退貨讓美國零售業損失 8,499 億美元，而多數想拯救時尚退貨的 AI 都瞄錯了問題
幾年前，我做過一個運作得極為漂亮的身體測量示範。購物者靠牆站著，用手機拍兩張照片，幾秒鐘後，我們就能回傳數十項身體尺寸，誤差不超過一兩公分。在我們的辦公室裡，光線良好、背景是一面空白牆壁，效果好得驚人。我還記得看著那些數字回傳，心想我們成功了。
接著我們把它放到真實的臥室裡運行。雜亂的背景、一旁擺著的檯燈、穿著寬鬆連帽衫的購物者、忙了一整天後以疲憊角度握著的手機。同一套在實驗室裡達到一至兩公分精度的流程，到了真實環境卻漂移到三至五公分。對一套尺碼系統而言，這道落差就是整場勝負的關鍵。腰圍上的三公分，就是「合身的尺碼」與「被退回的尺碼」之間的差別。
那個月——眼看示範級的精度一接觸到真實顧客就土崩瓦解——正是我不再相信時尚退貨有任何單一神奇解方的起點。它讓我明白了這整篇文章要談的核心：合身問題是機械性的，而非視覺性的，而且它並沒有單一的解決方案。這也是我們如今在 Veriprajna 打造的 AI 合身預測系統背後的前提。
零售業中最昂貴的數字
先從一個應該讓每位電商經營者夜不能寐的數字說起：美國零售業退貨總額共計8,499 億美元（2025 年）（美國零售聯合會）。時尚是差距懸殊的最糟糕類別——服飾退貨率介於 26% 到 40%，而電商平均約為 20.8%。
而這幾乎全是同一種失敗。尺碼、合身度與顏色驅動了約 45% 的所有退貨，而具體到服飾類別，53% 到 70% 的退貨都與合身度有關。七成的線上時尚購物者表示，無法試穿是他們購買前最大的擔憂。他們的擔憂不無道理。
時尚電商因退貨而損失的金錢，超過行銷、物流與詐騙的總和。根本原因幾乎從來不是顧客的錯，而是那件衣服不合身。
你看得越仔細，這筆經濟帳就越糟。處理一筆退貨的成本介於 10 美元到 65 美元之間，某些情況下甚至吃掉商品原價的 65%。於是一個品牌可以「賣出」一件 40 美元的上衣，卻要自行吸收去程運費、退貨運費、檢驗與重新包裝的費用，最終在一筆原本計入營收的交易上倒賠。而在這一切之上，光是退貨詐騙每年就讓零售商損失超過 1,000 億美元。
我接觸過的大多數團隊，都試圖用一張尺碼表、以及近來一套華麗的虛擬試穿來解決這個問題。我會告訴你為什麼這兩者都瞄錯了目標。
為什麼尺碼表永遠解決不了這個問題？
尺碼表要求用四個一維數字——胸圍、腰圍、臀圍、內縫長——去描述一個三維的曲面。這就是它的原罪。這樣的資訊永遠不可能足夠。
情況更糟的是，這個產業並沒有標準化的尺碼分級系統。某個品牌的「M 號」對應的身體幾何，和另一個品牌的「M 號」完全不同。我看過數據：女性 6 號尺碼的腰圍最多可能相差達五英吋，且跨越不同品牌。九成一的購物者需要根據所購買的品牌選擇不同的尺碼。虛榮尺碼還刻意讓情況雪上加霜——品牌悄悄調整標籤數字來討好消費者，這意味著跨品牌的比較基本上毫無意義。
於是購物者做出唯一理性的選擇：他們採取「多尺碼下單」（bracketing）。如今 63% 的線上購物者會訂購同一件商品的多個尺碼，打算只留一件、其餘全部退回——在 Z 世代中這個比例是 51%。光是尺碼不確定性，就驅動了約 42% 的這類行為。
對零售商而言，多尺碼下單是一場無聲的災難。它讓你的去程運費加倍，在退貨週期間鎖住庫存，並保證你出貨的至少一半會直接被退回。顧客並不是在找麻煩。他們只是正確地得出結論：你的尺碼表不值得信任，於是他們把自己的客廳變成了試衣間，而由你買單。
我差點踏入的陷阱
在我們的測量流程受挫之後，我不斷聽到的建議都是某種版本的「直接加裝一套虛擬試穿就好」。生成式 AI 讓它變得既便宜又華麗——Google 在美國、英國和印度推出了購物虛擬試穿；Zalando 則與 Levi's 合作，在十四個歐洲市場啟動試點。這些系統產出的影像確實美得動人。有一段時間，我一度想要相信，一張美麗的影像就是答案。
它並不是，而理解其中原因，正是整門生意的關鍵樞紐所在。
生成式虛擬試穿的運作方式，是預測統計上最可能出現的像素——它為你的身體畫出一件衣服的照片級擬真影像。但它根本不知道自己呈現的是 M 號還是 L 號。它無法告訴你，臀部對於這塊布料的伸展極限而言窄了兩公分。這個擴散模型並不知道自己披掛的是四向彈性的 ponte 針織布，還是毫無彈性、14 盎司的原色赤耳丹寧。它是一次算圖，而非一次測量。
虛擬試穿讓那個猜測看起來令人信服，卻沒有讓那個猜測變得正確。
而數據以一種令人不安的方式證實了這一點。生成式試穿確實能明顯提升轉換率與互動——人們喜歡玩它。但目前並沒有已發表的證據顯示，純生成式 AI 的試穿真的能減少與合身度相關的退貨。更糟的是，這些模型帶有「顯瘦」的偏誤：它們往往把衣服渲染得比現實更為修飾好看，這可能會拉大期望與實際送達的包裹之間的落差。你可以同時提高轉換率，也提高退貨率。我見過一些團隊為前一個數字歡呼，卻從未把它和後一個數字聯繫起來。
那條解釋了一切的牛仔褲
讓我用那個最終為我釐清一切的案例，把這件事講得更具體——丹寧，這是整個服飾類別中退貨率最高的品項，介於 20% 到 25%。
想像一位購物者要買一條高級牛仔褲。她量了腰圍，以 71 公分完美對上尺碼表，於是下單了 28 號。牛仔褲送到了。腰圍如承諾般完全合身。但她一坐下，大腿處就緊繃起來，因為那 14 盎司的原色丹寧毫無彈性，而尺碼表壓根就沒有大腿的測量值。與此同時，生成式試穿早已向她展示過一張討喜的影像，裡頭的牛仔褲站著不動時看起來棒極了。
這兩種工具都沒有捕捉到真正的物理現實：這塊布料的抗拉剛度，意味著它無法彌合站姿臀部幾何與坐姿臀部幾何之間的差異。這塊布料註定要輸掉這場較量，而再好的攝影也無法事先警告她。
這就是我所說的「機械性」的意思。以物理為基礎的方法，把服裝當作一個實體材料物件來模擬。它知道布料的彎曲剛度——也就是它如何垂墜——它的抗拉剛度——也就是它如何伸展——以及它的剪切行為——也就是它如何順著一道曲線貼合。它把數位版型披掛到一個 3D 身體網格上，並計算每一個點的應變。在單一件商品出貨之前，大腿處的高應變就會在網格上顯示為一塊紅色區域。這不是根據其他購物者的經驗所做的猜測，而是針對真實布料與真實身體的一次計算。
當你盯著一張應變熱力圖，看它恰恰在日後退貨原因代碼會標註「大腿太緊」的位置泛出紅光，你就不再把合身當成一個推薦問題，而開始把它當成一個工程問題。
那麼，為什麼大家不乾脆都做模擬就好？
因為物理模擬既昂貴、建置又緩慢，而且只有在你有足夠的輸入資料可餵給它時才划算。這正是供應商避重就輕帶過的部分，也是當你真的要花錢時最關鍵的部分。
老實說，合身技術一共有四個不同的家族，而它們之中沒有一個是「唯一解答」的原因，在於每一個都只解決問題的一個切面。
最便宜、最易於部署的是統計式尺碼推薦——True Fit、Bold Metrics、Fit Analytics。這些系統利用購買紀錄、退貨資料，以及橫跨龐大品牌網絡的協同過濾，為購物者匹配尺碼。光是 True Fit 就仰賴長達二十年、涵蓋 6,160 億美元交易與逾 91,000 個品牌的資料，並在 2026 年 3 月推出了一個代理式購物代理，把它的合身智慧開放給 AI 助理使用。Bold Metrics 則與 Gap 合作打造了一套代理式尺碼協定，並宣稱能讓退貨減少約 34%。其取捨在於這些都是黑箱：它們告訴你哪一個尺碼，卻從不告訴你為什麼，而且在還沒有任何行為資料的全新產品上，它們往往力不從心。
我個人親身投入的那個家族，是照片式身體測量。3DLOOK 的 YourFit 能從一兩張智慧型手機照片中擷取 86 個測量點；在與一個泳裝品牌進行的六個月研究中，它回報退貨率降低了 47%，並把與多尺碼下單相關的退貨壓低到 2%。但它的取捨，正是當初咬了我一口的那個——精度在非受控環境下會下降，它要求購物者付出動作，而底層的身體模型也偏向「平均」的體型。接著還有隱私問題，我稍後會再回頭談。
生成式虛擬試穿是第三個家族——美觀、有利於轉換，卻對合身度視而不見，原因如前所述。
唯一真正對布料進行推理的家族，是以物理為基礎的模擬：CLO3D（有逾 860 家公司使用）、Style3D，以及一些在 3D 身體網格上運行有限元素布料模擬的新進者。Perfitly 結合了 3D 虛擬人偶與完整的布料垂墜模擬，回報曾把一個合作品牌的退貨率從 28% 拉低到約 10%。但關鍵在於，只有當你已經擁有數位化的版型與布料資料時它才管用，因此它主要對擁有成熟 3D 設計工作流程的品牌才切合實際。
沒有所謂最好的合身技術，只有最適合你的 SKU 數量、你的資料成熟度，以及你退貨具體樣態的那一個。
一個擁有 50,000 個 SKU 快時尚型錄、卻沒有 3D 版型的品牌，不該去買物理模擬；統計式推薦會更快、更便宜地帶來成效。而一個擁有數位化版型、又飽受棘手大腿合身問題困擾的高級丹寧品牌，如果它不去做模擬，那就是把錢白白留在桌上。真正的錯誤，是把這些技術當成彼此的競爭對手，而不是針對不同經濟情境的不同工具。
被我自己的律師否決掉的功能
沒有人會把這一部分放進銷售簡報裡。就在我們準備好要推出身體掃描功能的那一天，它撞上了一道我先前不夠當回事的高牆：生物辨識隱私法。
根據 GDPR，3D 身體掃描屬於「特殊類別」生物辨識資料——也就是保護層級最高的一種。在伊利諾州，BIPA 針對收集、儲存與分享的正是這類資料，施加了嚴格且真正具有約束力的規範，而且每年都有更多美國州別在擴充類似的法律。我眼看著一個同意流程的畫面被立了起來，在我們重新設計其運作方式之前，它實際上把我們最令人驚豔的功能，對這個國家的一大部分地區封鎖了。
事後證明，那次重新設計是個優點，而不是缺陷。答案在於裝置端處理——把測量運算放在購物者的手機上完成，絕不讓原始掃描資料離開手機。它如今正逐漸成為隱私優先的標準，而它恰好也是讓購物者安心到願意真正使用這項工具的關鍵。但你必須從一開始就為它而設計。若你在完全沒考慮 BIPA 的情況下，把一台身體掃描器硬裝到時尚網站上，那你打造的就不是一個合身工具；你打造的是一場附帶試穿按鈕的集體訴訟。
AI 合身預測是真材實料，還是只是炒作？
人們不斷問我這個問題，而誠實的答案是：底層市場是真實的，而且成長迅速——尺碼與合身預測這個區塊，預估將從 2024 年約 10.5 億美元，到 2029 年大致翻近三倍至 29.5 億美元——但大多數的實際部署都是炒作，因為它們在真正理解問題之前，就先選定了一項技術。
所以我們不推銷單一產品。我們從一個品牌自身的退貨資料著手，追問究竟是哪一種失敗真正在讓他們虧錢——是選錯了尺碼，還是對合身度的期待錯了。接著我們讓做法去匹配經濟情境：高 SKU 型錄用統計式推薦，對合身度敏感的品類用照片式測量流程，而對於 3D 設計成熟度足以支撐的品牌，則用以物理為基礎的模擬——供應商中立、合乎隱私規範，並圍繞著他們資料中特定的退貨樣態來打造。這正是我們所打造之物背後的全部理念，而它正直接源自我花了一整個月、眼看著一套「一體適用」的答案土崩瓦解的那段日子。
我收到的另一個問題，是這一切究竟值不值得那筆整合成本。我以前很怕這個問題，直到我開始看見成效數字一一落地：與精心打造的 AI 尺碼系統互動的購物者，轉換率會明顯更高，而第一年就達成 25% 到 50% 的退貨減幅是可以做到的。此外還有法規上的順風——歐盟正著手禁止銷毀未售出的庫存，而逆向物流每年本就要燒掉數十萬噸的二氧化碳。你每防止一筆退貨，就是保住一筆金錢、一份碳排、以及一批庫存。
那次示範教給我的教訓，如今已經歷經多年考驗而屹立不搖。一張討喜的照片能把衣服賣出去，但唯有物理——或者說，被誠實運用的正確資料——才能確保它不會被退回。時尚業花了十年，試圖用攝影的方式繞出一個問題，而這個問題從一開始就註定只能用一次測量來解決。
