Generative KI – also Modelle, die Bilder, Texte oder Videos neu erzeugen statt nur bestehende Daten auszuwerten – hat im Onlinehandel eine erste Phase hinter sich, in der vieles ausprobiert und wenig entschieden wurde. Ein Anwendungsfall löst sich derzeit erkennbar aus diesem Feld: Virtual Try-On, kurz VTO. Kundinnen und Kunden sehen ein Kleidungsstück nicht mehr nur am Katalogmodell, sondern an einer Figur, die ihrer eigenen näherkommt – oder an sich selbst.

Nach Einschätzung aus dem Fachumfeld verschiebt sich VTO 2026 vom Demo-Feature zum Business Case. Das ist bemerkenswert, weil die Technologie schon länger existiert. Neu ist weniger die Idee als die Frage, ob sie sich betreiben, skalieren und rechnen lässt.

Warum gerade Mode

Der Modehandel eignet sich als Testfeld, weil dort zwei Probleme besonders teuer sind. Erstens die Unsicherheit vor dem Kauf: Passform, Fall und Wirkung eines Kleidungsstücks lassen sich aus einem Produktfoto nur bedingt ableiten. Zweitens die Folge dieser Unsicherheit: Bestellungen, die von Anfang an als Auswahlsendung gedacht sind, und Rücksendungen, die Logistik, Lager und Marge belasten.

Genau an dieser Stelle greift eine virtuelle Anprobe nicht als Unterhaltung, sondern als Entscheidungshilfe. Sie beantwortet eine Frage, die Kundinnen und Kunden ohnehin stellen – nur früher und ohne Paketweg. Damit ist VTO ein gutes Beispiel für ein Muster, das sich auf andere Branchen übertragen lässt: KI-Features wirken dort, wo sie eine konkrete Reibung im Kaufprozess wegnehmen.

Vom Feature zum Betriebsthema

Interessant ist an dem Beispiel weniger die Bildqualität als das Drumherum. Wer eine virtuelle Anprobe in einen Shop bringt, arbeitet nicht an einem Frontend-Detail, sondern an mehreren Ebenen gleichzeitig:

  • Produktdaten: Ohne saubere Attribute zu Schnitt, Material, Farbe und Größenlauf bleibt jede Darstellung ungenau. Datenqualität wird zur Voraussetzung, nicht zum Nebenprodukt.
  • Bildstrecken: Generierte Darstellungen müssen zum vorhandenen Bildmaterial passen, sonst entsteht ein Bruch zwischen Katalog und Anprobe.
  • Performance: Bildgenerierung kostet Rechenzeit. Ob sie im Moment der Interaktion oder vorbereitend passiert, entscheidet über Ladezeit und Kosten.
  • Datenschutz: Sobald Nutzerfotos ins Spiel kommen, sind Zweckbindung, Speicherdauer und Verarbeitungsort keine Randnotiz.
  • Redaktion und Freigabe: Es braucht eine Instanz, die entscheidet, welche generierten Darstellungen veröffentlicht werden – und wie mit Fehlern umgegangen wird.

Skalierbarkeit heißt in diesem Zusammenhang also nicht nur, dass ein Modell viele Anfragen verarbeitet. Sie heißt, dass ein Team tausende Artikel mit vertretbarem Aufwand durch diesen Prozess bringt, ohne dass jede Kategorie zum Sonderfall wird.

Der Nutzen muss messbar sein

Ein KI-Feature verdient den Namen Business Case erst, wenn sein Effekt sichtbar wird. Bei einer virtuellen Anprobe liegen die Kennzahlen relativ nahe: Conversion Rate auf Produktdetailseiten mit und ohne Anprobe, Warenkorbabbrüche, Anteil der Mehrfachgrößen in einer Bestellung, Retourenquote je Kategorie und die Kosten der Rücksendung.

Belastbare Aussagen entstehen dabei nur im Vergleich. Eine Gegenüberstellung von Sortimentsteilen mit und ohne Feature, über einen ausreichend langen Zeitraum und getrennt nach Produktgruppen, sagt mehr als eine Gesamtauswertung. Denn plausibel ist, dass der Effekt stark schwankt: Bei einem eng geschnittenen Kleid dürfte die Anprobe mehr beitragen als bei einer Mütze.

Ebenso wichtig ist die Gegenrechnung. Rechenkosten, Datenpflege, redaktioneller Aufwand und Lizenzkosten gehören auf die andere Seite der Bilanz. Erst dann lässt sich beurteilen, ob ein Feature einen Beitrag leistet oder nur gut aussieht.

Was sich auf andere Projekte übertragen lässt

Auch außerhalb des Modehandels stellt sich die gleiche Frage: An welcher Stelle im Prozess entsteht Unsicherheit, die sich mit generierten Inhalten oder KI-gestützter Auswertung verringern lässt? Im Maschinenbau kann das eine Konfigurationshilfe sein, im Dienstleistungsgeschäft eine Vorabprüfung von Anfragen, im Content-Bereich die Aufbereitung großer Produktdatenbestände.

Das Muster bleibt dasselbe: Erst das Problem benennen, dann die Kennzahl festlegen, dann die Technik auswählen. Die umgekehrte Reihenfolge – Modell zuerst, Anwendungsfall später – erklärt einen guten Teil der Projekte, die nach der Pilotphase versanden.

Einordnung

Für Web- und Softwareprojekte bedeutet das vor allem: KI-Funktionen sind Betriebsthemen, nicht Design-Elemente. Wer sie einführt, braucht saubere Daten, klare Verantwortlichkeiten in Redaktion und Freigabe sowie Messpunkte, die vor dem Start definiert sind. Und wer diese Grundlagen ohnehin verbessert, gewinnt selbst dann, wenn ein einzelnes Feature später wieder abgeschaltet wird.

Quellen