Die regulatorische Landschaft für KI in der Fashionbranche kartieren

# Die regulatorische Landschaft für KI in der Fashionbranche kartieren

Eine Kundin öffnet Ihre App, richtet die Kamera auf sich, und ein Body-Scanning-Modell schätzt ihre MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ße, um eine Größe zu empfehlen. Mit diesem einen Tap haben Sie gerade drei separate europäische Rechtsbereiche ausgelöst: Regeln zu biometrischen Daten, Regeln zu Hochrisiko-KI und Regeln dazu, wie Sie personalisieren, was sie als Nächstes sieht. Die meisten Fashion-Teams launchen solche Features, ohne zu merken, wie viel Regulierung sie damit gerade aktiviert haben.

Diese Lektion kartiert diese Landschaft. Wir konzentrieren uns auf drei KI-Use-Cases, die Fashion derzeit dominieren: Body-Scanning-Try-ons, personalisierte Preise und automatisierte Nachhaltigkeitslabels. Für jeden nennen wir das Gesetz, die Aufsichtsbehörde und den Guardrail, den Sie vor dem Launch durchlaufen.

Die drei Gesetze, die greifen

Drei Regelwerke sind 2026 für KI in der Fashionbranche am wichtigsten.

Der EU AI Act. Das erste umfassende KI-Gesetz der Welt. Es klassifiziert KI-Systeme nach Risikostufe: unannehmbar (verboten), hochriskant (stark reguliert), begrenztes Risiko (Transparenzpflichten) und minimal. Es trat im August 2024 in Kraft und greift über mehrere Jahre gestaffelt. Verbote bestimmter Praktiken gelten zuerst (ab Februar 2025), Pflichten für General-Purpose- und Hochrisiko-Systeme folgen nach einem gestaffelten Zeitplan. Der offizielle Text lohnt ein Bookmark: Der EU AI Act explorer erlaubt die Suche Artikel für Artikel.

DSGVO (Datenschutz-Grundverordnung). Das EU-Datenschutzrecht, seit 2018 in Kraft. Es regelt jede Verarbeitung personenbezogener Daten und behandelt „biometrische Daten“ sowie Profiling mit besonderer Sorgfalt. Durchgesetzt von nationalen Datenschutzbehörden (DPAs) wie der französischen CNIL oder der irischen DPC.

Regeln zu Umweltaussagen. Hier gibt es zwei Dinge. Die bestehende EU-Richtlinie über unlautere Geschäftspraktiken verbietet irreführende Umweltaussagen bereits. Darüber hinaus hat die EU 2024 eine Richtlinie verabschiedet (oft „Empowering Consumers for the Green Transition“-Richtlinie genannt), die Regeln für vage Begriffe wie „umweltfreundlich“ und für Nachhaltigkeitslabels verschärft. Eine separate, detailliertere Green Claims Directive befand sich Anfang 2026 noch im EU-Verfahren, ihre endgültige Form ist also als noch nicht festgelegt zu behandeln.

Der rote Faden: Wenn Ihre KI einen KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →örper, einen Preis oder eine Umweltaussage berührt, greift mindestens eines dieser Regelwerke.

Use Case 1: Body-Scanning-Try-ons

Ein virtuelles Try-on, das Kleidung auf einen Live-Kamerastream legt, verarbeitet Bilddaten möglicherweise nur flüchtig. Aber sobald Sie MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ße schätzen, um eine Person zu identifizieren oder herauszufiltern, verarbeiten Sie möglicherweise biometrische Daten im Sinne der DSGVO.

Entscheidende Unterscheidung: Die DSGVO beschränkt biometrische Daten, die „zur eindeutigen Identifizierung einer natürlichen Person“ verwendet werden. Ein Modell, das aus der KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →örperform eine Größe schätzt, ist eine Grauzone. Ein Modell, das erkennt, *wer* die Person ist, fällt klar in die besondere Kategorie biometrischer Daten und braucht eine starke Rechtsgrundlage (meist ausdrückliche Einwilligung).

Der AI Act fügt eine zweite Ebene hinzu. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → verbietet die biometrische *Fernidentifizierung* in Echtzeit in öffentlichen Räumen (mit engen Ausnahmen für die Strafverfolgung) und beschränkt Emotionserkennung. Ein Try-on-Spiegel in Ihrem Flagship-Store, der die Stimmung einer Kundin errät, um Produkte zu pushen, wäre gefährliches Terrain.

Guardrails vor dem Launch:

• Verarbeiten Sie on-device, wo möglich, damit rohe KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →örperbilder nie auf Ihre Server gelangen.
• Holen Sie ausdrückliche, nicht gebündelte Einwilligung für den Scan ein. Eine vorausgefüllte Checkbox ist nach DSGVO keine Einwilligung.
• Führen Sie eine DPIA (Data Protection Impact Assessment) durch, eine dokumentierte Risikoanalyse, die die DSGVO für risikoreiche Verarbeitungen wie Biometrie verlangt.
• Setzen Sie kurze Aufbewahrungsfristen. Löschen Sie Scan-Daten nach der Session, sofern der Nutzer kein Profil speichert.

Use Case 2: personalisierte Preise

Unterschiedlichen Nutzern auf Basis einer geschätzten Zahlungsbereitschaft unterschiedliche Preise zu zeigen, ist in engen Formen legal, aber stark eingeschränkt.

Die DSGVO gibt Nutzern das Recht, nicht Entscheidungen unterworfen zu werden, die „ausschließlich auf einer automatisierten Verarbeitung beruhen“ und sie erheblich beeinträchtigen, dazu Transparenzpflichten: Sie müssen Menschen sagen, dass der Preis personalisiert ist und nach welcher Logik. Die Verbraucherrechterichtlinie verlangt bereits eine Offenlegung, wenn ein Preis mittels automatisierter Entscheidungsfindung personalisiert wird.

Die größere Falle ist Proxy-Diskriminierung. Wenn Ihr Preismodell Merkmale nutzt, die mit geschützten Eigenschaften korrelieren (Postleitzahl als Stellvertreter für Ethnie, Gerätetyp für Einkommen), kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie diskriminierende Ergebnisse produzieren, ohne es zu wollen. Damit setzen Sie sich dem Antidiskriminierungsrecht aus, nicht nur dem Datenrecht.

Ein einfacher Check, den jedes Team fahren kann: Prüfen Sie die Preisstreuung über geschützte Gruppen.

# Fairness check: do price offers differ across a protected attribute?
import pandas as pd

df = offers[["user_id", "price_offered", "group"]]  # group = proxy-free label
summary = df.groupby("group")["price_offered"].agg(["mean", "count"])
summary["gap_vs_baseline"] = summary["mean"] - summary["mean"].min()
print(summary)
# Flag any group whose gap exceeds a threshold you set (e.g. 3%) for review.

Das beweist für sich noch keine Fairness, aber eine anhaltende Lücke ist ein Warnsignal, das vor dem Launch eine dokumentierte Erklärung verlangt.

Use Case 3: automatisierte Nachhaltigkeitslabels

Angenommen, Sie trainieren ein Modell, das für jedes Produkt einen „Nachhaltigkeits-Score“ erzeugt, und zeigen ihn als Badge an. Hier trifft KI-Risiko frontal auf das Risiko von Umweltaussagen.

Wenn das Modell „umweltfreundlich“ oder ein Blatt-Icon auf Basis unvollständiger oder nicht überprüfbarer Daten ausgibt, haben Sie eine irreführende Umweltaussage gemacht. Nach der EU-Verbraucherrichtlinie von 2024 sind generische Umweltaussagen ohne anerkannten Nachweis eingeschränkt, und Nachhaltigkeitslabels müssen auf einem Zertifizierungssystem beruhen oder von Behörden festgelegt sein.

Zwei KI-spezifische Gefahren:

Halluzinierte Begründung. Ein generatives Modell, das Label-Texte schreibt („aus aus dem Meer geborgenen Fasern“), ohne verifizierte Datenquelle, ist ein Compliance-Vorfall im Wartestand. Lassen Sie ein Sprachmodell nie eine faktische Umweltaussage behaupten, die es nicht auf eine Quelle zurückführen kann.

Modell-Opazität. Wenn eine Aufsichtsbehörde oder eine Kundin fragt „warum bekommt dieses Kleid 8 von 10“, müssen Sie antworten kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen. Ein Score, den niemand erklären kann, ist nicht verteidigbar.

Guardrails:

• Binden Sie jede Aussage an eine Datenquelle. Fehlt die Quelle, gibt das Modell „unzureichende Daten“ aus, nicht eine Schätzung.
• Führen Sie pro SKU ein Claim-zu-Evidenz-Log.
• Lassen Sie neue Claim-*Typen* von einem Menschen prüfen, bevor sie im Storefront erscheinen.

Gesetze in einen Governance-Workflow übersetzen

Regulierung schützt Sie nur, wenn sie zu einem wiederholbaren Prozess wird. Fashion-Teams, die KI gut ausliefern, fahren meist vier Checks in dieser Reihenfolge.

1. Das System klassifizieren

Fragen Sie vor dem Bauen: Welche Risikostufe weist der AI Act diesem System zu? Die meisten Fashion-Features (Empfehlungen, Try-ons, Chatbots) haben begrenztes Risiko, was Transparenzpflichten bedeutet: Sagen Sie Nutzern, dass sie mit KI interagieren. Manche (bestimmte biometrische Anwendungen) steigen höher. Schreiben Sie die Klassifizierung auf.

2. Die Daten kartieren

Listen Sie jedes personenbezogene Datenfeld auf, das das System berührt. Markieren Sie biometrische Daten und besondere Kategorien. Davon hängt ab, ob Sie eine DPIA und ausdrückliche Einwilligung brauchen.

3. Auf die wichtigsten KI-Risiken testen

KI in der Fashionbranche scheitert in wiedererkennbaren Mustern:

• Bias: Sizing-Modelle, die überwiegend auf einem KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →örpertyp trainiert sind, empfehlen für andere schlecht.
• Drift: Ein Nachfragemodell, das auf die letzte Saison abgestimmt ist, verschlechtert sich, wenn sich Trends verschieben.
• Halluzination: Generierte Texte erfinden Materialien oder Zertifizierungen.
• Opazität: Niemand kann einen Preis oder einen Score erklären.

Fahren Sie den Fairness-Check, einen Hold-out-Accuracy-Test und ein Claim-Tracing-Review vor dem Launch, und danach nach festem Zeitplan.

4. Verantwortlichkeit zuweisen

Benennen Sie für jedes Modell einen menschlichen Owner. Nach dem AI Act brauchen Hochrisiko-Systeme menschliche Aufsicht by design, also eine Person, die eingreifen oder das System stoppen kann. Auch bei Features mit geringerem Risiko ist ein benannter Owner besser als diffuse Verantwortung.

Das Kräfteverhältnis

Die Durchsetzung ist real. Europäische DPAs haben hohe DSGVO-Bußgelder verhängt, und Verbraucherbehörden in mehreren Mitgliedstaaten haben Greenwashing-Untersuchungen gegen Bekleidungsmarken ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen →öffnet. Nationale Marktüberwachungsbehörden werden den AI Act überwachen. Das zu erwartende Muster: koordiniertes Vorgehen, bei dem ein Feature gleichzeitig von einer Datenschutz- und einer Verbraucherbehörde geprüft wird. Ihr Body-Scanning-Try-on kann eine DPA anziehen, Ihr Green-Badge eine Verbraucherbehörde. Gleiches Produkt, zwei Eingangstüren.

In den USA sieht das Bild anders aus. Ein einzelnes Bundesgesetz zu KI, vergleichbar mit dem EU AI Act, gibt es Anfang 2026 nicht. Stattdessen haben Sie die FTC (Federal Trade Commission), die irreführende Aussagen und unlautere Praktiken verfolgt, plus Landesgesetze wie in Illinois zu biometrischen Daten und in Kalifornien zum Datenschutz. Wenn Sie über den Atlantik hinweg verkaufen, ist das EU-Regime meist die strengere Messlatte, sodass ein Bau nach EU-Standard Sie in der Breite abdeckt.

Wichtigste Erkenntnisse

• Ein Feature, mehrere Gesetze. Ein Body-Scan kann EU AI Act und DSGVO gleichzeitig auslösen, ein Green-Badge KI-Regeln und Regeln zu Umweltaussagen. Kartieren Sie alle vor dem Launch, nicht danach.
• Biometrie- und Pricing-Features tragen das höchste Risiko. Holen Sie ausdrückliche Einwilligung ein, führen Sie eine DPIA durch, halten Sie Aufbewahrungsfristen kurz und prüfen Sie Preise auf Proxy-Diskriminierung.
• Lassen Sie ein Modell nie eine Umweltaussage ohne Quelle behaupten. Binden Sie jede Nachhaltigkeitsaussage an überprüfbare Belege, oder geben Sie „unzureichende Daten“ aus.
• Governance ist ein Workflow: klassifizieren, Daten kartieren, auf Bias/Drift/Halluzination/Opazität testen, einen menschlichen Owner benennen. Wiederholen Sie das nach Zeitplan, nicht nur beim Launch.
• Bauen Sie nach EU-Maßstab. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → ist im Allgemeinen strenger als die aktuellen US-Regeln, ihn zu erfüllen deckt daher meist beide Märkte ab.