KI in der Modebranche: 50 Fragen und Antworten

KI in der Modebranche bezeichnet den Einsatz von Software, die aus Daten lernt, um Aufgaben entlang der gesamten Wertschöpfungskette zu unterstützen, von Trendanalyse und Design über Bedarfsprognosen, Preisgestaltung, Marketing und Kundenservice bis zur Retourenabwicklung. Dazu gehören seit Langem etablierte Verfahren des Machine Learning, etwa Prognose- und Empfehlungsmodelle, sowie neuere generative KI, die Texte, Bilder und Code erzeugt.

Traditionelle oder prädiktive KI analysiert vorhandene Daten, um zu klassifizieren, zu prognostizieren oder zu empfehlen, etwa um vorherzusagen, wie viele Einheiten eines Modells verkauft werden. Generative KI erzeugt auf Basis eines Prompts neue Inhalte wie Produktbeschreibungen, Kampagnenbilder oder Designvarianten. Die meisten Modeunternehmen nutzen beides, oft im selben Arbeitsablauf.

Agentische KI (Agentic AI) bezeichnet Systeme, die mehrstufige Aufgaben mit einer gewissen Autonomie planen und ausführen können, etwa Produkte recherchieren, Optionen vergleichen und einen Kauf abschliessen. Für die Modebranche eröffnet dies die Aussicht, dass KI-Agenten im Auftrag von Konsumentinnen und Konsumenten einkaufen und für Unternehmen Routinearbeiten wie die Auftragsabwicklung übernehmen. McKinsey schätzte 2025, dass Agentic Commerce bis 2030 bis zu 1 Billion US-Dollar des B2C-Detailhandelsumsatzes in den USA abwickeln könnte; dies ist eine Prognose über alle Detailhandelskategorien hinweg.

Die Nutzung ist weit verbreitet, aber ungleich verteilt. Im BoF-McKinsey-Bericht State of Fashion 2026 gaben mehr als 35% der Führungskräfte an, dass ihre Unternehmen generative KI bereits in Bereichen wie Kundenservice, Bilderstellung und Texterstellung einsetzen. Branchenübergreifend stellte Eurostat fest, dass 2025 19,95% der Unternehmen in der EU mit 10 oder mehr Beschäftigten KI nutzten.

Häufige Hindernisse sind fragmentierte oder qualitativ mangelhafte Produkt- und Kundendaten, Altsysteme, unklare Verantwortlichkeiten für Business Cases und fehlendes internes Fachwissen. Bei Unternehmen in der EU, die KI in Betracht gezogen, aber nicht eingeführt hatten, war fehlendes Fachwissen 2025 mit 70,89% das am häufigsten genannte Hindernis. Die Skalierung erfordert zudem Prozessanpassungen und Schulungen der Mitarbeitenden, nicht nur Technologie.

Nein, auch wenn grosse Unternehmen sie schneller einführen: Laut Eurostat nutzten 2025 55,03% der grossen Unternehmen in der EU KI, gegenüber 17% der kleinen. Standardtools für Texterstellung, Bildbearbeitung, Übersetzung und Kundenservice haben die Einstiegskosten für kleinere Marken und Händler gesenkt. Die wichtigsten Einschränkungen für kleinere Unternehmen sind eher Datenqualität, Kompetenzen und Zeit als Lizenzkosten.

Designerinnen und Designer nutzen generative KI, um Moodboards, Colourways, Prints und Silhouettenvarianten schnell zu erkunden und Ideen vor dem Sampling zu visualisieren. KI wird zudem eingesetzt, um vergangene Verkäufe und Trendsignale zu analysieren und so die Sortimentsgestaltung zu unterstützen. Die meisten Unternehmen behandeln diese Ergebnisse als Ausgangspunkte, die Designerinnen und Designer weiterentwickeln, nicht als fertige Entwürfe.

Die aktuelle Evidenz deutet darauf hin, dass KI die Designarbeit verändert, statt Designerinnen und Designer zu ersetzen. Generative Tools beschleunigen Ideenfindung und Visualisierung, doch die Urteile zu Markenidentität, Passform, Materialien, Kosten und Produzierbarkeit liegen weiterhin bei Menschen. Die grössere Veränderung betrifft die benötigten Kompetenzen: Von Designerinnen und Designern wird zunehmend erwartet, KI-Ergebnisse zu steuern und zu bearbeiten.

Das hängt von der Rechtsordnung und vom Umfang des menschlichen kreativen Beitrags ab. Das US Copyright Office hat erklärt, dass rein von KI generiertes Material ohne ausreichende menschliche Urheberschaft nicht geschützt ist, und das EU-Urheberrecht verlangt grundsätzlich, dass ein Werk eine eigene geistige Schöpfung seines Urhebers ist. Marken sollten menschliche Beiträge dokumentieren und rechtlichen Rat einholen, bevor sie sich auf den Schutz KI-gestützter Designs verlassen.

Ja, 3D-Design und KI-generierte Visualisierungen können einen Teil der physischen Muster ersetzen, insbesondere in der frühen Entwicklung sowie für interne Reviews oder Wholesale-Vorschauen. Das kann Vorlaufzeiten, Versand und Materialabfall reduzieren. Physische Muster werden aber weiterhin breit eingesetzt, um Passform, Griff und Qualität vor der Produktion zu prüfen.

KI-Tools analysieren grosse Mengen an Signalen wie Bilder aus sozialen Medien, Suchanfragen, Laufstegberichterstattung und Verkaufsdaten, um aufkommende Farben, Stile und Produktmerkmale zu erkennen. Sie können Verschiebungen schneller erkennen als manuelle Recherche, doch die Ergebnisse hängen von den verwendeten Datenquellen ab und müssen von Merchandisern und Designern interpretiert werden. Prognosen sind Wahrscheinlichkeiten, keine Gewissheiten.

Die Hauptrisiken sind unbeabsichtigte Ähnlichkeiten mit bestehenden geschützten Designs, unklare Rechte an den Ergebnissen, eine vereinheitlichte Ästhetik, wenn viele Marken ähnliche Tools nutzen, sowie die Preisgabe vertraulicher Materialien bei der Nutzung öffentlicher Tools. Unternehmen begegnen diesen Risiken typischerweise mit freigegebenen Tools, klaren Nutzungsrichtlinien, Ähnlichkeitsprüfungen und einer rechtlichen Prüfung der finalen Designs.

Machine-Learning-Modelle kombinieren historische Verkäufe, Produktmerkmale, Preise, Aktionen, Wetter, Saisonalität und weitere Signale, um die Nachfrage auf Ebene von Modell, Grösse und Filiale vorherzusagen. Bessere Prognosen können sowohl Out-of-Stock-Situationen als auch Überbestände verringern. Bei wirklich neuen Produkten ist die Genauigkeit begrenzt, und sie hängt stark von sauberen, konsistenten Produktdaten ab.

Ja, KI-Modelle können den Grössenmix schätzen, den jede Filiale oder jeder Kanal benötigt, und empfehlen, wie Ware zugeteilt und nachgeliefert werden soll. Das setzt bei einer häufigen Ursache für Preisreduktionen und entgangene Umsätze an, da ein Modell in den Kerngrössen ausverkauft sein kann, während Randgrössen liegen bleiben. Die Ergebnisse hängen von granularen Verkaufs- und Retourendaten nach Grösse ab.

KI-basierte Pricing-Tools schätzen, wie die Nachfrage auf Preisänderungen reagiert, und empfehlen Zeitpunkt und Höhe von Markdowns, um Bestände abzubauen und gleichzeitig die Marge zu schützen. Einige Händler nutzen sie auch, um Einstiegspreise und Aktionsangebote festzulegen. Menschliche Aufsicht bleibt wichtig, um die Markenpositionierung zu schützen und Preise zu vermeiden, die Kundinnen und Kunden als unfair empfinden.

KI dürfte eher Teile der Analyse automatisieren, als Einkäuferinnen, Einkäufer und Merchandiser zu ersetzen, die auch mit Lieferanten verhandeln, Produkte beurteilen und kommerzielle Ziele mit Markenzielen in Einklang bringen. Am stärksten betroffen sind Routineaufgaben wie Reporting, Open-to-Buy-Berechnungen und Nachschubvorschläge. Die Rolle verlagert sich hin zur Interpretation von Modellergebnissen und zu finalen Entscheidungen.

In der Regel benötigen sie konsistente Produktstammdaten mit Merkmalen wie Kategorie, Farbe, Material und Passform sowie saubere, detaillierte Historien zu Verkäufen, Beständen, Preisen und Retouren. Lücken und Inkonsistenzen in diesen Daten gehören zu den häufigsten Gründen, warum KI-Planungsprojekte hinter den Erwartungen zurückbleiben. Viele Unternehmen verbessern daher zunächst ihre Produktdaten, bevor sie Modelle einsetzen.

Bessere Prognosen, bessere Allokation sowie kleinere, häufigere Bestellungen mit KI-Unterstützung können die Menge unverkaufter Ware reduzieren. Das Thema hat in Europa regulatorisches Gewicht: Die Ökodesign-Verordnung für nachhaltige Produkte (ESPR) verbietet grossen Unternehmen ab Juli 2026, unverkaufte Bekleidung und Schuhe zu vernichten. KI allein löst das Problem der Überproduktion nicht, wenn Geschäftsmodelle weiterhin hohe Volumen belohnen.

Im Wholesale wird KI eingesetzt, um Einkäuferinnen und Einkäufern im Handel Sortimente zu empfehlen, Nachorderbedarf vorherzusagen, die Auftragserfassung und den Produktdatenaustausch zu automatisieren und Produktinhalte für Händlerplattformen zu erstellen. Marken nutzen KI zudem, um von Handelspartnern geteilte Abverkaufsdaten zu analysieren. Die Einführung folgt meist der Digitalisierung des Wholesale-Prozesses selbst, etwa durch digitale Showrooms und Online-Bestellungen.

Ja, Empfehlungsmodelle können Produkte und Mengen auf Basis früherer Bestellungen, des Abverkaufs, des Filialprofils und ähnlicher Kunden eines Händlers vorschlagen. Das kann insbesondere kleineren Kunden helfen, denen oft Planungsressourcen fehlen. Einkäuferinnen und Einkäufer müssen die lokale Nachfrage und die Markenpassung weiterhin selbst beurteilen; Empfehlungen funktionieren daher am besten als Entscheidungsunterstützung.

Präzise, strukturierte Produktdaten, einschliesslich Merkmalen, Bildern, Grössen, Preisen und Nachhaltigkeitsinformationen, sind die Grundlage für KI im Wholesale. Sie speisen Empfehlungen, Suche, automatisierte Inhalte und den Datenaustausch mit Händlern. Unvollständige oder inkonsistente Daten begrenzen, was KI leisten kann, und können Fehler in die Systeme der Partner tragen.

KI-Agenten könnten routinemässige B2B-Aufgaben übernehmen, etwa das Nachbestellen von Basics, das Prüfen von Beständen und Lieferterminen sowie den Abgleich von Bestellungen und Rechnungen. Damit das funktioniert, brauchen Marken maschinenlesbare Produktkataloge, klare APIs und Regeln dazu, was ein Agent im Auftrag eines Einkäufers tun darf. Die Technologie steht noch am Anfang, und viele Projekte mit agentischer KI befinden sich branchenübergreifend noch im Versuchsstadium.

Ja, generative KI wird breit genutzt, um Produktbeschreibungen, Übersetzungen und Attributdaten zu entwerfen und Produktbilder für verschiedene Kanäle zu erstellen oder anzupassen. Das kann das Onboarding grosser Sortimente bei Handelspartnern beschleunigen. Die Ergebnisse sollten auf Richtigkeit geprüft werden, insbesondere bei Materialien, Pflegehinweisen und Nachhaltigkeitsaussagen, die bei Fehlern rechtliche Risiken bergen.

Konsumentinnen und Konsumenten nutzen zunehmend KI-Chat-Tools, um Produkte zu recherchieren, Preise zu vergleichen, Stilberatung zu erhalten und Bewertungen zusammenzufassen. In einer Capgemini-Umfrage unter 12'000 Konsumentinnen und Konsumenten in 12 Ländern Ende 2024 gaben 58% an, herkömmliche Suchmaschinen für Produktempfehlungen durch Tools mit generativer KI ersetzt zu haben. Dieselbe Umfrage ergab, dass sich 71% wünschten, dass generative KI in ihr Einkaufserlebnis integriert wird.

Generative Engine Optimisation bezeichnet die Praxis, Produkte und Inhalte einer Marke für KI-Assistenten und KI-Suchmaschinen leichter auffindbar, verständlich und zitierbar zu machen. Sie beruht auf präzisen, strukturierten Produktdaten, klaren und sachlichen Inhalten sowie auf Präsenz in Quellen, auf die KI-Systeme zurückgreifen. Sie ergänzt die klassische Suchmaschinenoptimierung (SEO), statt sie zu ersetzen.

Ja, mehrere grosse Händler nutzen KI, um Bildmaterial zu generieren oder anzupassen. Zalando berichtete, dass per Dezember 2025 mehr als 90% seiner Onsite-Marketinginhalte von KI generiert wurden. Die Praxis wirft Fragen zu Einwilligung und Vergütung von Models, zur Offenlegung gegenüber Konsumentinnen und Konsumenten und zur Repräsentation auf, die Marken über Verträge, Kennzeichnung und interne Richtlinien adressieren.

KI-Shopping-Assistenten verbinden ein Sprachmodell mit dem Produktkatalog, den Kundendaten und den Geschäftsregeln des Händlers, sodass Kundinnen und Kunden Fragen in natürlicher Sprache stellen und Produktvorschläge erhalten können. Ihr Nutzen hängt von der Qualität der Katalogdaten ab und davon, wie gut sie mit Grösse, Passform und Verfügbarkeit umgehen.

Die Personalisierung von Empfehlungen, Inhalten und Angeboten gehört zu den etabliertesten KI-Anwendungen im Mode-E-Commerce, und Händler berichten verbreitet von höherem Engagement und höherer Conversion. Veröffentlichte Ergebnisse variieren jedoch stark je nach Unternehmen, Methode und Ausgangsbasis, weshalb plakative Uplift-Zahlen mit Vorsicht zu behandeln sind. Schlecht umgesetzte Personalisierung kann zudem aufdringlich wirken und muss mit dem Datenschutzrecht vereinbar sein.

Konsumentenumfragen deuten auf eine wachsende Offenheit gegenüber KI-Empfehlungen hin, und ein Viertel der Befragten in der Capgemini-Umfrage von 2024 gab an, Produkte gekauft zu haben, die von KI-Influencern empfohlen wurden. Das Vertrauen sinkt, wenn Empfehlungen irrelevant sind, Produkte nicht verfügbar sind oder Konsumentinnen und Konsumenten eine nicht offengelegte kommerzielle Einflussnahme vermuten.

Virtual Try-on und KI-Grössenberatung sollen Retouren aufgrund schlechter Passform reduzieren, einem der Hauptgründe, warum Kundinnen und Kunden Kleidung zurücksenden. Die Evidenz zu ihrer Wirkung ist gemischt: Eine begutachtete Studie von 2025 zu einem Modehändler im High-End-Segment ergab, dass Nutzerinnen und Nutzer eines Size Finders Artikel etwas häufiger retournierten, aber einen höheren Customer Lifetime Value aufwiesen. Händler sollten solche Tools anhand ihrer eigenen Daten testen.

KI unterstützt Lieferantenauswahl und Risikoüberwachung, Produktionsplanung, Qualitätsprüfung mittels Computer Vision, Logistikoptimierung und Bestandspositionierung. Sie kann zudem helfen, mehrstufige Lieferketten für die Sorgfaltsprüfung (Due Diligence) abzubilden. Viele dieser Anwendungen sind auf Daten von Lieferanten angewiesen, die oft unvollständig sind.

KI kann dazu beitragen, indem sie Überproduktion verringert, Muster reduziert, Transporte optimiert und die Sortierung für Recycling und Wiederverkauf verbessert. Diese Gewinne können zunichtegemacht werden, wenn KI vor allem das Volumen von Produkten und Inhalten steigert, und KI selbst verbraucht Energie. Die Europäische Kommission weist darauf hin, dass nur rund 1% des Materials in Kleidung zu neuer Kleidung recycelt wird; systemischer Wandel ist daher wichtiger als jedes einzelne Tool.

Training und Betrieb von KI-Modellen erfordern Rechenzentren, die Strom und Wasser verbrauchen. Die Internationale Energieagentur erwartet, dass der Strombedarf von Rechenzentren in diesem Jahrzehnt stark wächst, mit KI als wichtigstem Treiber. Modeunternehmen können ihren Anteil begrenzen, indem sie effiziente Modelle wählen, unnötige Generierungen vermeiden und von Anbietern Energiedaten verlangen.

KI wird eingesetzt, um vorherzusagen, welche Bestellungen wahrscheinlich retourniert werden, um Grössenberatung zu geben, um retournierte Artikel dem Wiederverkauf oder der Aufbereitung zuzuführen und um Betrug zu erkennen. In einer NRF-Umfrage unter grossen US-Detailhändlern gaben 2025 85% an, KI zur Erkennung oder Verhinderung von Retourenbetrug einzusetzen. Retouren bleiben kostspielig: US-Detailhändler erwarteten, dass 15,8% des Umsatzes 2025 retourniert werden.

Der digitale Produktpass (Digital Product Passport), eingeführt mit der EU-Ökodesign-Verordnung für nachhaltige Produkte, wird für Textilprodukte strukturierte Informationen zu Aspekten wie Materialien und Kreislauffähigkeit vorschreiben, sobald die produktspezifischen Vorschriften verabschiedet sind. KI kann helfen, diese Daten aus Lieferantendokumenten zu extrahieren, zu klassifizieren und zu prüfen, doch im Kern geht es bei der Pflicht um verlässliche Datenerhebung und Rückverfolgbarkeit. Unternehmen sollten die delegierten Rechtsakte für Textilien verfolgen, um die genauen Anforderungen und Fristen zu kennen.

Ja, sensorbasierte Systeme in Kombination mit Machine Learning können Faserzusammensetzung und Farbe erkennen und so Alttextilien schneller und genauer sortieren als manuelle Sortierung. Eine bessere Sortierung ist Voraussetzung für Faser-zu-Faser-Recycling. Kleidungsstücke aus Mischfasern und Zutaten bleiben unabhängig von der Sortiertechnologie technisch schwer recycelbar.

Ja, er gilt für Unternehmen, die KI-Systeme in der EU entwickeln oder einsetzen, einschliesslich Modemarken und Händlern. Die meisten typischen Anwendungen in der Modebranche, etwa Empfehlungen oder Bedarfsprognosen, fallen in Kategorien mit minimalem Risiko ohne besondere Pflichten, doch für Chatbots und bestimmte KI-generierte Inhalte gelten Transparenzpflichten. Anwendungen wie KI in der Personalrekrutierung gelten als hochriskant und unterliegen strengeren Regeln.

Der AI Act ist am 1. August 2024 in Kraft getreten. Verbotene Praktiken und die Pflichten zur KI-Kompetenz gelten seit dem 2. Februar 2025, die Pflichten für KI-Modelle mit allgemeinem Verwendungszweck seit dem 2. August 2025 und die Transparenzregeln ab August 2026. Nach dem AI-Omnibus gelten die Regeln für Hochrisikosysteme in Bereichen wie Beschäftigung ab dem 2. Dezember 2027 und für KI, die in regulierte Produkte integriert ist, ab dem 2. August 2028.

Nach dem EU AI Act müssen Anbieter generativer KI KI-generierte Inhalte erkennbar machen, und Deepfakes müssen klar gekennzeichnet werden; diese Transparenzregeln gelten ab August 2026. Ob ein bestimmtes Kampagnenbild als Deepfake gilt, hängt davon ab, ob es reale Personen, Orte oder Ereignisse realistisch darstellt. Zudem verbieten separate Verbraucherschutzvorschriften irreführende Werbung, sodass Bilder, die ein Produkt falsch darstellen, unabhängig von ihrer Entstehung riskant sind.

Ja, nach dem EU AI Act müssen Menschen darauf hingewiesen werden, dass sie mit einem KI-System interagieren, sofern dies nicht aus dem Kontext offensichtlich ist. Diese Transparenzpflichten gelten ab August 2026. Eine klare Offenlegung trägt zudem dazu bei, das Vertrauen der Kundschaft zu erhalten.

Zu den Bedenken gehören der Verlust von Aufträgen für Models, Fotografinnen und Fotografen sowie Stylistinnen und Stylisten, die Nutzung des Abbilds realer Personen ohne faire Einwilligung oder Vergütung sowie eine unrealistische oder einseitige Darstellung von Körpern. Einige Unternehmen begegnen dem, indem sie lizenzierte digitale Zwillinge realer Models mit vertraglicher Einwilligung und Vergütung erstellen. Die Offenlegung gegenüber Konsumentinnen und Konsumenten ist eine weitere offene Frage.

In der EU und in Grossbritannien regelt die Datenschutz-Grundverordnung (DSGVO) die Nutzung personenbezogener Daten für Personalisierung, Profiling und KI-Training. Unternehmen benötigen eine Rechtsgrundlage, Transparenz gegenüber der Kundschaft und Schutzmassnahmen für automatisierte Entscheidungen mit erheblichen Auswirkungen. Körpermasse, Bilder und abgeleitete Merkmale erfordern besondere Sorgfalt.

Ja, Modelle, die mit nicht repräsentativen Daten trainiert wurden, können bestimmte Körpertypen, Hauttöne, Altersgruppen oder Grössen in Bildern, Empfehlungen und Grössenberatung unterrepräsentieren. Bias kann auch KI betreffen, die bei der Personalrekrutierung eingesetzt wird. Unternehmen mindern dies, indem sie Ergebnisse über Kundengruppen hinweg testen, Trainingsdaten diversifizieren und eine menschliche Prüfung beibehalten.

Die Schätzungen sind hoch, aber unsicher. McKinsey schätzte 2023, dass generative KI die operativen Gewinne der Bekleidungs-, Mode- und Luxusbranche innerhalb von drei bis fünf Jahren um 150 bis 275 Milliarden US-Dollar steigern könnte. Solche Zahlen sind modellierte Potenziale; der tatsächlich realisierte Wert hängt von Einführung, Umsetzung und Wettbewerb ab.

Beginnen Sie für jeden Anwendungsfall mit einer definierten Geschäftskennzahl, etwa Prognosegenauigkeit, Abverkauf zum Vollpreis, Produktionszeit für Inhalte, Conversion oder Retourenquote, und vergleichen Sie diese mit einer Kontrollgruppe oder einer Ausgangsbasis. Berücksichtigen Sie die Gesamtkosten, einschliesslich Datenaufbereitung, Integration, Lizenzen, Change Management und Monitoring. Viele Projekte zeigen in Pilotphasen Nutzen, verlieren ihn aber bei der Skalierung; die Messung sollte daher nach dem Roll-out weitergeführt werden.

Die meisten beginnen mit Anwendungsfällen, die über saubere Daten und eine klare Verantwortung verfügen, etwa Produktinhalte, Kundenservice, Bedarfsprognose oder Retouren. Führungskräfte nannten in der State-of-Fashion-2024-Umfrage am häufigsten Marketing und Texterstellung (34%) sowie Design und Produktentwicklung (28%) als Anwendungsfälle für generative KI. Wer Produktdaten früh bereinigt und Nutzungsrichtlinien festlegt, erleichtert spätere Projekte.

Die meisten kaufen oder lizenzieren Tools für gängige Aufgaben wie Texterstellung, Übersetzung, Kundenservice und Prognosen und behalten die Eigenentwicklung Anwendungen vor, die die Marke differenzieren oder von proprietären Daten abhängen. Einkaufen lässt sich meist schneller umsetzen, während Eigenentwicklung mehr Kontrolle über Daten und Differenzierung bietet. Ein hybrides Modell ist verbreitet.

Es wird erwartet, dass KI viele Rollen verändert und einige reduziert, insbesondere in der Content-Produktion, im Kundenservice und bei Routineanalysen, während sie zugleich Nachfrage nach Daten-, KI- und Digitalkompetenzen schafft. Branchenübergreifend prognostiziert das World Economic Forum bis 2030 170 Millionen neu geschaffene und 92 Millionen verdrängte Stellen, und 41% der befragten Arbeitgeber planen Personalabbau, da KI Aufgaben automatisiert. Wie sich dies auf die Modebranche auswirkt, hängt davon ab, wie Unternehmen ihre Mitarbeitenden neu einsetzen und umschulen.

Nützlich sind Datenkompetenz, die Fähigkeit, KI zu briefen und ihre Ergebnisse kritisch zu prüfen, Verständnis für KI-Risiken und Regulierung sowie Fachwissen, das KI fehlt, etwa Urteilsvermögen zu Produkt, Passform und Marke. Der EU AI Act verpflichtet Organisationen, die KI einsetzen, bereits heute, Massnahmen zu ergreifen, um eine ausreichende KI-Kompetenz ihrer Mitarbeitenden sicherzustellen. Arbeitgeber in der WEF-Umfrage wollen am häufigsten mit Weiterqualifizierung auf den Wandel reagieren, genannt von 77%.

Zur guten Praxis gehören ein Verzeichnis der eingesetzten KI-Systeme, eine Richtlinie zu freigegebenen Tools und Daten, klare Verantwortlichkeiten für jedes System, eine Risikobewertung anhand des EU AI Act und des Datenschutzrechts sowie eine menschliche Prüfung kundenseitiger Ergebnisse. Die Governance sollte verhältnismässig sein, damit risikoarme Produktivitätstools nicht durch dieselben Kontrollen ausgebremst werden wie Hochrisikoanwendungen.