**Svensk översättning:**
Modeinköpare har länge varit branschens tysta trendsättare – de som kan upptäcka en önskan innan den ens tar form. Men nu, med stramare vinstmarginaler och behovet av precision, vänder de sig till AI för att möta dessa utmaningar.
Genom att bearbeta enorma mängder data som tidigare var inlåsta i separata system – som sökbeteende, klickmönster, regionala preferenser och produktprestanda på olika marknader – går AI snabbt från att bara förutsäga försäljning. Köpare och merchandisers säger att det nu förändrar hur de bygger upp, finjusterar och skalar sina produktsortiment, eftersom beslut blir mer datadrivna än någonsin.
Istället för att bara förlita sig på tidigare försäljning eller magkänsla kan köpare ta del av realtidssignaler om vad shoppare söker efter, klickar på och sparar runt om i världen. "AI är mer ett verktyg som förlänger deras räckvidd", säger Rich Shepherd, produktchef på Lyst. "De bästa köparna leds fortfarande av intuition – AI ger dem bara en tydligare bild av var den intuitionen kan fungera bäst."
Från lyxmärken till globala e-handelsplattformar växer en ny metod fram: AI-drivna rekommendationssystem och verktyg som upptäcker mönster i data, medan mänskliga köpare tolkar insikterna och fattar strategiska beslut. Att balansera de två blir en viktig konkurrensfördel.
Realtidsinsikter om efterfrågan
Tapestry, moderbolaget till Coach, Kate Spade och Stuart Weitzman, använder AI bakom kulisserna för att hjälpa köpare att fatta smartare beslut om vad de ska beställa, hur mycket de ska lagra och vart de ska skicka lager.
"Vi visste alltid att för att digitalisera denna process och skala snabbt, behövde vi bygga ett sätt att enkelt dela data över hela verksamheten", säger Fabio Luzzi, chief data and analytics officer på Tapestry. Företaget investerade i en central datahub – vad Luzzi kallar sin "proprietära dataväv" – som gör det enkelt att modellera data kring kunder, platser och leveranskedjor. "Det gör det enkelt att digitalisera processer, samt att använda AI i många steg i värdekedjan."
"De bästa köparna leds fortfarande av intuition – AI ger dem bara en tydligare bild av var den intuitionen kan fungera bäst."
Coach's inköpsteam använder redan delade datamängder för att jämföra regionala köpmönster i realtid, och justerar hur mycket de beställer och vart de skickar produkter innan de når butikerna. Dessa insikter avslöjar efterfrågan tidigare och mer exakt än att bara titta på tidigare försäljning.
I praktiken kan en teammedlem öppna en live, delad instrumentpanel som visar att en viss stil säljer bra i sydvästra USA men inte i nordöstra – information som tidigare kom veckor senare genom försäljningsrapporter. Den signalen låter dem justera var lagret hamnar innan det är låst, istället för att det sitter i fel lager. Luzzi ser AI som ett inbyggt beslutsstödssystem för design, lager och prissättning, som snabbar upp analys och interaktion samtidigt som slutgiltiga produkt- och merchandisingbeslut lämnas till mänskliga team. Han säger att detta frigör tid för inköps- och merchandisingteam att fokusera på mer strategiskt arbete.
På Coach hanteras kärnlädervaror och säsongsbaserade basvaror – kategorier med åratal av försäljningsdata bakom sig – alltmer genom automatiserade påfyllnadsmodeller. Systemet flaggar när det är dags att beställa om, justerar kvantiteter per butik och flyttar lager mellan regioner utan manuell inmatning. Tidsbesparingen är betydande: handlare som tidigare tillbringade större delen av inköpscykeln med att hantera de förutsägbara delarna av sitt sortiment kan nu fokusera på kategorier där data erbjuder mindre säkerhet och mänskligt omdöme betyder mer.
Mer tid för merchandising och trender
För trenddrivna eller nya varor är det en annan historia. Deras försäljning beror på kulturell timing, medieuppmärksamhet och tidiga signaler som historisk data ensam ännu inte kan förutsäga. I praktiken innebär detta att köpare spenderar mindre tid på att fatta beslut om välkända produkter och mer tid på att ta itu med den svårare frågan om vad kunder ännu inte vet att de vill ha – den del av jobbet som kräver smak, inte bara analys, enligt Farfetch's teknikchef Luis Carvalho.
"Vi tror på att stärka våra kunders individuella stil, inte diktera den", säger Carvalho. Farfetch's personaliseringsmotor förfinar vad shoppare ser baserat på stilsignaler snarare än bara popularitet. "Framsteg inom AI – från databehandling till prediktiv modellering – hjälper oss att navigera enorma mängder information och koppla varje kund till de mest personliga produkterna över vårt nätverk."
Dessa framsteg inkluderar AI:s förmåga att bearbeta miljarder signaler – som sökbeteende, klickmönster, produktmetadata och regionala köpskillnader – i en hastighet som mänskliga team inte kan matcha. I takt med att AI-kapaciteten har vuxit har modeaggregatorn Lyst gått från breda katalogrankningar till stilnivårekommendationer, och matchar produkter till enskilda shoppare baserat på smak, priskänslighet och tillfälle.
McQueens skallehalsduk har nyligen gjort en comeback i modetrender, efter flera kändisobservationer och att Charli XCX bar en under sitt Glastonbury-framträdande 2025.
Foto: Shoot Digital for Style.com/ Getty Images
"Tidigare handlade merchandising bara om att bestämma de första sex produkterna du skulle se i ett flöde", säger Miyon Im, VP för produktdesign och redaktionellt på Lyst. "Men med AI kan vi bli mer sofistikerade – kring styling, outfits eller till och med evenemangsbaserade förslag. Om vi kan använda AI för att skapa något som en kontorsfest-rekommendation, där varje plagg känns rätt för att vi förstår din smak, preferenser och priskänslighet, det är framtiden."
I praktiken innebär detta att Lysts merchandisers får regelbundna databriefs, inklusive varor som får ovanligt mycket uppmärksamhet i sökningar eller sparningar. De undersöker sedan dessa för modekontext innan de gör någon rekommendation. När data visar toppar i vissa färger eller texturer publiceras det inte omedelbart som en trend. En människa måste fråga varför: var det ett runway-ögonblick, en kändisobservation eller en kulturell referens? Först då läggs det till i merchandisingen.
Balansera data med intuition
Chefer säger att AI:s potential för närvarande kommer med strukturella begränsningar. Maskininlärningsmodeller är bara så tillförlitliga som datan de tränas på, och modes historiska fördomar – i storlek, representation, geografi och smakhierarkier – kan lätt förstärkas snarare än korrigeras. Om tidigare försäljning var snedvriden mot smala storleksintervall eller specifika demografier, försvinner inte dessa exkluderingar i maskininlärningsmodeller – de skalas upp. Experter säger att AI fortfarande inte kan ersätta den kulturella intelligens, intuition och berättarinstinkt som formar mode.
"AI är här, och det är ett otroligt verktyg för att förbättra ditt arbete", säger Julie Gilhart, modekonsult som tillbringade 18 år med att övervaka inköpsbeslut på Barneys New York. "Men den verkliga magin kommer från mänsklig intuition – den instinktiva känslan som data ensam inte kan återskapa. De märken som gör rätt kommer att låta kreativiteten leda, med AI som förstärker visionen snarare än ersätter den mänskliga touchen."
I takt med att märken antar mer datadrivna verktyg, säger Gilhart att en ny roll växer fram: merchandisers som kan omvandla analytiska signaler till kreativa strategier. "Du måste vara nyfiken", säger Shepherd. "Du behöver inte en datavetenskaplig bakgrund, men du måste förstå hur tekniken fungerar för att lösa problem för användare och partners."
Vanliga frågor
Här är en lista med vanliga frågor om hur modeinköpare och merchandisers anpassar sig till AI-eran
Frågor för nybörjarnivå
1 Vad gör AI egentligen inom modeinköp och merchandising
AI analyserar enorma mängder data som tidigare försäljning sociala medietrender och väderprognoser för att förutsäga vad kunder kommer att vilja köpa Det hjälper till att bestämma hur mycket lager som ska beställas vilka stilar som ska pushas och när varor ska sättas på rea
2 Kommer AI att ersätta modeinköpare och merchandisers
Nej AI är ett verktyg för att göra deras jobb enklare inte för att ersätta dem Det hanterar repetitiv sifferbearbetning och mönsteridentifiering vilket frigör köpare och merchandisers att fokusera på kreativa beslut förhandlingar med leverantörer och att bygga varumärkesberättelser
3 Hur hjälper AI med att förutsäga modetrender
AI skannar miljontals bilder från sociala medier modevisningar och street style-foton Det identifierar framväxande färger silhuetter och mönster mycket snabbare än ett mänskligt team skulle kunna vilket ger köpare ett försprång i trendprognoser
4 Vad är den största fördelen med att använda AI för en merchandiser
Den största fördelen är noggrannhet AI kan prognostisera efterfrågan för specifika storlekar färger och butiker med mycket mindre slöseri Detta innebär färre prisnedsättningar på osålda kläder och färre slut i lager-meddelanden på populära varor
5 Behöver jag vara tekniskt expert för att arbeta med AI som köpare
Inte alls De flesta AI-verktyg är designade med användarvänliga instrumentpaneler Du behöver förstå vilka frågor du ska ställa till AI inte hur man kodar Den viktigaste färdigheten är att lära sig tolka AI:s rekommendationer och lita på dem baserat på din marknadskunskap
Frågor för avancerad nivå
6 Hur förändrar AI den traditionella inköpskalendern
AI möjliggör agilt inköp Istället för att lägga alla beställningar månader i förväg kan köpare nu använda AI för att testa små batcher i realtid och sedan omedelbart beställa om bästsäljare baserat på liveförsäljningsdata Detta flyttar kalendern från rigida säsongsbundna lanseringar till ett kontinuerligt responsivt flöde av nya produkter
7 Kan AI hjälpa till med hållbarhetsmål inom merchandising
Ja avsevärt AI optimerar lagernivåer för att minska överproduktion – modeindustrins största avfallsproblem Det kan också förutsäga vilka material som kommer att