150 bis 275 Milliarden Dollar zusätzliches Betriebsergebnis – so hoch beziffert McKinsey das Potenzial generativer KI für die Modebranche in den nächsten drei bis fünf Jahren. Der Research-Anbieter AIMultiple hat jetzt die elf wichtigsten Anwendungsfälle für KI in der Mode systematisiert – und zeigt damit, wo Händler konkret ansetzen können, statt auf die nächste Hype-Welle zu warten.
Für Shop-Betreiber ab einer Million Euro Jahresumsatz ist die Liste vor allem eines: eine Priorisierungshilfe. Nicht jeder Use Case lohnt sich für jeden Shop. Manche sind reif für den produktiven Einsatz, andere noch Experimentierfeld.
Welche KI-Anwendungen sind heute schon produktiv im Einsatz?
Die kurze Antwort: virtuelle Anprobe, personalisierte Produktempfehlungen und visuelle Suche. Google Shopping bietet seit 2023 eine Virtual-Try-on-Funktion, bei der Kundinnen Oberteile an realen Models unterschiedlicher Körperformen sehen – Händler wie H&M und Anthropologie waren von Anfang an dabei. Wer Kleidung online verkauft, kennt das zugrundeliegende Problem: Retourenquoten von 50 Prozent und mehr, getrieben von Passform-Unsicherheit.
Zalando geht den Weg über einen KI-Assistenten im eigenen Shop, der auf ChatGPT-Technologie basiert und Kunden durchs Sortiment führt – etwa mit der Frage „Was ziehe ich zu einer Hochzeit im August an?“. Solche Conversational-Commerce-Ansätze adressieren die größte Schwäche klassischer Fashion-Shops: die statische Kategoriesuche. H&M testet parallel digitale Avatare und KI-generierte Modelbilder, um Produktfotografie zu skalieren, ohne jede Variante neu zu shooten.
Bestandsprognose und Pricing: die unspektakulären Umsatzbringer
Weniger sichtbar, aber margenrelevanter sind die Anwendungen hinter der Storefront. KI-gestützte Nachfrageprognosen berücksichtigen Wetterdaten, Social-Media-Trends und historische Verkäufe gleichzeitig – klassische ERP-Prognosen scheitern genau an dieser Datenvielfalt. Inditex, der Mutterkonzern von Zara, hat sein Fast-Fashion-Modell von Anfang an auf datengetriebene Warensteuerung gebaut; Machine Learning verschärft diesen Vorsprung weiter.
Ähnlich verhält es sich mit dynamischem Pricing. Modehändler sitzen auf Saisonware mit festem Verfallsdatum. Algorithmen, die Rabatt-Zeitpunkt und -Höhe pro Artikel und Kanal berechnen, verhindern sowohl zu frühe Preisschlachten als auch Ladenhüter am Saisonende. Für WooCommerce- und Shopware-Shops existieren hierfür inzwischen fertige Extensions; wer auf Shopify setzt, findet im App Store etablierte Anbieter für Preisoptimierung und Bestandsplanung – ein Einstieg erfordert kein eigenes Data-Science-Team mehr.
Die Branche diskutiert über virtuelle Models – Geld verdient sie derweil mit Prognosealgorithmen im Lager.
Was kommt als Nächstes – und was bleibt Hype?
Auf AIMultiples Liste stehen auch Trend-Forecasting via Bilderkennung auf Laufstegen und in sozialen Netzwerken, KI-generierte Designs sowie automatisierte Qualitätskontrolle in der Produktion. Gerade beim Design ist Vorsicht geboten: Die Tools liefern Varianten im Minutentakt, aber keine Markenidentität. Für mittelständische Händler, die Eigenmarken aufbauen, ist das ein Beschleuniger für Entwürfe, kein Ersatz für Gestaltung.
Pragmatischer Einstieg für den eigenen Shop: ein konkretes Problem wählen, eine Kennzahl definieren, ein Tool testen. Bei Retouren startet man mit Passform-Lösungen wie Größenempfehlungen, bei Conversion mit Such- und Empfehlungs-KI. Wer gleichzeitig fünf Anwendungsfälle angeht, wird bei keinem die Datenqualität erreichen, die diese Systeme brauchen. Die 275 Milliarden Dollar aus der McKinsey-Rechnung verteilen sich auf Händler, die genau diese Disziplin mitbringen – nicht auf jene mit dem längsten Tool-Stack.