Modebureauer har længe været industriens stille trendsættere – dem, der kan spotte et ønske, før det overhovedet tager form. Men nu, med strammere profitmarginer og behovet for præcis nøjagtighed, vender de sig mod AI for at imødekomme disse udfordringer.
Ved at behandle enorme mængder data, der tidligere var låst inde i separate systemer – såsom søgeadfærd, klikmønstre, regionale præferencer og produktpræstationer på tværs af forskellige markeder – bevæger AI sig hurtigt ud over blot at forudsige salg. Indkøbere og merchandisere siger, at det nu ændrer, hvordan de opbygger, finjusterer og skalerer deres produktudvalg, efterhånden som beslutninger bliver mere datadrevne end nogensinde.
I stedet for kun at stole på tidligere salg eller mavefornemmelser, kan indkøbere udnytte signaler i realtid om, hvad shoppere søger efter, klikker på og gemmer rundt om i verden. "AI er mere et værktøj, der udvider deres rækkevidde," siger Rich Shepherd, VP for produkt hos Lyst. "De bedste indkøbere leder stadig med instinkt – AI giver dem bare et klarere billede af, hvor det instinkt måske fungerer bedst."
Fra luksusmærker til globale e-handelsplatforme tager en ny tilgang form: AI-drevne anbefalingssystemer og værktøjer, der spotter mønstre i data, mens menneskelige indkøbere fortolker disse indsigter og træffer strategiske beslutninger. At balancere de to bliver en central konkurrencefordel.
Indsigter i efterspørgsel i realtid
Tapestry, moderselskabet for Coach, Kate Spade og Stuart Weitzman, bruger AI bag kulisserne til at hjælpe indkøbere med at træffe smartere beslutninger om, hvad de skal bestille, hvor meget de skal have på lager, og hvor de skal sende inventar.
"Vi vidste altid, at for at digitalisere denne proces og skalere hurtigt, havde vi brug for at bygge en måde at dele data nemt på tværs af virksomheden," siger Fabio Luzzi, chief data and analytics officer hos Tapestry. Virksomheden investerede i en central datahub – hvad Luzzi kalder sin "proprietære datastruktur" – som gør det enkelt at modellere data omkring kunder, lokationer og forsyningskæder. "Det gør det let at digitalisere processer, såvel som at bruge AI på tværs af mange trin i værdikæden."
"De bedste indkøbere leder stadig med instinkt – AI giver dem bare et klarere billede af, hvor det instinkt måske fungerer bedst."
Coachs indkøbsteams bruger allerede delte datasæt til at sammenligne regionale købsmønstre i realtid og justere, hvor meget de bestiller, og hvor de sender produkter, før de når butikkerne. Disse indsigter afslører efterspørgsel tidligere og mere præcist end blot at se på tidligere salg.
I praksis kan et teammedlem åbne et live, delt dashboard, der viser, at en bestemt stil sælger godt i det sydvestlige USA, men ikke i det nordøstlige – information, der tidligere ankom uger senere gennem salgsrapporter. Det signal lader dem justere, hvor lageret går hen, før det er låst fast, i stedet for at det sidder på det forkerte lager. Luzzi ser AI som et indbygget beslutningsstøttesystem for design, lager og prissætning, der fremskynder analyse og interaktion, mens endelige produkt- og merchandisingbeslutninger overlades til menneskelige teams. Han siger, at dette frigør tid for indkøbs- og merchandisingteams til at fokusere på mere strategisk arbejde.
Hos Coach håndteres kerne lædervarer og sæsonbestemte basisvarer – kategorier med års salgsdata bag sig – i stigende grad gennem automatiserede genbestillingsmodeller. Systemet markerer, hvornår der skal genbestilles, justerer mængder pr. butik og flytter lager mellem regioner uden manuel indtastning. Den sparede tid er betydelig: forhandlere, der tidligere brugte det meste af indkøbscyklussen på at styre de forudsigelige dele af deres sortiment, kan nu fokusere på kategorier, hvor data giver mindre sikkerhed, og menneskelig dømmekraft betyder mere.
Mere tid til merchandising og trends
For trenddrevne eller nye varer er det en anden historie. Deres salg afhænger af kulturel timing, medieomtale og tidlige signaler, som historiske data alene endnu ikke kan forudsige. I praksis betyder det, at indkøbere bruger mindre tid på at træffe beslutninger om velkendte produkter og mere tid på at tackle det sværere spørgsmål om, hvad kunder endnu ikke ved, de vil have – den del af jobbet, der kræver smag, ikke kun analyse, ifølge Farfetch's chief technology officer Luis Carvalho.
"Vi tror på at styrke vores kunders individuelle stil, ikke diktere den," siger Carvalho. Farfetch's personaliseringsmotor forfiner, hvad shoppere ser baseret på stilsignaler snarere end blot popularitet. "Fremskridt inden for AI – fra databehandling til prædiktiv modellering – hjælper os med at navigere i enorme mængder information og forbinde hver kunde til de mest personlige produkter på tværs af vores netværk."
Disse fremskridt inkluderer AI's evne til at behandle milliarder af signaler – såsom søgeadfærd, klikmønstre, produktmetadata og regionale købsforskelle – med en hastighed, som menneskelige teams ikke kan matche. Efterhånden som AI-kapaciteterne er vokset, er modeaggregatormarkedet Lyst gået fra brede katalograngeringer til stilniveau-anbefalinger, der matcher produkter til individuelle shoppere baseret på smag, prisfølsomhed og anledning.
McQueen-skull-tørklædet er for nylig vendt tilbage i modetrends efter flere kendisobservationer, og Charli XCX bar et under sin Glastonbury-optræden i 2025.
Foto: Shoot Digital for Style.com/ Getty Images
"Tidligere handlede merchandising kun om at beslutte de første seks produkter, du ville se i et feed," siger Miyon Im, VP for produktdesign og redaktion hos Lyst. "Men med AI kan vi blive mere sofistikerede – omkring styling, outfits eller endda begivenhedsbaserede forslag. Hvis vi kan bruge AI til at skabe noget som en kontorfest-anbefaling, hvor hvert stykke føles rigtigt, fordi vi forstår din smag, præferencer og prisfølsomhed, så er det fremtiden."
I praksis betyder det, at Lysts merchandisere modtager regelmæssige databriefinger, inklusive varer, der får usædvanlig trækkraft i søgninger eller gemte. De undersøger derefter disse for modekontekst, før de kommer med nogen anbefaling. Når data viser stigninger i bestemte farver eller teksturer, offentliggøres det ikke straks som en trend. Et menneske må spørge hvorfor: var det et runway-øjeblik, en kendisobservation eller en kulturel reference? Først da tilføjes det til merchandising.
At balancere data med intuition
Ledende medarbejdere siger, at AI's potentiale for nu kommer med strukturelle begrænsninger. Maskinlæringsmodeller er kun så pålidelige som de data, de er trænet på, og modes historiske skævheder – i størrelser, repræsentation, geografi og smagshierarkier – kan let forstærkes snarere end korrigeres. Hvis tidligere salg var skævt mod snævre størrelsesintervaller eller specifikke demografier, forsvinder disse udelukkelser ikke i maskinlæringsmodeller – de skaleres op. Eksperter siger, at AI stadig ikke kan erstatte den kulturelle intelligens, intuition og historiefortællingsinstinkt, der former mode.
"AI er her, og det er et utroligt værktøj til at forbedre dit arbejde," siger Julie Gilhart, modekonsulent, der tilbragte 18 år med at føre tilsyn med indkøbsbeslutninger hos Barneys New York. "Men den virkelige magi kommer fra menneskelig intuition – den instinktive fornemmelse, som data alene ikke kan kopiere. De mærker, der gør det rigtigt, vil lade kreativitet lede, med AI, der forbedrer visionen snarere end at erstatte det menneskelige touch."
Efterhånden som mærker tager flere datadrevne værktøjer i brug, siger Gilhart, at en ny rolle opstår: merchandisere, der kan omdanne analytiske signaler til kreative strategier. "Du skal være nysgerrig," siger Shepherd. "Du behøver ikke en datalogi-baggrund, men du skal forstå, hvordan teknologien fungerer for at løse problemer for brugere og partnere."
Ofte stillede spørgsmål
Her er en liste med ofte stillede spørgsmål om, hvordan modeindkøbere og merchandisere tilpasser sig AI-æraen
Spørgsmål på begynderniveau
1 Hvad gør AI egentlig inden for modeindkøb og merchandising
AI analyserer enorme mængder data som tidligere salg sociale medietrends og vejrudsigter for at forudsige, hvad kunder vil købe Det hjælper med at beslutte, hvor meget lager der skal bestilles, hvilke stilarter der skal fremmes, og hvornår varer skal sættes på tilbud
2 Vil AI erstatte modeindkøbere og merchandisere
Nej AI er et værktøj til at gøre deres job lettere, ikke erstatte dem Det håndterer gentagne talbehandlinger og mønsterspotning, hvilket frigør indkøbere og merchandisere til at fokusere på kreative beslutninger, forhandlinger med leverandører og opbygning af brandhistorier
3 Hvordan hjælper AI med at forudsige modetrends
AI scanner millioner af billeder fra sociale medier, modeshows og street style-fotos Det identificerer nye farver, silhuetter og mønstre meget hurtigere end et menneskeligt team kunne, hvilket giver indkøbere et forspring i trendforudsigelse
4 Hvad er den største fordel ved at bruge AI for en merchandiser
Den største fordel er nøjagtighed AI kan forudsige efterspørgsel efter specifikke størrelser, farver og butikker med meget mindre spild Dette betyder færre prisnedsættelser på usolgte tøj og færre udsolgte meddelelser på populære varer
5 Skal jeg være teknekspert for at arbejde med AI som indkøber
Slet ikke De fleste AI-værktøjer er designet med brugervenlige dashboards Du skal forstå, hvilke spørgsmål du skal stille AI'en, ikke hvordan du koder den Den vigtigste færdighed er at lære at fortolke AI'ens anbefalinger og stole på dem baseret på din markedsviden
Spørgsmål på avanceret niveau
6 Hvordan ændrer AI den traditionelle indkøbskalender
AI muliggør agilt indkøb I stedet for at placere alle ordrer måneder i forvejen, kan indkøbere nu bruge AI til at teste små batches i realtid og derefter genbestille bestsellere øjeblikkeligt baseret på live salgsdata Dette skifter kalenderen fra stive sæsonbestemte drops til en kontinuerlig, responsiv strøm af nye produkter
7 Kan AI hjælpe med bæredygtighedsmål inden for merchandising
Ja, betydeligt AI optimerer lagerniveauer for at reducere overproduktion – modeindustriens største affaldsproblem Det kan også forudsige, hvilke materialer der vil have