La desechabilidad de la ropa ha surgido como una preocupación crítica, precipitando la acumulación de residuos debido a la degradación de la calidad del producto. Tales consecuencias ejercen una presión significativa sobre los recursos y desafían los esfuerzos de sostenibilidad. En respuesta, esta investigación se enfoca en capacitar a las empresas de ropa para elevar la excelencia del producto aprovechando la retroalimentación del consumidor. Más allá de las percepciones, esta investigación se extiende a la sostenibilidad al proporcionar sugerencias sobre cómo refinar la calidad del producto mediante la mejora del manejo de materiales, mitigando gradualmente la producción de residuos y cultivando la longevidad, disminuyendo así la ropa desechada. Gestionar una gran afluencia de críticas diversas requiere técnicas sofisticadas de procesamiento de lenguaje natural (NLP). Nuestro estudio introduce un enfoque de preentrenamiento BERT optimizado robustamente (RoBERTa) calibrado para clasificación multietiqueta y BERTopic para modelado de temas. El modelo destila hábilmente temas vitales de las críticas de los consumidores, exhibiendo una precisión asombrosa al proyectar preocupaciones en diversas dimensiones de la calidad de la ropa. El potencial de NLP radica en dotar a las empresas de percepciones sobre las críticas de los consumidores, potenciado por el BERTopic para facilitar la exploración inmersiva de los temas de crítica recolectados. Esta investigación presenta un caso exhaustivo para integrar el aprendizaje automático para fomentar la sostenibilidad y la reducción de residuos. La contribución de esta investigación es notable por su integración de RoBERTa y BERTopic en tareas de clasificación multietiqueta y modelado de temas en la industria de la moda. Los resultados indican que el modelo RoBERTa exhibe un rendimiento notable, como lo demuestra su puntuación F1 macro promediada de 0,87 y la puntuación F1 micro promediada de 0,87. De igual manera, BERTopic logra una puntuación de coherencia de 0,67, lo que significa que el modelo puede formar un tema perspicaz.