Come Nike usa l'IA: dati direct-to-consumer e creazione di prodotto generativa

Nike usa l'IA in due ambiti principali: demand sensing e personalizzazione basati sui dati per il suo business direct-to-consumer, e IA generativa nelle prime fasi della creazione di prodotto. I passi meglio documentati sono l'acquisizione della società di analytics Celect nel 2019, i concept generativi di calzature A.I.R. presentati nel 2024 e una beta di shopping NikeAI nel 2025. Nike non ha pubblicato risultati finanziari attribuibili all'IA.

Che cosa ha sviluppato Nike?

Le fonti pubbliche mostrano tre filoni:

• Demand sensing: ad agosto 2019 Nike ha acquisito Celect, società di Boston la cui piattaforma cloud utilizza la data science per formulare previsioni della domanda iperlocali e ottimizzare l'inventario tra i canali.
• Creazione di prodotto generativa: ad aprile 2024 Nike ha presentato A.I.R. (Athlete Imagined Revolution), calzature prototipo per 13 atleti di atletica, calcio, basket e tennis, sviluppate con immagini generate dall'IA, computational design e stampa 3D.
• Shopping assistito dall'IA: nel 2025 Nike ha lanciato una beta di NikeAI che fornisce consigli di prodotto personalizzati, secondo Digital Commerce 360, e in Corea del Sud ha collaborato con il modello HyperCLOVA X di Naver per un formato pubblicitario in stile chatbot.

Jason Loveland, VP of artificial intelligence di Nike fino a luglio 2025, annoverava tra i suoi risultati l'integrazione di Celect e quello che ha definito il primo modello di IA generativa sottoposto a fine-tuning per progettare prodotti Nike, presentato alle Olimpiadi di Parigi e all'Air Max Day, secondo Retail Dive.

Perché Nike ha investito nell'IA?

L'operazione Celect è arrivata mentre Nike stava sviluppando il suo business diretto. Il chief operating officer Eric Sprunk dichiarava all'epoca che l'acquisizione accelerava notevolmente il vantaggio digitale di Nike, aggiungendo una piattaforma sviluppata da data scientist. La vendita diretta genera dati di prima parte sui membri e sulla domanda per località, e prevedere con precisione tale domanda è ciò che consente di collocare la merce dove si vende.

Nella creazione di prodotto il motivo è la velocità e l'ampiezza dell'esplorazione. Roger Chen, VP of NXT di Nike, ha affermato che spunti iniziali generati dall'IA, che prima richiedevano mesi, potevano ora essere creati in pochi secondi. Per un'azienda che progetta un gran numero di modelli ogni stagione, un'esplorazione dei concept più rapida accorcia la parte più aperta dello sviluppo.

L'amministratore delegato di Celect, John Andrews, dichiarava all'epoca che l'azienda avrebbe aggiunto le proprie competenze alla base di dati e analytics che Nike stava costruendo, e i cofondatori di Celect, professori del MIT, avrebbero svolto attività di consulenza per Nike. L'acquisizione è stata quindi un acquisto di talenti e di proprietà intellettuale tanto quanto di software.

Leggi anche

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

Come funziona (dati, modelli, processo)?

Nike ha descritto passo dopo passo il processo di A.I.R. Si è partiti da sessioni di ascolto con ciascun atleta. I designer hanno poi usato l'IA generativa per produrre centinaia di immagini basate su tali sessioni, che sono servite da ispirazione e non da design definitivi. I designer hanno realizzato schizzi a partire dai risultati, e il computational design è stato usato, ad esempio, per rinforzare i disegni di trazione nelle zone soggette a maggiore usura. I prototipi sono stati stampati in 3D presso il Concept Creation Center di Nike, e una simulazione digitale ha testato sostegno, contenimento e durata prima della realizzazione dei prototipi fisici.

Per il demand sensing, la piattaforma cloud di Celect, come descritta al momento dell'acquisizione, utilizza la data science per formulare previsioni della domanda iperlocali che aiutano a ottimizzare l'inventario tra i canali. Nike non ha pubblicato come la piattaforma sia stata integrata nei suoi sistemi di pianificazione né quali decisioni automatizzi.

Quali risultati ha comunicato Nike?

Nike non ha reso noti dati che colleghino l'IA a ricavi, margine, inventario o costi di sviluppo. L'unica affermazione quantitativa su A.I.R. riguarda i tempi: spunti per i concept in secondi anziché in mesi, un confronto qualitativo di un dirigente Nike e non un risultato misurato. Le scarpe A.I.R. erano prototipi, non prodotti venduti su larga scala. Per la beta di NikeAI non sono stati pubblicati dati su adozione o conversione.

Nike è tornata a una crescita dei ricavi su base annua nel primo trimestre del suo esercizio fiscale 2026, ha osservato Digital Commerce 360, ma nulla nelle dichiarazioni di Nike attribuisce questo risultato all'IA.

Quali sono i limiti e le questioni aperte?

Quanto segue è un'analisi della redazione. Le priorità della leadership sono cambiate. A luglio 2025 Retail Dive riferiva che l'amministratore delegato Elliott Hill, arrivato a ottobre 2024, stava dando priorità ad altre iniziative rispetto all'IA e al virtuale, che Nike aveva chiuso all'inizio del 2025 la sua società di prodotti virtuali RTFKT e che anche il suo VP of virtual studios aveva lasciato l'azienda. Ciò non significa che il lavoro sull'IA si sia fermato, ma mostra che i programmi di IA dipendono dal sostegno ai vertici.

I concept generativi sollevano questioni aperte sulla proprietà intellettuale quando i modelli vengono addestrati o sottoposti a fine-tuning su archivi di design, e su quanto incidano sulle fasi più lente dello sviluppo, come materiali, test e preparazione della produzione in fabbrica. Il demand sensing solleva una questione diversa: un modello costruito per i canali diretti non copre automaticamente la domanda che passa dai partner wholesale, i cui dati di sell-through non sono di proprietà di Nike.

Leggi anche

Come Stitch Fix usa l'IA: algoritmi più stylist in carne e ossa

Che cosa possono imparare le altre aziende della moda?

1. Usare l'IA generativa all'inizio del processo di design, dove l'esplorazione costa poco e le persone mantengono il controllo editoriale.
2. Collegare i concept generativi a strumenti di ingegneria come computational design e simulazione, altrimenti restano moodboard.
3. Considerare le competenze di analytics acquisite come un progetto di integrazione; il valore sta nel collegarle alle decisioni di pianificazione.
4. Assicurarsi il sostegno dei vertici e una metrica di business chiara, perché i team di IA sono esposti quando la strategia cambia.
5. Avviare gli assistenti rivolti ai clienti come beta e misurarli prima di scalarli.