不穿的旧衣服呢？放「 AI 版转转」，毛利 80% - 手机比分查询

你通常怎么处理不再穿的旧衣服？

许多人会选择通过转转这类官方二手平台进行回收，相比普通二手渠道，它们更为规范。

接下来要介绍的是一个被称为「AI 版转转」的平台。

它运用人工智能技术来辨识服装的色彩、类型、尺码，并依据商品品质和市场需求来设定价格，从而降低了处理非标准化商品的难度。

每年，大约有1700万件旧衣物，从某人的衣柜出发，经由这个平台，最终进入另一个人的衣橱。

从人工判断到AI定价

每一件新衣背后都有一个清晰的库存单位。同一款衬衫，相同颜色和尺码，数千件完全一致。仓储、定价、上架等环节，系统处理起来相当简便。

然而，ThredUp的处理中心每年接收数百万件寄来的衣物，每件都是独一无二的。比如，一件格子衬衫可能已被洗涤二十次，领口有些卷曲；一条牛仔裤标着32码，但实际腰围偏大；另一件毛衣手感崭新，但吊牌已丢失。

那么，平台是如何定价的呢？寄售店的店员通常依靠经验来判断，通过触摸面料、查看品牌，心里估算一个价格。如果几个月内卖不掉，就会降价，或者退还给寄售者。

许多慈善二手店则按品类设定统一价格，例如一件衬衫几美元，一条牛仔裤十几美元。好货和次货被混在同一价格标签下，这让捡漏的买家占了便宜，但店铺很难知道某件好商品的实际价值。这种方式在小规模下尚可，一旦量增大，人力便难以支撑。

ThredUp是行业内将流程彻底工业化的公司。据《现代物料搬运》2023年对其配送中心的报道，进入的衣物需先经过12项质量检查，合格的才会被挂上带有二维码的衣架。工作人员会录入品类、品牌、颜色、尺码、面料和洗涤方式，价格则由专门的机器学习软件决定。高价商品会由人台模特展示拍摄，低价商品则平铺拍摄，照片审核通过后方可上架。

随后，AI接手了更多环节，能自动识别颜色、类别和尺寸，并将新旧程度和市场需求纳入算法进行定价。据PYMNTS今年4月的报道，平台常年有超过400万件商品在售，每天新增数万件。一套强化学习模型会监控实时需求，自动为销售缓慢的商品降价。

该公司已投入超过4亿美元用于供应链自动化，涵盖商品识别、尺寸测量和拍摄等领域。

这些投入的成果是，ThredUp每年能售出约1700万件衣物。2025年第二季度，其毛利率达到79.5%，而传统服装零售商通常难以超过30%。

面向消费者，ThredUp在2024年8月推出了三项AI功能：升级后的搜索、以图搜图以及Style Chat。

Style Chat就像一个对话式的造型师。如果你输入“秋天婚礼穿什么”，它会提供整套搭配方案，随后根据你的进一步要求进行调整。

以图搜图功能允许用户上传照片或分享Instagram帖子，在库存中寻找相似款式。公司数据显示，使用图像搜索的消费者，最终下单的可能性比普通浏览者高出85%。

使用这些功能的用户通常带着明确需求而来，AI帮助他们锁定目标。意图越清晰，转化就越顺畅。由于二手平台的商品非常分散，能够帮助用户在数百万件旧衣中找到“对的那件”，才是真正的门槛。

AI带来的用户为何更易下单

Adobe最新数据显示，与来自其他流量来源的普通购物者相比，通过ChatGPT等AI渠道访问零售商网站的用户，更倾向于延长浏览时间、将商品加入购物车，最重要的是，更有可能完成转化。

今年7月，来自AI渠道的购物用户转化率比其他渠道高出60%，每次访问带来的收入高出53%，跳出率低34%，停留时间多59%，浏览页面多22%。

这种转化优势已连续保持11个月。而一年前的情况则相反，当时非AI推荐带来的顾客每次访问花费更多。这表明，AI助手在向具有更高购买意图的顾客展示相关产品方面，表现得越来越好。

回到二手衣服的场景，二手平台的库存量巨大。ThredUp仅在线商品就有400多万件，每件都不同，没有爆款让人盲目跟风。浏览这样的货架，用户很容易感到疲惫。

心理学中有个著名的“果酱实验”。2000年，Iyengar和Lepper在超市摆摊：当提供24种果酱时，60%的路人会停下来试吃，但最终购买者仅约3%；当提供6种时，停下来的人只有40%，但购买者却约有30%。

这个实验表明，选项过多会让人更难做出决定，这一观点由此流传开来。

后来也有不同意见。2010年一篇汇总数十项实验的元分析发现，选择过载更容易出现在选项复杂且用户没有明确偏好的情况下。

逛二手平台的用户往往没有具体目标，想要的是“合适的、好看的、便宜的”，这正是容易陷入选择过载的处境。AI帮助用户将数百万件商品缩减到十几件，通过一句话或一张截图，将范围大幅缩小。

据ThredUp调查，48%的二手购物者曾在购物时使用AI工具。当用户带着被缩小范围的结果进入商品页面时，他们已完成了近一半的决定，剩下的只是确认尺码和价格，因此转化率高也就不足为奇。

当然，AI带来的用户并非毫无要求。他们也因高期待而带来高要求。如果推荐不准确，反而会加深失望感——毕竟“AI推荐给我的”隐含一种背书，一旦准确性失灵，信任的损耗比随机浏览更大。

这解释了为何各家平台都在不断细化推荐模型。知道用户喜欢的品牌只是起点，还要了解他们上次退货是因为尺码偏大，偏好哑光而非亮面，以及通常在周五晚上刷手机。

ThredUp披露，2024年全年，AI带来的新客户数量同比增长了32%。二手服装品类本身存在门槛，对质地和成色的不确定性让许多人犹豫，而AI的介入正在消除这种犹豫。

从帮你挑选到替你购买

识别、定价、推荐，“帮你挑选”已相当成熟，并有了像ThredUp这样成功的案例。下一步是“替你购买”，即让AI获得用户授权，自行下单付款。

2025年9月，OpenAI与Stripe合作，在ChatGPT中推出了即时结账功能，初始合作商包括Etsy和Shopify的部分商家。用户在对话中看中某件商品后，可直接在界面内完成支付，无需跳转。这是主流AI对话平台首次尝试打通“发现”与“购买”之间的最后一步。

然而，到2026年3月，OpenAI调整了方向，将重心移回“商品发现”，允许商家使用自己的结账流程接单，而非统一走ChatGPT内的支付闭环。

媒体援引分析人士的观点指出，Instant Checkout并未吸引大量用户，原因包括商家接入复杂、商品数据难以保持准确，以及多件商品的购物车和会员积分处理困难。OpenAI自身认为最初版本“未能提供我们期望的灵活性”。

Morgan Stanley在2025年12月的报告中估计，到2030年，AI购物助手可能占据美国电商销售额的10%到20%，对应1900亿至3850亿美元。报告还提到，美国约23%的人上个月通过AI购买过商品，杂货和日用消费品是最先起量的品类。

目前，“替你购买”带来的问题已逐渐显现。谁来负责退货纠纷？AI代购的授权边界在哪里？如果理解出现偏差，买回一件根本不想要的商品，损失由谁承担？

用户通常给予AI代理一份有范围、有预算、有期限的委托，而非每笔交易都需点头。金额上限能防止昂贵的错误购买，却挡不住便宜的错误购买。目前没有公开规则处理“AI代理超出用户本意”的情况，商家往往只能自行承担损失。

人在购买衣服前会查看图片、尺码表和退货条款，而AI代理大多只读取数据，这可能导致退货率上升。ecommerceguide指出，服装、鞋子和家具是风险最高的品类。

对于二手衣物，每件只有一件，售出即售罄。退货需要重新检验、拍照和定价，ThredUp依靠规模压低单件处理成本的模式，可能会因此被拉高。

AI代理关注价格和规格，而非版型和搭配推荐，商家精心制作的陈列将失效。描述不够详细的二手商品，在AI代理眼中会排在后面。

ThredUp早已将非标准化商品转化为结构化数据。这些原本为人工作业准备的功夫，在个人AI代理时代可能成为其优势。