Wie bereit ist Ihr Unternehmen für KI: 25 Fragen zu Daten, Kompetenzen und Infrastruktur

Mehr als 35 Prozent der Führungskräfte in der Modebranche nutzen bereits generative KI im täglichen Betrieb, und 92 Prozent der Modeunternehmen geben an, dass sie ihre Investitionen in generative KI in diesem Jahr erhöhen werden, doch nur 1 Prozent beschreibt die eigene Einführung als ausgereift. Laut dem Bericht State of Fashion 2026 scheitern bis zu 90 Prozent der KI-Initiativen in der Modebranche noch immer daran, über die Pilotphase hinauszukommen, oft aufgrund schwacher zugrundeliegender Daten- und Technologiefundamente.

Die MIT-Studie 2025 zur GenAI-Kluft ergab, dass nur 5 Prozent der integrierten KI-Pilotprojekte Werte in Millionenhöhe erzielen. Gartner hatte bereits vorhergesagt, dass mindestens 30 Prozent der Projekte mit generativer KI bis Ende 2025 nach der Machbarkeitsstudie aufgegeben werden würden. Die Kluft zwischen Ambition und Umsetzung wird grösser.

Diese Diagnosebeurteilung bietet 25 Fragen, die in vier Bereitschaftsdimensionen organisiert sind. Die Fragen sind kein Reifegradmodell, sondern eine Checkliste vor Investitionen, die darauf ausgelegt ist, Lücken in Daten, Kompetenzen, Infrastruktur und Veränderungsfähigkeit aufzudecken, die darüber entscheiden, ob KI-Initiativen skalieren oder scheitern.

Warum scheitern die meisten Mode-KI-Pilotprojekte beim Skalieren?

McKinsey prognostiziert, dass generative KI die Betriebsgewinne in Mode, Bekleidung und Luxus bis 2028 um 275 Milliarden US-Dollar steigern könnte. In diesem Jahr beabsichtigen 92 Prozent der Führungskräfte in der Modebranche, ihre KI-Investitionen zu erhöhen, doch nur 1 Prozent meldet ausgereifte Implementierungen. Hinzu kommt, dass 90 Prozent der Pilotprojekte beim Skalieren scheitern.

KPMG-Erkenntnisse zeigten, dass Einzelhändler besorgt über KI-Kompetenzen sind, doch Branchenpanels stellten diese Sichtweise infrage, indem sie argumentierten, dass schlechte Datenqualität das grössere Problem sei. KI verstärkt die Qualität Ihrer Daten. Wenn Ihre Produkt-, Bestands- und Kundendaten inkonsistent sind, wird KI inkonsistente Ergebnisse produzieren. Bevor Einzelhändler stark in KI-Tools investieren, sollten sie sich auf Data Governance, Produktattribution und Systemkonsistenz konzentrieren.

Zu den Herausforderungen gehören hohe Implementierungskosten, fragmentierte Altsysteme, begrenzte interne Expertise und Unsicherheit bezüglich Governance und Ethik. Die Technologie ist selten die bindende Einschränkung. Die organisatorische Bereitschaft ist es.

Welche Datenfragen müssen Sie vor dem Start beantworten?

Die Datenbereitschaft bestimmt die KI-Leistung stärker als die Modellauswahl. Die folgenden sieben Fragen diagnostizieren, ob Ihre Dateninfrastruktur KI im grossen Massstab unterstützen kann.

1. Können Sie auf Transaktionsdaten in Echtzeit zugreifen? Wenn Produkt-, Bestands- und Verkaufsdaten in separaten Systemen mit Batch-Aktualisierungen vorliegen, arbeiten KI-Tools mit veralteten Informationen.
2. Sind Produktattribute standardisiert und vollständig? Fehlende Farbcodes, inkonsistente Grössenbezeichnungen und unvollständige Stoffbeschreibungen werden Empfehlungssysteme und Suche beeinträchtigen.
3. Haben Sie eine einzige Quelle der Wahrheit für Bestände? Wenn sich Bestandsdaten zwischen Ihrem Lagerverwaltungssystem, E-Commerce-Plattform und Verkaufsstelle unterscheiden, kann KI nicht genau zuordnen.
4. Können Sie die Herkunft Ihrer Daten zurückverfolgen? Zu wissen, woher jeder Datenpunkt stammt, wann er zuletzt aktualisiert wurde und welche Transformationen angewendet wurden, ist wesentlich für die Fehlersuche bei KI-Fehlern.
5. Sind Kundendaten über alle Kontaktpunkte hinweg vereinheitlicht? Wenn der Browserverlauf, die Kaufhistorie und der Treueprogrammstatus eines Käufers fragmentiert sind, können Personalisierungsmaschinen nicht funktionieren.
6. Haben Sie dokumentierte Datenqualitätskennzahlen? Ohne Basismessungen für Vollständigkeit, Genauigkeit und Konsistenz können Sie nicht beurteilen, ob KI die Datenqualität verbessert oder verschlechtert.
7. Können Daten in Formaten exportiert werden, die KI-Tools benötigen? Wenn Ihre Systeme nicht auf Anfrage CSV-, JSON- oder API-Feeds produzieren können, verlängern sich die Integrationszeiten erheblich.

Die Anwendungsfälle sind relativ einfach auf ein brauchbares Niveau zu bringen, aber sehr komplex, um Produktionsgenauigkeit zu erreichen. Die meisten Kunden, die zu KI-Anbietern kommen, haben etwas entwickelt, aber es funktioniert nicht auf einem ausreichend guten Niveau, um es auszurollen.

Wie bewerten Sie technische Kompetenzen und KI-Kenntnisse?

Die KI-Kompetenzlücke im Einzelhandel ist das Hindernis Nummer eins für die KI-Reife. 58 Prozent der Einzelhändler nennen sie, vor kulturellem Widerstand mit 57 Prozent und rechtlichen, Compliance- und Datenschutzbedenken mit 54 Prozent. Ein Bericht von Voyado und Retail Economics, basierend auf einer Umfrage unter mehr als 300 Einzelhandelsführungskräften in Grossbritannien, DACH und den nordischen Ländern, ergab, dass 58 Prozent der Einzelhändler eine interne Kompetenzlücke als ihr Haupthindernis nennen.

Sechs Fragen decken auf, ob Ihre Organisation die technische Fähigkeit hat, KI-Systeme einzusetzen und zu warten.

1. Hat Ihr IT-Team Erfahrung mit API-Integration? Die meisten KI-Tools erfordern Datenaustausch in Echtzeit über APIs. Wenn Ihr Team nur Batch-ETL-Prozesse verwaltet hat, ist die Lernkurve steil.
2. Können Mitarbeitende zwischen KI-generierten und menschlich verifizierten Ergebnissen unterscheiden? KI-Kenntnisse auf Geschäftsebene sind genauso wichtig wie technische Expertise. Merchandiser und Einkäufer müssen wissen, wann sie KI-Empfehlungen vertrauen und wann sie diese überstimmen sollten.
3. Haben Sie Personal, das Prompts schreiben und pflegen kann? Generative KI-Tools erfordern Prompt-Engineering. Ohne diese Fähigkeit verschlechtert sich die Ausgabequalität rasch.
4. Gibt es interne Kapazität zur Bewertung von Anbieterversprechen? Mode-KI-Anbieter zitieren oft Genauigkeitszahlen aus kontrollierten Benchmarks. Ihr Team muss in der Lage sein, Tests mit Ihren eigenen Daten zu replizieren.
5. Kann Ihr Team Modellleistungskennzahlen lesen und interpretieren? Präzision, Recall, F1-Scores und Konfidenzintervalle sind Standard-KI-Kennzahlen. Wenn Entscheidungsträger sie nicht interpretieren können, wird Aufsicht unmöglich.
6. Haben Sie einen Prozess für kontinuierliche Modellüberwachung? KI-Modelle verschlechtern sich mit der Zeit, während sich Produktkataloge und Kundenverhalten ändern. Sie benötigen zugewiesenes Personal, um die Leistung zu verfolgen und Neutraining auszulösen.

Erfolgreiche KI-Einführung beginnt damit, dass die Führung zuerst das Geschäftsproblem und erst danach die Technologie versteht. Das Panel erkannte, dass Führungsverständnis eine erhebliche Barriere für die KI-Einführung in Modeunternehmen darstellt. IT-Führungskräfte sollten kontinuierlich KI-Ressourcen und -Tools ausgesetzt werden, um starke Richtlinien entwickeln und implementieren zu können, bevor sie ihr Unternehmen mit KI befähigen.

Welche Plattform- und Infrastrukturfragen decken Lücken auf?

KI-Systeme erfordern technische Infrastruktur über die Standard-Einzelhandels-IT hinaus. Die folgenden sieben Fragen bewerten die Plattformbereitschaft.

1. Sind Ihre Kernsysteme cloudnativ oder vor Ort? Cloud-Plattformen wie Azure, AWS und Google Cloud sind die Standard-Bereitstellungsumgebung für KI. Wenn Sie ältere Systeme vor Ort betreiben, müssen Migrationskosten und -zeitpläne berücksichtigt werden.
2. Kann Ihre Infrastruktur erhöhte API-Aufrufvolumen bewältigen? KI-gestützte Personalisierung kann Tausende von API-Anfragen pro Minute generieren. Lasttests sind unerlässlich.
3. Haben Sie eine Entwicklungs- und Staging-Umgebung getrennt von der Produktion? Das Testen von KI-Tools in der Produktion birgt Risiken für Datenbeschädigung und Systemausfälle. Ordnungsgemässe Umgebungen sind nicht verhandelbar.
4. Ist Ihr Netzwerk so konfiguriert, dass es Drittanbieter-KI-Dienste zulässt? Firewalls und Sicherheitsrichtlinien blockieren oft die ausgehenden Verbindungen, die KI-Tools benötigen. Die IT-Sicherheit muss den Zugriff überprüfen und genehmigen.
5. Kann Ihre Plattform A/B-Tests im grossen Massstab unterstützen? KI-Verbesserungen müssen durch kontrollierte Experimente validiert werden. Ihre E-Commerce-Plattform muss Variantentests und statistische Analysen unterstützen.
6. Haben Sie automatisierte Backup- und Rollback-Verfahren? Wenn ein KI-System ausfällt, benötigen Sie die Fähigkeit, sofort zum vorherigen Zustand zurückzukehren.
7. Ist Ihre Infrastruktur konform mit Anforderungen zur Datenresidenz? Wenn Sie in der EU tätig sind, verlangt die DSGVO, dass bestimmte Daten innerhalb bestimmter geografischer Regionen bleiben. Cloud-Konfigurationen müssen dies widerspiegeln.

Levi Strauss hat zentrale IT-Workloads zu Microsoft Azure migriert und Microsoft Fabric, OneLake und über 1.000 KI-Agenten übernommen, um Reporting und Analysen zu modernisieren. Die Transformation unterstreicht die Bedeutung der Datenbereitschaft und agentischer KI für die Bereitstellung von Geschäftseinblicken in Echtzeit. Durch die Konsolidierung seiner digitalen Infrastruktur auf einer einzigen Cloud-Plattform beseitigte Levi's Datensilos, die lange Zeit Entscheidungen in Echtzeit behindert hatten.

Welche Change-Management-Fragen offenbaren organisatorische Bereitschaft?

Kompetenzen und Kultur sind eine Barriere, nicht zwei. Fähigkeit ohne Erlaubnis zu handeln stockt. Belegschaftskompetenzen ohne Kultur hinterlassen fähige Menschen in einer Organisation, die sie nicht experimentieren lässt. Kultur ohne Kompetenzen schafft Begeisterung ohne Richtung. Die 58 Prozent Kompetenzlücke und die 57 Prozent kultureller Widerstand in der Forschung sind keine konkurrierenden Erklärungen.

Fünf Fragen diagnostizieren, ob Ihre Organisation die betrieblichen Veränderungen aufnehmen kann, die KI auferlegen wird.

1. Haben Sie einen namentlich benannten leitenden Sponsor für KI-Initiativen identifiziert? KI-Projekte ohne Rechenschaftspflicht auf C-Level-Ebene treiben ab. Der Sponsor muss Budgetautorität und Entscheidungsrechte haben.
2. Sind betroffene Teams in Anbieterauswahl und Pilotdesign eingebunden? Merchandiser, Einkäufer und Planer, die KI-Tools täglich nutzen werden, müssen Input haben. Top-down-Mandate ohne Nutzer-Buy-in scheitern.
3. Haben Sie einen Prozess zur Dokumentation und Kommunikation von KI-Entscheidungen? Wenn eine KI-Empfehlung überstimmt wird, muss der Grund protokolliert werden. Diese Rückkopplungsschleife ist wesentlich für Modellverbesserung.
4. Können Sie geschützte Zeit für KI-Training und Einarbeitung zuweisen? Wenn von Mitarbeitenden erwartet wird, dass sie neue Tools zusätzlich zu bestehenden Verantwortlichkeiten erlernen, stockt die Einführung.
5. Gibt es einen definierten Eskalationspfad, wenn KI unerwartete Ergebnisse produziert? Benutzer müssen wissen, wen sie kontaktieren sollen, wenn ein KI-Tool einen Lagerbestand empfiehlt, der ihrem Urteil widerspricht. Ohne klare Eskalation erodiert das Vertrauen schnell.

Die effektivsten Transformationen balancieren schnelle Erfolge mit langfristiger Ambition aus, indem sie wertstarke Aufgaben mit relativ einfacherer Implementierung in Bereichen wie Marketing oder Backoffice-Funktionen anvisieren, während sie Gewinne reinvestieren, um Kern-Produkt- und kundenseitige Prozesse voranzubringen.

Wie hat LVMH KI-Bereitschaft über 75 Marken hinweg aufgebaut?

Der Luxusriese LVMH hat KI angenommen und arbeitet mit Google Cloud zusammen, um prädiktive, generative und agentische Tools über seine 75 Maison-Marken hinweg einzusetzen. KI unterstützt alles von Lieferketten und Preisgestaltung bis hin zu personalisiertem Service im Laden und kreativer Inspiration, wobei LVMHs MaIA-Agent monatlich über zwei Millionen Mitarbeiteranfragen bearbeitet.

Während viele Marken KI pilotieren, hat LVMH die letzten vier Jahre damit verbracht, die Grundlagen zu legen. In Partnerschaft mit Google Cloud hat es eine einzige Datenplattform aufgebaut, die alle 75 seiner Maisons verbindet. In den letzten vier Jahren hat LVMH mit Google Cloud zusammengearbeitet, um eine zentrale Datenplattform zu entwickeln, die prädiktive KI, generative KI und KI-Agenten unterstützt, während jedes Maison seine Unabhängigkeit bewahren kann.

MaIA ist LVMHs interner KI-Assistent, der von Googles Gemini, Imagen und GPT-Modellen angetrieben wird. Er bearbeitet derzeit über zwei Millionen Anfragen pro Monat bei 40.000 Mitarbeitenden. MaIA wird für Ideenfindung, Datenanfragen, Preismodelle, kreative Prompts und mehr verwendet. MaIA wurde mit Google Gemini, Imagen und OpenAIs GPT-Modellen entwickelt und bearbeitet nun monatlich über zwei Millionen interne Anfragen bei 40.000 Mitarbeitenden.

Der LVMH-Ansatz demonstriert drei Bereitschaftsprinzipien. Erstens, Infrastruktur vor Tools. Die Gruppe investierte in eine einheitliche Datenplattform über alle Marken hinweg, bevor sie KI-Anwendungen einsetzte. Zweitens, interne Einführung vor kundenseitigen Funktionen. MaIA bewies den KI-Wert für Mitarbeitende, bevor die Gruppe Verbraucheranwendungen skalierte. Drittens, Governance, die Markenautonomie innerhalb einer gemeinsamen technischen Grundlage erlaubt.

Welche Risiken und Grenzen haben Bereitschaftsrahmen?

Bereitschaftsbewertungen bergen drei strukturelle Risiken. Erstens können sie ein falsches Gefühl der Vorbereitung erzeugen. Fragen bejahend zu beantworten garantiert nicht die Umsetzungsfähigkeit. Ein Unternehmen kann saubere Daten haben, aber die organisatorische Disziplin fehlen, um auf KI-Erkenntnisse zu reagieren.

Zweitens können Bereitschaftsrahmen das Handeln verzögern. Führende Unternehmen nutzen KI, um manuelle Aufgaben wie Berichterstattung, Dokumentation und Vertragsprüfungen zu automatisieren. Sie reinvestieren diese Einsparungen in KI-Enabler, hochwertigere Daten und skalierbare KI-Infrastruktur. Das Ziel ist nicht, mehr auszugeben, sondern intelligenter. Auf perfekte Bereitschaft zu warten bedeutet, Boden an Wettbewerber abzugeben, die durch Handeln lernen.

Drittens privilegieren Checklisten bekannte Variablen gegenüber aufkommenden. Einzelhändler sind völlig unvorbereitet auf den Wandel zu autonomer agentischer KI, besonders auf Einzelhandelsebene. Es gibt jedoch einen Mangel an Klarheit und reifen Standards darüber, wie agentische KI mit solchen Systemen interagieren wird, da viele Einzelhandelsdatensätze noch nicht modernisiert sind. Neue KI-Fähigkeiten erscheinen schneller, als Governance-Rahmen sie einbeziehen können.

Der Wettbewerb von Big Tech um KI-Talente treibt Kosten in die Höhe und begrenzt die Verfügbarkeit für Modeakteure. Kleinere Marken stehen vor einem sich verstärkenden Nachteil. Sie haben weniger Ressourcen, um in Dateninfrastruktur zu investieren, weniger Verhandlungsmacht bei Technologieanbietern und dünnere Margen, um Experimentierkosten zu absorbieren. Der Aufbau robuster KI-Infrastruktur kann auch für kleinere Labels unerreichbar sein, was die Kluft zwischen Branchenriesen und unabhängigen Kreativen potenziell vergrössert.

Eine weitere Einschränkung ist regulatorische Unsicherheit. Personalisierungsfunktionen und virtuelle Anproben können Verbraucherdaten einschliessen, einschliesslich biometrischer Identifikatoren. Modeunternehmen müssen Datenminimierungspraktiken, angemessene Sicherheitsvorkehrungen, klare Datenschutzerklärungen und Einwilligungsmechanismen implementieren, die mit den geltenden Gesetzen übereinstimmen. Anbieterauswahl und Vertragsgestaltung sollten die Herkunft von Trainingsdaten, zulässige kommerzielle Nutzungen, Sicherheitsanforderungen und Haftungsfreistellungen für Ansprüche auf geistiges Eigentum adressieren. Compliance-Anforderungen ändern sich schneller als IT-Roadmaps.

Was sollten Modeunternehmen jetzt tun?

Die folgenden sieben Schritte bieten eine praktische Umsetzungssequenz, die Massnahmen priorisiert, die Lücken frühzeitig aufdecken und grundlegende Fähigkeiten aufbauen, bevor Investitionen skaliert werden.

1. Prüfen Sie zuerst die Dateninfrastruktur. Bevor Sie KI-Anbieter evaluieren, beauftragen Sie ein internes Audit Ihrer Datenqualität, Vollständigkeit und Zugänglichkeit. Identifizieren Sie die grösste einzelne Datenlücke und weisen Sie Budget zu, um sie zu beheben. Beginnen Sie nicht mit KI-Einführung. Beginnen Sie mit sauberen, strukturierten und zugänglichen Daten.
2. Ernennen Sie einen bereichsübergreifenden KI-Leiter. Diese Rolle muss Autorität über IT, Merchandising und Betrieb haben. Die Verantwortung des Leiters besteht darin, Anwendungsfälle zu definieren, Anbieterbeziehungen zu managen und ROI zu verfolgen. Erfolgreiche KI-Einführung beginnt damit, dass die Führung zuerst das Geschäftsproblem und erst danach die Technologie versteht.
3. Führen Sie ein 90-Tage-Diagnosepilotprojekt durch. Wählen Sie einen wertstarken Anwendungsfall mit geringer Komplexität wie automatisierte Produktverschlagwortung oder E-Mail-Betreffzeilengenerierung. Das Ziel ist nicht zu beweisen, dass KI funktioniert, sondern Integrationsreibung, Datenlücken und Kompetenzdefizite aufzudecken. Dokumentieren Sie jedes auftretende Hindernis.
4. Etablieren Sie Governance vor dem Skalieren. Ein erheblicher Teil der Branchendiskussion konzentrierte sich auf Governance und Datenschutz und betonte, dass sich Governance über Mitarbeitende hinaus auf Technologiepartner und Anbieter erstrecken sollte. Empfehlungen umfassten die Erstellung unternehmensweiter KI-Richtlinien, die Definition akzeptabler KI-Anwendungsfälle, Einschränkungen dessen, was Mitarbeitende hochladen können, Überprüfung von Anbieterverträgen und Sicherstellung, dass Drittanbieter-Technologieanbieter mit KI-Richtlinien übereinstimmen.
5. Investieren Sie in grundlegendes Training. IDC prognostiziert, dass bis 2028 die Hälfte der grossen Einzelhändler fortschrittliche Tools einsetzen wird, um die digitale und KI-Kompetenzlücke zu schliessen. Die Transformation der Belegschaft wird zu einem bestimmenden Faktor im Einzelhandel. Die Einzelhandelsbelegschaft wird Autonomie und Vertrauensbildung als Schlüsselfaktor benötigen, um Vorteile durch KI zu entdecken und zu liefern. Weisen Sie geschützte Zeit für Training zu, nicht optionale Lunch-and-Learn-Sitzungen.
6. Bauen Sie Anbieterverantwortlichkeit in Verträge ein. Spezifizieren Sie Dateneigentum, Häufigkeit des Modellneutrainings, Leistungsgarantien und Ausstiegsbedingungen. Anbieterauswahl und Vertragsgestaltung sollten die Herkunft von Trainingsdaten, zulässige kommerzielle Nutzungen, Sicherheitsanforderungen und Haftungsfreistellungen für Ansprüche auf geistiges Eigentum adressieren.
7. Messen Sie Piloterfolg an betrieblichen, nicht an Demo-Kennzahlen. Passform-Empfehlungen erhielten erhebliche Finanzierung, lieferten aber den geringsten Wert. Erste Fit-Tech versprach eine 30 bis 40 Prozent Reduktion von Retouren. Die meisten Implementierungen erreichten 2 bis 8 Prozent. Bestehen Sie auf Ergebnissen, die in Ihrer eigenen Umgebung, mit Ihren eigenen Daten, über einen anhaltenden Zeitraum gemessen werden.

Wie wissen Sie, ob Sie bereit sind zu investieren?

Bereitschaft ist nicht binär. Keine Organisation wird alle 25 Fragen bejahend beantworten. Der Wert der Bewertung liegt in der Priorisierung. Wenn Sie nicht auf Echtzeit-Bestandsdaten zugreifen können, wird keine Menge an technischer Kompetenz oder Change Management die Bedarfsprognose-KI effektiv machen. Wenn Ihren Teams die Prompt-Engineering-Fähigkeit fehlt, werden generative Content-Tools unabhängig von der Datenqualität unterdurchschnittlich abschneiden.

Drei Bedingungen zeigen Bereitschaft an, von der Bewertung zum Pilotprojekt überzugehen. Erstens, Sie haben Ihr grösstes einzelnes Datenqualitätsproblem identifiziert und behoben. Zweitens, Sie haben einen namentlich benannten leitenden Sponsor mit Budgetautorität gesichert. Drittens, Sie haben ein spezifisches Geschäftsproblem definiert, dessen aktuelle Kosten gemessen und eine Schwelle für akzeptable KI-Verbesserung festgelegt.

Levi's lancierte im November 2025 ein Outfitting-KI-Tool, das personalisierte Stilempfehlungen über seine App liefert, und kündigte eine Super-Agent-Plattform an, die mit Microsoft entwickelt wurde und agentische KI über Azure und Teams in Unternehmensworkflows integriert. Wenn ein 173 Jahre altes Denim-Unternehmen agentische Systeme einsetzt, um Workflows zu managen, Outfits zu empfehlen und Kundengespräche zu führen und dann öffentlich diesen Systemen zweistelliges E-Commerce-Wachstum zuschreibt, validiert das den kommerziellen Fall für Implementierung im grossen Massstab.

Die Unternehmen, die mit KI in der Mode erfolgreich sind, teilen ein gemeinsames Muster. Sie priorisierten Infrastruktur über Funktionen, interne Einführung über kundenseitige Anwendungen und betriebliche Disziplin über technologische Neuheit. Franck Le Moal, LVMHs Group IT Director, erklärte, dass Technologie obligatorisch ist, um supereffizient zu werden und gleichzeitig den Geist und die Essenz von Luxus zu bewahren. Dies ist das Paradoxon, das KI hilft aufzulösen.

Die Bewertungsfragen in diesem Artikel sind diagnostisch, nicht präskriptiv. Sie decken Lücken auf, spezifizieren aber keine Lösungen. Der nächste Schritt besteht darin, identifizierte Lücken nach Auswirkung und Adressierbarkeit zu ordnen und dann entsprechend Ressourcen zuzuweisen. Bei turbulenten Bedingungen einschliesslich volatiler Inputkosten, Lieferkettenstörungen und langsamem Wachstum, die das Wirtschaftsmodell der Mode belasten, wandelt sich KI von einem Wettbewerbsvorteil zu einer geschäftlichen Notwendigkeit. Bereitschaft ist nicht länger optional.