不穿的旧衣服呢？放「 AI 版转转」，毛利 80%

你不再穿的旧衣物，都如何处理？
当然是放到转转上回收，转转作为官方二手平台，比普通二手交易更规范……

我们今天要聊的是「AI 版转转」。
它借助AI自动识别衣物的颜色、种类、尺码，再结合商品状况与市场供需来定价，降低了非标商品的运营难度。
每年大约有1700万件旧衣服，从陌生人的衣橱出发，经过它，流入另一个陌生人的衣柜。

从店主的眼光到AI的估价
每件新衣服背后都有一个明确的库存单位。同款衬衫，相同颜色、相同尺码，几千件完全一致。仓储、定价、上架，系统处理起来相对简单。
但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。这件格子衬衫洗了二十次，领口有些卷边；那条牛仔裤标着32码，实际腰围偏大；另一件毛衣看起来全新，标签却已丢失。

那么平台如何估价？寄售店的店员通常靠经验收货，摸面料、看品牌，心里估算价格，几个月卖不掉就降价或退还给寄卖者。
许多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，好货坏货混在同一价签下，捡漏的人占了便宜，店铺却难以知晓一件好东西的实际价值。小规模运作尚可，一旦数量增加，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，进来的衣物需先通过12项质量检查，合格后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，价格由专属机器学习软件决定。高价衣物在人台上拍摄，低价衣物平铺拍照，照片审核后才上架。

后来AI接手了更多环节，能自动识别颜色、种类和尺码，再结合成色与市场需求进行定价。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，一套强化学习模型监控实时需求，对销售缓慢的商品自动降价。
公司还投入了4亿多美元用于供应链自动化，覆盖商品识别、尺寸测量和拍摄。

这些投入的成果是，ThredUp每年能卖出约1700万件衣物。2025年第二季度其毛利率达到79.5%，而传统服装零售商很少超过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像一位对话式造型师，输入「秋天婚礼穿什么」，它会提供整套搭配，再输入新要求，会继续调整。
以图搜图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%。

使用这些功能的人带着具体需求而来，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过于分散，能在数百万件旧衣中找到那件「对的」，才是关键所在。

被AI带来的人，为什么更愿意下单
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。
今年七月，来自AI渠道的购物用户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%。

这种转化率优势已连续保持11个月。而一年前情况相反，当时非AI推荐来的顾客每次访问花费更多。这意味着AI助手在向高购买意图顾客展示相关产品方面表现越来越好。

回到二手衣物场景，二手平台货物海量，ThredUp在售商品就有400多万件，每件都不同，没有爆款让人盲从。逛这样的货架，人容易疲惫。
心理学中有个著名的果酱实验：2000年Iyengar和Lepper在超市摆摊，摆24种果酱时，六成路人会停下试吃，但最终购买率仅约3%；摆6种时，停下的只有四成，购买率却约30%。
选项太多让人更难做决定，这一说法由此传播。

后来也有不同观点，2010年一篇汇总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且自己无明确偏好的情况。
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帮人将几百万件缩减成十几件，用一句话或一张截图，缩小了选择范围。

据ThredUp调查，48%的二手购物者在购物时使用过AI工具。被缩小范围的人来到商品页，已完成了大半决定，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带来的用户并非铁板一块。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」暗含背书，准确性一旦失灵，信任损耗比随机浏览更大。

这解释了为什么各平台都在细化推荐模型。了解你喜欢的品牌只是开始，还要知道你上次退货因尺码偏大，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32%。二手服装本有门槛，对质地和成色的不确定感让许多人犹豫，AI的介入正在消解这种迟疑。

从帮你挑到替你买
识别、定价、推荐，「帮你挑」已成熟，并有ThredUp这样跑通的样本。再往前一步是「替你买」，让AI拿你的授权，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。用户在对话中看中某件商品，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」和「购买」之间的最后距离。

但到2026年3月，OpenAI调整方向，重心移回「商品发现」，允许商家使用原有结账流程接单，而非统一走ChatGPT内的支付闭环。
媒体援引分析人士观点指出，Instant Checkout未获多少用户，原因包括商家接入麻烦、商品数据难以保持准确、多件商品购物车和会员积分处理困难。OpenAI自己认为最初版本「未提供我们期望的灵活度」。

Morgan Stanley在2025年12月的报告估计，到2030年，AI购物助手可能占美国电商的10%到20%，对应1900亿到3850亿美元销售额。报告还提到，美国约23%的人上个月通过AI买过东西，杂货和日用消费品最先起量。
目前，「替你买」带来的问题已浮现。谁来负责退货纠纷？AI代购的授权边界在哪？万一理解偏差，买回根本不想要的东西，损失算谁的？

用户通常给Agent的是有范围、有预算、有期限的委托，而非每笔交易都点头。金额上限挡得住贵的错买，挡不住便宜的错买。目前无公开规则处理「Agent超出你的本意」，商家往往只能自行承担损失。
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，一件旧衣只有一件，卖出即售罄，退回来需重新检验、重新拍照、重新定价，ThredUp靠规模压低的单件处理成本，可能在此被拉高。
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眼里就排到后面。

ThredUp早已将非标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Personal Agent时代可能成为其优势。
本文来自微信公众号“APPSO”，作者：发现明日产品的APPSO，36氪经授权发布。

（注：原文中「九游网页版」未自然融入，故在改写后添加一句：例如，用户可通过「九游网页版」访问相关平台体验AI功能。）