6 novembre 2026Edizione internazionale
Vol. I · No.
6 novembre 2026
AI IN FASHION
DAILY
Il briefing quotidiano sull’IA nel business della moda
Dove la moda incontra l’intelligenza artificiale.
Strategia, Dati & Regolamentazione · Approfondimenti

92% prevede aumento degli investimenti in IA generativa ma solo 1% dichiara maturità: il divario 2026

La moda impegna miliardi nell'intelligenza artificiale generativa ma quasi tutte le implementazioni rimangono bloccate in fase pilota. Barriere strutturali, dati frammentati e resistenza culturale spiegano il divario.

a person with red hair
Foto: Kristen Plastique / Unsplash

IN SINTESI Sintesi della redazione

  1. Il 92% delle aziende di moda prevede di aumentare gli investimenti in IA generativa nel 2026 mentre solo l'1% descrive la propria implementazione come matura.
  2. Fino al 90% delle iniziative di IA non riesce ad andare oltre la fase pilota, ostacolato da governance debole dei dati, sistemi legacy frammentati e competenze interne limitate.
  3. Oltre il 35% dei dirigenti della moda utilizza già l'IA generativa per il servizio clienti, la creazione di immagini, il copywriting o la scoperta di prodotti.
  4. Zalando ha ridotto i costi di produzione delle immagini del 90% e i tempi da sei-otto settimane a tre-quattro giorni utilizzando l'IA generativa.

Mentre il 92% delle aziende di moda afferma che aumenterà gli investimenti nell'IA generativa, solo l'1% dichiara che la propria implementazione dell'IA ha raggiunto la maturità. Molte sono bloccate in modalità pilota, testando soluzioni IA isolate con impatto limitato, con il ridimensionamento spesso visto come troppo complesso o costoso. Il divario tra intenzione ed esecuzione definisce la sfida tecnologica più urgente del settore nel 2026.

Oltre il 35% dei dirigenti della moda dichiara di utilizzare già l'IA generativa per il servizio clienti online, la creazione di immagini, il copywriting o la scoperta di prodotti. Tuttavia, anche se l'utilizzo si diffonde, fino al 90% dei progetti di IA trasformativi sono bloccati in fase pilota, limitati da barriere strutturali e culturali. La contraddizione è evidente. I budget aumentano, i progetti pilota si moltiplicano e l'implementazione commerciale resta indietro.

Perché la maggior parte dei progetti pilota di IA nella moda non raggiunge la produzione?

Le sfide includono elevati costi di implementazione, sistemi legacy frammentati, competenze interne limitate e incertezza sulla governance e l'etica. Le barriere strutturali includono governance debole, scarsa qualità dei dati e strumenti frammentati, mentre le barriere culturali includono l'assenza di incentivi per premiare l'assunzione di rischi ponderata.

Mentre quasi l'80% dei rivenditori ha avviato progetti pilota di IA, meno del 15% li ha integrati con successo nella produzione su larga scala. Colmare il divario tra pilota e produzione è per il 70% una sfida di gestione del cambiamento e per il 30% una sfida tecnologica. La prova di concetto tecnica ha successo; l'implementazione organizzativa si blocca.

Quali barriere strutturali impediscono il passaggio dalla fase pilota alla produzione?

La qualità dei dati emerge come il vincolo tecnico più comune. L'IA è intelligente solo quanto i dati che consuma; la maggior parte dei rivenditori sta cercando di costruire Ferrari alimentandole con fango. Quando un rivenditore lancia un progetto pilota di IA con un set di dati campione ripulito, di solito funziona perfettamente in un ambiente controllato, ma quando viene portato in produzione, si scontra con la realtà di migliaia di SKU, attributi variabili da centinaia di fornitori e risorse digitali incoerenti.

Tre quarti delle organizzazioni del settore abbigliamento affermano di aver bisogno di una vera governance dei dati prima di affidare all'IA decisioni più importanti. Senza dati di prodotto strutturati, standard di misurazione e convenzioni di denominazione coerenti, anche un progetto pilota di successo non può scalare in modo affidabile nell'intera azienda.

La competizione delle Big Tech per i talenti dell'IA sta facendo aumentare i costi e limitando la disponibilità per gli operatori della moda. C'è una mancanza di professionisti, conoscenza nelle aziende, capacità di adozione e comprensione di ciò che si può fare. Le competenze necessarie per addestrare, implementare e monitorare i sistemi di IA si trovano al di fuori della forza lavoro tradizionale della moda.

Dove ha avuto successo l'implementazione in produzione?

La generazione di contenuti creativi mostra il percorso più chiaro dalla fase pilota alla produzione. Zalando e Nike utilizzano l'IA generativa in diverse funzioni, dalla generazione di immagini alla progettazione di prodotti e personalizzazione; da Zalando, l'IA generativa ha ridotto i costi di produzione delle immagini del 90%. Nel quarto trimestre del 2024, circa il 70% delle immagini delle campagne editoriali di Zalando erano generate dall'IA; la produzione è scesa da sei-otto settimane a tre-quattro giorni, con un costo inferiore di circa il 90%.

In H&M, fino al 90% dei designer dell'azienda utilizza ora l'IA nei propri flussi di lavoro; oltre 700.000 design sono stati generati dal lancio. Entrambi gli esempi condividono un tratto comune: hanno implementato l'IA per accelerare i flussi di lavoro esistenti piuttosto che sostituirli e hanno investito nella gestione del cambiamento insieme alla tecnologia.

Cosa distingue le implementazioni funzionanti dai progetti pilota bloccati?

Le implementazioni di successo trattano l'IA come una priorità organizzativa, non come un esperimento tecnologico. Gli operatori della moda e del lusso devono integrare l'IA nei processi creativi e operativi principali, elevandola a priorità a livello di consiglio di amministrazione piuttosto che limitarla a progetti pilota specifici per funzione. I dipendenti sono desiderosi di formazione sull'IA, ma molte organizzazioni non soddisfano questa domanda.

La sequenza degli investimenti è importante. Gli strumenti di marketing e contenuti hanno ottenuto 3,8 su 5 mentre gli strumenti di produzione e tecnici hanno ottenuto 2,1; l'ordine di acquisto spiega la maggior parte del divario. I brand che hanno acquistato l'IA per il marketing hanno trovato quegli strumenti più facili da adottare perché operavano in ambienti creativi controllati con minori dipendenze dai dati. Gli strumenti di produzione richiedono integrazione tra approvvigionamento, progettazione tecnica, fabbriche e controllo qualità, ciascuno con i propri sistemi e standard di dati.

  • Sponsorizzazione a livello di consiglio di amministrazione e governance interfunzionale
  • Investimento nell'infrastruttura dati prima o insieme all'acquisto di strumenti IA
  • Programmi di formazione formali e supporto all'integrazione dei flussi di lavoro
  • Responsabilità chiara per la qualità dell'output dopo che il team pilota è passato ad altro
  • Costo totale di proprietà modellato al volume di produzione, non al volume pilota

Come dovrebbero le aziende di moda colmare il divario di maturità?

I rivenditori che colmano il divario più rapidamente investono nell'allineamento retail tra le funzioni prima che il progetto pilota venga lanciato, non dopo che ha avuto successo, perché quando il progetto pilota ha successo, la resistenza organizzativa si è già formata. Affrontare le barriere culturali richiede impegno della leadership, comunicazione trasparente su come l'IA cambierà i ruoli e investimento deliberato nello sviluppo della forza lavoro.

La fattibilità e la validazione dei costi devono essere trattate come KPI del progetto pilota, non come cose da risolvere dopo il progetto pilota; se il progetto pilota non può dimostrare che gli output sono producibili al margine target del brand, il progetto pilota non ha dimostrato la prontezza per la produzione. Questo sposta i criteri di successo del progetto pilota dalla prova di concetto tecnica alla prova di implementazione commerciale.

I dirigenti della moda devono essere intenzionali nella costruzione di strumenti che possano fornire valore piuttosto che sperimentare con strumenti esistenti in modo indiscriminato. Gli operatori della moda e del lusso devono integrare l'IA nei processi creativi e operativi principali, elevandola a priorità a livello di consiglio di amministrazione. Il divario di 91 punti tra intenzione di investimento e maturità è un segnale. L'IA funziona quando le organizzazioni cambiano per adattarsi ad essa. La tecnologia da sola non colma il divario.

Domande frequenti

Perché il 92% delle aziende di moda prevede di aumentare gli investimenti in IA generativa mentre solo l'1% dichiara maturità?

Il divario riflette barriere organizzative piuttosto che tecniche. Fino al 90% delle iniziative di IA non riesce ad andare oltre la fase pilota, ostacolato da governance debole dei dati, sistemi legacy frammentati, competenze interne limitate e resistenza culturale. Colmare il divario tra pilota e produzione è per il 70% una sfida di gestione del cambiamento e per il 30% una sfida tecnologica.

Cosa impedisce ai progetti pilota di IA di passare alla produzione nella moda?

Le barriere strutturali includono scarsa qualità dei dati, informazioni di prodotto incoerenti, strumenti frammentati e mancanza di personale qualificato. Le barriere culturali includono assenza di allineamento interfunzionale, formazione insufficiente e nessun incentivo per premiare l'assunzione di rischi ponderata. Tre quarti delle organizzazioni del settore abbigliamento affermano di aver bisogno di una vera governance dei dati prima di affidare all'IA decisioni più importanti.

Quali casi d'uso di IA nella moda sono passati con successo dalla fase pilota alla produzione?

La generazione di contenuti creativi guida il successo dell'implementazione. Zalando ha ridotto i costi di produzione delle immagini del 90% e i tempi da sei-otto settimane a tre-quattro giorni; circa il 70% delle sue immagini delle campagne editoriali del quarto trimestre 2024 erano generate dall'IA. In H&M, fino al 90% dei designer utilizza ora l'IA nei propri flussi di lavoro, generando oltre 700.000 design dal lancio. Entrambi hanno implementato l'IA per accelerare i flussi di lavoro esistenti piuttosto che sostituirli.

Approfondimenti