KI im Modeunternehmen einführen: ein 90-Tage-Plan
Ein praxisnaher Dreimonatsplan für Modeunternehmen: die ersten Anwendungsfälle auswählen, die Daten prüfen, ein aussagekräftiges Pilotprojekt durchführen und entscheiden, was skaliert wird.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Ein Modeunternehmen kann in rund 90 Tagen von der ersten Diskussion zu einem getesteten KI-Pilotprojekt gelangen, wenn es sich auf zwei oder drei Anwendungsfälle mit klarer fachlicher Verantwortung und messbarem Ergebnis beschränkt.
- Die NANDA-Initiative des MIT berichtete 2025, dass rund 95 Prozent der untersuchten Pilotprojekte mit generativer KI kaum oder keinen messbaren Effekt auf die Gewinn- und Verlustrechnung hatten, vor allem weil die Tools nicht in reale Arbeitsabläufe integriert waren.
- Gartner prognostiziert, dass Organisationen bis 2026 60 Prozent der KI-Projekte aufgeben werden, die nicht auf KI-fähigen Daten beruhen; eine Datenprüfung gehört deshalb in den ersten Monat.
- In der McKinsey-Umfrage State of AI 2026 gaben fast drei Viertel der KI-Spitzenreiter an, ihre Arbeitsabläufe grundlegend umgestaltet zu haben; Pilotprojekte sollten also Prozesse verändern und nicht nur ein Tool hinzufügen.
- Eine grundlegende Governance ab dem ersten Tag, etwa ein Verzeichnis der KI-Tools, Regeln für Kundendaten und Schulungen für Mitarbeitende, vermeidet teure Nacharbeit und unterstützt die Pflichten nach dem EU AI Act.
Der beste Weg, in einem Modeunternehmen mit KI zu beginnen, besteht darin, zwei oder drei konkrete Geschäftsprobleme auszuwählen, zu prüfen, ob die dafür nötigen Daten vorhanden sind, und ein kurzes, gemessenes Pilotprojekt gegen eine Kontrollgruppe durchzuführen. Neunzig Tage reichen aus, um herauszufinden, ob ein Anwendungsfall in der eigenen Organisation funktioniert, vorausgesetzt, der Umfang bleibt eng und jemand im Fachbereich verantwortet das Ergebnis.
Der folgende Plan richtet sich an Marken und Händler ohne grosses Data-Science-Team. Er setzt einen Sponsor im oberen Management, eine kleine Arbeitsgruppe und ein überschaubares Budget voraus und verzichtet bewusst darauf, eine grosse Plattform zu kaufen, bevor das Unternehmen weiss, was es braucht.
Warum verlaufen so viele KI-Starts im Sand?
Viele Unternehmen beginnen mit Begeisterung und enden mit einer Sammlung unverbundener Experimente. Die NANDA-Initiative des MIT stellte in ihrem Bericht The GenAI Divide von 2025 fest, dass rund 95 Prozent der untersuchten Pilotprojekte mit generativer KI kaum oder keinen messbaren Effekt auf die Gewinn- und Verlustrechnung hatten, wie Fortune berichtete. Die Forschenden führten dies weniger auf die Qualität der Modelle zurück als auf eine Lernlücke: Generische Tools wurden nicht an spezifische Arbeitsabläufe angepasst und verbesserten sich durch die Nutzung nicht.
Daten sind die zweite häufige Schwachstelle. Gartner prognostiziert, dass Organisationen bis 2026 60 Prozent der KI-Projekte aufgeben werden, die nicht auf KI-fähigen Daten beruhen, und laut einer Gartner-Umfrage von 2024 fehlten 63 Prozent der Organisationen die richtigen Datenmanagement-Praktiken für KI, oder sie waren unsicher, ob sie darüber verfügen. Ein 90-Tage-Plan, der die Daten ignoriert, dürfte im zweiten Monat scheitern.
Was sollte an den Tagen 1 bis 30 passieren?
Im ersten Monat geht es um die richtige Auswahl. Sammeln Sie mögliche Anwendungsfälle aus dem Fachbereich, nicht von Anbietern, und bewerten Sie sie nach Nutzen, Machbarkeit und Datenreife. Gute erste Kandidaten in der Mode haben drei Merkmale gemeinsam: Sie wiederholen sich häufig, haben einen klaren Erfolgsmassstab, und die Daten liegen bereits in einem oder zwei Systemen.
| Anwendungsfall | Erfolgsmassstab | Benötigte Daten | Typische Reife |
|---|---|---|---|
| Produktbeschreibungen generieren und übersetzen | Zeit bis zur Veröffentlichung, Fehlerquote, Conversion | Produktattribute, Materialzusammensetzung, Bilder | Hoch, wenn Attribute strukturiert sind |
| Interner Assistent für Produkt- und Richtlinienfragen | Zeitersparnis pro Anfrage, Nutzungsgrad | Handbücher, Richtlinien, Produktdaten | Mittel, abhängig von der Dokumentqualität |
| Vorschläge für Grössenverteilung oder Nachschub | Fehlbestände, Überbestände | Verkäufe nach Grösse und Standort, Bestände | Mittel, oft begrenzt durch fehlende Daten zu entgangenen Verkäufen |
| Entwürfe für Kundenservice-Antworten | Bearbeitungszeit, Kundenzufriedenheit | Frühere Tickets, Auftrags- und Retourendaten | Mittel bis hoch |
| Auftragserfassung aus E-Mails und PDFs | Manuelle Minuten pro Auftrag, Fehlerquote | Beispielaufträge, Produktstammdaten | Hoch bei wiederkehrenden Formaten |
Bis Tag 30 sollte das Unternehmen seine Anwendungsfälle ausgewählt, für jeden eine fachlich verantwortliche Person benannt, die Ausgangsbasis festgehalten (zum Beispiel, wie viele Minuten es derzeit dauert, ein Produkt zu veröffentlichen) und die Daten in einem kurzen, praktischen Audit statt in einem langen Bericht geprüft haben.
Wie sollten die Tage 31 bis 60 für ein Pilotprojekt genutzt werden?
Der zweite Monat ist das Pilotprojekt selbst. Halten Sie es klein und vergleichbar: eine Kategorie, ein Markt, ein Team oder eine Auswahl an Filialen, dazu eine ähnliche Gruppe, die als Kontrollgruppe weiter wie bisher arbeitet. Vereinbaren Sie im Voraus, welches Ergebnis eine Skalierung rechtfertigen würde und welches einen Abbruch bedeuten würde.
- Bereiten Sie die Daten nur für den gewählten Umfang auf und dokumentieren Sie jede Korrektur, denn diese Liste wird zu Ihrem Backlog für Datenverbesserungen.
- Konfigurieren oder kaufen Sie das Tool und binden Sie es an die Systeme an, in denen die Mitarbeitenden tatsächlich arbeiten, statt sie kopieren und einfügen zu lassen.
- Schulen Sie die Nutzerinnen und Nutzer in einer kurzen Session dazu, wie das Tool funktioniert, wo es versagt und wann sie eskalieren sollten.
- Messen Sie wöchentlich gegen die Ausgangsbasis und die Kontrollgruppe, einschliesslich der Zeit, die für die Prüfung der KI-Ergebnisse aufgewendet wird.
- Sammeln Sie qualitatives Feedback der Nutzenden, denn Akzeptanzprobleme zeigen sich meist zuerst dort.
Die Prüfung durch Menschen sollte fester Bestandteil des Pilotprojekts sein. Eine Produktbeschreibung, die eine Faserzusammensetzung erfindet, ist ein Compliance-Problem, und ein Nachschubvorschlag, der einen Filialumbau ignoriert, kostet Geld. Die Prüfquote lässt sich später senken, sobald die Fehlerraten bekannt sind.
Wie entscheiden Sie an den Tagen 61 bis 90, was skaliert wird?
Der dritte Monat verbindet die abschliessende Messung mit einer Entscheidung. Vergleichen Sie das Pilotprojekt mit der Ausgangsbasis und der Kontrollgruppe, berechnen Sie die Gesamtkosten einschliesslich Lizenzen, Integration, Prüfzeit und Schulung und entscheiden Sie, ob Sie skalieren, anpassen oder stoppen. Ein Pilotprojekt zu stoppen, das nicht funktioniert, ist ein gutes Ergebnis: Es spart Geld und die Organisation lernt etwas.
Skalieren bedeutet meist, den Arbeitsablauf zu verändern, nicht nur das Tool breiter auszurollen. In der McKinsey-Umfrage State of AI 2026 gaben fast drei Viertel der Spitzenreiter, also der 6 Prozent der Befragten, die mindestens 5 Prozent ihres EBIT auf KI zurückführen, an, ihre Arbeitsabläufe wegen KI grundlegend umgestaltet zu haben. Für ein Modeunternehmen kann das heissen, dass Texterinnen und Texter zu Redaktoren generierter Texte werden oder dass Planerinnen und Planer Ausnahmen prüfen, statt jede Prognose von Hand zu erstellen.
Welche Governance brauchen Sie ab dem ersten Tag?
Governance muss zu Beginn nicht aufwendig sein, aber sie muss vorhanden sein. Ein einfaches Verzeichnis, welche KI-Tools von wem und mit welchen Daten genutzt werden, verhindert Überraschungen. Regeln für Kunden- und Mitarbeiterdaten, für die Kennzeichnung generierter Bilder und für die Prüfung von Ergebnissen vor der Veröffentlichung decken die meisten frühen Risiken ab.
In der EU gilt die Bestimmung des AI Act zur KI-Kompetenz seit dem 2. Februar 2025. Nach dem im Juli 2026 veröffentlichten AI Omnibus verpflichtet sie Anbieter und Betreiber laut dem Future of Privacy Forum, die Entwicklung von KI-Kompetenz zu unterstützen, statt ein bestimmtes Niveau zu garantieren. Kurze, rollenspezifische Schulungen für die Nutzenden im Pilotprojekt sind ein praktischer Weg, dieser Erwartung gerecht zu werden. Rahmenwerke wie das freiwillige NIST AI Risk Management Framework, das nach den Funktionen Govern, Map, Measure und Manage gegliedert ist, können eine Struktur bieten, wenn das Programm wächst.
Welche Fehler sollte ein Modeunternehmen beim Einstieg in KI vermeiden?
- Mit einer Technologie oder einer Anbieterdemo zu beginnen statt mit einem Geschäftsproblem.
- Pilotprojekte ohne Ausgangsbasis oder Kontrollgruppe durchzuführen, sodass sich die Ergebnisse nicht beurteilen lassen.
- Die Kräfte auf zehn Anwendungsfälle zu verteilen, statt zwei abzuschliessen.
- Bei der Berechnung von Einsparungen die Zeit zu ignorieren, die Mitarbeitende für die Prüfung von KI-Ergebnissen aufwenden.
- IT, Rechtsabteilung und Betriebsrat bis zum Schluss aussen vor zu lassen, wenn ihre Bedenken einen Rollout stoppen können.
- Lange Plattformverträge zu unterschreiben, bevor das Unternehmen weiss, welche Anwendungsfälle funktionieren.
Nach 90 Tagen sollte das Unternehmen über einen oder zwei bewährte Anwendungsfälle, eine realistische Sicht auf seine Datenlücken und ein kleines Team verfügen, das weiss, wie das nächste Pilotprojekt durchzuführen ist. Das ist ein wertvollerer Ausgangspunkt als ein ambitioniertes Strategiepapier, hinter dem nichts Getestetes steht.
Häufige Fragen
Wie lange dauert die Einführung von KI in einem Modeunternehmen?
Ein fokussiertes Pilotprojekt lässt sich in rund 90 Tagen planen, durchführen und auswerten. Einen erfolgreichen Anwendungsfall auf Kategorien, Märkte oder Teams auszuweiten, dauert meist länger, weil Integration, Datenbereinigung und Änderungen an Arbeitsabläufen nötig sind. Grosse Programme setzen sich aus einer Reihe solcher Pilotprojekte zusammen.
Was ist das beste erste KI-Projekt für eine Modemarke?
Gute erste Projekte wiederholen sich häufig, haben einen klaren Erfolgsmassstab und nutzen Daten, die bereits in einem oder zwei Systemen vorliegen. Das Generieren von Produktbeschreibungen, die Auftragserfassung aus E-Mails und Entwürfe für Kundenservice-Antworten sind gängige Beispiele. Die richtige Wahl hängt davon ab, wo Ihr Unternehmen am meisten Zeit oder Geld verliert.
Brauchen wir für den Einstieg in KI einen Data Scientist?
Für die ersten Pilotprojekte nicht unbedingt. Viele frühe Anwendungsfälle beruhen auf gekauften Tools oder konfigurierten Sprachmodellen, und die entscheidenden Fähigkeiten sind Prozesswissen, Datenpflege und eine klare Messung. Spezialwissen wird wichtiger, wenn Sie Modelle auf Ihren eigenen Daten aufbauen, etwa für Prognosen.
Was kostet ein KI-Pilotprojekt?
Es gibt keine verlässliche Branchenzahl, weil die Kosten je nach Umfang und Tools variieren. Ein Business Case sollte Lizenz- oder Nutzungsgebühren, Integrationsaufwand, Datenaufbereitung, die Zeit für die Prüfung von Ergebnissen und Schulungen umfassen. Wer nur Lizenzkosten zählt, unterschätzt die tatsächliche Investition meist.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
