Wie nutzt ThredUp KI, um Secondhand-Mode in grossem Massstab einzustellen und zu verkaufen?

ThredUp setzt KI an beiden Enden seines Resale-Modells ein. Auf der Angebotsseite erzeugt KI Beschreibungen, Attribute und Masse für Secondhand-Artikel, damit diese schneller und genauer eingestellt werden können. Auf der Nachfrageseite helfen Suche in natürlicher Sprache, Bildsuche und ein KI-Style-Chat der Kundschaft, bestimmte Teile in einem Bestand aus Millionen von Einzelstücken zu finden. Das Unternehmen argumentiert, dass Resale stärker von KI profitiert als der klassische Handel, weil jedes Angebot einzigartig ist.

Warum ist KI für Online-Resale besonders nützlich?

Ein klassischer Händler erhält die Produktdaten von der Marke. Eine Resale-Plattform erhält einen Sack gebrauchter Kleider. Jeder Artikel muss einzeln identifiziert, kategorisiert, vermessen, fotografiert, beschrieben und bepreist werden, und der entstehende Katalog ist zu vielfältig für eine einfache Stichwortsuche. ThredUp gab 2024 an, mehr als 200 Millionen einzigartige Secondhand-Artikel von 60'000 Marken in 100 Kategorien bearbeitet zu haben, wobei jederzeit Millionen von Einzelstücken verfügbar seien.

CEO James Reinhart hat wiederholt argumentiert, dass generative KI «Marktplätzen wie thredUP überproportional zugutekommt», weil sie die strukturierten Produktdaten und das Sucherlebnis schaffen kann, die bei Einzelstücken sonst fehlen.

Wie nutzt ThredUp KI, um Artikel zu bearbeiten und einzustellen?

In der Telefonkonferenz zu den Quartalszahlen im März 2024 gab ThredUp laut EMARKETER an, dass KI Produktbeschreibungen und Attribute aus Artikelfotos erzeugt. Laut Unternehmen reichert dies die Bestandsdatenbank an, beschleunigt die Kategorisierung und verbessert die Genauigkeit der Angebote, was wiederum Suche und Personalisierung unterstützt. Reinhart sagte zudem, da Secondhand-Artikeln Modelfotos fehlen, sehe er generative KI langfristig die manuelle Fotografie ersetzen. Das ist ein erklärtes Ziel, kein gemeldeter Einsatz.

Im März 2025 nannte ThredUp laut PYMNTS KI-gestützte automatisierte digitale Vermessung, um die Genauigkeit der Angebote zu verbessern, sowie KI zur Verbesserung des Bestandsmanagements.

Lesen Sie auch

Wie nutzt The RealReal KI für Authentifizierung, Preisgestaltung und Warenannahme?

Welche KI-Shopping-Tools hat ThredUp lanciert?

Im März 2024 ergänzte ThredUp ein KI-gestütztes Suchwerkzeug, mit dem die Kundschaft nach Anlass, Stimmung und Attribut suchen kann, etwa nach einem «Kleid für den Sonntagsbrunch». EMARKETER berichtete, das Unternehmen habe frühe Zuwächse bei Suchanfragen pro Sitzung, bei der Warenkorbrate aus der Suche und bei den Klickraten genannt, allerdings ohne Zahlen.

Im August 2024 führte ThredUp laut Chain Store Age drei Werkzeuge auf seiner Website ein:

• Suche in natürlicher Sprache, von einfachen Begriffen wie «geblümte Kleider» bis zu detaillierten Anfragen wie «Badeanzug für einen Triathlon».
• Bildsuche: Die Kundschaft lädt ein Foto hoch, fotografiert ein Kleidungsstück oder teilt einen Instagram-Beitrag, um passende oder ähnliche Artikel zu finden.
• Style-Chat, ein KI-Chatbot, der aus Eingaben wie «Outfit für eine Hochzeit im Herbst» komplette Outfits zusammenstellt, die sich anschliessend nach Farbe, Stil und Bedeckung anpassen lassen.

Im März 2025 sagte Reinhart: «Sitzungen mit Bildsuche erzielen um 85 % höhere Konversionsraten.» Derselbe Bericht nannte ein Plus von 32 % beim Volumen an Neukundinnen und Neukunden gegenüber dem Vorjahr. Wie bei den meisten Kennzahlen auf Funktionsebene sind die Nutzerinnen und Nutzer der Bildsuche selbstselektiert und haben vermutlich eine hohe Kaufabsicht. Der Vergleich beweist daher keine Kausalität.

Welche Ergebnisse hat ThredUp seither gemeldet?

ThredUp lancierte seine KI-Shopping-Tools in einer schwierigen Phase: Im zweiten Quartal 2024 sank der Umsatz bei schwachem Europageschäft um 4 % auf 79,8 Millionen US-Dollar, wie MediaPost berichtete, und laut PYMNTS verkaufte ThredUp im vierten Quartal 2024 den Grossteil seines Europageschäfts. Für das zweite Quartal 2026 meldete ThredUp einen Umsatz von 90,8 Millionen US-Dollar, ein Plus von 17 %, einen Rekord von 1,77 Millionen aktiven Käuferinnen und Käufern, ein Plus von 21 %, und 1,87 Millionen Bestellungen, ein Plus von 22 %. Die Mitteilung schrieb dieses Wachstum keinen bestimmten KI-Werkzeugen zu, und das Unternehmen senkte seine Prognose für das zweite Halbjahr mit Verweis auf die wirtschaftliche Unsicherheit bei preissensiblen Käuferinnen und Käufern.

Wie unterstützt KI die Zusammenarbeit von ThredUp mit Marken?

ThredUp betreibt zudem Resale-Programme für andere Händler und Marken, die das Unternehmen Resale-as-a-Service nennt. Chain Store Age nannte Partner wie Journeys, The Container Store, Toms, American Eagle, H&M, Kate Spade und Francesca's. Diese Programme beruhen auf derselben Bearbeitungskette: Die Artikel werden von ThredUp angenommen, identifiziert, beschrieben, vermessen und eingestellt und dann über Resale-Shops der jeweiligen Marke verkauft.

Für eine Marke wird die Qualität der KI-generierten Daten von ThredUp damit Teil des eigenen Kundenerlebnisses. Ein falsches Attribut oder Mass in einem Resale-Angebot unter der eigenen Marke fällt ebenso auf die Marke zurück wie auf die Plattform. Marken, die Resale-Partnerschaften eingehen, sollten daher fragen, wie Artikeldaten erzeugt werden, welcher Anteil von Menschen geprüft wird und wie Fehler korrigiert werden.

ThredUp hat nicht veröffentlicht, ob und wie KI seine Resale-Preise festlegt. Eine automatisierte Preisgestaltung sollte daher nicht vorausgesetzt werden. Reinhart beschrieb den Gesamtansatz als bewusst gewählt und sagte im März 2025: «Unsere KI-Strategie wurde mit einem genau kalkulierten Ansatz entwickelt, um über die Zeit einen Wettbewerbsvorteil aufzubauen und zu halten.»

Lesen Sie auch

Resale und Recommerce: wie Secondhand bei den Marken ankam

Welche Risiken und Lehren gibt es?

Das Hauptrisiko KI-generierter Angebote ist die Genauigkeit: Ein falsches Material, eine falsche Grösse oder ein falscher Zustandshinweis bei einem Einzelstück führt zu Retouren und Enttäuschung, die sich nicht durch Nachbestellen beheben lassen. Generierte Bilder werfen eine ähnliche Vertrauensfrage auf. Bildsuche und Style-Chat hängen zudem davon ab, wie gut Artikel getaggt sind. Fehler in der Bearbeitung fliessen also direkt in die Produktentdeckung ein.

1. Mit strukturierten Daten aus Fotos beginnen, weil jede spätere Funktion davon abhängt.
2. Artikel wo möglich automatisch vermessen; Masse sind bei Resale wichtiger als Grössenetiketten.
3. Visuelle und dialogbasierte Suche anbieten, da die Kundschaft oft einen Look kennt, aber keinen Produktnamen.
4. Generierte Bilder klar kennzeichnen und echte Fotos des tatsächlichen Artikels beibehalten.
5. Konversion und Retouren pro Funktion mit sauberen Kontrollgruppen messen, bevor Erfolge breit kommuniziert werden.