Maisa Benatti, CEO di AIUTA – Serie di interviste

Maísa Benatti CEO di AIUTA è un leader visionario nel settore fashion-tech e dell’intelligenza artificiale generativa, attualmente alla guida della missione dell’azienda per rivoluzionare le esperienze di moda digitali a partire da Londra dal dicembre 2024. Nel suo ruolo di Amministratore Delegato, si concentra sulla costruzione di soluzioni di intelligenza artificiale scalabili che aiutano i marchi a produrre contenuti visivi di alta qualità, migliorare i percorsi dei clienti e sbloccare opportunità di crescita, attingendo alla sua profonda esperienza nel design di prodotto, nella ricerca di esperienza utente e nell’intelligenza artificiale maturata nel suo precedente incarico di Chief Product Officer di AIUTA e nei ruoli di leadership di prodotto senior in aziende come FARFETCH e Amazon (AMZN ). La sua esperienza copre l’intelligenza artificiale generativa per la personalizzazione e la scoperta, i grandi modelli linguistici e l’innovazione nel commercio elettronico, spingendo costantemente in avanti le applicazioni dell’intelligenza artificiale che rendono lo shopping di moda più intuitivo e coinvolgente.

AIUTA è una piattaforma di innovazione di intelligenza artificiale modulare che trasforma il modo in cui i marchi di moda e i dettaglianti interagiscono con gli acquirenti online integrando tecnologie avanzate come la prova virtuale, la stylistica personalizzata e la creazione di contenuti guidata dall’intelligenza artificiale direttamente nei negozi digitali. La suite di soluzioni dell’azienda consente esperienze di shopping immersive e interattive che aumentano la conversione e riducono le restituzioni permettendo ai consumatori di visualizzare gli abiti su se stessi in tempo reale, mentre aiutano i marchi a scalare visuali di qualità da studio e raccomandazioni di outfit con modelli di intelligenza artificiale proprietari che gestiscono la rappresentazione realistica, gli adattamenti virtuali che preservano il corpo e l’integrazione del catalogo senza soluzione di continuità.

La tua carriera è iniziata nel design di moda e nella ricerca di tendenze prima di passare a ruoli di leadership di prodotto e customer-facing in Farfetch e Amazon. Come hanno plasmato le tue esperienze iniziali nel settore della moda la tua prospettiva su dove l’intelligenza artificiale può avere il maggior impatto significativo nel commercio?

Non sono entrata nel settore della moda perché volevo disegnare cose belle — sono entrata perché ero curiosa di come funzionasse l’industria in realtà. Anche all’inizio, ero molto più interessata a domande come: Come si scala? Perché è costoso? Perché si rompe una volta che raggiunge il cliente?

Quando mi sono trasferita in ruoli di customer e prodotto in Farfetch e successivamente in Amazon Fashion, quella curiosità si è trasformata in qualcosa di molto concreto. Potevo vedere come gran parte dell’esperienza di shopping online dipendesse dalle immagini e come quelle immagini non dicessero molto su come un capo di abbigliamento si adatterebbe o si comporterebbe sul corpo.

È lì che l’intelligenza artificiale ha iniziato a sembrarmi significativa, non come un trucco creativo, ma come un modo per colmare il divario tra ciò che i marchi mostrano e ciò che i clienti ricevono effettivamente. Se l’intelligenza artificiale potesse aiutare a rappresentare gli abiti in modo più onesto e su larga scala, potrebbe migliorare la fiducia, ridurre gli sprechi e far funzionare il commercio meglio per tutti i coinvolti.

L’intelligenza artificiale nella moda è spesso circondata da iperbole. Quali sono i più grandi malintesi che i marchi hanno sull’applicazione della visione computerizzata e dell’intelligenza artificiale generativa al retail, e dove la maggior parte delle iniziative fallisce?

Il più grande malinteso è che se qualcosa sembra impressionante in una demo, è pronto per la produzione. In realtà, quelle sono due cose molto diverse.

La moda è piena di casi limite: diversi tipi di corpo, tessuti, costruzioni e standard di marca. Molti strumenti di intelligenza artificiale non sono progettati per gestire quella complessità in modo coerente. Potrebbero generare qualcosa che sembra buono una volta, ma si dissolve quando si tenta di applicarlo a un intero catalogo.

Un altro problema è che la moda è spesso trattata come un problema visivo generico. Non lo è. Gli abiti sono oggetti fisici e se il tuo sistema non capisce come si comportano gli abiti nel mondo reale, l’output potrebbe sembrare attraente ma non sarà attendibile. L’impatto di quel divario è significativo — circa il 40% degli ordini di moda online vengono restituiti, il che danneggia sia i bilanci dei dettaglianti che l’ambiente. Quando le immagini rappresentano in modo errato la vestibilità o l’aspetto, l’incertezza aumenta e di solito è lì che le iniziative di intelligenza artificiale si bloccano.

Molti dettaglianti citano l’incertezza sulla vestibilità e sull’aspetto come un importante fattore di restituzione. Dalla tua esperienza lavorativa sulle dimensioni e sulla vestibilità in Farfetch e Amazon, cosa richiede realmente all’intelligenza artificiale per ridurre le restituzioni in modo misurabile?

Ridurre le restituzioni non significa aggiungere una funzionalità, significa aumentare la fiducia nel momento dell’acquisto.

Le dimensioni e la vestibilità significano anche cose diverse in diverse regioni. Le aspettative sulla vestibilità sono culturali. Una “vestibilità perfetta” in un mercato può sentirsi troppo stretta o troppo larga in un altro. L’intelligenza artificiale può mappare quei modelli e personalizzare le raccomandazioni in base al comportamento regionale e alle preferenze individuali, non solo alle misure.

C’è anche un problema strutturale nelle immagini di moda. La maggior parte dei prodotti viene fotografata in un unico campione di taglia, spesso ritoccata in studio per apparire più attraente. Ciò crea aspettative irrealistiche. Scattare foto di ogni capo su più tipi di corpo sarebbe ideale, ma per la maggior parte delle aziende, è operativamente complesso e proibitivamente costoso.

È lì che l’intelligenza artificiale diventa trasformativa. Consente ai marchi di mostrare come gli abiti si comportano su diversi tipi di corpo e toni di pelle su larga scala, con realismo.

Il realismo è la chiave. Se ciò che gli acquirenti vedono sembra veritiero e coerente in tutto il catalogo, la fiducia aumenta. Quando la fiducia aumenta, le restituzioni diminuiscono.

Le demo di prova virtuale possono sembrare impressionanti in isolamento, ma scalare su migliaia di SKU è una sfida diversa. Quali sono gli ostacoli tecnici o operativi che emergono a livello di catalogo, e come AIUTA li ha affrontati?

A livello di catalogo, ci si rende rapidamente conto che una buona demo non è sufficiente. Dalla mia esperienza nella gestione di iniziative di prova virtuale e vestibilità in Farfetch e Amazon, le sfide più grandi non erano solo relative all’accuratezza. Erano costi, velocità e complessità operativa. I sistemi che funzionavano nei piloti diventavano troppo costosi, troppo lenti o troppo manuali una volta tentato di implementarli su un catalogo reale.

La latenza è una parte importante di ciò. Se una prova virtuale richiede troppo tempo per caricarsi, i clienti semplicemente non la useranno, indipendentemente da quanto sia accurata. È per questo che le prestazioni sono state una costrizione di progetto fondamentale per noi fin dall’inizio. Oggi, la prova virtuale di AIUTA si carica in circa 4-7 secondi in produzione, il che è significativamente più veloce della maggior parte delle soluzioni sul mercato.

La complessità operativa è altrettanto importante. Molti strumenti richiedono una preparazione approfondita, input dettagliati o lavoro manuale continuo da parte dei team di marca. AIUTA è progettata per funzionare con input molto semplici, con uno sforzo minimo richiesto ai dettaglianti, preservando al contempo l’accuratezza dei capi. Di conseguenza, possiamo passare dalla generazione di centinaia di immagini a settimana a migliaia di immagini al giorno, permettendo ai marchi di scalare la prova virtuale su grandi cataloghi senza aggiungere sovraccarico operativo.

Infine, c’è la coerenza. Molti sistemi iniziano a distorcere tessuti o proporzioni una volta che si scala. Controllando l’intera pipeline dalla cattura e annotazione dei capi all’addestramento e alla distribuzione del modello, siamo in grado di mantenere l’identità e il realismo del capo alla scala in cui operano effettivamente i dettaglianti di grandi dimensioni.

AIUTA combina pipeline di visione computerizzata con modelli generativi. Come assicuri il realismo e l’accuratezza del capo mentre consegni output abbastanza rapidi per i flussi di lavoro aziendali?

Siamo molto intenzionali su ciò per cui ottimizziamo. La velocità conta, ma l’accuratezza viene per prima.

I nostri sistemi sono addestrati specificamente su dati di moda, e questa distinzione è importante. Non ci affidiamo a set di dati standard di e-commerce che tendono a replicare gli stessi tipi di corpo ristretti più e più volte — stiamo parlando di modelli tipicamente alti e magri. Invece, possediamo e abbiamo creato sinteticamente un set di dati altamente diversificato costruito intorno a rappresentazioni umane realistiche, con diverse forme di corpo, proporzioni e costruzioni di capi.

Perché i modelli sono addestrati su quella diversità, capiscono cose come la texture dei tessuti, la caduta e la costruzione in un modo molto più realistico. Di conseguenza, non dobbiamo “correggere” gli output dopo il fatto. Il realismo è costruito nel sistema fin dall’inizio.

Sul lato infrastrutturale, abbiamo anche investito molto nelle prestazioni. Il risultato è che i marchi possono generare output di alta qualità in secondi, non minuti, il che rende la tecnologia utilizzabile in ambienti di produzione reali piuttosto che solo in fase di sperimentazione.

Quali sono le sfide più grandi che le aziende affrontano quando integrano gli strumenti di intelligenza artificiale nei flussi di lavoro creativi, di merchandising e di produzione di contenuti esistenti?

La maggior parte delle aziende ha già sistemi e processi complessi in atto. La sfida più grande è che molti strumenti di intelligenza artificiale sono costruiti come prodotti autonomi, non come parte di un flusso di lavoro più ampio.

Perché l’intelligenza artificiale sia effettivamente adottata, deve integrarsi in modo pulito, sia tecnicamente che operativamente. Ciò significa API, conformità alla sicurezza, qualità prevedibile e chiara proprietà quando qualcosa va storto.

C’è anche un elemento di fiducia. I marchi sono comprensibilmente cauti nell’alloware ai sistemi generativi di toccare i loro asset visivi di base. È per questo che la affidabilità e il controllo della qualità contano tanto quanto l’innovazione.

Ha guidato iniziative di intelligenza artificiale e personalizzazione all’interno di grandi piattaforme di mercato. Come costruire l’intelligenza artificiale all’interno di una grande piattaforma differisce dal costruire un’azienda di tecnologia approfondita focalizzata esclusivamente sull’infrastruttura di intelligenza artificiale per la moda?

All’interno di una grande piattaforma, l’intelligenza artificiale è solo una delle molte parti in movimento. Spesso si ottimizza all’interno di vincoli esistenti e si bilanciano priorità in competizione.

Costruire AIUTA è molto diverso perché l’intera azienda è focalizzata su un solo problema: le immagini di moda. Quella focalizzazione ci consente di andare più a fondo, tecnicamente e creativamente, e di muoverci più velocemente quando vediamo qualcosa che non funziona in produzione.

Ciò ci consente anche di costruire un’infrastruttura a lungo termine piuttosto che funzionalità a breve termine. Non stiamo solo risolvendo i casi d’uso di oggi, ma stiamo progettando sistemi che possano evolversi man mano che la tecnologia evolve.

Come bilancia la personalizzazione con la privacy quando lavora con dati di dimensioni, rappresentazioni del corpo e segnali di comportamento degli acquirenti?

La privacy deve essere costruita nel sistema fin dall’inizio. Non puoi trattarla come un’aggiunta successiva.

AIUTA si concentra sull’miglioramento della rappresentazione piuttosto che sulla raccolta di più dati personali. Comprendendo meglio i capi e la diversità del corpo in aggregato, possiamo offrire esperienze più rilevanti senza affidarci a informazioni individuali sensibili.

Quel equilibrio è critico — soprattutto nella moda, dove la fiducia gioca un ruolo così importante nelle decisioni di acquisto.

L’intelligenza artificiale generata solleva preoccupazioni su corpi abbelliti o capi mal rappresentati. Come si approccia all’autenticità e all’integrità del marchio quando si distribuiscono sistemi generativi su larga scala?

Questo è qualcosa a cui pensiamo costantemente, e per me è diventato anche molto personale.

Durante la mia gravidanza, sono diventata molto più consapevole di quanto siano limitati la maggior parte dei sistemi di intelligenza artificiale quando si tratta di rappresentare corpi che si discostano dai canoni ristretti. La gravidanza è temporanea, ma è uno stato fisico molto reale, eppure è spesso completamente assente dai set di dati di addestramento. Potevo vedere di persona come facilmente l’intelligenza artificiale fallisce quando i corpi cambiano, anche solo leggermente, da ciò che il sistema considera “standard”.

Molti sistemi generativi sono progettati per far apparire le cose “migliori”, il che, per molti, può significare liscio, snello o più idealizzato. Ma nella moda, quell’approccio si rompe rapidamente la fiducia. Se il corpo è abbellito o il capo è sottilmente alterato, i clienti finiscono per avere un prodotto che non corrisponde a ciò che è stato mostrato.

AIUTA progetta intenzionalmente per il realismo. Il nostro obiettivo è mostrare i capi su corpi reali, inclusi corpi che non si adattano alle aspettative ristrette dell’industria, che sia diverse taglie, proporzioni o anatomie più complesse come la maternità. Abbiamo anche accoppiato l’intelligenza artificiale con il controllo di qualità umano per catturare i casi limite ed assicurare che ogni output si allinei con gli standard del marchio.

L’autenticità non è solo un valore per noi, è essenziale per l’adozione a lungo termine. Se i clienti e i marchi non si fidano di ciò che vedono, la tecnologia semplicemente non funzionerà.

Guardando avanti, come pensi che l’intelligenza artificiale generativa ridisegnerà l’ecosistema della moda più ampia, inclusi gemelli digitali, modelli di monetizzazione e il futuro della produzione creativa?

Credo che stiamo andando verso un mondo in cui le immagini non sono più asset statici, ma sistemi viventi.

I gemelli digitali, sia per i capi che per i modelli, diventeranno molto più comuni. Ciò aprirà nuovi modelli di monetizzazione e permetterà al lavoro creativo di scalare in modi che non erano possibili prima.

Più in generale, la produzione creativa diventerà più rapida, più flessibile e più reattiva. Alla fine, i marchi che avranno successo saranno quelli che useranno l’intelligenza artificiale in modo ponderato e la deployeranno come infrastruttura che supporta l’accuratezza, la creatività e la fiducia.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare AIUTA.