Wie kann KI Retouren in der Mode senken? 12 Hebel nach voraussichtlicher Wirkung

KI senkt Retouren in der Mode am zuverlässigsten dort, wo sie der Kundschaft hilft, die richtige Grösse zu wählen, und ein genaues Bild des Produkts vermittelt. Die wirksamsten Hebel sind nach heutiger Evidenz Grössenhinweise, Grössenempfehlungen und massbasierte Passformwerkzeuge, gefolgt davon, Retourengründe konsequent in die Produktdaten zurückzuführen. Retourenprognose, generative virtuelle Anprobe und automatisierte Retourenabwicklung können Mehrwert bringen, haben aber dünnere öffentliche Evidenz und sollten vor einer Skalierung getestet werden.

Warum gerade jetzt auf Retouren fokussieren?

Die US National Retail Federation schätzte im Oktober 2025, dass die Retouren im US-Einzelhandel 2025 849,9 Milliarden US-Dollar erreichen würden und dass Online-Retouren 19,3 Prozent der Online-Umsätze entsprächen. Mode liegt über diesem Durchschnitt. Zalando schrieb im Juni 2026, dass die Retourenquoten im europäischen Online-Modehandel rund 50 Prozent erreichen können, wobei Grösse und Passform für bis zur Hälfte dieser Retouren verantwortlich sind, und dass Jeans 65 Prozent erreichen können. Jede Retoure verursacht Kosten für Transport, Handling, Neuverpackung und Abschriften, dazu Emissionen durch zusätzliche Sendungen.

Wie sind die 12 Hebel geordnet?

Die folgende Rangliste ist eine redaktionelle Einschätzung, keine gemessene Tabelle. Sie gewichtet drei Faktoren: veröffentlichte Wirkungsnachweise in der Mode, den Anteil der Retouren, den der Hebel adressiert (Grösse und Passform sind der grösste), und wie direkt der Hebel die Kaufentscheidung verändert. Die tatsächlichen Ergebnisse hängen von Kategorie, Kundenbasis und Datenqualität ab.

Lesen Sie auch

Wie wird KI im Kundenservice der Mode eingesetzt, und wo scheitert sie?

Welche Hebel haben die stärkste Evidenz?

Grössen- und Passformwerkzeuge liegen vorne, weil sie den grössten Retourentreiber adressieren und veröffentlichte Ergebnisse vorweisen. Laut Zalando zeigen Grössenhinweise der Kundschaft, ob ein Artikel kleiner oder grösser ausfällt als erwartet; dafür werden Masse der Marken, Retourengründe und Erkenntnisse geschulter Fit-Models genutzt. Das Unternehmen berichtet, dass Grössenberatung grössenbedingte Retouren im Vergleich zu Artikeln ohne Beratung um 10 Prozent senkte, dass seine Grössen- und Passformlösungen 2025 8 Prozent der grössenbedingten Retouren verhinderten und dass Pilotprojekte mit der virtuellen Umkleidekabine für Jeans, die aus Körpermassen einen 3D-Avatar erstellt, die Retourenquote um bis zu 40 Prozent senkten. Es handelt sich um Angaben eines einzelnen grossen Händlers, doch sie sind die detailliertesten öffentlich verfügbaren Daten.

Die Erfassung von Körpermassen ist eher ein Wegbereiter als ein eigenständiger Hebel. Laut Zalando haben mehr als 1,5 Millionen Kundinnen und Kunden das Tool ausprobiert, das Masse aus zwei Fotos oder einem Video vom Smartphone vorhersagt.

Welche Hebel packen die Ursache an?

Grössenberatung hilft der Kundschaft, mit uneinheitlichen Grössen umzugehen; die Grössen selbst korrigiert sie nicht. Die Hebel 4, 6 und 10 zielen auf die Ursache. Zeigen die Retourengründe, dass ein Style durchgehend als an den Hüften zu eng zurückkommt, lässt sich Schnitt oder Gradierung für die nächste Order oder Saison korrigieren. Fassen Sprachmodelle Freitext-Retourenkommentare und Bewertungen zusammen, können sie Probleme wie irreführende Farben auf Produktbildern oder pillende Stoffe sichtbar machen. Diese Hebel bringen selten schnelle Erfolge, weil Änderungen einen Produktionszyklus brauchen, bis sie bei der Kundschaft ankommen, doch sie senken die Retouren in allen Kanälen gleichzeitig.

Wo ist die Evidenz dünner?

Die Retourenprognose ist gut erforscht. Eine Studie von 2024 mit Daten eines deutschen Onlinehändlers für Anlassmode erreichte eine Balanced Accuracy von bis zu 0,86 bei künftigen Bestellungen, wenn eine Kundenhistorie vorlag, ohne sie jedoch nur 0,61. Eine Prognose nützt nur, wenn sie eine Massnahme auslöst, die das Verhalten ändert, und veröffentlichte Ergebnisse zu solchen Massnahmen in der Mode sind rar.

Die generative virtuelle Anprobe verbreitet sich schnell. Google lancierte im Mai 2025 ein KI-Experiment zur Anprobe, das Bekleidungsangebote auf einem eigenen Foto der Kundin oder des Kunden zeigt, mit einem Modell, das laut Google berücksichtigt, wie Stoffe fallen, sich dehnen und Falten werfen. Google hat dazu keine Retourendaten veröffentlicht, und bildbasierte Anprobe nutzt keine genauen Masse; ihre Wirkung auf grössenbedingte Retouren ist daher nicht belegt.

Betrug ist real, macht aber nur einen kleineren Teil des Problems aus: Die NRF schätzte, dass 2025 9 Prozent der US-Retouren betrügerisch waren. Erkennungstools schützen die Marge, adressieren aber nicht den grösseren Anteil ehrlicher Retouren, die durch Lücken bei Passform und Erwartungen entstehen.

Wie sollte ein Modeunternehmen priorisieren?

1. Zuerst messen: Retourenquoten nach Kategorie, Style und Grösse sowie den Anteil der Retouren nach Grund berechnen.
2. Die Erfassung der Retourengründe korrigieren, damit die Richtung der Grössenabweichung und «entspricht nicht der Beschreibung» einheitlich erfasst werden.
3. Grössenhinweise und Grössenempfehlungen in den Kategorien mit den höchsten Retouren einführen.
4. Einen monatlichen Kreislauf von den Retourendaten zu Produktentwicklung und Merchandising einrichten.
5. Retourenprognose, virtuelle Anprobe und Kommentaranalyse vor einer Skalierung mit Kontrollgruppen testen.
6. Die Nettowirkung verfolgen: weniger Retouren, aber auch Conversion, Kundenzufriedenheit und Kosten.

Lesen Sie auch

Wie messen Sie Traffic und Umsatz aus KI-Assistenten auf einer Mode-Website?

Von welchen Daten hängt jeder Hebel ab?

• Bestellpositionen, verknüpft mit dem Retourenergebnis auf SKU- und Grössenebene.
• Strukturierte Retourengründe, in jedem Kanal gleich erfasst.
• Genaue gradierte Kleidungsmasse und Passformbeschreibungen.
• Einwilligungs- und Datenschutzkontrollen für Körpermasse und Fotos.
• Eine einzige verantwortliche Stelle für Retourendaten über E-Commerce, Logistik und Produktteams hinweg.