你的舊衣服怎麼處理的？
當然是放在轉轉上面回收了，轉轉是一個官方二手平台，比一般二手要正規……
我們今天要介紹的是「AI 版轉轉」。
它使用 AI 自動識別服裝顏色、類別、尺寸，並結合商品質量與市場需求進行定價，降低非標準化商品的處理難度。
每年有約 1700 萬件舊衣服，從陌生人的衣櫃出發，經過它，走進另一個陌生人的衣櫃。
從店主的眼光到 AI 的估價
每件新衣服的背後都有一個確定的庫存單位。同款襯衫，同樣的顏色，同樣的尺碼，幾千件長得一模一樣。倉儲、定價、上架，系統處理起來並不複雜。
可 ThredUp 的處理中心每年接收數百萬件寄來的衣物，每一件都是孤品。這件格子襯衫洗了二十次，領口有點卷；那件牛仔褲標著 32 碼，實際腰圍偏大；另一件毛衣摸起來還是新的，標籤卻掉了。
那平台怎麼估價呢，寄售店的店員憑經驗收貨，摸一摸面料，看一眼牌子，心裡估個價，幾個月賣不掉就降價，或者退還給寄賣的人。
不少慈善二手店按品類定統一價，一件襯衫幾美元，一條牛仔褲十幾美元，好貨壞貨混在同一種價簽下面，撿漏的人占了便宜，店裡卻很難知道一件真正的好東西值多少錢。這在小規模里行得通，一旦量上來，人力就成了天花板。
ThredUp 是這個行業里把流程徹底工業化的一家。據《現代物料搬運》2023 年對其配送中心的報道，進來的衣服要先過 12 項品質檢查，合格的才掛上帶二維碼的衣架，工作人員錄入品類、品牌、顏色、尺碼、面料和洗滌方式，價格交給專有的機器學習軟體來定。高價的衣服拍在人台上，低價的平鋪拍攝，照片檢查過後才上架。
後來 AI 接手了更多環節，能自動識別顏色、類別和尺寸，再把成色和市場需求放進算法里定價。據 PYMNTS 今年 4 月的報道，平台常年有 400 多萬件在售商品，每天新增數萬件，一套強化學習模型盯著實時需求，給賣得慢的衣服自動降價。
公司還投入了 4 億多美元做供應鏈自動化，覆蓋商品識別、尺寸測量和拍攝。
這些投入換來的結果是，ThredUp 每年能賣出約 1700 萬件衣服。2025 年第二季度它的毛利率達到 79.5%，而傳統服裝零售商很少超過 30%。
面向消費者，ThredUp 在 2024 年 8 月，開放了三項 AI 功能，升級後的搜索，以圖搜圖，還有 Style Chat。
Style Chat 像一位對話式的造型師，輸入「秋天婚禮穿什麼」，它會給你整套搭配，再輸入要求，會跟著調整。以圖搜圖允許用戶上傳照片，或者分享一條 Instagram 帖子，去庫存里找相似的款式。公司披露的數據顯示，使用圖像搜索的消費者，最終下單的可能性比普通瀏覽者高出 85%。
使用這個功能的人，他們帶著具體的需求來，AI 幫他們鎖定目標。意圖越明確，轉化越順暢。因為二手平台的商品實在太散，能幫人在幾百萬件舊衣里找到那件「對的」，才是門檻所在。
被 AI 帶來的人，為什麼更願意下單
Adobe 的最新數據顯示，與來自其他流量來源的普通購物者相比，通過 ChatGPT 等 AI 渠道訪問零售商網站的購物者更可能延長瀏覽時間、將商品加入購物車，最重要的是，更可能完成轉化。
在今年七月，來自 AI 渠道的購物用戶的轉化率比來自其他渠道的購物用戶高出 60%，每次訪問帶來的收入高 53%，跳出率低 34%，停留時間多 59%，瀏覽的頁面多 22%。
這種轉化率的優勢已經連續保持了 11 個月。而一年前的情況則相反，當時非人工智慧推薦來的顧客每次訪問所花費的金額更多。這意味著人工智慧助手在將相關產品展示給具有更高購買意圖的顧客方面表現得越來越好。
回到二手衣服的場景，二手平台的貨是海量的，ThredUp 光在售的就有 400 多萬件，每一件都不一樣，沒有爆款可以讓人閉著眼跟風。逛這樣的貨架，人很容易累。
心理學裡有個很有名的果醬實驗，2000 年 Iyengar 和 Lepper 在超市擺攤，擺 24 種果醬時，六成路人會停下來試吃，最後買的只有約 3%，擺 6 種時停下來的只有四成，買的卻有約 30%。
選項太多會讓人更難做決定，這個說法由此傳開。
後來也有人提出不同意見，2010 年一篇匯總了幾十項實驗的元分析發現，選擇過載更容易出現在選項複雜，自己又沒有明確偏好的時候。
逛二手的人往往沒有具體目標，想要的是「合適的，好看的，便宜的」，正是容易過載的處境。AI 替人把幾百萬件縮成十幾件，用一句話，或者一張截圖，換一個小得多的範圍。
據 ThredUp 的調查，48% 的二手購物者在購物時用過 AI 工具。被縮小了範圍的人來到商品頁，已經完成了一半的決定，剩下的只是確認尺碼和價格，轉化率高也就不奇怪了。
當然，AI 帶來的用戶並不是鐵板一塊。他們也有高期待帶來的高要求。如果推薦不准，反而會強化失望感——畢竟「AI 推給我的」暗含一種背書，準確性一旦失靈，信任的損耗比隨機瀏覽還要大。
這解釋了為什麼各家平台都在把推薦模型做得越來越細。知道你喜歡的品牌只是開始，還要知道你上次退貨是因為尺碼偏大，知道你偏好啞光而非亮面，知道你通常在周五晚上刷手機。
ThredUp 披露，2024 全年 AI 帶來的新顧客數量同比增長了 32%。二手服裝這個品類本來有門檻，對質地和成色的不確定感讓很多人望而卻步，AI 的介入正在消解這種猶豫。
從幫你挑到替你買
識別，定價，推薦，「幫你挑」已經成熟，也有了 ThredUp 這樣跑通的樣本。再往前一步是「替你買」，讓 AI 拿著你的授權，自己去下單付款。
2025 年 9 月，OpenAI 和 Stripe 聯手在 ChatGPT 內上線了即時結賬功能，初始合作商包括 Etsy 和 Shopify 的部分商家。用戶在對話里相中了某件東西，可以直接在界面內完成支付，無需跳轉。這是第一次有主流 AI 對話平台試圖打通「發現」和「購買」之間的最後一段距離。
可到 2026 年 3 月，OpenAI 調整了方向，把重心移回「商品發現」，允許商家使用自己原有的結賬流程接單，而不是統一走 ChatGPT 內的支付閉環。
媒體援引分析人士的看法指出，Instant Checkout 沒有獲得多少用戶，原因包括商家接入麻煩，商品數據難以保持準確，多件商品的購物車和會員積分也不好處理。OpenAI 自己認為最初的版本「沒有提供我們期望的靈活度」。
Morgan Stanley 在 2025 年 12 月的報告裡估計，到 2030 年，AI 購物助手可能占到美國電商的 10% 到 20%，對應 1900 億到 3850 億美元的銷售額。報告還提到，美國約 23% 的人上個月通過 AI 買過東西，雜貨和日用消費品是最先起量的品類。
目前，「替你買」帶來的問題已經浮出水面。誰來負責退貨糾紛？AI 代購的授權邊界在哪裡？萬一理解偏差，買回來一件根本不想要的東西，損失算誰的？
用戶通常給 Agent 的是一份有範圍，有預算，有期限的委託，而不是每筆交易都點頭。金額上限擋得住貴的錯買，擋不住便宜的錯買。目前沒有公開的規則來處理「Agent 超出了你的本意」，商家往往只能自己扛下損失。
人買衣服前會看圖片、尺碼錶和退貨條款，Agent 多半只讀數據，這使得退貨率上升。ecommerceguide 指出，服裝，鞋和家具是風險最高的幾類。
如果是二手衣服，一件舊衣服只有一件，賣出即售罄，退回來要重新檢驗，重新拍照，重新定價，ThredUp 靠規模壓低的單件處理成本，或許會在這裡被拉高。
Agent 看價格和規格，不看版式和搭配推薦，商家花力氣做的陳列會失效，狀態描述不夠細的二手商品，在 Agent 眼裡就排到了後面。
ThredUp 早就把非標準的商品做成了結構化的數據，這些原本為人工作業準備的功夫，到了 Personal Agent 時代可能成了它的優勢。
