Retouren kosten den US-Einzelhandel 849 Milliarden Dollar. Die meiste KI, die die Mode retten soll, löst das falsche Problem.

Vor ein paar Jahren hatte ich eine Demo zur Körpervermessung, die wunderbar funktionierte. Eine Kundin stellt sich an eine Wand, macht mit dem Handy zwei Fotos, und ein paar Sekunden später liefern wir Dutzende von Körpermaßen zurück, auf einen bis zwei Zentimeter genau. In unserem Büro, bei gutem Licht und vor einer leeren Wand, war es unheimlich. Ich erinnere mich, wie ich die zurückkommenden Zahlen ansah und dachte, wir hätten es geschafft.

Dann testeten wir es in echten Schlafzimmern. Unaufgeräumte Hintergründe, eine Lampe seitlich, eine Kundin in einem weiten Kapuzenpulli, das Handy nach einem langen Tag in einem müden Winkel gehalten. Dieselbe Pipeline, die im Labor auf ein bis zwei Zentimeter kam, wich in der freien Wildbahn auf drei bis fünf Zentimeter ab. Für ein Größensystem entscheidet genau diese Abweichung über alles. Drei Zentimeter an der Taille sind der Unterschied zwischen einer Größe, die passt, und einer Größe, die zurückkommt.

Dieser Monat — in dem ich zusah, wie eine demotaugliche Genauigkeit beim Kontakt mit echten Kunden auseinanderfiel — ist der Punkt, an dem ich aufhörte, an irgendeine einzelne Wunderlösung für Modeartikel-Retouren zu glauben. Er lehrte mich das, worum es in diesem gesamten Essay geht: Das Passform-Problem ist mechanisch, nicht visuell, und es hat nicht die eine Lösung. Das ist auch die Prämisse hinter dem KI-Passformvorhersagesystem, das wir jetzt bei Veriprajna entwickeln.

Die teuerste Zahl im Einzelhandel

Beginnen wir mit der Zahl, die jedem E-Commerce-Betreiber den Schlaf rauben sollte: Die US-Einzelhandelsretouren beliefen sich auf 849,9 Milliarden Dollar im Jahr 2025 (National Retail Federation). Mode ist mit großem Abstand die schlimmste Kategorie — die Retourenquoten für Bekleidung liegen bei 26 bis 40 Prozent, gegenüber einem E-Commerce-Durchschnitt von rund 20,8 Prozent.

Und es ist fast immer dasselbe Versagen. Größe, Passform und Farbe treiben etwa 45 Prozent aller Retouren an, und speziell bei Bekleidung sind 53 bis 70 Prozent der Retouren passformbedingt. Siebzig Prozent der Online-Modekäufer sagen, dass die Unmöglichkeit, etwas anzuprobieren, ihre größte Sorge vor dem Kauf ist. Sie sorgen sich zu Recht.

Der Mode-E-Commerce verliert durch Retouren mehr Geld als durch Marketing, Logistik oder Betrug zusammen. Die Ursache ist fast nie der Fehler des Kunden. Es liegt daran, dass das Kleidungsstück nicht passte.

Die Wirtschaftlichkeit wird umso schlechter, je genauer man hinsieht. Die Bearbeitung einer einzigen Retoure kostet zwischen 10 und 65 Dollar und verschlingt in manchen Fällen bis zu 65 Prozent des ursprünglichen Artikelpreises. So kann eine Marke ein Oberteil für 40 Dollar „verkaufen“, den Hinversand schlucken, den Rückversand schlucken, die Prüfung und Neuverpackung schlucken und bei einer Transaktion, die sie als Umsatz verbucht hatte, am Ende im Minus landen. Retourenbetrug allein kostet den Einzelhandel obendrein über 100 Milliarden Dollar pro Jahr.

Die meisten Teams, mit denen ich spreche, versuchen das mit einer Größentabelle und, in letzter Zeit, mit einer schicken virtuellen Anprobe zu lösen. Ich sage Ihnen, warum beide auf das falsche Ziel zielen.

Warum konnte eine Größentabelle das nie lösen?

Eine Größentabelle verlangt von vier eindimensionalen Zahlen — Brust, Taille, Hüfte, Schrittlänge —, eine dreidimensionale Oberfläche zu beschreiben. Das ist die Ursünde. Es war nie genug Information.

Es wird noch schlimmer, weil die Branche kein standardisiertes Abstufungssystem hat. Ein „Medium“ bei einer Marke bildet eine völlig andere Körpergeometrie ab als ein „Medium“ bei einer anderen. Ich habe die Daten gesehen: Die Taillenweite einer Damengröße 6 kann sich um bis zu fünf Zoll zwischen den Marken unterscheiden. Einundneunzig Prozent der Käufer brauchen je nach Marke, bei der sie kaufen, eine andere Größe. Vanity Sizing macht es absichtlich schlimmer — Marken verschieben ihre Etiketten still und leise, um den Leuten zu schmeicheln, was bedeutet, dass ein markenübergreifender Vergleich im Grunde bedeutungslos ist.

Also tun die Käufer das einzig Vernünftige. Sie bestellen auf Reserve. Dreiundsechzig Prozent der Online-Käufer bestellen inzwischen mehrere Größen desselben Artikels mit der Absicht, alle bis auf eine zurückzuschicken — und unter der Gen Z sind es 51 Prozent. Allein die Größenunsicherheit treibt etwa 42 Prozent dieses Verhaltens an.

Das Bestellen auf Reserve ist eine stille Katastrophe für einen Einzelhändler. Es verdoppelt Ihren Hinversand, bindet Bestände während des Retourenzyklus und garantiert, dass mindestens die Hälfte dessen, was Sie versenden, direkt zurückkommt. Der Kunde ist nicht schwierig. Er hat richtig geschlussfolgert, dass Ihrer Größentabelle nicht zu trauen ist, und hat deshalb sein eigenes Wohnzimmer auf Ihre Kosten in eine Umkleidekabine verwandelt.

Die Falle, in die ich fast getappt wäre

Nachdem unsere Vermessungs-Pipeline gestrauchelt war, lautete der Rat, den ich immer wieder bekam, in irgendeiner Variante: „Klemm einfach eine virtuelle Anprobe dran.“ Generative KI hatte sie günstig und wunderschön gemacht — Google führte die Shopping-Anprobe in den USA, Großbritannien und Indien ein; Zalando startete ein Pilotprojekt mit Levi’s in vierzehn europäischen Märkten. Die Bilder, die diese Systeme erzeugen, sind wirklich schön. Eine Zeit lang war ich versucht zu glauben, ein schönes Bild sei die Antwort.

Ist es nicht, und zu verstehen, warum, ist der Dreh- und Angelpunkt dieses ganzen Geschäfts.

Die generative virtuelle Anprobe funktioniert, indem sie statistisch wahrscheinliche Pixel vorhersagt — sie malt ein fotorealistisches Bild eines Kleidungsstücks auf Ihren Körper. Aber sie hat keine Ahnung, ob sie Ihnen eine Größe M oder eine Größe L zeigt. Sie kann Ihnen nicht sagen, dass die Hüfte zwei Zentimeter zu schmal für die Dehngrenze des Stoffs ist. Das Diffusionsmodell weiß nicht, ob es einen vierfach dehnbaren Ponte oder einen 14-Unzen-Rohselvedge-Denim ohne jedes Nachgeben drapiert. Es ist eine Darstellung, keine Messung.

Eine virtuelle Anprobe lässt die Schätzung überzeugend aussehen. Sie macht die Schätzung nicht richtig.

Und die Daten bestätigen das auf unangenehme Weise. Die generative Anprobe steigert nachweislich Conversion und Engagement — die Leute spielen liebend gern damit. Aber es gibt keine veröffentlichten Belege dafür, dass eine reine GenAI-Anprobe passformbedingte Retouren tatsächlich reduziert. Schlimmer noch, diese Modelle tragen einen schlankmachenden Bias in sich: Sie neigen dazu, das Kleidungsstück vorteilhafter darzustellen als in der Realität, was die Kluft zwischen Erwartung und dem ankommenden Paket vergrößern kann. Man kann gleichzeitig die Conversion erhöhen und die Retouren erhöhen. Ich habe zugesehen, wie Teams die erste Zahl feierten und sie nie mit der zweiten in Verbindung brachten.

Die Jeans, die alles erklärt

Lassen Sie mich das mit dem Fall konkret machen, der es für mich endlich klärte — Denim, die retourenträchtigste Kategorie in der gesamten Bekleidung, mit 20 bis 25 Prozent.

Stellen Sie sich eine Kundin vor, die eine Premium-Jeans kauft. Sie misst ihre Taille, passt bei 71 Zentimetern perfekt zur Größentabelle und bestellt eine Größe 28. Die Jeans kommt an. Die Taille passt genau wie versprochen. Aber der Oberschenkel spannt in dem Moment, in dem sie sich hinsetzt, weil der 14-Unzen-Rohdenim keine Dehnung hat und die Größentabelle nie überhaupt ein Oberschenkelmaß hatte. Die generative Anprobe hatte ihr unterdessen ein vorteilhaftes Bild einer Jeans gezeigt, die im Stehen großartig aussah.

Keines der beiden Werkzeuge erfasste die tatsächliche Physik: Die Zugsteifigkeit dieses Stoffs bedeutet, dass er den Unterschied zwischen der Hüftgeometrie im Stehen und der Hüftgeometrie im Sitzen nicht überbrücken kann. Der Stoff würde diesen Kampf immer verlieren, und keine noch so gute Fotografie hätte sie gewarnt.

Das meine ich mit mechanisch. Ein physikbasierter Ansatz simuliert das Kleidungsstück als materielles Objekt. Er kennt die Biegesteifigkeit des Stoffs — wie er fällt —, seine Zugsteifigkeit — wie er sich dehnt — und sein Scherverhalten — wie er sich einer Rundung anpasst. Er drapiert das digitale Schnittmuster auf ein 3D-Körper-Mesh und berechnet die Belastung an jedem Punkt. Hohe Belastung am Oberschenkel zeigt sich als rote Zone auf dem Mesh, bevor auch nur eine Einheit versendet wird. Das ist keine Schätzung auf Basis dessen, was andere Käufer erlebt haben. Es ist eine Berechnung am tatsächlichen Stoff und am tatsächlichen Körper.

Wenn man auf eine Belastungs-Heatmap gestarrt hat, die genau dort rot glüht, wo ein Retouren-Grundcode später „zu eng am Oberschenkel“ sagen würde, hört man auf, Passform als ein Empfehlungsproblem zu betrachten, und beginnt, es als ein ingenieurtechnisches Problem zu betrachten.

Warum simuliert dann nicht einfach jeder?

Weil die Physiksimulation teuer und aufwendig einzurichten ist und sich nur auszahlt, wenn man die Eingabedaten hat, mit denen man sie füttert. Das ist der Teil, den Anbieter beschönigen, und es ist der Teil, der am meisten zählt, wenn man echtes Geld ausgibt.

Es gibt ehrlich gesagt vier verschiedene Familien von Passform-Technologie, und der Grund, warum keine von ihnen „die Antwort“ ist, liegt darin, dass jede einen anderen Ausschnitt des Problems löst.

Am günstigsten in der Umsetzung ist die statistische Größenempfehlung — True Fit, Bold Metrics, Fit Analytics. Diese ordnen einen Käufer einer Größe zu, indem sie Kaufhistorie, Retourendaten und Collaborative Filtering über enorme Markennetzwerke hinweg nutzen. True Fit allein schöpft aus zwanzig Jahren Daten, die 616 Milliarden Dollar an Transaktionen und über 91.000 Marken umfassen, und im März 2026 startete es einen agentischen Shopping-Agenten, der seine Passform-Intelligenz für KI-Assistenten zugänglich macht. Bold Metrics ging mit Gap eine Partnerschaft für ein agentisches Größenprotokoll ein und behauptet eine Retourenreduktion von rund 34 Prozent. Der Kompromiss ist, dass dies Blackboxes sind: Sie sagen einem, welche Größe, nie warum, und sie tun sich schwer bei brandneuen Produkten, für die es noch keine Verhaltensdaten gibt.

Die Familie, in der ich persönlich gearbeitet habe, war die fotobasierte Körpervermessung. 3DLOOKs YourFit extrahiert 86 Messpunkte aus einem oder zwei Smartphone-Fotos; in einer sechsmonatigen Studie mit einer Bademodenmarke berichtete es von einer um 47 Prozent niedrigeren Retourenquote und senkte reservierungsbedingte Retouren auf 2 Prozent. Aber der Kompromiss ist genau der, der mich gebissen hat — die Genauigkeit verschlechtert sich außerhalb kontrollierter Bedingungen, sie verlangt dem Käufer Arbeit ab, und die zugrunde liegenden Körpermodelle neigen zu „durchschnittlichen“ Staturen. Und dann ist da noch der Datenschutz, auf den ich noch zurückkommen werde.

Die generative virtuelle Anprobe ist die dritte Familie — schön, conversionfördernd und passformblind, aus all den oben genannten Gründen.

Die einzige Familie, die tatsächlich über den Stoff nachdenkt, ist die physikbasierte Simulation: CLO3D (von über 860 Unternehmen genutzt), Style3D und neuere Anbieter, die eine Finite-Elemente-Stoffsimulation auf einem 3D-Körper-Mesh ausführen. Perfitly, das einen 3D-Avatar mit vollständiger Stoffdrapierung kombiniert, berichtete, die Retouren einer Partnermarke von 28 Prozent auf rund 10 Prozent gedrückt zu haben. Der Haken ist, dass es nur funktioniert, wenn man bereits digitalisierte Schnittmuster und Stoffdaten hat, sodass es hauptsächlich für Marken mit ausgereiften 3D-Design-Workflows realistisch ist.

Es gibt nicht die beste Passform-Technologie. Es gibt nur die richtige für Ihre SKU-Anzahl, Ihre Datenreife und die spezifische Form Ihrer Retouren.

Eine Marke mit einem Fast-Fashion-Katalog von 50.000 SKUs und ohne 3D-Schnittmuster sollte keine Physiksimulation kaufen; eine statistische Empfehlung bewegt den Hebel schneller und günstiger. Ein Premium-Denim-Label mit digitalisierten Schnittmustern und einem brutalen Oberschenkel-Passform-Problem lässt Geld liegen, wenn es nicht simuliert. Der Fehler besteht darin, diese als Konkurrenten zu behandeln statt als unterschiedliche Werkzeuge für unterschiedliche Wirtschaftlichkeiten.

Das Feature, das mein eigener Anwalt killte

Niemand packt diesen Teil ins Verkaufs-Deck. An dem Tag, an dem wir bereit waren, das Körperscan-Feature auszuliefern, stieß es gegen eine Wand, die ich nicht ernst genug genommen hatte: das biometrische Datenschutzrecht.

Nach der DSGVO ist ein 3D-Körperscan biometrisches Datum der „besonderen Kategorie“ — die am stärksten geschützte Stufe, die es gibt. In Illinois erlegt der BIPA strenge Regeln für das Sammeln, Speichern und Weitergeben genau dieser Art von Daten auf, mit echten Zähnen, und immer mehr US-Bundesstaaten weiten jedes Jahr ähnliche Gesetze aus. Ich sah einen Einwilligungs-Flow-Bildschirm hochgehen, der unser beeindruckendstes Feature für einen Teil des Landes faktisch blockierte, bis wir neu gestalteten, wie es funktioniert.

Diese Neugestaltung erwies sich als Feature, nicht als Bug. Die Antwort ist die Verarbeitung auf dem Gerät — die Messmathematik auf dem Handy des Käufers erledigen und den Rohscan es nie verlassen lassen. Sie etabliert sich nun als der Datenschutz-orientierte Standard, und sie ist zufällig auch genau das, was Käufer sich wohl genug fühlen lässt, um das Werkzeug tatsächlich zu nutzen. Aber man muss von Anfang an dafür designen. Klemmt man einen Körperscanner an eine Modeseite, ohne über den BIPA nachzudenken, hat man kein Passform-Werkzeug gebaut; man hat eine Sammelklage mit einem Anprobe-Button gebaut.

Ist KI-Passformvorhersage echt oder nur Hype?

Die Leute fragen mich das ständig, und die ehrliche Antwort lautet: Der zugrunde liegende Markt ist real und wächst schnell — das Segment der Größen- und Passformvorhersage soll sich von etwa 1,05 Milliarden Dollar im Jahr 2024 auf 2,95 Milliarden Dollar bis 2029 in etwa verdreifachen —, aber die meisten der Einführungen sind Hype, weil sie eine Technologie auswählen, bevor sie das Problem verstehen.

Deshalb verkaufen wir kein einzelnes Produkt. Wir beginnen mit den eigenen Retourendaten einer Marke und fragen, welches Versagen sie tatsächlich Geld kostet — falsche Größe gewählt oder falsche Passform-Erwartung. Dann passen wir den Ansatz an die Wirtschaftlichkeit an: statistische Empfehlung für SKU-reiche Kataloge, fotobasierte Vermessungs-Pipelines für passformsensible Kategorien und physikbasierte Simulation für die Marken, deren 3D-Design-Reife das tragen kann — anbieterneutral, datenschutzkonform und rund um die spezifischen Retourenmuster in ihren Daten gebaut. Das ist die gesamte Philosophie hinter dem, was wir gebaut haben, und sie kommt direkt aus dem Monat, den ich damit verbrachte, zuzusehen, wie eine Einheitslösung auseinanderfiel.

Die andere Frage, die mir gestellt wird, ist, ob irgendetwas davon die Integrationskosten wert ist. Früher fürchtete ich diese Frage, bis ich begann, die Nachher-Zahlen einschlagen zu sehen: Käufer, die sich mit gut gebauter KI-Größenberatung befassen, konvertieren zu deutlich höheren Raten, und Retourenreduktionen von 25 bis 50 Prozent im ersten Jahr sind erreichbar. Es gibt auch regulatorischen Rückenwind — die EU ist dabei, die Vernichtung unverkaufter Ware zu verbieten, und die Rücklogistik verbrennt bereits jährlich Hunderttausende von Tonnen CO2. Jede Retoure, die Sie verhindern, ist Geld, Kohlenstoff und Bestand, den Sie behalten.

Die Lektion, die mir jene Demo lehrte, hat sich nun seit Jahren bewährt. Ein vorteilhaftes Bild wird das Kleidungsstück verkaufen. Nur die Physik — oder die richtigen Daten, ehrlich angewandt — wird sicherstellen, dass es verkauft bleibt. Die Mode hat ein Jahrzehnt damit verbracht, sich fotografisch aus einem Problem herauszuwinden zu versuchen, das immer mit einer Messung gelöst werden würde.