Come adidas usa l'IA: dagli archivi di design ai contenuti generativi

adidas usa l'IA in design, ingegneria e marketing: uno strumento generativo addestrato sul suo archivio di sneaker per la creazione di concept, assistenti di programmazione per i suoi ingegneri, uno strumento basato su un modello linguistico che analizza le recensioni dei clienti e la personalizzazione generativa nelle campagne. Dal 2018 ha costruito un'ampia base digitale e di dati, ma non ha descritto pubblicamente i modelli di IA che utilizza nella pianificazione della domanda.

Che cosa ha sviluppato adidas?

Le applicazioni documentate attraversano la catena del valore:

• AI Archive: un'applicazione web, introdotta nel 2022 e descritta dai ricercatori adidas al SIGGRAPH 2023, che utilizza modelli di diffusione addestrati sulle sneaker adidas dagli anni Cinquanta in poi, così che i designer possano esplorare rapidamente centinaia di concept.
• Assistenti per l'ingegneria: un pilota di strumenti di programmazione con IA generativa con 500 ingegneri, presentato da Fernando Cornago di adidas nel 2025.
• Analisi delle recensioni: un chatbot di retrieval-augmented generation (RAG) che effettua ricerche su oltre 2 milioni di recensioni di prodotto ed è al servizio di più di 50 decisori in design, prodotto, marketing e servizio clienti.
• Campagne generative: una campagna per la sneaker Campus in cui i consumatori generavano design personalizzati a partire da immagini caricate, documentata da WARC a dicembre 2025.

Alla base c'è un programma digitale più ampio. The Business of Fashion riferiva nel 2021 che adidas prevedeva di investire oltre 1 miliardo di dollari USA nella trasformazione digitale entro la metà del decennio, di assumere quell'anno più di 1.000 persone nei dati e nella tecnologia e di portare il suo programma membership da 220 milioni di membri verso i 500 milioni entro il 2025.

Perché adidas ha investito nell'IA?

I motivi variano a seconda del caso d'uso. Nel design, l'obiettivo è esplorare più concept più rapidamente restando fedeli al linguaggio stilistico del brand, motivo per cui il modello è stato addestrato sull'archivio di adidas. Nell'ingegneria, l'obiettivo è la produttività: Cornago ha descritto gli strumenti di IA generativa come già una commodity per gli ingegneri, che non si potrebbe più togliere loro. Nella conoscenza del cliente, milioni di recensioni contengono feedback sui prodotti che i team non possono leggere manualmente. Nel marketing, l'obiettivo è una personalizzazione a un costo che la renda praticabile al di là di poche campagne di punta.

Leggi anche

Come Zalando usa l'IA: assistente, personalizzazione e consigli sulla taglia

Come funziona (dati, modelli, processo)?

Lo schema comune è costituito da dati proprietari più modelli generici. AI Archive applica modelli di diffusione alla storia dei prodotti adidas, lasciando ai designer il controllo sul risultato. Lo strumento per le recensioni converte le recensioni in vector embedding, recupera quelle più pertinenti per una domanda e le passa a un modello linguistico che le riassume; secondo il case study, ridurre l'input a circa 3.000 token per richiesta ha abbassato il tempo di risposta da 15,5 a 6 secondi. Gli assistenti di programmazione sono stati introdotti come pilota misurato prima di un utilizzo più ampio.

Lo strumento per le recensioni illustra anche uno schema di governance: il case study descrive un catalogo centrale per la governance di dati e modelli e il tracciamento degli esperimenti, in modo che i team che usano le risposte possano risalire a quali dati e a quale versione del modello le hanno prodotte. Le basi di dati contano anche altrove. Secondo The Business of Fashion, adidas generava già oltre 5 miliardi di euro di vendite da prodotti creati con il design 3D, il che fornisce agli strumenti di design con IA asset digitali con cui lavorare.

Quali risultati ha comunicato adidas?

Esistono dati pubblicati, ma quasi nessuno proviene da rendicontazioni aziendali certificate:

adidas non ha reso noto l'effetto dell'IA su ricavi, margine, inventario o costi di sviluppo prodotto a livello di gruppo, né come l'IA venga utilizzata nella pianificazione della domanda.

Quali sono i limiti e le questioni aperte?

Quanto segue è un'analisi della redazione. La lacuna più grande è la pianificazione. La pianificazione della domanda è probabilmente l'ambito in cui l'IA ha la leva finanziaria maggiore per un'azienda di abbigliamento sportivo, eppure adidas non ha descritto pubblicamente il proprio approccio, per cui qualsiasi affermazione secondo cui adidas utilizza previsioni guidate dall'IA va considerata non verificata. In secondo luogo, le prove sono disomogenee: le storie dei fornitori e le candidature ai premi sono selezionate per mostrare successi e raramente riportano valori di riferimento o insuccessi. In terzo luogo, gli strumenti di design addestrati sugli archivi sollevano la questione di quanto rafforzino l'estetica esistente anziché produrne di nuove. In quarto luogo, gli aumenti di produttività ingegneristica dovuti agli assistenti di programmazione sono autodichiarati e difficili da tradurre in valore di business.

Leggi anche

Come Mango usa l'IA: design generativo, modelli virtuali e Mango Stylist

Che cosa possono imparare le altre aziende della moda?

1. Addestrare o ancorare gli strumenti generativi al proprio archivio e ai propri dati; è da lì che nasce la differenziazione del brand.
2. Usare la RAG per valorizzare feedback non strutturati come le recensioni, e mantenere ridotto il contesto per controllare costi e velocità.
3. Sperimentare gli strumenti di produttività interni con un gruppo definito e misurarne l'adozione prima di scalare.
4. Separare gli esperimenti di marketing dall'IA operativa; una campagna di successo dice poco sulla maturità della pianificazione.
5. Chiedere a fornitori e partner i valori di riferimento, non solo le percentuali di miglioramento.

Analisi: adidas illustra uno schema comune nei grandi brand. L'IA generativa si diffonde rapidamente dove il rischio è basso e i dati sono di proprietà, come nell'esplorazione di design, nella programmazione interna e nell'analisi delle recensioni, mentre l'IA nella pianificazione di base avanza più lentamente ed è discussa meno apertamente.