Maya Falk
Berichtet über künstliche Intelligenz in Einkauf, Vertrieb, Planung und Produktcontent.
Artikel von Maya Falk
Wie organisiert LVMH KI? Die AI Factory, Agenten für die Maisons und der Innovation Award
LVMH betreibt KI als gemeinsame Konzerninfrastruktur, über deren Einsatz die Maisons selbst entscheiden: ein zentrales Daten- und KI-Team, interne Assistenten, Clienteling-Agenten und ein Startup-Award, der neue Projekte liefert.
Wie nutzt Moncler Daten und KI in Design, Clienteling und Supply Chain?
Moncler hat KI laut öffentlichen Angaben zuerst in Planung, Qualitätskontrolle und Nachschub eingesetzt, danach in Clienteling-Tools und einer neu gestalteten Website. Aufschlussreich ist, was das Unternehmen offenlegt und was nicht.
Wie haben PVH und Tommy Hilfiger den Wholesale mit Showrooms, 3D und Daten digitalisiert?
Tommy Hilfiger eröffnete 2015 einen digitalen Showroom für Wholesale-Einkäufer und verlagerte das Bekleidungsdesign in 3D. Der Fall zeigt, was ein digitaler Sell-in-Prozess braucht, bevor KI einen Mehrwert schaffen kann.
Wie nutzt Tapestry Daten und KI für Bedarfsplanung und Personalisierung bei Coach?
Tapestry, Eigentümerin von Coach und Kate Spade, hat eine gemeinsame Datenschicht aufgebaut, mit KI die Nachfrage prognostiziert und Bestände platziert und betreibt heute ein eigenes generatives KI-System namens Mira für Planung und Merchandising.
Warum löste Valentinos KI-generierte DeVain-Kampagne einen Shitstorm aus?
Im Dezember 2025 veröffentlichte Valentino ein klar als KI-generiert gekennzeichnetes Video für seine DeVain-Tasche und erntete eine Welle der Kritik. Die Episode zeigt, dass Offenlegung allein KI-Bilder im Luxussegment nicht akzeptabel macht.
Die Guess-Anzeige mit KI-Model in der Vogue: was geschah und was Marken daraus lernen sollten
Im August 2025 erschien in der Vogue US eine Anzeige von Guess mit einem KI-generierten Model und einem kleinen Hinweis. Die Empörung und die seither erlassenen Offenlegungsgesetze zeigen, worauf Marken heute achten müssen.
Walmarts Trend-to-Product: wie KI die Entwicklungszeit in der Mode verkürzt
Walmart gibt an, dass sein hauseigenes Tool Trend-to-Product die Bekleidungsentwicklung um bis zu 18 Wochen verkürzen kann. Was das Tool leistet, was auf Unternehmensangaben beruht und was andere Händler daraus lernen können.
Wie Marks & Spencer KI für Stilberatung und Produktbeschreibungen nutzt
M&S nutzt KI, um das Online-Modeangebot zu personalisieren, ein Quiz zu Figur und Stil zu betreiben und die meisten Produktbeschreibungen zu verfassen. 2026 erhielten 11'000 Mitarbeitende Copilot. Was bisher berichtet wurde.
Wie die Otto Group generative KI in ihren Handelsgesellschaften eingeführt hat
Die Otto Group hat 2023 ihren hauseigenen Assistenten ogGPT lanciert und zählte Ende 2025 mehr als 10'000 monatlich aktive Nutzerinnen und Nutzer. Wie die Einführung organisiert, gesteuert und begleitet wurde und was sie noch nicht belegt.
Wie setzt ASOS KI ein? Outfit-Empfehlungen, der AI Stylist und ChatGPT
ASOS ist von Empfehlungen für einzelne Produkte zu KI-generierten Outfits, einem AI Stylist in der App und einer Shopping-App in ChatGPT übergegangen. Was das Unternehmen veröffentlicht hat und was andere Modehändler daraus lernen können.
Wie nutzt ThredUp KI, um Secondhand-Mode in grossem Massstab einzustellen und zu verkaufen?
ThredUp nutzt KI, um die bearbeiteten Artikel zu beschreiben und zu vermessen, und setzt Suche in natürlicher Sprache, Bildsuche und einen Style-Chat ein, damit die Kundschaft sie findet. Was ThredUp veröffentlicht hat und welche Lehren sich für Resale ergeben.
Wie steuert Rent the Runway mit Daten und KI einen geteilten Bestand?
Rent the Runway ging 2025 die grösste Bestandswette seiner Geschichte ein und setzte 2026 auf KI-Empfehlungen, Suche und Outfit-Generierung. Was das Unternehmen gemeldet hat und was Mietmodelle über Bestandsführung lehren.
Was ist Accio von Alibaba, und was bedeutet ein KI-Beschaffungsagent für die Mode?
Accio, das KI-Beschaffungstool von Alibaba.com, überschritt 2026 die Marke von 10 Millionen monatlichen Nutzerinnen und Nutzern und verfügt heute über eine Agentenplattform. Wie es funktioniert, was es noch nicht kann und was es für Einkäufer und Lieferanten in der Mode verändert.
Verkaufen KI-Stylisten? Die Kennzahlen zur Bewertung eines dialogbasierten Shopping-Assistenten
Das Chat-Volumen sagt wenig darüber aus, ob sich ein KI-Stylist rechnet. Welche Kennzahlen die tatsächliche geschäftliche Wirkung zeigen, wie man sie fair testet und was veröffentlichte Daten belegen und was nicht.
Halluzinationen von KI-Shopping-Assistenten: Wer haftet für falsche Produktangaben?
Ein Assistent, der ein Material, einen Rabatt oder eine Retourenregel erfindet, schafft eine reale Haftung. Wie Halluzinationen im Mode-E-Commerce entstehen, was das Recht sagt und wie sich das Risiko senken lässt.
Schema-Markup für Modeprodukte: Welche strukturierten Daten liest die KI-Suche?
Product-, Offer- und ProductGroup-Markup beschreiben Preis, Verfügbarkeit, Grössen und Farben in einer Form, die Maschinen auslesen können. Was Sie bei Bekleidung auszeichnen sollten und was Markup nicht leisten kann.
Was ist ein KI-gestützter Supply-Chain-Control-Tower und wer handelt auf Basis seiner Anzeigen?
Control Tower versprechen eine einheitliche Sicht auf Bestellungen, Sendungen und Bestände mit KI-Warnungen obendrauf. In der Mode hängt ihr Wert weniger vom Dashboard ab als von der Datenqualität und davon, wer handeln darf.
Müssen KI-generierte Modebilder gekennzeichnet werden? Die Transparenzregeln des AI Act
Artikel 50 des AI Act verlangt ab August 2026 die Offenlegung von Chatbots, eine maschinenlesbare Kennzeichnung und Hinweise auf Deepfakes. Was das für Kampagnen, Produktbilder und virtuelle Models bedeutet.
Gilt KI für Rekrutierung und Schichtplanung als Hochrisiko nach dem EU AI Act?
Vorauswahl bei der Rekrutierung, Aufgabenzuteilung und Überwachung von Mitarbeitenden sind im AI Act als Hochrisiko eingestuft. Was das für Modehändler bedeutet und warum die Verschiebung auf 2027 keine Pause ist.
Dürfen Modehändler Kundendaten nach der DSGVO für das KI-Training nutzen?
Personalisierung, Empfehlungen und Chatbots laufen mit Kundendaten. Wie Rechtsgrundlage, Transparenz, Profiling-Regeln und Betroffenenrechte greifen, wenn der Mode-E-Commerce diese Daten für KI nutzt.
KI-Dupes und Designkopien: Wie Marken 2026 Prints und Silhouetten schützen
Mit KI lassen sich ähnliche Produkte schneller aufspüren, nachahmen und listen. Was die EU-Designreform von 2025, jüngste Kopierstreitigkeiten und die urheberrechtlichen Regeln zu KI für den Schutz von Prints und Silhouetten bedeuten.
Regeln für generative KI im Designstudio: eine Governance-Checkliste
Designteams nutzen generative KI bereits, oft ohne vereinbarte Regeln. Eine praxisnahe Governance-Checkliste zu freigegebenen Tools, Daten, geistigem Eigentum, Offenlegung, Schulung und Verantwortlichkeit für Designstudios in der Mode.
So erstellen Sie KI-generierte Sortimentsvorschläge für Handelskunden
Ein vorausgefüllter Ordervorschlag pro Kunde kann Einkäufern und Aussendienst Stunden sparen, sofern er auf sauberer Sell-in-Historie, klaren Regeln und einer Prüfung durch den Aussendienst beruht. Eine Schritt-für-Schritt-Anleitung.
Wie kann KI Kundenprofitabilität, Konditionen und Cost to Serve im Wholesale messen?
Der Umsatz pro Kunde verdeckt Rabatte, Retouren, Zahlungsziele und Servicekosten. Wie KI Marken hilft, die tatsächliche Profitabilität ihrer Kunden zu sehen, und warum die Datenarbeit an erster Stelle steht.
Welche Styles sollten vor der Verkaufskampagne gestrichen werden? Wie KI beim Line Edit hilft
Wer zu viele Styles in die Verkaufskampagne mitnimmt, zahlt mit Mustern, Mindestmengen und Marge. Wie KI Styles bewertet, bevor die Kollektion den Einkäufern gezeigt wird, und wo Merchandiser die Bewertung übersteuern müssen.
Wie KI-Meeting-Notizen aus Einkaufsterminen Orders machen
KI-Notiztools können festhalten, was ein Einkäufer gewünscht hat, die Nachfassmail entwerfen und das CRM aktualisieren. Ein Praxisleitfaden für den Wholesale-Aussendienst, inklusive Einwilligung, Genauigkeit und Datenregeln.
Wie sollten Marken knappe Ware mit KI auf ihre Wholesale-Kunden verteilen?
Wenn die Produktion hinter den Orders zurückbleibt, muss jemand entscheiden, welcher Händler was erhält. Wie KI die Allokation anhand klarer Regeln optimiert und warum wahrgenommene Fairness ebenso zählt wie die Marge.
Wie misst man die Prognosegenauigkeit in der Mode? MAPE, WAPE, Bias und MASE
Die Prognosegenauigkeit entscheidet, ob sich ein KI-Planungstool lohnt, doch die beliebteste Kennzahl eignet sich schlecht für die Mode. Ein Praxisleitfaden zu MAPE, WAPE, Bias und MASE und dazu, was gute Werte sind.
Dynamic Pricing in der Mode: Wo hilft KI, und wo schadet sie der Marke?
Algorithmische Preisgestaltung kann Bestände abbauen und die Marge schützen, doch häufige oder personalisierte Preisänderungen bergen Risiken für Marke, Vertrauen und Rechtssicherheit. Wo KI-Pricing in der Mode seinen Platz hat und wo es aufhören sollte.
Wie kann KI bei Einkaufstiefe und Produktionsmengen in der Mode helfen?
Wer zu tief einkauft, erzeugt Abschriften und Verschwendung, wer zu knapp einkauft, verliert Umsatz. Wie KI Bedarfsprognosen, Unsicherheit und Vorlaufzeiten kombiniert, um Produktionsmengen festzulegen, und warum Flexibilität ebenso zählt wie Genauigkeit.
Google AI Try-on und Doppl: Was virtuelle Anprobe direkt in der Suche für Modemarken bedeutet
Google hat die virtuelle Anprobe in gut einem Jahr von einem Labs-Experiment in Search und Shopping überführt und dann seine eigenständige App Doppl eingestellt. Was geschehen ist und was es für Marken bedeutet.
Welche Daten braucht KI-gestützte Grössenempfehlung? Masse, Passformhinweise und Retouren
Eine Grössenempfehlung ist nur so gut wie die Daten dahinter. Ein Praxisleitfaden zu den Kleidungs-, Kunden- und Retourendaten, die Grössen- und Passformmodelle brauchen, und dazu, wer im Unternehmen für welchen Teil verantwortlich ist.
Wie sagt KI Retouren vor dem Checkout voraus? Riskante Warenkörbe erkennen, einfach erklärt
Modelle zur Retourenprognose schätzen, solange der Warenkorb noch offen ist, wie wahrscheinlich jeder Artikel zurückkommt. Wie sie funktionieren, welche Daten sie brauchen, welche Massnahmen fair sind und wo die rechtlichen Grenzen liegen.
Wie kann KI Retouren in der Mode senken? 12 Hebel nach voraussichtlicher Wirkung
Von Grössenberatung und Passformhinweisen bis zu Retourenprognose und virtueller Anprobe: eine Checkliste mit zwölf KI-Hebeln, um Retouren im Online-Modehandel zu senken, geordnet nach Evidenz und voraussichtlicher Wirkung, mit den jeweils nötigen Daten.
Wie fliessen Passform-Feedback und Retourengründe in die Schnitterstellung zurück?
Retourengründe und Kommentare zur Passform enthalten präzise Hinweise auf Schnitte und Gradierung, erreichen das technische Design aber selten. Eine Schritt-für-Schritt-Anleitung, wie sich der Kreislauf mit KI und besseren Daten schliessen lässt.
Wie hilft KI bei der Schätzung von Scope-3-Emissionen in Mode-Lieferketten?
Der grösste Teil des Fussabdrucks einer Modemarke liegt bei Lieferanten, die ihr nicht gehören. Wo KI Scope-3-Schätzungen tatsächlich beschleunigt und wo sie echte Lieferantendaten nicht ersetzen kann.
Was ist eine KI-gestützte Ökobilanz für Modeprodukte?
Marken brauchen Fussabdrücke für Tausende Produkte, nicht für eine Handvoll Studien. Wie KI hilft, Ökobilanzen zu skalieren, was die PEFCR der EU für Bekleidung verändert und wo die Daten noch nicht ausreichen.
CSRD nach dem Omnibus: Was Modemarken 2026 berichten müssen und wie KI hilft
Der Omnibus-I-Kompromiss hat den Anwendungsbereich der CSRD stark eingeschränkt. Welche Modeunternehmen weiterhin berichten, ab wann, was die Obergrenze für die Wertschöpfungskette für Lieferanten bedeutet und wo KI die Berichterstattung erleichtern kann.
Wie Sie mit KI Auditberichte und Zertifikate von Lieferanten auswerten
Compliance-Teams ertrinken in Audit-PDFs, Zertifikaten und Fragebögen. Eine Schritt-für-Schritt-Anleitung, wie sich die Prüfung von Lieferantendokumenten mit KI automatisieren lässt, ohne das Urteil an ein Modell abzugeben.
Warum bleiben KI-Piloten in der Mode stecken, und wie bringt man sie in die Produktion?
Die meisten Piloten mit generativer KI erreichen nie den breiten Einsatz. Warum Modepiloten ins Stocken geraten, von Daten und Integration bis zu unklarem Nutzen, und wie der Weg vom Proof of Concept in die Produktion Schritt für Schritt gelingt.
ChatGPT Enterprise, Copilot oder Gemini: Welcher KI-Assistent passt zu einem Modeunternehmen?
Die Wahl eines allgemeinen KI-Assistenten hängt weniger von der Modellqualität ab als von Office-Suite, Datenstandort, Admin-Steuerung und der Arbeit Ihrer Teams. Ein neutraler Entscheidungsleitfaden für Modeunternehmen.
Was ist ein grosses Sprachmodell? LLMs erklärt für Modeprofis
Grosse Sprachmodelle stecken hinter Chat-Assistenten, Tools für Produkttexte und KI-Shoppingberatern. Eine verständliche Erklärung, wie sie funktionieren, was sie in der Mode gut können und wo sie versagen.
Was ist RAG? Wie KI Fragen anhand Ihrer Produkt- und Auftragsdaten beantwortet
Mit Retrieval-Augmented Generation schlägt ein KI-Assistent in Ihrem Katalog, Ihren Preislisten und Aufträgen nach, bevor er antwortet. Wie das funktioniert, welche Daten es braucht und wo es schiefgeht.
Machine-Learning-Grundlagen für Merchandiser: Modelle, Features und Trainingsdaten
Was ein Modell, ein Feature, ein Label und Trainingsdaten tatsächlich sind, erklärt an Beispielen aus dem Mode-Merchandising, und welche Fragen Merchandiser stellen sollten, bevor sie einer Prognose vertrauen.
Was ist KI in der Mode? Der umfassende Leitfaden zu KI entlang der Wertschöpfungskette
Von Design und Planung über Wholesale und Supply Chain bis zum E-Commerce: was künstliche Intelligenz in der Mode heute tatsächlich leistet, welche Daten sie braucht und wo ihre Grenzen liegen.
Wie sich der ROI von KI in der Mode messen lässt
Den meisten Unternehmen fällt es schwer nachzuweisen, dass sich KI auszahlt. Ein praxisnahes Rahmenwerk für die Mode: Ausgangswerte, Kontrollgruppen, die richtigen Kennzahlen je Anwendungsfall und das vollständige Kostenbild.
KI in der Produktentwicklung der Mode: vom Briefing zum Muster
KI verändert die Schritte zwischen einem Kollektionsbriefing und dem ersten freigegebenen Muster: Recherche, Konzepte, digitale Prototypen und Sortimentsentscheidungen. Was funktioniert, welche Daten nötig sind und wo Menschen die Verantwortung behalten.
KI-Trendprognose in der Mode: wie sie funktioniert, was sie erkennt und wo ihre Grenzen liegen
KI-Tools durchsuchen heute Laufstegbilder, Social Media und Verkaufsdaten, um aufkommende Styles zu erkennen. Was die Signale einem Design- oder Einkaufsteam sagen können und was nicht, und warum menschliche Trendforscher weiterhin wichtig sind.
KI, 3D und virtuelle Musterung: weniger Muster, schnellere Entscheidungen
3D-Bekleidungssimulation ersetzt seit Jahren einen Teil der physischen Muster. KI beschleunigt nun die Schritte rund um diesen Prozess. Was virtuelle Musterung wirklich ersetzen kann, welche Daten sie braucht und wo physische Muster weiterhin überlegen sind.
Wie verbessert KI Passform und Grössen? Von der Grössenberatung zu besseren Schnitten
Grössen- und Passformprobleme verursachen einen grossen Teil der Retouren in der Mode. KI treibt heute Grössenempfehlungen, Körpervermessung und virtuelle Umkleidekabinen an, und ihre Daten können in Schnitte und Grössentabellen zurückfliessen.
Wie wird KI in der Mode für Farben, Prints und Materialien eingesetzt?
Von KI-Palettentools über generierte Prints bis zur KI-gestützten Faserforschung: Die Arbeit an Farben und Materialien verändert sich. Ein nüchterner Blick darauf, was im Einsatz ist, was noch experimentell ist und von welchen Daten es abhängt.
Wie funktionieren KI-gestützte Allokation und Replenishment über Filialen und Kanäle?
Die Allokation entscheidet, wohin die Ware zuerst geht; das Replenishment entscheidet, was nachfolgt. KI trifft beide Entscheidungen auf Ebene von Grösse und Standort. Wie das funktioniert, was es braucht und wo es an Grenzen stösst.
Was ist die Optimierung der Grössenverteilung, und wie hilft KI, die richtigen Grössen einzukaufen?
Wer den falschen Grössenmix einkauft, behält Randgrössen auf der Stange, während die Kerngrössen ausverkauft sind. Wie KI die tatsächliche Nachfrage nach Grössen schätzt, warum Fehlbestände die Daten in die Irre führen und worauf zu achten ist.
Wie kann KI die Sortiments- und Kollektionsplanung in der Mode unterstützen?
Die Sortimentsplanung entscheidet, wie viele Styles eine Kollektion umfasst, zu welchen Preisen und in welcher Tiefe. KI kann neue Artikel prognostizieren und Szenarien testen, doch die kreative und strategische Entscheidung bleibt beim Menschen.
Warum sind Sell-out-Daten für KI im Mode-Wholesale unverzichtbar?
Marken, die über den Handel verkaufen, sehen, was sie ausliefern, nicht was Konsumenten kaufen. Sell-out-Daten schliessen diese Lücke, und ohne sie arbeitet die meiste KI-Prognose im Wholesale halb blind.
KI im B2B-Modewholesale: der umfassende Leitfaden
Wo künstliche Intelligenz zwischen Marken und Handelspartnern echten Mehrwert schafft, welche Daten sie braucht, wie Einkäufer sie bereits nutzen und wo ihre Grenzen liegen.
Was macht ein Wholesale-Unternehmen KI-ready?
KI-Reife im Modewholesale hängt weniger von Algorithmen ab als von strukturierten Produkt-, Auftrags- und Partnerdaten, klaren Zuständigkeiten und Prozessen, die festhalten, warum Einkäufer entscheiden, wie sie entscheiden.
Wie funktionieren KI-gestützte Re-Order-Prognosen und automatisches Replenishment für Händler?
Re-Orders betreffen Modelle, die sich bereits bewährt haben. KI kann sie vorschlagen oder auslösen, bevor einem Handelspartner die Ware ausgeht, sofern Sell-out- und Bestandsdaten geteilt werden.
Was können dialogbasierte KI-Assistenten für Einkäufer im B2B-Modehandel leisten?
Assistenten, die Fragen zu Verfügbarkeit, Auftragsstatus und Konditionen beantworten, halten Einzug in B2B-Portale. Was sie können, womit sie verbunden sein müssen und wo Vorsicht geboten ist.
Wie funktioniert KI-Personalisierung im Mode-E-Commerce?
Empfehlungen, sortierte Produktlisten, Grössenberatung und Dialogassistenten beruhen alle auf demselben Fundament: sauberen Kunden- und Produktdaten. Ein praktischer Leitfaden dazu, was funktioniert, was es kostet und wo die Grenzen liegen.
Wie setzen Modemarken KI im Marketing ein, vom Content bis zur Erfolgsmessung?
Generative KI hat bei einigen Händlern Zeit und Kosten für Kampagneninhalte deutlich gesenkt, doch ob sie funktioniert, entscheiden Markenkontrolle, Rechte und Kennzeichnungsvorschriften. Ein Leitfaden zu den wichtigsten Einsatzfeldern und ihren Grenzen.
KI-generierte Models in der Mode: Welche ethischen Fragen und Kennzeichnungsregeln gelten?
Digitale Zwillinge und vollständig synthetische Models versprechen schnellere, günstigere Bilder. Einwilligung, Vergütung, Kennzeichnung und das Vertrauen des Publikums bestimmen inzwischen, wie Marken sie einsetzen können, und neue Regeln in New York und der EU legen die Messlatte höher.
Wie verändert KI-Suche die Art, wie Kundinnen und Kunden Mode finden?
Statt Suchbegriffe einzutippen, beschreiben Kundinnen und Kunden Chatbots und KI-Suchmaschinen heute, was sie wollen. Wie Conversational Shopping funktioniert, was die ersten Belege zeigen und was das für Modemarken und Händler bedeutet.
Wie wird KI im Kundenservice der Mode eingesetzt, und wo scheitert sie?
KI-Chatbots und Assistenzsysteme für Servicemitarbeitende können Fragen zu Bestellungen, Retouren und Grössen rund um die Uhr beantworten. Wenn es darauf ankommt, wollen Kundinnen und Kunden aber weiterhin einen Menschen, und Unternehmen haften für das, was ihre Bots sagen.
Wie wird KI in stationären Modegeschäften eingesetzt?
Von Assistenten für das Verkaufspersonal und Clienteling bis zu Computer Vision für Bestand und Kasse: KI hält Einzug auf der Verkaufsfläche. Was funktioniert, was es braucht und wo das Datenschutzrecht klare Grenzen zieht.
Wie hilft KI beim Sortieren und Recyceln von Textilien?
Damit aus alter Kleidung neue Fasern werden, braucht es eine präzise Sortierung nach Material und Farbe. Sensoren und maschinelles Lernen machen das im grossen Massstab möglich, doch Kapazitäten und Wirtschaftlichkeit setzen weiterhin Grenzen.
Wie kann KI Modemarken bei der Vorbereitung auf den Digitalen Produktpass helfen?
Der Digitale Produktpass der EU macht Produktdaten zu einer regulierten Pflichtleistung. KI kann helfen, diese Daten zu sammeln, zu prüfen und zu strukturieren, aber sie kann nicht erfinden, was Lieferanten nie erfasst haben.
Wie Inditex KI und Daten einsetzt: RFID und eine nachfragegesteuerte Supply Chain
Der Vorsprung von Inditex beruht auf RFID-Daten auf Artikelebene, integrierten Beständen und Produktion in der Nähe. Wo KI nun ins Spiel kommt, welche Ergebnisse öffentlich sind und was nicht offengelegt wurde.
Wie Nike KI einsetzt: Direktvertriebsdaten und generative Produktentwicklung
Von Demand Sensing für die eigenen Kanäle über KI-generierte Schuhkonzepte bis zur Beta eines KI-Shopping-Assistenten: was Nike aufgebaut und offengelegt hat und was sich unter der neuen Führung geändert hat.
Wie adidas KI einsetzt: vom Designarchiv bis zu generativem Content
adidas hat den Einsatz von KI in der Schuhkonzeption, der Softwareentwicklung, der Auswertung von Bewertungen und in personalisierten Kampagnen dokumentiert. Was das Unternehmen aufgebaut hat, welche Ergebnisse es nennt und was es zur Planung nicht offengelegt hat.
Wie Levi Strauss & Co. KI einsetzt: das Datenprogramm und seine Lehren
Levi Strauss & Co. hat eigene Mitarbeitende in Machine Learning ausgebildet, 2023 mit KI-Models einen Fehltritt erlebt und führt nun Agenten für Mitarbeitende und Kundschaft ein. Was das Programm zeigt.
Wie Mango KI einsetzt: generatives Design, virtuelle Models und Mango Stylist
Mango hat seit 2018 mehr als 15 Machine-Learning-Plattformen entwickelt, vom internen Tool Lisa über KI-generierte Kampagnenmodels bis zum Assistenten Mango Stylist. Was dokumentiert ist und was nicht.
Wie Stitch Fix KI einsetzt: Algorithmen plus menschliche Stylisten
Stitch Fix kombiniert Empfehlungsalgorithmen mit rund 1700 Teilzeit-Stylisten und hat generative KI-Tools wie Vision ergänzt. Wie das hybride Modell funktioniert und was die Zahlen zeigen.
Wie Shein Daten und Algorithmen einsetzt: das On-Demand-Modell und seine Kritik
Shein gibt an, neue Designs in Losen von 100 bis 200 Stück zu bestellen und sie anhand von Nachfragesignalen hochzuskalieren. Wie das datengetriebene Modell funktioniert, was behauptet wird und warum Behörden und Designer es kritisieren.
KI in der Mode: der Rückblick auf September 2026
Metas Agent Muse, Amazons Sperre, Shopifys Agenten-Checkout, KI-Nachschub bei Macy's und KI-Bilder bei Zalando: die geprüften KI-News für die Modebranche aus dem September 2026.
KI für Modeeinkäufer: was sich im Einkauf ändert und wie Sie starten
Wo KI Modeeinkäufern schon heute bei Trendanalyse, Line Reviews, Mengen und Re-Orders hilft, welche Daten sie braucht, was menschliches Urteil bleibt und ein 30-Tage-Plan für den Einstieg.
KI für Wholesale-Vertriebsteams und Key Account Manager
Wie KI Aussendienst und Key Account Managern im Mode-Wholesale hilft, Termine vorzubereiten, Sortimente für Händler zusammenzustellen, Sell-out-Daten zu lesen und Re-Orders abzuwickeln, und was Einkäufer weiterhin von Menschen erwarten.
KI für CFOs in der Mode: wo das Geld liegt und wie man es steuert
Wo KI in einem Modeunternehmen messbaren Wert schafft, wofür Finanzteams sie nutzen können, warum sich viele KI-Projekte nicht rechnen und wie CFOs KI-Ausgaben und -Risiken steuern können.
KI für CIOs und IT-Verantwortliche in der Mode: Architektur, Daten und Governance
Was CIOs und IT-Verantwortliche in der Mode für KI richtig machen müssen: Grundlagen bei Produkt- und Verkaufsdaten, Integrationsarchitektur, Make or Buy, Sicherheit, Pflichten aus dem EU AI Act und Governance-Rahmenwerke.
KI für Beschaffungs- und Supply-Chain-Manager in der Mode
Wie Beschaffungs- und Supply-Chain-Manager in der Mode KI für Nachfrage- und Produktionsplanung, Kosten- und Zollszenarien, Lieferantenrisiken, Compliance und Qualität nutzen, mit Datenbedarf, Grenzen und einem 30-Tage-Plan.
KI in der Fast Fashion: Tempo, Nachfragesignale und das Problem der Überproduktion
Fast Fashion lebt davon, Nachfrage früh zu erkennen und schnell zu reagieren. KI schärft beides, kann aber auch das Volumen beschleunigen, und neue EU-Regeln machen unverkaufte Ware teurer.
KI bei Schuhen: Passform, Grössendaten und schnellere Produktentwicklung
Bei Schuhen entscheiden wenige Millimeter, ob ein Verkauf Bestand hat. KI hilft bei Fussscans, Grössenberatung und Designiteration, aber nur auf Basis exakter Leisten- und Produktdaten.
KI im Denim: wie sich Finishing, Lasertechnologie und Wasserverbrauch verändern
Der Look von Denim entsteht im Finishing, traditionell mit Wasser, Chemikalien und manuellem Abrieb. Digitales Design und Laserfinishing, zunehmend KI-gesteuert, ändern das, doch die Beleglage ist noch dünn.
KI für Wholesale-Modemarken im mittleren Preissegment: wo der Einstieg gelingt
Marken im mittleren Preissegment, die vor allem über Handelspartner verkaufen, haben weniger Daten und kleinere Teams als die Grossen. KI zahlt sich dennoch aus, wenn sie auf Ordererfassung, Produktdaten und Einblicke in den Abverkauf zielt.
KI in Kindermode und Basics: Prognosen für Sortimente mit Nachversorgung
Basics und Kindermode verkaufen sich stetig, in vielen Grössen und mit geringen Margen. Das macht sie ideal für KI-Prognosen und Nachversorgung, und heikel, wenn der Kunde ein Kind ist.
Kann KI das gesamte Pre-Order-Volumen aus den ersten 20 Prozent der Aufträge prognostizieren?
Frühe Wholesale-Aufträge enthalten mehr Signal als jede Vorsaisonplanung. So lesen KI-Modelle sie, diese Daten brauchen sie, und hier stösst die Prognose an Grenzen.
Wie wird aus dem Pre-Order-Buch ohne Zeitverlust ein Produktionsauftrag?
Bei der Übergabe vom Vertrieb an die Beschaffung verlieren Wholesale-Marken Wochen und Marge. Eine Schritt-für-Schritt-Anleitung, wie sich die Lücke schliessen lässt und wo KI wirklich hilft.
Wie gestaltet man ein B2B-Re-Order-Portal, das Händler wirklich nutzen?
Händler wollen zwischen den Saisons nachbestellen, ohne einen Aussendienstmitarbeiter anzurufen. Was ein Self-Service-Portal bieten muss, von welchen Daten es abhängt und wo KI Mehrwert schafft.
Warum verlangen Key Accounts EDI-Auftragsbestätigungen, und was machen Marken falsch?
Grosse Händler erwarten zu jeder Bestellung eine elektronische Auftragsantwort. Was die Nachricht leistet, warum sie für den Einkäufer wichtig ist und welche Fehler Marken Geld kosten.
Wie können Marken mit Daten Pre-Order-Stornierungen und Auftragskürzungen reduzieren?
Stornierungen und späte Auftragskürzungen machen aus einem gesunden Pre-Order-Buch Überbestände. Wie man sie misst, vorhersagt und Regeln vereinbart, die beide Seiten schützen.
Wie setzen Marken Frühbucherrabatte ein, ohne Marge zu verlieren?
Anreize für frühe Buchungen erkaufen Nachfrageinformationen und Planungssicherheit für die Produktion. Ein Leitfaden zur Bemessung, zur Wahl der richtigen Form und zur Prüfung, ob sie sich auszahlen.
ROI eines digitalen Showrooms: So erstellen Sie den Business Case für Kosten und Sell-in
Was ein digitaler Showroom wirklich kostet, woher die Einsparungen kommen, warum die Sell-in-Steigerung die am schwersten belegbare Zahl ist und wie Sie einen Business Case erstellen, den ein CFO akzeptiert.
So bauen Sie eine 3D-Asset-Pipeline vom Design bis zum digitalen Showroom auf
Ein digitaler Showroom ist nur so gut wie die 3D-Assets dahinter. Wie Bekleidung aus 3D-Design und PLM pünktlich und in grossem Umfang zu verkaufsfertigen Renderings für den Sell-in wird.
Wie synchronisieren Offline-Sales-Apps Aufträge ins ERP, ohne eine Position zu verlieren?
Der Aussendienst schreibt Aufträge an Messen, in Showrooms und in Läden mit schlechter Verbindung. Wie Offline-first-Sales-Apps Auftragsdaten sicher speichern, in die Warteschlange stellen und ins ERP synchronisieren, und wo es schiefgeht.
Eine Sales-App für den Mode-Wholesale auswählen: Checkliste mit 25 Punkten
Offline-Aufträge, Grössenraster, Pre-Order und Re-Order, Anbindung an PIM und ERP, KI-Funktionen und Akzeptanz: 25 Fragen, die Sie stellen sollten, bevor Sie eine Sales-App für Aussendienst und Agenturen wählen.
Hybrider Verkauf in der Mode: Wie Messen, Showrooms und digitale Showrooms zusammenspielen
Messen ziehen weiterhin Tausende Einkäufer an, physische Showrooms bleiben für Key Accounts wichtig, und digitale Showrooms erweitern beide. Wie Sie die Verkaufssaison auf alle drei aufteilen.
ORDERS, ORDRSP, DESADV, INVOIC: die EDI-Nachrichten hinter einer Modebestellung
Eine einzige Wholesale-Bestellung zwischen einer Modemarke und einem Händler löst eine Kette standardisierter EDI-Nachrichten aus. Hier steht, was jede davon leistet, was sie enthalten muss und wo Fehler meist entstehen.
EDI oder API? Wie Warenhäuser und Marktplätze 2026 angebunden werden wollen
Warenhäuser wickeln Wholesale weiterhin über EDI ab, während Marktplätze ihre Partnerprogramme auf APIs aufbauen. Modemarken brauchen zunehmend beides, verbunden mit einem einzigen sauberen Bestand an ERP- und Produktdaten.
Wie KI EDI-Fehler erkennt, bevor daraus Rückbelastungen werden
Die meisten EDI-Abzüge beginnen als kleine Datenabweichungen zwischen Bestellung, Sendung und Rechnung. KI kann sie markieren, bevor Dateien das Haus verlassen, sofern die Regeln und Daten dahinter stimmen.
Mode-ERP in die Cloud: Lehren aus Migrationen von 2024 bis 2026
Wartungsfristen älterer ERP-Plattformen drängen Modeunternehmen zum Wechsel. Was den Zeitpunkt bestimmt, welche Ansätze genutzt werden und wo Projekte in Schwierigkeiten geraten.
Übergabe von PLM an PIM: Welche Produktattribute wechseln wann, und wer ist verantwortlich?
Ein praktischer Leitfaden zur Übergabe von PLM an PIM in der Mode: welche Attribute bei welchem Meilenstein übergehen, wer dafür verantwortlich ist und wie Sell-in- und E-Commerce-Daten konsistent bleiben.
KI im PLM: Was haben die grossen PLM-Anbieter für die Mode 2025 und 2026 ergänzt?
Tech-Pack-Extraktion, generative Designstudios und agentische Produktentwicklung: was PTC, Centric Software, Lectra und andere angekündigt haben und was Käufer testen sollten, bevor sie es glauben.
Wie wird 3D zum Standard im PLM? Workflow, Freigaben und Dateistandards
3D vom Spezialwerkzeug am Rand zum Standardweg in der Produktentwicklung machen: wo 3D im PLM-Workflow steht, wie sich Freigaben verändern und welche Datei- und Materialstandards zählen.
Können 3D-Kleidungsstücke und KI-Bilder 2026 E-Commerce-Fotoshootings ersetzen?
Grosse Onlinehändler haben die Studiofotografie zugunsten KI-generierter Produktbilder stark zurückgefahren. Was sich verändert hat, wo 3D weiterhin zählt und welche Grenzen und rechtlichen Pflichten bestehen.
KI-Qualitätsprüfungen für PIM-Daten: fehlende, falsche und widersprüchliche Attribute erkennen
Eine praktische Checkliste, wie Sie mit Regeln und KI Lücken, Fehler und Widersprüche in Produktdaten der Mode finden, bevor sie Webshops, Marktplätze und Kundschaft erreichen.
Was spart 3D-Sampling wirklich? Musterkosten, Durchlaufzeiten und CO2
3D-Sampling verspricht weniger physische Muster, kürzere Kalender und geringere Emissionen. Was die veröffentlichten Belege stützen, was Anbieterbehauptungen bleiben und wie Sie Ihren eigenen Business Case aufbauen.
Wie kommen Sie mit Trenddaten und generativer KI vom Moodboard zum 3D-Konzept?
Bildgeneratoren liefern schnell Ideen, aber keine Kleidungsstücke. Ein Ablauf, der Trenddaten, generative Tools, 3D-Simulation und PLM verbindet, ohne die Kontrolle über Passform oder geistiges Eigentum zu verlieren.
Wie erstellen Wholesale-Teams Linesheets und Sell-in-Präsentationen mit KI?
Linesheets und Sell-in-Präsentationen entstehen aus Produktdaten. Ein Ablauf, mit dem Sie sie dank generativer KI schneller erstellen, ohne Fehler bei Preisen, Farben oder Lieferterminen.
Welche Merchandising-Aufgaben können KI-Agenten übernehmen und welche nicht?
Agenten können überwachen, analysieren und Vorschläge machen. Strategie, Zielkonflikte und Lieferantenbeziehungen bleiben beim Merchandising. Wo die Grenze 2026 verläuft und was zuerst vorhanden sein muss.
Wie sollten Modemarken das Bestandsrisiko von TikTok-Mikrotrends steuern?
Mikrotrends steigen und verblassen schneller, als die meisten Lieferketten reagieren können. Wie Sie entscheiden, wann Sie nachziehen, wie Sie Wetten dimensionieren und wie KI hilft, die Kurve zu lesen.
Wie messen Sie den ROI von Clienteling über Filiale, Chat und Online hinweg?
Clienteling-Umsätze entstehen in der Filiale, in einem Chatverlauf und auf der Website, oft Wochen auseinander. Ein glaubwürdiger ROI braucht klare Zuordnungsregeln, eine Kontrollgruppe und ehrlich erfasste Kosten.
Wie können Marken das Clienteling des Verkaufspersonals bei Multibrand-Wholesale-Partnern unterstützen?
In Multibrand-Geschäften arbeitet die Verkaufsberatung, die die Kundschaft kennt, für den Händler, nicht für die Marke. Marken können sie trotzdem mit Produktwissen, Bestandstransparenz und Content ausstatten, sofern die Rollen bei den Daten klar sind.
Wie teilen Marken Bestände mit Wholesale-Partnern in einem vernetzten Handelsmodell?
Marken und Händler verkaufen zunehmend die Ware des jeweils anderen: Händler listen Filialbestände auf Plattformen, Marken liefern per Drop-Shipping für Partner. Die Modelle funktionieren nur mit sauberen Daten, klaren Margen und vereinbarten Retouren.
Wie leiten Modemarken Retouren in den Resale?
Retournierte Ware, die nicht zum vollen Preis zurück in den Bestand kann, braucht eine Entscheidung: aufbereiten, wiederverkaufen, spenden oder recyceln. Grading-Regeln, Daten und das EU-Vernichtungsverbot für unverkaufte Kleidung bestimmen diese Steuerung inzwischen mit.
Wann lohnt sich Resale für Marken? Die Unit Economics von Second-Hand-Mode
Resale wächst schnell, doch jedes Kleidungsstück verursacht Kosten für Prüfung, Reinigung, Fotografie und Logistik. Ob es sich rechnet, hängt vom Preispunkt, vom Abverkauf und davon ab, wie viel Arbeit die Kundschaft oder ein Partner übernimmt.
Wie unterstützt der Digitale Produktpass Resale und Authentifizierung?
Der EU-Digitalproduktpass gibt jedem Kleidungsstück einen scannbaren Datensatz. Für den Resale verspricht das schnellere Listings und Herkunftsprüfungen, doch die Authentifizierung hängt davon ab, wie der Pass abgesichert ist.
Wer verkauft das zweite Leben eines Kleidungsstücks: Marken oder ihre Handelspartner?
Warenhäuser und Onlinehändler nehmen gebrauchte Sortimente auf, oft gemeinsam mit Resale-Spezialisten. Für Wholesale-Marken wirft das Fragen zu Kontrolle, Preisgestaltung, Daten und Vertragsbedingungen auf.
Wie Sie Second-Hand-Mode mit KI bepreisen und listen
KI kann Resale-Listings aus Fotos entwerfen, Preise aus Transaktionsdaten vorschlagen und bei der Zustandsbewertung helfen. Ein praxistauglicher Ablauf lässt Identifikation, Zustand und Preisgrenzen in menschlicher Verantwortung.
Zeitplan für den Digitalen Produktpass für Textilien: Was 2026 entschieden ist und was offen bleibt
Das EU-Passregister und die zentralen Normen sind seit Juli 2026 in Betrieb, doch die Textilregeln, die festlegen, welche Daten Bekleidung braucht, stehen noch aus. Hier steht, was feststeht, was als Richtwert gilt und was noch offen ist.
Wie erheben Sie DPP-Daten bei Tier-2- und Tier-3-Lieferanten?
Passdaten entstehen in Spinnereien, Färbereien und Webereien, mit denen die meisten Marken nie direkte Verträge schliessen. Eine praxistaugliche Methode, um vorgelagerte Lieferantendaten zu erfassen, anzufordern, zu prüfen und aktuell zu halten.
Gibt es einen Business Case für den DPP über die Compliance hinaus? Resale, Service und Kundendaten
Der Digitale Produktpass ist ein regulatorischer Kostenfaktor, doch dieselbe Kennung und dieselben Daten können Resale, Reparatur, Pflegeservices und eine direkte Verbindung zu den Besitzerinnen und Besitzern unterstützen. Wo der Nutzen real ist und wo er noch unbewiesen ist.
Regeln gegen Zwangsarbeit: Was müssen Modemarken unter dem UFLPA und dem EU-Verbot nachweisen?
Die USA vermuten, dass Waren mit Bezug zu Xinjiang mit Zwangsarbeit hergestellt wurden; das EU-Verbot gilt ab Dezember 2027 für alle Produkte. Was jede Regelung verlangt und welche Nachweise Modemarken bereithalten müssen.
Wie erstellen Sie einen KI-Business-Case, den Ihr CFO unterschreibt? Eine Vorlage für die Mode
Die meisten KI-Projekte bleiben zwischen Pilot und Erfolgsrechnung stecken. Eine praxistaugliche Business-Case-Vorlage für Modeunternehmen: Ausgangsbasis, Werttreiber, Vollkosten, Risiken und Stage Gates, mit Beispielen aus Planung, Content und Service.
Wo KI im Modegrosshandel heute ihren Platz hat
KI ist im Wholesale bereits nützlich, aber vor allem bei eng umrissenen, datenreichen Aufgaben. Eine nüchterne Übersicht, wo sie Vertrieb, Einkauf und Betrieb hilft und wo weiterhin menschliches Urteil entscheidet.
KI in der Sortimentsplanung nutzen, ohne die Marke zu verlieren
KI kann Entscheidungen zu Tiefe, Breite und Grössen in der Sortimentsplanung schärfen. Das Risiko ist ein Sortiment, das zu sicheren Durchschnittswerten abdriftet. Wie man die Werkzeuge nutzt und dabei die Handschrift der Marke bewahrt.
KI-Empfehlungen im B2B-Vertrieb: von Co-Purchase-Listen zur Next Best Action
Empfehlungs-Engines entwickeln sich von einfachen Co-Purchase-Listen zu account-spezifischen Vorschlägen für Vertreter und Einkäufer. Wie die wichtigsten Ansätze funktionieren und was im Modegrosshandel Vertrauen schafft.
Generative KI im Modedesign: nützliches Werkzeug oder Ablenkung?
Bildgeneratoren liefern Moodboards und Printideen in Sekunden. Ob sie das Design verbessern, hängt davon ab, wo sie im Prozess eingesetzt werden und wie Marken mit Originalität und Rechten umgehen.
Visuelle Suche und Bilderkennung im Mode-Commerce
Mit Bilderkennung können Konsumenten und Einkäufer per Bild suchen, und Marken können Produkte automatisch verschlagworten. Wie die Technologie funktioniert, wo sie gut abschneidet und wovon sie abhängt.