Build vs. Buy vs. Partner bei KI im Luxussegment

# Build vs. Partner vs. Buy bei KI im Luxussegment

Eine Creative Directorin bei einem europäischen Lederwaren-Maison möchte Visual Search: Eine Kundin fotografiert auf der Straße die Tasche einer Fremden, lädt das Bild hoch, und die App findet das ähnlichste Stück in der aktuellen Kollektion des Maison. Die Technologie existiert. Die Frage, die über den Erfolg entscheidet, lautet aber nicht „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 wir das bauen", sondern „sollen wir es bauen, kaufen oder uns an das System eines anderen anschließen".

Das ist die folgenreichste KI-Entscheidung, die die meisten Luxus-Führungskräfte in diesem Jahrzehnt treffen werden, und sie wird schlecht getroffen, weil Teams standardmäßig der Option folgen, die der lauteste Anbieter oder der selbstbewussteste Engineer zuerst vorschlägt.

Drei Wege, ein wiederkehrender Fehler

Build: Ein internes Team entwickelt das Modell, besitzt den Code, steuert die Roadmap. Die internen Data-Science-Aktivitäten von Chanel und die Investitionen von LVMH in proprietäres KI-Tooling (über den LVMH Innovation Award und interne Inkubatoren im Stil von „Brand Ferrari", wie in der Luxus-Fachpresse berichtet) gehören hierher.

Buy (lizenzieren): Sie zahlen einem Anbieter für eine fertige Lösung. Fashion-Tech-Anbieter wie Heuritech (Trend Forecasting), Lalaland.ai (KI-generierte Model-Bilder) oder Vue.ai (Visual Merchandising und Suche) verkaufen Abo-Zugang zu Modellen, die sie selbst trainiert haben, oft auf markenübergreifenden Daten.

Partner: Sie integrieren sich in eine Plattform, die Publikum, Infrastruktur und häufig auch den KI-Layer bereits mitbringt. Das Platform-Solutions-Geschäft von Farfetch oder Alibabas Luxury Pavilion sind Beispiele, bei denen sich ein Maison in den Stack eines anderen einklinkt, statt ein eigenständiges Tool zu besitzen oder zu lizenzieren.

Der wiederkehrende Fehler: Das Ganze wird als Beschaffungsentscheidung behandelt (Kosten, Geschwindigkeit, Reputation des Anbieters), obwohl es eine strategische Kontrollentscheidung ist. Der richtige Rahmen hat drei Achsen.

Das Entscheidungsframework: drei Achsen, die wichtiger sind als der Preis

1. Markenkontrolle

Berührt die KI etwas Kundenseitiges, das Markenstimme, Bildsprache oder ästhetisches Urteil transportiert? Visual Merchandising, Styling-Empfehlungen, Chatbot-Tonalität, generierte Bilder: Das alles sind Markenäußerungen, nicht bloß Features.

Aufgaben mit hoher Sensibilität für Markenkontrolle (ein Virtual Try-on, das den Fall des Stoffes exakt so rendern muss, wie es die Ateliers vorsehen) drängen Richtung Build oder eng angepasstes Buy, denn ein geteiltes Anbietermodell, das über viele Marken hinweg trainiert wurde, tendiert zu einer generischen ästhetischen Mitte.

Aufgaben mit geringer Sensibilität (Betrugserkennung bei Zahlungstransaktionen, Bestandsprognosen im Lager) berühren die Marke überhaupt nicht. Hier 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 bedenkenlos partnern oder kaufen.

2. Datenbesitz

Wer behält die Daten aus Kundeninteraktionen, die Bilder, die Kaufsignale, die das KI-System erzeugt?

Das ist aus zwei Gründen relevant. Erstens wettbewerblich: Wenn die Verhaltensdaten der Kunden eines Maison das geteilte Modell eines Anbieters trainieren, 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 diese Daten indirekt auch die Ergebnisse eines Wettbewerbers verbessern, da viele Fashion-Tech-Anbieter mehrere Marken derselben Kategorie bedienen. Zweitens regulatorisch: Unter der DSGVO (Datenschutz-Grundverordnung) und vergleichbaren Rahmenwerken müssen Verträge festlegen, wer „Verantwortlicher" ist (die Instanz, die über die Datennutzung entscheidet) und wer „Auftragsverarbeiter" (die Instanz, die die Daten im Auftrag des Verantwortlichen verarbeitet). Eine Partnerschaft mit einer großen Plattform wie Farfetch macht die Plattform in der Regel zum gemeinsam Verantwortlichen für geteilte Kundendaten, eine rechtlich und strategisch deutlich andere Position als ein reiner Lizenzvertrag, bei dem das Maison die Kontrolle üblicherweise behält.

Fragen Sie konkret: Wenn wir diesen Anbieter morgen verlassen, nehmen wir das trainierte Modell mit, die Rohdaten, beides oder nichts? Die meisten Anbieterverträge geben Ihnen, wenn man sie nicht prüft, nichts davon.

3. Reversibilität

Wie teuer und langsam ist es, diese Entscheidung in zwei Jahren rückgängig zu machen, wenn sie hinter den Erwartungen bleibt oder eine bessere Option auftaucht?

Build startet langsam, ist aber sehr reversibel in dem Sinne, dass Ihnen alles gehört; Sie 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 das Modell umbauen, ohne mit irgendjemandem neu zu verhandeln. Partner startet schnell, ist aber oft am wenigsten reversibel: Sobald Katalog, Preise und Kundenbeziehungen eines Maison im Ökosystem einer Plattform (Farfetch, Tmall Luxury Pavilion) verankert sind, bedeutet der Ausstieg, die Distribution neu aufzubauen, nicht bloß Software zu tauschen. Buy liegt dazwischen: Ein Anbieterwechsel ist vertraglich meist möglich, operativ aber störend (Re-Integration, Schulung der Mitarbeitenden, Datenmigration).

Eine einfache gewichtete Bewertungsübung

Bewerten Sie jede Option auf jeder Achse mit 1 bis 5 und gewichten Sie dann nach dem, was für den konkreten Use Case am wichtigsten ist. Hier ein durchgerechnetes Beispiel für das Visual-Search-Tool aus der Eingangsszene.

| Achse | Gewicht | Build | Buy (Anbieter) | Partner (Plattform) |

|---|---|---|---|---|

| Markenkontrolle | 0,4 | 5 | 3 | 2 |

| Datenbesitz | 0,35 | 5 | 3 | 1 |

| Reversibilität | 0,25 | 4 | 3 | 2 |

| Gewichteter Score | | 4,65 | 3,00 | 1,65 |

Berechnung für Build: (5 × 0,4) + (5 × 0,35) + (4 × 0,25) = 2,0 + 1,75 + 1,0 = 4,65.

Diese Bewertung ist illustrativ, keine universelle Antwort: Die Gewichte sollten sich je nach Use Case verschieben. Bei einer Back-Office-Aufgabe wie Demand Forecasting sinkt das Gewicht der Markenkontrolle Richtung 0,1, während Kosten- und Geschwindigkeitsaspekte steigen, was das Ergebnis oft zu Buy oder Partner kippen lässt.

Wo das Kalkül kippt: Kosten, Geschwindigkeit und Talent

Das obige Framework klammert die Anfangskosten bewusst aus, ganz ignorieren lassen sie sich aber nicht. Wirklich leistungsfähige Computer-Vision- oder generative KI-Systeme intern zu bauen, erfordert Machine-Learning-Engineers, annotierte Trainingsdaten und laufende Compute-Kosten, also Ressourcen, die die meisten Maisons (selbst große) intern nicht in der Tiefe haben wie reine Tech-Unternehmen. Googles Leitfaden zu Responsible AI Practices ist eine nützliche kostenlose Referenz dafür, was „wirklich leistungsfähige" interne KI-Governance operativ verlangt, hilfreich bevor man sich auf Build festlegt.

Deshalb lizenzieren selbst LVMH und Kering, Gruppen mit echten Bilanzen, weiterhin spezialisierte Anbieter für eng umrissene Aufgaben (Trend Forecasting, Fälschungserkennung), statt alles intern zu bauen. Build ergibt Sinn für die wenigen Fähigkeiten, die wirklich markendifferenzierend und dauerhaft sind. Für alles andere ist Buy oder Partner meist rationaler, kein Kompromiss.

Das Framework anwenden: drei kurze Szenarien

Szenario A: Ein Maison möchte einen Kundenservice-Chatbot für Anfragen zum Bestellstatus. Geringe Markensensibilität (funktional, nicht ästhetisch), moderate Datenbedenken (Bestelldaten sind sensibel, aber nicht modellprägend), hoher Bedarf an Reversibilität (Chatbot-Anbieter sind commoditisiert). Urteil: Buy.

Szenario B: Ein Maison möchte ein KI-System, das empfiehlt, welche Stoffe und Schnitte in der nächsten Saison produziert werden sollen, trainiert auf dem eigenen Archiv und der Verkaufshistorie des Hauses. Hohe Markenkontrolle (das ist kreatives Kernurteil), hoher Einsatz beim Datenbesitz (das ist das Design-IP des Hauses), geringe Toleranz für Irreversibilität (ein Fehlgriff beschädigt die Kollektion, nicht nur ein Feature). Urteil: Build, oder mindestens ein stark angepasstes, exklusiv lizenziertes Modell, bei dem das Maison die Outputs besitzt.

Szenario C: Ein Maison möchte Präsenz in der KI-kuratierten Empfehlungs-Engine eines großen asiatischen Marktplatzes, um neue Kunden zu erreichen. Geringe Markenkontrolle über den Algorithmus selbst (Sie steuern die Empfehlungslogik von Alibaba oder Farfetch nicht), echte Trade-offs beim Datenteilen, geringe Reversibilität nach der Integration. Urteil: Partner, aber die Datenbedingungen vor Unterzeichnung explizit verhandeln und das Ganze ebenso als Distributions- wie als Technologieentscheidung behandeln.

🎬 [VIDEO: "Build vs Buy: The Innovator's Dilemma for AI" - youtube.com - suchen Sie nach aktuellen Vorträgen von MIT Sloan oder Harvard Business Review zu Make-or-Buy-Entscheidungen bei KI im Retail und bei Consumer Brands, direkt auf Luxus übertragbar]

Wichtigste Erkenntnisse

• Bewerten Sie jede KI-Gelegenheit nach Markenkontrolle, Datenbesitz und Reversibilität, bevor Sie über Preis oder Anbieterreputation sprechen; diese drei Achsen sagen langfristiges Bedauern besser voraus als die Anfangskosten.
• Build ist nur für Fähigkeiten gerechtfertigt, die wirklich markendifferenzierend und dauerhaft sind (designbezogen, zentral für die Identität des Hauses); alles Funktionale oder Commoditisierte (Chatbots, Betrugserkennung, Bestandsprognosen) sollte standardmäßig Buy oder Partner sein.
• Holen Sie vor der Unterzeichnung eines Anbieter- oder Plattformvertrags explizite vertragliche Antworten darauf ein: Wem gehört das trainierte Modell, wem gehören die Kundenrohdaten, und was passiert mit beidem, wenn das Maison aussteigt.
• Partnerschaften mit großen Plattformen (Farfetch, Alibabas Luxury Pavilion) bieten Geschwindigkeit und Reichweite, sind aber die am wenigsten reversible Option; behandeln Sie sie als Distributions- und Rechtsentscheidungen, nicht nur als Technologieintegrationen.
• Überprüfen Sie das Framework regelmäßig neu. Anbieterfähigkeiten und Plattformkonditionen ändern sich jährlich; eine 2024 getroffene „Buy"-Entscheidung kann 2026 eine Neubewertung verdienen, wenn sich Anbieterkonsolidierung und Preise verschieben.