McKinsey prevede che l'IA generativa potrebbe aggiungere 150-275 miliardi di dollari ai profitti della moda entro il 2030

L'ultima proiezione di McKinsey suggerisce che l'IA generativa potrebbe sbloccare tra 150 e 275 miliardi di dollari di profitto operativo aggiuntivo per l'industria della moda globale entro il 2030, una cifra che rappresenta circa il 10-18 per cento del pool totale di profitto operativo del settore. L'ampio intervallo riflette l'incertezza sui tassi di adozione, la profondità dell'integrazione e se le aziende possano passare da progetti pilota a implementazioni a livello aziendale in progettazione, supply chain, marketing e operazioni.

Da dove proviene la stima di 150-275 miliardi di dollari?

L'analisi di McKinsey si basa su dati di redditività a livello settoriale e applica i guadagni di produttività osservati nelle prime implementazioni dell'IA generativa. La società di consulenza ha precedentemente stimato che l'IA generativa potrebbe aggiungere da 2.600 a 4.400 miliardi di dollari di valore annuale in tutti i settori a livello globale, con vendita al dettaglio e beni di consumo confezionati tra i settori con il più alto impatto potenziale. La moda rientra in questa fascia, beneficiando di alti volumi di creazione di contenuti, assortimenti complessi e punti di contatto con i clienti frammentati.

L'estremità inferiore dell'intervallo presume un'adozione modesta, in cui l'IA generativa assiste i processi esistenti senza cambiare fondamentalmente i flussi di lavoro. La stima superiore richiede che le aziende integrino l'IA nel processo decisionale principale, riqualifichino la forza lavoro e investano in sistemi di dati puliti e integrati che abbracciano sviluppo prodotto, inventario e coinvolgimento del cliente.

Quali sono i principali casi d'uso che generano valore?

McKinsey suddivide l'opportunità in quattro aree funzionali, ciascuna con applicazioni e livelli di maturità distinti.

• Design e sviluppo prodotto: L'IA generativa può generare variazioni di design, prevedere cicli di tendenza da social media e dati delle passerelle e automatizzare la creazione di schede tecniche. I primi progetti pilota mostrano il potenziale di comprimere i cicli di progettazione di settimane e ridurre i costi di produzione dei campioni.
• Supply chain e merchandising: I modelli di previsione della domanda che acquisiscono vendite in tempo reale, meteo e dati sul sentiment sociale possono migliorare l'allocazione dell'inventario e ridurre i ribassi. Gli strumenti di pianificazione assistiti dall'IA generativa possono anche ottimizzare la pianificazione dell'assortimento e il rifornimento.
• Marketing e personalizzazione: La generazione automatizzata di contenuti per descrizioni di prodotti, varianti di immagini per test A/B e raccomandazioni iper-personalizzate su larga scala sono tra le applicazioni con maggiore trazione. I chatbot del servizio clienti alimentati da modelli linguistici di grandi dimensioni possono gestire resi, domande sulle taglie e consigli di stile.
• Operazioni e back-office: L'analisi dei contratti, la comunicazione con i fornitori e la documentazione di conformità possono essere accelerate attraverso l'IA generativa, riducendo il carico amministrativo e liberando capacità per il lavoro strategico.

Le funzioni di marketing e rivolte al cliente sono più avanti, con le aziende che già implementano strumenti di IA generativa per campagne email, varianti di fotografia di prodotto e commercio conversazionale. Le applicazioni della supply chain, sebbene potenzialmente di valore superiore, richiedono un'integrazione dei dati più profonda e cicli di validazione più lunghi.

Quali condizioni devono verificarsi per l'estremità superiore dell'intervallo?

Raggiungere 275 miliardi di dollari di profitto aggiuntivo dipende da diversi fattori che sono tutt'altro che garantiti. Primo, le aziende devono andare oltre esperimenti isolati per integrare l'IA generativa nella pianificazione delle risorse aziendali, nella gestione del ciclo di vita del prodotto e nelle piattaforme di dati dei clienti. Questo richiede una spesa in conto capitale significativa e un cambiamento organizzativo, che molti marchi di fascia media non hanno le risorse per eseguire.

Secondo, la qualità e la disponibilità dei dati rimangono barriere persistenti. I modelli di IA generativa addestrati su dati incompleti o isolati forniscono risultati inaffidabili, minando la fiducia e rallentando l'adozione. Le aziende di moda con sistemi frammentati, in particolare quelle che dipendono da partner di vendita all'ingrosso o produttori terzi, affrontano sfide strutturali nell'aggregare i dati necessari per applicazioni avanzate.

Terzo, la preparazione della forza lavoro è critica. Le stime superiori di McKinsey presumono che designer, merchandiser e professionisti del marketing possano collaborare efficacemente con strumenti di IA, il che richiede formazione, cambiamenti culturali e nuove metriche di performance. La resistenza all'automazione, in particolare nei ruoli creativi, potrebbe rallentare l'implementazione.

Infine, gli sviluppi normativi in materia di privacy dei dati, trasparenza algoritmica e diritti di proprietà intellettuale potrebbero limitare alcuni casi d'uso, in particolare nella profilazione dei clienti e nella creazione automatizzata di contenuti. L'AI Act dell'Unione Europea, entrato in vigore a fasi dal 2024, impone obblighi sui sistemi di IA ad alto rischio che potrebbero influenzare i tempi di implementazione e i costi di conformità.

Come stanno rispondendo finora le aziende di moda?

L'adozione rimane disomogenea. I gruppi più grandi con team tecnologici dedicati stanno conducendo progetti pilota strutturati, mentre i marchi più piccoli si affidano a piattaforme di terze parti che offrono funzionalità di IA generativa integrate in software di e-commerce o design. Le prove di un ritorno sull'investimento misurabile su larga scala sono ancora scarse, con la maggior parte delle dichiarazioni pubbliche incentrate sui guadagni di efficienza in compiti strettamente definiti piuttosto che sull'espansione dei margini.

Alcune aziende hanno annunciato partnership con fornitori di tecnologia per testare l'IA generativa per la previsione delle tendenze e la prototipazione virtuale dei prodotti, ma poche hanno divulgato impatti finanziari. Il divario tra il successo del progetto pilota e l'integrazione a livello aziendale rimane ampio, e molte organizzazioni stanno ancora definendo framework di governance per un uso responsabile dell'IA.

Quali sono i rischi di sovrastimare l'opportunità?

L'intervallo di McKinsey è deliberatamente ampio, riflettendo un'incertezza genuina. I modelli storici nell'adozione della tecnologia suggeriscono che le proiezioni iniziali spesso sovrastimano la velocità e sottostimano l'attrito. La complessità strutturale dell'industria della moda, la volatilità stagionale e la dipendenza dalla creatività e dal gusto umani potrebbero limitare l'applicabilità dell'automazione rispetto ai settori con processi più standardizzati.

C'è anche il rischio che i guadagni di produttività siano catturati dai fornitori di tecnologia piuttosto che dalle aziende di moda, in particolare se i costi di licenza per i modelli avanzati aumentano o se la pressione competitiva costringe i marchi a trasferire i risparmi ai consumatori attraverso prezzi più bassi. Inoltre, se più operatori adottano strumenti di IA generativa simili, la differenziazione si erode e il beneficio marginale incrementale si riduce.

I prossimi 18-24 mesi chiariranno se l'estremità superiore dell'intervallo di McKinsey è raggiungibile o se il settore si assesterà più vicino al limite inferiore. Per ora, la stima funge più da dispositivo di inquadramento per la pianificazione strategica che da previsione, e i dirigenti dovrebbero concentrarsi sulla costruzione delle capacità fondamentali necessarie per catturare valore in qualunque scenario si verifichi.