Wir haben eine KI für das Regal-Audit gebaut. Und wir veröffentlichen die Kosten.
587 Regalfotos. 13 Ja/Nein-Prüfpunkte pro Foto. In einem einzigen Quartalsaudit ergibt das rund 7.600 einzelne Entscheidungen (587 × 13), und heute trifft ein Mensch jede davon.
Die Prüfpunkte sind konkret
Steht das Produkt, das wir mit dem Händler ausgehandelt haben, wirklich im Regal? Stimmt die Zahl der Facings? Ist das Regal vollständig bestückt? Ein Facing ist eine Produkteinheit, die von vorn im Regal sichtbar ist. Die Verträge nennen das Pflichtsortiment, und in einem Fall schreibt ein Vertrag für jedes Geschäft zwei bestimmte Whiskys vor.
Regalerkennung ohne Training pro Produkt
Retail Image Recognition, unser Produkt dafür, automatisiert die Arbeit bereits. Der Außendienstmitarbeiter macht ein Foto, und Retail Image Recognition liefert daraus fertige KPIs. Im Einsatz ist es bei Herstellern in Dutzenden Ländern, mit bis zu 98 % Genauigkeit. Die Methode hat eine Grenze: Das Modell muss jedes Produkt erst lernen. Eine neue Marke oder ein neuer Markt bedeutet also vorab ein neues Training.
Im Asseco Platform Lab testen wir, wie Regalerkennung flexibler wird. Neue Produkte und schwierigere Prüfpunkte soll sie abdecken, ohne dass wir das Modell für jeden Fall trainieren. Außerdem soll sie das ganze Regal auslesen: die Produkte unserer Kunden und die des Wettbewerbs. Dafür haben wir Vision-Agenten eingesetzt. Ein Agent ist ein Modell, das selbst zu Tools greift. Es entscheidet, wann es den Produktdetektor startet, der die Produkte im Foto findet, wann es ein Detail vergrößert und wann es noch einmal hinsieht. Erst dann antwortet es. Das Projekt heißt Vantage.
Warum das schwer ist
Ein Mensch mit Checkliste entscheidet subjektiv, und mehr Geschäfte lassen sich nur mit mehr Personal abdecken. Ein KI-Modell ohne Tools, also mit nichts als einem guten Prompt, reicht aber auch nicht. Bei einfachen Prüfpunkten, etwa ob eine Marke überhaupt im Regal steht, schneidet das Modell gut ab: In unserem Test mit 100 Fotos waren 93,6 % der Entscheidungen richtig. Bei schwierigen Prüfpunkten bricht es ein. Eine 71-Gramm-Packung von einer 39-Gramm-Packung unterscheiden, Puddingpulver von Götterspeisepulver, und das auf einem Foto aus zwei bis drei Metern: Dabei fällt die Genauigkeit auf 71 % bis 77 %. Falsch ist damit ungefähr jede dritte bis vierte Entscheidung.
Der Fehler hat ein Muster. Das Modell antwortet „ja, ist da“, ohne dass das Foto einen Beleg dafür zeigt. Bei den Prüfpunkten zur Verfügbarkeit ist das bei 49 Fotos 17-mal passiert: Produkte wurden als vorhanden gemeldet, die auf dem Foto nicht zu sehen waren. Ein Bericht mit dieser Fehlerquote schickt den Außendienstmitarbeiter zum Nachprüfen zurück ins Geschäft, und damit hat die Automatisierung nichts gespart.
Das Modell ist eine Variable im Versuchsaufbau
Den Versuchsaufbau haben wir so angelegt, dass sich jeder KI-Anbieter (Google, Anthropic, OpenAI) mit einer einzigen Einstellung anbinden lässt, ohne dass wir Code neu schreiben. Jeder Durchlauf nutzt denselben Prompt, dieselben Fotos und dieselben Referenzantworten. Erst das erlaubt es, Genauigkeit und Kosten der Anbieter direkt zu vergleichen.
Diesen Weg haben wir gewählt, weil sich der Markt für Vision-Modelle etwa im Quartalstakt verschiebt und weil sich der Listenpreis als irreführend erwiesen hat. Die beiden Modelle, die wir verglichen haben, lagen beim Listenpreis weniger als 20 % auseinander. Eines davon war in der Praxis pro Foto sechsmal so teuer und neunmal so langsam. Der Grund sind Reasoning-Tokens, also der Text, den ein Modell für sich selbst schreibt, bevor es antwortet. Diesen Text bezahlt man mit.
Tools schlagen den besseren Prompt
Den größten Unterschied machte es, dem Modell Tools zu geben. Unser Agent entscheidet Schritt für Schritt, welches Tool er einsetzt. Das eine ist der Produktdetektor. Das andere arbeitet wie eine Lupe. Sie schneidet einen Ausschnitt heraus und liest das Etikett aus der Nähe. Bei 49 Fotos und den sechs schwierigsten Prüfpunkten (Dessertpulver) ergaben sich diese Werte:
Das sind 21 Prozentpunkte. Die falschen Ja-Antworten zur Verfügbarkeit gingen von 17 auf 2 zurück. Eine Einschränkung: Die 96 % gelten für genau diese 49 Fotos und diese sechs schwierigen Prüfpunkte, nicht für den gesamten Test.
Diese Genauigkeit kostet Geld. Pro Foto liegt der vollständige Agent bei etwa dem Sechsfachen dessen, was das Modell ohne Tools kostet, und braucht viermal so lange. Das günstigere Bildformat ist dabei schon berücksichtigt.
Vertrauen braucht Belege von außen
Ein Modell kann bewerten, für wie sicher es seine eigene Antwort hält. Naheliegend wäre, ihm bei hoher Sicherheit zu glauben und den Rest an einen Menschen zu geben. Wir haben das gemessen. Die Annahme trägt nicht. Antworten, die als sicher markiert waren, stimmten beim Modell ohne Tools in 62 % bis 64 % der Fälle, beim Agenten in 74 %. Auch bei 74 % ist rund jede vierte „sichere“ Antwort ein Fehler. Ein Filter, der auf der Selbsteinschätzung des Modells aufbaut, würde diese Fehler unbemerkt durchwinken.
Deshalb ist die Selbsteinschätzung für uns nicht das einzige Signal. Besser funktioniert der Abgleich mehrerer unabhängiger Signale: Stimmen zwei verschiedene Modelle überein? Was haben die Tools zurückgeliefert? Wie gut hat dieser Prüfpunkt bisher abgeschnitten? Unsichere Fälle geben wir noch nicht automatisch an einen Menschen weiter. Das ist einer der nächsten Schritte.
Was das wirklich kostet
Wie das Bild zum Modell kommt, verändert die Kosten. Ein Ausschnitt, der als Text in die Anfrage codiert wird, kostet deutlich mehr Tokens als derselbe Ausschnitt als natives Bild, und er läuft zweimal statt einmal durch den Kontext des Modells. Mit der Umstellung auf das native Format sanken die Kosten pro Foto auf etwa ein Viertel, ohne Qualitätsverlust.
In unserem Test, also bei einigen Dutzend Fotos, fällt dieser Betrag nicht ins Gewicht. Regalerkennung im Produktivbetrieb arbeitet mit anderen Mengen: Zehntausende Geschäfte, mehrere Fotos pro Besuch, jeden Monat aufs Neue. Bei diesen Mengen wird auch ein kleiner Betrag pro Foto zu einer echten Budgetposition. Damit das in dieser Größenordnung trägt, müssen wir entweder weiter optimieren oder auf eigene Modelle wechseln.
Wo das Projekt heute steht
Vantage ist eines unserer internen Forschungsprojekte, ein Proof of Concept: Wir wollten wissen, ob die Idee überhaupt funktioniert. Es ist kein Produkt, und kein Kunde setzt es ein. Die gesamte Kette vom Foto bis zur fertigen Entscheidung haben wir End-to-End getestet, auf Daten von drei Herstellern aus den Bereichen alkoholfreie Getränke, Spirituosen und Dessertpulver.
Auch die Technik dahinter unterscheidet sich von dem, was wir verkaufen. Retail Image Recognition arbeitet mit Modellen, die vorab auf vielen Fotos jedes Produkts trainiert wurden, und läuft offline auf dem Gerät des Außendienstmitarbeiters. Vantage nutzt allgemeine Modelle ohne Training pro Marke, gibt ihnen Tools und lässt sie Schritt für Schritt arbeiten. Noch wissen wir nicht, wie gut das in Kategorien funktioniert, die wir noch nicht getestet haben.
Wojciech Koziej
System Architect, Asseco Platform
Arbeitet an Bilderkennung für die Regalausführung. Vantage ist sein Forschungsprojekt im Asseco Platform Lab.
