Der umfassende Leitfaden zur KI-Strategie für Modeunternehmen

Von Design und Planung über Wholesale und Supply Chain bis zum E-Commerce: was künstliche Intelligenz in der Mode heute tatsächlich leistet, welche Daten sie braucht und wo ihre Grenzen liegen.

• KI in der Mode bezeichnet den Einsatz von maschinellem Lernen, Computer Vision, Sprachmodellen und generativer KI, um Entscheidungen zu unterstützen und Arbeit in Design, Planung, Wholesale, Supply Chain, Marketing und Kundenservice zu automatisieren.
• McKinsey schätzte im März 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; dies ist ein Potenzial, kein gemessenes Ergebnis.
• Die ausgereiftesten Anwendungsfälle in der Mode sind Nachfrageprognose, die Erstellung von Produktcontent, Suche und Empfehlungen sowie Kundenservice, weil sie auf Daten beruhen, über die die meisten Unternehmen bereits verfügen.

Ein praxisnaher Dreimonatsplan für Modeunternehmen: die ersten Anwendungsfälle auswählen, die Daten prüfen, ein aussagekräftiges Pilotprojekt durchführen und entscheiden, was skaliert wird.

• 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.

KI-Shopping-Assistenten, agentischer Checkout, Virtual Try-on und Unternehmensagenten: ein nüchterner Blick darauf, welche Technologietrends in der Mode 2026 Ergebnisse liefern und welche noch vor allem Versprechen sind.

• Der greifbarste Technologietrend in der Mode 2026 ist die KI-gestützte Produktentdeckung: Kundinnen und Kunden suchen und vergleichen Produkte zunehmend über KI-Assistenten, und Händler wie Zalando haben KI-gesteuerte Feeds und Assistenten aufgebaut.
• Agentischer Checkout steht noch am Anfang: OpenAI lancierte 2025 Instant Checkout in ChatGPT und verlagerte Anfang 2026 die Käufe in die eigenen Apps der Händler innerhalb von ChatGPT, unter Verweis auf die Komplexität von Bestand, Steuern und Preisen.
• Google lancierte im Mai 2025 in den USA in Search Labs ein Virtual Try-on mit dem eigenen Foto der Kundschaft, basierend auf einem Bildmodell, das darauf trainiert ist, wie Stoffe fallen, sich dehnen und drapieren.

Eine KI-Strategie ist eine Reihe von Entscheidungen darüber, wo KI die Arbeitsweise des Unternehmens verändern soll, welche Daten und Kompetenzen dafür nötig sind und wie Risiken gesteuert werden. So können Modemarken diese Entscheidungen treffen.

• Eine KI-Strategie für eine Modemarke sollte von Geschäftsprioritäten wie Marge, Bestandseffizienz oder Wachstum in einem Kanal ausgehen und dann ermitteln, wo KI konkrete Entscheidungen und Arbeitsabläufe verändern kann.
• Die BCG-Umfrage unter 1250 Führungskräften aus dem Jahr 2025 ergab, dass nur 5 Prozent der Unternehmen substanziellen Wert aus KI schöpfen, während 60 Prozent nur minimale Umsatz- und Kosteneffekte melden.
• BCG schätzt, dass rund 70 Prozent des potenziellen Werts von KI in Kernfunktionen wie Vertrieb und Marketing, Produktion, Supply Chain und Preisgestaltung liegen und nicht in der IT.

Den meisten Unternehmen fällt es schwer nachzuweisen, dass sich KI auszahlt. Ein praxisnahes Rahmenwerk für die Mode: Ausgangswerte, Kontrollgruppen, die richtigen Kennzahlen je Anwendungsfall und das vollständige Kostenbild.

• Um den ROI von KI in der Mode zu messen, braucht es eine Ausgangsbasis vor Projektbeginn, eine Kontrollgruppe während des Pilotprojekts und eine vollständige Kostenrechnung, die Integration, Datenarbeit und die Prüfzeit von Menschen einschliesst.
• 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.
• In der McKinsey-Umfrage State of AI 2026 führten 37 Prozent der Befragten zumindest einen gewissen EBIT-Effekt auf KI zurück, unverändert gegenüber 2025, während nur 6 Prozent 5 Prozent oder mehr darauf zurückführten.

Modeunternehmen können KI als Software kaufen, auf eigenen Daten selbst entwickeln oder mit Technologiepartnern umsetzen. Wann welche Option sinnvoll ist, was die Belege sagen und wie sich ein Lock-in vermeiden lässt.

• Die meisten Modeunternehmen sollten KI für gängige Aufgaben kaufen, nur dort selbst entwickeln, wo eigene Daten und Prozesse einen echten Vorteil schaffen, und mit Partnern arbeiten, wenn sie sowohl Skalierung als auch Anpassung brauchen.
• Die NANDA-Initiative des MIT berichtete 2025, dass der Kauf von KI-Tools bei spezialisierten Anbietern und der Aufbau von Partnerschaften in rund 67 Prozent der Fälle erfolgreich waren, interne Eigenentwicklungen dagegen nur ein Drittel so oft.
• In der McKinsey-Umfrage State of AI 2026 gaben 32 Prozent der Befragten an, ihre Organisation habe auf den Kauf mindestens eines Softwareprodukts oder einer Funktion verzichtet, weil sie diese mit agentischen Coding-Tools selbst entwickeln konnte.

KI-Agenten können Schritte planen und Werkzeuge nutzen, statt nur Fragen zu beantworten. Was das für Modeunternehmen praktisch bedeutet, welche Aufgaben sich eignen und welche Kontrollen zuerst stehen müssen.

• Ein KI-Agent ist ein System, das ein Ziel über mehrere Schritte verfolgt und Werkzeuge wie Suche, Datenbanken oder Geschäftsanwendungen nutzen kann, statt nur Text zu erzeugen.
• Agenten sind am nützlichsten bei mehrstufigen, regelgebundenen Aufgaben mit klaren Erfolgskriterien, etwa beim Zusammentragen von Orderinformationen oder der Vorbereitung von Berichten.
• Das Risiko eines Agenten wächst mit seinen Berechtigungen, deshalb sollte das Lesen von Daten vom Ändern getrennt werden.

Die meisten KI-Projekte in der Mode scheitern an den Daten, nicht an den Algorithmen. Welche Daten am wichtigsten sind, was zuerst bereinigt werden sollte und wie Produkt-, Bestands- und Verkaufsdaten KI-fähig werden.

• Für die meisten Modeunternehmen haben strukturierte Produktstammdaten bei KI die erste Datenpriorität: einheitliche Kennungen, Attribute, Materialzusammensetzungen und Bilder für jeden Style, jede Farbe und jede Grösse.
• Gartner prognostiziert, dass Organisationen bis 2026 60 Prozent der KI-Projekte aufgeben werden, die nicht auf KI-fähigen Daten beruhen, und stellte fest, dass 63 Prozent der Organisationen die richtigen Datenpraktiken fehlen oder sie unsicher sind, ob sie darüber verfügen.
• Präzise Bestandsdaten sind die zweite Priorität, denn Empfehlungen und Assistenten, die nicht verfügbare Produkte vorschlagen, schaden dem Vertrauen; Ask Ralph von Ralph Lauren etwa empfiehlt Artikel auf Basis des aktuellen Bestands.

Die meisten KI-Projekte in der Mode scheitern an den Daten, nicht an den Algorithmen. Ein praktischer Readiness-Check über Produkt-, Kunden-, Order- und Bestandsdaten, mit den wirksamsten Korrekturen.

• Die wichtigste Einschränkung für KI in der Mode ist meist die Qualität, Einheitlichkeit und Zugänglichkeit der Daten, nicht die Verfügbarkeit von Modellen.
• Produktstammdaten, Kundendatensätze, Orderhistorie und Bestandsdaten brauchen jeweils eine benannte verantwortliche Person und vereinbarte Definitionen.
• Einheitliche Kennungen für Modelle, Farben, Grössen und Accounts über alle Systeme sind Voraussetzung für fast jeden KI-Anwendungsfall.

KI verändert die Arbeit in Design, Merchandising, Vertrieb und Service. Welche Kompetenzen Modeunternehmen brauchen, wie sie KI-Teams organisieren und wie sie KI-Kompetenz nachhaltig aufbauen.

• Modeunternehmen brauchen drei Ebenen von KI-Kompetenzen: eine breite KI-Kompetenz für alle Mitarbeitenden, angewandte Kompetenzen für die Teams, deren Arbeitsabläufe sich verändern, und Spezialwissen in Daten, Engineering und Governance.
• Der Future of Jobs Report 2025 des World Economic Forum erwartet, dass sich bis 2030 fast 40 Prozent der beruflichen Kompetenzen verändern, und zählt KI und Big Data zu den am schnellsten wachsenden Kompetenzen.
• Die Superagency-Studie von McKinsey vom Januar 2025 ergab, dass 13 Prozent der Mitarbeitenden generative KI nach eigenen Angaben für mindestens 30 Prozent ihrer täglichen Arbeit nutzten, während die Geschäftsleitung diesen Anteil auf 4 Prozent schätzte.

Mitarbeitende nutzen KI-Werkzeuge bereits, mit oder ohne Richtlinie. Ein schlanker Governance-Rahmen für Modeunternehmen: was erlaubt ist, was kontrolliert wird und wer entscheidet.

• KI-Governance sollte mit einer Bestandsaufnahme beginnen, wie KI im Unternehmen bereits genutzt wird, denn informelle Nutzung ist meist weit verbreitet.
• Eine kurze, klare Nutzungsrichtlinie, die festhält, welche Daten nie in externe Werkzeuge eingegeben werden dürfen, verhindert die meisten praktischen Risiken.
• Eine Risikoeinstufung nach Anwendungsfall erlaubt leichte Regeln für Aufgaben mit geringem Risiko und strengere Kontrollen für Entscheidungen, die Kunden, Mitarbeitende oder Finanzen betreffen.

Der EU AI Act ist in Kraft, und der Digital Omnibus hat die Fristen für Hochrisikosysteme verschoben. Was für Modemarken und Händler bereits gilt, was als Nächstes kommt und wo die tatsächlichen Risiken liegen.

• Der EU AI Act, Verordnung (EU) 2024/1689, trat am 1. August 2024 in Kraft; die Verbote und die Pflicht zur KI-Kompetenz gelten seit dem 2. Februar 2025, die Transparenzvorschriften nach Artikel 50 seit August 2026.
• Der Digital Omnibus zur KI, Verordnung (EU) 2026/1744, trat am 27. Juli 2026 in Kraft und verschob die Pflichten für Hochrisikosysteme auf den 2. Dezember 2027 für Anwendungen nach Anhang III und auf den 2. August 2028 für KI in regulierten Produkten.
• Der Grossteil der KI in der Mode, etwa Nachfrageprognosen, Empfehlungen und die Erstellung von Produktinhalten, fällt in die Kategorie mit minimalem Risiko. KI für Personalauswahl, Personalmanagement oder Verbraucherkredite kann jedoch ein Hochrisikosystem sein.

Von virtuellen Models bis zu Grössenempfehlungen kann KI in der Mode enge Schönheitsnormen reproduzieren. Woher Verzerrungen kommen, was die Forschung zeigt und wie Marken ihre Systeme testen können.

• Verzerrungen in der Mode-KI entstehen, wenn Trainingsdaten, Designentscheidungen oder Evaluierungen bestimmte Körpergrössen, Hauttöne, Altersgruppen oder Geschlechter unterrepräsentieren, was für diese Kundinnen und Kunden zu schlechteren Ergebnissen führt.
• Die Studie Gender Shades von 2018 ergab, dass kommerzielle Systeme zur Gesichtsanalyse bei Frauen mit dunkler Haut am schlechtesten abschnitten, mit einer Genauigkeit von nur 65,3 Prozent gegenüber 99,7 Prozent bei Männern mit heller Haut in einem der Systeme.
• Eine 2025 auf der NAACL vorgestellte Studie analysierte 4000 von DALL-E 3 generierte Bilder, um Vorurteile gegen dicke und zugunsten dünner Körper in KI-generierten Bildern zu untersuchen.