Mode · Echte Use Cases von Vendor-Hype unterscheiden

Ein Anbieter zeigt ein „Virtual Try-on", das einem Model in Echtzeit ein Kleid überzieht. Der Raum nickt. Dann fragt jemand: „Funktioniert das auch mit unseren 40.000 SKUs, oder nur mit den 12, die Sie für die Demo ausgewählt haben?" Schweigen. Diese Frage, nicht die Demo, ist der Punkt, an dem die eigentliche Bewertung beginnt.

Diese Lektion liefert Ihnen die Fragen, die Sie vor der Vertragsunterschrift stellen sollten. Ziel ist nicht Zynismus. Ziel ist Souveränität: zu wissen, welche KI-Pitches den Kontakt mit Ihren echten Daten, Ihrem Katalog und Ihrem Problem überleben.

Beginnen Sie mit der härtesten Frage: braucht das überhaupt ML?

Machine Learning (ML): Software, die Muster aus Daten lernt, statt handgeschriebenen Regeln zu folgen.

Ein überraschend großer Teil der „KI"-Features in Fashion braucht kein ML. Bevor Sie ein Modell bewerten, prüfen Sie, ob ein einfacheres Werkzeug dasselbe Problem löst.

Beispiele für Probleme, die üblicherweise KEIN ML brauchen:

• „Empfehle Artikel aus derselben Farbfamilie." Ein Attributfilter erledigt das. Wenn Ihr Katalog schon sauberes Farb-Metadata hat, ist das eine Datenbankabfrage, keine KI.
• „Zeig mir, was diese Woche trendet." Nach verkauften Einheiten sortieren. Das ist Arithmetik.
• „Größenempfehlung aus 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 →örpermaßen." Oft ein Lookup gegen eine Passformtabelle.

Probleme, die tatsächlich von ML profitieren:

• Vorhersagen, welcher Shopper einen Artikel zurückschickt, noch vor dem Kauf (Demand- und Return-Forecasting aus tausenden schwachen Signalen).
• Styling-Beratung in natürlicher Sprache über einen großen, unaufgeräumten Katalog hinweg generieren.
• Ein vom Nutzer hochgeladenes Foto mit visuell ähnlichen Produkten matchen (Computer Vision auf unstrukturierten Bildern).

Die Regel: Wenn ein Problem mit einer Regel lösbar ist, die Sie aufs Whiteboard schreiben könnten, ist ML überdimensioniert. Es bringt Kosten, Latenz und Fehlermodi ohne Gegenwert.

Stresstest 1: Katalogumfang

Demos nutzen eine kuratierte Teilmenge. Ihr Katalog ist der echte Test.

Fragen Sie den Anbieter: „Zeigen Sie mir das an 500 zufälligen SKUs, die ich auswähle, inklusive unserer schlechtesten Produktfotos." Ein Virtual Try-on, das auf sauberen Studiobildern trainiert wurde, scheitert oft an:

• Flat-Lay-Fotos (Kleidungsstück auf einem Tisch liegend, kein Model).
• Gemusterten oder transparenten Stoffen, die die Garment SegmentationSegmentationDie Aufteilung eines Markts in klar abgegrenzte Kundengruppen mit ähnlichen Bedürfnissen, Merkmalen oder Verhaltensweisen, damit jede Gruppe passend angesprochen werden kann.Vollständige Definition ansehen → verwirren (das Modell trennt die Kleidung vom Hintergrund).
• Accessoires, Schuhen und nicht standardisierten Formen.

SKU (Stock Keeping Unit): ein eindeutiger Code für jede Produktvariante, zum Beispiel ein Kleid in Größe M, blau.

Ein mittelgroßererDas 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 → Apparel-Retailer kann Zehntausende aktive SKUs führen, saisonal erneuert. Wenn ein Try-on-Tool pro Kleidungsstück eine manuelle 3D-Vorbereitung braucht, skalieren die Arbeitskosten linear und der ROIROIReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen → ist erledigt. Fragen Sie direkt: Kosten pro SKU für das Onboarding, und wie viel davon ist automatisiert.

Stresstest 2: Data Readiness

Data Readiness (ob Ihre Daten sauber, gelabelt und zugänglich genug sind, um ein Modell zu trainieren oder zu betreiben).

Die meisten KI-Projekte in Fashion bleiben hier stecken, nicht am Algorithmus. Gehen Sie diese Checkliste für Ihre eigenen Systeme durch, bevor Sie einen Pilot starten:

Wenn die Hälfte dieser Felder „nein" ist, hat ein Personalisierungs- oder Fit-Modell wenig zu lernen. Die Demo des Anbieters funktioniert, weil seine Beispieldaten makellos waren. Ihre sind es möglicherweise nicht.

Ein schneller Weg, die Attributvollständigkeit vor einem Meeting zu prüfen:

# % of SKUs missing a color tag
missing = df['color'].isna().sum()
total = len(df)
print(f"{missing/total:.1%} of {total} SKUs missing color")
# Beispielausgabe: 34.2% of 41,880 SKUs missing color

Wenn einem Drittel Ihres Katalogs der Farb-Tag fehlt, startet ein „AI Stylist", der über Farbkoordination argumentiert, blind.

Stresstest 3: die ROI-Rechnung, ehrlich

Anbieter nennen das Upside („Try-on hebt die Conversion um 30 Prozent"). Hinterfragen Sie die Baseline und die Kostenseite.

Rückgabequoten im Online-Apparel sind hoch; häufig zitierte Branchenschätzungen sehen Fashion-E-Commerce-Retouren bei etwa 20 bis 30 Prozent (Schätzung, variiert je nach Markt und Kategorie, in einigen Segmenten in Europa höher). Retouren zu senken ist oft der größere Hebel als Conversion zu steigern, weil Retouren Versand-, Handling- und Wiedereinlagerungskosten mitbringen.

Rechenbeispiel (illustrativ, setzen Sie Ihre eigenen Zahlen ein):

• Jährlicher Online-Apparel-Umsatz: 50.000.000 USD
• Rückgabequote: 25 Prozent, also 12.500.000 USD retourniert
• Der Anbieter behauptet, Virtual Try-on senkt Retouren um 2 Prozentpunkte (eine realistische, moderate Aussage; größeren Angaben gegenüber skeptisch bleiben)
• 2 Prozent von 50.000.000 = 1.000.000 USD weniger Retouren
• Bei Handlingkosten von 15 Prozent des retournierten Werts: 150.000 USD Einsparung pro Jahr

Jetzt die Kostenseite:

• Onboarding von 40.000 SKUs zu, sagen wir, 3 USD je Stück automatisiert: 120.000 USD einmalig
• Jährliche Plattformgebühr: 100.000 USD (illustrativ)

Netto im ersten Jahr: 150.000 gespart minus 220.000 Kosten = minus 70.000 USD. Es rechnet sich nur, wenn die Retourenreduktion hält und das Onboarding automatisiert ist. Deshalb entscheidet die Frage nach den „Kosten pro SKU" über den Deal.

Verlangen Sie immer, dass die Aussage als inkrementeller Lift gegenüber Ihrer aktuellen Baseline formuliert wird, gemessen mit einem sauberen Test, nicht bei einem anderen Kunden des Anbieters.

Stresstest 4: wie werden Sie belegen, dass es funktioniert?

Bestehen Sie auf einem kontrollierten Test: Traffic zufällig aufteilen, das KI-Feature einer Gruppe zeigen (Treatment) und der anderen nicht (Control), dann vergleichen. Das ist ein A/B-Test.

Red Flags in der Evidenz eines Anbieters:

• „Die Conversion ist nach dem Launch gestiegen." (Keine Kontrollgruppe. Könnte Saisonalität oder eine Promo sein.)
• Case Studies ohne Stichprobengröße oder Zeitfenster.
• Metriken, die leicht zu bewegen sind, aber das Geschäft nicht beeinflussen, zum Beispiel „Engagement mit dem Try-on-Widget" statt Kauf- oder Rückgabequote.

-

Ein guter Anbieter begrüßt einen Holdout-Test und hilft Ihnen beim Design. Ein Hype-getriebener sperrt sich gegen Messung.

Für ein Grundverständnis, wie diese Systeme tatsächlich bewertet werden, ist Googles People + AI Guidebook kostenlos und nicht technisch.

Stresstest 5: Fehlermodi und Vertrauen

KI-Features scheitern öffentlich. Planen Sie das vor dem Kauf ein.

• Virtual Try-on an einem Plus-Size- oder nicht standardisierten Körper: verzerrt sich das Kleidungsstück unrealistisch? Ein schlechtes Fit-Rendering kann einen Verkauf kosten und verletzen.
• AI-Stylist-Halluzination: ein Large Language ModelLarge Language ModelEin Large Language Model ist ein KI-System, das auf riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen. Damit sind Aufgaben wie Schreiben, Zusammenfassen und Beantworten von Fragen möglich.Vollständige Definition ansehen → kann selbstbewusst ein Produkt empfehlen, das Sie nicht im Bestand haben, oder eine Stoffangabe erfinden. Halluzination heißt, das Modell erzeugt flüssige, aber falsche Ausgaben.
• Bias: wenn die Trainingsbilder zu einem Körpertyp oder Hautton tendieren, verschlechtern sich die Ergebnisse für alle anderen. Fragen Sie den Anbieter, wie er über Demografien hinweg getestet hat.

Regulatorischer Hinweis für 2026: In der Europäischen Union setzt der EU AI Act (das risikobasierte KI-Gesetz der EU, gestaffelte Einführung von 2025 bis 2027) Transparenzpflichten. Systeme, die Bilder generieren oder manipulieren (ein Try-on, das das Foto eines Nutzers verändert), können Offenlegungspflichten auslösen, das heißt, Sie sagen den Nutzern, dass das Bild KI-generiert ist. In den USA gibt es kein einheitliches Bundes-KI-Gesetz; die FTC (Federal Trade Commission) hat angekündigt, gegen irreführende KI-Marketingaussagen vorzugehen. Praktische Konsequenz: Ein Anbieter, der „keine Compliance-Bedenken" behauptet, ohne diese zu benennen, passt nicht auf.

Alles zusammen: ein fünfminütiges Vendor-Skript

Stellen Sie diese Fragen in dieser Reihenfolge. Die Pausen sagen Ihnen so viel wie die Antworten.

1. „Könnte eine Regel oder ein Filter das statt ML erledigen?"
2. „Lassen Sie es live an 500 SKUs laufen, die ich auswähle, inklusive Flat-Lays."
3. „Was sind Ihre vollautomatisierten Kosten pro SKU für das Onboarding?"
4. „Nennen Sie Ihren Lift inkrementell über Baseline, gemessen per A/B-Test."
5. „Wie haben Sie über Körpertypen hinweg getestet, und was wird unter dem EU AI Act ausgelöst?"

Wenn ein Anbieter alle fünf mit Konkretem beantwortet, haben Sie wahrscheinlich einen echten Use Case. Wenn er auf die polierte Demo zurücklenkt, haben Sie Hype.

Key Takeaways

• Schließen Sie ML zuerst aus. Wenn eine Whiteboard-Regel oder ein Metadata-Filter es löst, ist KI teurer Overkill.
• Katalogumfang und Kosten pro SKU entscheiden über den ROI, mehr als die Raffinesse des Modells. Fordern Sie einen Test an Ihrem unaufgeräumten Katalog.
• Ihre Data Readiness, nicht der Algorithmus, ist normalerweise der Bottleneck. Prüfen Sie die Attributvollständigkeit vor dem Piloten.
• Nur ein kontrollierter A/B-Test belegt Lift. Weisen Sie „die Conversion ist nach dem Launch gestiegen" als Beleg zurück.
• Benennen Sie die Regulierung. Die Transparenzregeln des EU AI Act und die FTC-Prüfung irreführender Aussagen gelten 2026 für Try-on- und Stylist-Features.