不穿的旧衣服呢？放「 AI 版转转」，毛利 80%

你的旧衣服怎么处理的？

当然是放在转转上面回收了，转转是一个官方二手平台，比一般二手要正规……

我们今天要介绍的是「AI 版转转」。

它使用 AI 自动识别服装颜色、类别、尺寸，并结合商品质量与市场需求进行定价，降低非标准化商品的处理难度。

每年有约 1700 万件旧衣服，从陌生人的衣柜出发，经过它，走进另一个陌生人的衣柜。

从店主的眼光到 AI 的估价

每件新衣服的背后都有一个确定的库存单位。同款衬衫，同样的颜色，同样的尺码，几千件长得一模一样。仓储、定价、上架，系统处理起来并不复杂。

可 ThredUp 的处理中心每年接收数百万件寄来的衣物，每一件都是孤品。这件格子衬衫洗了二十次，领口有点卷；那件牛仔裤标着 32 码，实际腰围偏大；另一件毛衣摸起来还是新的，标签却掉了。

那平台怎么估价呢，寄售店的店员 一般 凭经验收货，摸一摸面料，看一眼牌子，心里估个价，几个月卖不掉就降价，或者退还给寄卖的人。

不少慈善二手店按品类定统一价，一件衬衫几美元，一条牛仔裤十几美元，好货坏货混在同一种价签下面，捡漏的人占了便宜，店里却很难知道一件好东西值多少钱。小规模里还行得通，一旦量上来，人力便很难支持。

ThredUp 是这个行业里把流程彻底工业化的一家。据《现代物料搬运》2023 年对其配送中心的报道，进来的衣服要先过 12 项品质检查，合格的才挂上带二维码的衣架，工作人员录入品类、品牌、颜色、尺码、面料和洗涤方式，价格交给专有的机器学习软件来定。高价的衣服拍在人台上，低价的平铺拍摄，照片检查过后才上架。

后来 AI 接手了更多环节，能自动识别颜色、类别和尺寸，再把成色和市场需求放进算法里定价。据 PYMNTS 今年 4 月的报道，平台常年有 400 多万件在售商品，每天新增数万件，一套强化学习模型盯着实时需求，给卖得慢的衣服自动降价。

公司还投入了 4 亿多美元做供应链自动化，覆盖商品识别、尺寸测量和拍摄。

这些投入换来的结果是，ThredUp 每年能卖出约 1700 万件衣服。2025 年第二季度它的毛利率达到 79.5%，而传统服装零售商很少超过 30%。

面向消费者，ThredUp 在 2024 年 8 月，开放了三项 AI 功能，升级后的搜索，以图搜图，还有 Style Chat。

Style Chat 像一位对话式的造型师，输入「秋天婚礼穿什么」，它会给你整套搭配，再输入要求，会接着调整。

以图搜图允许用户上传照片，或者分享一条 Instagram 帖子，去库存里找相似的款式。公司披露的数据显示，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%。

使用这个功能的人，他们带着具体的需求来，AI 帮他们锁定目标。意图越明确，转化越顺畅。因为二手平台的商品实在太散，能帮人在几百万件旧衣里找到那件「对的」，才是门槛所在。

被 AI 带来的人，为什么更愿意下单

Adobe 的最新数据显示，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购物者更可能延长浏览时间、将商品加入购物车，最重要的是，更可能完成转化。

在今年七月，来自 AI 渠道的购物用户的转化率比来自其他渠道的购物用户高出 60%，每次访问带来的收入高 53%，跳出率低 34%，停留时间多 59%，浏览的页面多 22%。

这种转化率的优势已经连续保持了 11 个月。而一年前的情况则相反，当时非人工智能推荐来的顾客每次访问所花费的金额更多。这意味着人工智能助手在将相关产品展示给具有更高购买意图的顾客方面表现得越来越好。

回到二手衣服的场景，二手平台的货是海量的，ThredUp 光在售的就有 400 多万件，每一件都不一样，没有爆款可以让人闭着眼跟风。逛这样的货架，人很容易累。

心理学里有个很有名的果酱实验，2000 年 Iyengar 和 Lepper 在超市摆摊，摆 24 种果酱时，六成路人会停下来试吃，最后买的只有约 3%，摆 6 种时停下来的只有四成，买的却有约 30%。

选项太多会让人更难做决定，这个说法由此传开。

后来也有人提出不同意见，2010 年一篇汇总了几十项实验的元分析发现，选择过载更容易出现在选项复杂，自己又没有明确偏好的时候。

逛二手的人往往没有具体目标，想要的是「合适的，好看的，便宜的」，正是容易过载的处境。AI 替人把几百万件缩成十几件，用一句话，或者一张截图，换一个小得多的范围。

据 ThredUp 的调查，48% 的二手购物者在购物时用过 AI 工具。被缩小了范围的人来到商品页，已经完成了一半的决定，剩下的只是确认尺码和价格，转化率高也就不奇怪了。

当然，AI 带来的用户并不是铁板一块。他们也有高期待带来的高要求。如果推荐不准，反而会强化失望感——毕竟「AI 推给我的」暗含一种背书，准确性一旦失灵，信任的损耗比随机浏览还要大。

这解释了为什么各家平台都在把推荐模型做得越来越细。知道你喜欢的品牌只是开始，还要知道你上次退货是因为尺码偏大，知道你偏好哑光而非亮面，知道你通常在周五晚上刷手机。

ThredUp 披露，2024 全年 AI 带来的新顾客数量同比增长了 32%。二手服装这个品类本来有门槛，对质地和成色的不确定感让很多人望而却步，AI 的介入正在消解这种犹豫。

从帮你挑到替你买

识别，定价，推荐，「帮你挑」已经成熟，也有了 ThredUp 这样跑通的样本。再往前一步是「替你买」，让 AI 拿着你的授权，自己去下单付款。

2025 年 9 月，OpenAI 和 Stripe 联手在 ChatGPT 内上线了即时结账功能，初始合作商包括 Etsy 和 Shopify 的部分商家。用户在对话里相中了某件东西，可以直接在界面内完成支付，无需跳转。这是第一次有主流 AI 对话平台试图打通「发现」和「购买」之间的最后一段距离。

可到 2026 年 3 月，OpenAI 调整了方向，把重心移回「商品发现」，允许商家使用自己原有的结账流程接单，而不是统一走 ChatGPT 内的支付闭环。

媒体援引分析人士的看法指出，Instant Checkout 没有获得多少用户，原因包括商家接入麻烦，商品数据难以保持准确，多件商品的购物车和会员积分也不好处理。OpenAI 自己认为最初的版本「没有提供我们期望的灵活度」。

Morgan Stanley 在 2025 年 12 月的报告里估计，到 2030 年，AI 购物助手可能占到美国电商的 10% 到 20%，对应 1900 亿到 3850 亿美元的销售额。报告还提到，美国约 23% 的人上个月通过 AI 买过东西，杂货和日用消费品是最先起量的品类。

目前，「替你买」带来的问题已经浮出水面。谁来负责退货纠纷？AI 代购的授权边界在哪里？万一理解偏差，买回来一件根本不想要的东西，损失算谁的？

用户通常给 Agent 的是一份有范围，有预算，有期限的委托，而不是每笔交易都点头。金额上限挡得住贵的错买，挡不住便宜的错买。目前没有公开的规则来处理「Agent 超出了你的本意」，商家往往只能自己扛下损失。

人买衣服前会看图片、尺码表和退货条款，Agent 多半只读数据，这使得退货率上升。ecommerceguide 指出，服装，鞋和家具是风险最高的几类。

如果是二手衣服，一件旧衣服只有一件，卖出即售罄，退回来要重新检验，重新拍照，重新定价，ThredUp 靠规模压低的单件处理成本，或许会在这里被拉高。

Agent 看价格和规格，不看版式和搭配推荐，商家花力气做的陈列会失效，状态描述不够细的二手商品，在 Agent 眼里就排到了后面。

ThredUp 早就把非标准的商品做成了结构化的数据，这些原本为人工作业准备的功夫，到了 Personal Agent 时代可能成了它的优势。