Trendforsker og stifter af SPOTT om AI i mode- og livsstilsbranchen, fra trendanalyse og design til bæredygtighed og barrierer.
Anja Bisgaard Gaede er trendforsker, foredragsholder og rådgiver med 20 års erfaring i at analysere forbrugeradfærd, livsstil og markedstendenser på tværs af mode-, interiør- og tekstilbranchen.
Hun er stifter af konsulentvirksomheden SPOTT og arbejder i dag strategisk med AI-implementering i kreative processer – fra idé og designudvikling til storytelling og produktstrategi.
Hendes metode omsætter komplekse signaler og kulturelle skift til konkrete retninger og nye arbejdsflows – ofte ved at koble AI som analyseværktøj og beslutningsstøtte med kreativitet, marked og menneskelig adfærd.
Anja bygger bro mellem teknologi og mennesker og hjælper virksomheder med at forstå, hvor AI skaber reel værdi og hvordan det kan bruges med både retning og relevans i en branche præget af tradition, intuition og global kompleksitet.
Hvordan ser du, at virksomheder begynder at bruge AI i deres kreative processer – fx i design, ideation og produktudvikling?
Der er i øjeblikket mange forskellige tilgange. Nogle virksomheder ønsker at skabe en fuldstændig AI first kollektion med en digital værdikæde fra ende til anden. Andre fokuserer mere på enkelte dele af værdikæden – især design – hvor de forsøger at automatisere specifikke processer i designudviklingen. Tilgangene afhænger i høj grad af kompetencer, teknologisk niveau og villigheden i det strategiske lag til at implementere AI.
AI kan dog også give mening i andre dele af en modevirksomhed, fx i analysearbejdet eller i definitionen af et brand-DNA baseret på tidligere kollektioner. Norma Kamali er et eksempel på et brand, der har udviklet et AI-system til at analysere samtlige tidligere kollektioner for at identificere brandets DNA. Resultatet kan derefter videregives til næste generation af designere, så de bevarer kendskabet til mønstre og elementer, der definerer brandet.
Et andet eksempel er Collina Strada, som har anvendt AI til at blande looks fra tidligere kollektioner og skabe nye udtryk, der efterfølgende er blevet realiseret fysisk. Det viser, hvordan AI kan indgå direkte i design- og udviklingsprocessen.
Endnu længere tilbage i værdikæden bruges AI til trendanalyser baseret på kombinationer af data – alt fra catwalk-billeder til sentiment-analyser af sociale medier og salgsdata. Her anvendes fx systemer som Heuritech og Quilt.AI.
Der findes også laboratorieeksempler på AI, der udvikler nye materialer og kompositioner af tekstiler og fibre, hvilket kan sætte en grøn dagsorden. I den anden ende af værdikæden anvendes AI til at understøtte recirkulering og genbrug af tøj ved at sortere tekstiler efter komposition – fx bomuld eller polyester – så de kan kanaliseres ind i den rette genanvendelsesproces.
AI har naturligvis også ændret måden, vi kan skabe og visualisere inspirationskilder på. Det går langt hurtigere at visualisere idéer og tanker internt i et team, hvilket accelererer ideationsprocessen. Udfordringen er fortsat at sikre kontrol over, hvordan et AI-genereret billede oversættes til et fysisk produkt, der stemmer overens med det digitale.
Mange livsstilsvirksomheder kæmper med manglende digitalisering og fragmenterede værdikæder. Hvor ligger de største barrierer for at tage AI i brug?
Graden af digitalisering er en af de største barrierer. Mode- og livsstilsbranchen arbejder med fysiske produkter, mens AI kræver digitale data. Det skaber et gab mellem branchens nuværende workflows og AI’s potentiale.
Den største barriere ligger i, at værdikæden er så mangfoldig og fragmenteret. Dertil kommer udfordringerne med at ændre grundlæggende arbejdsprocesser og omstille medarbejdere til at tænke i nye baner.
Det handler om at bruge AI på en augmentative – altså forstærkende – måde fremfor kun som et automatiseringsværktøj. Spørgsmålet er, om vi vil bruge AI til at skabe nyt eller blot til at automatisere dele af eksisterende processer, som fx at generere farvevariationer eller forskellige print.
Når man går fra eksperiment til egentlig implementering, hvilke faldgruber ser du oftest? Er det tekniske udfordringer, kultur i organisationen eller noget helt tredje?
Det er en kombination af tekniske udfordringer, kultur og organisatoriske forhold – og i høj grad også forandringsledelse. Lige nu er det ofte menneskelig modstand og manglende vilje, der er den største bremseklods. Vi står i en situation, der minder om industrialiseringens begyndelse, hvor det også tog tid at få maskiner og samlebånd til at erstatte manuelle processer.
Jeg henviser ofte til Gartners Hype Cycle, som beskriver, hvordan nye teknologier disrupter industrier. AI gør det på tværs af stort set alle sektorer. Mange forsøger at hoppe på, men oplever siden barrierer og frustrationer i den fase, Gartner kalder the through of disillusionment. Mange virksomheder befinder sig netop dér nu: De har gjort de første erfaringer – og de første frustrationer melder sig.
En af de største udfordringer er graden af kontrol. AI opererer med en vis grad af tilfældighed, men modebranchen har et stort behov for, at det, man starter med i den ene ende af værdikæden, også kan leveres konsistent i den anden ende som færdigt produkt.
Her er det afgørende at invitere AI ind som en del af arbejdsprocessen. Jeg er stor tilhænger af princippet om collective intelligence, som Ethan Mollick beskriver. Grundtanken er, at 1 + 1 = 3: Samarbejdet mellem mennesker og AI kan hæve det samlede niveau. Men det kræver, at de opgaver, vi stiller AI, har et fagligt indhold og substans, her passer princippet GIGO, garbage in, garbage out, særligt godt. På sigt giver det måske mere mening at tænke AI first end at proppe AI in i en eksisterende værdikæde.
»Samarbejdet mellem mennesker og AI kan hæve det samlede niveau, men det kræver, at de opgaver, vi stiller AI, har et fagligt indhold og substans.«
AI kan potentielt samle funktioner, der tidligere lå spredt i værdikæden. Hvordan ser du denne komprimering i praksis?
Der er et stort potentiale i at komprimere processerne ved hjælp af AI. I princippet kan en designer allerede i designfasen skabe markedsføringsmaterialet og lægge et produkt direkte på en webshop.
Tidligere var designprocessen fysisk orienteret: Man arbejdede med samples, ændrede eksisterende styles og lavede tech packs med beskrivelser af farver, applikationer osv. Nu kan man i stedet skabe et digitalt output, hvor looket visualiseres på en model med baggrund – og aktivet er straks klar til at blive lagt på en webshop.
Det udfordrer naturligvis eksisterende workflows og siloer og ændrer konkrete arbejdsopgaver. Men omvendt kan man også i højere grad samle input og skabe en hurtigere, mere sammenhængende proces fra starten.
Jeg er meget tilhænger af, at vi bevæger os væk fra de kategorisk opdelte roller og i højere grad bliver kreative generalister, et princip, som Ian Beacraft fra Signal and Cipher har beskrevet. Det betyder, at vi i fællesskab kan løfte forskellige opgaver, forstærket af AI. Faglighederne bliver ikke overflødige – tværtimod kan de hæve kvaliteten af processen, når de bringes sammen.
Branchen er under massivt pres for at blive mere bæredygtig. Hvordan kan AI konkret bidrage til, at den reelt bliver grønnere?
Her ligger måske AI’s største potentiale. Mange aspekter af den bæredygtige transformation handler om at analysere store mængder data, optimere processer og finde løsninger – og her er AI særligt stærk.
Et af de bedste eksempler er, hvordan AI kan hjælpe med at identificere og sortere tekstiler til genanvendelse. Via fiber- og tekstildetektion kan man langt mere præcist sortere materialer og accelerere cirkulære processer.
Et andet område er logistik. AI kan analysere data og optimere transport, containere og ruter, så ressourceforbruget reduceres. På længere sigt kan AI bidrage til udviklingen af nye fibre, der både er mere bæredygtige og prismæssigt realistiske.
Udfordringen er, at selvom tekstiler indgår i et recirkuleret system, er der stadig begrænsninger for, hvordan fibrene kan genanvendes – fx pga. fibrenes længde og kvalitet. Nøglen ligger derfor i høj grad i, hvilke materialer vi producerer tøj af i første omgang. Allerede nu findes muligheder for mere bio-nedbrydelige kompositioner, som AI kan accelerere udviklingen af. Udfordringen er prisen.
