Zustandsbewertung von Retouren und Gebrauchtwaren (Re-Commerce)

Retouren und Gebrauchtwaren werden heute von Hand an einem Arbeitsplatz bewertet: Mitarbeitende prüfen einen Artikel, beurteilen Flecken, Abnutzung und Mängel und entscheiden über den weiteren Weg. Das ist langsam, von Person zu Person uneinheitlich und ein Engpass für den Wiederverkauf. Vision-Sprachmodelle und Segmentierungsmodelle erkennen das Produkt, finden und lokalisieren Mängel, ordnen sie einem schriftlichen Bewertungsstandard zu und schlagen Verwertungsweg und Angebotstext vor; Grenzfälle prüft ein Mensch. Der Nutzen: schnellere und einheitlichere Bewertung und weniger Artikel, die in Kanäle mit geringem Erlös gelangen oder vernichtet werden.

Problem & Nutzen

• Heute: Retouren treffen in einem Lager oder bei einem Logistikdienstleister (3PL) ein; eine Prüfperson öffnet jedes Paket, begutachtet, fotografiert, bewertet und stellt den Artikel ein. Die Bewertungen unterscheiden sich zwischen Personen und Standorten, es folgen Streitfälle mit Käufern („nicht wie beschrieben“), und alles Unklare landet standardmäßig im günstigsten Kanal (Outlet, Liquidation, Recycling).
• KI-Nutzen: einheitliche Anwendung eines schriftlichen Regelwerks, belegte Bewertungen (Mängelausschnitte angehängt), höherer Durchsatz je Arbeitsplatz, automatische Angebotsentwürfe, bessere Entscheidungen über den Verwertungsweg (verkaufen, aufarbeiten oder recyceln) und weniger Rücksendungen gebrauchter Artikel aufgrund unklarer Zustandsbeschreibungen.
• Regulatorischer Druck: Die EU-Ökodesign-Verordnung für nachhaltige Produkte (ESPR) verbietet großen Unternehmen die Vernichtung unverkaufter Bekleidung, Bekleidungszubehörs und Schuhe und verlangt die Offenlegung entsorgter unverkaufter Waren; die überarbeitete Abfallrahmenrichtlinie führt die erweiterte Herstellerverantwortung (EPR) für Textilien ein. Beides drängt Betreiber zu Wiederverkauf, Wiederverwendung und dokumentierter Sortierung [1][2].
• Von Anbietern genannte Verbesserungen schwanken je nach Kategorie; messen Sie am eigenen Retourenstrom.

Varianten

• Mode/Textilien: Marken- und Kategorieerkennung, Flecken, Fusselbildung (Pilling), Löcher, fehlende Knöpfe, Geruchshinweise (nicht sichtbar; braucht Mensch oder Sensor). Die feine Abstufung ist am schwierigsten.
• Unterhaltungselektronik/Telefone/Laptops: kosmetische Klasse anhand von Fotos von Gehäuse, Display und Rahmen; Funktionstests laufen getrennt (Diagnosesoftware). Seriennummer/IMEI per OCR auslesen (siehe VIS-018).
• Möbel: Kratzer, Wasserflecken, Strukturschäden; die Aufnahme ist aufwendiger.
• Selbstbewertung auf Marktplätzen (C2C): Verkäufer laden Fotos hoch; das Modell prüft die Vollständigkeit, schlägt eine Zustandsklasse vor und meldet Abweichungen zwischen Beschreibung und Bildern.
• Privatnutzung: ein Haushalt sortiert Kleidung für den Verkauf auf einer Gebrauchtplattform; Foto-Assistenten der Plattformen leisten eine einfache Version davon.

So funktioniert es

1. returned item arrives
2. barcode/RFID/ID scan
3. standardised photo station (fixed camera, light, 4-8 views, label, serial)
4. product identification (brand, model, category, size; visual search + OCR)
5. defect detection & segmentation (stain, tear, scratch, dent, missing part)
6. grade mapping (rulebook: defect type × size × location
7. A/B/C/reject)
8. disposition rules (grade + margin + demand + compliance
9. resale / refurbish / outlet / recycle)
10. listing draft (LLM) + price band
11. human review on low confidence, high-value or contested items
12. publish / route

• Identifikation: Detektoren mit offenem Vokabular oder VLMs lesen Etiketten und gleichen sie mit dem Produktkatalog ab; Embedding-Suche gegen Katalogbilder löst ähnlich aussehende Artikel auf.
• Mängelerkennung: Instanzsegmentierung oder Anomalieerkennung gegen eine „gute“ Referenz; VLM-Beschreibungen erklären Mängel in Worten. Die Messung der Mängelfläche in cm² erfordert eine Maßreferenz (Kalibriermarker, fest montierte Kamera).
• Klassenzuordnung: bewusst eine deterministische Regelschicht oberhalb der Modellausgaben, damit die Bewertungen erklärbar, prüfbar und je Kanal oder Marktplatz anpassbar sind.
• Mensch-in-der-Schleife (Human-in-the-Loop): Artikel unterhalb einer Konfidenzschwelle, oberhalb einer Wertgrenze oder mit Echtheitsrelevanz (Luxus, Markenelektronik) gehen an eine Prüfperson; die Korrektur wird als Trainingsdaten gespeichert.

Datenaufbereitung

• Benötigte Daten: Artikelstammdaten und ursprüngliche Preise (ERP/Shopsystem), Retourengründe und Kundenangaben (Retourenportal, E-Mail), das Bewertungsregelwerk (oft nur im Kopf erfahrener Prüfpersonen oder in Word-/Excel-Dateien) sowie Fotos mit der endgültigen Entscheidung der Prüfperson.
• Typische Lücken: keine schriftlichen Klassendefinitionen je Kategorie, uneinheitliche Bewertung zwischen Schichten, Retourenfotos ad hoc mit wechselndem Licht und Hintergrund aufgenommen, fehlende EAN oder Seriennummern, doppelte Artikelsätze und keine gespeicherte Verknüpfung zwischen Foto und endgültiger Klasse.
• Aufbereitungsschritte: (1) ein klares Regelwerk mit Beispielfotos je Klasse und Mängelart schreiben (PREP-019); (2) vor jeder Datensammlung eine Standard-Fotostation und ein Aufnahmeprotokoll einrichten; (3) Stammdaten und Retourenhistorie aus ERP und Shop exportieren (PREP-005); (4) frühere Bewertungsentscheidungen und Verkaufsergebnisse als Labels auswerten (PREP-020); (5) ein Referenzset („Golden Set“) aus mehreren hundert Artikeln aufbauen, die zwei erfahrene Mitarbeitende bewertet haben (PREP-018).
• Werkzeuge: Barcodescanner, fest montierte Kamera mit Kalibriermarker, Label Studio oder eine einfache Tabelle für die Entscheidungen der Prüfpersonen, n8n für Exporte.
• Aufwandsanteil: etwa 30-40 Prozent, überwiegend Regelwerksdefinition und einheitliche Aufnahme; der Modellaufruf selbst ist der kleine Teil. Beginnen Sie schon jetzt, Fotos mit Bewertungen zu sammeln, auch bevor die KI ausgewählt ist.

Umsetzungswege

Welcher Weg für wen

• KMU: B - kein ausgereiftes, für KMU bezahlbares Bewertungsprodukt passt zu gemischten Kategorien; eine multimodale API plus feste Fotostation und Regelschicht lässt sich an den eigenen Shop und das Retourenportal anbinden.
• Großunternehmen: B - Bewertungsregeln und Kanallogik sind ein Wettbewerbsvorteil und müssen sich in WMS/ERP integrieren lassen; bei sehr hohen Mengen oder echtheitskritischen Waren lohnt die Prüfung von Weg C/D.
• Entwickler: C - Open-Weight-VLMs, Detektoren und SAM 2 geben volle Kontrolle über Regelwerk, Belegausschnitte und Kosten und lassen sich für weitere Prüf-Anwendungsfälle wiederverwenden.

Weg A — Kaufen (Standardsoftware)

• Re-Commerce-Plattformen: Optoro (USA) für die Retourensteuerung; EU-Marktplätze für aufbereitete Ware wie Refurbed und Back Market (EU) veröffentlichen eigene Bewertungsstandards; Dienstleister für Modeabwicklung im Wiederverkauf sowie Bewertungsstationen für Telefone/Laptops ergänzen eine kosmetische Bewertung per Computer Vision.
• Wählen Sie A, wenn die Mengen moderat sind, die Kategorie gängig ist und Sie einen verwalteten Ablauf von der Annahme bis zum Angebot bevorzugen; prüfen Sie EU-Datenhaltung, konfigurierbare Klassendefinitionen und den API-Export von Belegbildern.

Weg B — Auf Cloud-KI-Diensten aufbauen (empfohlener Standard)

• Multimodale Modelle (Claude, Gemini, GPT, Mistral Pixtral/Medium Vision; Endpunkte in der EU über Azure OpenAI EU, Google Vertex EU, AWS Bedrock Frankfurt oder Mistral als EU-Anbieter) erhalten das Fotoset plus das Regelwerk und liefern ein strukturiertes JSON: Produkt, Mängel (Art, Ort, Schwere), vorgeschlagene Klasse, Konfidenz, Begründung.
• Belegausschnitte über ein Segmentierungsmodell (SAM 2), damit jeder Mangel für die prüfende Person sichtbar ist.
• Orchestrierung: Webhooks von Retourenportal/WMS → Warteschlange → Modellaufruf → Regelmaschine → ERP-/Angebots-API (Shopify, Zalando-Partnerprogramm, Vinted Pro, eBay, Back-Market-Verkäufer-API je nach Kanal). n8n oder ein kleiner Dienst genügt.
• Vor dem Produktivstart ein Referenz-Testset (hunderte von erfahrenen Mitarbeitenden bewertete Artikel) laufen lassen, um Modell und Mensch zu vergleichen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Qwen-VL-Familie oder andere Open-Weight-VLMs für Beschreibungen; DINOv2-/SigLIP-Embeddings für den Produktabgleich; Detektoren der YOLO-Klasse oder RT-DETR und SAM 2 für Mängelbereiche; PaddleOCR oder Docling für Etiketten und Typenschilder.
• Betrieb: vLLM oder Ollama für das VLM; ONNX/TensorRT für Detektoren; Fotostation auf einem Industrie-PC.
• Hardware: HW2 (eine GPU mit 24-32 GB) deckt einen einzelnen Arbeitsplatz oder mehrere Stationen bei Lagerdurchsatz ab; HW1-Edge-Geräte genügen für reine Detektor-Stationen.
• Wann: sensible Kundendaten, sehr hohe Mengen oder der Bedarf an Offline-Stationen im Lager.

Weg D — Eigenes Training

Lohnt sich, wenn die Bewertung selbst das Geschäft ist (große Aufarbeiter, Wiederverkaufsplattformen). Es braucht tausende Bilder je Kategorie, von Fachleuten mit Mängelmasken und endgültigen Klassen gelabelt und ausgewogen über Marken, Beleuchtung und Mängelarten. Ausgehend von einem vortrainierten Backbone werden ein Mängel-Segmentierer und ein Klassen-Klassifikator feingetunt; die Regelschicht bleibt erhalten. Korrekturen der Prüfpersonen aus dem Produktivbetrieb sind die wichtigste Datenquelle.

Stand der Technik (2026)

• Allgemeine VLMs erkennen die meisten gängigen Marken und Kategorien und beschreiben offensichtliche Schäden gut; das reicht für eine erste Vorsortierung und Angebotsentwürfe. Feine Entscheidungen (ist dieses schwache Pilling ein B oder ein C? ist ein haarfeiner Displaykratzer im Gebrauch sichtbar?) fallen ohne kalibrierte Aufnahme und Few-Shot-Beispiele des Bewertungsstandards uneinheitlich aus.
• Verlässliche Ergebnisse hängen stärker von der Aufnahmequalität ab als von der Modellwahl: feste Beleuchtung, neutraler Hintergrund, Aufnahmen aus mehreren Winkeln und Makroaufnahmen, eine Maßreferenz.
• Segmentierungs-Foundation-Modelle (SAM-Familie) machen die Mängellokalisierung günstig; Detektion mit offenem Vokabular ergänzt Mängelarten ohne erneutes Training.
• Grenzen und Fehlerbilder: nicht sichtbare Mängel (Geruch, Funktion, verdeckte Schäden, Echtheit bei Fälschungen) bleiben unsichtbar; Spiegelungen auf Displays und glänzenden Flächen erzeugen falsch-positive Treffer; dunkle oder gemusterte Stoffe verbergen Flecken; Modelle können Mängel erfinden oder übersehen, und übermäßig sicheres automatisches Hochstufen führt zu „nicht wie beschrieben“-Rücksendungen. Betrachten Sie das Modell als gleichbleibende Erstprüfung, nicht als letzte Instanz bei hochwertigen Artikeln.

Gemeinsame Bausteine & Kombinationen

• Gleicher Technologie-Stack wie VIS-001 (visuelle Prüfung), VIS-023 (Schadensbewertung für Schadensfälle), VIS-026 (visuelle Vermessung): Aufnahme mit fester Kamera, Segmentierung, VLM-Beschreibungen.
• VIS-022 (visuelle Suche) und VIS-017 (Produkterkennung) liefern den Katalogabgleich; VIS-018 (industrielle OCR) liest Etiketten und Seriennummern; VIS-020 (Abfallsortierung) übernimmt das Recycling-Ende der Verwertung.
• DATA-021 (digitaler Produktpass) ist die künftige Datensenke für Zustands- und Reparaturhistorie; PERS-018 (visueller Reparaturassistent) unterstützt die Aufarbeitung.
• Gemeinsamer VLM-Server (vlm + llm-general, HW2/HW3) und gemeinsame Workflow-Engine für diese Anwendungsfälle.

Aufwand, Kosten & Kennzahlen

• Aufwand: Weg A Wochen; Weg B 2-4 Monate inkl. Fotostation, Referenzset, Regeln, Integration; Weg C/D 4-9 Monate. Die Kosten entfallen überwiegend auf Arbeit für die Aufnahme plus geringe API-Kosten.
• Kennzahlen: Übereinstimmung zwischen Prüfperson und Modell (Kappa) je Kategorie, Anteil ohne manuellen Eingriff, Artikel je Arbeitsplatzstunde, Anteil im besten Kanal, Quote „nicht wie beschrieben“, Tage von Wareneingang bis Angebot, Anteil vernichtet oder deponiert.

Menschen & Veränderung

• Früh einbinden: Geschäftsleitung (Umfang, Budget), die Retouren- oder Lagerleitung als Prozessverantwortliche, die Prüfpersonen und Packer an der Station, die IT (Shop-/ERP-Integration), die Datenverantwortlichen der Artikelstammdaten und die/den Datenschutzbeauftragte(n), falls Fotos oder Kundenangaben personenbezogene Daten enthalten. Siehe GUIDE-001 und GUIDE-009 zu Auswahl und Pilotierung.
• Betriebsrat: abhängig vom Einzelfall. Bewertungsqualität je Person oder Artikel je Arbeitsplatzstunde sind genau die Daten, die ein System zur Überwachung „geeignet“ machen, nach §87 Abs. 1 Nr. 6 BetrVG (objektive Eignung genügt laut BAG); §90 Abs. 1 Nr. 3 verlangt rechtzeitige Unterrichtung, wenn Arbeitsverfahren mit KI geplant werden. Informieren Sie den Betriebsrat schon in der Konzeptphase und vereinbaren Sie, dass Vergleiche zwischen Prüfperson und Modell nicht für individuelle Leistungsbeurteilungen genutzt werden (GUIDE-004).
• Datenschutz: Fotos können Personen, Namensschilder oder Adressen zeigen; schließen Sie mit API-Anbietern einen AVV; eine DSFA ist für Artikelfotos in der Regel nicht nötig, klären Sie das aber mit der/dem Datenschutzbeauftragten (GUIDE-005).
• KI-Kompetenz: unterstützen Sie die Mitarbeitenden mit einer kurzen praktischen Schulung dazu, was das Modell sieht, welche typischen Fehler es macht und wie man es übersteuert (KI-Verordnung Art. 4; GUIDE-006).
• Pilot und Bedenken: pilotieren Sie mit einer Kategorie und 2-3 erfahrenen Prüfpersonen als Fürsprechern. Typische Sorge: „Die Maschine ersetzt die Prüfer“ - begegnen Sie ihr, indem Sie die KI als Vorbewertungs-Assistenten positionieren, die Prüfpersonen bei unsicheren, hochwertigen und strittigen Artikeln die Kontrolle behalten lassen und ihre Korrekturen zur Verbesserung des Systems nutzen (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; keine Nutzung nach Anhang III. Art. 4 KI-Kompetenz für das Personal. Kein Problem nach Art. 5, solange Fotos nicht für biometrische oder emotionsbezogene Rückschlüsse missbraucht werden, was außerhalb des Umfangs liegt. Eine Chatbot-artige Interaktion mit Käufern erfordert Transparenz nach Art. 50.
• DSGVO: Fotos können Personen, Gesichter, Namensschilder, Adressen auf Paketen oder personalisierte Kleidung erfassen. Nutzen Sie einen kontrollierten Stationshintergrund, beschneiden oder verpixeln Sie zufällig erfasste personenbezogene Daten, legen Sie Aufbewahrungsfristen fest und schließen Sie einen Auftragsverarbeitungsvertrag mit API-Anbietern; Retouren- und Kundenangaben sind personenbezogene Daten [3].
• Verbraucherrecht: zutreffende Zustandsbeschreibungen nach dem EU-Verbraucherrecht und der Richtlinie zur Stärkung der Verbraucher; die Belegbilder und der Prüfpfad schützen bei Streitfällen.
• ESPR und Abfallrecht: dokumentieren Sie den Verwertungsweg; die Offenlegung unverkaufter Waren und die textile EPR-Regelung brauchen verlässliche Daten darüber, was weiterverkauft, wiederverwendet oder recycelt wurde [1][2].
• Gegenmaßnahmen: veröffentlichter Bewertungsstandard, menschliche Prüfung bei Wert- und Echtheitsrisiko, Drift-Prüfungen am Referenzset, Verzerrungsprüfungen über Marken und Farben, Protokollierung von Modell- gegenüber endgültiger Klasse.

Erste Schritte

1. Schreiben Sie das Bewertungsregelwerk mit Fotobeispielen je Klasse und Kategorie auf; lassen Sie die Prüfpersonen sich darauf einigen.
2. Bauen Sie eine Standard-Fotostation (festes Licht, Hintergrund, Maßmarker, 4-8 Ansichten) und sammeln Sie 300-500 bewertete Artikel.
3. Testen Sie in Weg B zwei oder drei VLMs gegen dieses Referenzset; messen Sie die Übereinstimmung je Klasse und je Mängelart.
4. Ergänzen Sie die Regelschicht sowie Konfidenz- und Wertschwellen; pilotieren Sie an einem Arbeitsplatz mit menschlicher Freigabe jedes Artikels.
5. Reduzieren Sie die Prüfung, sobald sich die Übereinstimmung stabilisiert; verfolgen Sie Wiederverkaufsquote und „nicht wie beschrieben“-Rücksendungen monatlich.

Quellen

1. Regulation (EU) 2024/1781 (Ecodesign for Sustainable Products Regulation) — https://eur-lex.europa.eu/eli/reg/2024/1781/oj
2. Directive (EU) 2025/1892 (revised Waste Framework Directive, textile EPR) — https://eur-lex.europa.eu/eli/dir/2025/1892/oj
3. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. SAM 2 — Segment Anything in Images and Videos — https://github.com/facebookresearch/sam2
6. DINOv2 — https://github.com/facebookresearch/dinov2
7. Qwen-VL — https://github.com/QwenLM/Qwen3-VL
8. circular.fashion — https://circular.fashion