Wie Uniqlo und Fast Retailing KI und Daten im Ariake-Projekt einsetzen

Die Uniqlo-Muttergesellschaft Fast Retailing nutzt KI und Daten vor allem, um im Rahmen des 2017 gestarteten Ariake-Projekts eine nachfragegesteuerte Supply Chain zu betreiben. Das Programm verbindet Kundenfeedback, Verkaufs- und Bestandsdaten mit Planung, Fabriken und automatisierten Lagern, mit dem erklärten Ziel, „genau die Menge genau der Produkte herzustellen, zu transportieren und zu verkaufen, die die Kundschaft will, und zwar genau dann, wenn sie sie will“. KI ist dabei ein Werkzeug innerhalb dieses Informationssystems und nicht dessen Zentrum.

Was hat Fast Retailing aufgebaut?

Das Ariake-Projekt ist nach dem Tokioter Stadtteil benannt, in dem Fast Retailing ein Büro und ein hochautomatisiertes Lager eröffnete. Laut Integrated Report 2025 des Unternehmens wurde es 2017 gestartet, um die Unternehmensführung zu reformieren und „eine neue Art von digitalem Konsumgüterhändler“ zu schaffen. Als Bausteine beschreibt das Unternehmen:

• Geteilte Informationen: seit 2023 weltweite Systeme, die Verkäufe, Lagerbestände und Kundenfeedback pro Filiale in Echtzeit sichtbar machen.
• Integrierte Planung: Verknüpfung von Produktions-, Verkaufs- und Distributionsplänen, Informationsaustausch mit Fabriken, Allokation der Lagerbestände und Transport der Ware in die Filialen.
• KI für Kundenfeedback: schnellere und genauere Analyse von Kundenkommentaren und deren Weitergabe an die Teams, die darauf reagieren.
• Automatisierte Lager: beginnend mit Ariake in Tokio und einschliesslich eines 110'000 Quadratmeter grossen automatisierten Lagers in den Niederlanden, in dem Produkte automatisch kommissioniert, verpackt und sortiert werden.

Warum hat Fast Retailing in KI investiert?

Uniqlo verkauft ein vergleichsweise schmales Sortiment an Basics in sehr grossen Stückzahlen, sodass Prognosefehler in beide Richtungen teuer sind: Überbestände binden Kapital und führen zu Abschriften, Engpässe kosten Umsatz bei Kernartikeln. Als Fast Retailing 2018 die Partnerschaft mit Google Cloud ankündigte, gehörte zu den Zielen, Kundenfeedback schneller in Produkte umzusetzen, sich vom Ansatz „produzieren und abwarten, ob es sich verkauft“ zu lösen, die Kommunikation mit den Fabriken zu verbessern und eine effizientere Distribution aufzubauen.

CEO Tadashi Yanai beschrieb das Projekt ebenso als organisatorischen wie als technischen Wandel: „Informationen allen Mitarbeitenden zugänglich zu machen, ist eine der Grundlagen des Ariake-Projekts, denn es befähigt sie, menschliche Eigenschaften wie Logik, Urteilsvermögen und Empathie für ihre Entscheidungen zu nutzen.“

Lesen Sie auch

Wie Inditex KI und Daten einsetzt: RFID und eine nachfragegesteuerte Supply Chain

Wie funktioniert das (Daten, Modelle, Prozess)?

Fast Retailing hat keine Modelldetails veröffentlicht, doch seine Beschreibungen zeigen, wie die Daten durch die Kette fliessen:

Die Partnerschaft mit Google Cloud verschaffte Fast Retailing Zugang zum Advanced Solutions Lab von Google in Tokio, zu Kollaborationstools sowie Unterstützung bei Nachfrageprognose und Datenzugang. Yanai sagte 2018, die Arbeit sei „weit über die Nachfrageprognose hinausgegangen“ und habe die Zusammenarbeit der Teams verändert. In der Logistik übernimmt das gemeinsam mit Daifuku gebaute Lager Ariake Produkte von Lastwagen, liest elektronische Etiketten aus und prüft den Bestand mit wenig menschlichem Zutun, was einen Betrieb rund um die Uhr ermöglicht.

Analyse: Der Bericht zitiert zudem ein Memo von 1993 mit der Formel „Business = Systems“ und betont, dass Abläufe standardisiert sein müssen, bevor sie digitalisiert werden. Diese Reihenfolge ist der weniger sichtbare Teil der Geschichte: KI-Prognosen helfen nur, wenn Produkt-, Filial- und Bestandsdaten im ganzen Unternehmen einheitlich sind.

Welche Ergebnisse hat Fast Retailing veröffentlicht?

Das konkreteste veröffentlichte Ergebnis betrifft die Logistik. Fast Retailing meldete nach der Automatisierung einen Personalrückgang von 90 Prozent im Verteilzentrum Ariake, und im Oktober 2018 berichtete Retail TouchPoints über geplante Investitionen von 885 Millionen Dollar in die Lagerautomatisierung mit Daifuku. Yanai sagte damals: „Wir wollen so schnell wie möglich weltweit automatisierte Lager einführen.“

Für KI in Planung und Design beschreibt das Unternehmen qualitative Verbesserungen, etwa eine genauere und schnellere Analyse von Kundenfeedback, hat aber Prognosegenauigkeit, Bestandsreduktionen oder Margeneffekte, die der KI zuzurechnen wären, nicht offengelegt. Die finanzielle Entwicklung von Fast Retailing spiegelt viele Faktoren wider, von der Produktstrategie bis zur Filialexpansion, und öffentliche Quellen erlauben es nicht, den Beitrag des Ariake-Projekts zu isolieren.

Wo liegen die Grenzen und offenen Fragen?

Die Zahl zur Lagerautomatisierung wirft die naheliegende Frage auf, was mit den Arbeitsplätzen geschah und wie sich das Modell auf Märkte mit anderen Arbeitskosten übertragen lässt. Grosse Automatisierungsprogramme erfordern zudem hohe Anfangsinvestitionen und amortisieren sich erst nach Jahren. Auf der Datenseite profitiert die Nachfrageprognose für Basics von langen, stabilen Verkaufshistorien; weniger klar ist, wie gut dieselben Methoden bei modisch getriebenen oder neu lancierten Artikeln funktionieren. Schliesslich steht der Begriff „Ariake-Projekt“ für eine breite Transformation, was es Aussenstehenden erschwert, KI von Prozessneugestaltung und organisatorischem Wandel zu unterscheiden.

Lesen Sie auch

Wie Levi Strauss & Co. KI einsetzt: das Datenprogramm und seine Lehren

Was können andere Modeunternehmen daraus lernen?

Analyse: Nur wenige Unternehmen können mit der Grösse oder dem Investitionsbudget von Fast Retailing mithalten, doch die Prinzipien hinter dem Ariake-Projekt gelten für Marken jeder Grösse, denn die meisten betreffen Datendisziplin und Organisation statt fortgeschrittener Algorithmen:

1. Erst standardisieren, dann automatisieren. Einheitliche Produkt-, Filial- und Bestandsdaten sind die Voraussetzung für brauchbare Prognosen.
2. Daten für Menschen sichtbar machen. Fast Retailing stellt den Informationszugang der Mitarbeitenden als Fundament dar; KI unterstützt Entscheidungen, statt sie zu ersetzen.
3. Den Kreislauf mit dem Kundenfeedback schliessen. Kundenkommentare systematisch auszuwerten und an die Produktteams weiterzuleiten, ist ein praxistauglicher KI-Anwendungsfall mit geringem Risiko.
4. Logistik als Teil des KI-Business-Case betrachten. Die bisher am klarsten messbaren Gewinne liegen in automatisierten Lagern, nicht in Algorithmen allein.