"與資訊結合，意思就是要徹底改變整個流程。從即時收集顧客需求開始，馬上應用於服裝製作；只設計市場有需求的服裝，也只生產需要的數量。換句話說，服飾業的製程與時序以「顧客」爲起點重新建構。 若能做到這一點，便能常態性地只提供顧客真正有需求的服裝，不必製作多餘的衣服。除了環保，也能減輕工廠與賣場的負擔，還能減少因錯過銷售良機而造成的損失，同時增加營業額與利潤。 這當然是理想中的狀況，現實中要做到「只製作有需求的商品」相當不容易，但盡量接近理想狀態應該還是有可能的。 基於這般理想而構思的商業模式，柳井正稱之為「資訊製造零售業」。是將「資訊」融入製造零售業概念中所衍生的全新服飾業型態。"-世界的UNIQLO：優衣庫的崛起、挫折與成功 P416
創意資訊製造零售業：AI時代的第三條路
一、問題的起點：柳井正那句話的未竟之義
柳井正在二十年前說的那句話—「不是販售做好的商品，而是做出暢銷的商品」—是一個方向宣示，也是一個未完成的命題。他在2015年啟動有明計畫，試圖建造能讓這個命題真正運行的資訊基礎設施：即時蒐集顧客需求訊號，讓數據驅動設計與生產，把製程序列從「生產→銷售」反轉為「需求→生產」。
但有明計畫的第一次崩潰，揭示了這個命題最難的部分：光有倉庫和系統不夠，必須有能把商業意圖灌入系統的組織能力。日下正信把這稱為「雕了佛像沒有開光」—技術軀殼建好了，驅動它的靈魂沒有進去。這個失敗，是整個故事的核心教訓，也直接連結到AI時代面臨的同一個問題。
二、SHEIN：需求驅動型序列反轉的完成形態
如果說有明計畫是在一家大型企業內部艱難地推動序列反轉，SHEIN則是從零開始、以更激進的方式實現了同一個命題。SHEIN的模型是一個精密的資訊閉環：AI持續爬取社群媒體和搜尋趨勢，識別萌發中的微趨勢；設計師快速出款；每款初產50至200件直接上線測試；表現優異的款式快速擴產，滯銷款立刻淘汰。整個週期從趨勢識別到商品上架只需3至7天，每日新增超過6,000個SKU，銷售率達到85%，遠高於行業平均的60%。
SHEIN幾乎完美地實現了柳井正命題的需求預測端。代價是一個全速運轉的趨勢追逐機器，以及嚴重的環境成本。但它真正的結構性限制，是一個更深的認識論問題：需求驅動型AI只能預測消費者已經表達過的偏好，無法製造消費者尚未想到的欲望。當所有玩家都用相同的社群數據訓練相同的預測模型，速度優勢將成為行業標配，而非競爭護城河。趨勢同質化，是需求驅動型序列反轉的終態。
三、未被開發的路徑：創意驅動型爆款
McKinsey的研究指出，AI在時尚業有高達25%的價值潛力來自創意端，但這個部分幾乎完全未被產業系統性開發。BoF的數據顯示，50%的時尚高管認為「產品發現」是生成AI最關鍵的應用場景—而「發現」和「預測」是兩件根本不同的事。前者是讓消費者看到一個他們在看到之前不知道自己想要的東西；後者是更快地滿足消費者已知的需求。
創意AI製造意外性爆款的機制，需要一個關鍵的認識論前提：消費者的偏好不是一個固定的清單，而是一個有邊界的空間。在這個空間的中心，是「確定性需求」—消費者已經表達過、可以被數據捕捉到的偏好。在這個空間的邊緣，是「潛在偏好」—消費者邏輯上可能會喜歡、但尚未被任何訊號激發的欲望。需求驅動型AI在空間中心運作；創意驅動型AI在空間邊緣探索。Adobe 2026年的創意趨勢報告提供了一個具體的線索：「當你停止讓AI模仿已存在的事物，它開始想像尚不存在的事物」—68%的全球年輕族群主動搜尋令人意外、提供逃離現實感的內容，而這恰好是AI在被釋放限制後最自然產生的輸出。
四、Mirror Mirror AI：視覺驗證層的建造者
林于璿的Mirror Mirror AI，在這個框架裡的位置非常具體。她在三次轉型後選擇建造的「基礎設施」—連結真人模特兒、處理授權、提供AI圖像生成的平台—正在建造創意驅動型閉環中一個關鍵的槓桿點：讓視覺概念的測試成本遠低於商品生產的微批量測試成本。
這個槓桿點的邏輯是：在創意驅動型閉環中，你不需要先生產商品才能測試消費者反應。你可以先生成視覺概念，讓消費者對圖像做出反應，再決定是否進入生產。一個AI生成的服裝視覺，加上真人模特兒確保可信度，在社群媒體上測試消費者反應，成本比微批量生產低幾個數量級。被驗證的視覺概念，才進入下游的商品開發和生產指令。她那句「時尚業還沒準備好接受純粹的生成技術」，是對「視覺真實性閾值」的正確判斷—AI創意必須通過真實人才的存在感錨定可信度，才能轉化為有效的商業測試。
五、完整機制：五層閉環的定義
把以上所有元素整合，「創意資訊製造零售業」是一個需要五個層次同時運作的系統。第一層是訊號層，同時蒐集消費者的顯性需求（購買數據、搜尋趨勢）和隱性偏好結構（消費者偏好空間的計算模型）。第二層是創意層，AI在消費者偏好邊界的鄰近區域進行有方向性的創意探索，而非無限制的隨機生成，人類設計師擔任意外性的可信度過濾器。第三層是驗證層，AI生成的創意概念以視覺測試進行快速市場驗證，Mirror Mirror AI的圖像平台屬於此層。第四層是製造層，通過驗證的創意概念驅動按需生產指令，島正博的全成型編織機是此層的物理基礎設施。第五層是回饋層，市場表現數據同時校準消費者偏好空間模型和AI創意生成的方向，讓兩個閉環同步轉動、互相強化。
這個系統的核心競爭力，不是任何單一層次的技術，而是五層之間連接的深度。目前最空白的，是訊號層和創意層之間的橋樑—一個能把「消費者偏好的計算模型」與「AI創意生成的探索方向」系統性連接的機制。建造這個橋樑的人，將擁有整個閉環中最難被複製的資產。
六、兩種爆款，一個更完整的命題
需求驅動型爆款和創意驅動型爆款，不是對立的選擇，而是互補的功能模組。前者維持核心品項的持續暢銷，後者製造驚喜品項、拓展品牌的偏好版圖。SHEIN代表前者的極端形態；後者的完整商業閉環，目前仍在被多個局部的建造者逐漸拼湊成形。
島正博在1987年為「在消費地生產的未來」建造全成型編織機，柳井正在2007年遇上iPhone後為「需求先行的未來」建造有明計畫，林于璿在2024年為「生成技術真正落地的未來」建造視覺基礎設施。三個逆向押注，指向同一個方向：在市場尚未準備好之前，建造準備好之後才能被充分使用的基礎設施。
AI時代真正的問題，已經不是「如何預測暢銷商品」，而是「如何製造消費者尚未想到但一旦看到就無法抗拒的商品」。這是一個比SHEIN更激進的命題，也是柳井正那句話最完整的版本。
