Wie sich der ROI von KI in der Mode messen lässt
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.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- 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.
- Gartner prognostiziert, dass bis Ende 2027 über 40 Prozent der Projekte mit agentischer KI wegen steigender Kosten, unklaren Geschäftsnutzens oder unzureichender Risikokontrollen eingestellt werden.
- Frühindikatoren wie Klicks oder eingesparte Zeit sind am Anfang nützlich, doch der Business Case sollte an Ergebniskennzahlen wie Marge, Bestandshöhe, Conversion oder Kosten pro Auftrag gemessen werden.
Um den ROI von KI in der Mode zu messen, legen Sie vor Projektbeginn eine Ausgangsbasis fest, vergleichen die Ergebnisse der KI-gestützten Arbeit mit einer Kontrollgruppe, die wie bisher arbeitet, und erfassen sämtliche Kosten, einschliesslich Integration, Datenaufbereitung, Lizenzen und der Zeit, die Menschen für die Prüfung der Ergebnisse aufwenden. Der ROI ist die gemessene Verbesserung einer Geschäftskennzahl, in Geld umgerechnet und durch diese Gesamtkosten geteilt.
Das klingt selbstverständlich, und doch tun es die meisten Unternehmen nicht. Das Ergebnis ist eine grosse Zahl von Pilotprojekten mit begeisterten Anekdoten und ohne belastbare Zahlen.
Warum zeigen so viele KI-Projekte keine Rendite?
Die Belege zur Rendite von KI sind ernüchternd. Die NANDA-Initiative des MIT stellte in ihrem Bericht The GenAI Divide von 2025 fest, dass rund 95 Prozent der untersuchten Pilotprojekte mit generativer KI kaum oder keinen messbaren Effekt auf die Gewinn- und Verlustrechnung hatten, wie Fortune berichtete. Der Bericht hielt zudem fest, dass mehr als die Hälfte der Budgets für generative KI in Vertriebs- und Marketingtools floss, während die grössten Renditen bei der Automatisierung im Backoffice zu finden waren.
Umfragedaten weisen in dieselbe Richtung. In der McKinsey-Umfrage State of AI 2026 führten 37 Prozent der Befragten zumindest einen gewissen EBIT-Effekt auf KI zurück, unverändert gegenüber dem Vorjahr, und nur 6 Prozent führten 5 Prozent oder mehr ihres EBIT auf KI zurück. Gartner wiederum prognostiziert, dass bis Ende 2027 über 40 Prozent der Projekte mit agentischer KI wegen steigender Kosten, unklaren Geschäftsnutzens oder unzureichender Risikokontrollen eingestellt werden.
Die häufigsten Ursachen sind bekannt: keine Ausgangsbasis, keine Kontrollgruppe, Nutzen, der als eingesparte Zeit verbucht, aber nie in tiefere Kosten oder höheren Output umgesetzt wird, und Kosten, die nach dem Pilotprojekt mit zunehmender Nutzung steigen.
Welche Kennzahlen zählen bei KI-Anwendungsfällen in der Mode?
Jeder Anwendungsfall braucht eine primäre Ergebniskennzahl, die für das Geschäft zählt, ergänzt durch einige Frühindikatoren, die früh zeigen, ob sich die Dinge in die richtige Richtung bewegen.
| Anwendungsfall | Primäre Ergebniskennzahl | Frühindikatoren | Wie der Wert realisiert wird |
|---|---|---|---|
| Nachfrageprognose und Allokation | Bruttomarge, Überbestand am Saisonende | Prognosefehler nach Style und Grösse, Fehlbestände | Weniger Abschriften, weniger entgangene Verkäufe |
| Erstellung von Produktcontent | Kosten und Zeit pro veröffentlichtem Produkt | Fehlerquote, Korrekturen pro Text | Schnellere Launches, geringere Agenturausgaben |
| Suche und Empfehlungen | Conversion-Rate, Umsatz pro Besucher | Klickrate, Suchen ohne Treffer | Mehr Umsatz bei gleichem Traffic |
| Unterstützung im Kundenservice | Kosten pro Kontakt, Kundenzufriedenheit | Bearbeitungszeit, Eskalationsquote | Tiefere Servicekosten oder höhere Kapazität |
| Wholesale-Auftragsbearbeitung | Kosten pro Auftrag, Fehlerquote bei Aufträgen | Manuelle Minuten pro Auftrag | Kapazität für mehr Aufträge ohne Neueinstellungen |
| Abschriften und Preisgestaltung | Abverkauf zum Vollpreis, Marge | Rabatttiefe, Reichweite in Wochen | Höhere Marge bei gleichem Volumen |
Frühindikatoren sind nützlich, sollten aber nicht mit Rendite verwechselt werden. Der mit OpenAI entwickelte Assistent von Zalando verzeichnete laut OpenAI nach einem Upgrade gegenüber der Vorgängerversion 23 Prozent mehr Produktklicks und mehr als 40 Prozent mehr Produkte, die auf Wunschlisten gesetzt wurden. Das sind bedeutende Engagement-Gewinne; ob sie sich in Umsatz und Marge niederschlagen, ist eine separate Frage, die jedes Unternehmen selbst messen muss.
Wie legt man eine Ausgangsbasis fest und ordnet Effekte zu?
- Messen Sie die primäre Kennzahl für den Umfang des Pilotprojekts über einen repräsentativen Zeitraum vor Projektbeginn und bereinigen Sie sie nach Möglichkeit um saisonale Effekte.
- Wählen Sie eine vergleichbare Kontrollgruppe: ähnliche Filialen, Kategorien, Märkte oder Kundensegmente, die mit dem bisherigen Prozess weiterarbeiten.
- Lassen Sie das Pilotprojekt lange genug laufen, um normale Schwankungen abzudecken, was in der Mode bei Planungsanwendungen oft mindestens einen Teil einer Saison bedeutet.
- Nutzen Sie kontrollierte Experimente (A/B-Tests) für digitale Anwendungsfälle wie Suche, Empfehlungen und Content, bei denen sich der Traffic aufteilen lässt.
- Halten Sie fest, was sich während des Pilotprojekts sonst noch verändert hat, etwa Aktionen, Preisänderungen oder neue Kollektionen, damit Effekte nicht fälschlich der KI zugeschrieben werden.
Eingesparte Zeit verdient besondere Prüfung. Spart ein KI-Tool jeder Texterin und jedem Texter eine Stunde pro Tag, wird daraus erst dann eine Rendite, wenn das Team mehr Produkte veröffentlicht, Agenturausgaben senkt oder andere Aufgaben übernimmt. Business Cases sollten angeben, was davon eintreten wird.
Welche Kosten gehören in einen KI-Business-Case?
- Lizenzen, Abonnements oder Nutzungsgebühren, einschliesslich ihres Wachstums bei steigendem Volumen.
- Integration in ERP, Produktinformationssysteme, E-Commerce und weitere Systeme.
- Datenaufbereitung und laufende Arbeit an der Datenqualität.
- Prüfung von KI-Ergebnissen durch Menschen, insbesondere bei kundennahem Content.
- Schulung, Change Management und Support für die Nutzenden.
- Monitoring, Sicherheit, rechtliche Prüfung und Compliance-Arbeit.
- Die interne Zeit von Fachexperten, die die Lösung definieren, testen und verbessern.
Wann sollte ein Modeunternehmen ein KI-Projekt stoppen?
Abbruchregeln sollten vereinbart werden, bevor ein Pilotprojekt beginnt. Sinnvolle Auslöser sind: keine messbare Verbesserung der primären Kennzahl gegenüber der Kontrollgruppe, Kosten bei voller Skalierung, die den erwarteten Nutzen übersteigen, Fehlerquoten, die so viel Prüfung erfordern, dass die Einsparungen verschwinden, oder eine geringe Nutzung durch die vorgesehenen Anwender trotz Schulung. Ein Projekt aus diesen Gründen zu beenden, ist ein Zeichen guten Managements, kein Scheitern.
Wie sollten Führungskräfte über den ROI von KI berichten?
Am besten funktioniert eine einfache Portfoliosicht: jeder Anwendungsfall mit seiner Ausgangsbasis, dem aktuellen Ergebnis, den bisherigen Gesamtkosten, den erwarteten Kosten bei voller Skalierung und dem Status (Pilot, Skalierung, Produktivbetrieb oder gestoppt). Eine vierteljährliche Überprüfung erlaubt es Führungskräften, Investitionen zu den Anwendungsfällen zu verlagern, die funktionieren. Hilfreich ist auch, einmalige Kosten wie Integration und Datenbereinigung von wiederkehrenden Kosten wie Nutzungsgebühren und Prüfzeit zu trennen, denn ein Anwendungsfall, der im ersten Jahr teuer wirkt, kann über drei Jahre attraktiv sein, und umgekehrt. Mit der Zeit ist der Anteil der KI-Ausgaben, der in bewährten, gemessenen Anwendungsfällen steckt, selbst ein nützlicher Indikator dafür, ob das Programm Wert schafft.
Häufige Fragen
Wie berechnet man den ROI von KI?
Messen Sie eine Geschäftskennzahl vor und während des KI-Projekts, vergleichen Sie das Ergebnis mit einer Kontrollgruppe, rechnen Sie die Verbesserung in Geld um und teilen Sie sie durch die Gesamtkosten. Zu den Gesamtkosten gehören Lizenzen, Integration, Datenarbeit, Schulung und die Zeit, die Menschen für die Prüfung von KI-Ergebnissen aufwenden. Ohne Ausgangsbasis und Kontrollgruppe sind ROI-Zahlen Vermutungen.
Warum liefern die meisten KI-Projekte keinen ROI?
Häufige Gründe sind eine fehlende Ausgangsbasis, Tools, die nicht in reale Arbeitsabläufe integriert sind, Nutzen, der als eingesparte Zeit verbucht wird, ohne Kosten oder Output zu verändern, und Kosten, die bei der Skalierung steigen. Die NANDA-Initiative des MIT stellte 2025 fest, dass rund 95 Prozent der untersuchten Pilotprojekte mit generativer KI kaum oder keinen messbaren Effekt auf die Gewinn- und Verlustrechnung hatten.
Was ist ein guter KPI für KI in der Mode?
Ein guter KPI ist die Geschäftskennzahl, die der Anwendungsfall verändern soll, etwa Marge und Bestand am Saisonende bei Prognosen, Conversion bei der Suche oder Kosten pro Auftrag bei der Wholesale-Auftragsbearbeitung. Frühindikatoren wie Klicks oder Prognosefehler helfen, Fortschritte früh zu verfolgen. Sie sollten die Ergebniskennzahl aber nicht ersetzen.
Wie lange dauert es, bis KI einen ROI zeigt?
Digitale Anwendungsfälle wie Suche oder Content können über A/B-Tests innerhalb weniger Wochen messbare Ergebnisse zeigen. Planungs- und Prognoseanwendungen brauchen meist mindestens einen Teil einer Saison, um Effekte auf Bestand und Marge zu zeigen. Business Cases sollten den erwarteten Zeitrahmen im Voraus festhalten.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
