Was ist KI in der Mode? Der umfassende Leitfaden zu KI entlang der Wertschöpfungskette

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. KI in der Mode bezeichnet den Einsatz von maschinellem Lernen, Computer Vision, Sprachmodellen und generativer KI, um Entscheidungen zu unterstützen und Arbeit in Design, Planung, Wholesale, Supply Chain, Marketing und Kundenservice zu automatisieren.
2. McKinsey schätzte im März 2023, dass generative KI die operativen Gewinne der Bekleidungs-, Mode- und Luxusbranche innerhalb von drei bis fünf Jahren um 150 bis 275 Milliarden US-Dollar steigern könnte; dies ist ein Potenzial, kein gemessenes Ergebnis.
3. Die ausgereiftesten Anwendungsfälle in der Mode sind Nachfrageprognose, die Erstellung von Produktcontent, Suche und Empfehlungen sowie Kundenservice, weil sie auf Daten beruhen, über die die meisten Unternehmen bereits verfügen.
4. Der mit OpenAI entwickelte KI-Assistent von Zalando startete 2023 in vier Märkten und wurde laut OpenAI inzwischen auf 25 Märkte in der jeweiligen Landessprache ausgeweitet.
5. Saubere Produktstammdaten, verlässliche Bestandsdaten und eine Verkaufshistorie sind die Voraussetzung für fast jeden KI-Anwendungsfall in der Mode; fehlen sie, liefern Modelle selbstsichere, aber falsche Antworten.

KI in der Mode bezeichnet den Einsatz von maschinellem Lernen, Computer Vision, Sprachmodellen und generativer KI, um Entscheidungen zu unterstützen und Arbeit entlang der gesamten Wertschöpfungskette zu automatisieren, von Design und Merchandising über Wholesale und Supply Chain bis zu Marketing und Kundenservice. In der Praxis geht es weniger um Maschinen, die Kollektionen entwerfen, als um bessere Prognosen, schnelleren Produktcontent und relevantere Suche und Empfehlungen. All das hängt von sauberen, vernetzten Daten ab.

Dieser Leitfaden erklärt, welche Technologien die wichtigsten sind, wo sie entlang der Wertschöpfungskette eingesetzt werden, welche Daten sie benötigen, was schiefgehen kann und wie ein Modeunternehmen einsteigen kann, ohne Geld in Pilotprojekte zu stecken, die nie skalieren.

Was bedeutet KI in der Mode eigentlich?

Künstliche Intelligenz ist ein Sammelbegriff. In einem Modeunternehmen sind damit meist fünf Technologiefamilien gemeint, die sich jeweils für unterschiedliche Probleme eignen. Es ist wichtig zu wissen, welche gemeint ist, denn Daten, Kosten und Risikoprofil einer Absatzprognose unterscheiden sich stark von denen eines generierten Kampagnenbilds.

Die Mode hat besondere Eigenschaften, die KI zugleich attraktiv und schwierig machen. Produkte haben kurze Lebenszyklen, sodass viele Artikel keine Verkaufshistorie haben. Jeder Style vervielfacht sich in Farben und Grössen. Geschmack lässt sich schwer quantifizieren, und die Nachfrage kann sich durch Wetter, Social Media oder Prominente schnell verschieben. Zudem verkaufen die meisten Marken über mehrere Kanäle gleichzeitig (Wholesale, eigener Retail, E-Commerce und Marktplätze), jeweils mit eigenen Daten. Ein Modell, das für einen Lebensmittelhändler funktioniert, funktioniert für eine Modemarke selten ohne Anpassung.

Hilfreich ist die Unterscheidung zwischen prädiktiver und generativer KI. Prädiktive Systeme beantworten Fragen wie die, wie viele Einheiten eines Styles in einer bestimmten Filiale verkauft werden, und sie werden an ihrer Genauigkeit gegenüber dem tatsächlichen Ergebnis gemessen. Generative Systeme erzeugen neue Texte, Bilder oder Entwürfe und werden nach Qualität, Korrektheit und Markenpassung beurteilt, was in der Regel eine Prüfung durch einen Menschen erfordert. Viele praktische Anwendungen kombinieren beides: Ein Shopping-Assistent kann ein Sprachmodell nutzen, um eine Frage zu verstehen, und ein Empfehlungsmodell, um die angezeigten Produkte auszuwählen.

Warum hat KI für Modeunternehmen gerade jetzt Priorität?

In The State of Fashion 2026, herausgegeben von The Business of Fashion und McKinsey unter dem Titel When the rules change, befassen sich drei der zehn Themen direkt mit KI: The AI Shopper, Workforce Rewired und Efficiency Unlocked. Laut McKinsey gaben mehr als 35 Prozent der befragten Führungskräfte an, generative KI für den Online-Kundenservice, die Bilderstellung, das Texten, die Kundensuche oder die Produktentdeckung einzusetzen.

Der wirtschaftliche Nutzen wird meist als Potenzial beziffert. Im März 2023 schätzte McKinsey, dass generative KI die operativen Gewinne der Bekleidungs-, Mode- und Luxusbranche innerhalb von drei bis fünf Jahren konservativ um 150 Milliarden US-Dollar und um bis zu 275 Milliarden US-Dollar steigern könnte. Diese Zahl ist eine modellierte Schätzung dessen, was möglich ist, keine Aufzeichnung dessen, was Unternehmen erreicht haben, und sollte in jedem Business Case auch so gelesen werden.

Zwei praktische Veränderungen erklären die Dringlichkeit. Erstens sind Sprach- und Bildmodelle so günstig und zugänglich geworden, dass Aufgaben wie das Schreiben von Produkttexten oder deren Übersetzung in viele Sprachen in grossem Umfang automatisiert werden können. Zweitens beginnen Konsumentinnen und Konsumenten, KI-Assistenten zu nutzen, um Produkte zu suchen und zu vergleichen, was verändert, wie Marken online gefunden werden.

Lesen Sie auch

Wie Modemarken eine KI-Strategie entwickeln

Wie wird KI in Design und Produktentwicklung eingesetzt?

Im Design ist KI meist eine Assistenz für Designerinnen und Designer, kein Ersatz. Die Analyse von McKinsey nennt Einsätze wie das Ausarbeiten von Skizzen zu detaillierteren Entwürfen, die Bereicherung der Produktideenfindung und die Individualisierung von Artikeln für einzelne Kundinnen und Kunden. Verbreitete Anwendungen sind heute:

• Trendanalysen aus Such-, Social-Media- und Verkaufsdaten als Grundlage für die Sortimentsplanung.
• Das Generieren von Moodboards sowie Farb- und Druckvarianten, um die frühe Ideenfindung zu beschleunigen.
• Das Entwerfen technischer Beschreibungen und die Prüfung von Spezifikationen auf Vollständigkeit.
• Die Wiederverwendung bestehender Schnitte und Grundschnitte mittels visueller Ähnlichkeitssuche, damit Teams auf Bewährtem aufbauen.

Die Grenzen sind real. Generierte Entwürfe können bestehenden Werken ähneln, was Fragen des geistigen Eigentums aufwirft, die Gerichte und Gesetzgeber noch klären. Bildmodelle neigen zudem dazu, Stile zu mitteln, was die Identität einer Marke verwässern kann. Die meisten Marken lassen deshalb die Kontrolle klar bei ihren Designteams und betrachten generierte Ergebnisse als Ausgangspunkt.

Wie unterstützt KI Merchandising, Planung und Einkauf?

In der Planung hat prädiktive KI die längste Erfolgsbilanz. Modelle prognostizieren die Nachfrage auf Ebene von Style, Farbe, Grösse und Standort, empfehlen Grössenverteilungen, schlagen vor, wie Ware auf Filialen und Kanäle verteilt werden soll, und geben Hinweise, wann und wie stark reduziert werden sollte. Der Nutzen entsteht dadurch, dass viele kleine Entscheidungen jede Woche etwas besser getroffen werden, nicht durch eine einzelne spektakuläre Vorhersage.

Das schwierigste Problem ist das neue Produkt ohne Historie, das in der Mode einen grossen Teil jeder Kollektion ausmacht. Hier ziehen Modelle typischerweise ähnliche frühere Produkte heran und nutzen Attribute wie Kategorie, Stoff, Passform, Farbe und Preislage. Das funktioniert nur, wenn diese Attribute in den Produktdaten konsistent erfasst sind, weshalb Planungs-KI und Produktdatenqualität eng zusammenhängen.

Welche Rolle spielt KI im Wholesale und im B2B?

Wholesale erzeugt reichhaltige Daten: Aufträge nach Kunde, Saison und Lieferfenster und bei manchen Marken auch Sell-out-Daten, die Handelspartner teilen. KI kann diese Daten nutzen, um Re-Orders vorzuschlagen, kundenspezifische Sortimente zu empfehlen, Aussendienstmitarbeitende auf Termine vorzubereiten, Aufträge aus E-Mails oder PDFs auszulesen und den Handel mit vollständigem Produktcontent zu versorgen.

Voraussetzung sind Daten, die oft verstreut sind: Aufträge liegen im ERP, Line Sheets in Tabellen und Sell-out-Berichte in unterschiedlichen Formaten je Händler. Vereinbarungen mit Handelspartnern darüber, welche Sell-out-Daten wie oft und in welchem Format geteilt werden, sind so wichtig wie jeder Algorithmus.

Vertriebsteams sind eine naheliegende Zielgruppe für KI-Assistenten. Vor einem Termin kann ein Aussendienstmitarbeiter eine Zusammenfassung erhalten, was ein Kunde in der letzten Saison gekauft hat, welche Styles abverkauft wurden und welche Kernartikel knapp werden. Nach dem Termin kann KI helfen, Notizen in Aufträge und Folgenachrichten umzuwandeln. Diese Tools sparen nur dann Zeit, wenn die zugrunde liegenden Auftrags-, Produkt- und Bestandsdaten vollständig und aktuell sind.

Wie wird KI in Supply Chain und Beschaffung eingesetzt?

Die Wertschöpfungskettenanalyse von McKinsey verweist auf die Unterstützung bei Lieferantenverhandlungen und auf die Erweiterung der Lagerautomatisierung. Weitere etablierte Einsätze sind die Vorhersage von Lieferzeiten, die Positionierung von Beständen näher an der erwarteten Nachfrage, die Erkennung von Stoff- und Verarbeitungsfehlern mit Computer Vision und die Zusammenstellung von Compliance-Dokumentation. Bessere Prognosen können Überproduktion verringern, doch das Ausmass dieses Effekts hängt stark von der Ausgangslage, dem Produktmix und davon ab, wie weit das Unternehmen bereit ist, seinen Einkaufsprozess zu ändern.

Auch die Regulierung schafft neue Datenanforderungen. Der von der EU geplante Digitale Produktpass für Textilien wird strukturierte Produkt- und Lieferketteninformationen verlangen, und KI kann helfen, diese Informationen zu extrahieren, zu prüfen und zu pflegen, sofern die zugrunde liegenden Lieferantendaten vorhanden sind.

Wie nutzen Marken KI in Marketing, Content und E-Commerce?

Kundennahe Anwendungen sind am sichtbarsten. Zalando entwickelte seinen Assistenten mit OpenAI und führte ihn 2023 in vier deutsch- und englischsprachigen Märkten ein; laut OpenAI wurde er inzwischen auf 25 Märkte in der jeweiligen Landessprache ausgeweitet. Nach dem Wechsel auf ein neueres Modell verzeichnete der aktualisierte Assistent gegenüber der Vorgängerversion 23 Prozent mehr Produktklicks und mehr als 40 Prozent mehr Produkte, die auf Wunschlisten gesetzt wurden, wie OpenAI berichtet.

In der Contentproduktion kündigte H&M im März 2025 an, KI-gestützte digitale Zwillinge von 30 Models zu erstellen. Laut FashionUnited haben die Models zugestimmt, behalten die Kontrolle über die Verwendung ihrer Abbilder und werden entsprechend ihren üblichen Honoraren bezahlt; die ersten Bilder sollten Wasserzeichen tragen. Das Projekt stiess zugleich auf öffentliche Kritik wegen der Folgen für Arbeitsplätze in der Branche, was zeigt, dass die Reputationsseite generierter Bilder ebenso viel Aufmerksamkeit braucht wie die Technologie.

Weitere verbreitete Einsätze sind das Generieren und Übersetzen von Produktbeschreibungen, eine verbesserte Onsite-Suche, bei der Kundinnen und Kunden in Alltagssprache beschreiben können, was sie suchen, personalisierte Produktlisten, die Beantwortung von Kundenservice-Anfragen und die Aufbereitung von Content, damit er von KI-Suchmaschinen gefunden und korrekt beschrieben wird, eine Disziplin, die oft als Generative Engine Optimization bezeichnet wird.

Welche Daten braucht KI in der Mode?

Jeder der genannten Anwendungsfälle hängt von wenigen Datengrundlagen ab. Die folgende Tabelle zeigt, was jeder Bereich braucht und wo typischerweise Lücken auftreten.

Die Datenmenge ist selten das Hauptproblem. Struktur und Konsistenz sind es. Eine Marke mit fünf Saisons sauber und einheitlich attributierter Daten steht in der Regel besser da als eine mit fünfzehn Jahren inkonsistenter Datensätze.

Welche Risiken und Grenzen hat KI in der Mode?

• Selbstsicher vorgetragene Fehler: Sprachmodelle können Produktdetails erfinden, etwa eine falsche Faserzusammensetzung, was rechtliche Risiken und Retourenrisiken schafft.
• Verzerrungen: Bild- und Empfehlungssysteme können Körpertypen, Hauttöne oder Preissegmente unterrepräsentieren, wenn die Trainingsdaten einseitig sind.
• Geistiges Eigentum: Die Rechte an generierten Entwürfen und Bildern sowie die Nutzung fremder Werke im Training sind weiterhin umstritten.
• Datenschutz: Personalisierung nutzt Kundendaten, die unter die DSGVO und vergleichbare Gesetze fallen.
• Kosten und Lock-in: Nutzungsbasierte Preise können schnell steigen, und ein Anbieterwechsel kann teuer werden, sobald Prozesse von einem System abhängen.
• Menschen: Veränderungen von Rollen in Content, Kundenservice und Planung erfordern offene Kommunikation und Schulung.

Die Regulierung ist inzwischen in Kraft. Nach dem EU AI Act gelten die verbotenen Praktiken und die Bestimmung zur KI-Kompetenz seit dem 2. Februar 2025, die Pflichten für KI-Modelle mit allgemeinem Verwendungszweck seit dem 2. August 2025. Ab dem 2. August 2026 ist der Act allgemein anwendbar, einschliesslich der Transparenzpflichten nach Artikel 50. Der AI Omnibus, am 24. Juli 2026 im Amtsblatt veröffentlicht, verschob laut dem Future of Privacy Forum die Frist für die in Anhang III aufgeführten Hochrisikosysteme auf den 2. Dezember 2027 und schwächte die Bestimmung zur KI-Kompetenz zu einer Pflicht ab, die Entwicklung von KI-Kompetenz zu unterstützen.

Lesen Sie auch

KI im Modeunternehmen einführen: ein 90-Tage-Plan

Wie sollte ein Modeunternehmen mit KI beginnen?

1. Wählen Sie zwei oder drei Geschäftsprobleme mit klarer Verantwortung und messbarem Ergebnis, etwa Prognosegenauigkeit oder die Zeit bis zur Veröffentlichung eines Produkts.
2. Prüfen Sie die Daten, die diese Probleme erfordern, und schliessen Sie zuerst die wichtigsten Lücken, meist bei Produktattributen und Bestandsgenauigkeit.
3. Führen Sie ein zeitlich begrenztes Pilotprojekt gegen eine Kontrollgruppe durch, mit vorab vereinbarten Kosten und Erfolgskriterien.
4. Legen Sie eine grundlegende Governance fest: ein Verzeichnis der eingesetzten KI-Tools, Regeln für Kundendaten und generierten Content sowie Schulungen für die beteiligten Teams.
5. Skalieren Sie nur, was seinen Wert bewiesen hat, und gestalten Sie den umgebenden Workflow neu, statt KI auf einen unveränderten Prozess aufzusetzen.

KI wird weder eine unklare Sortimentsstrategie noch eine kaputte Supply Chain reparieren. Sorgfältig eingesetzt, auf guten Daten und mit klarer Verantwortung, kann sie ein Modeunternehmen bei vielen alltäglichen Entscheidungen schneller und präziser machen, und genau dort liegt der grösste Teil ihres Werts.

Häufige Fragen

Was ist KI in der Modebranche?

KI in der Modebranche bedeutet, maschinelles Lernen, Computer Vision, Sprachmodelle und generative KI einzusetzen, um Entscheidungen zu unterstützen und Aufgaben zu automatisieren. Typische Einsätze sind Nachfrageprognose, das Verfassen von Produktbeschreibungen, visuelle Suche, Shopping-Assistenten und Supply-Chain-Planung. Am besten funktioniert sie mit sauberen, gut strukturierten Produkt-, Verkaufs- und Bestandsdaten.

Wie nutzen Modemarken KI heute?

Modemarken nutzen KI vor allem für Prognose und Planung, das Generieren und Übersetzen von Produktcontent, Suche und Empfehlungen, Kundenservice und Marketingbilder. Zalando etwa betreibt einen mit OpenAI entwickelten KI-Shopping-Assistenten in 25 Märkten, und H&M hat mit deren Zustimmung KI-gestützte digitale Zwillinge von Models erstellt. Die meisten Einsätze unterstützen Menschen, statt sie zu ersetzen.

Wird KI Modedesigner ersetzen?

Es gibt keine Belege dafür, dass KI Designerinnen und Designer als Berufsstand ersetzt. KI-Tools beschleunigen Ideenfindung, Trendrecherche und Variantenarbeit, doch generierte Entwürfe werfen Fragen des geistigen Eigentums auf und neigen dazu, Stile zu mitteln. Marken lassen die Kontrolle in der Regel bei ihren Designteams und nutzen KI-Ergebnisse als Ausgangspunkt.

Ist KI in der Mode reguliert?

Ja, in der EU gilt der AI Act. Verbotene Praktiken und Bestimmungen zur KI-Kompetenz gelten seit Februar 2025, die Regeln für KI mit allgemeinem Verwendungszweck seit August 2025, und ab August 2026 ist der Act allgemein anwendbar. Zudem regelt Datenschutzrecht wie die DSGVO Personalisierung und Kundendaten.

LeitfadenDer umfassende Leitfaden zur KI-Strategie für ModeunternehmenDen ganzen Leitfaden lesen