Wie verbessert KI Passform und Grössen? Von der Grössenberatung zu besseren Schnitten

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. KI-Tools für Grösse und Passform kombinieren Grössentabellen der Marke, Kauf- und Retourenhistorie, Kundenfeedback und teilweise Körpermasse, um eine Grösse zu empfehlen oder anzuzeigen, dass ein Artikel klein oder gross ausfällt.
2. Zalando berichtet, dass seine Lösungen für Grösse und Passform 2025 8 % der grössenbedingten Retouren verhindert haben und rund 70 % des Sortiments abdecken und dass die Retourenquote in Kategorien wie Jeans bis zu 65 % erreichen kann.
3. Zalando berichtet zudem, dass jüngste Pilotprojekte mit virtuellen Umkleidekabinen die Retourenquote um bis zu 40 % senkten; dies ist ein Pilotergebnis, keine unternehmensweite Zahl.
4. Der grössere langfristige Wert liegt vorgelagert: Aggregiertes Passformfeedback und Körperdaten können Marken zeigen, welche Schnitte, Gradierungen und Grössentabellen Probleme verursachen.
5. Tools zur Körpervermessung werfen Datenschutzfragen auf; Zalando gibt an, dass die Fotos für seine Vermessungsfunktion auf dem Gerät der Kundschaft bleiben und gelöscht werden.

KI verbessert Passform und Grössen auf zwei Wegen. Am Point of Sale empfiehlt sie jeder Kundin und jedem Kunden die richtige Grösse auf Basis von Grössentabellen, früheren Käufen, Retouren und teilweise Körpermassen, was grössenbedingte Retouren reduziert. Im Hintergrund können dieselben Daten Marken zeigen, welche Styles, Schnitte und Gradierregeln Passformprobleme verursachen, damit sie diese in der Produktentwicklung korrigieren können. Die berichteten Gewinne sind real, liegen insgesamt aber im einstelligen Prozentbereich, mit grösseren Effekten in bestimmten Kategorien und Pilotprojekten.

Warum ist die Passform in der Mode so wichtig?

Grössen sind nicht markenübergreifend standardisiert und oft nicht einmal innerhalb der Kategorien einer einzigen Marke. Wer bei einem Label im Strick ein M trägt, braucht in dessen Oberbekleidung womöglich ein L. Online führt das zu Auswahlbestellungen (zwei Grössen bestellen und eine zurückschicken) und zu Retouren, die Geld für Logistik, Bearbeitung und Abschriften kosten. Die Onlineplattform Zalando gibt an, dass die Retourenquote in Kategorien wie Jeans bis zu 65 % erreichen kann. Die Passform ist deshalb sowohl ein Problem der Kundenerfahrung als auch ein Margenproblem.

Wie funktionieren KI-Grössenempfehlungen?

Die meisten Systeme gehen von einem einfachen Prinzip aus: aus dem lernen, was ähnliche Kunden gekauft und behalten haben. Schicken viele Kundinnen und Kunden, die bei Marke A ein M behalten, bei einem bestimmten Style von Marke B das M zurück und behalten das L, lernt das Modell, dass dieser Style klein ausfällt. Fortgeschrittenere Tools legen weitere Daten darüber:

• Grössenhinweise auf Produktseiten, die anzeigen, dass ein Artikel klein oder gross ausfällt.
• Grössenprofile, in denen Kunden Marken und Grössen hinterlegen, die ihnen passen.
• Tools zur Körpervermessung, die Masse aus Smartphone-Fotos oder -Videos schätzen.
• Virtuelle Umkleidekabinen, die ein Kleidungsstück in verschiedenen Grössen auf einem 3D-Avatar zeigen.

Zalando beschreibt diesen mehrschichtigen Ansatz in einem Unternehmensartikel vom Juni 2026: Kombiniert werden Grösseninformationen der Marken, Kauf- und Retourenmuster, Passformfeedback der Kundschaft, Erkenntnisse spezialisierter Fit-Models und das nach eigenen Angaben grösste anonymisierte Datenset zu Körpermassen europäischer Modekunden. Laut Zalando arbeitet ein internes Team von 80 Spezialistinnen und Spezialisten an diesen Tools.

Lesen Sie auch

Virtual Try-on in der Mode: Wie funktioniert es und senkt es die Retouren?

Welche Ergebnisse haben Händler gemeldet?

Zalando gibt an, dass seine Lösungen für Grösse und Passform 2025 insgesamt 8 % der grössenbedingten Retouren verhindert haben und dass die grundlegenden Lösungen rund 70 % des Sortiments abdecken. Mehr als 1,5 Millionen Kundinnen und Kunden hätten die Körpervermessung ausprobiert, und jüngste Pilotprojekte mit virtuellen Umkleidekabinen hätten die Retourenquote um bis zu 40 % gesenkt. Bereits 2023 hatte das Unternehmen bei Artikeln mit Grössenberatung 10 % weniger grössenbedingte Retouren gemeldet als bei Artikeln ohne.

Beim Lesen solcher Zahlen sind zwei Vorbehalte angebracht. Sie stammen vom Unternehmen selbst, und Pilotergebnisse in ausgewählten Kategorien sind nicht dasselbe wie ein Durchschnitt über ein ganzes Sortiment. Marken sollten davon ausgehen, dass ihre eigenen Ergebnisse stark von Datenmenge und Kategoriemix abhängen.

Können Passformdaten Schnitte und Grössentabellen verbessern?

Das ist die weniger sichtbare, aber potenziell grössere Chance. Jeder Retourengrund wie an den Hüften zu eng oder Ärmel zu lang, kombiniert mit den üblichen Grössen der Kundschaft und, mit Einwilligung, Körpermassen, ist ein Datenpunkt über das Kleidungsstück selbst. Nach Style und Grösse aggregiert, können diese Signale zeigen, dass ein bestimmter Grundschnitt in grösseren Grössen zu schmal gradiert ist oder dass eine Grössentabelle nicht der tatsächlichen Kundschaft der Marke entspricht. Als Zalando 2023 eine auf Körpermassen basierende Grössenberatung einführte, hiess es, die Funktion könne den Markenpartnern auch weitere Einblicke in die Grössen- und Passformanforderungen ihrer Kunden geben.

Manche Marken bringen dies über digitale Tools in die Entwicklung ein. HUGO BOSS gibt an, in der Produktentwicklung virtuelle Anproben mit Avataren und 3D-Simulation zu nutzen, um Prozesse zu vereinfachen, ohne Abstriche bei Performance und Passform zu machen. Die Forschung untersucht zudem, wie KI Schnittmuster direkt aus Designvorgaben generieren könnte, etwa in der an der CVPR 2025 vorgestellten Arbeit Design2GarmentCode, doch das befindet sich noch im Forschungsstadium.

Welche Daten braucht KI für Passform und Grössen?

Die Tabelle erklärt auch eine strukturelle Herausforderung: Die Daten, die Passformprobleme offenlegen, liegen oft beim Handel, während die Möglichkeit, Schnitte zu korrigieren, bei den Marken liegt. Erst der Austausch strukturierter, anonymisierter Passformdaten zwischen beiden macht aus weniger Retouren bessere Produkte.

Ein praktischer Austausch erfordert keine exotische Technologie. Ein saisonaler Passformbericht pro Style, der den Anteil der als zu klein oder zu gross markierten Retouren nach Grösse sowie die häufigsten Freitextkommentare auflistet, gibt einer technischen Designerin bereits eine Handlungsgrundlage. Über mehrere Saisons zeigen dieselben Daten, ob Korrekturen an einem Grundschnitt die Passformreklamationen tatsächlich verringert haben, und genau dieser Nachweis fehlt den meisten Produktteams heute.

Welche Grenzen und Datenschutzrisiken gibt es?

Empfehlungen brauchen Volumen: Neue Marken, neue Styles und Kategorien mit wenig Traffic haben kaum Historie, aus der sich lernen lässt. Passformvorlieben sind persönlich, sodass eine technisch korrekte Grösse dennoch zurückgeschickt werden kann, weil die Kundin einen lockereren Look wollte. Tools zur Körpervermessung verarbeiten sensible personenbezogene Daten, und die Kundschaft braucht eine klare Einwilligung und Kontrolle. Zalando gibt an, dass die von seiner Vermessungsfunktion genutzten Fotos das Gerät der Kundschaft nie verlassen und automatisch gelöscht werden, ein Ansatz, der die Risiken verringert.

Lesen Sie auch

KI, 3D und virtuelle Musterung: weniger Muster, schnellere Entscheidungen

Wo sollte eine Marke anfangen?

1. Erfassen Sie strukturierte Retourengründe, einschliesslich der Richtung des Passformproblems (zu klein, zu gross, zu lang).
2. Veröffentlichen Sie präzise Kleidungsmasse, nicht nur Grössentabellen für Körpermasse.
3. Analysieren Sie Passformprobleme nach Style und Grösse, um Grundschnitte oder Gradierungen zu finden, die korrigiert werden müssen.
4. Teilen Sie die Passformerkenntnisse jede Saison mit der Produktentwicklung.
5. Führen Sie Empfehlungstools ein, sobald genug Historie vorhanden ist, um daraus zu lernen.

KI-Grössenberatung lindert das Symptom am Point of Sale. Wer dieselben Daten nutzt, um Schnitte, Gradierungen und Grössentabellen zu korrigieren, behebt die Ursache, und genau dort haben Marken, die ihre Produktentwicklung selbst steuern, am meisten zu gewinnen.

Häufige Fragen

Wie funktionieren KI-Tools für Grössenempfehlungen?

Sie lernen aus Grössentabellen, Käufen, Retouren und Passformfeedback, teilweise auch aus Körpermassen, um vorherzusagen, welche Grösse eine Kundin oder ein Kunde am wahrscheinlichsten behält. Manche Tools zeigen zudem an, wenn ein bestimmter Artikel klein oder gross ausfällt.

Senken KI-Grössentools wirklich die Retouren?

Händler berichten von messbaren, aber moderaten Effekten. Zalando gibt an, dass seine Lösungen für Grösse und Passform 2025 8 % der grössenbedingten Retouren verhindert haben, mit grösseren Rückgängen von bis zu 40 % in Pilotprojekten mit virtuellen Umkleidekabinen. Die Ergebnisse variieren je nach Kategorie und Datenmenge.

Kann KI Marken helfen, ihre Schnitte zu verbessern?

Ja, indirekt. Aggregiertes Passformfeedback und Retourengründe nach Style und Grösse können Schnitte, Gradierungen oder Grössentabellen aufdecken, die Probleme verursachen und die Produktteams dann korrigieren können. Schnitte direkt mit KI zu generieren, ist noch vorwiegend ein Forschungsthema.

Ist Body Scanning für die Grössenberatung datenschutzrechtlich sicher?

Das hängt von der Umsetzung ab. Kundinnen und Kunden sollten ausdrücklich einwilligen und wissen, wie Bilder und Masse gespeichert werden. Zalando etwa gibt an, dass die Fotos für seine Vermessungsfunktion auf dem Gerät bleiben und automatisch gelöscht werden.

LeitfadenDer umfassende Leitfaden zu KI in Modedesign und ProduktentwicklungDen ganzen Leitfaden lesen