Quando si pensa all’intelligenza artificiale nel retail si immaginano chatbot, raccomandazioni personalizzate o analisi predittive lato cliente. Reverse.fashion, spin-off dell’Università Tecnica di Berlino fondato nel 2024, sceglie invece il punto più sporco e dimenticato della filiera: i nastri trasportatori dove tonnellate di abiti usati vengono selezionati a mano, in condizioni spesso logoranti, per decidere cosa può essere rivenduto, riparato o destinato al macero.

La notizia è l’estensione a sette cifre del round pre-seed guidato da High-Tech Gründerfonds, ma il segnale che arriva dal settore è più sottile e profondo. Il team di Karsten Pufahl, Paul Doertenbach e Mario Osterwalder ha sviluppato una piattaforma che combina computer vision, machine learning, sensori avanzati e, aspetto cruciale, l’integrazione con il Digital Product Passport (DPP) introdotto dalla normativa europea. Non è un classico sistema di visione artificiale: il software riconosce marca, taglia, stile, composizione dei tessuti e stato di conservazione, instradando ogni capo verso il canale di recupero più redditizio o ambientalmente sensato.

L’anello mancante della circolarità tessile è sempre stato proprio lo smistamento. Sui volumi attuali, farlo a mano costa troppo ed è soggetto a errori. Reverse.fashion dichiara un aumento della produttività del 40% e un incremento dei ricavi attorno al 20% per i centri di selezione. Numeri che, se confermati su scala, renderebbero economicamente sostenibile ciò che oggi è sovvenzionato o marginale.

Ma c’è un livello di lettura che riguarda da vicino chi progetta infrastrutture AI per l’industria. Il riconoscimento tessile in tempo reale richiede inference a bordo linea, con dati visivi e spettrali elaborati localmente. Qui non si può dipendere da un ping al cloud: la latenza ucciderebbe il throughput, e la mole di immagini renderebbe insostenibili i costi di trasferimento. È un deployment tipicamente on-premise, dove il controllo del dato diventa anche una leva competitiva. Le caratteristiche dei capi analizzati (provenienza, composizione, difetti) sono informazioni sensibili per i riciclatori e i brand, che non vogliono vederle transitare su server di terze parti. La sovranità del dato, in questo scenario, non è un vezzo ma un requisito operativo.

La marcia in più è l’aggancio al passaporto digitale. Il DPP obbligherà i produttori a tracciare le informazioni sul prodotto lungo tutto il ciclo di vita. Una piattaforma come quella di reverse.fashion, che già digitalizza e classifica i capi in ingresso, può alimentare quel flusso informativo senza attriti, diventando un nodo infrastrutturale della compliance. E qui si apre un secondo effetto: il valore non sta solo nell’automazione del processo, ma nel dataset proprietario che si costruisce su milioni di capi. Chi possiede quel corpus di dati (abbinamenti tra etichette reali e caratteristiche rilevate dai sensori) può addestrare modelli sempre più precisi e rivendere insight ai brand sulla durabilità reale dei materiali o sulle abitudini di scarto dei consumatori.

Chi ci guadagna sono gli impianti di selezione e riciclo, che vedono un ritorno immediato in produttività, e i marchi che potranno dimostrare la conformità al DPP con meno attriti. Chi rischia sono gli operatori tradizionali del sorting manuale, già sotto pressione, e quei fornitori di tecnicia che hanno puntato tutto su soluzioni puramente cloud, trovandosi fuori mercato in un contesto dove l’hardware di calcolo locale (spesso embedded con GPU a basso consumo) torna centrale.

La direzione è chiara: l’Europa sta spingendo regolatoriamente verso la tracciabilità, e questo crea una domanda inevitabile per sistemi di inference distribuiti, robusti e autonomi. Reverse.fashion è un sintomo di come l’AI applicata all’economia circolare stia diventando un banco di prova per modelli di deployment ibridi, dove l’elaborazione a bordo macchina e l’aggregazione periodica su cloud convivono per ragioni tecniche e di governance. Per chi oggi valuta strategie on-premise, esistono trade-off tra potenza di calcolo e costo dell’hardware embedded che vanno soppesati caso per caso, ma la traiettoria industriale sembra segnata.