Maisa Benatti, administrerende direktør i AIUTA – Intervju-serie

Maísa Benatti administrerende direktør i AIUTA er en visionær leder inden for fashion-tech og generativ AI, der i øjeblikket står i spidsen for virksomhedens mission om at revolutionere digitale modeoplevelser fra London siden december 2024. I hendes rolle som administrerende direktør fokuserer hun på at opbygge skalerbare AI-løsninger, der hjælper mærker med at producere premium-visuelt indhold, forbedre kundeoplevelser og åbne for vækstmuligheder, og hun bygger på sin dybe ekspertise inden for produkt-design, bruger-oplevelse og AI fra hendes tidligere periode som Chief Product Officer i AIUTA og senior produktleder-roller i virksomheder som FARFETCH og Amazon (AMZN ). Hendes baggrund omfatter generativ AI til personliggørelse og opdagelse, store sprogmodeller og e-handelsinnovation, og hun driver konsekvent fremover AI-anvendelser, der gør mode-shopping mere intuitivt og engagerende.

AIUTA er en modulær AI-innovationsplatform, der forvandler, hvordan mode-mærker og detailhandlere engagerer kunder online ved at integrere avancerede teknologier som virtuel prøvning, personlig styling og AI-drevet indholdsskabelse direkte i digitale butiksvinduer. Virksomhedens løsningspakke giver mulighed for immersive, interaktive shopping-oplevelser, der øger konverteringen og reducerer returneringer ved at lade forbrugerne visualisere tøj på sig selv i realtid, samtidig med at mærkerne får mulighed for at skala studio-kvalitets-visuelt indhold og outfit-anbefalinger med proprietære AI-modeller, der håndterer realistisk rendering, krop-bevarende virtuelle pasform og ubrudt katalog-integration.

Din karriere begyndte inden for mode-design og trend-forskning, før du flyttede ind i kunde-orienterede og produktleder-roller hos Farfetch og Amazon Fashion. Hvordan formede disse tidlige oplevelser inden for mode din perspektiv på, hvor AI kan skabe den mest meningsfulde indvirkning på handel?

Jeg kom ikke ind i mode, fordi jeg ville designe smukke ting — jeg kom ind i det, fordi jeg var nysgerrig efter at vide, hvordan branchen faktisk fungerer. Allerede tidligt var jeg langt mere interesseret i spørgsmål som: Hvordan skal dette skala? Hvorfor er dette dyrt? Hvorfor går det i stykker, når det når kunden?

Når jeg flyttede ind i kunde- og produktroller hos Farfetch og senere Amazon Fashion, blev den nysgerrighed til noget meget konkrekt. Jeg kunne se, hvor meget af den online shopping-oplevelse afhænger af visuelt indhold, og hvor lidt det visuelt indhold faktisk fortæller om, hvordan en beklædningsgenstand vil sidde eller opføre sig på kroppen.

Dér begyndte AI at føles meningsfuldt for mig, ikke som en kreativ trick, men som en måde at lukke gapet mellem, hvad mærkerne viser, og hvad kunderne faktisk modtager. Hvis AI kunne hjælpe med at repræsentere tøj mere ærligt og i skala, kunne det forbedre tillid, reducere spild og gøre handel bedre for alle parter.

AI i mode er ofte omgivet af hype. Hvad er de største misforståelser, mærkerne har om at anvende computer-vision og generativ AI til detailhandel, og hvor falder de fleste initiativer kort?

Den største misforståelse er, at hvis noget ser imponerende ud i en demo, er det klar til produktion. I virkeligheden er det to meget forskellige ting.

Mode er fuld af edge-cases: forskellige kropstyper, stoffer, konstruktioner og mærke-standarder. Mange AI-værktøjer er ikke bygget til at håndtere den kompleksitet konsekvent. De kan generere noget, der ser godt ud en gang, men falder fra hinanden, når man prøver at anvende det på hele kataloget.

Et andet problem er, at mode ofte behandles som et generisk visuelt problem. Det er det ikke. Tøj er en fysisk genstand, og hvis systemet ikke forstår, hvordan tøj opfører sig i den virkelige verden, kan outputtet se appetitligt ud, men ikke være troværdigt. Virkningen af den forskel er betydelig — omkring 40% af online-modebestillinger returneres, hvilket skader både detailhandlernes P&L og miljøet. Når visuelt indhold misrepræsenterer pasform eller udseende, øges usikkerheden, og det er ofte dér, AI-initiativerne stopper.

Mange detailhandlere nævner pasform- og udseende-usikkerhed som en større driver af returneringer. Fra din erfaring med at arbejde med størrelse og pasform hos både Farfetch og Amazon, hvad kræver det faktisk for, at AI kan reducere returneringer på en målbart måde?

At reducere returneringer handler ikke om at tilføje en funktion, men om at øge tilliden på købstidspunktet.

Størrelse og pasform betyder også forskellige ting på tværs af regioner. Pasform-forventninger er kulturelle. En “perfekt pasform” på et marked kan føles for stram eller for løs på et andet. AI kan kortlægge disse mønstre og personliggøre anbefalinger baseret på regional adfærd og individuelle præferencer, ikke kun målinger.

Der er også et strukturelt problem i mode-billeder. De fleste produkter fotograferes på én prøvestørrelse, ofte klippet i studiet for at se mere flatterende ud. Det skaber urealistiske forventninger. At fotografere hver beklædningsgenstand på flere kropstyper ville være ideelt, men for de fleste virksomheder er det operationsmæssigt komplekst og forbudt dyrt.

Dér bliver AI transformerende. Det giver mærkerne mulighed for at vise, hvordan tøj opfører sig på diverse kropstyper og hudtoner i skala, med realisme.

Realisme er nøglen. Hvis det, kunderne ser, føles sandt og konsekvent på tværs af kataloget, stiger tilliden. Når tilliden stiger, reduceres returneringer.

Virtual try-on-demonstrationer kan se imponerende ud i isolation, men at skala dem op til tusindvis af varenumre er en anden udfordring. Hvad tekniske eller operationsmæssige hindringer opstår på katalog-skala, og hvordan har AIUTA adresseret dem?

På skala realiserer man hurtigt, at en god demo ikke er nok. Fra min erfaring med at køre virtuel prøvning og pasform-initiativer hos Farfetch og Amazon, var de største udfordringer ikke kun relateret til nøjagtighed. De var omkostninger, hastighed og operationsmæssig kompleksitet. Systemer, der fungerede i pilotprojekter, blev for dyre, for langsomme eller for manuelt, når man forsøgte at rulle dem ud på et rigtigt katalog.

Latens er en stor del af det. Hvis en virtuel prøvning tager for lang tid at indlæse, vil kunderne simpelthen ikke bruge den, uanset hvor nøjagtig den er. Derfor var ydelse en kerne-design-begrænsning for os fra starten. I dag indlæser AIUTA’s virtuelle prøvning på omkring 4 til 7 sekunder i produktion, hvilket er betydeligt hurtigere end de fleste løsninger på markedet.

Operationsmæssig kompleksitet er lige så vigtig. Mange løsninger kræver omfattende forberedelse, detaljerede input eller løbende manuelt arbejde fra mærkehold. AIUTA er designet til at fungere fra meget simple input, med minimal indsats krævet fra detailhandlere, samtidig med at vi bevares tøj-nøjagtighed. Som resultat kan vi gå fra at generere hundredvis af billeder om ugen til tusindvis af billeder om dagen, hvilket giver mærkerne mulighed for at skala virtuel prøvning på tværs af store kataloger uden at tilføje operationsmæssig overhead.

Til sidst er der konsekvens. Mange systemer begynder at forvrænge stoffer eller proportioner, når man skalerer. Ved at kontrollere den fulde pipeline fra tøj-tilfangetning og annotation til model-træning og -udrulning kan vi opretholde tøj-identitet og realisme på den skala, som detailhandlere faktisk opererer på.

AIUTA kombinerer computer-vision-rørledninger med generative modeller. Hvordan sikrer I realisme og tøj-nøjagtighed, mens I stadig leverer output hurtigt nok til enterprise-workflows?

Vi er meget bevidste om, hvad vi optimerer for. Hastighed betyder noget, men nøjagtighed kommer først.

Vore systemer er trænet specifikt på mode-data, og den forskel er vigtig. Vi bygger ikke på standard e-handels-datasets, der tenderer til at replikere de samme smalle kropstyper gang på gang — vi taler om typisk høje, tynde modeller. I stedet ejer og har vi syntetisk skabt et meget diversificeret dataset bygget op omkring realistiske menneskelige repræsentationer med forskellige kropformer, proportioner og tøj-konstruktioner.

Fordi modellerne er trænet på den diversitet, forstår de ting som stof-tekstur, fald og konstruktion på en langt mere realistisk måde. Som resultat behøver vi ikke “fikse” output efterfølgende. Realisme er bygget ind i systemet fra starten.

På infrastruktur-siden har vi også investeret tungt i ydelse. Resultatet er, at mærker kan generere høj-kvalitets-output i sekunder, ikke minutter, hvilket gør teknologien brugbar i rigtige produktionsmiljøer og ikke kun i eksperimenter.

Hvad er de største udfordringer, virksomheder står overfor, når de integrerer AI-værktøjer i eksisterende kreative, merchandising- og indholdsskabelse-workflows?

De fleste virksomheder har allerede komplekse systemer og processer på plads. Den største udfordring er, at mange AI-værktøjer er bygget som selvstændige produkter, ikke som en del af en bredere workflow.

For at AI faktisk kan blive adopteret, skal det integrere renligt, både teknisk og operationsmæssigt. Det betyder API’er, sikkerheds-overensstemmelse, forudsigelig kvalitet og klar ejerskab, når noget går galt.

Der er også et tillids-element. Mærker er forståeligt forsigtige med at lade generative systemer røre deres kerne-visuelt indhold. Derfor betyder pålidelighed og kvalitetskontrol lige så meget som innovation.

Du har ledet AI- og personliggørelses-initiativer inden for store markedspladser. Hvordan er det at bygge AI inden for en stor platform forskelligt fra at bygge en dyb-teknologi-virksomhed, der udelukkende fokuserer på mode-AI-infrastruktur?

Inden for en stor platform er AI blot én af mange mobile dele. Man optimerer ofte inden for eksisterende begrænsninger og balancerer konkurrerende prioriteringer.

At bygge AIUTA er meget anderledes, fordi hele virksomheden er fokuseret på ét problem: mode-visuelt. Den fokus giver os mulighed for at gå dybere, både teknisk og kreativt, og bevæge os hurtigere, når vi ser noget bryde sammen i produktion.

Det giver os også mulighed for at bygge langsigtede infrastruktur i stedet for kortsigtede funktioner. Vi løser ikke kun i dag’s use-cases, men designer systemer, der kan udvikle sig, som teknologien gør.

Hvordan balancerer du personliggørelse med privatliv, når du arbejder med størrelse-data, krop-repræsentationer og shopper-adfærds-signaler?

Privatliv skal bygges ind i systemet fra starten. Man kan ikke behandle det som en tilføjelse senere.

Hos AIUTA fokuserer vi på at forbedre repræsentation i stedet for at samle mere personlig data. Ved at forstå tøj og krop-diversitet i aggregat kan vi levere mere relevante oplevelser uden at afhænge af følsomme individuelle oplysninger.

Den balance er kritisk — især i mode, hvor tillid spiller så stor en rolle i købsbeslutninger.

AI-genererede visuelt indhold vækker bekymring omkring forskønnede kroppe eller misrepræsenteret tøj. Hvordan nærmer du dig ægthed og mærke-integritet, når du udruller generative systemer på skala?

Dette er noget, vi tænker over konstant, og for mig blev det også meget personligt.

Under min graviditet blev jeg meget mere bevidst om, hvor begrænsede de fleste AI-systemer er, når det kommer til at repræsentere kroppe, der falder uden for snævre normer. Graviditet er midlertidig, men det er en meget reel fysisk tilstand, og alligevel er det ofte helt fraværende fra træningsdata. Jeg kunne se med egne øjne, hvor let AI-fejler, når kroppe ændrer sig, selv om det er kun lidt, fra hvad systemet betragter som “standard”.

Mange generative systemer er designet til at gøre ting “bedre”, hvilket for mange kan betyde glattere, slankere eller mere idealiseret. Men i mode bryder den tilgang hurtigt tillid. Hvis kroppen er forskønnet eller tøjet er subtilt ændret, ender kunderne med et produkt, der ikke matcher, hvad de blev vist.

Hos AIUTA designer vi bevidst for realisme. Vores mål er at vise tøj på rigtige kroppe, herunder kroppe, der ikke passer ind i snævre brancheforventninger, enten det er forskellige størrelser, proportioner eller mere komplekse anatomier som graviditet. Vi parrer også AI med menneskelig kvalitetskontrol for at fange edge-cases og sikre, at hver output er i overensstemmelse med mærke-standarder.

Ægthed er ikke kun en værdi for os, det er afgørende for langsigtede adoption. Hvis kunder og mærker ikke stoler på, hvad de ser, fungerer teknologien simpelthen ikke.

Settende fremad, hvordan ser du generativ AI-forme den bredere mode-økosystem, herunder digitale tvillinger, moneteringsmodeller og fremtidens kreative produktion?

Jeg tror, vi bevæger os mod en verden, hvor visuelt indhold ikke længere er statiske aktiver, men levende systemer.

Digitale tvillinger, både for tøj og modeller, vil blive meget mere almindelige. Det åbner op for nye moneteringsmodeller og giver mulighed for kreativt arbejde at skala på måder, der ikke var mulige før.

I bredere forstand vil kreativ produktion blive hurtigere, mere fleksibel og mere responsiv. Til sidst vil de mærker, der lykkes, være dem, der bruger AI omhyggeligt og udruller det som infrastruktur, der understøtter nøjagtighed, kreativitet og tillid.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge AIUTA.