Maisa Benatti, CEO of AIUTA – Seri Wawancara

Maísa Benatti CEO di AIUTA adalah seorang pemimpin visioner di fashion-tech dan generative AI, saat ini memimpin misi perusahaan untuk merevolusi pengalaman fashion digital dari London sejak Desember 2024. Dalam perannya sebagai Chief Executive Officer, dia fokus pada membangun solusi AI yang dapat diskalakan untuk membantu merek memproduksi konten visual premium, meningkatkan perjalanan pelanggan, dan membuka peluang pertumbuhan, dengan mengandalkan keahlian mendalamnya dalam desain produk, penelitian UX, dan AI dari pengalaman sebelumnya sebagai Chief Product Officer di AIUTA dan peran kepemimpinan produk senior di perusahaan seperti FARFETCH dan Amazon (AMZN ). Latar belakangnya mencakup generative AI untuk personalisasi dan penemuan, model bahasa besar, dan inovasi e-commerce, yang secara konsisten mendorong aplikasi AI yang membuat berbelanja fashion lebih intuitif dan menarik.

AIUTA adalah platform inovasi AI modular yang mengubah cara merek fashion dan ritel berinteraksi dengan pelanggan online dengan mengintegrasikan teknologi canggih seperti virtual try-on, styling personal, dan pembuatan konten yang didorong AI langsung ke dalam toko digital. Suite solusi perusahaan memungkinkan pengalaman berbelanja yang imersif dan interaktif yang meningkatkan konversi dan mengurangi pengembalian dengan memungkinkan konsumen memvisualisasikan pakaian di tubuh mereka secara real-time, serta memungkinkan merek untuk menskalakan visual studio-grade dan rekomendasi outfit dengan model AI proprietary yang menangani rendering yang realistis, fit virtual yang mempertahankan tubuh, dan integrasi katalog yang mulus.

Karir Anda dimulai di desain fashion dan penelitian tren sebelum pindah ke peran yang berfokus pada pelanggan dan kepemimpinan produk di Farfetch dan Amazon Fashion. Bagaimana pengalaman awal Anda di fashion membentuk perspektif Anda tentang di mana AI dapat menciptakan dampak yang paling berarti dalam perdagangan?

Saya tidak memasuki fashion karena saya ingin merancang hal-hal yang indah — saya memasukinya karena saya penasaran tentang bagaimana industri itu sebenarnya bekerja. Bahkan dari awal, saya lebih tertarik pada pertanyaan seperti: Bagaimana ini berkembang? Mengapa ini mahal? Mengapa ini rusak ketika mencapai pelanggan?

Ketika saya pindah ke peran yang berfokus pada pelanggan dan produk di Farfetch dan kemudian Amazon Fashion, rasa penasaran itu berubah menjadi sesuatu yang sangat konkrit. Saya bisa melihat bagaimana banyak pengalaman berbelanja online bergantung pada visual, dan bagaimana sedikit visual tersebut sebenarnya memberitahu Anda tentang bagaimana pakaian akan pas atau berperilaku di tubuh Anda.

Itulah di mana AI mulai terasa bermakna bagi saya, tidak sebagai trik kreatif, tetapi sebagai cara untuk menutup kesenjangan antara apa yang ditunjukkan merek dan apa yang sebenarnya diterima pelanggan. Jika AI dapat membantu merepresentasikan pakaian dengan lebih jujur dan dalam skala, itu dapat meningkatkan kepercayaan, mengurangi limbah, dan membuat perdagangan bekerja lebih baik untuk semua pihak yang terlibat.

AI di fashion sering dikelilingi oleh hype. Apa yang merupakan kesalahpahaman terbesar yang dimiliki merek tentang menerapkan computer vision dan generative AI pada ritel, dan di mana sebagian besar inisiatif gagal?

Kesalahpahaman terbesar adalah bahwa jika sesuatu terlihat mengesankan dalam demo, itu sudah siap untuk produksi. Dalam kenyataan, itu adalah dua hal yang sangat berbeda.

Fashion penuh dengan kasus tepi: jenis tubuh yang berbeda, bahan, konstruksi, dan standar merek. Banyak alat AI tidak dibangun untuk menangani kompleksitas tersebut secara konsisten. Mereka mungkin menghasilkan sesuatu yang terlihat baik sekali, tetapi hancur ketika Anda mencoba menerapkannya di seluruh katalog.

Masalah lainnya adalah bahwa fashion sering diperlakukan seperti masalah visual generik. Ini tidak. Pakaian adalah objek fisik, dan jika sistem Anda tidak memahami bagaimana pakaian berperilaku di dunia nyata, outputnya mungkin terlihat menarik tetapi tidak dapat dipercaya. Dampak dari kesenjangan itu sangat signifikan — sekitar 40% dari pesanan fashion online dikembalikan, yang merugikan baik laporan keuangan pengecer dan lingkungan. Ketika visual merepresentasikan kesesuaian atau penampilan, ketidakpastian meningkat, dan itulah biasanya di mana inisiatif AI macet.

Banyak pengecer menyebutkan ketidakpastian ukuran dan penampilan sebagai penggerak utama pengembalian. Dari pengalaman Anda bekerja pada ukuran dan kesesuaian di Farfetch dan Amazon, apa yang sebenarnya diperlukan agar AI dapat mengurangi pengembalian dengan cara yang dapat diukur?

Mengurangi pengembalian bukanlah tentang menambahkan fitur, tetapi tentang meningkatkan kepercayaan pada saat pembelian.

Ukuran dan kesesuaian juga memiliki arti yang berbeda di seluruh wilayah. Harapan kesesuaian bersifat budaya. “Kesesuaian yang sempurna” di satu pasar mungkin terasa terlalu ketat atau terlalu longgar di pasar lain. AI dapat memetakan pola-pola tersebut dan memberikan rekomendasi yang dipersonalisasi berdasarkan perilaku regional dan preferensi individu, bukan hanya ukuran.

Ada juga masalah struktural dalam gambar fashion. Sebagian besar produk difoto pada satu ukuran sampel, sering dipotong di studio untuk terlihat lebih menarik. Itu menciptakan harapan yang tidak realistis. Mengambil gambar setiap pakaian pada beberapa jenis tubuh akan ideal, tetapi bagi sebagian besar bisnis, itu operasional yang kompleks dan biayanya sangat mahal.

Itulah di mana AI menjadi transformatif. Ini memungkinkan merek untuk menunjukkan bagaimana pakaian berperilaku di berbagai jenis tubuh dan warna kulit dalam skala, dengan realisme.

Realisme adalah kunci. Jika apa yang dilihat pelanggan terasa benar dan konsisten di seluruh katalog, kepercayaan meningkat. Ketika kepercayaan meningkat, pengembalian menurun.

Demo virtual try-on dapat terlihat mengesankan dalam isolasi, tetapi menskalakan mereka di seluruh ribuan SKU adalah tantangan yang berbeda. Apa yang merupakan hambatan teknis atau operasional yang muncul pada skala katalog, dan bagaimana AIUTA telah menanganinya?

Pada skala, Anda dengan cepat menyadari bahwa demo yang baik tidak cukup. Dari pengalaman saya menjalankan inisiatif virtual try-on dan kesesuaian di Farfetch dan Amazon, tantangan terbesar tidak hanya terkait akurasi. Mereka adalah biaya, kecepatan, dan kompleksitas operasional. Sistem yang bekerja dalam pilot menjadi terlalu mahal, terlalu lambat, atau terlalu manual sekali Anda mencoba menerapkannya di seluruh katalog yang sebenarnya.

Latensi adalah bagian besar dari itu. Jika virtual try-on membutuhkan waktu terlalu lama untuk dimuat, pelanggan hanya tidak akan menggunakannya, tidak peduli seberapa akurat itu. Itulah mengapa kinerja adalah konstrain desain inti bagi kami dari awal. Hari ini, virtual try-on AIUTA memuat dalam sekitar 4 hingga 7 detik dalam produksi, yang jauh lebih cepat daripada sebagian besar solusi di pasar.

Kompleksitas operasional sama pentingnya. Banyak solusi memerlukan persiapan yang berat, input yang terperinci, atau pekerjaan manual yang berkelanjutan dari tim merek. AIUTA dirancang untuk bekerja dari input yang sangat sederhana, dengan upaya minimal yang diperlukan dari pengecer, sambil tetap mempertahankan akurasi pakaian. Sebagai hasilnya, kami dapat berpindah dari menghasilkan ratusan gambar per minggu ke ribuan gambar per hari, memungkinkan merek untuk menskalakan virtual try-on di seluruh katalog besar tanpa menambahkan beban operasional.

Terakhir, ada konsistensi. Banyak sistem mulai mendistorsi bahan atau proporsi sekali Anda menskalakannya. Dengan mengontrol pipa penuh dari penangkapan pakaian dan anotasi ke pelatihan model dan penerapan, kami dapat mempertahankan identitas pakaian dan realisme pada skala yang sebenarnya dioperasikan oleh pengecer.

AIUTA menggabungkan pipa visi komputer dengan model generatif. Bagaimana Anda memastikan realisme dan akurasi pakaian sambil tetap menghasilkan output dengan cukup cepat untuk alur kerja perusahaan?

Kami sangat sengaja tentang apa yang kami optimalkan. Kecepatan penting, tetapi akurasi datang lebih dulu.

Sistem kami dilatih secara khusus pada data fashion, dan perbedaan itu penting. Kami tidak mengandalkan dataset e-commerce standar yang cenderung mereplikasi jenis tubuh yang sama berulang-ulang — kami berbicara tentang model yang biasanya tinggi dan kurus. Sebaliknya, kami memiliki dan telah menciptakan secara sintetis dataset yang sangat beragam yang dibangun di sekitar representasi manusia yang realistis, dengan berbagai bentuk tubuh, proporsi, dan konstruksi pakaian.

Karena model-model tersebut dilatih pada keragaman itu, mereka memahami hal-hal seperti tekstur bahan, jatuh, dan konstruksi dengan cara yang jauh lebih realistis. Sebagai hasilnya, kami tidak perlu “memperbaiki” output setelah itu. Realisme dibangun ke dalam sistem dari awal.

Di sisi infrastruktur, kami juga telah berinvestasi berat dalam kinerja. Hasilnya adalah merek dapat menghasilkan output berkualitas tinggi dalam detik, bukan menit, yang membuat teknologi tersebut dapat digunakan dalam lingkungan produksi yang sebenarnya daripada hanya eksperimen.

Apa yang merupakan tantangan terbesar yang dihadapi perusahaan saat mengintegrasikan alat AI ke dalam alur kerja kreatif, merchandising, dan produksi konten yang ada?

Sebagian besar perusahaan sudah memiliki sistem dan proses yang kompleks yang ada. Tantangan terbesar adalah bahwa banyak alat AI dibangun sebagai produk yang berdiri sendiri, bukan sebagai bagian dari alur kerja yang lebih luas.

Untuk AI benar-benar diadopsi, itu harus terintegrasi dengan bersih, secara teknis dan operasional. Itu berarti API, kepatuhan keamanan, kualitas yang dapat diprediksi, dan pemilikan yang jelas ketika sesuatu salah.

Ada juga elemen kepercayaan. Merek secara alami berhati-hati tentang membiarkan sistem generatif menyentuh aset visual inti mereka. Itulah mengapa kontrol kualitas dan keandalan sama pentingnya dengan inovasi.

Anda telah memimpin inisiatif AI dan personalisasi di dalam marketplace besar. Bagaimana membangun AI di dalam platform besar berbeda dari membangun perusahaan deep-tech yang fokus secara eksklusif pada infrastruktur AI fashion?

Di dalam platform besar, AI adalah salah satu dari banyak bagian yang bergerak. Anda sering mengoptimalkan dalam konstrain yang ada dan menyeimbangkan prioritas yang bersaing.

Membangun AIUTA sangat berbeda karena seluruh perusahaan fokus pada satu masalah: visual fashion. Fokus itu memungkinkan kami untuk lebih dalam, secara teknis dan kreatif, dan bergerak lebih cepat ketika kami melihat sesuatu patah dalam produksi.

Ini juga memungkinkan kami untuk membangun infrastruktur jangka panjang daripada fitur jangka pendek. Kami tidak hanya memecahkan kasus penggunaan hari ini, tetapi merancang sistem yang dapat berkembang seiring dengan perkembangan teknologi.

Bagaimana Anda menyeimbangkan personalisasi dengan privasi saat bekerja dengan data ukuran, representasi tubuh, dan sinyal perilaku pembeli?

Privasi harus dibangun ke dalam sistem dari awal. Anda tidak dapat memperlakukannya sebagai tambahan nanti.

Di AIUTA, kami fokus pada meningkatkan representasi daripada mengumpulkan lebih banyak data pribadi. Dengan memahami pakaian dan keberagaman tubuh secara agregat, kami dapat menyampaikan pengalaman yang lebih relevan tanpa mengandalkan informasi individu yang sensitif.

Keseimbangan itu sangat kritis — terutama di fashion, di mana kepercayaan memainkan peran besar dalam keputusan pembelian.

Visual yang dihasilkan AI menimbulkan kekhawatiran tentang tubuh yang diperindah atau pakaian yang salah direpresentasikan. Bagaimana Anda mendekati keaslian dan integritas merek saat menerapkan sistem generatif pada skala?

Ini adalah sesuatu yang kami pikirkan terus-menerus, dan untuk saya itu juga menjadi sangat pribadi.

Selama kehamilan saya, saya menjadi lebih sadar tentang bagaimana banyak sistem AI terbatas ketika datang ke representasi tubuh yang jatuh di luar norma-norma yang sempit. Kehamilan adalah sementara, tetapi itu adalah keadaan fisik yang sangat nyata, dan yet itu sering sepenuhnya hilang dari data pelatihan. Saya bisa melihat secara langsung bagaimana AI dengan mudah gagal ketika tubuh berubah, bahkan sedikit, dari apa yang sistem anggap “standar.”

Banyak sistem generatif dirancang untuk membuat hal-hal “terlihat lebih baik,” yang, bagi banyak orang, dapat salah diartikan sebagai lebih halus, lebih ramping, atau lebih ideal. Tetapi di fashion, pendekatan itu dengan cepat memutus kepercayaan. Jika tubuh diperindah atau pakaian sedikit diubah, pelanggan akhirnya mendapatkan produk yang tidak sesuai dengan apa yang mereka lihat.

Di AIUTA, kami secara sengaja merancang untuk realisme. Tujuan kami adalah menunjukkan pakaian pada tubuh nyata, termasuk tubuh yang tidak sesuai dengan harapan industri yang sempit, apakah itu ukuran yang berbeda, proporsi, atau anatominya yang lebih kompleks seperti kehamilan. Kami juga menggabungkan AI dengan kontrol kualitas manusia untuk menangkap kasus tepi dan memastikan setiap output selaras dengan standar merek.

Keaslian bukan hanya nilai bagi kami, tetapi esensial untuk adopsi jangka panjang. Jika pelanggan dan merek tidak mempercayai apa yang mereka lihat, teknologi itu sederhananya tidak akan bekerja.

Menghadap ke depan, bagaimana Anda melihat generative AI mengubah ekosistem fashion yang lebih luas, termasuk digital twins, model monitisasi, dan masa depan produksi kreatif?

Saya pikir kita bergerak menuju dunia di mana visual tidak lagi menjadi aset statis, tetapi sistem yang hidup.

Digital twins, untuk pakaian dan untuk model, akan menjadi lebih umum. Itu membuka peluang model monitisasi baru dan memungkinkan pekerjaan kreatif untuk berkembang dengan cara yang sebelumnya tidak mungkin.

Lebih luas, produksi kreatif akan menjadi lebih cepat, lebih fleksibel, dan lebih responsif. Pada akhirnya, merek yang berhasil akan menjadi mereka yang menggunakan AI dengan bijak dan menerapkannya sebagai infrastruktur yang mendukung akurasi, kreativitas, dan kepercayaan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi AIUTA.