat entwickelte daraufhin ein Tool, das Kampagnen automatisch anlegt und Ads per Bulk-Upload über die Meta-API hochlädt: vorher bis zu 240 Ads pro Woche manuell über den Anzeigenmanager, danach achtmal schneller. In der Black-Friday-Woche sparte das Tool 200 Arbeitsstunden ein.
Ein weiteres Beispiel zeigt, dass nicht jede profitable Automatisierung KI braucht: Ein in acht Stunden mit Claude Code gebautes Tool für die Retail-Order-Automation in Shopify amortisierte sich bereits nach acht Nutzungen. Der Ausgangspunkt: Bestellbestätigungen kamen als CSV vom Retailer (Peek & Cloppenburg, Breuninger) und mussten manuell in das System hochgeladen werden, ein Vorgang von etwa einer Stunde pro Bestellung, ein- bis zweimal pro Woche fällig. Im eigentlichen Automatisierungsprozess steckte dabei keine KI, sondern reine Logik, KI diente lediglich als Hebel, um den Prozess einfach umsetzbar zu machen.
Das Meta-Ads-Bulk-Tool verdoppelte die Teamzufriedenheit und sparte in der Black-Friday-Woche 200 Arbeitsstunden, KI generiert durch ChatGPT
Amazon PPC: Und was es lehrt
Ruddats teuerstes Fehler-Investment zeigt, wie leicht sich neue Technologie überschätzen lässt: Aus einer erwarteten Bauzeit von wenigen Wochen wurden zwei Jahre, aus dem Budget wurden 180.000 Euro, bei der Amazon-PPC-Automatisierung. Snocks hatte hier vermeintlich alle Voraussetzungen: Das Team verfügte über tiefes Fachwissen, die Prozesse waren komplex, aber dokumentierbar, und GPT-4 war gerade erschienen. Die interne Einschätzung: „Das bauen wir in wenigen Wochen oder Monaten." Das Projekt erreichte kurz vor seinem Vortrag den Break-even-Punkt. Ruddats Learning ist klar: Neue Technologie braucht Zeit zum Reifen. Mit heutigen Tools wie Claude Code wäre dasselbe Projekt in 20.000 bis 25.000 Euro realisierbar.
Er vergleicht die Entwicklung mit einer Bau-Analogie: 2022/2023 musste man noch alles selbst konstruieren und bauen. In einer folgenden Phase, die er als „Make-Hype-Phase" bezeichnete, musste man weiterhin alle Bausteine selbst zusammensetzen; die Montage blieb Aufgabe des Nutzers. Bei kleinen bis mittleren Tools lasse sich heute hingegen einfach beschreiben, welche Anforderungen bestehen, und man erhalte im Ergebnis quasi ein fertiges Haus. Dazu ergänzte der Referent eine weitere Analogie: KI sei nur so gut wie ein sehr schneller, sehr schlauer Praktikant, der nichts von selbst versteht, bis man ihm ganz genau sagt, was man haben möchte.
Das People Game: Der unterschätzte Erfolgsfaktor
Ein Learning war so zentral, dass Ruddat es betont: das „People Game". Bei der Einführung des Meta-Ads-Tools verdoppelte sich nicht nur die Effizienz, sondern auch die Teamzufriedenheit. Das Entscheidende war nicht die Technik selbst, sondern dass das Team in die Entwicklung einbezogen wurde und seine Bedürfnisse ernst genommen wurden. Danach brachten Mitarbeitende von selbst immer mehr Verbesserungsvorschläge ein. Dies sei für ihn ein Aha-Moment gewesen: Der Erfolg von KI-Automatisierung ist letztlich nicht primär ein Tech-Problem. Es ist ein People-Problem. 
Erfolg Einfach vs Komplex Beschriftung: Erfolgreiche KI-Automatisierungen sind oft einfach und wiederholbar, während komplexe Experimente scheitern, KI generiert durch ChatGPT
Konkrete Tipps für E-Commerce-Teams
Was sind die praktischen Lehren für die eigene Automatisierungs-Strategie?
Erstens: Neue Technologien beobachten, aber nicht sofort umsetzen. Ruddat testet regelmäßig (Cloudbot, Open Claw, UGC Video Ads). Sein Fazit: In rund 95 Prozent der Fälle brauchen neue Entwicklungen ein bis zwei Jahre, bis sie tatsächlich funktionieren. Deshalb empfiehlt sich eine Konzentration auf die Low-Hanging Fruits, die heute schon funktionieren, statt dem aktuellen Hype hinterherzulaufen.
Zweitens: Tracking einbauen. Jede Automatisierung sollte erfassen, ob sie genutzt wird. Wird sie nicht genutzt, liegt es entweder an der Funktionalität, der Benutzeroberfläche oder dem falschen Anwendungsfall. Tracking ist deshalb nicht optional, sondern Pflicht.
Drittens: Nach Excel-Tabellen schauen. Eine wertvolle Frage von Ruddat lautet: „Welcher Prozess hat die meisten manuell gepflegten Sheets beziehungsweise Excel-Tabellen?" Die Antwort zeigt direkt, wo sich KI-Automatisierung lohnt.
Das Fazit aus drei Jahren KI-Automatisierung bei Snocks ist klar: Nicht jede KI-Automatisierung verdient Geld. Aber die richtigen verdienen es und steigern nebenbei die Teamzufriedenheit.
