Wenn Hersteller-Unsichtbarkeit zum Händler-Risiko wird

Google ist nicht tot. Verkaufszahlen sind nicht plötzlich wertlos. Und KI stellt auch nicht über Nacht alles auf den Kopf. Aber möglicherweise beantworten wir mit immer besseren Daten noch zu oft die falsche Frage.

Hersteller wollen wissen, welche Produkte Kunden morgen brauchen. Händler wollen wissen, welche Sortimente wachsen und welche Lieferanten dafür die richtigen sind. Verkaufszahlen, Marktforschung, Suchdaten und KI bleiben dafür unverzichtbar. Aber vieles davon zeigt, wonach bereits gesucht und was bereits gekauft wurde. Was aber, wenn der Kunde sein nächstes Produkt noch gar nicht kennt?

Gerade im DIY-Geschäft will er häufig ein Problem lösen: den Hall im Wohnzimmer reduzieren, zwei Böden verbinden oder eine Küche renovieren. Seine Suche kann bei Google beginnen, über Youtube, Tiktok, Marktplätze und Reviews führen und bei einem KI-System enden.

Aus der Produktsuche wird eine projektorientierte Suche. Damit entsteht eine kommerzielle Frage: Werden Hersteller und Händler, die die passende Lösung besitzen, überhaupt gefunden?

Nach einer McKinsey-Erhebung in Deutschland, Frankreich und Großbritannien („AI-Nutzung bei Produkt-/Service-Recherche und Kaufentscheidungen“) nutzen bereits 38 Prozent der Konsumenten AI zur Produkt- oder Service-Recherche beziehungsweise zur Unterstützung ihrer Kaufentscheidung. 28 Prozent der Gen Z nutzen generative KI zum Shopping, doch nur 16 Prozent der Babyboomer. KI-Übersichten in Suchmaschinen nutzen 60 Prozent der Gen Z regelmäßig, bei Babyboomern sind es 29 Prozent (Studie „Generationsbezogene Nutzung von Generative AI und AI Search“) In den USA nutzen bereits 66,6 Prozent der Konsumenten Social Search.

Consumer Intent – die Absicht hinter einer Entscheidung – verteilt sich über Search, Social Media, Video, Reviews, Marketplaces, Communities und KI. Suche verschwindet nicht. Sie verändert ihre Form.

Reverse Retail Engineering (RRE) verbindet diese Signale zu Consumer Missions: Was versucht der Kunde zu erreichen? Wo entstehen Friktionen? Welche Lösungen fehlen? Daraus werden benötigte Produkte, Services und Herstellerfähigkeiten abgeleitet.

Ein Teil dieses Denkens ist bei Cainz in Japan sichtbar, wo Teile des Angebots an Kundenproblemen und Anwendungssituationen ausgerichtet werden. Das ist nicht RRE als Gesamtmodell, bestätigt aber den Ansatz.

In einem RRE-Projekt zu Fußbodenleisten bei einem deutschen DIY-Händler analysierten wir zuerst die Probleme der Konsumenten und erst danach, welche spezialisierten Hersteller digital als Lösung erkennbar waren.

Das Ergebnis: Von fünf führenden spezialisierten europäischen Leistenherstellern war nur einer als relevanter Lösungsanbieter erkennbar. Dieser Hersteller war kein bestehender Lieferant des Händlers.

Die anderen Hersteller besitzen möglicherweise genau die benötigten Fähigkeiten. Aber ihre Kompetenz war für diese Consumer Mission digital nicht erkennbar.

Das betrifft nicht nur Konsumenten. Im „B2B Buyer Survey“ von Gartner vom März 2026 unter 646 Einkäufern hatten 45 Prozent KI bei einem ihrer jüngsten Kauf- oder Beschaffungsprozesse eingesetzt. McKinsey („With artificial intelligence, find new suppliers in days, not months“) beziffert die klassische Suche nach neuen Lieferanten mit rund drei Monaten und mehr als 40 Arbeitsstunden eines Sourcing-Spezialisten. KI kann wesentlich größere Supplier-Populationen analysieren.

Damit kann ein B2B-Hersteller zweimal unsichtbar werden: beim Konsumenten, der nach einer Projektlösung sucht, und beim Einkäufer, der nach den dafür notwendigen Herstellerfähigkeiten sucht. Wird seine Kompetenz beim Konsumenten nicht sichtbar und findet der Einkäufer gleichzeitig andere Anbieter, kann aus digitaler Unsichtbarkeit der Verlust einer Lieferantenposition werden.

Damit verschiebt sich Verantwortung zum Hersteller. Er muss nicht am Handel vorbei D2C verkaufen. Aber er muss D2C denken.

Er muss verstehen, welche Probleme Menschen lösen wollen und wie sie danach suchen. Produkte, Wissen und Anwendungskompetenz müssen digital so verständlich sein, dass KI sie einem konkreten Problem zuordnen kann.

Hätte ein bestehender Lieferant im Leisten-Beispiel diese Signale selbst analysiert, hätte er die Friktion möglicherweise vor seinem Handelspartner erkannt und eine Lösung angeboten. Statt auf die nächste Produktanfrage zu warten, kann er zeigen, wo neue Nachfrage entsteht – und damit seine Position stärken.

Für den Händler verändert sich zugleich die Lieferantensuche: nicht nur „Wer produziert diese Warengruppe?“, sondern „Welche Fähigkeiten benötigen wir, um diese Consumer Mission zu lösen – und wer besitzt sie?“

KI kann projektbezogene Fragen verbinden: Was brauche ich? Welche Lösung passt? Welches Produkt kommt infrage? Und wo kann ich es kaufen?

Produkt- und Händlerempfehlung können damit Teil derselben Antwort werden. Ist die Kompetenz eines Herstellers nicht erkennbar und führt eine Alternative zu einer anderen Bezugsquelle, verliert der Produzent möglicherweise den Auftrag – der Händler aber den Kunden.

Der Hersteller muss sichtbar bleiben, um seine Position beim Handel zu verteidigen. Der Händler braucht Hersteller, deren Lösungen dort erkennbar sind, wo die Consumer Journey beginnt. KI-Auffindbarkeit wird damit von einer Kommunikationsfrage zu einer Frage von Umsatz, Lieferantenposition und Kundenbindung.

Historische Verkaufsdaten bleiben unverzichtbar. Consumer Signals können zusätzlich zeigen, welche Probleme entstehen und wo neue Geschäftsmöglichkeiten liegen.

Damit bleiben drei Fragen: Welche Consumer Missions entstehen in meiner Kategorie? Ist mein Unternehmen mit seinen tatsächlichen Fähigkeiten digital als Lösung erkennbar? Und würde KI Konsumenten und Einkäufer heute zu mir führen – oder zu jemand anderem? Wer diese Fragen nicht belastbar beantworten kann, kennt möglicherweise einen Teil seines eigenen Marktrisikos noch nicht.

Genau dort beginnt Reverse Retail Engineering.