Plattform oder Einzellösungen? So strukturieren Modeunternehmen die KI-Anbieterlandschaft
Sollte ein Modeunternehmen eine KI-Plattform kaufen oder viele spezialisierte Tools? Ein strukturierter Blick auf die Ebenen des KI-Stacks, die Zielkonflikte und die Entscheidung Anwendungsfall für Anwendungsfall.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Die KI-Landschaft in der Mode lässt sich in vier Ebenen gliedern: Basismodelle, horizontale Assistenten und Agentenplattformen, KI-Funktionen in bestehenden Geschäftssystemen sowie spezialisierte Einzellösungen.
- Die MIT-Studie GenAI Divide von 2025 ergab, dass Tools von externen Anbietern oder Partnern in etwa zwei Dritteln der Fälle erfolgreich waren, intern entwickelte Systeme dagegen in etwa einem Drittel.
- Gartner schätzt, dass nur etwa 130 der Tausenden von Anbietern, die agentische KI für sich beanspruchen, echte agentische Fähigkeiten bieten, und bezeichnet diese Praxis als Agent Washing.
- PVH kündigte im Januar 2026 an, Mitarbeitenden im gesamten Unternehmen ChatGPT Enterprise bereitzustellen und zugleich eigene KI-Fähigkeiten aufzubauen, ein Beispiel für die Kombination einer horizontalen Plattform mit spezifischen Anwendungen.
- Die meisten Modeunternehmen landen bei einer hybriden Lösung: ein allgemeiner Assistent, KI in Kernsystemen wie PIM, ERP und Planung sowie wenige spezialisierte Tools dort, wo sie der Plattform klar überlegen sind.
Modeunternehmen stehen selten vor der reinen Wahl zwischen einer KI-Plattform und vielen Einzellösungen. Die praktische Antwort ist ein mehrschichtiger Stack: ein Allzweck-Assistent für die tägliche Arbeit, KI in den Kernsystemen, die Produkt-, Auftrags- und Kundendaten halten, und wenige spezialisierte Tools dort, wo sie klar besser abschneiden. Entschieden werden sollte Anwendungsfall für Anwendungsfall, wobei Integration und Datenhoheit den Ausschlag geben.
Wie ist die KI-Anbieterlandschaft aufgebaut?
Es hilft, vier Ebenen zu unterscheiden, denn die Anbieter jeder Ebene konkurrieren nach unterschiedlichen Regeln.
| Ebene | Was sie bietet | Einsatzbeispiele in der Mode |
|---|---|---|
| Basismodelle | Grosse Sprach- und Bildmodelle, die per API genutzt werden | Grundlage für eigene Content-, Such- oder Serviceanwendungen |
| Horizontale Assistenten und Agentenplattformen | Chat-Assistenten für Unternehmen, KI in Office-Suiten, Tools zum Bau von Agenten | Entwürfe, Recherche, Zusammenfassungen, Suche im internen Wissen |
| KI in Geschäftssystemen | KI-Funktionen in ERP-, PIM-, Planungs-, E-Commerce-, B2B-Bestell- und Servicesoftware | Prognosen in Planungstools, Attributanreicherung im PIM, Bestellvorschläge |
| Spezialisierte Einzellösungen | Tools mit einem einzigen Zweck für eine Aufgabe | Virtuelle Anprobe, Grössenempfehlung, visuelle Suche, Trendanalyse, 3D-Design |
Welche Vorteile bietet ein Plattformansatz für KI?
Eine Plattform, ob allgemeine Assistenten-Suite oder Umgebung zum Bau von Agenten, bietet Einheitlichkeit: ein Vertrag, eine Sicherheitsprüfung, ein Set an Admin-Steuerungen und ein Ort für die Schulung der Mitarbeitenden. Zudem kann sie viele Funktionen gleichzeitig erreichen. PVH, Muttergesellschaft von Calvin Klein und Tommy Hilfiger, kündigte im Januar 2026 an, Mitarbeitenden im gesamten Unternehmen ChatGPT Enterprise bereitzustellen, mit geplanten Anwendungen in Produkt und Design, Planung und Supply Chain sowie Marketing und Retail. Laut der Mitteilung von OpenAI plant PVH zudem eigene Fähigkeiten, die die Modelle mit der eigenen Expertise in Merchandising und Supply Chain verbinden. Das zeigt, dass selbst eine Plattformentscheidung in der Regel durch spezifische Anwendungen ergänzt wird.
Die Grenzen von Plattformen sind ebenso klar. Ein allgemeiner Assistent kennt die Grössenverläufe, Allokationsregeln oder Wholesale-Konditionen eines Unternehmens nicht, solange er nicht mit den Systemen verbunden ist, die diese Informationen enthalten, und der Aufbau dieser Verbindungen ist echte Arbeit.
Wann sind Einzellösungen sinnvoller?
Einzellösungen gewinnen dort, wo eine Aufgabe spezialisierte Modelle, Branchendaten oder Benutzeroberflächen erfordert, die eine allgemeine Plattform nicht bietet: Grössen- und Passformempfehlungen, die auf Retourendaten trainiert sind, visuelle Suche in Produktbildern oder 3D-Simulation von Kleidungsstücken. Für ein einzelnes Team lassen sie sich zudem oft schneller einführen. Der MIT-Bericht The GenAI Divide von 2025 ergab, dass Tools von externen Anbietern oder Partnern in etwa zwei Dritteln der Fälle erfolgreich waren, intern entwickelte Systeme dagegen in etwa einem Drittel. Das spricht dafür, für klar umrissene Probleme bewährte Tools einzukaufen.
Die Kehrseite ist der Wildwuchs. Jedes zusätzliche Tool bringt einen eigenen Vertrag, eigene Datenflüsse, eine eigene Sicherheitsprüfung und eigene Schulungen mit sich, und Daten können am Ende doppelt in Systemen liegen, die nicht miteinander kommunizieren.
Die Integration ist bei dieser Wahl der verborgene Entscheidungsfaktor. Jedes KI-Tool braucht Produkt-, Kunden- oder Auftragsdaten, und in der Mode liegen diese typischerweise in einem PIM, einem ERP, einer E-Commerce-Plattform und einem B2B-Bestellsystem, die nicht immer übereinstimmen. Eine Einzellösung, die eine eigene Kopie des Produktkatalogs benötigt, schafft einen weiteren Ort, an dem Attribute veralten können. Eine Plattform, die die führenden Systeme nicht erreicht, liefert allgemeine Antworten. In beiden Fällen bestimmt die Qualität der zugrunde liegenden Daten und Schnittstellen, was ein Anbieter maximal leisten kann.
Wie sollten Modeunternehmen KI-Anbieter bewerten?
Anbieterversprechen müssen sorgfältig geprüft werden. Gartner stellte im Juni 2025 fest, dass viele Anbieter bestehende Assistenten, robotergestützte Prozessautomatisierung und Chatbots als agentische KI umetikettieren, und schätzte, dass nur etwa 130 der Tausenden Anbieter agentischer KI echt seien. Nützliche Fragen an jeden Anbieter:
- Welche Daten braucht das Tool, woher stammen sie, und wem gehören die Ergebnisse?
- Welche Standardintegrationen gibt es zu den bereits genutzten PIM-, ERP-, E-Commerce- und Auftragsverwaltungssystemen?
- Lassen sich die Ergebnisse mit den eigenen Daten des Unternehmens demonstrieren, nicht nur mit einem Demo-Datensatz?
- Wie werden Kundendaten geschützt, und werden sie zum Training gemeinsam genutzter Modelle verwendet?
- Was geschieht mit Daten und Workflows, wenn der Vertrag endet?
- Überschneidet sich die Funktion mit KI-Funktionen, die bereits in bestehenden Systemen enthalten sind?
Wie sieht ein sinnvoller hybrider KI-Stack aus?
Für ein mittelgrosses Modeunternehmen sieht eine praktikable Struktur oft so aus:
- Ein freigegebener allgemeiner Assistent für alle Büromitarbeitenden, mit klaren Datenregeln.
- KI in den Kernsystemen, wo immer der Anbieter sie anbietet, denn dort liegen Produkt-, Auftrags- und Kundendaten bereits.
- Eine kurze Liste spezialisierter Tools, jeweils mit fachlicher Verantwortung und gemessenem Ergebnis, für Aufgaben, bei denen sie nachweislich besser abschneiden.
- Eine schlanke Integrations- und Datenschicht, damit Produkt- und Kundendaten einmal gepflegt und von jedem Tool wiederverwendet werden.
Vertragsbedingungen verdienen dieselbe Aufmerksamkeit wie Funktionen. Kurze Erstlaufzeiten, klare Rechte zum Datenexport und die Möglichkeit, die zugrunde liegenden Modelle zu wechseln, schützen vor Lock-in in einem Markt, in dem sich Fähigkeiten und Preise von Quartal zu Quartal ändern. Auch das Klumpenrisiko zählt: Wer sich für sämtliche KI-Fähigkeiten auf einen einzigen Anbieter verlässt, vereinfacht die Administration, macht sich aber anfälliger für Ausfälle, Preisänderungen oder Richtlinienwechsel.
Wie beeinflusst die Plattformfrage die langfristige Strategie?
McKinseys State of AI 2026 ergab, dass Organisationen mit der stärksten KI-Wirkung deutlich häufiger ihre Arbeitsabläufe grundlegend neu gestaltet hatten. Die Anbieterstruktur sollte dieser Logik folgen: Wählen Sie Tools, die zum neu gestalteten Prozess passen, statt Prozesse an das Tool anzupassen, das zufällig zuerst gekauft wurde. Überprüfen Sie den Stack jährlich, denn die Grenzen zwischen den Ebenen verschieben sich rasch, da Assistenten Konnektoren hinzugewinnen und Geschäftssysteme eigene Agenten ergänzen.
Häufige Fragen
Was ist der Unterschied zwischen einer KI-Plattform und einer Einzellösung?
Eine KI-Plattform bietet allgemeine Fähigkeiten, etwa einen Assistenten für Unternehmen oder einen Agenten-Baukasten, die in vielen Funktionen nutzbar sind. Eine Einzellösung adressiert eine bestimmte Aufgabe, etwa Grössenempfehlung oder visuelle Suche, oft mit spezialisierten Modellen und Daten.
Sollten Modeunternehmen KI selbst entwickeln oder einkaufen?
Für gängige, klar umrissene Aufgaben ist Einkaufen oft schneller und verlässlicher; die MIT-Studie von 2025 ergab, dass extern bezogene Tools etwa doppelt so oft erfolgreich waren wie Eigenentwicklungen. Eigenentwicklung kann bei proprietären Entscheidungen auf Basis einzigartiger Daten sinnvoll sein, sofern das Unternehmen das System pflegen kann.
Was ist Agent Washing?
Agent Washing ist der Begriff von Gartner für Anbieter, die bestehende Produkte wie Chatbots, Assistenten oder robotergestützte Prozessautomatisierung als agentische KI umetikettieren, ohne nennenswerte agentische Fähigkeiten zu bieten. Käufer sollten die Versprechen an echten Aufgaben und Daten testen.
Wie viele KI-Tools sollte ein Modeunternehmen nutzen?
Eine feste Zahl gibt es nicht, aber jedes Tool sollte eine verantwortliche Person, ein gemessenes Ergebnis und einen klaren Datenfluss haben. Ein typisches Muster ist ein allgemeiner Assistent, KI in den Kerngeschäftssystemen und eine kurze Liste spezialisierter Tools.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
