2025最新：オフィスファッション×AI—5事例と実践ツール比較

要約と市場背景：オフィスファッションにおけるAIの現状

• 消費者向け／パーソナル向けAIスタイリングの代表例として、Fits・Aiuta・Acloset・Style DNA・GRWMといったサービスが挙げられます。それぞれワードローブ管理、天候やイベントに基づくコーデ提案、バーチャル試着、セルフィー解析によるパーソナルカラー提案などの機能を持ち、オフィス向け用途に転用できる可能性があります（各ツールの機能要約）3。
• 一方で、ファッション全体では生成AIや画像認識、トレンド予測、仮想モデル、ビジュアルマーチャンダイジングなど、多様なAI応用が急速に拡大しています。Maison AI、The New Black、Resleeve、Adobe Firefly、APEXFizなどのツールがデザイン領域を変えつつあり、実際にAIデザインがショーや商品化に結びつく事例も増えています
  shimaseiki.com
  、
  shimaseiki.com
  。
• 市場規模と経営層の注力度も高まっており、調査では2024年時点でファッション関係者の多くが生成AIを優先課題として認識している一方、実運用は追いついていないというギャップが指摘されています。さらに、AIを用いた需給予測・在庫削減・パーソナライゼーションの導入は、収益や返品率低下といった定量的な成果につながっている事例が存在します（例：Stitch Fix 等）
  aimultiple.com
  、
  smartdev.com
  。

• 「専用化されていない」ことの解釈：現状は汎用AIスタイリングが主体で、オフィス特有の”職種別ドレスコード”や”企業ポリシー連携”といった要件は標準機能に乏しいと考えられます。言い換えると、企業ニーズに最適化されたソリューションはまだ成長途上であり、ここにビジネス機会が存在すると示唆しています3。
• 実務的には「既存ツールの組み合わせ」でかなりの価値が出せると考えられます。たとえばワードローブ登録＋ルール（例：役職別の推奨カラーパレットやNGアイテム）を与えるだけで、FitsやAclosetの提案をオフィス適合に寄せられます3。
• 将来的展望としては、企業のドレスコード・安全規格（例：高視認性作業着の検査）・身体計測データをAIモデルに学習させることで、より厳密に業務用途向けにカスタマイズされたソリューションが登場すると考えられます。実際、作業着の検査やボディスキャン測定でAIを使う事例は既に存在します
  naumd.com
  。

1. ニーズ定義：自社（または個人）が解決したい「オフィスファッション」の課題を明確化する（例：会議で与える印象の統一、従業員のサイズ不一致の解消、役職別の服装ガイドライン）。これにより採用すべきAI機能が定まります（トレンド予測／仮想試着／ワードローブ管理など）
   aimultiple.com
   。
2. 既存ツールのプロトタイピング：ワードローブ管理やバーチャル試着機能を持つFits・Acloset・Aiuta等を用い、オフィス向けルール（色・アイテム許容リスト）を手動で与えてA/Bテストする。短期でROIを確認しやすい手法です3。
3. エンタープライズ要素の検討：従業員の身体データ取得（ボディスキャン）、ドレスコードの機械判定、DEIチェックなどの高度機能は段階的に導入する。既存の業務服向けAI事例を参考に、安全基準や測定自動化は外部パートナーと進めると効率的です
   naumd.com
   。
4. データとガバナンス：パーソナルデータ（顔写真、体型データ、職務情報）を扱うため、プライバシー・同意・保存方針を明確化しつつパイロットを運用する必要があります。多くの導入失敗例はデータ整備不足や組織内の連携欠如に起因するため、早期にデータ基盤とKPI（例：コーデ提案受諾率、出張時の服装不適合件数の減少）を設定することが推奨されます
   smartdev.com
   。
5. スケーリングとROI追跡：パイロット成功後はトレンド予測ツール（Heuritechなど）やビジュアルMD（vue.ai 等）と連携して、購買や在庫最適化、制服サプライの意思決定に結びつけると継続的なコスト削減・満足度向上が期待できます
   shimaseiki.com
   、
   aimultiple.com
   。

• オフィスファッション領域は現時点で「既存のAI機能をどう組み合わせるか」が勝負の分かれ目であり、企業独自のルール（職位・職種・会議のTPOなど）を明確にモデルに組み込めば短期間で業務貢献が見込めます3。
• 中長期的には「職務別・企業ポリシー対応」のAIモデルや、作業着の安全性チェック・ボディフィット最適化のようなB2Bソリューションが台頭すると考えられます。関連技術（生成AI、コンピュータビジョン、ボディスキャン）は既に商用化段階にあるため、業務ニーズを定義して先行投資を始める企業が競争優位を築く可能性が高いです
  shimaseiki.com
  、
  naumd.com
  。

• 自社のドレスコードをAI化するための要件定義テンプレート作成
• 上記ツール群（Fits/Aiuta/Acloset 等）での短期プロトタイプ設計とKPI案の提示
• オフィス特化型ソリューションの市場調査（ベンダー探索・RFP候補リスト作成）

主要ユースケース別の価値（デザイン／スタイリング／バーチャル試着／生産・ユニフォーム）

デザイン：発想→試作のスピードと検証力を高める価値

スタイリング／ワードローブ管理：個人化で日常の「選ぶコスト」を低減する価値

バーチャル試着：返品削減と購買決定の信頼性向上という直接的価値

（AI生成モデルやバーチャルインフルエンサーの活用例がマーケティング面でも成果を上げている事実

aimultiple.com

）

生産ライン・ユニフォーム開発：効率化と持続可能性の同時実現

（Ralph LaurenのAsk Ralphはパーソナライズ提案の実用例https://corporate.ralphlauren.com/pr_250909_AskRalph.html）

横断的インサイトと実務ロードマップ（短め）

• 戦略的優先順位：まず「顧客／従業員体験の改善（スタイリング・バーチャル試着）」→次に「デザイン効率化」→最後に「生産・ユニフォーム最適化」で段階的展開するとROIを早期に確認しやすいと考えられます
  smartdev.com
  。
• データとガバナンス：個人データ（体型・写真）を扱うためプライバシーと透明性は必須。ツール選定時はデータ保持ポリシーと説明責任（why/howの説明）を確認してください
  glance.com
  。
• 測定指標：コンバージョン、返品率、デザイン→サンプルのTTR、従業員満足度、サプライチェーンの在庫回転、素材廃棄量などを定量KPIにすることが実務的です
  smartdev.com
  。

導入フロー（簡易モデル）

代表ツールと企業事例の比較（Designovel／Mercer／Stylista／Fitsほか）

要旨（結論先出し）

• AIは「デザインの迅速化（コンセプト→レンダリング）」「パーソナライズされたスタイリング」「サプライチェーン・生産効率化」の3領域でオフィスファッションにも実用的な価値を提供すると考えられます。具体的には、DesignovelやMercerがデザイン生成〜プロダクション統合を支援し、Stylista／Fits／yesplz.aiが個人向けのスタイリング・デジタルクローゼットやEC体験を強化します
  designovel.com
  mercer.design
  stylista.ai
  fits-app.com
  yesplz.ai
  。

比較表（概要）

各社・ツールの詳細と示唆（事実→考察の流れ）

1. DESIGNOVEL — 事実

• DESIGNOVELはトレンド予測、生成AI、3D深層学習等を掲げ、AIを用いたブランド（例：Dali hotel）でオフィスルックを展開しています
  designovel.com
  designovel.com
  。 考察・示唆：
• デザイン領域でのAI活用が「ブランドの新商品企画→短期リリース」に直結する事例であり、オフィスファッションにおいても「市場トレンドを取り入れたデザインの高速反復」が可能と考えられます。言い換えると、企業の制服やオフィスコレクション設計において、試作回数を減らし消費者嗜好に即した提案を早く出せる利点があります。

2. Mercer — 事実

• Mercerはテキスト→画像、Sketch-to-Image、AI Influences（ブランド固有モデルの訓練）などの機能を提供し、Enterpriseでは生産・製造ネットワーク連携も行います
  mercer.design
  mercer.design
  。また、ユーザーのデザイン所有権とデータ非利用（基盤モデル訓練に使用しない）を明示しています
  mercer.design
  。 考察・示唆：
• 企業が「社内デザインチーム＋外部生産」をAIでつなぎたい場合、Mercerのエンタープライズモデルは有力です。特に制服やオフィスユニフォームの大量生産で、仕様書作成や生産パートナーとのコミュニケーションコスト削減に効きます。ただし公式でオフィスウェア特化の公開事例はないため、導入時はPoCで具体的な機能検証が必要と考えられます4。

3. Stylista — 事実

• Stylistaは個人向けAIスタイリング（アウトフィット提案、デジタルクローゼット、ウィッシュリスト等）を提供していますが、公式ではオフィスに特化した導入事例や企業向けソリューションの明示は確認できませんでした
  stylista.ai
  19。 考察・示唆：
• 個人ワーカーの「毎朝の服選び」や「出社時の場面別コーディネート」支援に直結するため、企業の福利厚生（社員割引＋スタイリング支援）やHRの「ドレスコード運用支援（注意喚起や推奨スタイル表示）」としての応用が期待できます。現状はB2C色が強いので、企業導入（B2B）を想定する場合はAPI連携や企業向けカスタマイズ可否を問い合わせる必要があります
  stylista.ai
  19。

4. Fits と yesplz.ai 等（事実）

• Fitsはデジタルクローゼット＋リアルなバーチャル試着、ワードローブインサイトを備え、日常シーン別提案が得意です
  fits-app.com
  。
• yesplz.aiはEC向けで「AI Stylist」「Virtual Mannequin Filter」「Trend Agent」等を提供し、パーソナライズでコンバージョン向上を目指すと謳っています（導入で転換率最大3倍の改善試算を提示）
  yesplz.ai
  。 考察・示唆：
• 小売り・EC側から見ると、パーソナライズとバーチャルトライオンはオフィスファッションのオンライン販売を伸ばす重要施策です。企業が社員向けに「着こなし提案」を行うECや福利厚生ストアを作る際に、これらを組み込めば購入率と満足度が上がると考えられます
  yesplz.ai
  。

5. 製造・サンプリング領域（事実）

• APEXFiz（島精機）はバーチャルサンプリングや生産連携で企画→生産の効率化をうたっています
  shimaseiki.com
  。 考察・示唆：
• オフィスファッションで重要な「耐久性」「機能性（ストレッチ、通気、シワ回復）」などは最終製品の試作・評価で担保される必要があります。デザイン生成AIとバーチャルサンプルを組み合わせ、実物試作回数を減らすことでコスト削減とリードタイム短縮が可能と考えられますが、物性検証は必須です。

実務的な導入ロードマップ（推奨）

1. 目的を明確化する（例：社内制服の刷新／社員向けスタイリング提供／ECでのオフィス服販売強化）。
2. 小スコープでPoCを行う
   • デザイン側PoC：MercerまたはStyleAI/Designovelで「短期のデザイン生成→社内レビュー」を実施し、デザイン承認フローを確認
     mercer.design
     styleai.io
     designovel.com
     。
   • UX側PoC：StylistaやFitsの導入（またはAPI連携）で社員が使えるデジタルクローゼット／バーチャルトライオンを試験展開
     stylista.ai
     fits-app.com
     。
3. KPI設定：デザイン→製造のリードタイム短縮（週／日単位）、ECのCVR向上（%）、返品率低下（%）などを追う（EC向けパーソナライズはCVR向上の事例あり）
   yesplz.ai
   。
4. データ・権利とガバナンスの整備：デザイン所有権や顧客データの扱いはプロバイダごとに方針が異なるため（例：Mercerはユーザーがデザイン所有を明記）必ず契約で明確化する
   mercer.design
   。

リスクと留意点

• AI生成デザインは「見た目」や「トレンド適合」を短時間で出せる一方、素材・機能性（耐久性・快適性）評価が別工程になる点に注意。バーチャルでOKでも実素材での評価は必須と考えられます（APEXFiz等で部分的に補完可能）
  shimaseiki.com
  。
• パーソナライズ系サービス（Stylista/Fits/yesplz）では個人データを扱うため、社内での利用にあたってはプライバシー・同意管理を整備する必要があります
  stylista.ai
  fits-app.com
  。
• 期待値管理：AIは補助であり「完全自動で最適な服が出る」わけではなく、ヒューマンによるクリエイティブ判断やフィッティング評価を残すハイブリッド運用が現実的です（業界の実績例としてStitch Fix等のハイブリッドモデルが示す効果あり）
  smartdev.com
  。

実用的な短期アクション（すぐできること）

1. デザインチーム：Mercerのトライアルで「ブランドInfluences」を学習させ、小ロットのオフィスライン設計を試す
   mercer.design
   。
2. 人事／福利厚生：StylistaやFitsの法人向け利用可能性を問い合わせ、社員向けスタイリング支援を1部署で試行
   stylista.ai
   fits-app.com
   。
3. EC担当：yesplz.ai等のパーソナライズを導入してオフィス服カテゴリのCVR改善PoCを実行
   yesplz.ai
   。
4. 製造調整：APEXFizなどでバーチャルサンプル→実作成までの最短経路を設計し、試作回数とコスト削減を定量化する
   shimaseiki.com
   。

まとめと今後の示唆

• DESIGNOVEL（AI技術・サービス概要、Dali hotel事例）
  designovel.com
  designovel.com
• Mercer（Features / Production / FAQ）
  mercer.design
  mercer.design
  mercer.design
• Stylista（公式：機能紹介）
  stylista.ai
  ／サイト内検証レポート（オフィス特化記述の不在）19
• Fits（AIスタイリストレビュー・機能）
  fits-app.com
• yesplz.ai（EC向けパーソナライズ機能）
  yesplz.ai
• StyleAI（デザイン支援機能）
  styleai.io
• Maison AI（AIエージェント／生成ハブ）
  maisonai.io
• APEXFiz（島精機：デザイン〜バーチャルサンプリング）
  shimaseiki.com
• 業界的なAIユースケースとROIの例（補助資料）
  smartdev.com

導入手順と実務チェックリスト（データ準備・カスタマイズ・運用コスト）

1. 準備フェーズ：目的定義とデータ設計

• やること：解決したい課題（例：社員向けコーデ提案、自社ユニフォームのデザイン最適化、返品削減のためのサイズ推定）を明確化し、評価指標（転換率、返品率、デザイン検討時間の短縮など）を決める。
  理由：KPIを固定するとパイロット結果が測定可能になり、ROI評価がしやすくなります（ROI指標と測定の重要性は業界調査でも指摘されています）
  smartdev.com
  。
• 必要なデータ種類（例）：商品画像（多角度）、素材スペック、サイズ表、着用者の身長/体型データ（匿名化）、販売・返品履歴、社内ドレスコード/職務別要件、トレンドデータ（SNS・検索）など。
  注：3Dデータ（ボディスキャンや3Dプロトタイプ）があると、より精度の高いフィット判定や動作検証が可能です（3D深層学習の活用事例）
  designovel.com
  。
• データ品質ルール：ラベル基準、画像解像度最低値、匿名化と同意管理、バージョン管理。データガバナンスは導入失敗の回避に必須です
  smartdev.com
  。

2. 小さなパイロット（PoC）の設計：ツール／モデル選定と検証設計

• ツール選びの観点：
  • ブランド一貫性を反映させたいなら、過去コレクションを学習させる仕組み（例：ブランド固有の参考画像でモデルを調整する機能）があるプラットフォームが有効です（MercerのAI Influencesのような概念）
    mercer.design
    。
  • 企画段階のビジュアル生成にはText‑to‑Imageや生成AIが有益で、迅速なコンセプト検討ができます（MercerのAI Designerの機能群が該当）
    mercer.design
    。
  • パーソナルスタイリング／社内着回し提案のUIは、消費者向けAIスタイリスト（Fits等）の仕組みが参考になります（ワードローブ管理や仮想試着など）
    fits-app.com
    。
• PoC設計の例：100アイテム・社員100名分の匿名化ワードローブデータで「朝の1分コーデ提案」をA/Bテスト。3ヶ月運用で満足度・着用頻度・返品率の変化を測る。
• 評価指標（例）：ユーザー満足度、採用率（提示コーデの実際着用率）、返品率の変化、デザイン決定プロセスの工数削減。ROI測定の方法は業界ガイドに整理されています
  smartdev.com
  。

3. カスタマイズ（モデル／ルール調整）

• ブランド整合性：過去のコレクションや社内ルール（カラー、シルエット、許容されるロゴ、季節毎の仕様）をAIに学習させ、出力にフィルタをかける。Mercerの「過去コレクションをアップロードして学習に使う」方式が実務的です
  mercer.design
  。
• 機能性・安全性要件：ワークウェアやユニフォームでは耐久性・安全規格が必須です。AIでデザイン生成する際も、最終的に素材・縫製スペックが基準を満たすかをヒューマンチェックに組み込みます（産業界事例ではAIで設計支援しつつ、規格検査は専門機関で実施する流れが採られています）
  naumd.com
  。
• 3D活用：動作確認やフィット感評価には3D深層学習を組み込むと実務で有益です（Designovelの技術紹介）
  designovel.com
  。

4. 本番運用設計：運用コストと体制

• コスト要素（チェックリスト形式）：
  • ソフトウェアライセンス／SaaS利用料（例：デザイン生成・スタイリングUI）—プランによる差（Mercerのプラン例を参照）
    mercer.design
    。
  • 計算資源（クラウドGPU/推論コスト）—生成AIや3D推論はコストが高くなるため推論頻度の設計で調整。
  • データ作成・ラベリング（画像撮影、測定データ取りまとめ、匿名化）—社内工数あるいは外注費。
  • カスタマイズ開発（ブランドフィルタ、UI統合、ERP/PLM連携）—開発工数。
  • 維持（モデル再学習、データパイプライン監視、ユーザーサポート、法務/コンプライアンス）—運用人員コスト。
    目安：小規模PoC→月数万円〜数十万円、企業展開（全社）→初期数百万円〜、ランニングで月数十万〜数百万円（構成による）。あくまで目安として試算してください。
• 体制：プロジェクトリード（PM）、データエンジニア、AIエンジニア、デザイナー（クリエイティブ責任者）、法務/個人情報管理担当、現場オペレーション担当を明確に。

5. 運用チェックと改善ループ（実務チェックリスト）

• 日常運用（毎日）：
  • モデル推論ログの監視（エラー率、応答遅延）。
  • ユーザーからのフィードバック収集チャネルの確認（アプリ内評価、ヘルプデスク）。
• 週次～月次：
  • 出力品質のサンプル検査（ブランドガイドライン逸脱のチェック）。
  • KPIレビュー（採用率、満足度、返品率）。
  • モデル再学習候補データのキュレーション。
• 四半期ごと：
  • ビジネス価値（ROI）レビュー、スケール判断、コスト最適化。
  • データガバナンス監査（同意、匿名化、保存期限）。
    これらの運用ルーチンは、AI導入の成功例・失敗要因分析で共通して推奨されています（データ準備とガバナンスが鍵）
    smartdev.com
    。

6. リスク管理と倫理・法務

• プライバシー：従業員の身体データや写真を扱う場合は明確な同意と保存ポリシーを。匿名化や最小限データ原則を順守。
• バイアスと多様性：モデルが特定体型／民族に偏らないよう多様なデータで学習させる。AIの表現が職場で差別を招かないかチェック。業界でもDEIチェックをAIに組み込む動きが出ています
  aimultiple.com
  。
• 知財：生成デザインの権利帰属ルールを明確化（社内規則／ベンダー契約）。

• まずは「人が最終判断する」フローでAIを導入し、信頼ができた段階で自動化レベルを上げるのが安全です（ハイブリッド運用の推奨）
  smartdev.com
  。
• ブランド一貫性を担保したいなら“ブランド参照データで学習する”機能を重視する（MercerのAI Influencesの考え方）
  mercer.design
  。
• 個人向けのワードローブ提案や仮想試着は、既存のコンシューマ向けAIスタイリスト事例（Fits等）を参考にUX設計すると導入障壁が下がります
  fits-app.com
  。

参考画像（概念図）

• Designovel（AI概要、3D深層学習・ブランド事例の記述）
  designovel.com
• Mercer（AI Influences / AI Designer の機能紹介・プラン情報）
  mercer.design
  /
  mercer.design
• Fits 記事（主要AIスタイリングアプリの機能比較：Fits, Aiuta, Acloset, Style DNA, GRWM）
  fits-app.com
• 実務導入指針・ROI/ガバナンスについての業界解説（導入手順・指標・落とし穴）
  smartdev.com
• ユニフォーム／ワークウェアに関するAI実装事例（安全性・フィット測定の応用）
  naumd.com

実行に向けた推奨アクションと今後の注目トレンド

1. 最初に着手すべき「クイックウィン」

• 社内で時間節約や一貫したビジネス印象の確保が目的なら、AIスタイリング／アウトフィットプランナーのパイロット導入が有効です。Glance AIのように既存ワードローブをスキャンしてシーン別コーデを生成するツールは、日常の着替え時間短縮と統一感向上に直結します（機能例・効果はGlanceの解説参照）
  glance.com
  。
• バーチャル試着を導入すれば、社内向けユニフォームや福利厚生での購入時の返品削減・満足度向上が期待できます。バーチャル／AR試着の技術はオンライン購買の信頼性を高めると報告されています
  medium.com
  thisshirtexists.com
  。

2. 実行ロードマップ（0–36ヶ月・優先順）

• 0–3ヶ月（準備）: 目的設計（「時間削減」「ブランド一貫性」「購買体験改善」など）とデータ棚卸し（社員のサイズレンジ、社内行事リスト、ワードローブ写真）を実施。データ品質がAI導入の成否を左右します
  workoutloud.com
  。
• 3–9ヶ月（パイロット）: AIスタイリング（例：Glance AI）を少人数で試行、並行してバーチャル試着モジュールをECや福利厚生ポータルに統合してKPIを計測（下記参照）
  glance.com
  medium.com
  。
• 9–18ヶ月（拡張）: 成果のあった機能を社内導入に拡大。オンデマンド製造やマイクロファクトリーと組み合わせれば、管理職用のカプセルワードローブ等のカスタム展開も可能です（オンデマンド製造は廃棄削減に寄与）
  thisshirtexists.com
  workoutloud.com
  。
• 18–36ヶ月（高度化）: ウェアラブルやスマートテキスタイル、ARグラスとの連携検討。MWC等の事例では、職場体験としてのウェアラブル統合が進んでいます
  lamodachannel.eu
  。

3. 推奨ツール・事例（比較）

• Glance AI: ワードローブスキャンとAIアウトフィット提案で日常・ビジネスルックの自動化に強み
  glance.com
  。
• Maison AI / The New Black: 企業向けデザイン生成や社内コレクションの速習作成に有効。デザインチームのアイデア出しを迅速化します（ツール例・一覧は業界まとめ参照）
  shimaseiki.com
  unite.ai
  。
• バーチャル試着（AR/VR）: オフィスユニフォームや福利厚生ECに導入することで返品率低減と購買率向上が期待される技術です
  medium.com
  thisshirtexists.com
  。

4. 成果測定（KPIとベンチマーク）

• 時間効率：従業員の「服装決定にかかる平均時間」の短縮（パイロット前後で比較）。
• 購買/福利厚生効果：導入後の購入率、返品率（バーチャル試着での返品削減は業界で報告あり）
  medium.com
  。
• ブランド一貫性：部署・役職ごとの見た目満足度（サーベイ）と外部評価。
• コスト効果：在庫回転、過剰発注削減（ERP連携で効果測定可能）
  workoutloud.com
  。

5. リスク管理とガバナンス

• データプライバシーと身体情報の取り扱いは最大の注意点です。ボディスキャン／フィッティング系では匿名化と明確な同意が必須です
  thisshirtexists.com
  medium.com
  。
• アルゴリズムバイアス対策：多様なサンプルで学習させ、ヒューマン・イン・ザ・ループ（人間の最終チェック）を維持することが望まれます
  aimultiple.com
  。
• 導入失敗を防ぐには「明確な目標設定」「小さな範囲での反復的な試行」「社内トレーニング」が鍵です（業界の導入失敗例と回避策の指摘あり）
  smartdev.com
  。

6. 今後注目すべきトレンド（オフィスファッションに特に影響）

• AR/VRの超実在化：会議や採用シーンでのバーチャルルック提示や、リモートワーク時の「プロフェッショナル見せ方」支援が広がると予測されます
  medium.com
  lefashionpost.com
  。
• ウェアラブル／スマートテキスタイルの業務活用：健康・エルゴノミクス情報とスタイリングが融合し、従業員の快適性と生産性に寄与する可能性があります（MWC事例）
  lamodachannel.eu
  。
• オンデマンド生産とサステナビリティ：必要な分だけを作る仕組みが企業ユニフォームや役職別ワードローブ運用でコスト低減と廃棄削減を実現します
  thisshirtexists.com
  workoutloud.com
  。
• デジタルファッション／アバター衣装の活用：社内イベントやメタバースでの企業表現手段として活用が進むと考えられます
  thisshirtexists.com
  。