Welche KI-KPIs sollten Modeunternehmen in den einzelnen Funktionen messen?

Modeunternehmen sollten KI in jeder Funktion auf drei KPI-Ebenen messen: Akzeptanz (wer nutzt das Tool und wie oft), Prozesskennzahlen (Zeit, Kosten, Fehlerquote der Aufgabe) und Geschäftsergebnisse (Abverkauf, Marge, Servicelevel). Für jede Ebene braucht es einen vor der Einführung gemessenen Ausgangswert. Die folgende Checkliste schlägt konkrete Kennzahlen für Design, Merchandising, Vertrieb, E-Commerce, Kundenservice und Supply Chain vor.

Warum brauchen KI-Projekte funktionsspezifische KPIs?

Allgemeine Kennzahlen wie «eingesparte Stunden» lassen sich leicht behaupten und schwer überprüfen. McKinseys State of AI 2026 mit 1'719 Befragten ergab, dass fast neun von zehn eine regelmässige KI-Nutzung in mindestens einer Unternehmensfunktion angeben, während der Anteil derjenigen, die der KI zumindest einen gewissen EBIT-Effekt zuschreiben, mit 37 Prozent praktisch unverändert blieb. Genau diese Lücke zwischen Nutzung und Wertbeitrag sollen gute KPIs sichtbar machen.

Auch die Verteilung der Mittel spielt eine Rolle. Der MIT-Bericht The GenAI Divide von 2025 ergab laut Computing, dass mehr als die Hälfte der KI-Budgets in Unternehmen in Vertrieb und Marketing floss, während die höchsten Renditen in Backoffice-Funktionen wie Prozessautomatisierung und reduziertem Outsourcing gemeldet wurden. Wer jede Funktion nach ihren eigenen Massstäben misst, erkennt, wo tatsächlich Renditen entstehen.

Welche drei Ebenen hat die Messung von KI?

1. Akzeptanz: aktive Nutzende, Nutzungshäufigkeit, Anteil der geeigneten Aufgaben, bei denen KI eingesetzt wird. Manche Unternehmenstools enthalten dafür Analysefunktionen; Microsoft etwa führt Copilot Analytics zur Messung von Nutzung, Akzeptanz und ROI als Bestandteil von Microsoft 365 Copilot auf.
2. Prozess: Durchlaufzeit, Kosten pro Arbeitseinheit, Nacharbeit und Fehlerquoten, Durchsatz pro Person.
3. Ergebnis: das kommerzielle oder servicebezogene Resultat, in das der Prozess mündet, etwa Abverkauf zum Vollpreis, Reduzierungsquote, Conversion, Lieferquote bei Aufträgen oder Kundenzufriedenheit.

Lesen Sie auch

KI im Modeunternehmen einführen: ein 90-Tage-Plan

Welche KI-KPIs passen zu welcher Funktion im Modeunternehmen?

Wholesale- und Vertriebsteams verdienen besondere Aufmerksamkeit, weil ihre Ergebnisse ebenso von Kundenbeziehungen wie von Tools geprägt sind. Wenn KI Kunden-Briefings vorbereitet oder Nachorders vorschlägt, vergleichen Sie Kunden, die im selben Verkaufszeitraum mit und ohne diese Unterstützung betreut wurden, und verfolgen Sie, ob vorgeschlagene Mengen übernommen, angepasst oder ignoriert werden. Das Anpassungsmuster verrät oft mehr über die Datenqualität als der Auftragswert selbst.

In Design und Produktentwicklung zählt schnellere Konzeptarbeit nur, wenn sie sich in weniger Mustern, weniger späten Änderungen und einer termingerechten Übergabe an die Beschaffung niederschlägt. Wer die gesamte Kette misst, verhindert, dass ein lokaler Gewinn in einem Team durch Mehrarbeit weiter hinten im Kalender wieder zunichtegemacht wird.

Wie legt man einen Ausgangswert für KI-KPIs fest?

Messen Sie den aktuellen Prozess, bevor das Tool live geht, idealerweise über einen vergleichbaren Zeitraum. In der Mode verzerrt die Saisonalität fast jede Ergebniskennzahl, vergleichen Sie also Gleiches mit Gleichem: dieselbe Saison im Vorjahr, eine Kontrollgruppe von Filialen oder Kunden ohne das Tool oder eine Reihe von Kategorien, die auf die bisherige Weise bearbeitet werden. Dokumentieren Sie, wie der Ausgangswert gemessen wurde, damit spätere Vergleiche dieselbe Definition verwenden.

Welche Qualitäts- und Risikokennzahlen gehören dazu?

Geschwindigkeitsgewinne sind wertlos, wenn die Qualität sinkt. Jedes KI-KPI-Set sollte mindestens eine Qualitäts- und eine Risikokennzahl enthalten:

• Anteil der KI-Ergebnisse, die von der prüfenden Person bearbeitet oder verworfen werden (Produktbeschreibungen, Serviceantworten, von Planenden übersteuerte Prognosen).
• Quote sachlicher Fehler in veröffentlichten Inhalten, insbesondere bei Angaben zu Materialien, Pflege und Grössen.
• Eskalationen oder Beschwerden im Zusammenhang mit automatisierten Antworten.
• Werte für Vollständigkeit und Konsistenz der Eingabedaten, auf die die KI angewiesen ist.
• Richtlinienverstösse, etwa vertrauliche Daten, die in nicht freigegebene Tools eingegeben wurden.

Die Kosten gehören in dieselbe Übersicht. Erfassen Sie Ausgaben für Lizenzen, Nutzung und Integration je Anwendungsfall neben dem Nutzen, damit jede Überprüfung die Kosten pro Ergebnis vergleichen kann, statt eine Nutzung zu feiern, die unbemerkt teuer geworden ist.

Wie oft und von wem sollten KI-KPIs überprüft werden?

Akzeptanz- und Prozesskennzahlen kann die für den Anwendungsfall verantwortliche Person monatlich prüfen. Ergebniskennzahlen sollten im natürlichen Rhythmus des Geschäfts überprüft werden, in der Mode also oft pro Saison oder pro Drop, und an den Sponsor in der Geschäftsleitung berichtet werden. In derselben Überprüfung sollte entschieden werden, ob ein Anwendungsfall ausgebaut, angepasst oder gestoppt wird.

McKinseys State of Fashion 2026 beschreibt KI als etwas, das sich vom Wettbewerbsvorteil zur geschäftlichen Notwendigkeit wandelt. Das macht diszipliniertes Messen wichtiger, nicht unwichtiger: Wenn alle KI nutzen, entsteht der Vorsprung aus dem Wissen, welche Einsätze Marge, Verfügbarkeit und Service tatsächlich verbessern, und aus der gezielten Ressourcenzuteilung an genau diese.

Lesen Sie auch

Wie misst man die Prognosegenauigkeit in der Mode? MAPE, WAPE, Bias und MASE

Was ist ein sinnvolles erstes KPI-Set für eine mittelgrosse Marke?

Halten Sie es schlank. Wählen Sie für jeden laufenden Anwendungsfall eine Akzeptanzkennzahl, zwei Prozesskennzahlen, eine Ergebniskennzahl und eine Qualitätskennzahl, jeweils mit Ausgangswert und verantwortlicher Person. Fünf klar definierte Zahlen pro Anwendungsfall sind nützlicher als ein Dashboard mit dreissig Werten, dem niemand vertraut.