Wie KI Modeunternehmen helfen kann

Die moderne Modebranche arbeitet unter ständigem Druck; traditionelle Prognosemodelle kollidieren häufig mit unvorhersehbaren Marktrealitäten. Isolierte Workflows, fragmentierte Planungssysteme und eine starke Abhängigkeit von manuellen Prozessen führen dazu, dass wichtige Informationen oft in unzusammenhängenden Tabellen, technischen Spezifikationen oder inkonsistenten Kommunikationskanälen stecken.

Wenn Störungen in der Lieferkette, Fabrikschließungen oder plötzliche Veränderungen in der Nachfrage der Verbraucher:innen auftreten, bleiben Marken reaktiv. Sie sind nicht in der Lage, schnell genug umzudenken, um ihre Margen zu schützen. Diese strukturelle Trennung führt zu verspäteten Lieferungen, fragmentierten Produktinformationen über mehrere Kanäle hinweg und verheerenden Lieferengpässen. Diese Engpässe untergraben sowohl das Vertrauen der Verbraucher:innen als auch den Abverkauf zum vollen Preis. Um sich besser anzupassen, ist die Branche gut beraten, von althergebrachten Schätzungen zu einem vernetzten, intelligenten Ökosystem überzugehen, das von künstlicher Intelligenz (KI) angetrieben wird.

Der Softwareanbieter Aptean hat kürzlich sein neues Tool, Aptean Fashion & Apparel, vorgestellt. Es automatisiert Entscheidungen und vereinheitlicht Arbeitsabläufe für die Mode- und Bekleidungsindustrie, vom Design bis zur Auslieferung. Dadurch erhalten Teams Echtzeit-Einblicke in Styles, Farben und Größen. Fünf Online-Präsentationen von Brancheninsider:innen am 14. Mai beleuchteten, wie das Tool die Branche entlang der Lieferkette und in verschiedenen Abteilungen unterstützen kann. FashionUnited hat zusammengefasst, wie Brancheninsider:innen KI in der Designphase, in der Herstellung, beim Verfassen von Produkttexten und bei der Markteinführung einsetzen, um die Nachfrage durch intelligente Bestandskontrolle auszugleichen.

Umsatzsicherung durch Style-Substitution

In hochvolatilen Sektoren wie der Modebranche, in denen die Nachfrage der Verbraucher:innen durch moderne digitale Kräfte wie Social-Media-Influencer:innen und Kampagnen in die Höhe schnellen kann, können traditionelle Zyklen zur Wiederauffüllung der Bestände nicht mithalten, da diese typischerweise 60, 90 oder 120 Tage umfassen.

„Wenn der bevorzugte Style von Kund:innen oder Verbraucher:innen nicht auf Lager ist und niemand schnell eine vergleichbare Alternative finden kann, ist der Verkauf wahrscheinlich verloren. Die Kund:innen sind weitergezogen, zur Konkurrenz wahrscheinlich, zu einer anderen Bekleidungsmarke, haben etwas gefunden, das ihnen gefiel, und Sie haben diesen Verkauf verloren“, erklärt Ken Weygand, Solutions Architect bei Aptean. Er arbeitet mit Mode-, Schuh- und Accessoire-Marken zusammen, um ihnen bei der Implementierung von Enterprise Resource Planning (ERP)- und Product Lifecycle Management (PLM)-Lösungen zur Verbesserung und Optimierung ihrer Geschäftsabläufe zu helfen.

Wenn ein bevorzugtes Kleidungsstück oder eine Größe nicht verfügbar ist, stehen Marken und Einzelhändler:innen vor einer hohen Wahrscheinlichkeit, die Verbraucher:innen dauerhaft an Wettbewerber:innen zu verlieren. Es sei denn, eine identische oder sehr ähnliche Alternative kann sofort am Point of Sale identifiziert werden. Hier kommt ein autonomer „Style-Substitutions-Agent“ ins Spiel. „Es geht darum, schnell einen substituierbaren Style, also vergleichbare Alternativen, zu finden, damit wir unsere Kund:innen bedienen können. … Das kann er ziemlich schnell in Echtzeit tun … und auch gegen den Live-Bestand validieren. Es hat keinen Sinn, sich alternative Styles anzusehen, bei denen wir keinen Bestand haben“, so Weygand.

Die operative Integration dieser Technologie wurde entwickelt, um die unmittelbaren Umsatzeinbußen im Zusammenhang mit Produktausfällen zu mindern. Sie behebt die strukturellen Grenzen der Verwaltung umfangreicher Unternehmensdatenbanken. Diese umfassen häufig Hunderttausender verschiedener Stock Keeping Units (SKUs) über mehrere Stoffarten, Kategorien und Passformen hinweg. Fragmentierte Frontend-Teams – von Mitarbeitenden im Kund:innendienst bis hin zu E-Commerce- und Showroom-Account-Manager:innen – sind in der Regel gezwungen, durch unzusammenhängende Softwaresysteme zu navigieren, um manuell alternative Artikel zu identifizieren. Diese Datenfragmentierung führt zu kritischen Transaktionsverzögerungen und finanziellen Margenrisiken. Beispielsweise kann versehentlich eine teurere Alternative zu einem niedrigeren Preis angeboten werden, was den dringenden Bedarf an systemischer Automatisierung unterstreicht.

Der Einsatz eines KI-Agenten direkt über den Kernarchitekturen von ERP und PLM bietet eine automatisierte Infrastruktur, die von einer strengen Unternehmenslogik gesteuert wird. Das System bewertet potenzielle Substitutionen, indem es systematisch Produktattribute analysiert. Dazu gehören Stoffzusammensetzung, Ranking, Schnitt und Einzelhandelswert. Diese werden mit aktuellen Sicherheitsbestandsparametern und historischen Designdaten abgeglichen. Durch die Abstraktion dieser Backend-Datenebenen in vereinfachte Low-Code-Schnittstellenabfragen über zentralisierte Navigationssysteme wie Aptean können Benutzer:innen auf der Verkaufsfläche reibungslose Kontextwechsel durchführen, um Transaktionen zu retten.

Optimierung des Produktionsflusses bei Hanesbrands: Sichtbarkeit von der Fabrik bis zur Verkaufsfläche

Der Übergang von den Entwürfen zur physischen Herstellung wird oft durch die Variabilität der Lieferkette gestört, was den operativen Rhythmus der Zwischensaison-Fertigung unterbricht. Traditionelle ERP-Frameworks haben Schwierigkeiten mit den mehrkurvigen, hochdimensionalen Blocksystemen, die für die Modefproduktion einzigartig sind. Dies führt zu fragmentierten Kennzahlen und verzögerter Sichtbarkeit. KI-Systeme überbrücken diese Lücke aktiv, indem sie eine Echtzeit-Kontrolle der Produktionsstätte etablieren und die Rohstoffbeschaffung direkt mit Maschinenleistungen verbinden. Diese ganzheitliche, vernetzte Übersicht wandelt physische Daten in handlungsrelevante Informationen um und verhindert die typischen Engpässe, die Produktionslinien zum Stillstand bringen.

Hemant Ramaswami, Vice President of Digital Transformation bei Hanesbrands, erklärt die Notwendigkeit dieser Umstellung im Zuge globaler Störungen. Er erinnerte daran, wie das US-amerikanische Bekleidungsunternehmen während der Covid-Pandemie von der „bloßen Identifizierung von Ausnahmen in der Lieferkette dazu überging, diese wirklich in nahezu Echtzeit zu beheben“. „Globale Lieferketten scheitern nicht an fehlenden Daten. Sie scheitern typischerweise daran, dass die richtigen Daten nicht zur richtigen Zeit die richtigen Entscheidungsträger:innen erreichen“, betont er.

Ramaswami sprach darüber, dass die Distributionszentren nicht mehr das widerspiegelten, was zur Unterstützung der Kund:innen benötigt wurde. Er identifizierte drei Kernprobleme: verlängerte Vorlaufzeiten und mangelnde Sichtbarkeit, fragmentierte Signale und das Fehlen einer Zuteilungs-Engine. „Es erforderte viel Aufwand für Kund:innendienstmitarbeitende, tatsächlich ein vollständiges Bild zusammenzustellen und Fragen zu beantworten, wann ein Produkt verfügbar sein würde“, erinnert sich Ramaswami.

Hanesbrands startete mit einem sehr großen und hochprofitablen Geschäftssegment – Herrenunterwäsche – und pilotierte eine operative KI-Software. Sobald das Unternehmen den Wert rechtfertigen und das Potenzial sehen konnte, expandierte es in komplexere Kategorien. Prädiktive Logik ermöglicht es Hersteller:innen, auf plötzliche Fabrikstörungen sehr reaktionsschnell zu bleiben, anstatt nur reaktiv zu sein. Anstatt sich auf wochenalte Datenprotokolle oder intuitive menschliche Schätzungen zu verlassen, nutzen die Betriebsteams Live-Datenströme, um strukturelle Ausnahmen sofort zu identifizieren. Durch die automatische Abbildung alternativer Verarbeitungspfade und die Neugewichtung der Arbeitslasten über aktive Fabriken hinweg bewahrt die KI kritische Lieferfenster und minimiert die Margenerosion. „Es änderte sich von einem reaktionären Modus zu einem eher präventiven Brandschutzmodus“, so Ramaswami.

Besonders nützlich war die Logik zur Priorisierung von Containern: „Wir erhalten typischerweise 30 bis 40 Container pro Tag in einigen unserer Distributionszentren. Es ist also sehr wichtig sicherzustellen, dass sich das Entladeteam auf die wertvollsten Container konzentriert. … Den richtigen Container zu entladen, könnte den Unterschied zwischen dem Erreichen oder Verfehlen des Quartalsziels ausmachen.“ Jedem Container einen Dollarwert zuzuordnen, half enorm. „Es ist nicht einmal eine abstrakte KI, die irgendwo im Hintergrund läuft. Es ist tatsächlich ein:e Dock-Aufseher:in, der oder die auf den Bildschirm schaut, der anzeigt, was wir zuerst entladen müssen und was sich darin befindet“, fasst Ramaswami zusammen.

Echtzeitschutz: Volatilität bei der Produkteinführung meistern

Der Übergang von der Fabrikhalle zum Einzelhandel stellt eine der volatilsten Phasen im Einzelhandelslebenszyklus dar. Dies gilt insbesondere, wenn sich die Nachfrage der Verbraucher:innen unerwartet verändert. Eine Produkteinführung kann leicht unter dem Druck fragmentierter kommerzieller Signale zusammenbrechen. Dies führt zu Bestandsfehlanpassungen, bei denen einige Distributionszentren überfüllt sind, während andere sofortige Lieferengpässe haben. KI-Algorithmen fangen diese Einzelhandelssignale bei der Einführung dynamisch ab und bewerten kontinuierlich regionale Verkaufstrends im Vergleich zu Live-Bestandsmetriken.

Aly Breeman, Senior Product Manager bei Aptean, reflektierte darüber, wie leicht eine Saison ohne Eingreifen entgleiten kann: „Jede Saison macht irgendwo eine Marke alles richtig. Die Kollektion ist stark, die Designs sind gut und das Marketing ist bereit, aber dann beginnen die Dinge leicht zu entgleisen: Eine Lieferung kommt zu spät, ein warmer Oktober bremst den Verkauf von Wintermänteln, die Großhandelspartner:innen bewegen sich in einem anderen Tempo als der Webshop. Nichts davon fühlt sich anfangs dramatisch an, aber bis die Zahlen die Geschichte erzählen, ist die Marge bereits weg und die einzige verbleibende Möglichkeit ist ein Preisnachlass. Das ist kein Pech, es ist ein Muster, und wie die meisten Muster kann man, sobald man es klar erkennt, vorausplanen.“

„In der Mode ist Timing alles. Saisonen entfalten sich durch drei vorhersagbare Kräfte“, fährt sie fort: Angebotsvariabilität, Nachfrageänderungen und Kanalfragmentierung. Das Erzielen von Margen beginne lange bevor die Kollektionen die Verkaufsfläche erreiche, so Breeman, sie beginnt mit der Planung. „Planen Sie die Produktionssequenz korrekt, und jede Verzögerung hat ihre direkte Wellenwirkung auf Verfügbarkeit und Vollständigkeit. Warten Sie, bis die Kollektionen im Regal liegen, und Ihre einzige Option wird der Rabatt sein. Und Rabatte sind Margenkiller“, warnt sie.

Um Anpassungsfähigkeit zu ermöglichen, müssen Unternehmen zunächst in der Lage sein, Margenrisiken so früh wie möglich zu erkennen. „Eine der größten Herausforderungen für Marken ist es, unterdurchschnittliche Leistungen schnell genug zu erkennen, um etwas dagegen zu tun, bevor die Rentabilität beeinträchtigt wird“, fügt sie hinzu. Hier kann KI einen großen Mehrwert schaffen: Sie kann helfen, indem sie potenzielle Produktionsverzögerungen, Kapazitätsprobleme und andere Risiken viel früher meldet. Dies gibt einer Marke Zeit, einzugreifen und Korrekturmaßnahmen vorzunehmen.

Sobald die Kollektion auf dem Markt ist, kann die KI die Leistung in Echtzeit verfolgen. Nicht nur im Groben, sondern bis hin zu Style, Farbe, Saison und Standort. Marken erhalten einen viel klareren Überblick darüber, was funktioniert und was nicht und wo sie möglicherweise den Lagerbestand neu ausbalancieren müssen. KI kann auch eine intelligentere Wiederauffüllung unterstützen, indem sie den richtigen Style im richtigen Geschäft zur richtigen Zeit empfiehlt.

„Letztendlich hilft KI Marken dabei, von zu spätem Reagieren zu früherem Handeln mit viel besserer Sichtbarkeitskontrolle über den gesamten Produktlebenszyklus überzugehen“, sagt Breeman. „Die Stärke der KI beginnt jedoch mit der Qualität der Eingaben“, warnt sie. „Generische ERP-Lösungen sprechen nicht die Sprache der Mode. Saisonen, Styles in mehreren Farben, Größenkurven und Lieferdimensionen sind die Bausteine, wie sich Mode bewegt. Aber in einem generischen System gehen sie in der Übersetzung verloren.“

„KI über schlechte qualitative Daten oder fragmentierte Systemen zu legen, verstärkt das Problem nur. Wenn verschiedene Teams mit unterschiedlichen Versionen der Wahrheit arbeiten, wenn die Produktdaten nicht richtig gepflegt werden, wird KI die Dinge nur schlimmer und nicht besser machen“, weiß die Produktexpertin. „Die Antwort ist also nicht einfach, KI hinzuzufügen, sondern sicherzustellen, dass Unternehmen bereit sind, sie gut zu nutzen. Und das bedeutet, sich zuerst auf Datenqualität, Governance und Konsistenz zu konzentrieren. Je besser Ihre Systeme auf die Branche abgestimmt sind und je disziplinierter Ihr Datenmanagement ist, desto effektiver ist die Wirkung.“

Content-Automatisierung: Erstellung präziser, zielgerichteter und überzeugender Texte

Wenn Artikel in den digitalen Regalen landen, wird die Nachfrage nach detaillierten, genauen Produktdaten für die Konversion entscheidend. Daten aus dem Salsify Consumer Research 2024/2025 zeigen, dass 88 Prozent potenzieller Käufer:innen angeben, dass Produktinhalte für ihre Kaufentscheidung „extrem wichtig“ oder „sehr wichtig“ seien. Trotzdem verlieren Modemarken regelmäßig Einnahmen aufgrund unvollständiger Produktbeschreibungen. Die Hälfte der Verbraucher:innen gab an, Online-Warenkörbe wegen schlechter Produktbeschreibungen verlassen zu haben.

„Wenn Inhalte fehlen oder nicht markenkonform sind, schafft das nicht nur zusätzliche Arbeit, es führt zu Umsatzeinbußen“, bestätigt Alain Tessier, Director of Product Management bei Aptean. Er erklärt, dass es hauptsächlich vier Schritte gebe, wie KI dies beheben kann: Schritt eins ist das Lesen der Quelle; Schritt zwei die Auswahl des Wichtigen; Schritt drei das Schreiben des Inhalts und Schritt vier die Überprüfung und Veröffentlichung.

„KI nimmt alles auf, was Sie haben: PDFs, Tabellen, Bilder aus dem System, und liest alles. Allein das dauert für eine:n Autor:in normalerweise 30 bis 60 Minuten pro Produkt, bevor ein einziges Wort geschrieben ist. KI erledigt das in Sekunden“, betont Tessier. In Bezug auf den Inhalt findet die KI heraus, was hervorgehoben werden soll, basierend darauf, wohin der Inhalt geht, und passt ihn für jede Zielgruppe an: „Dieselben Produktdaten werden zu einer Produktbeschreibung für die Website, zu einer Zusammenfassung für Einkäufer:innen, einem Eintrag für ein Magazin und vielleicht einer Bildunterschrift für soziale Medien. Jede in der richtigen Länge und im richtigen Ton für diesen Kanal“, so Tessier.

Aber das bedeutet nicht, dass das Team nicht auf dem Laufenden bleibt. Anstatt von Grund auf neu zu schreiben, überprüfen, die Teammitglieder, passen Texte an und genehmigen sie. „Die Entscheidungen bleiben bei den Menschen; die Schreibarbeit geht auf die KI-Seite über. Was früher drei bis fünf Tage dauerte, dauert jetzt wahrscheinlich unter 30 Minuten“, fasst Tessier zusammen.

Dieser automatisierte Ansatz gewährleistet eine strikte globale Konsistenz und eliminiert gleichzeitig die manuellen Fehler, die bei der Einrichtung großer Artikelmengen häufig auftreten. Anstatt Produktdaten lose über verschiedene Einzelhandelskanäle driften zu lassen, setzt KI systematisch die Styleguides des Unternehmens, lokalisierte Terminologie und exakte Markendefinitionen durch. Sie meldet automatisch kritische Konstruktionsanomalien – wie eine Jacke, die als mit Daunen isoliert aufgeführt wird, obwohl die technischen Spezifikationen einen synthetischen Aufbau vorschreiben – und schützt so die Marke vor kostspieligen Rücksendungen und Compliance-Strafen. Durch die Verkürzung der Zeit für die Inhaltserstellung von Tagen auf wenige Sekunden beschleunigen Marken ihre Markteinführungszeit und stellen sicher, dass die Einträge über alle digitalen Berührungspunkte hinweg perfekt korrekt bleiben.

Beschleunigung von Produktionsentscheidungen bei NSA

Die letzte Säule eines widerstandsfähigen Mode-Ökosystems liegt in hochentwickelten, automatisierten Produktionsumgebungen und der Bestandskontrolle. Kelly Deady, Leiterin des Standorts in Chicago beim US-Bekleidungshersteller National Safety Affair (NSA), sprach darüber, wie KI dabei half, die Daten an den vier Produktionsstandorten des Unternehmens in Kalifornien, Illinois, Kansas und Ohio zu optimieren.

„Jeder einzelne Standort hatte ein anderes Effizienzsystem, und keines davon kommunizierte miteinander. Wir sind endlich alle auf demselben ERP, aber es hat nicht die Daten, die wir benötigen, um wirklich in die Effizienz einzutauchen und unsere Online-Präsenz auf jede erdenkliche Weise zu optimieren“, erinnert sich Deady. „Wir senden auch dieselben Berichte an dieselbe Person, aber wir müssen ständig Dinge bearbeiten, um einen direkten Vergleich der Daten zu erhalten. Der Wechsel zu Aptean war also ein riesiger Wendepunkt für NSA“, fügte sie hinzu. Für sie ist die Vorhersage verspäteter Bestellungen oder der Ausgleich mehrerer Standorte entweder nach Kosten oder nach Effizienz der größte Gewinn.

Sicherzustellen, dass man die Daten hat, um Versprechen in Bezug auf schnelles und effektives Funktionieren zu untermauern und zu bewerten, auf welche Art von Engpässen sie stoßen könnten, hilft dabei, eine „Made in USA“-Marke aufrechtzuerhalten. „Alles, was das Unerwartete vorhersagen kann, ist großartig, denn die Fertigung ist jeden Tag unerwartet“, fügt Deady hinzu.

Das traditionelle Bestandsmanagement stützt sich auf historische saisonale Muster. Dies macht Marken sehr anfällig für unvorhersehbare Marktveränderungen, verspätete Logistikanlieferungen und plötzliche regionale Nachfragerückgänge. KI durchbricht diesen starren Kreislauf, indem sie kontinuierlich komplexe prädiktive Szenarien durchführt. Sie berechnet präzise Kompromisse zwischen lokalen Lagerbeständen, Versandkosten und Werbeabschlägen.

Diese systemische Übersicht führt direkt zu einer automatisierten Echtzeit-Bestandsneugewichtung über verschiedene Direct-to-Consumer- und Großhandelsnetzwerke hinweg. Anstatt regionale Teams zu zwingen, manuell riesige Tabellenkalkulationen zu durchsuchen, um fehlende Größenkurven zu finden, berechnet die KI autonom die exakten Metriken, die für eine präzise, kalkulierte Wiederauffüllung erforderlich sind. Sie diktiert genau, wann sich schlecht verkaufende Ware von leistungsschwachen stationären Flächen zu schnelllebigen E-Commerce-Hubs verschoben werden muss, um einen maximalen Abverkauf zum vollen Preis zu gewährleisten. Durch die Durchführung dieser winzigen, kontinuierlichen betrieblichen Anpassungen über den gesamten Produktlebenszyklus können Modeunternehmen die Gesamtzahl der unverkauften Tage drastisch senken und außergewöhnlich schlanke, hochprofitable Lieferketten aufrechterhalten

„Einen KI-Agenten zu haben, ist wie ein zusätzliches Paar Augen, das immer darauf schaut und auf das wartet, worauf man es trainiert hat. Man geht also weit über einen Bericht hinaus, der Daten bereitstellt, oder ein Tool, das Dashboards oder Bildschirme anzeigt. Man hat tatsächlich etwas, das eine Situation verfolgt und das eher einem menschlichen Gehirn in der Art und Weise gleicht, wie es Informationen betrachtet“, schließt Deady.

Fazit: Synthese des automatisierten Modeunternehmens

Die Einführung von KI über den gesamten Modelebenszyklus ist kein futuristisches Experiment mehr; es ist eine grundlegende kommerzielle Notwendigkeit für Marken, die ihre Margen in einem umkämpften Markt schützen wollen. Durch die Verknüpfung von Design, Produktion, Markteinführung, Texterstellung und Bestandskontrolle zu einem einzigen, zusammenhängenden intelligenten Ökosystem eliminieren Modeunternehmen die unzusammenhängenden Datensilos, die historisch das Wachstum gebremst haben.

Die Ergebnisse sind tiefgreifend: drastisch kürzere Entwicklungszyklen, minimale Reibungsverluste durch Lieferengpässe, einwandfreie Datenintegrität und eine hoch optimierte Lagerbestandszuweisung. Stakeholder:innen, die diese integrierten KI-Lösungen implementieren, machen ihre Betriebe effektiv zukunftssicher. Sie ersetzen althergebrachte operative Schätzungen durch eine präzise, hoch reaktionsfähige Architektur, die darauf ausgelegt ist, von der Marktvolatilität zu profitieren.

Dieser Artikel wurde mithilfe von digitalen Tools übersetzt.

FashionUnited nutzt Künstliche Intelligenz, um die Übersetzung von Artikeln zu beschleunigen und das Endergebnis zu verbessern. Sie helfen uns, die internationale Berichterstattung von FashionUnited einer deutschsprachigen Leserschaft schnell und umfassend zugänglich zu machen. Artikel, die mithilfe von KI-basierten Tools übersetzt wurden, werden von unseren Redakteur:innen Korrektur gelesen und sorgfältig bearbeitet, bevor sie veröffentlicht werden. Bei Fragen oder Anmerkungen wenden Sie sich bitte per E-Mail an info@fashionunited.com