In der klassischen Modewelt war der Designprozess eine Kunstform. Designer ließen sich von Reisen, Kunst oder Subkulturen inspirieren, zeichneten Entwürfe und Monate später hingen die Kollektionen in den Läden. Doch im Jahr 2026 hat sich das Blatt gewendet. In den Zentralen von Giganten wie Shein, Temu oder Cider wird nicht mehr gezeichnet – dort wird gerechnet.
Der Klick-zu-Kleidung-Algorithmus: Wenn Data Mining das Design ersetzt
In der traditionellen Modebranche beginnt ein Kleidungsstück im Kopf eines Designers oder auf einem Moodboard. Bei Ultra-Fast-Fashion-Giganten beginnt es in einem Rechenzentrum. Dieser Prozess wird als Algorithmic Design oder Data-Driven Fashion bezeichnet. Anstatt auf kreative Intuition zu setzen, nutzen diese Unternehmen massive Data-Mining-Operationen, um Trends zu identifizieren, noch bevor sie im Mainstream ankommen.
Dabei kommen spezialisierte Web-Crawler zum Einsatz, die das Internet ununterbrochen nach Mustern durchforsten. Sie analysieren die Bildmetadaten von Millionen Social-Media-Posts, scannen die Kommentarspalten nach Schlagworten (wie „Cut-out“, „Pastell“ oder „Y2K“) und beobachten sogar die Suchanfragen innerhalb ihrer eigenen Apps. Das Ziel ist die Identifizierung von Micro-Trends. Ein Micro-Trend ist eine modische Strömung, die oft nur wenige Wochen oder gar Tage existiert – befeuert durch die Schnelllebigkeit von TikTok-Algorithmen.
Der Algorithmus erstellt daraufhin eine digitale Blaupause. Dabei werden bestehende Grundschnitte (Basics) mit den aktuell gefragten Attributen (z.B. eine spezifische Farbe oder ein spezieller Kragen) kombiniert. Dieser Vorgang nennt sich Automated Trend Mapping. Der Mensch fungiert hier nur noch als Korrektiv, der die KI-generierten Entwürfe kurz sichtet und freigibt. Für die Wertschätzung bedeutet das: Ein Kleidungsstück ist kein kulturelles Statement mehr, sondern die physische Manifestation eines Datensatzes. Es wird produziert, weil die Wahrscheinlichkeit eines Klicks hoch ist, nicht weil es ein langlebiges Design darstellt.
Wie der Algorithmus Gorpcore „liest“
Machen wir die Methodik an einem konkreten Beispiel fest: Gorpcore. Ursprünglich war es eine Bewegung, die funktionale Outdoorkleidung (Arc’teryx, Patagonia) in den urbanen Kontext brachte.
Ein Designer würde versuchen, das Lebensgefühl von Freiheit und Naturverbundenheit einzufangen. Der Algorithmus hingegen identifiziert spezifische visuelle Trigger, die auf Social Media (insbesondere TikTok und Instagram) eine hohe Interaktionsrate erzielen. Er zerlegt den Trend in mathematisch erfassbare Attribute:
1. Formale Attribute: Silhouette und Schnitt
Der Algorithmus erkennt, dass „Baggy“-Silhouetten und technische Details wie Bungee-Cords oder Taped Seams überdurchschnittlich oft geliked werden. Ein herkömmlicher Hoodie bekommt plötzlich Kordelzüge am Saum, die gar keine Funktion haben, aber im Feed sofort das Attribut „technisch/outdoor“ signalisieren.
2. Material-Attribute: Die Illusion von Funktion
Datenanalysen zeigen, dass Texturen, die nach „Ripstop“ aussehen oder einen leichten synthetischen Glanz haben, als „hochwertiger Outdoor-Style“ wahrgenommen werden. Es wird ein günstiges Polyestergewebe gewählt, das die Waffelstruktur von teurem Ripstop imitiert, aber keinerlei funktionale Eigenschaften (wie Wind- oder Wasserdichte) besitzt. Der Algorithmus optimiert auf die Optik, nicht auf die Performance.
3. Farb-Attribute: „Earth Tones“ vs. „High Vis“
Die KI scannt virale Outdoor-Posts und stellt fest, dass zwei Farbschemata dominieren: gedeckte Erdtöne (Moosgrün, Schiefergrau, Terracotta) und schrille Sicherheitsfarben (Signalorange, Kobaltblau). Innerhalb weniger Tage werden Farbpaletten erstellt, die genau diese Kontraste bedienen. Der Algorithmus weiß: „Erdtöne signalisieren Authentizität, Signalfarben stoppen das Scrollen im Feed.“
4. Hardware-Attribute: „Carabiner & Cargo“
Ein entscheidender Datenpunkt für Gorpcore sind metallische oder technische Akzente. Der Algorithmus fügt dem Design eine unnötig hohe Anzahl an Cargo-Taschen hinzu oder platziert dekorative D-Ringe und Karabiner. Diese Elemente dienen als visuelle Ankerpunkte, die dem Algorithmus der Social-Media-Plattformen helfen, das Bild korrekt als „Gorpcore“ zu taggen und der richtigen Zielgruppe auszuspielen.
Das „Test-and-Repeat“-Modell: Agilität auf Kosten der Stabilität
Hinter dem Begriff „Test-and-Repeat“ verbirgt sich eine Strategie, die ursprünglich aus der agilen Software-Entwicklung stammt und nun konsequent auf die physische Produktion übertragen wurde. Während klassische Marken wie Esprit oder Levi’s weiterhin in Zyklen von 6 bis 9 Monaten planen, arbeitet das Test-and-Repeat-Modell in Echtzeit.
Anstatt 5.000 Einheiten eines neuen Oberteils in Auftrag zu geben, produziert das Unternehmen ein sogenanntes Minimum Viable Product (MVP) des Pieces – eine Kleinstmenge von oft nur 50 bis 100 Stück. Diese werden sofort im Onlineshop platziert. In diesem Stadium ist das Ziel nicht der Gewinn, sondern die Datengenerierung. Die Software misst die sogenannte Click-Through-Rate (CTR) und die Conversion Rate (Wie viele Betrachter kaufen das Produkt am Ende wirklich?). Sobald ein Produkt eine bestimmte Performance-Schwelle überschreitet, wird es als „Winning Product“ markiert.
Innerhalb von Stunden nach dem „Winning“-Signal beginnt die Skalierung. Die angeschlossenen Fabriken erhalten vollautomatische Aufträge zur Skalierung. Dank einer digitalisierten Lieferkette sind die Fabriken direkt mit dem Dashboard des Händlers verknüpft. Sie wissen sofort, welche Stoffe in welchen Mengen benötigt werden. Dieser Prozess minimiert das Risiko der Überproduktion für das Unternehmen massiv, da nur das in Masse produziert wird, was sich nachweislich bereits verkauft hat.
Was für das Unternehmen effizient klingt, ist für die Fabrikarbeiter und die Umwelt leider verheerend. Dieses Modell erfordert eine permanente Abrufbereitschaft. Fabriken müssen ihre Kapazitäten extrem flexibel halten, was oft zu exzessiven Überstunden führt, wenn ein Teil plötzlich „viral“ geht. Zudem fördert die ständige Verfügbarkeit neuer „Winning Products“ einen Suchtkreislauf bei den Konsument*innen: Das Belohnungssystem im Gehirn wird durch die ständige Neuheit getriggert, was die Nutzungsdauer der Kleidung drastisch senkt. Was heute ein „Winning Product“ ist, landet morgen im Textilmüll, da der nächste Algorithmus-Zyklus bereits begonnen hat.
Wer nutzt das System?
- Shein: Mit über 6.000 neuen Designs pro Tag ist Shein eher ein Software-Unternehmen als ein Modehaus. Die Verbindung zwischen App-Daten und Fabrik-Nähmaschine ist hier fast lückenlos.
- Inditex (Zara): Der Fast Fashion Vorreiter nutzt heute komplexe KI-Analysen für die Lagerhaltung, um Überproduktion zu vermeiden – allerdings noch mit einem deutlich höheren Anteil an menschlichen Designern als die Konkurrenz von Shein.
- Cider: Diese Marke mit Sitz in Singapur vermarktet sich als „Smart Fashion“ und nutzt Data Mining, um kuratierte Kollektionen für spezifische Ästhetiken (Cottagecore, Grunge etc.) zu erstellen, die exakt auf die Nischen-Algorithmen von Social Media zugeschnitten sind.
Der Verlust der Wertschätzung
Wenn Kleidung das Ergebnis einer mathematischen Optimierung ist, verändert das unser Verhältnis zu ihr. Wenn wir wissen, dass ein Kleidungsstück nur existiert, weil ein Algorithmus eine Korrelation berechnet hat, fehlt die Geschichte. Es gibt keinen kreativen Kopf mehr, mit dem wir uns identifizieren können. Der Kauf wird zum rein impulsgesteuerten Akt. Das Design ist darauf optimiert, im Feed sofort aufzufallen, nicht darauf, lange getragen zu werden.
Wenn Daten die Produktion steuern, wird auch der Mensch an der Nähmaschine zum reinen ausführenden Organ eines Algorithmus. Der Druck, die „Datenvorgaben“ in Rekordzeit zu erfüllen, führt oft zu prekären Arbeitsbedingungen. Das Potential, die eh schon prekären Sozial- und Produktionsbedingungen zu verschlechtern, ist leider gegeben.
Doch wie können wir als Konsument*innen auf „Pause“ drücken, wenn die allgegenwärtigen Algorithmen auch in unserem Lifestylebereich weiter vordringen? Wo bleibt an dieser Stelle die echte Wertschätzung für ein Produkt, das von Menschen für Menschen produziert wird?
Ist jetzt alles Digitale schlecht?
Doch kann Data Mining nicht auch positive Wirkung erzeugen? Bei genauer Betrachtung bietet die algorithmische Steuerung eine Chance, die die Modeindustrie seit Jahrzehnten sucht: Das Ende der massiven Überproduktion. Wenn wir Daten nutzen, um den ‚Deadstock‘ – also Kleidung, die direkt vom Werk in den Schredder wandert – zu eliminieren, könnte das die CO2-Bilanz der Branche massiv verbessern. Das Dilemma liegt nicht in der Technologie selbst, sondern in ihrer aktuellen Anwendung: Nutzen wir Daten, um weniger, aber passender zu produzieren? Oder nutzen wir sie nur, um den Konsumkreislauf noch schneller zu drehen?
Glossar
Data Mining: Das systematische Durchsuchen großer Datenmengen, um Trends, Korrelationen oder Muster zu finden.
Micro-Batching: Die Produktion kleinster Warenmengen, um das Marktrisiko zu testen, bevor eine Großserienfertigung erfolgt.
Conversion Rate: Der Prozentsatz der Besucher einer Website, die eine gewünschte Aktion ausführen (z.B. ein Kleidungsstück kaufen).
Predictive Analytics: Die Verwendung von historischen Daten und Algorithmen, um zukünftige Ereignisse oder Trends vorherzusagen.
