Mokosh — Memo inwestorskie, plan biznesowy, model finansowy

01 / Executive summaryJedna strona

Mokosh zamienia opis stylu w słowach w kompletny outfit z realnych, kupowalnych produktów i renderuje go fotorealistycznie na ciele użytkownika — w jednym zintegrowanym flow.

Rdzeniem jest dopasowanie semantyczne katalogu (Fashion-CLIP + pgvector) połączone z generacją obrazu image-to-image (Meshy / Google Vertex). To odróżnia nas od (a) rekomendacji bez wizualizacji on-body oraz (b) generatywnego try-onu, który renderuje rzecz już wybraną przez użytkownika. Nikt nie zajmuje przecięcia „promptowa stylizacja z katalogu × render całego stroju na ciele".

9–11 mld $

TAM (AI-styling + try-on, 2025) → 40–60 mld $ w 2034

39–41%

CAGR „AI in fashion" (konsensus 3 źródeł)

890 mld $

zwroty w retailu USA 2024 = 16,9% sprzedaży — problem, który rozwiązujemy

Kod

działający prototyp — trudna technologia zbudowana

Status (uczciwie): przed launchem — 4 konta testowe, katalog i użycie = 0. Wartość: ryzyko technologiczne jest w dużej mierze zdjęte (stack ML, matching, render, aplikacja mobilna, CI/CD — działają). Kapitał pre-seed idzie na dowiezienie E2E i pierwsze pilotaże B2B, nie na R&D od zera.

Ask: runda pre-seed kwota (orientacyjnie 300–700 tys. €) na ~18 mies. runway → 2–3 wdrożenia white-label z mierzalnym wpływem na konwersję i zwroty, gotowość do seed.

02 / ProblemWybór stroju to zgadywanka — a zwroty to gigantyczny koszt

Ludzie nie potrafią złożyć spójnego stroju z tego, co realnie dostępne w sklepie, ani wyobrazić sobie, jak dana rzecz wygląda na nich. Konsekwencje są policzalne:

890 mld $ wartości zwrotów w retailu USA w 2024 = 16,9% sprzedaży; zwroty online ~21% wyższe niż offline (NRF).
Odzież to najczęściej zwracana kategoria online; główne powody to złe dopasowanie i rozbieżność wyobrażenia z rzeczywistością (Statista).
71% konsumentów oczekuje personalizacji, 76% frustruje jej brak (McKinsey); porzucenia koszyka mobile ~80% (Baymard).
Zwroty to też problem środowiskowy (~24 mln ton CO₂/rok z e-commerce) — argument ESG obok ekonomicznego.

03 / RozwiązanieJeden flow: intencja → katalog → outfit na ciele

Mokosh składa trzy kroki w jedną, płynną ścieżkę:

Zrozum użytkownika — detekcja twarzy/sylwetki (MediaPipe), analiza kształtu ciała, quiz stylu.
Dopasuj z realnego katalogu — prompt → wektor; wyszukiwanie najbliższych sąsiadów Fashion-CLIP + pgvector dobiera realne produkty w każdej kategorii i buduje spójny, wielo-elementowy outfit.
Wyrenderuj na ciele — osoba + wybrane ubrania + tło → fotorealistyczny render image-to-image (Meshy domyślnie, Vertex AI zapasowo).

Architektura: asynchroniczny pipeline ML na Redis Streams + Symfony Messenger, z push przez WebSocket dla płynnego UX mobilnego (Ionic/Angular). Backend Symfony 7.3 / PHP 8.3, PostgreSQL 16 + pgvector, workery Python (PyTorch/Transformers/MediaPipe).

Trzy tryby wejścia — w tym „shop the look"

Fashion-CLIP jest multimodalny: obraz i tekst leżą w tej samej przestrzeni wektorowej, więc ten sam silnik (pgvector kNN) obsługuje trzy wejścia przy ~zerowym dodatkowym koszcie technicznym:

Opis słowami (prompt) — „elegancko na wesele w plenerze" → gotowy outfit.
Zdjęcie inspiracji („shop the look") — użytkowniczka wrzuca look z internetu / Instagrama → podobne, kupowalne produkty i wariacje na ten temat. Odpowiada masowemu, wysoko-intencyjnemu zachowaniu „gdzie to kupić?" (grupy FB, Pinterest, TikTok).
Pojedynczy element — „znajdź podobną koszulę / spodnie" → najbliższe dopasowania z katalogu.

Uczciwa granica: katalog, nie cały internetMokosh dopasowuje do zaindeksowanego / partnerskiego katalogu (feed retailera, agregat, afiliacja) — nie do całego internetu. „Znajdź dokładnie tę rzecz z dowolnego zdjęcia w całym necie" to domena Google Lens: wymaga web-scale indeksu i rodzi ryzyka IP/scrapingu (zdjęcia produktowe są objęte prawem autorskim — por. hiQ v. LinkedIn, Meta v. Bright Data). Model katalogowy to jednocześnie mniejsze ryzyko prawne i czystsza monetyzacja — i dokładnie to, co robią Google Vision Product Search, Syte i ViSenze.

Dlaczego to działaStylizacja jako operacja odzyskiwania z katalogu (embeddingi), a nie sugestia chatbota. Rekomendujemy realne, kupowalne produkty — i pokazujemy je na kliencie. Fashion-CLIP + pgvector to techniczny różnicownik, którego nie da się skopiować samym generatywnym renderem.

04 / RynekDuży rynek oprogramowania, liczony jako wydatek — nie GMV mody

Mokosh operuje na przecięciu „AI in fashion" i „virtual try-on". Rynki bazowe (wszystkie liczby ze źródeł — sekcja 11):

Rynek	Baza	Prognoza	CAGR	Źródło
AI in fashion	1,8–2,8 mld $ '24/25	40–61 mld $ '34	39–41%	Precedence · Fortune BI · Straits
Virtual try-on	9,2 mld $ '23	46,4 mld $ '30	26,4%	Grand View
Virtual fitting room	6,9 mld $ '25	30,4 mld $ '34	17,7%	Fortune BI
Gen-AI w retail	~1,1 mld $ '25	5,9 mld $ '30	~39%	The Business Research Co.
Fashion e-commerce (GMV kontekst)	~0,9 bln $ '24	>1,6 bln $ '30	~11%	Statista

TAM / SAM / SOM

Poziom	Wielkość (2025)	Definicja i metodyka
TAM	9–11 mld $	Globalny rynek oprogramowania AI-styling + virtual try-on (część wspólna try-on ~9 mld $ i AI-in-fashion ~2,2 mld $, po korekcie na nakładanie). W 2034: ~40–60 mld $.
SAM	1,5–3,3 mld $	Europejskie fashion e-commerce. Metoda A: 25–30% udział regionu × TAM. Metoda B: ~230–270 mld $ GMV mody online w EU × 0,5–1,0% take-rate na narzędzia konwersji.
SOM	2–8 mln $ ARR	Realny wycinek na 3–5 lat: 20–60 klientów retail × ACV 50–150 tys. $ (model B2B/white-label). Bottom-up i top-down (0,1–0,5% SAM) zbieżne.

Uczciwość wobec inwestoraSAM/SOM opierają się na jawnych założeniach: udział regionu (~25–30%) i take-rate (~0,5–1% GMV). Świadomie nie prezentujemy GMV mody (setki mld $) jako TAM — to typowe zawyżenie, które inwestorzy natychmiast dyskontują. Liczby konwersji/zwrotów u konkurentów są często raportowane przez dostawców — nasze potwierdzimy własnymi pilotażami.

Trendy napędzające

Gen-AI jako zmiana strukturalna — może dodać 150–275 mld $ zysku operacyjnego modzie w 3–5 lat; >35% kadry już używa gen-AI (McKinsey × BoF).
Personalizacja = przychód — +10–15% przy dobrym wykonaniu (McKinsey).
Mobile-first — ~57% e-commerce to mobile (2024).
Zwroty i sustainability — jednoczesny argument ekonomiczny i ESG.

05 / KonkurencjaCztery obozy — żaden nie zajmuje naszego przecięcia

Gracz	Co robi	Model	Skala / finansowanie
Stitch Fix	AI + ludzcy styliści, wysyłka fizyczna	B2C	1,27 mld $ przych. FY25 (−5%)
Stylitics	Outfitting/bundling dla marek	B2B	80 mln $ Series C
True Fit	Fit/sizing, agentic AI	B2B	~152 mln $ zebrane
Style DNA	Kolorystyka z selfie + chatbot	B2C	3,4 mln € pre-seed
Doji	Fotorealistyczny awatar z selfie	B2C	14 mln $ seed
Veesual	Model-swap / on-body dla retailu	B2B	7,5 mln $ seed
Botika	Generatywna fotografia produktowa	B2B	8 mln $ seed
Google / Amazon	Generatywny try-on w Search / Bedrock	Platform	big-tech

Luka rynkowa (whitespace)Prompt → semantyczny matching realnego katalogu (Fashion-CLIP + pgvector) → spójny wielo-elementowy outfit → fotorealistyczny render na ciele — jako jeden flow. Google/Amazon renderują rzecz, którą już wybrałeś; Stylitics/Style DNA rekomendują bez on-body; Veesual/Doji renderują bez promptowej stylizacji z indeksowanego katalogu.

Sygnał strategiczny: Google wygasza appkę Doppl (kwi 2026), Vue.ai i Revery skończyły distress-exitem — samodzielny konsumencki try-on jest biznesowo kruchy. Trwałe modele to B2B/platform-embedded. To uzasadnia nasz wedge B2B (sekcja 6). (Korekta faktograficzna: Revery nie został przejęty przez Google; Doppl to wewnętrzny build Google Labs.)

Visual search / „shop the look" — osobny obóz

Wyszukiwanie ze zdjęcia obsługują: B2C — Google Lens (~20 mld wyszukiwań obrazem/mies.), Pinterest Lens (~1,5 mld/mies., ~połowa to moda), Amazon StyleSnap, Snap Screenshop; B2B — Syte, ViSenze, Vue.ai, Google Vision Product Search. Ale samodzielny visual-search okazał się nietrwały: Cortexica→Zebra, Slyce→Syte, ViSenze→Rezolve, Vue.ai→M2P (distress), a Syte w postępowaniu naprawczym mimo ~71 mln $ finansowania. Przetrwali giganci chmurowi (jako API) albo wertykalne nisze (Nyris — części przemysłowe). Wniosek: wartość nie leży w silniku wyszukiwania, tylko w produkcie wokół niego. Dla Mokosh visual search to warstwa pozyskania (wiralowy wjazd), a różnicownikiem jest to, co dzieje się po dopasowaniu — pełna stylizacja + wariacje + render on-body. To różnica między „Shazamem dla ubrań" a stylistą.

06 / Model biznesowy i GTMB2B / white-label jako defensywny wedge

Podstawowy model to SaaS B2B / white-label: retailerzy i marki osadzają promptową stylizację + render on-body na swoim katalogu. B2C (własna aplikacja) pełni rolę kanału demonstracyjnego i generatora leadów, nie rdzenia przychodu — bo czysty B2C try-on okazał się kruchy.

Przychód: roczna licencja (ACV 50–150 tys. $) + opłata za użycie (per render / per MAU) pokrywająca koszt inferencji.
Wartość dla klienta: wzrost konwersji (typowo +20–40% z try-on) i redukcja zwrotów (raportowane 22–40%, do potwierdzenia pilotażem).
GTM: pierwsze 1–2 pilotaże z retailerem mid-market (najlepiej z czystym, otagowanym katalogiem) → case study z twardymi metrykami → sprzedaż powtarzalna.
Moat: jakość matchingu z katalogu (dane + embeddingi) + zintegrowany UX; render sam w sobie nie jest moatem (big-tech ma lepszy).

+20–40%

wzrost konwersji z try-on (eMarketer; DRESSX +50%)

22–40%

redukcja zwrotów (vendor-reported)

3–5×

docelowy LTV:CAC (fashion DTC)

Lejek pozyskania: visual search jako wiralowy wjazd

„Wrzuć zdjęcie inspiracji → dostań stylizację i wariacje" to darmowy, wiralowy hak B2C — z naturalną dystrybucją na Pinterest / TikTok / Instagram i w grupach „gdzie to kupić". Popyt jest policzalny: ~70% sprzedaży detalicznej jest „digitally-influenced", a odkrywanie mody u Gen Z przeniosło się na social (Instagram 30,4% / TikTok 23,2% jako główne źródło, > Google 18,8%). Sekwencja: B2C ściąga userów i dane tanio → monetyzacja przez afiliację i licencję B2B tej samej technologii — nie odwrotnie.

~20 mld/mies.

wyszukiwań obrazem w Google Lens (X 2024)

~70%

sprzedaży detalicznej „digitally-influenced" (McKinsey/BoF)

10% / 42%

US: regularnie używa / zainteresowanych visual search (eMarketer 2024)

Ocena pomysłu — werdyktTak, dodać — ale asymetrycznie. To ~darmowe rozszerzenie (Fashion-CLIP jest multimodalny), które zwiększa top-of-funnel i powierzchnię produktu, i wzmacnia główną tezę zamiast ją rozmywać. Warunki: (1) pozycjonować jako match do zaindeksowanego / partnerskiego katalogu, nie całego internetu; (2) traktować visual search jako warstwę pozyskania, a nie moat (moatem jest flow: match → stylizacja → render on-body); (3) monetyzować przez afiliację + B2B. Ryzyka: jakość dopasowania na „brudnych" zdjęciach (potrzebna detekcja/segmentacja ubrania), pokrycie katalogu (wartość = jego rozmiar), legal (input transient — nie przechowywać/redystrybuować obrazów).

07 / SWOTMocne i słabe strony, szanse, zagrożenia

Mocne strony

Zbudowany, nietrywialny stack — matching + render + pipeline async działają.
Unikalne przecięcie — katalogowa stylizacja + on-body render w jednym flow.
Ryzyko techniczne zdjęte — rzadkie na pre-seed.
Elastyczność providera — Meshy/Vertex przełączalne.

Słabe strony

Zero trakcji — brak katalogu, użytkowników, przychodu.
Brak zweryfikowanego E2E — flow wizualizacji do potwierdzenia.
Mock w rdzeniu rekomendacji — do zastąpienia realną logiką.
Koszt inferencji obciąża ekonomikę jednostkową.
Zespół/GTM — do wykazania inwestorowi (uzupełnij).

Szanse

Rynek 39–41% CAGR — gen-AI w modzie w fazie inflekcji.
Presja na zwroty — twardy, policzalny ból do rozwiązania.
Whitespace B2B — brak gracza na dokładnym przecięciu.
Wiralowy wjazd — „shop the look" ze zdjęcia jako tani top-of-funnel (Pinterest/TikTok/IG).
Wycofania konkurentów (Doppl, Zalon) otwierają miejsce.

Zagrożenia

Big-tech — Google/Amazon jako feature horyzontalny.
Kruchość B2C — dowód: Doppl, Vue.ai, Revery.
RODO / AI Act — przetwarzanie biometrii w EU.
Zależność od jakości katalogów partnerów.
Okno czasowe — jeśli platformy dodadzą promptową stylizację.

08 / Model finansowyProjekcja 5-letnia (scenariusz bazowy)

Założenia ilustracyjnePoniższe liczby to model z jawnymi założeniami do podmiany na Wasze realne dane, a nie prognoza oparta na historii (jej nie ma). Model B2B/white-label, waluta orientacyjnie USD. Kluczowe założenia: ACV rośnie 30→95 tys. $ wraz z dojrzałością produktu; marża brutto rośnie z 60% do 78% (spadający udział kosztu inferencji); churn logo ~10%/rok od Y3.

Pozycja	Rok 1	Rok 2	Rok 3	Rok 4	Rok 5
Klienci B2B (koniec roku)	2	6	14	26	42
Śr. ACV (tys. $)	30	60	75	85	95
ARR (tys. $)	60	360	1 050	2 210	3 990
Przychód rozpoznany (tys. $)	30	210	705	1 630	3 100
Marża brutto	60%	66%	70%	74%	78%
Zysk brutto (tys. $)	18	139	494	1 206	2 418
Koszty operacyjne (tys. $)	280	520	900	1 450	2 100
Wynik operacyjny (tys. $)	−262	−381	−406	−244	+318

Odczyt: ścieżka do ~4 mln $ ARR w Roku 5 (środek przedziału SOM 2–8 mln $), z przejściem na dodatni wynik operacyjny ~Rok 5. Skumulowana strata Lat 1–4 (~1,3 mln $) wyznacza łączne zapotrzebowanie kapitałowe pre-seed → seed. Wrażliwe na: tempo pozyskania klientów, ACV i koszt inferencji na render.

Benchmarki do kalibracji

Konwersja fashion e-commerce: ~2,9–3,3% (duży rozrzut); AOV ~196 $ (luksus ~304 $).
CAC apparel: 45–90 $ blended (luksus 120–400+); zdrowy LTV:CAC 3–5×; marża brutto apparel 50–70%.
ARPU narzędzi VTO jest słabo udokumentowane — pricing branży to zwykle „custom quote"; to ryzyko modelowania (patrz sekcja 10).

09 / AskRunda pre-seed i przeznaczenie środków

kwota

pozyskujemy (orient. 300–700 tys. €)

~18 mies.

runway do gotowości na seed

2–3

pilotaże B2B z mierzalnym wpływem

Obszar	Udział	Cel
Produkt & ML (dowóz E2E)	40%	weryfikacja wizualizacji, realny katalog + embeddingi, zastąpienie mocków
Partnerstwa katalogowe & pilotaże	25%	1–2 retailerów, integracja white-label, pomiar metryk
GTM / sprzedaż B2B	20%	pierwsze wdrożenia, case studies, pipeline
Infrastruktura & koszt inferencji	15%	hardening kosztu renderu, obserwowalność, secrets management

Podział ilustracyjny — dostosujcie do realnej kwoty.

10 / RyzykaGłówne ryzyka i mitygacje

Ryzyko	Mitygacja
Presja big-techu (Google/Amazon render horyzontalny)	Moat = inteligencja stylizacyjna + katalog + UX, nie sam render; szybkie wejście B2B.
Kruchość B2C (Doppl, Vue.ai, Revery)	Rdzeń przychodu w B2B/white-label; B2C jako demo/lead.
Koszt inferencji obciąża marżę	Opłata per-render przenosi koszt na klienta; optymalizacja providerów.
Jakość katalogów partnerów	Onboarding z wymaganiami danych; wsparcie tagowania/embeddingów.
RODO / AI Act / biometria (EU)	Privacy-by-design, minimalizacja danych, zgody, DPIA od startu.
Brak benchmarków ARPU — ryzyko forecastu	Walidacja pricingu w pilotażach; model z jawnymi założeniami.
Okno czasowe — platformy mogą dodać stylizację	Szybkie zbudowanie referencji i danych katalogowych jako bariery.

11 / ŹródłaReferencje danych rynkowych

Rynek / gen-AI: Precedence — AI in Fashion · Fortune BI — AI in Fashion · Straits — AI in Fashion · Grand View — Virtual Try-On · Fortune BI — Virtual Fitting Room · TBRC — Gen-AI in Retail · Statista — Fashion e-commerce

Trendy: McKinsey × BoF — Generative AI in fashion · McKinsey — Personalization · NRF — Returns $890B · Statista — Returns by category · DemandSage — Mobile commerce

Konkurencja: Stitch Fix FY25 · Stylitics $80M · Doji $14M · Veesual $7.5M · Botika $8M · Style DNA · Google Doppl · Amazon Nova VTO

Benchmarki: DRESSX — try-on conversion · eMarketer — VTO · Foundry CRO — DTC benchmarks · Statsig — SaaS ARPU

Visual search / shop-the-look: Google — Lens ~20 mld/mies. · Pinterest Lens ~1,5 mld/mies. · eMarketer — adopcja visual search · eMarketer — Gen Z discovery IG/TikTok · Google Vision Product Search (model katalogowy) · Syte — postępowanie naprawcze · ViSenze Series C · Fashion-CLIP · hiQ v. LinkedIn (scraping/IP)

MOKOSH · MEMO INWESTORSKIE · pre-seed · lipiec 2026 · dokument poufny
Dane rynkowe ze źródeł zewnętrznych (sekcja 11); część metryk konwersji/zwrotów jest vendor-reported i wymaga potwierdzenia własnymi pilotażami. Model finansowy i TAM/SAM/SOM zawierają jawne założenia i mają charakter szacunkowy. Pola ◆ wymagają uzupełnienia przez zespół. Nie stanowi oferty inwestycyjnej.

Mokosh — warstwa stylizacji AI dla handlu modą

01 / Executive summaryJedna strona

02 / ProblemWybór stroju to zgadywanka — a zwroty to gigantyczny koszt

03 / RozwiązanieJeden flow: intencja → katalog → outfit na ciele

Trzy tryby wejścia — w tym „shop the look"

04 / RynekDuży rynek oprogramowania, liczony jako wydatek — nie GMV mody

TAM / SAM / SOM

Trendy napędzające

05 / KonkurencjaCztery obozy — żaden nie zajmuje naszego przecięcia

Visual search / „shop the look" — osobny obóz

06 / Model biznesowy i GTMB2B / white-label jako defensywny wedge

Lejek pozyskania: visual search jako wiralowy wjazd

07 / SWOTMocne i słabe strony, szanse, zagrożenia

Mocne strony

Słabe strony

Szanse

Zagrożenia

08 / Model finansowyProjekcja 5-letnia (scenariusz bazowy)

Benchmarki do kalibracji

09 / AskRunda pre-seed i przeznaczenie środków

10 / RyzykaGłówne ryzyka i mitygacje

11 / ŹródłaReferencje danych rynkowych