Il 92% delle aziende di moda prevede un aumento degli investimenti in IA generativa ma solo l'1% riporta maturità

Il novantadue per cento delle organizzazioni della moda prevede di aumentare i propri investimenti in IA generativa nel 2026, ma solo l'1 per cento riferisce che la propria distribuzione di IA ha raggiunto la maturità, secondo il sondaggio McKinsey e Business of Fashion State of Fashion 2026. Il divario tra intenzioni di spesa e scala operativa sottolinea una difficoltà a livello di settore nel passare l'IA da progetti pilota controllati a flussi di lavoro di produzione che offrono ritorni misurabili.

Oltre il 35 per cento dei dirigenti della moda utilizza già l'IA generativa per il servizio clienti, la creazione di immagini, il copywriting o la scoperta di prodotti, e i dirigenti ora identificano l'IA e le capacità digitali come la più grande opportunità per il settore nel 2026. Tuttavia, fino al 90 per cento delle iniziative di IA non riesce a superare la fase pilota, creando un paradosso in cui l'appetito per gli investimenti supera di gran lunga la capacità di distribuire su scala aziendale.

Perché i progetti pilota di IA nella moda faticano a raggiungere la produzione?

Fino al 90 per cento delle iniziative di IA nella moda non riesce ancora a superare la fase pilota, spesso a causa di fondamenta deboli di dati e tecnologia, secondo il rapporto State of Fashion 2026. La qualità e la frammentazione dei dati rimangono i vincoli tecnici più significativi, poiché molte aziende di moda mancano di sistemi di dati integrati, riducendo l'affidabilità dei risultati dell'IA.

Le sfide citate più frequentemente includono competenze tecniche interne limitate, costi di implementazione elevati e difficoltà nell'integrare l'IA nei flussi di lavoro creativi, secondo la ricerca pubblicata nel 2026. La resistenza culturale è un altro ostacolo importante: i professionisti creativi spesso percepiscono l'IA come una minaccia per l'identità artistica, mentre i team tecnici possono avere difficoltà a comunicare efficacemente con le funzioni di design e prodotto.

I rivenditori intervistati dai benchmark di settore riferiscono che mentre quasi l'80 per cento ha avviato progetti pilota di IA, meno del 15 per cento li ha integrati con successo nella produzione su larga scala. Il divario si amplia quando i progetti pilota incontrano le realtà della produzione: migliaia di SKU, dati di fornitori incoerenti e risorse digitali frammentate che i dataset di dimostrazione puliti non hanno mai esposto.

Quali lacune infrastrutturali bloccano la distribuzione dell'IA su larga scala?

I progetti pilota di successo di solito funzionano su dataset curati con ambito fisso. Gli ambienti di produzione non offrono quel lusso. I dati di produzione sono disordinati, distribuiti, denominati in modo incoerente e governati da politiche IT che non sono state scritte pensando all'IA. I team della moda si trovano ad affrontare archivi di modelli archiviati in formati di file incoerenti, librerie di tech pack incomplete e tassonomie di attributi che variano per regione e categoria.

L'implementazione di successo spesso richiede investimenti sostanziali in infrastruttura digitale, dataset di alta qualità, risorse computazionali e formazione della forza lavoro. I costi di integrazione rimangono elevati e il ritorno sull'investimento è ancora incerto per le piccole e medie imprese. Questi requisiti possono creare barriere per le piccole e medie imprese di moda, i designer indipendenti e le comunità artigianali che possiedono un significativo patrimonio culturale ma capacità tecnologica limitata.

Il debito tecnico accumulato nel corso di decenni di sistemi legacy aggrava il problema. Un sondaggio di Sourcing Journal ha rilevato che oltre la metà delle aziende sta ancora eseguendo programmi pilota di IA. Circa una azienda su cinque ha ampliato l'uso dell'IA e solo il 2 per cento è arrivato a integrare l'IA nei propri processi decisionali.

Dove ha avuto successo la distribuzione dell'IA nelle operazioni della moda?

La produzione creativa rappresenta la storia di successo più chiara. In Zalando, l'IA generativa ha ridotto i costi di produzione delle immagini del 90 per cento. Zalando ha prodotto circa il 70 per cento dei suoi contenuti editoriali con l'IA generativa, riducendo la produzione da sei-otto settimane a tre-quattro giorni e i costi delle immagini fino al 90 per cento.

Nel febbraio 2026, ASOS ha integrato un toolbox di IA generativa nelle sue operazioni di design, qualificando più di 100 designer nel processo. In un importante sviluppo nel settembre 2025, Ralph Lauren ha lanciato Ask Ralph, un'esperienza di shopping con IA conversazionale alimentata da Microsoft Azure OpenAI. Queste distribuzioni condividono tratti comuni: ambito ristretto, metriche di successo chiare e integrazione nei flussi di lavoro esistenti piuttosto che sostituzione totale.

La tecnologia di prova virtuale ha mostrato un impatto misurabile sui resi. I primi progetti pilota hanno riportato riduzioni dei tassi di reso dal 15 al 25 per cento, rappresentando sostanziali risparmi sui costi dato che i resi di prodotti nella vendita al dettaglio di moda online possono superare il 30 per cento degli acquisti. Zalando ha implementato la tecnologia di misurazione del corpo che ha ridotto i resi del 10 per cento nel primo anno di distribuzione, risparmiando circa dieci milioni di euro in costi di logistica inversa.

Quali barriere impediscono alle organizzazioni di raggiungere la maturità dell'IA?

La maturità richiede più della tecnologia. L'implementazione efficace dell'IA per la sostenibilità richiede una nuova combinazione di capacità e strutture di governance, inclusa una forte competenza tecnica in data science e machine learning completata da competenze gestionali e organizzative come la gestione del cambiamento, il design thinking e il coordinamento interfunzionale.

Il divario di talenti rimane acuto. La moda era un po' indietro nell'adozione dell'IA se la confrontiamo con altri settori, secondo Sebastian Bak, managing director e partner di Boston Consulting Group. Le organizzazioni mancano di personale sufficiente capace di interpretare le intuizioni guidate dall'IA, e i partecipanti hanno identificato conoscenze tecniche limitate e preparazione organizzativa come barriere significative all'implementazione.

L'impegno della leadership si rivela essenziale. Senza una leadership forte per guidare sia i cambiamenti di mentalità che di capacità, i marchi rischiano di rimanere indietro in un settore in cui l'adozione dell'IA sta accelerando. Ogni investimento in tecnologie avanzate deve essere abbinato a uno sviluppo deliberato della forza lavoro. Le organizzazioni che trattano l'IA come un progetto pilota piuttosto che come una trasformazione strategica tipicamente si fermano alla soglia di maturità dell'1 per cento identificata dal sondaggio.

Quanto valore potrebbe sbloccare la distribuzione dell'IA su larga scala?

McKinsey prevede che l'IA generativa potrebbe aggiungere da 150 a 275 miliardi di dollari di profitto ai settori della moda, dell'abbigliamento e del lusso nei prossimi tre-cinque anni. Tale proiezione presuppone una distribuzione di successo su larga scala, una condizione che poche organizzazioni hanno raggiunto. Entro il 2030, il 30 per cento del tempo dei dipendenti potrebbe essere automatizzato dall'IA generativa e da altre tecnologie in Europa e negli Stati Uniti.

Il divario tra le prestazioni pilota e i risultati di produzione spiega perché il valore previsto rimane irrealizzato. Gli ambienti controllati con dati curati producono dimostrazioni impressionanti. Gli ambienti di produzione fanno emergere le debolezze strutturali che i progetti pilota non incontrano mai: metadati incoerenti, cataloghi di prodotti incompleti, dipendenze di flussi di lavoro che abbracciano più sistemi legacy e requisiti di governance che limitano la distribuzione dei modelli.

I primi ad adottare hanno dimostrato la fattibilità della scala in ambiti ristretti. La produzione di contenuti, l'automazione del servizio clienti e la scoperta di prodotti rappresentano casi d'uso collaudati con framework di ritorno sull'investimento consolidati. Le previsioni della supply chain, la concettualizzazione del design e la personalizzazione mostrano promesse ma rimangono concentrate in fase pilota, dove l'adozione è più ridotta e più spesso bloccata in fase pilota.

Cosa devono dare priorità le aziende di moda per colmare il divario di distribuzione?

La preparazione dei dati precede la selezione del modello. Le organizzazioni che investono in infrastrutture di dati prima di scegliere i fornitori di IA colmano il divario pilota-produzione più velocemente di quelle che sequenziano il lavoro al contrario. Dataset puliti, integrati e accessibili rappresentano le fondamenta su cui opera l'IA di produzione. Le architetture di dati frammentate condannano i progetti pilota alla sperimentazione perpetua.

L'integrazione del flusso di lavoro determina la velocità di adozione. Gli strumenti di IA che richiedono agli utenti di lasciare i sistemi esistenti affrontano resistenze culturali e operative. Le distribuzioni di successo incorporano le capacità di IA direttamente nelle piattaforme di sviluppo prodotto, merchandising ed e-commerce che i team già utilizzano quotidianamente. Man mano che gli strumenti di IA generativa maturano, il successo dipenderà meno dalla capacità grezza del modello e più dall'ingegneria dei sistemi, dalle fondamenta dei dati e dal design ponderato del prodotto.

Framework di governance chiari separano i progetti pilota che si ampliano da quelli che si fermano. L'IA di produzione richiede proprietà definita per la qualità dell'output, percorsi di escalation documentati per casi limite, protocolli di conformità che affrontano la proprietà intellettuale e la privacy dei dati, e sistemi di monitoraggio che tracciano il degrado delle prestazioni del modello nel tempo. I progetti pilota, se di successo, verrebbero poi ampliati in interi dipartimenti, fino a quando finalmente l'azienda raggiunge l'apice della maturità con interi modi di lavorare ripensati per un futuro pronto per l'IA, anche se non tutte le aziende devono raggiungere lo stadio finale di maturità dell'IA.

Il 92 per cento che prevede un aumento degli investimenti si trova di fronte a una scelta: replicare i modelli pilota che hanno prodotto il tasso di maturità dell'1 per cento, o riprogettare le strategie di distribuzione attorno all'infrastruttura, alla governance e alle capacità della forza lavoro che consentono la scala. Il divario tra ambizione ed esecuzione definirà la posizione competitiva in un settore in cui l'IA è passata da vantaggio sperimentale a necessità operativa.