Den regulatorischen Rahmen für KI in der Fashion-Branche kartieren

Eine Kundin öffnet Ihre App, richtet die Kamera auf sich, und ein Body-Scanning-Modell schätzt ihre MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ße, um eine Größe zu empfehlen. Mit diesem einen Tap haben Sie gerade drei getrennte Rechtsbereiche des europäischen Rechts 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 diesen Rahmen. Wir konzentrieren uns auf drei KI-Anwendungsfälle, die im Fashion-Bereich derzeit dominieren: Body-Scanning-Try-ons, personalisierte Preise und automatisierte Nachhaltigkeitslabels. Für jeden nennen wir das Gesetz, den Regulierer und den Guardrail, den Sie vor dem Launch durchlaufen.

Die drei Gesetze, die greifen

Drei Regelwerke sind 2026 für KI im Fashion-Bereich am wichtigsten.

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

DSGVO (Datenschutz-Grundverordnung). Das Datenschutzrecht der EU, in Kraft seit 2018. Sie regelt jede Verarbeitung personenbezogener Daten und behandelt „biometrische Daten“ und 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 bereits irreführende Umweltaussagen. Darüber hinaus hat die EU 2024 eine Richtlinie verabschiedet (oft „Empowering Consumers for the Green Transition“ genannt), die Regeln zu vagen Begriffen wie „umweltfreundlich“ und zu Nachhaltigkeitslabels verschärft. Eine separate, detailliertere Green Claims Directive befand sich Anfang 2026 noch im EU-Verfahren, deren endgültige Form ist also noch nicht entschieden.

Der rote Faden: Wenn Ihre KI einen KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →örper, einen Preis oder eine Umweltaussage berührt, gilt mindestens eines dieser Regelwerke.

Anwendungsfall 1: Body-Scanning-Try-ons

Ein virtuelles Try-on, das Kleidung auf einen Live-Kamerastream legt, verarbeitet Bilddaten möglicherweise nur vorübergehend. Aber sobald Sie Maße schätzen, um eine Person zu identifizieren oder herauszufiltern, verarbeiten Sie unter Umständen biometrische Daten im Sinne der DSGVO.

Entscheidende Unterscheidung: Die DSGVODSGVOEU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen → beschränkt biometrische Daten, die „zur eindeutigen Identifizierung einer natürlichen Person“ verwendet werden. Ein Modell, das aus der Körperform eine Größe schätzt, ist eine Grauzone. **Ein Modell, das erkennt, *wer* die Person ist, fällt klar in die besondere Kategorie biometrischer Daten, die eine starke Rechtsgrundlage benötigt** (meist ausdrückliche Einwilligung).

Der AI Act fügt eine zweite Ebene hinzu. Er verbietet biometrische Fernidentifizierung in Echtzeit im öffentlichen Raum (mit engen Ausnahmen für 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.

GuardrailsGuardrailsRegeln und Kontrollen, die ein KI-System in sicheren, rechtskonformen und markengerechten Grenzen halten und unerwünschte Ausgaben blockieren.Vollständige Definition ansehen → vor dem Launch:

• Verarbeiten Sie wo möglich on-device, damit rohe Körperbilder nie auf Ihre Server gelangen.
• Holen Sie ausdrückliche, entkoppelte Einwilligung für den Scan ein. Ein vorab angekreuztes Kästchen ist unter der DSGVO keine Einwilligung.
• Führen Sie eine DPIA (Datenschutz-Folgenabschätzung) durch, eine dokumentierte Risikoanalyse, die die DSGVO für risikoreiche Verarbeitung wie Biometrie verlangt.
• Setzen Sie kurze Aufbewahrungsfristen. Löschen Sie Scan-Daten nach der Session, außererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → der Nutzer speichert ein Profil.

Anwendungsfall 2: personalisierte Preise

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

Die DSGVO gibt Nutzern das Recht, keiner „ausschließlich auf automatisierter Verarbeitung“ beruhenden Entscheidung unterworfen zu werden, die sie erheblich beeinträchtigt, plus Transparenzpflichten: Sie müssen Menschen mitteilen, dass die Preisgestaltung personalisiert ist und nach welcher Logik. Die Verbraucherrechte-Richtlinie verlangt bereits eine Offenlegung, wenn ein Preis mittels automatisierter Entscheidungsfindung personalisiert wird.

Die größere Falle ist Proxy-Diskriminierung. Wenn Ihr Pricing-Modell Features nutzt, die mit geschützten Merkmalen korrelieren (Postleitzahl als Stellvertreter für Ethnie, Gerätetyp für Einkommen), können diskriminierende Ergebnisse entstehen, auch ohne Absicht. Das setzt Sie dem Antidiskriminierungsrecht aus, nicht nur dem Datenrecht.

Ein einfacher Check, den jedes Team durchführen kann: die Preisstreuung über geschützte Gruppen prüfen.

# 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 genommen keine Fairness, aber eine anhaltende Lücke ist ein Warnsignal, das vor dem Ausliefern eine dokumentierte Erklärung verlangt.

Anwendungsfall 3: automatisierte Nachhaltigkeitslabels

Angenommen, Sie trainieren ein Modell, das für jedes Produkt einen „Nachhaltigkeitsscore“ erzeugt, und zeigen ihn als Badge an. Hier treffen KI-Risiko und Risiko bei Umweltaussagen frontal aufeinander.

Wenn das Modell „umweltfreundlich“ oder ein Blatt-Icon auf Basis unvollständiger oder nicht überprüfbarer Daten ausgibt, haben Sie eine irreführende Umweltaussage gemacht. Unter 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 gefertigt“), ohne verifizierte Datenquelle, ist ein Compliance-Vorfall, der nur auf seinen Moment wartet. Lassen Sie niemals ein Sprachmodell eine faktische Umweltaussage behaupten, die es nicht auf eine Quelle zurückführen kann.

Modell-Opazität. Wenn ein Regulierer oder ein Kunde fragt „Warum hat dieses Kleid 8 von 10 Punkten?“, müssen Sie antworten können. 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, keine Schätzung.
• Führen Sie pro SKU ein Claim-to-Evidence-Log.
• Lassen Sie neue *Arten* von Aussagen von einem Menschen prüfen, bevor sie im Storefront erscheinen.

Aus Gesetzen einen Governance-Workflow machen

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

1. Das System klassifizieren

Fragen Sie vor dem Bau: Welche Risikostufe weist der AI Act diesem System zu? Die meisten Fashion-Features (Recommendations, Try-ons, Chatbots) haben begrenztes Risiko, also Transparenzpflichten: Sagen Sie Nutzern, dass sie mit KI interagieren. Einige (bestimmte biometrische Anwendungen) steigen höher. Halten Sie die Klassifizierung schriftlich fest.

2. Die Daten kartieren

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

3. Auf die wichtigsten KI-Risiken testen

KI im Fashion-Bereich scheitert auf erkennbare Weise:

• Bias: Sizing-Modelle, die überwiegend auf einem Körpertyp trainiert sind, empfehlen für andere schlecht.
• Drift: ein Nachfragemodell, das auf die letzte Saison getunt ist, verliert an Qualität, wenn sich Trends verschieben.
• Halluzination: generative Texte erfinden Materialien oder Zertifizierungen.
• Opazität: niemand kann einen Preis oder einen Score erklären.

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

4. Verantwortung zuweisen

Benennen Sie für jedes Modell einen menschlichen Owner. Unter 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.

Die Machtverhältnisse

Die Durchsetzung ist real. Europäische Datenschutzbehörden haben hohe DSGVO-Bußgelder verhängt, und Verbraucherbehörden in mehreren Mitgliedstaaten haben Greenwashing-Untersuchungen gegen Bekleidungsmarken eröffnet. Nationale Marktüberwachungsbehörden werden den AI Act kontrollieren. Das zu erwartende Muster: koordiniertes Vorgehen, bei dem ein Feature gleichzeitig von einem Datenschutz- und einem Verbraucherregulierer 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. Stand Anfang 2026 gibt es kein einheitliches Bundesgesetz zu KI, das mit dem EU AI Act vergleichbar wäre. Stattdessen haben Sie die FTC (Federal Trade Commission), die irreführende Aussagen und unlautere Praktiken verfolgt, plus Landesgesetze wie die 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, wer dafür baut, ist in der Regel breit abgedeckt.

Key Takeaways

• Ein Feature, mehrere Gesetze. Ein Body-Scan kann den EU AI Act und die DSGVO gleichzeitig auslösen; ein Green-Badge kann KI-Regeln und Regeln zu Umweltaussagen auslösen. 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 die Aufbewahrung kurz und prüfen Sie Preise auf Proxy-Diskriminierung.
• Lassen Sie ein Modell niemals 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 auf das EU-Niveau. Es ist in der Regel strenger als die aktuellen US-Regeln, wer es erfüllt, deckt damit meist beide Märkte ab.