Maísa Benatti, PDG d’AIUTA – Série d’entretiens

Maísa Benatti PDG d’AIUTA est un leader visionnaire dans le domaine de la mode et de l’intelligence artificielle générative, qui dirige actuellement la mission de l’entreprise pour révolutionner les expériences de mode numérique à partir de Londres depuis décembre 2024. Dans son rôle de directrice générale, elle se concentre sur la création de solutions d’IA évolutives qui aident les marques à produire du contenu visuel de haute qualité, à améliorer les parcours clients et à débloquer des opportunités de croissance, en tirant parti de son expertise approfondie en design de produits, en recherche UX et en IA acquise lors de son précédent poste de directrice des produits chez AIUTA et de ses rôles de direction des produits chez des entreprises comme FARFETCH et Amazon (AMZN ). Son parcours professionnel s’étend à l’IA générative pour la personnalisation et la découverte, les grands modèles de langage et l’innovation du commerce électronique, en poussant constamment les applications de l’IA qui rendent le shopping de mode plus intuitif et engageant.

AIUTA est une plateforme d’innovation d’IA modulaire qui transforme la façon dont les marques et les détaillants de mode interagissent avec les acheteurs en ligne en intégrant des technologies avancées telles que l’essayage virtuel, la personnalisation des styles et la création de contenu pilotée par l’IA directement dans les magasins numériques. La gamme de solutions de l’entreprise permet des expériences de shopping immersives et interactives qui augmentent la conversion et réduisent les retours en permettant aux consommateurs de visualiser les vêtements sur eux-mêmes en temps réel, tout en permettant aux marques de mettre à l’échelle des visuels de studio et des recommandations de tenues avec des modèles d’IA propriétaires qui gèrent le rendu réaliste, les ajustements virtuels et l’intégration du catalogue.

Votre carrière a commencé dans la conception de mode et la recherche de tendances avant de passer à des rôles de direction client et produit chez Farfetch et Amazon. Comment ces expériences précoces dans la mode ont-elles façonné votre perspective sur l’endroit où l’IA peut avoir le plus d’impact significatif dans le commerce ?

Je ne suis pas entrée dans la mode parce que je voulais créer des choses belles — je suis entrée dans la mode parce que je me demandais comment l’industrie fonctionnait réellement. Même au début, j’étais beaucoup plus intéressée par des questions comme : Comment cela se scale ? Pourquoi est-ce si cher ? Pourquoi cela se casse-t-il une fois qu’il atteint le client ?

Quand je suis passée à des rôles client et produit chez Farfetch et plus tard chez Amazon Fashion, cette curiosité est devenue quelque chose de très concret. Je pouvais voir à quel point l’expérience d’achat en ligne dépendait des visuels, et à quel point ces visuels ne disaient pas grand-chose sur la façon dont un vêtement allait s’adapter ou se comporter sur le corps.

C’est là que l’IA a commencé à me sembler significative, non pas comme un tour de magie, mais comme un moyen de combler le fossé entre ce que les marques montrent et ce que les clients reçoivent réellement. Si l’IA pouvait aider à représenter les vêtements de manière plus honnête et à l’échelle, elle pourrait améliorer la confiance, réduire les déchets et faire que le commerce fonctionne mieux pour tout le monde.

L’IA dans la mode est souvent entourée d’hypothèses. Quelles sont les plus grandes méconceptions que les marques ont sur l’application de la vision par ordinateur et de l’IA générative au commerce de détail, et où la plupart des initiatives échouent ?

La plus grande méconception est que si quelque chose semble impressionnant dans une démo, il est prêt pour la production. En réalité, ce sont deux choses très différentes.

La mode est pleine de cas limites : différents types de corps, tissus, constructions et normes de marque. De nombreux outils d’IA ne sont pas conçus pour gérer cette complexité de manière cohérente. Ils pourraient générer quelque chose qui a l’air bien une fois, mais qui se désintègre lorsqu’on essaie de l’appliquer à tout un catalogue.

Un autre problème est que la mode est souvent traitée comme un problème visuel générique. Ce n’est pas le cas. Les vêtements sont des objets physiques, et si votre système ne comprend pas comment les vêtements se comportent dans le monde réel, la sortie peut avoir l’air attrayante mais ne sera pas fiable. L’impact de ce fossé est important — environ 40 % des commandes de mode en ligne sont retournées, ce qui nuit à la fois au chiffre d’affaires des détaillants et à l’environnement. Lorsque les visuels déforment la taille ou l’apparence, l’incertitude augmente, et c’est généralement là que les initiatives d’IA sont bloquées.

De nombreux détaillants citent l’incertitude quant à la taille et à l’apparence comme un facteur majeur de retour. À partir de votre expérience de travail sur la taille et l’ajustement chez Farfetch et Amazon, qu’est-ce qu’il faut pour que l’IA réduise les retours de manière significative ?

La réduction des retours n’est pas à propos d’ajouter une fonctionnalité, c’est à propos d’augmenter la confiance au moment de l’achat.

La taille et l’ajustement signifient également des choses différentes selon les régions. Les attentes en matière d’ajustement sont culturelles. Un « ajustement parfait » dans un marché peut sembler trop serré ou trop lâche dans un autre. L’IA peut cartographier ces modèles et personnaliser les recommandations en fonction du comportement régional et des préférences individuelles, et non seulement des mesures.

Il y a également un problème structurel dans l’imagerie de mode. La plupart des produits sont photographiés sur un seul échantillon, souvent découpé en studio pour paraître plus flatteur. Cela crée des attentes irréalistes. Photographier chaque vêtement sur plusieurs types de corps serait idéal, mais pour la plupart des entreprises, cela est opérationnellement complexe et prohibitivement coûteux.

C’est là que l’IA devient transformative. Elle permet aux marques de montrer comment les vêtements se comportent sur différents types de corps et teints de peau à l’échelle, avec réalisme.

Le réalisme est clé. Si ce que les acheteurs voient semble véridique et cohérent dans tout le catalogue, la confiance augmente. Lorsque la confiance augmente, les retours diminuent.

Les démonstrations d’essayage virtuel peuvent sembler impressionnantes en isolation, mais les mettre à l’échelle sur des milliers de références est un défi différent. Quels obstacles techniques ou opérationnels émergent à l’échelle du catalogue, et comment AIUTA les a-t-elle abordés ?

À l’échelle, on réalise rapidement que une bonne démo ne suffit pas. De mon expérience en tant que responsable d’initiatives d’essayage virtuel et d’ajustement chez Farfetch et Amazon, les plus grands défis n’étaient pas seulement liés à la précision. Ils étaient liés au coût, à la vitesse et à la complexité opérationnelle. Les systèmes qui fonctionnaient dans les pilotes sont devenus trop coûteux, trop lents ou trop manuels une fois que nous avons essayé de les déployer sur un véritable catalogue.

La latence est une grande partie de cela. Si un essayage virtuel prend trop de temps à charger, les clients ne l’utiliseront simplement pas, peu importe à quel point il est précis. C’est pourquoi les performances ont été une contrainte de conception clé pour nous dès le début. Aujourd’hui, l’essayage virtuel d’AIUTA se charge en environ 4 à 7 secondes en production, ce qui est significativement plus rapide que la plupart des solutions sur le marché.

La complexité opérationnelle est tout aussi importante. De nombreuses solutions nécessitent une préparation lourde, des entrées détaillées ou un travail manuel constant des équipes de marques. AIUTA est conçue pour fonctionner à partir d’entrées très simples, avec un minimum d’effort requis des détaillants, tout en préservant l’exactitude des vêtements. En conséquence, nous pouvons passer de la génération de centaines d’images par semaine à des milliers d’images par jour, permettant aux marques de mettre à l’échelle l’essayage virtuel sur de grands catalogues sans ajouter de surcharge opérationnelle.

Enfin, il y a la cohérence. De nombreux systèmes commencent à déformer les tissus ou les proportions une fois que vous les mettez à l’échelle. En contrôlant l’ensemble de la chaîne, de la capture et de l’annotation des vêtements à la formation et au déploiement des modèles, nous sommes en mesure de maintenir l’identité et le réalisme des vêtements à l’échelle à laquelle les détaillants d’entreprise opèrent réellement.

AIUTA combine des pipelines de vision par ordinateur avec des modèles génératifs. Comment assurez-vous le réalisme et l’exactitude des vêtements tout en livrant des sorties suffisamment rapides pour les flux de travail d’entreprise ?

Nous sommes très intentionnels quant à ce que nous optimisons. La vitesse compte, mais l’exactitude passe en premier.

Nos systèmes sont formés spécifiquement sur des données de mode, et cette distinction est importante. Nous ne nous appuyons pas sur des ensembles de données standard de commerce électronique qui ont tendance à reproduire les mêmes types de corps étroits encore et encore — nous parlons de modèles typiquement grands et minces. Au lieu de cela, nous possédons et avons créé de manière synthétique un ensemble de données très diversifié construit autour de représentations humaines réalistes, avec différents types de corps, proportions et constructions de vêtements.

Puisque les modèles sont formés sur cette diversité, ils comprennent des choses comme la texture des tissus, le drapé et la construction d’une manière beaucoup plus réaliste. En conséquence, nous n’avons pas besoin de « corriger » les sorties après coup. Le réalisme est intégré dans le système dès le départ.

Sur le plan de l’infrastructure, nous avons également investi lourdement dans les performances. Le résultat est que les marques peuvent générer des sorties de haute qualité en quelques secondes, et non en minutes, ce qui rend la technologie utilisable dans des environnements de production réels plutôt que seulement dans des environnements d’expérimentation.

Quels sont les plus grands défis que les entreprises rencontrent lors de l’intégration d’outils d’IA dans les flux de travail créatifs, merchandising et de production de contenu existants ?

La plupart des entreprises ont déjà des systèmes et des processus complexes en place. Le plus grand défi est que de nombreux outils d’IA sont conçus comme des produits autonomes, et non comme partie d’un flux de travail plus large.

Pour que l’IA soit réellement adoptée, elle doit s’intégrer proprement, tant sur le plan technique qu’opérationnel. Cela signifie des API, une conformité en matière de sécurité, une qualité prévisible et une claire responsabilité lorsque quelque chose se passe mal.

Il y a également un élément de confiance. Les marques sont légitimement prudentes lorsqu’elles laissent des systèmes génératifs toucher leurs actifs visuels essentiels. C’est pourquoi la fiabilité et le contrôle de la qualité comptent autant que l’innovation.

Vous avez dirigé des initiatives d’IA et de personnalisation à l’intérieur de grandes places de marché. Comment construire l’IA au sein d’une grande plateforme diffère-t-elle de la construction d’une entreprise de technologie profonde axée uniquement sur les infrastructures d’IA de la mode ?

À l’intérieur d’une grande plateforme, l’IA est l’une des nombreuses pièces mobiles. Vous optimisez souvent dans les contraintes existantes et équilibrez des priorités concurrentes.

Construire AIUTA est très différent car toute l’entreprise est axée sur un problème : les visuels de mode. Cette concentration nous permet de creuser plus profond, techniquement et créativement, et de bouger plus vite lorsque nous voyons quelque chose se briser en production.

Cela nous permet également de construire des infrastructures à long terme plutôt que des fonctionnalités à court terme. Nous ne résolvons pas seulement les cas d’utilisation d’aujourd’hui, mais concevons des systèmes qui peuvent évoluer à mesure que la technologie évolue.

Comment équilibrez-vous la personnalisation et la confidentialité lors du travail avec des données de taille, des représentations corporelles et des signaux de comportement d’acheteur ?

La confidentialité doit être intégrée dans le système dès le départ. Vous ne pouvez pas la traiter comme un ajout ultérieur.

Chez AIUTA, nous nous concentrons sur l’amélioration de la représentation plutôt que sur la collecte de plus de données personnelles. En comprenant mieux les vêtements et la diversité corporelle de manière globale, nous pouvons offrir des expériences plus pertinentes sans nous appuyer sur des informations individuelles sensibles.

Cet équilibre est critique — en particulier dans la mode, où la confiance joue un rôle si important dans les décisions d’achat.

Les visuels générés par l’IA soulèvent des inquiétudes quant aux corps embellis ou aux vêtements mal représentés. Comment abordez-vous l’authenticité et l’intégrité de la marque lors du déploiement de systèmes génératifs à grande échelle ?

Ceci est quelque chose à quoi nous réfléchissons constamment, et pour moi, cela est également devenu très personnel.

Pendant ma grossesse, je suis devenue beaucoup plus consciente de la façon dont la plupart des systèmes d’IA sont limités lorsqu’il s’agit de représenter des corps qui sortent des normes étroites. La grossesse est temporaire, mais c’est un état physique très réel, et pourtant, elle est souvent complètement absente des données de formation. Je pouvais voir de première main à quel point facilement l’IA échoue lorsque les corps changent, même légèrement, par rapport à ce que le système considère comme « standard ».

De nombreux systèmes génératifs sont conçus pour rendre les choses « meilleures », ce qui, pour beaucoup, peut faussement signifier plus lisse, plus mince ou plus idéalisé. Mais dans la mode, cette approche se brise rapidement la confiance. Si le corps est embellit ou que le vêtement est subtilement modifié, les clients se retrouvent avec un produit qui ne correspond pas à ce qu’ils ont vu.

Chez AIUTA, nous concevons délibérément pour le réalisme. Notre objectif est de montrer les vêtements sur des corps réels, y compris des corps qui ne correspondent pas aux attentes étroites de l’industrie, qu’il s’agisse de différentes tailles, de proportions ou d’anatomies plus complexes comme la maternité. Nous associons également l’IA à un contrôle de la qualité humaine pour capturer les cas limites et nous assurer que chaque sortie correspond aux normes de la marque.

L’authenticité n’est pas seulement une valeur pour nous, c’est essentiel pour l’adoption à long terme. Si les clients et les marques ne font pas confiance à ce qu’ils voient, la technologie ne fonctionnera simplement pas.

En regardant vers l’avenir, comment voyez-vous l’IA générative remodeler l’écosystème de la mode plus large, y compris les jumeaux numériques, les modèles de monétisation et l’avenir de la production créative ?

Je pense que nous nous dirigeons vers un monde où les visuels ne sont plus des actifs statiques, mais des systèmes vivants.

Les jumeaux numériques, pour les vêtements et les modèles, deviendront beaucoup plus courants. Cela ouvrira de nouveaux modèles de monétisation et permettra aux travaux créatifs de se développer de manière qui n’était pas possible auparavant.

Plus largement, la production créative deviendra plus rapide, plus flexible et plus réactive. Finalement, les marques qui réussiront seront celles qui utilisent l’IA de manière réfléchie et la déploient comme une infrastructure qui soutient l’exactitude, la créativité et la confiance.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter AIUTA.