Wie Sie Second-Hand-Mode mit KI bepreisen und listen

Um Second-Hand-Ware mit KI zu bepreisen und zu listen, identifizieren Teams jeden Artikel anhand von Fotos, Tags oder Produktkennungen, lassen ein Modell das Listing aus den Produktdaten der Marke plus einem Zustandshinweis entwerfen und nutzen vergleichbare Transaktionsdaten für einen Preisvorschlag, der anschliessend angepasst wird, je nachdem, ob Artikel verkauft werden oder liegen bleiben. Entwürfe und Vorschläge erledigt KI gut; Identifikation, Zustand und Preisgrenzen sollten Menschen dennoch bestätigen, besonders bei höherwertigen Artikeln.

Warum sind Preisgestaltung und Listing der Engpass im Resale?

Jeder Second-Hand-Artikel ist ein Einzelstück mit eigenem Zustand. Die Listing-Arbeit, die im Neuwarenhandel einmal pro Artikel anfällt, fällt im Resale einmal pro Stück an. Jemand muss das genaue Produkt identifizieren, es fotografieren, seinen Zustand beschreiben, Attribute ausfüllen und einen Preis wählen. Dauert das zu lange, übersteigen die Bearbeitungskosten das, was Artikel im niedrigen und mittleren Preissegment einbringen. KI ist attraktiv, weil sie diese Schritte von Minuten auf Sekunden verkürzen kann, sofern ihre Ergebnisse verlässlich sind.

Was kann KI heute beim Listing im Resale leisten?

Marktplätze bieten seit mehreren Jahren KI-Tools für das Listing an. eBay kündigte im September 2023 eine «Magical Listing»-Funktion an, die Titel, Beschreibungen und weitere Produktdetails aus einem Foto erzeugt, und berichtete, dass 30 Prozent der US-App-Verkäuferinnen und -Verkäufer die frühere Version ausprobiert und über 95 Prozent von ihnen KI-generierte Beschreibungen übernommen hätten. Die Ende 2025 eingeführte nächste Generation von eBay erzeugt Titel, Kategorien, Artikelmerkmale und Preisempfehlungen aus Bildern. Eine unabhängige Prüfung von Value Added Resource ergab jedoch, dass das Tool einen Testartikel bei verschiedenen Versuchen auf unterschiedliche Weise falsch identifizierte, sodass Verkäuferinnen und Verkäufer falsche Angaben löschen und manuell korrigieren mussten.

Resale-Spezialisten setzen KI weiter hinten in der Kette ein. Das KI-Tool CLAIR von Rebag wird vom Verkaufspersonal in ausgewählten Bloomingdale's-Filialen genutzt, um gebrauchte Luxusartikel der Kundschaft zu bewerten und Angebote zu machen, wie Retail TouchPoints im August 2024 berichtete. Im Februar 2026 führte das Resale-Technologieunternehmen Archive laut FashionUnited KI-Funktionen für Lagermanagement, Merchandising und Preisanalysen ein sowie einen Pilot mit Agentic-Commerce-Tools für die Kundschaft.

Lesen Sie auch

KI im Resale und Secondhand-Modemarkt: Authentifizierung, Preisfindung und Listings

Wie schlägt KI Resale-Preise vor?

Ein Preismodell für den Resale braucht drei Eingaben: was der Artikel ist (genauer Artikel, Originalpreis, Saison), in welchem Zustand er ist (Klasse und Mängel) und wofür und wie schnell ähnliche Artikel zuletzt verkauft wurden. Nachfragesignale wie Suchanfragen, Merklisten-Einträge und Aufrufe verfeinern die Schätzung. eBay beschreibt seine Preisvorschläge als auf Echtzeit-Transaktionsdaten basierend, mit dem Ziel, Verkaufsgeschwindigkeit und erzielten Preis auszubalancieren.

Für das eigene Resale-Programm einer Marke bietet sich folgende Struktur an: ein Grundpreis als Prozentsatz des ursprünglichen Verkaufspreises je Klasse, angepasst um einen Nachfragefaktor pro Artikel oder Kategorie, mit einer Unter- und Obergrenze, die das Merchandising festlegt. KI hilft beim Nachfragefaktor und bei laufenden Anpassungen; die Preisbänder halten die Preise im Einklang mit der Vollpreispositionierung. Trendsignale aus Resale-Daten sind auch weiter vorne in der Kette nützlich: Artikel, die im Second Hand ihren Wert halten, sind Kandidaten für eine Fortführung oder Neuauflage.

Wie sieht ein praxistauglicher KI-Ablauf für das Listing aus?

1. Erfassen. Jeden Artikel in einem Standardset von Ansichten fotografieren; vorhandene Etikettencodes, QR-Codes oder NFC-Tags scannen.
2. Identifizieren. Den Artikel dem Produktstamm der Marke im PIM zuordnen, wo möglich über die Kennung, sonst über Bilderkennung; Zuordnungen mit geringer Sicherheit zur Prüfung markieren.
3. Bewerten. KI sichtbare Mängel markieren lassen; die prüfende Person bestätigt die Klasse und ergänzt Hinweise.
4. Entwerfen. Titel, Attribute und Beschreibung aus PIM-Daten plus Zustandshinweisen erzeugen; Originalproduktbilder neben den Fotos des Artikels wiederverwenden.
5. Bepreisen. Das klassenbasierte Preisband und die KI-Nachfrageanpassung anwenden; Ausnahmen an das Merchandising weiterleiten.
6. Veröffentlichen und lernen. Auf eigenen und Partnerkanälen listen; Preise planmässig nach Listing-Dauer und Interaktionen anpassen; realisierte Preise ins Modell zurückspielen.

Welche Risiken bergen KI-gestützte Preisgestaltung und Listings?

• Falsche Identifikation. Ein falsches Modell oder Material führt zu falschen Preisen und Retouren; unabhängige Tests von Marktplatz-Tools zeigen, dass dies weiterhin vorkommt.
• Erfundene Details. Generative Modelle fügen womöglich Merkmale oder Materialien hinzu, die nicht vorhanden sind. Beschränken Sie die Generierung auf verifizierte Attribute und Zustandshinweise.
• Falsch dargestellter Zustand. Unzureichend beschriebene Mängel führen zu Retouren und Beschwerden; bei höherwertigen Artikeln sollte die Zustandsbewertung eine menschliche Entscheidung bleiben.
• Preisverfall. Automatische Preissenkungen können Preise unter ein markengerechtes Niveau drücken; Untergrenzen schützen die Positionierung.
• Dünne Datenbasis. Bei neuen Programmen oder seltenen Artikeln gibt es wenige vergleichbare Verkäufe; Vorschläge sollten ihre Sicherheit und Datenbasis ausweisen.

Lesen Sie auch

Wie findet KI die Ursachen von Retouren in der Mode?

Wie sollten Teams die Ergebnisse messen?

Erfassen Sie Listing-Zeit pro Artikel, Anteil der vom Personal bearbeiteten Listings, Fehlerquote bei der Identifikation, realisierten im Vergleich zum vorgeschlagenen Preis, Verkaufsdauer in Tagen und Retouren von Resale-Artikeln nach Grund. ThredUp meldete, dass die Ende 2025 eingeführten Direkt-Listings durchschnittliche Verkaufspreise erzielten, die mehr als doppelt so hoch waren wie auf seinem Kernmarktplatz, eine Erinnerung daran, dass das, was gelistet wird, und wie es präsentiert wird, ebenso wichtig sein kann wie der Algorithmus. Das Ziel sind geringere Bearbeitungskosten pro Artikel und höhere realisierte Preise zugleich; verbessert sich das eine auf Kosten des anderen, müssen die Regeln angepasst werden, nicht nur das Modell.