Wie viel könnte generative KI laut McKinsey bis 2030 zum Gewinn der Modebranche beitragen?

McKinseys jüngste Prognose deutet darauf hin, dass generative KI zwischen 150 und 275 Milliarden US-Dollar an zusätzlichem Betriebsgewinn für die globale Modebranche bis 2030 erschliessen könnte, eine Zahl, die etwa 10 bis 18 Prozent des gesamten Betriebsgewinnpools des Sektors entspricht. Die grosse Spanne spiegelt die Unsicherheit bezüglich Akzeptanzraten, Integrationstiefe und der Frage wider, ob Unternehmen von Pilotprojekten zu unternehmensweiten Implementierungen in den Bereichen Design, Lieferkette, Marketing und Betrieb übergehen können.

Woher stammt die Schätzung von 150 bis 275 Milliarden US-Dollar?

McKinseys Analyse baut auf branchenweiten Rentabilitätsdaten auf und wendet Produktivitätsgewinne an, die bei frühen Implementierungen generativer KI beobachtet wurden. Die Unternehmensberatung hat zuvor geschätzt, dass generative KI branchenübergreifend weltweit einen jährlichen Wert von 2,6 bis 4,4 Billionen US-Dollar schaffen könnte, wobei Einzelhandel und Konsumgüter zu den Sektoren mit dem höchsten potenziellen Einfluss gehören. Mode liegt in diesem Bereich, profitiert von hohen Mengen an Content-Erstellung, komplexen Sortimenten und fragmentierten Kundenkontaktpunkten.

Das untere Ende der Spanne setzt eine bescheidene Akzeptanz voraus, bei der generative KI bestehende Prozesse unterstützt, ohne die Arbeitsabläufe grundlegend zu verändern. Die obere Schätzung erfordert, dass Unternehmen KI in zentrale Entscheidungsprozesse einbetten, Arbeitskräfte umschulen und in saubere, integrierte Datensysteme investieren, die Produktentwicklung, Lagerbestand und Kundenbindung umspannen.

Welche Hauptanwendungsfälle treiben den Wert voran?

McKinsey unterteilt die Chance in vier funktionale Bereiche, jeder mit unterschiedlichen Anwendungen und Reifegraden.

• Design und Produktentwicklung: Generative KI kann Designvarianten erstellen, Trendzyklen aus Social-Media- und Laufstegdaten vorhersagen und die Erstellung technischer Datenblätter automatisieren. Frühe Pilotprojekte zeigen das Potenzial, Designzyklen um Wochen zu verkürzen und Musterproduktionskosten zu senken.
• Lieferkette und Merchandising: Nachfrageprognosemodelle, die Echtzeitverkäufe, Wetter- und Social-Sentiment-Daten aufnehmen, können die Lagerzuteilung verbessern und Preisreduzierungen verringern. KI-gestützte Planungstools können auch die Sortimentsplanung und Nachbestellung optimieren.
• Marketing und Personalisierung: Automatisierte Content-Generierung für Produktbeschreibungen, Bildvarianten für A/B-Tests und hyperpersonalisierte Empfehlungen in grossem Massstab gehören zu den Anwendungen mit der höchsten Zugkraft. Kundenservice-Chatbots, die von grossen Sprachmodellen betrieben werden, können Rücksendungen, Grössenanfragen und Stilberatung übernehmen.
• Betrieb und Backoffice: Vertragsanalyse, Lieferantenkommunikation und Compliance-Dokumentation können durch generative KI beschleunigt werden, wodurch Verwaltungsaufwand reduziert und Kapazitäten für strategische Arbeit freigesetzt werden.

Marketing- und kundenorientierte Funktionen sind am weitesten fortgeschritten, wobei Unternehmen bereits generative KI-Tools für E-Mail-Kampagnen, Produktfotografie-Varianten und Conversational Commerce einsetzen. Lieferkettenanwendungen erfordern zwar potenziell einen höheren Wert, benötigen jedoch eine tiefere Datenintegration und längere Validierungszyklen.

Welche Bedingungen müssen für das obere Ende der Spanne erfüllt sein?

Das Erreichen von 275 Milliarden US-Dollar an zusätzlichem Gewinn hängt von mehreren Faktoren ab, die keineswegs garantiert sind. Erstens müssen Unternehmen über isolierte Experimente hinausgehen und generative KI in Unternehmenssysteme, Produktlebenszyklusmanagement und Kundendatenplattformen integrieren. Dies erfordert erhebliche Kapitalausgaben und organisatorische Veränderungen, über die viele Marken im mittleren Marktsegment nicht verfügen.

Zweitens bleiben Datenqualität und -verfügbarkeit anhaltende Hindernisse. Generative KI-Modelle, die auf unvollständigen oder isolierten Daten trainiert wurden, liefern unzuverlässige Ergebnisse, untergraben das Vertrauen und verlangsamen die Akzeptanz. Modeunternehmen mit fragmentierten Systemen, insbesondere solche, die auf Grosshandelspartner oder Drittanbieter-Hersteller angewiesen sind, stehen vor strukturellen Herausforderungen bei der Aggregation der für fortgeschrittene Anwendungen benötigten Daten.

Drittens ist die Bereitschaft der Arbeitskräfte entscheidend. McKinseys obere Schätzungen setzen voraus, dass Designer, Merchandiser und Marketing-Fachleute effektiv mit KI-Tools zusammenarbeiten können, was Schulung, kulturelle Veränderungen und neue Leistungskennzahlen erfordert. Widerstand gegen Automatisierung, insbesondere in kreativen Rollen, könnte die Einführung verlangsamen.

Schliesslich könnten regulatorische Entwicklungen im Bereich Datenschutz, algorithmische Transparenz und geistige Eigentumsrechte bestimmte Anwendungsfälle einschränken, insbesondere bei Kunden-Profiling und automatisierter Content-Erstellung. Das KI-Gesetz der Europäischen Union, das ab 2024 schrittweise in Kraft trat, legt Verpflichtungen für KI-Hochrisikosysteme fest, die sich auf Implementierungsfristen und Compliance-Kosten auswirken können.

Wie reagieren Modeunternehmen bisher?

Die Akzeptanz bleibt uneinheitlich. Grössere Konzerne mit dedizierten Technologieteams führen strukturierte Pilotprojekte durch, während kleinere Marken auf Drittanbieter-Plattformen setzen, die generative KI-Funktionen in E-Commerce- oder Design-Software einbetten. Nachweise für einen messbaren Return on Investment in grossem Massstab sind noch spärlich, wobei sich die meisten öffentlichen Aussagen auf Effizienzgewinne bei eng definierten Aufgaben konzentrieren, anstatt auf Margenerweiterung.

Einige Unternehmen haben Partnerschaften mit Technologieanbietern angekündigt, um generative KI für Trendprognosen und virtuelle Produktprototypen zu testen, aber nur wenige haben finanzielle Auswirkungen offengelegt. Die Lücke zwischen Piloterfolg und unternehmensweiter Integration bleibt gross, und viele Organisationen definieren noch immer Governance-Rahmenwerke für den verantwortungsvollen Einsatz von KI.

Welche Risiken birgt eine Überschätzung der Chance?

McKinseys Spanne ist bewusst breit gehalten und spiegelt echte Unsicherheit wider. Historische Muster bei der Technologieakzeptanz deuten darauf hin, dass frühe Prognosen oft die Geschwindigkeit überschätzen und die Reibung unterschätzen. Die strukturelle Komplexität der Modebranche, saisonale Volatilität und die Abhängigkeit von menschlicher Kreativität und Geschmack könnten die Anwendbarkeit von Automatisierung im Vergleich zu Sektoren mit standardisierteren Prozessen einschränken.

Es besteht auch das Risiko, dass Produktivitätsgewinne eher von Technologieanbietern als von Modeunternehmen erfasst werden, insbesondere wenn die Lizenzkosten für fortgeschrittene Modelle steigen oder wenn Wettbewerbsdruck Marken zwingt, Einsparungen durch niedrigere Preise an Konsumenten weiterzugeben. Wenn mehrere Akteure ähnliche generative KI-Tools einsetzen, schwindet zudem die Differenzierung und der inkrementelle Margenvorteil schrumpft.

Die nächsten 18 bis 24 Monate werden klären, ob das obere Ende von McKinseys Spanne erreichbar ist oder ob sich die Branche näher an der Untergrenze einpendelt. Vorerst dient die Schätzung mehr als Rahmen für strategische Planung denn als Prognose, und Führungskräfte sollten sich darauf konzentrieren, die grundlegenden Fähigkeiten aufzubauen, die erforderlich sind, um in welchem Szenario auch immer Wert zu schaffen.