Maisa Benatti, CEO de AIUTA – Serie de entrevistas

Maísa Benatti CEO de AIUTA es una líder visionaria en fashion-tech y inteligencia artificial generativa, que actualmente lidera la misión de la empresa para revolucionar las experiencias digitales de moda desde Londres desde diciembre de 2024. En su papel como Directora Ejecutiva, se enfoca en construir soluciones de IA escalables que ayuden a las marcas a producir contenido visual de alta calidad, mejorar los recorridos del cliente y desbloquear oportunidades de crecimiento, aprovechando su profunda experiencia en diseño de productos, investigación de UX y IA de su anterior puesto como Directora de Producto en AIUTA y puestos de liderazgo de producto senior en empresas como FARFETCH y Amazon (AMZN ). Su experiencia abarca inteligencia artificial generativa para personalización y descubrimiento, modelos de lenguaje grande y innovación en comercio electrónico, impulsando constantemente hacia adelante aplicaciones de IA que hacen que la compra de moda sea más intuitiva y atractiva.

AIUTA es una plataforma de innovación de IA modular que transforma la forma en que las marcas y minoristas de moda interactúan con los compradores en línea al integrar tecnologías avanzadas como la prueba virtual, el estilo personalizado y la creación de contenido impulsada por IA directamente en las tiendas digitales. La suite de soluciones de la empresa permite experiencias de compra inmersivas y interactivas que aumentan la conversión y reducen las devoluciones al permitir que los consumidores visualicen la ropa en ellos mismos en tiempo real, al mismo tiempo que permiten a las marcas escalar visuales de estudio y recomendaciones de atuendos con modelos de IA propietarios que manejan renderizado realista, ajustes virtuales que preservan el cuerpo y una integración de catálogo sin problemas.

Su carrera comenzó en el diseño de moda y la investigación de tendencias antes de pasar a roles de liderazgo de producto y cliente en Farfetch y Amazon Fashion. ¿Cómo influyeron esas experiencias tempranas en su perspectiva sobre dónde la IA puede tener el impacto más significativo en el comercio?

No entré en la moda porque quería diseñar cosas hermosas, entré porque estaba curiosa sobre cómo funciona la industria en realidad. Incluso al principio, estaba mucho más interesada en preguntas como: ¿Cómo se escala? ¿Por qué es tan caro? ¿Por qué se rompe una vez que llega al cliente?

Cuando me mudé a roles de cliente y producto en Farfetch y más tarde en Amazon Fashion, esa curiosidad se convirtió en algo muy concreto. Pude ver cuánto depende la experiencia de compra en línea de los visuales y cuánto poco esos visuales realmente te dicen sobre cómo se ajustará o se comportará una prenda en tu cuerpo.

Es allí donde la IA comenzó a sentirse significativa para mí, no como un truco creativo, sino como una forma de cerrar la brecha entre lo que las marcas muestran y lo que los clientes realmente reciben. Si la IA puede ayudar a representar la ropa de manera más honesta y a escala, puede mejorar la confianza, reducir el desperdicio y hacer que el comercio funcione mejor para todos los involucrados.

La IA en la moda a menudo está rodeada de hype. ¿Cuáles son los mayores malentendidos que tienen las marcas sobre la aplicación de la visión por computadora y la IA generativa al comercio minorista, y dónde fallan la mayoría de las iniciativas?

El mayor malentendido es que si algo parece impresionante en una demostración, está listo para la producción. En realidad, esas son dos cosas muy diferentes.

La moda está llena de casos de borde: diferentes tipos de cuerpo, telas, construcciones y estándares de marca. Muchas herramientas de IA no están diseñadas para manejar esa complejidad de manera consistente. Pueden generar algo que se ve bien una vez, pero se desmorona cuando intentas aplicarlo a todo un catálogo.

Otro problema es que la moda a menudo se trata como un problema visual genérico. No lo es. La ropa es un objeto físico, y si su sistema no entiende cómo se comportan las prendas en el mundo real, la salida puede parecer atractiva pero no será confiable. El impacto de esa brecha es significativo: alrededor del 40% de los pedidos de moda en línea se devuelven, lo que perjudica tanto a los minoristas como al medio ambiente. Cuando los visuales malrepresentan el ajuste o la apariencia, la incertidumbre aumenta, y eso es donde las iniciativas de IA generalmente se estancan.

Muchos minoristas citan la incertidumbre sobre el ajuste y la apariencia como un importante impulsor de devoluciones. Desde su experiencia trabajando en tamaño y ajuste en Farfetch y Amazon, ¿qué se necesita para que la IA reduzca las devoluciones de manera medible?

Reducir las devoluciones no se trata de agregar una función, se trata de aumentar la confianza en el momento de la compra.

El tamaño y el ajuste también significan cosas diferentes en diferentes regiones. Las expectativas de ajuste son culturales. Un “ajuste perfecto” en un mercado puede sentirse demasiado ajustado o demasiado suelto en otro. La IA puede mapear esos patrones y personalizar recomendaciones basadas en el comportamiento regional y las preferencias individuales, no solo en medidas.

Hay un problema estructural en la imagen de la moda. La mayoría de los productos se fotografían en un tamaño de muestra, a menudo recortado en el estudio para parecer más atractivo. Eso crea expectativas poco realistas. Fotografiar cada prenda en varios tipos de cuerpo sería ideal, pero para la mayoría de las empresas, es operativamente complejo y prohibitivamente caro.

Es allí donde la IA se vuelve transformadora. Permite a las marcas mostrar cómo se comportan las prendas en diferentes tipos de cuerpo y tonos de piel a escala, con realismo.

El realismo es clave. Si lo que ven los compradores se siente veraz y consistente en todo el catálogo, la confianza aumenta. Cuando la confianza aumenta, las devoluciones disminuyen.

Las demostraciones de prueba virtual pueden parecer impresionantes en aislamiento, pero escalarlas a través de miles de SKUs es un desafío diferente. ¿Qué obstáculos técnicos u operativos surgen a escala de catálogo, y cómo ha abordado AIUTA estos desafíos?

En escala, pronto se da cuenta de que una buena demostración no es suficiente. Desde mi experiencia al frente de iniciativas de prueba virtual y ajuste en Farfetch y Amazon, los mayores desafíos no eran solo relacionados con la precisión. Eran el costo, la velocidad y la complejidad operativa. Los sistemas que funcionaban en pilotos se volvieron demasiado caros, demasiado lentos o demasiado manuales una vez que intenté implementarlos en un catálogo real.

La latencia es una gran parte de eso. Si una prueba virtual tarda demasiado en cargar, los clientes simplemente no la usarán, no importa cuán precisa sea. Es por eso que el rendimiento fue una restricción de diseño fundamental para nosotros desde el principio. Hoy en día, la prueba virtual de AIUTA se carga en aproximadamente 4 a 7 segundos en producción, lo que es significativamente más rápido que la mayoría de las soluciones del mercado.

La complejidad operativa es igual de importante. Muchas soluciones requieren una preparación intensiva, entradas detalladas u obra manual continua de los equipos de la marca. AIUTA está diseñada para funcionar con entradas muy simples, con un esfuerzo mínimo requerido de los minoristas, mientras aún preserva la precisión de la prenda. Como resultado, podemos pasar de generar cientos de imágenes por semana a miles de imágenes por día, lo que permite a las marcas escalar la prueba virtual a través de grandes catálogos sin agregar sobrecarga operativa.

Finalmente, está la consistencia. Muchos sistemas comienzan a distorsionar telas o proporciones una vez que se escalan. Al controlar toda la canalización desde la captura y anotación de la prenda hasta el entrenamiento y despliegue del modelo, podemos mantener la identidad y el realismo de la prenda a la escala en la que operan los minoristas de empresa.

AIUTA combina tuberías de visión por computadora con modelos generativos. ¿Cómo garantiza el realismo y la precisión de la prenda al mismo tiempo que entrega salidas lo suficientemente rápido para flujos de trabajo de empresa?

Somos muy intencionados sobre lo que optimizamos. La velocidad es importante, pero la precisión es lo primero.

Nuestros sistemas están entrenados específicamente en datos de moda, y esa distinción es importante. No confiamos en conjuntos de datos de comercio electrónico estándar que tienden a replicar los mismos tipos de cuerpo estrechos una y otra vez — estamos hablando de modelos típicamente altos y delgados. En su lugar, poseemos y hemos creado sintéticamente un conjunto de datos muy diverso construido alrededor de representaciones humanas realistas, con diferentes formas de cuerpo, proporciones y construcciones de prenda.

Como los modelos están entrenados en esa diversidad, entienden cosas como la textura de la tela, el drapeado y la construcción de una manera mucho más realista. Como resultado, no tenemos que “arreglar” las salidas después del hecho. El realismo está integrado en el sistema desde el principio.

En el lado de la infraestructura, también hemos invertido mucho en el rendimiento. El resultado es que las marcas pueden generar salidas de alta calidad en segundos, no en minutos, lo que hace que la tecnología sea utilizable en entornos de producción real en lugar de solo en experimentación.

¿Cuáles son los mayores desafíos que enfrentan las empresas al integrar herramientas de IA en flujos de trabajo creativos, de merchandising y de producción de contenido existentes?

La mayoría de las empresas ya tienen sistemas y procesos complejos en su lugar. El mayor desafío es que muchas herramientas de IA se construyen como productos independientes, no como parte de un flujo de trabajo más amplio.

Para que la IA sea realmente adoptada, debe integrarse de manera limpia, tanto técnicamente como operativamente. Eso significa API, cumplimiento de seguridad, calidad predecible y claridad de propiedad cuando algo sale mal.

Hay un elemento de confianza. Las marcas son comprensiblemente cautelosas al dejar que los sistemas generativos toquen sus activos visuales principales. Es por eso que la confiabilidad y el control de calidad son tan importantes como la innovación.

Ha liderado iniciativas de IA y personalización dentro de grandes plataformas de mercado. ¿Cómo difiere construir IA dentro de una plataforma de mercado importante de construir una empresa de tecnología profunda centrada únicamente en la infraestructura de IA de moda?

Dentro de una gran plataforma, la IA es solo una de las muchas partes móviles. A menudo se optimiza dentro de las restricciones existentes y se equilibran prioridades en competencia.

Construir AIUTA es muy diferente porque toda la empresa se centra en un problema: las visualizaciones de moda. Ese enfoque nos permite ir más a fondo, tanto técnicamente como creativamente, y movernos más rápido cuando vemos algo que no funciona en producción.

También nos permite construir infraestructura a largo plazo en lugar de características a corto plazo. No solo estamos resolviendo los casos de uso de hoy, sino que estamos diseñando sistemas que puedan evolucionar a medida que lo hace la tecnología.

¿Cómo equilibra la personalización con la privacidad al trabajar con datos de tamaño, representaciones corporales y señales de comportamiento del comprador?

La privacidad debe estar integrada en el sistema desde el principio. No se puede tratar como un complemento más tarde.

En AIUTA, nos centramos en mejorar la representación en lugar de recopilar más datos personales. Al entender mejor las prendas y la diversidad corporal en agregado, podemos ofrecer experiencias más relevantes sin depender de información individual sensible.

Es un equilibrio crítico — especialmente en la moda, donde la confianza juega un papel tan importante en las decisiones de compra.

Las visualizaciones generadas por IA plantean preocupaciones sobre cuerpos embellecidos o prendas malrepresentadas. ¿Cómo aborda la autenticidad y la integridad de la marca al implementar sistemas generativos a escala?

Esto es algo en lo que pensamos constantemente, y para mí también se volvió muy personal.

Durante mi embarazo, me di cuenta mucho más de lo limitado que son la mayoría de los sistemas de IA cuando se trata de representar cuerpos que caen fuera de los estándares estrechos. El embarazo es temporal, pero es un estado físico muy real, y sin embargo, a menudo está completamente ausente de los datos de entrenamiento. Pude ver de primera mano cómo fácilmente falla la IA cuando los cuerpos cambian, incluso ligeramente, de lo que el sistema considera “estándar”.

Muchos sistemas generativos están diseñados para hacer que las cosas parezcan “mejores”, lo que, para muchos, puede significar suavizar, adelgazar o idealizar. Pero en la moda, ese enfoque rápidamente rompe la confianza. Si el cuerpo se embellece o la prenda se altera sutilmente, los clientes terminan con un producto que no coincide con lo que se les mostró.

En AIUTA, diseñamos deliberadamente para el realismo. Nuestro objetivo es mostrar ropa en cuerpos reales, incluidos cuerpos que no se ajustan a las expectativas estrechas de la industria, ya sea que se trate de diferentes tallas, proporciones o anatomías más complejas como la maternidad. También emparejamos la IA con el control de calidad humano para capturar casos de borde y asegurarnos de que cada salida se alinee con los estándares de la marca.

La autenticidad no es solo un valor para nosotros, es esencial para la adopción a largo plazo. Si los clientes y las marcas no confían en lo que ven, la tecnología simplemente no funcionará.

Mirando hacia adelante, ¿cómo ve la IA generativa remodelando el ecosistema de moda más amplio, incluidos los gemelos digitales, los modelos de monetización y el futuro de la producción creativa?

Creo que estamos avanzando hacia un mundo donde los visuales ya no son activos estáticos, sino sistemas vivos.

Los gemelos digitales, para prendas y para modelos, se volverán mucho más comunes. Eso abre nuevos modelos de monetización y permite que el trabajo creativo se escale a maneras que no eran posibles antes.

En general, la producción creativa se volverá más rápida, más flexible y más receptiva. En última instancia, las marcas que tendrán éxito serán aquellas que utilicen la IA de manera reflexiva y la desplieguen como infraestructura que apoya la precisión, la creatividad y la confianza.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar AIUTA.