ChatGPT 把试衣间搬进对话框：12 亿周活用户和一个 "Try on" 按钮

— 一台像试衣镜的手机，正把一件外套套到蜡笔人身上（概念图） —

"

试衣间是零售最昂贵的空间，而 ChatGPT 将其压缩为一个 "Try on" 按钮。拥有 12 亿周活用户的平台，正在重塑消费者对「合不合身」的认知。

10 月初，OpenAI 在 ChatGPT 购物结果页新增 "Try on" 功能。用户上传自拍或全身照，即可生成穿着指定商品的效果图；甚至支持上传外部商品截图进行虚拟试穿。该功能基于 Images 2.5 模型，在自然光照、细节锐度及材质真实感上均有显著提升。同步上线的 Favorites 功能支持将商品存入收藏夹，目前已在移动端和网页端全球可用。

官方提示，生成图像可能与实物存在差异，且不保证尺码绝对合身，建议下单前自行核对尺寸及退货政策。参考照片将被保存用于后续试穿，用户可随时修改或删除。

相较于技术效果，更值得关注的是其用户规模。OpenAI 数据显示，ChatGPT 周活用户已达 12 亿。原本局限于实体商场的试衣行为，如今被嵌入一个日均流量巨大的对话框中，其潜在影响力远超传统零售场景。

本文看点

线下门店中，试衣间意味着固定的面积、装修及运维成本。而在电商时代，试衣成本转化为高昂的退货率。据美国零售联合会（NRF数据，2024 年全美零售退货总额约 8900 亿美元，整体退货率 16.9%；其中电商渠道退货率高达 19.3%。

虚拟试衣旨在通过前置视觉体验，减少因“图片不符”导致的退货。OpenAI 此举将试衣功能从商家自建工具迁移至通用对话入口，降低了用户使用门槛。对商家而言，这不仅节省了开发专用工具的成本，更借助平台巨大流量提升了曝光与潜在转化。

Google 早在 2025 年 12 月便于英国上线虚拟试衣功能，覆盖数十亿件商品，随后扩展至美国市场，并深入搜索和图片板块，整合了 Macy's、Nordstrom 等主流零售商资源。

竞争不仅限于前端体验，更延伸至底层协议。2025 年 9 月，ChatGPT 推出 Instant Checkout并与 Etsy、Shopify 合作实现站内直接付款，同期联合 Stripe 发布 Agentic Commerce Protocol。2026 年 1 月，Google 发布 Universal Commerce Protocol。中国方面，阿里于 2023 年底开源了基于扩散模型的 2D 虚拟试穿框架 OutfitAnyone。

这表明，虚拟试衣仅是 AI 介入购物流程的一环。当前竞争焦点已从生成效果转向商品目录规模及行业协议的接受度。

虚拟试衣主要解决视觉层面的“合不合身”，但存在明显局限：

首先是物理质感偏差。生成图像中的面料垂坠感与挺括度可能与实物不符，这是当前生成模型的固有局限。

其次是尺码匹配难题。生成图无法准确告知用户具体尺码选择，OpenAI 明确提示需用户自行核对尺寸。

最后是冲动消费导致的退货。此类退货与视觉效果无关，而是源于预期管理失效。

在中国服饰电商市场，这一挑战更为严峻。女装线上退货率常年维持在 70%-80%，远高于美国水平。这主要归因于商品数据基础薄弱：尺码表模糊、图片展示单一、面料信息非结构化，导致 AI 模型难以发挥最大效能。

第一，强化商品数据资产化管理。高质量的多角度主图、细节图及明确的版型描述是提升试穿效果上限的关键。商品信息结构化的完善程度，直接决定 AI 应用的效果。

第二，实现尺码信息的结构化。将胸围、肩宽、衣长、版型偏差等数据转化为机器可读字段，而非营销文案，以辅助用户做出更准确的尺码判断。

第三，以退货率为核心监测指标。重点监控女装等高频退货品类的数据变化，区分“视觉不符”与“尺码不合”导致的退货，针对性优化商品数据与版型。

第四，厘清入口权属与数据流向。随着 Favorites 等功能将用户意向列表移至平台侧，商家需关注用户关系与订单数据的归属问题。在接入 Agentic Commerce Protocol 或 Universal Commerce Protocol 等标准时，应在合同中明确数据提供、订单归属及回流机制。

虚拟试衣按钮的背后，是零售入口、数据形态及考核指标的重构。对于零售商而言，当消费者开始在不可见的对话框中试穿商品时，核心问题不再是 AI 的准确度，而是自身商品数据是否具备被 AI 精准解读的能力。在拥有 12 亿周活用户的平台上，结构化、高质量的商品信息将成为最稀缺的数字货架。