Jede KI-Commerce-Funktion, über die diese Publikation berichtet hat — Conversational Search, Agentic Checkout, personalisierte Produktempfehlung — setzt grundlegend auf Produktdaten voraus, die für die maschinelle Interpretation strukturiert sind. Die Taxonomiesysteme der Modebranche wurden nicht dafür gebaut. Sie wurden für menschliches Browsen entwickelt, und genau in der Lücke zwischen diesen beiden Designzielen geraten KI-Roadmaps immer wieder ins Stocken.

Ein Artikel von 2021 in FashionUnited, verfasst vom Auto-Tagging-Anbieter Pixyle.ai, beschreibt das Taxonomieproblem treffend, bevor er die Lösung präsentiert: Produkttaxonomie sei „eine klar definierte Datenstruktur aus Modekategorien und Attributen, die das Kategorisieren, Organisieren und systematische Klassifizieren von Artikeln unterstützt.” Diese Definition stimmt. Was die Branche dabei unterschätzt hat: Kategorisierung für Käufer und Kategorisierung für Maschinen erfordern unterschiedliche Attributschemata, unterschiedliche Granularität und unterschiedliche Konsistenzstandards.

Modetaxonomien wurden darum herum entworfen, was menschliche Käufer beim Filtern einer Website interpretieren konnten. Ein Kunde liest „vintage-inspiriert”, „perfekt für Hochzeiten” und „fällt klein aus” und zieht kulturelle Schlüsse, um die Lücken im Text zu füllen. Eine Empfehlungsmaschine verfügt über keine solchen Reserven — sie braucht strukturierte Felder: Anlass-Code, Silhouettenklassifikation, Passformabweichung als Messdaten, Materialzusammensetzung in Prozent. Fehlen diese Felder, sind sie inkonsistent oder in Freitext kodiert, rät die Maschine entweder oder aggregiert widersprüchliche Signale. Das Ergebnis ist technisch plausibel und kommerziell falsch. Wie wir am 27. März unter Berufung auf ChannelEngine in unserer Analyse zur KI-Suchsichtbarkeit berichteten, erschweren unvollständige Attribute die Auffindbarkeit von Produkten in KI-gesteuerten Umgebungen, weil KI-Agenten auf strukturierte Produktdaten angewiesen sind und keine Seiten so durchsuchen wie ein Mensch. Jede KI-Funktion, die auf Discovery aufbaut, hat dieselbe Abhängigkeit.

Die Auto-Tagging-Antwort und ihre Grenzen

Die primäre Reaktion der Branche war automatisiertes Attribut-Tagging. Anbieter wie Pixyle.ai und YesPlz haben Computer-Vision-Pipelines entwickelt, die Produktattribute aus Bildern extrahieren — Ausschnitt, Ärmellänge, Muster, Farbe — ohne manuelle Eingabe. Eine YesPlz-Fallstudie verdeutlicht den Effizienzgewinn: Das manuelle Taggen von 2.000 Modeprodukten erfordert mindestens 10 Arbeitstage und rund 1.600 Dollar bei 20 Dollar pro Stunde — ein Satz, den YesPlz auf den kalifornischen Markt anwendet, der über dem damals gültigen Mindestlohn lag; automatisiertes Tagging erledigt dieselbe Arbeit in Stunden für 200 bis 600 Dollar (laut einer YesPlz-Fallstudie mit zwei kleinen Shopify-Händlern). Das ist eine echte operative Verbesserung und adressiert einen realen Produktionsengpass.

Was es nicht löst, ist das Schema-Problem.

Wenn die Taxonomie eines Händlers keine Felder für Anlasskategorie, Passformintention oder Pflegeeignung enthält, können Bildverarbeitungs-Pipelines diese nicht befüllen — weil es nichts zu befüllen gibt. Das angereicherte Schema wurde nach dem entworfen, was menschliche Merchandiser vor mehr als einem Jahrzehnt verstanden, als sie Filter für „casual” oder „Hochzeitsgast” einrichteten. Das sind Browsing-Heuristiken. Eine konversationelle KI, die gebeten wird, eine nur trocken zu reinigende Seidenbluse für eine sommerliche Cocktailparty vorzuschlagen, benötigt diskrete Felder für Anlass, Gewebeart und Pflegehinweis. Viele Kataloge lassen diese Felder entweder weg oder handhaben sie inkonsistent über Produkttypen und Einkaufssaisons hinweg. Die Lücke bleibt unsichtbar, bis ein KI-System versucht, den gesamten Katalog im großen Maßstab zu durchdenken.

Was visuelle Inferenz richtig macht — und wo sie endet

Das übliche Gegenargument lautet, moderne Vision-Modelle könnten Attribute aus Bildern ableiten, ohne strukturierte Felder zu benötigen. Das stimmt teilweise und ist zugleich wichtig begrenzt. Visuelle Inferenz funktioniert gut bei Attributen mit sichtbaren Oberflächenmerkmalen: Farbe, Muster, Silhouette, Ärmellänge. Sie versagt bei nicht-visuellen Attributen, die Kaufentscheidungen prägen — Anlasstauglichkeit, Wärmebewertung, Größenkonsistenz über verschiedene Farben hinweg. Auch liefert sie inkonsistente Ergebnisse, wenn dasselbe Produkt aus verschiedenen Winkeln fotografiert oder in verschiedenen Saisons in unterschiedlichen Farbvarianten gelistet wird.

FashionUniteds Überblick von 2024 über KI in der gesamten Modewertschöpfungskette vermerkt, dass Systeme wie Heuritech „über 2.000 verschiedene Modedetails” aus Social-Media-Bildern unterscheiden — eine echte technische Leistung. Aber Trenderkennung und Empfehlungslogik im Einzelhandel sind unterschiedliche Aufgaben. Trenderkennung aggregiert Signale aus Millionen von Bildern, um aufkommende Muster sichtbar zu machen. Empfehlungslogik hingegen erfordert konsistente, produktspezifische strukturierte Attribute, die probabilistische Inferenz nicht in einheitlicher Qualität für einen vollständigen Katalog liefern kann.

Die besondere Anfälligkeit der Modebranche

Mode ist von diesem Problem stärker betroffen als die meisten anderen Kategorien. Ein Laptop lässt sich präzise mit Prozessor, Speicher, Gewicht und Bildschirmgröße beschreiben — alles messbar, weitgehend objektiv. Ein schwarzer Damen-Ponte-Blazer erfordert Silhouette, Material, Passformtyp, Anlass, Größenabweichung und saisonale Positionierung, um in den Kontexten, in denen Kaufabsicht entsteht, wirklich empfehlbar zu sein. Die Mehrdeutigkeit nimmt nicht ab, wenn KI in die Pipeline eintritt — sie verstärkt sich. Conversational Search liefert plausible Ergebnisse, die die Intention verfehlen. Agentic Checkout kauft ein Produkt, das der Anfrage entspricht, aber nicht zur Garderobe passt; Empfehlungsmaschinen empfehlen die richtige Kategorie zum falschen Anlass.

Die Händler mit einem strukturellen Vorteil im nächsten KI-Commerce-Zyklus sind nicht jene, die den ausgefeiltesten Algorithmus über eine dünne Datenschicht laufen lassen. Es sind jene, deren Produktdaten bereits so strukturiert sind, dass sie Inferenz statt Browsing unterstützen — jene, die gefragt haben, was eine Maschine braucht, um über ein Produkt nachzudenken, bevor sie fragten, was die KI-Feature-Roadmap erfordert. Das Taxonomieschema zu reparieren — Felder zu erweitern, Konsistenzstandards durchzusetzen, zu prüfen, was Maschinen benötigen statt was menschliche Merchandiser zu vervollständigen gedenken — ist unspektakuläre Infrastrukturarbeit. Die Fähigkeiten, die sie freisetzt, sind es nicht.