Retouren-Vermeidung 2026: Was nach zwei Jahren KI-Größentafel im Fashion-Shop bleibt
Die KI-gestützte Größenempfehlung war 2024 das große Versprechen der Fashion-Branche — zwei Jahre später liegen die Daten vor. Drei Anbieter, drei Implementierungen, ein klarer Befund: Die Retouren-Quote sinkt, aber nicht überall gleich.
Zwei Jahre nachdem die ersten KI-Größenempfehlungs-Plugins flächendeckend in deutschen Fashion-Shops verbaut wurden, liegen die Daten vor. Drei der größten Anbieter haben in ihren letzten Quartalsberichten und auf der diesjährigen K5 in Berlin Zahlen geliefert, die ein präziseres Bild ergeben als die Marketing-Versprechen von 2024. Wir haben sie quergerechnet, ergänzt um Daten aus vier mittelständischen Shops, die ihre Retouren-Statistiken anonym zur Verfügung gestellt haben.
Die Zahlen, kurz
Über das gesamte Sortiment liegt die durchschnittliche Retouren-Quote in Shops mit KI-Größentafel bei 28,7%, gegenüber 34,1% in vergleichbaren Shops ohne KI-Empfehlung. Das ist eine relative Verbesserung von rund 16% — bemerkenswert, aber nicht spektakulär. Wer aus den Marketing-Decks von 2024 noch die “bis zu 40% Retouren-Reduktion” im Kopf hat, sollte sie streichen. Die Stichproben damals waren klein, die Conversion-Wege kurz, die Effekte nicht reproduzierbar.
Interessanter sind die Streuungs-Daten. In den Subkategorien Hose und Anzug liegt die Verbesserung bei 24% beziehungsweise 31% — also dort, wo Schnittführung und Schritthöhe stark variieren. Bei T-Shirts, Sweatshirts und allem mit elastischen Schnitten bleibt die Reduktion unter 6%. Das ist wenig überraschend, sobald man sich die zugrundeliegenden Modelle ansieht: Die KI lernt Korrelationen zwischen Körpermassen und Schnittpassformen. Wo wenig Variation in der Schnittführung steckt, hat sie wenig zu lernen.
Was wir aus den vier Shop-Cases sehen
Ein Berliner Womenswear-Shop mit etwa 18 Beschäftigten hat seine Retouren-Quote von 41% auf 33% gesenkt — gut zwei Jahre nach Einführung des Plugins. Die ersten sechs Monate sah er kaum Effekt; die Kurve drehte erst, als das Plugin genug eigene Daten gesammelt hatte, um shop-spezifische Schnitt-Eigenheiten zu erkennen. Ein Münchner Outdoor-Händler dagegen sah von Tag eins eine deutliche Verbesserung — vermutlich weil das Sortiment standardisierter ist und die Anbieter-Daten direkt eingespielt werden konnten. Zwei weitere Shops, beide im Premium-Segment, berichten gar keine Verbesserung — beide haben eine ohnehin niedrige Retouren-Basisquote und bedienen Bestandskund:innen, die ihre Größen kennen.
Die offene Flanke
Was alle vier Shops einhellig berichten: Der größte Effekt kam nicht von der Empfehlung selbst, sondern von der zusätzlichen Datenebene, die das Plugin erzeugt. Wer einmal weiß, welche SKUs in welchen Größen systematisch zu klein oder zu groß sind, kann sortimentsseitig nachsteuern. Drei der vier Shops haben in den letzten zwölf Monaten Produkte aus dem Sortiment genommen, weil die KI-Daten zeigten, dass die Hersteller-Größenangabe nicht haltbar ist. Das ist die unterschätzte Konsequenz: KI-Größentafel ist weniger Empfehlungs-Tool und mehr Sortiments-Audit.
Was 2026 sinnvoll ist
Wer noch nicht eingeführt hat: Lohnt sich, aber bitte mit Geduld. Sechs bis zwölf Monate, bevor messbare Effekte einsetzen — und nur in Sortimenten mit echter Schnittführungs-Varianz. Wer seit 2024 läuft und keine Effekte sieht: Plugin-Daten exportieren, in der Sortimentsplanung anschauen, gegebenenfalls fünf bis fünfzehn problematische SKUs auslisten. Der zweite Effekt ist oft größer als der erste.