Retouren kosten de Amerikaanse retail 849 miljard dollar. De meeste AI die mode wil redden, lost het verkeerde probleem op.

Een paar jaar geleden had ik een lichaamsmeting-demo die prachtig werkte. Een shopper gaat tegen een muur staan, maakt twee foto's met een telefoon, en een paar seconden later leveren we tientallen lichaamsmaten terug die tot op een centimeter of twee nauwkeurig zijn. In ons kantoor, bij goed licht en tegen een lege muur, was het griezelig goed. Ik herinner me dat ik naar de getallen keek die terugkwamen en dacht dat we het voor elkaar hadden.

Toen draaiden we het in echte slaapkamers. Rommelige achtergronden, een lamp aan één kant, een shopper in een wijde hoodie, de telefoon vermoeid onder een schuine hoek vastgehouden na een lange dag. Dezelfde pipeline die in het lab een tot twee centimeter haalde, liep in het wild op tot drie tot vijf centimeter afwijking. Voor een maatvoeringssysteem is dat gat de hele wedstrijd. Drie centimeter bij de taille is het verschil tussen een maat die past en een maat die terugkomt.

Die maand — waarin ik toekeek hoe demo-waardige nauwkeurigheid uit elkaar viel bij contact met echte klanten — is het moment waarop ik ophield te geloven in één enkele wondermiddel voor moderetouren. Het leerde me waar dit hele essay over gaat: het pasprobleem is mechanisch, niet visueel, en het heeft niet één oplossing. Dat is ook de premisse achter het AI-pasvoorspellingssysteem dat we nu bij Veriprajna bouwen.

Het duurste getal in de retail

Begin met het getal dat elke e-commerce-ondernemer 's nachts wakker zou moeten houden: de Amerikaanse retailretouren bedroegen in totaal 849,9 miljard dollar in 2025 (National Retail Federation). Mode is met een ruime marge de slechtste categorie — de retourpercentages voor kleding liggen tussen 26 en 40 procent, tegenover een e-commercegemiddelde van rond de 20,8 procent.

En het is bijna allemaal dezelfde fout. Maatvoering, pasvorm en kleur veroorzaken ongeveer 45 procent van alle retouren, en binnen kleding specifiek is 53 tot 70 procent van de retouren pasvormgerelateerd. Zeventig procent van de online modeshoppers zegt dat het niet kunnen passen van iets hun grootste zorg is voordat ze kopen. Ze hebben gelijk om zich zorgen te maken.

Mode-e-commerce verliest meer geld aan retouren dan aan marketing, logistiek en fraude samen. De hoofdoorzaak is bijna nooit de fout van de klant. Het is dat het kledingstuk niet paste.

De economie wordt slechter naarmate je beter kijkt. Het verwerken van één enkele retour kost tussen de 10 en 65 dollar, en verbruikt in sommige gevallen tot 65 procent van de oorspronkelijke prijs van het artikel. Dus een merk kan een top van 40 dollar "verkopen", de verzendkosten heen slikken, de retourverzending slikken, de inspectie en herverpakking slikken, en uiteindelijk onder water komen te staan op een transactie die het als omzet had geteld. Retourfraude alleen al kost retailers bovenop dat alles meer dan 100 miljard dollar per jaar.

De meeste teams waar ik mee praat, proberen dit op te lossen met een maattabel en, de laatste tijd, een strakke virtuele pasfunctie. Ik zal je vertellen waarom die allebei op het verkeerde doel mikken.

Waarom kon een maattabel dit nooit oplossen?

Een maattabel vraagt vier eendimensionale getallen — buste, taille, heup, binnenbeenlengte — om een driedimensionaal oppervlak te beschrijven. Dat is de erfzonde. Het zou nooit genoeg informatie zijn geweest.

Het wordt erger omdat de branche geen gestandaardiseerd gradeersysteem heeft. Een "Medium" bij het ene merk komt overeen met een compleet andere lichaamsgeometrie dan een "Medium" bij een ander. Ik heb de data gezien: een taillelijn van een damesmaat 6 kan tot wel vijf inch variëren tussen merken. Eenennegentig procent van de shoppers heeft een andere maat nodig afhankelijk van welk merk ze kopen. Vanity sizing maakt het bewust erger — merken verschuiven stilletjes hun labels om mensen te vleien, wat betekent dat vergelijking tussen merken in wezen betekenisloos is.

Dus shoppers doen het enige rationele. Ze hamsteren maten. Drieënzestig procent van de online shoppers bestelt nu meerdere maten van hetzelfde artikel met de bedoeling om alle op één na terug te sturen — en onder Gen Z is dat 51 procent. Maatonzekerheid alleen al drijft ongeveer 42 procent van dat gedrag.

Maten hamsteren is een stille ramp voor een retailer. Het verdubbelt je uitgaande verzending, zet voorraad vast tijdens de retourcyclus, en garandeert dat minstens de helft van wat je verstuurt rechtstreeks weer terugkomt. De klant is niet lastig. Ze hebben terecht geconcludeerd dat je maattabel niet te vertrouwen is, dus hebben ze hun eigen woonkamer op jouw kosten in een paskamer veranderd.

De valstrik waar ik bijna in liep

Nadat onze meet-pipeline struikelde, kwam het advies dat ik steeds kreeg neer op een of andere versie van "schroef er gewoon een virtuele pasfunctie op". Generatieve AI had het goedkoop en prachtig gemaakt — Google rolde Shopping virtual try-on uit in de VS, het VK en India; Zalando lanceerde een pilot met Levi's in veertien Europese markten. De beelden die deze systemen produceren zijn oprecht mooi. Een tijdlang was ik geneigd te geloven dat een mooi beeld het antwoord was.

Dat is het niet, en begrijpen waarom is het scharnierpunt van deze hele business.

Generatieve virtuele pasfuncties werken door statistisch waarschijnlijke pixels te voorspellen — het schildert een fotorealistisch beeld van een kledingstuk op je lichaam. Maar het heeft geen idee of het je een maat M of een maat L laat zien. Het kan je niet vertellen dat de heup twee centimeter te smal is voor de rekgrens van de stof. Het diffusiemodel weet niet of het four-way-stretch ponte draperen of 14-ounce ruwe selvedge denim met nul rek. Het is een rendering, geen meting.

Een virtuele pasfunctie laat de gok overtuigend lijken. Het maakt de gok niet correct.

En de data bevestigen dit op een ongemakkelijke manier. Generatieve pasfuncties verhogen aantoonbaar de conversie en betrokkenheid — mensen vinden het heerlijk om ermee te spelen. Maar er is geen gepubliceerd bewijs dat pasfuncties op basis van uitsluitend GenAI daadwerkelijk pasvormgerelateerde retouren verminderen. Erger nog, deze modellen dragen een verslankende bias: ze neigen ertoe het kledingstuk vleiender weer te geven dan de werkelijkheid, wat de kloof tussen verwachting en de doos die aankomt kan vergroten. Je kunt tegelijkertijd de conversie verhogen en de retouren verhogen. Ik heb teams het eerste getal zien vieren zonder het ooit met het tweede te verbinden.

De spijkerbroek die alles verklaart

Laat me dit concreet maken met de casus die het uiteindelijk voor mij verhelderde — denim, de categorie met de hoogste retouren in de hele kledingbranche, met 20 tot 25 procent.

Stel je een shopper voor die premium jeans koopt. Ze meet haar taille, komt perfect overeen met de maattabel bij 71 centimeter, en bestelt een maat 28. De jeans komen aan. De taille past precies zoals beloofd. Maar de dij klemt op het moment dat ze gaat zitten, omdat de 14-ounce ruwe denim geen rek heeft en de maattabel überhaupt nooit een dijmeting had. De generatieve pasfunctie had haar intussen een vleiend beeld getoond van jeans die er stilstaand geweldig uitzagen.

Geen van beide tools legde de werkelijke fysica vast: de trekstijfheid van deze stof betekent dat hij het verschil tussen de heupgeometrie in staande houding en de heupgeometrie in zittende houding niet kan overbruggen. De stof zou dat gevecht altijd verliezen, en geen enkele hoeveelheid betere fotografie had haar gewaarschuwd.

Dit is wat ik bedoel met mechanisch. Een op fysica gebaseerde aanpak simuleert het kledingstuk als een materieel object. Het kent de buigstijfheid van de stof — hoe het drapeert — de trekstijfheid — hoe het rekt — en het schuifgedrag — hoe het zich naar een ronding voegt. Het drapeert het digitale patroon over een 3D-lichaamsmesh en berekent de spanning op elk punt. Hoge spanning bij de dij verschijnt als een rode zone op de mesh voordat er ook maar één stuk wordt verzonden. Dat is geen gok gebaseerd op wat andere shoppers hebben ervaren. Het is een berekening op de daadwerkelijke stof en het daadwerkelijke lichaam.

Wanneer je hebt gestaard naar een spanning-heatmap die precies rood oplicht op de plek waar een retourreden-code later zou zeggen "te strak bij de dij", houd je op met pasvorm te zien als een aanbevelingsprobleem en begin je het te zien als een engineeringprobleem.

Dus waarom simuleert niet iedereen gewoon?

Omdat fysicasimulatie duur is, langzaam om op te zetten, en zich alleen terugbetaalt als je de invoer hebt om het te voeden. Dit is het deel dat leveranciers gladstrijken, en het is het deel dat er het meest toe doet wanneer je echt geld uitgeeft.

Er zijn, eerlijk gezegd, vier verschillende families van pastechnologie, en de reden dat geen van hen "het antwoord" is, is dat elk een ander deel van het probleem oplost.

Het goedkoopst om in te zetten is statistische maataanbeveling — True Fit, Bold Metrics, Fit Analytics. Deze koppelen een shopper aan een maat op basis van aankoopgeschiedenis, retourdata en collaboratieve filtering over enorme merknetwerken. True Fit alleen al put uit twintig jaar aan data die 616 miljard dollar aan transacties en meer dan 91.000 merken beslaat, en in maart 2026 lanceerde het een agentic shopping-agent die zijn pas-intelligentie blootstelt aan AI-assistenten. Bold Metrics werkte samen met Gap aan een agentic maatvoeringsprotocol en claimt een retourvermindering van rond de 34 procent. De keerzijde is dat dit black boxes zijn: ze vertellen je welke maat, nooit waarom, en ze worstelen met gloednieuwe producten waar nog geen gedragsdata voor zijn.

De familie waarin ikzelf werkte, was fotogebaseerde lichaamsmeting. YourFit van 3DLOOK haalt 86 meetpunten uit een of twee smartphonefoto's; in een studie van zes maanden met een badmodemerk rapporteerde het een 47 procent lager retourpercentage en verlaagde het maat-hamstergerelateerde retouren tot 2 procent. Maar de keerzijde is precies degene die mij te grazen nam — de nauwkeurigheid verslechtert buiten gecontroleerde omstandigheden, het vraagt de shopper om werk te verrichten, en de onderliggende lichaamsmodellen neigen naar "gemiddelde" bouwen. En dan is er nog privacy, waar ik op terugkom.

Generatieve virtuele pasfuncties zijn de derde familie — mooi, conversie-positief en pasvorm-blind, om alle bovengenoemde redenen.

De enige familie die daadwerkelijk redeneert over de stof is op fysica gebaseerde simulatie: CLO3D (gebruikt door meer dan 860 bedrijven), Style3D, en nieuwere spelers die eindige-elementen-stofsimulatie draaien op een 3D-lichaamsmesh. Perfitly, dat een 3D-avatar combineert met volledige stofdrapering, rapporteerde dat het de retouren van een partnermerk terugbracht van 28 procent naar rond de 10 procent. De adder onder het gras is dat het alleen werkt als je al gedigitaliseerde patronen en stofdata hebt, dus het is voornamelijk realistisch voor merken met volwassen 3D-designworkflows.

Er is geen beste pastechnologie. Er is alleen de juiste voor jouw aantal SKU's, jouw datavolwassenheid en de specifieke vorm van jouw retouren.

Een merk met een fast-fashioncatalogus van 50.000 SKU's en geen 3D-patronen zou geen fysicasimulatie moeten kopen; statistische aanbeveling zal sneller en goedkoper het verschil maken. Een premium denimlabel met gedigitaliseerde patronen en een keihard dijpasvormprobleem laat geld liggen als het niet simuleert. De fout is deze te behandelen als concurrenten in plaats van als verschillende gereedschappen voor verschillende economieën.

De functie die mijn eigen jurist om zeep hielp

Niemand zet dit deel in de sales-deck. De dag dat we klaar waren om de lichaamsscan-functie te lanceren, liep die tegen een muur op die ik niet serieus genoeg had genomen: biometrische privacywetgeving.

Onder de AVG is een 3D-lichaamsscan biometrische gegevens van een "bijzondere categorie" — de zwaarst beschermde categorie die er is. In Illinois legt BIPA strikte regels op voor het verzamelen, opslaan en delen van precies dit soort gegevens, met echte tanden, en steeds meer Amerikaanse staten breiden elk jaar vergelijkbare wetten uit. Ik zag een toestemmingsstroom-scherm verschijnen dat onze meest indrukwekkende functie voor een deel van het land effectief blokkeerde totdat we herontwierpen hoe die werkte.

Dat herontwerp bleek een feature te zijn, geen bug. Het antwoord is on-device verwerking — doe de meetberekeningen op de telefoon van de shopper en laat de ruwe scan die nooit verlaten. Het komt nu op als de privacy-first-standaard, en het is toevallig ook het ding dat shoppers comfortabel genoeg maakt om de tool daadwerkelijk te gebruiken. Maar je moet er vanaf het begin voor ontwerpen. Schroef een lichaamsscanner op een modewebsite zonder na te denken over BIPA, en je hebt geen pastool gebouwd; je hebt een collectieve rechtszaak gebouwd met een pasknop.

Is AI-pasvoorspelling echt, of gewoon hype?

Mensen vragen me dit voortdurend, en het eerlijke antwoord is: de onderliggende markt is echt en groeit snel — het segment maat-en-pasvoorspelling wordt naar verwachting ruwweg verdrievoudigd van ongeveer 1,05 miljard dollar in 2024 naar 2,95 miljard dollar tegen 2029 — maar de meeste implementaties zijn hype, omdat ze een technologie kiezen voordat ze het probleem begrijpen.

Dus wij verkopen geen enkel product. We beginnen met de eigen retourdata van een merk en vragen welke fout hen daadwerkelijk geld kost — verkeerde maat geselecteerd, of verkeerde pasvormverwachting. Vervolgens matchen we de aanpak aan de economie: statistische aanbeveling voor catalogi met veel SKU's, fotogebaseerde meet-pipelines voor pasvormgevoelige categorieën, en op fysica gebaseerde simulatie voor de merken waarvan de 3D-designvolwassenheid dat kan ondersteunen — leveranciersneutraal, privacyconform en gebouwd rond de specifieke retourpatronen in hun data. Dat is de hele filosofie achter wat we hebben gebouwd, en het komt rechtstreeks voort uit de maand die ik doorbracht met toekijken hoe een one-size-fits-all antwoord uit elkaar viel.

De andere vraag die ik krijg is of dit alles de integratiekosten waard is. Ik vreesde die vroeger tot ik de na-getallen begon te zien binnenkomen: shoppers die zich bezighouden met goed gebouwde AI-maatvoering converteren tegen betekenisvol hogere percentages, en retourverminderingen van 25 tot 50 procent in het eerste jaar zijn haalbaar. Er is ook een regelgevende rugwind — de EU beweegt in de richting van een verbod op de vernietiging van onverkochte voorraad, en reverse logistics verbrandt al honderdduizenden tonnen CO2 per jaar. Elke retour die je voorkomt is geld, koolstof en voorraad die je behoudt.

De les die die demo me leerde, is nu al jaren overeind gebleven. Een vleiend plaatje zal het kledingstuk verkopen. Alleen fysica — of de juiste data, eerlijk toegepast — zal ervoor zorgen dat het verkocht blijft. Mode heeft een decennium besteed aan het proberen zich uit een probleem te fotograferen dat altijd met een meting zou worden opgelost.