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

Mango usa l'IA lungo tutta la catena del valore: una piattaforma interna di IA generativa chiamata Lisa, uno strumento di immagini per i designer chiamato Inspire, modelli generati dall'IA in alcune campagne e Mango Stylist, un assistente di styling per i clienti lanciato nel 2025. Il retailer spagnolo è una delle aziende di moda di fascia media che sperimentano più apertamente con l'IA generativa, ma ha reso noto molto di più su che cosa ha sviluppato che su che cosa ha ottenuto.

Che cosa ha sviluppato Mango?

Mango afferma di aver sviluppato dal 2018 oltre 15 piattaforme di machine learning. Gli strumenti descritti pubblicamente rientrano in quattro gruppi:

Lisa, annunciata a ottobre 2023, utilizza modelli privati adattati a Mango e modelli open source, dietro un'interfaccia di chat. Il direttore di tecnologia, dati, privacy e sicurezza di Mango, Jordi Álex, descriveva all'epoca l'IA generativa come una tecnologia che “agisce da copilota”.

Per dare un'idea delle dimensioni, Mango riportava all'epoca ricavi per 2,688 miliardi di euro nel 2022, attività in 115 mercati e un canale online pari al 36 percento dei ricavi. Un'azienda di queste dimensioni produce un volume molto elevato di immagini di prodotto, descrizioni, materiali per le campagne e conversazioni con i clienti, ovvero il carico di lavoro che questi strumenti devono supportare.

Perché Mango ha investito nell'IA?

Le ragioni dichiarate da Mango sono velocità e personalizzazione. Mango Stylist fa parte del Piano strategico 2024-2026 dell'azienda, che pone l'accento su sviluppo tecnologico, gestione dei dati ed eccellenza operativa. Per le immagini delle campagne, eMarketer riferiva a novembre 2024 che Mango voleva accelerare la creazione di contenuti e rafforzare la propria competitività rispetto a concorrenti fast fashion più grandi. Un retailer che vende in oltre 100 mercati con un'ampia quota online deve produrre immagini, contenuti di prodotto e servizio clienti su volumi elevati, ed è proprio lì che gli strumenti generativi promettono i risparmi più immediati.

Leggi anche

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

Come funziona (dati, modelli, processo)?

Mango ha descritto il suo processo solo a grandi linee:

• Design: Inspire genera immagini che i designer utilizzano come ispirazione per stampe, tessuti e capi. I design definitivi sono ancora sviluppati dai team di Mango; l'azienda non ha affermato che l'IA produca capi finiti.
• Campagne: per la linea teen, capi reali sono stati mostrati su avatar generati dall'IA anziché su modelli in carne e ossa e, secondo eMarketer, le immagini sul sito di Mango riportavano avvertenze sull'uso dell'IA.
• Assistente per i clienti: Mango Stylist utilizza IA generativa e tecnologia conversazionale per consigliare prodotti in base alle preferenze espresse, suggerire outfit e orientare sulle tendenze. Funziona in chat sul negozio online e su Instagram e passa la conversazione a Iris per le domande prima e dopo l'acquisto, creando un unico punto di contatto.
• Organizzazione: Mango Stylist è stato sviluppato congiuntamente dai team IT, Data, Digital Product, Styling, Design, Visual Merchandising e Servizio clienti.

Analisi: il team interfunzionale alla base di Mango Stylist merita attenzione. Un assistente di styling ha bisogno di attributi di prodotto e immagini dal merchandising, di un punto di vista stilistico dai team di styling e di processi di servizio dall'assistenza clienti. Affidarlo al solo reparto IT tende a produrre uno strumento tecnicamente funzionante ma commercialmente debole.

Quali risultati ha comunicato Mango?

Mango non ha reso noti risultati quantificati dei suoi strumenti di IA. Non esistono dati pubblicati sui risparmi ottenuti con le campagne generate dall'IA, sui tempi di design con Inspire, sull'adozione di Lisa tra i dipendenti o sugli effetti di Mango Stylist su conversione e carrello. Le prove disponibili riguardano il perimetro: il numero di piattaforme, i nove mercati di Mango Stylist (Spagna, Portogallo, Regno Unito, Francia, Italia, Germania, Austria, Turchia e Stati Uniti) e l'integrazione con Iris. I lettori dovrebbero considerare con cautela le affermazioni secondo cui Mango avrebbe ridotto i costi di produzione o fotografici di una determinata percentuale, a meno che non citino l'azienda.

Quali sono i limiti e le questioni aperte?

I modelli IA hanno suscitato il maggiore dibattito pubblico. eMarketer ha rilevato un certo scetticismo tra i consumatori. Analisi: i modelli generati sollevano questioni sui posti di lavoro di modelle, modelli e fotografi e sul fatto che le immagini generate diano un'impressione corretta di come i capi stanno su corpi reali. Etichettare le immagini risponde all'esigenza di trasparenza, ma non a queste questioni di fondo.

Altre questioni aperte sono di natura commerciale. Mango Stylist è stato lanciato solo per la linea Woman, per cui la sua utilità per le linee uomo, bambino e teen non è stata verificata pubblicamente. Gli strumenti di design generativo sollevano questioni sui dati di addestramento dei modelli di immagini e sulla proprietà intellettuale delle stampe generate. E in assenza di metriche pubblicate è difficile valutare se le piattaforme abbiano cambiato margini, velocità o fedeltà dei clienti.

Leggi anche

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

Che cosa possono imparare le altre aziende della moda?

Analisi: l'esperienza di Mango è utile per i brand di medie dimensioni perché mostra una sequenza: prima strumenti interni, poi contenuti di marketing, poi assistenti rivolti ai clienti. Ogni passo ha alzato la posta in gioco, dalla produttività dei dipendenti alla reputazione del brand e alla fiducia dei clienti, e ciascuno ha richiesto dati e governance diversi.

1. Sviluppare prima le competenze interne. La piattaforma interna di Mango, Lisa, ha preceduto di quasi due anni i lanci per i consumatori.
2. Etichettare i contenuti generati. Dichiarare l'uso di immagini IA sta diventando un'aspettativa minima e riduce il rischio di trarre in inganno i clienti.
3. Collegare gli assistenti al servizio. Collegare un assistente di styling a un bot post-vendita esistente evita due esperienze di chat scollegate.
4. Mettere in conto l'attenzione sulle persone. Sostituire modelli o fotografi con l'IA incide sulla reputazione oltre che sui costi, per cui la decisione richiede più di una valutazione di budget.
5. Definire il successo in anticipo. L'assenza di risultati pubblicati ricorda di concordare obiettivi misurabili prima di scalare.