Gastbeitrag: Die Frage der Glaubwürdigkeit der KI in Loss Prevention am SCO

In den letzten 24 Monaten wurde das Label KI auf so viele Produkte geklebt, dass es praktisch unsichtbar geworden ist. Von smarten Socken bis zu KI-Zahnbürsten ist das Versprechen immer dasselbe: Dieses Gerät denkt für Sie.

Für uns im Einzelhandel erzeugt dies ein gefährliches Hintergrundrauschen. Wenn Anbieter KI-gestützte Lösungen anpreisen, reagieren wir instinktiv mit derselben Skepsis, die wir einem KI-Toaster entgegenbringen würden. Ist es eine echte Innovation oder nur ein etwas besserer Algorithmus mit einem höheren Preisschild? Diese Skepsis ist gesund. Sie zwingt uns dazu, Definitionen einzufordern. Und für Loss Prevention ist dies die einzige Definition, die zählt: Ermöglicht die KI Maßnahmen im Alltag in den Vertriebsstätten – und zwar in Echtzeit? Wenn die Antwort “Ja” lautet, sprechen wir über Computer Vision – über Physische KI.

Im Gegensatz zu den meisten smarten Geräten in Verkaufsregalen ist Physische KI keine Spielerei. Sie ist die Digitalisierung des physischen Raums, welche echtes Handeln ermöglicht, während etwas passiert. Sie verlässt sich nicht auf Wahrscheinlichkeiten oder Rätselraten: Sie nutzt Geometrie und Vektoren, um einen lebendigen Digitalen Zwilling Ihres Storeszu erstellen – ein kontinuierliches Verständnis davon, wo sich Produkte befinden, wie sich die Menschen vor Ort bewegen und wie sie mit Produkten interagieren.

Das ist entscheidend, denn die Macht der KI im Handel liegt nicht nur in der Analyse dessen, was passiert ist. Sondern vielmehr in der Fähigkeit, die physische Welt zu beeinflussen, während es passiert. Loss Prevention ist zum Testfeld für diese technische Innovation geworden, weil der Wert von Echtzeit-Berechnungen nirgendwo so offensichtlich ist wie hier. Je schneller diese Informationen die im Hintergrund handelnden Personen erreichen, desto effektiver ist die Reaktion.

Physische KI und Komplexität der realen Welt

Um zu verstehen, warum dies keineswegs bloß das Äquivalent zu einem KI-Toaster ist, betrachten wir am besten, was tatsächlich erforderlich ist, um verdeckten Diebstahl am Self-Checkout (SCO) mit vorhandenen Kameras zu erkennen. Das System muss eine Person vom Gang bis zur Kasse verfolgen – oft über spärliche, inkonsistent platzierte CCTV-Feeds ohne kalibrierten 3D-Raum, mit variablen Winkeln und niedriger Auflösung. Wir wissen aber, dass ein Labor kein Store ist. In der realen Welt stehen solche Systeme vor ganz eigenen Hürden: durch Kunden verdeckte Artikel, Menschenmengen zu Stoßzeiten und visuelle Unklarheiten.

Die Herausforderung besteht darin, eine Technologie zu schaffen, die dem Chaos menschlichen Verhaltens gerecht wird – zum Beispiel Kunden, die Produkte zurücklegen oder ihren Einkaufskorb auf halbem Weg stehen lassen. Diese Komplexität ist der Grund, warum die meisten Systeme unterdurchschnittlich abschneiden – nicht, weil sie nichts erkennen können, sondern weil sie Wichtiges nicht von Unwichtigem unterscheiden können.

Wenn zu viele Alarme Aufmerksamkeit kosten

Es ist Stoßzeit im Supermarkt und die Schlange am Self-Checkout ist lang. Ein paar Interventionen und eine Altersprüfung lösen gleichzeitig einen Alarm aus, und der Mitarbeiter winkt sie ohne weitere Beachtung durch. Wenn jeder Alarm gleichwertig ist, wird keiner von ihnen mehr beachtet. Hier wird Physische KI zum entscheidenden Unterscheidungsmerkmal.

Die Frage ist nicht nur, ob das System Probleme erkennen kann – sondern ob das System so eingestellt wird, dass es genau die Probleme meldet, die für den Betrieb am wichtigsten sind. Die Abstimmung der Erkennungs-Empfindlichkeit auf Storerichtlinien, Produktprioritäten und Interventions-Kapazitäten macht aus reinen Warnungen tatsächlich nutzbare Intelligenz.

Diebstahl außerhalb der Kassenzone bleibt unsichtbar

Aber hier stoßen die meisten SCO-Überwachungssysteme an eine Grenze, die keine noch so gute Konfiguration durchbrechen kann. Wenn jemand beispielsweise in Gang 7 ein Produkt versteckt, mit der Absicht es nicht zu bezahlen und ruhig zum Self-Checkout geht, hat ein System, welches nur die Kasse überwacht, keine Ahnung, dass dieser Artikel nicht bezahlt wird. Man kann keinen Alarm für etwas generieren, das man nie gesehen hat. Keine noch so gute Prozessanpassung ist in der Lage, einen toten Winkel sichtbar zu machen.

Als Trigo über 600 dokumentierte Diebstähle mit einem Einzelhandelspartner analysierte, enthüllten die Daten etwas, zu dessen Erkennung die meisten SCO-Überwachungssysteme nicht in der Lage sind. Zwar traten Verluste auch an den bedienten Kassen auf oder durch Kunden, die direkt durch den Ausgang gingen, aber 76 Prozent der Vorfälle konzentrierten sich auf den Self-Checkout. Das selbst war wenig überraschend. Signifikant war jedoch, wie diese Diebstähle stattfanden. Bei hochwertigen Produktkategorien war nahezu jedes Mal das Verstecken die angewandte Methode des Diebstahls. Es war nicht der versäumte Scan, nicht der Barcode-Tausch. Es waren jene Artikel, die den Scanner nie erreichten, weil sie versteckt wurden, lange bevor der Kunde sich der Kassenzone näherte.

Tracking der gesamten Customer Journey

Um dies zu verhindern, muss der gesamte Einkaufsverlauf verfolgt werden – vom Regal bis zur Kasse –, damit das System nicht nur versteht, was an der Kasse passiert ist, sondern auch, was davor geschehen ist. Die Physische KI von Trigo wurde ursprünglich für den autonomen Checkout entwickelt, bei dem jede Produktinteraktion präzise verfolgt wird. Dieselbe Technologie zur vollständigen Überwachung von Kundenbewegungen kommt jetzt für Loss Prevention zum Einsatz, unter Nutzung der bestehenden CCTV-Infrastruktur des Handelsunternehmens.

Da das System die Produkte verfolgt – nicht nur Transaktionen –, weiß es, welche Artikel versteckt wurden, und nicht nur, dass diese nicht gescannt wurden. Diese ganzheitliche Sicht auf die Verkaufsfläche ermöglicht differenzierte Alarme. Eine Interaktion mit einer teuren Spirituose beispielsweise sollte nicht die gleiche Reaktion auslösen wie ein günstiger Impulskauf-Artikel.

Produktorientierte und intelligentere Interventionen

Trigo bietet Retailern die Flexibilität, eigene Alarm-Richtlinien zu konfigurieren, mit maßgeschneiderten Reaktionsstufen basierend auf verschiedenen Risikofaktoren – damit das Verstecken in einem Gang mit hochwertigen Waren einen stärkeren Alarm auslöst, während ein Vorfall mit niedrigerer Priorität den Mitarbeiter nicht mitten in einer anderen Aufgabe unterbrechen muss.

In der Praxis bedeutet dies abgestufte Reaktionen an der Kasse selbst. Ein Alarm mit niedriger Priorität könnte dem Kunden einfach per Pop-up anzeigen, dass ein Artikel nicht gescannt wurde – er kann jedoch fortfahren und normal bezahlen. Ein Alarm mittlerer Priorität pausiert die Transaktion mit der Option zur Selbstkorrektur oder zum Rufen eines Mitarbeiters. Ein Alarm mit hoher Priorität – ausgelöst zum Beispiel durch das Verstecken eines häufig gestohlenen, hochwertigen Artikels – führt zu einem kompletten Stopp und erfordert das Eingreifen eines Mitarbeiters. Die Kundenerfahrungen beim Diebstahl orientieren sich also am Risiko, und die Mitarbeiter werden nur dann hinzugezogen, wenn es darauf ankommt. Dies bringt uns zurück zur Alarmmüdigkeit. Das Problem ist nicht allein die Menge der Alarme, vielmehr ist es die Bedeutung eines Alarms. Wenn man die Schwere des Alarms kennt, kann man  die Reaktion an das tatsächliche Risiko anpassen. Nur so degeneriert der Alarm nicht zur Bedeutungslosigkeit.

Pilotprojekt in zwei Wochen– mit bestehenden Kameras

Nun stellt sich die angemessene Frage: Was ist nötig, um herauszufinden, ob das für ein konkretes Handelsunternehmen funktioniert? Die Annahme vieler Retailer ist, dass der Einsatz von KI massive Vorabinvestitionen bedeutet, zum Beispiel: neue Kameras, komplexe Integrationen, monatelange Implementierung, bevor man Ergebnisse sieht. Diese Annahme ist jedoch veraltet.

Das System von Trigo wurde entwickelt, um mit vorhandener CCTV-Infrastruktur zu arbeiten. Das bedeutet, Retailer benötigen keine neue Hardware, keine Neupositionierung der Kameras und kein langwieriges IT-Projekt. Neue Kameras sind nur dann erforderlich, wenn derzeit keine relevanten Bereiche überwacht werden – was selten ist. Das System arbeitet mit Ihrem bestehenden Setup, der Ergänzung einer Workstation, und erfordert keine Ausfallzeiten oder Umbauten in der Filiale.

Daten sichtbar machen, welche die aktuellen Systeme übersehen

Um ein Pilotprojekt zu starten, wird Trigos Loss Prevention Technologie in den CCTV-Feed des Handelsunternehmens integriert. Eine SCO-Integration ist optimal für Echtzeit-Alarme, aber optional – ein schnellerer Offline-Ansatz nutzt einen CSV-Export der Bons mit Scan-Zeiten. Manchmal ist auch ein Produktkatalog erforderlich, um die Erkennungsgenauigkeit vor einer Live-Integration zu validieren. Das bedeutet, die Mitarbeiter des Handels können Daten sehen, die ihre aktuellen Systeme übersehen, ohne ihre Kasseninfrastruktur anfassen zu müssen.

In den meisten Fällen kann ein Pilotprojekt innerhalb von zwei Wochen betriebsbereit sein – und die Implementierungs-Geschwindigkeit nimmt nach der ersten Vertriebsstätte zu, was den Rollout zunehmend beschleunigt.