Maisa Benatti, CEO von AIUTA – Interview-Serie

Maísa Benatti CEO bei AIUTA ist eine visionäre Führungskraft im Bereich Fashion-Tech und generativer KI, die derzeit die Mission des Unternehmens leitet, digitale Modeerlebnisse aus London seit Dezember 2024 zu revolutionieren. In ihrer Rolle als Chief Executive Officer konzentriert sie sich auf den Aufbau von skalierbaren KI-Lösungen, die Marken dabei helfen, hochwertige visuelle Inhalte zu produzieren, Kundenreisen zu verbessern und Wachstumsmöglichkeiten zu erschließen, indem sie auf ihre umfassenden Erfahrungen in Produktgestaltung, UX-Forschung und KI aus ihrer vorherigen Tätigkeit als Chief Product Officer bei AIUTA und leitenden Produktionsrollen bei Unternehmen wie FARFETCH und Amazon zurückgreift. Ihr Hintergrund umfasst generative KI für Personalisierung und Entdeckung, große Sprachmodelle und E-Commerce-Innovationen, die ständig vorwärts treibende KI-Anwendungen, die Mode-Shopping intuitiver und ansprechender machen.

AIUTA ist eine modulare KI-Innovationsplattform, die die Art und Weise, wie Mode-Marken und Einzelhändler Online-Kunden ansprechen, revolutioniert, indem sie fortschrittliche Technologien wie virtuelle Anproben, personalisierte Stilberatung und KI-getriebene Inhaltserschaffung direkt in digitale Verkaufsstellen integriert. Das Unternehmen bietet eine Reihe von Lösungen, die immersive, interaktive Einkaufserlebnisse ermöglichen, die die Konvertierung erhöhen und die Retouren reduzieren, indem sie es Konsumenten ermöglichen, Kleidung in Echtzeit auf ihrem Körper zu visualisieren, während sie es Marken ermöglichen, studioqualitative visuelle Darstellungen und Outfit-Empfehlungen mit proprietären KI-Modellen zu skalieren, die realistische Darstellung, körpererhaltende virtuelle Anproben und nahtlose Katalogintegration ermöglichen.

Ihre Karriere begann im Mode-Design und Trendforschung, bevor Sie in kundenorientierte und Produktionsrollen bei Farfetch und Amazon Fashion wechselten. Wie haben diese frühen Erfahrungen in der Mode Ihre Perspektive auf die Bereiche beeinflusst, in denen KI den größten Einfluss auf den Handel haben kann?

Ich bin nicht in die Mode eingestiegen, weil ich schöne Dinge entwerfen wollte – ich bin eingestiegen, weil ich neugierig war, wie die Branche tatsächlich funktioniert. Schon früh war ich viel mehr an Fragen interessiert wie: Wie skaliert das? Warum ist das teuer? Warum bricht es, wenn es den Kunden erreicht?

Als ich in Kunden- und Produktrollen bei Farfetch und später Amazon Fashion wechselte, wurde diese Neugier zu etwas Konkretem. Ich konnte sehen, wie sehr das Online-Shopping-Erlebnis von visuellen Darstellungen abhängt und wie wenig diese visuellen Darstellungen tatsächlich über die Passform oder das Verhalten eines Kleidungsstücks auf dem Körper aussagen.

Dort begann KI für mich Sinn zu machen, nicht als kreativer Trick, sondern als Mittel, um die Lücke zwischen dem, was Marken zeigen, und dem, was Kunden tatsächlich erhalten, zu schließen. Wenn KI helfen kann, Kleidung ehrlicher und in großem Maßstab darzustellen, kann sie Vertrauen erhöhen, Abfall reduzieren und den Handel für alle Beteiligten verbessern.

KI in der Mode ist oft von Hype umgeben. Welche sind die größten Missverständnisse, die Marken über die Anwendung von Computer-Vision und generativer KI im Einzelhandel haben, und wo fallen die meisten Initiativen durch?

Das größte Missverständnis ist, dass etwas, das in einer Demo beeindruckend aussieht, bereits für die Produktion bereit ist. In Wirklichkeit sind das zwei sehr unterschiedliche Dinge.

Die Mode ist voller Sonderfälle: verschiedene Körpertypen, Stoffe, Konstruktionen und Markenstandards. Viele KI-Tools sind nicht darauf ausgelegt, diese Komplexität konsistent zu bewältigen. Sie können etwas erzeugen, das einmal gut aussieht, aber auseinanderfällt, wenn man es auf ein ganzes Sortiment anwendet.

Ein weiteres Problem ist, dass die Mode oft als generisches visuelles Problem behandelt wird. Sie ist es nicht. Kleidung ist ein physisches Objekt, und wenn Ihr System nicht versteht, wie Kleidung in der realen Welt funktioniert, kann die Ausgabe ansprechend aussehen, aber nicht vertrauenswürdig sein. Die Auswirkungen dieser Lücke sind erheblich – etwa 40% aller Online-Modebestellungen werden zurückgegeben, was sowohl den Gewinn der Einzelhändler als auch die Umwelt schadet. Wenn visuelle Darstellungen die Passform oder das Aussehen falsch darstellen, erhöht sich die Unsicherheit, und das ist normalerweise der Punkt, an dem KI-Initiativen ins Stocken geraten.

Viele Einzelhändler nennen die Unsicherheit hinsichtlich Passform und Aussehen als einen der Hauptgründe für Retouren. Aus Ihrer Erfahrung bei der Arbeit an Größe und Passform bei Farfetch und Amazon: Was benötigt es, damit KI Retouren auf messbare Weise reduzieren kann?

Die Reduzierung von Retouren hat nichts mit der Hinzufügung einer Funktion zu tun, sondern vielmehr mit der Erhöhung des Vertrauens im Moment des Kaufs.

Größe und Passform bedeuten auch unterschiedliche Dinge in verschiedenen Regionen. Passformserwartungen sind kulturell bedingt. Eine “perfekte Passform” in einem Markt kann in einem anderen Markt zu eng oder zu locker sein. KI kann diese Muster kartieren und personalisierte Empfehlungen basierend auf regionalen Verhaltensweisen und individuellen Vorlieben erstellen, nicht nur auf Grundlage von Maßen.

Es gibt auch ein strukturelles Problem in der Modefotografie. Die meisten Produkte werden auf einer einzigen Größe fotografiert, oft im Studio bearbeitet, um ansprechender zu wirken. Das schafft unrealistische Erwartungen. Die Aufnahme jedes Kleidungsstücks auf verschiedenen Körpertypen wäre ideal, aber für die meisten Unternehmen operativ komplex und prohibitiv teuer.

Dort wird KI transformierend. Sie ermöglicht es Marken, zu zeigen, wie Kleidung auf realen Körpern aussieht, in großem Maßstab und mit Realismus.

Realismus ist der Schlüssel. Wenn das, was die Kunden sehen, wahrheitsgetreu und konsistent über das Sortiment hinweg erscheint, steigt das Vertrauen. Wenn das Vertrauen steigt, sinken die Retouren.

Virtuelle Anproben-Demos können in Isolation beeindruckend aussehen, aber die Skalierung auf Tausende von Artikeln ist eine andere Herausforderung. Welche technischen oder operativen Hürden treten bei der Skalierung auf, und wie hat AIUTA diese angegangen?

Bei der Skalierung wird man schnell bewusst, dass eine gute Demo nicht ausreicht. Aus meiner Erfahrung bei der Leitung von virtuellen Anproben- und Passform-Initiativen bei Farfetch und Amazon ist die größte Herausforderung nicht nur die Genauigkeit, sondern auch die Kosten, die Geschwindigkeit und die operative Komplexität. Systeme, die in Pilotprojekten funktionierten, wurden zu teuer, zu langsam oder zu manuell, sobald man sie auf ein reales Sortiment ausrollen wollte.

Die Latenz ist ein großer Teil davon. Wenn eine virtuelle Anprobe zu lange zum Laden braucht, werden Kunden sie einfach nicht nutzen, egal wie genau sie ist. Deshalb war die Leistung von Anfang an ein wichtiger Entwurfsaspekt für uns. Heute lädt AIUTAs virtuelle Anprobe in etwa 4 bis 7 Sekunden in der Produktion, was deutlich schneller ist als die meisten Lösungen auf dem Markt.

Die operative Komplexität ist ebenso wichtig. Viele Lösungen erfordern eine umfangreiche Vorbereitung, detaillierte Eingaben oder kontinuierliche manuelle Arbeit von den Markenteams. AIUTA ist so konzipiert, dass es mit sehr einfachen Eingaben funktioniert, mit minimaler Anstrengung von den Einzelhändlern, während es gleichzeitig die Genauigkeit der Kleidung bewahrt. Als Ergebnis können wir von der Erstellung von Hunderten von Bildern pro Woche auf Tausende von Bildern pro Tag umsteigen, was es Marken ermöglicht, virtuelle Anproben auf große Sortimente zu skalieren, ohne operativen Overhead hinzuzufügen.

Schließlich gibt es die Konsistenz. Viele Systeme beginnen, Stoffe oder Proportionen zu verzerren, sobald man sie skaliert. Indem wir die gesamte Pipeline von der Kleidungsaufnahme und -annotation bis zur Modellierung und -bereitstellung kontrollieren, können wir die Identität und Realistik der Kleidung auf der Skalenebene aufrechterhalten, auf der Einzelhändler tatsächlich operieren.

AIUTA kombiniert Computer-Vision-Pipelines mit generativen Modellen. Wie stellen Sie sicher, dass die Ausgaben realistisch und genau sind, während Sie sie gleichzeitig schnell genug für Unternehmensworkflows liefern?

Wir sind sehr bewusst, worauf wir optimieren. Geschwindigkeit ist wichtig, aber Genauigkeit kommt zuerst.

Unsere Systeme sind speziell auf Mode-Daten trainiert, und diese Unterscheidung ist wichtig. Wir verlassen uns nicht auf Standard-E-Commerce-Datensätze, die dazu neigen, die gleichen engen Körpertypen immer wieder zu replizieren – wir sprechen über typischerweise große, dünne Modelle. Stattdessen besitzen und haben wir ein hochdiverses Datenset synthetisch erstellt, das auf realistischen menschlichen Darstellungen basiert, mit unterschiedlichen Körperformen, Proportionen und Kleidungskonstruktionen.

Da die Modelle auf dieser Vielfalt trainiert sind, verstehen sie Dinge wie Stofftextur, Fall und Konstruktion auf viel realistischere Weise. Als Ergebnis müssen wir die Ausgaben nicht nachträglich “korrigieren”. Realismus ist von Anfang an in das System eingebaut.

Auf der Infrastrukturseite haben wir auch stark in die Leistung investiert. Das Ergebnis ist, dass Marken hochwertige Ausgaben in Sekunden und nicht in Minuten erzeugen können, was die Technologie in realen Produktionsumgebungen nutzbar macht und nicht nur für Experimente.

Was sind die größten Herausforderungen, denen Unternehmen bei der Integration von KI-Tools in bestehende kreative, Merchandising- und Content-Produktionsworkflows gegenüberstehen?

Die meisten Unternehmen haben bereits komplexe Systeme und Prozesse im Einsatz. Die größte Herausforderung ist, dass viele KI-Tools als eigenständige Produkte und nicht als Teil eines umfassenderen Workflows entwickelt werden.

Um KI tatsächlich einzusetzen, muss es sauber integrieren, technisch und operativ. Das bedeutet APIs, Sicherheitskonformität, vorhersehbare Qualität und klare Verantwortlichkeit, wenn etwas schiefgeht.

Es gibt auch ein Vertrauensaspekt. Marken sind zu Recht vorsichtig, wenn es darum geht, generative Systeme auf ihre Kernvisualisierungen anzuwenden. Deshalb sind Zuverlässigkeit und Qualitätskontrolle ebenso wichtig wie Innovation.

Sie haben KI- und Personalisierungsinitiativen innerhalb großer Marktplätze geleitet. Wie unterscheidet sich das Aufbauen von KI innerhalb eines großen Marktplatzes vom Aufbauen eines tiefgründigen Technologieunternehmens, das sich ausschließlich auf Mode-KI-Infrastruktur konzentriert?

Innerhalb eines großen Marktplatzes ist KI nur eines von vielen beweglichen Teilen. Man optimiert oft innerhalb bestehender Einschränkungen und balanciert konkurrierende Prioritäten.

Das Aufbauen von AIUTA ist sehr unterschiedlich, da das gesamte Unternehmen auf ein Problem fokussiert ist: Mode-Visualisierungen. Diese Fokussierung ermöglicht es uns, tiefer zu gehen, technisch und kreativ, und schneller zu handeln, wenn wir sehen, dass etwas in der Produktion fehlschlägt.

Es ermöglicht uns auch, langfristige Infrastruktur aufzubauen, anstatt kurzfristige Funktionen. Wir lösen nicht nur die heutigen Anwendungsfälle, sondern entwerfen Systeme, die mit der Technologie mitwachsen können.

Wie balancieren Sie Personalisierung mit Datenschutz, wenn Sie mit Größendaten, Körperdarstellungen und Kaufverhaltenssignalen arbeiten?

Der Datenschutz muss von Anfang an in das System eingebaut werden. Man kann ihn nicht als Nachtrag hinzufügen.

Bei AIUTA konzentrieren wir uns darauf, die Darstellung zu verbessern, anstatt mehr personenbezogene Daten zu sammeln. Indem wir Kleidung und Körpervielfalt im Großen und Ganzen besser verstehen, können wir relevantere Erfahrungen liefern, ohne auf sensible individuelle Informationen zurückzugreifen.

Diese Balance ist kritisch – insbesondere in der Mode, wo Vertrauen eine so große Rolle bei Kaufentscheidungen spielt.

KI-generierte Visualisierungen werfen Bedenken hinsichtlich verschönerten Körpern oder falsch dargestellten Kleidungsstücken auf. Wie gehen Sie bei der Bereitstellung von generativen Systemen im großen Maßstab auf Authentizität und Markenintegrität zu?

Dies ist etwas, über das wir ständig nachdenken, und für mich wurde es auch sehr persönlich.

Während meiner Schwangerschaft wurde ich mir viel bewusster, wie begrenzt die meisten KI-Systeme sind, wenn es um die Darstellung von Körpern geht, die außerhalb der engen Normen liegen. Schwangerschaft ist vorübergehend, aber es ist ein sehr realer physischer Zustand, und dennoch fehlt er oft in den Trainingsdaten. Ich konnte sehen, wie leicht KI versagt, wenn Körper sich ändern, auch nur leicht, von dem, was das System als “Standard” betrachtet.

Viele generative Systeme sind darauf ausgelegt, Dinge “schöner” zu machen, was für viele bedeutet, glatter, dünner oder idealisierter. Aber in der Mode bricht dieser Ansatz schnell das Vertrauen. Wenn der Körper verschönert oder das Kleidungsstück subtil verändert wird, erhalten Kunden ein Produkt, das nicht dem entspricht, was sie gesehen haben.

Bei AIUTA entwerfen wir absichtlich für Realismus. Unser Ziel ist es, Kleidung auf realen Körpern zu zeigen, einschließlich Körpern, die nicht den engen Branchenerwartungen entsprechen, sei es unterschiedliche Größen, Proportionen oder komplexere Anatomien wie Schwangerschaft. Wir kombinieren KI auch mit menschlicher Qualitätskontrolle, um Sonderfälle zu erfassen und sicherzustellen, dass jede Ausgabe den Markenstandards entspricht.

Authentizität ist nicht nur ein Wert für uns, sondern unerlässlich für langfristige Akzeptanz. Wenn Kunden und Marken dem, was sie sehen, nicht vertrauen, funktioniert die Technologie einfach nicht.

Blicken Sie in die Zukunft, wie sehen Sie die generative KI die breitere Mode-Ökosysteme umgestalten, einschließlich digitaler Zwillinge, Monetisierungsmodelle und der Zukunft der kreativen Produktion?

Ich denke, wir bewegen uns in eine Welt, in der Visualisierungen nicht mehr statische Assets, sondern lebendige Systeme sind.

Digitale Zwillinge, sowohl für Kleidung als auch für Modelle, werden viel häufiger werden. Das öffnet neue Monetisierungsmodelle und ermöglicht kreative Arbeit, die in bisher nicht möglichen Maßstäben skaliert.

Im weiteren Sinne wird die kreative Produktion schneller, flexibler und reaktionsfähiger. Letztendlich werden die Marken, die erfolgreich sind, diejenigen sein, die KI sorgfältig einsetzen und als Infrastruktur bereitstellen, die Genauigkeit, Kreativität und Vertrauen unterstützt.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten AIUTA besuchen.