Wie adidas KI einsetzt: vom Designarchiv bis zu generativem Content

adidas setzt KI in Design, Softwareentwicklung und Marketing ein: ein auf dem eigenen Sneaker-Archiv trainiertes generatives Tool für die Konzeptentwicklung, Coding-Assistenten für die Entwickler, ein auf Sprachmodellen basierendes Tool zur Auswertung von Kundenbewertungen und generative Personalisierung in Kampagnen. Seit 2018 hat das Unternehmen ein grosses digitales und datenbasiertes Fundament aufgebaut, die in der Nachfrageplanung eingesetzten KI-Modelle aber nicht öffentlich beschrieben.

Was hat adidas aufgebaut?

Die dokumentierten Anwendungen ziehen sich durch die gesamte Wertschöpfungskette:

• AI Archive: eine 2022 eingeführte Webanwendung, die adidas-Forschende auf der SIGGRAPH 2023 beschrieben haben. Sie nutzt Diffusionsmodelle, die auf adidas-Sneakern seit den 1950er-Jahren trainiert wurden, damit Designer schnell Hunderte von Konzepten erkunden können.
• Assistenten für die Entwicklung: ein Pilotprojekt mit generativen KI-Coding-Tools für 500 Entwickler, das Fernando Cornago von adidas 2025 vorstellte.
• Auswertung von Bewertungen: ein Chatbot auf Basis von Retrieval-Augmented Generation (RAG), der mehr als 2 Millionen Produktbewertungen durchsucht und über 50 Entscheidungsträgern in Design, Produkt, Marketing und Kundenservice dient.
• Generative Kampagnen: eine Kampagne für den Sneaker Campus, in der Konsumentinnen und Konsumenten aus hochgeladenen Bildern personalisierte Designs erzeugten, dokumentiert von WARC im Dezember 2025.

Darunter liegt ein breiteres Digitalprogramm. The Business of Fashion berichtete 2021, adidas plane, bis Mitte des Jahrzehnts mehr als 1 Milliarde US-Dollar in die digitale Transformation zu investieren, im selben Jahr mehr als 1000 Fachkräfte für Daten und Technologie einzustellen und sein Mitgliederprogramm von 220 Millionen Mitgliedern bis 2025 auf 500 Millionen auszubauen.

Warum hat adidas in KI investiert?

Die Motive unterscheiden sich je nach Anwendungsfall. Im Design geht es darum, schneller mehr Konzepte zu erkunden und dabei der Designsprache der Marke treu zu bleiben, weshalb das Modell auf dem eigenen Archiv von adidas trainiert wurde. In der Entwicklung geht es um Produktivität: Cornago bezeichnete generative KI-Tools als für Entwickler bereits selbstverständlich, man könne sie ihnen nicht mehr wegnehmen. Bei den Kundeneinblicken enthalten Millionen von Bewertungen Produktfeedback, das Teams nicht manuell lesen können. Im Marketing ist das Ziel eine Personalisierung zu Kosten, die sie auch jenseits weniger Leuchtturmkampagnen machbar machen.

Lesen Sie auch

Wie Zalando KI einsetzt: Assistent, Personalisierung und Grössenberatung

Wie funktioniert das (Daten, Modelle, Prozess)?

Das gemeinsame Muster sind eigene Daten plus allgemeine Modelle. AI Archive wendet Diffusionsmodelle auf die eigene Produkthistorie von adidas an und gibt den Designern Kontrolle über das Ergebnis. Das Bewertungstool wandelt Bewertungen in Vektor-Embeddings um, ruft die für eine Frage relevantesten ab und übergibt sie einem Sprachmodell zur Zusammenfassung; laut Fallstudie sank die Antwortzeit von 15,5 auf 6 Sekunden, nachdem der Input auf rund 3000 Tokens pro Anfrage reduziert wurde. Die Coding-Assistenten wurden zunächst als gemessenes Pilotprojekt eingeführt, bevor sie breiter zum Einsatz kamen.

Das Bewertungstool veranschaulicht auch ein Governance-Muster: Die Fallstudie beschreibt einen zentralen Katalog für Daten- und Modell-Governance sowie das Tracking von Experimenten, damit die Teams, die die Antworten nutzen, nachvollziehen können, welche Daten und welche Modellversion sie erzeugt haben. Auch anderswo zählen Datengrundlagen. Laut The Business of Fashion erzielte adidas bereits mehr als 5 Milliarden Euro Umsatz mit Produkten, die mit 3D-Design entwickelt wurden, was KI-Designtools digitale Assets als Arbeitsgrundlage liefert.

Welche Ergebnisse hat adidas veröffentlicht?

Es gibt veröffentlichte Zahlen, doch fast keine davon stammt aus geprüften Unternehmensberichten:

adidas hat weder die Wirkung von KI auf Umsatz, Marge, Lagerbestand oder Produktentwicklungskosten auf Konzernebene offengelegt noch, wie KI in der Nachfrageplanung eingesetzt wird.

Wo liegen die Grenzen und offenen Fragen?

Das Folgende ist redaktionelle Analyse. Die grösste Lücke betrifft die Planung. In der Nachfrageplanung hat KI für ein Sportartikelunternehmen wohl den grössten finanziellen Hebel, doch adidas hat seinen Ansatz nicht öffentlich beschrieben; jede Behauptung, adidas betreibe KI-gestützte Prognosen, ist daher als unbestätigt zu behandeln. Zweitens ist die Beweislage uneinheitlich: Kundenstorys von Anbietern und Award-Einreichungen werden ausgewählt, um Erfolge zu zeigen, und nennen selten Ausgangswerte oder Misserfolge. Drittens werfen auf Archiven trainierte Designtools die Frage auf, wie stark sie bestehende Ästhetik verfestigen, statt Neues hervorzubringen. Viertens sind Produktivitätsgewinne durch Coding-Assistenten selbst berichtet und lassen sich nur schwer in Geschäftswert übersetzen.

Lesen Sie auch

Wie Mango KI einsetzt: generatives Design, virtuelle Models und Mango Stylist

Was können andere Modeunternehmen daraus lernen?

1. Generative Tools auf dem eigenen Archiv und den eigenen Daten trainieren oder darin verankern; dort entsteht die Differenzierung der Marke.
2. Mit RAG unstrukturiertes Feedback wie Bewertungen erschliessen und den Kontext klein halten, um Kosten und Tempo im Griff zu behalten.
3. Interne Produktivitätstools mit einer definierten Gruppe pilotieren und die Nutzung messen, bevor skaliert wird.
4. Marketingexperimente von operativer KI trennen; eine erfolgreiche Kampagne sagt wenig über die Reife der Planung aus.
5. Von Anbietern und Partnern Ausgangswerte verlangen, nicht nur prozentuale Steigerungen.

Analyse: adidas veranschaulicht ein verbreitetes Muster bei grossen Marken. Generative KI verbreitet sich schnell dort, wo das Risiko gering ist und die Daten dem Unternehmen gehören, etwa bei Designexploration, internem Coding und der Auswertung von Bewertungen, während KI in der Kernplanung langsamer vorankommt und weniger offen diskutiert wird.