Maisa Benatti, CEO van AIUTA – Interviewreeks

Maísa Benatti CEO van AIUTA is een visionaire leider in fashion-tech en generatieve AI, die momenteel de missie van het bedrijf leidt om digitale modewaarervaringen te revolutioneren vanuit Londen sinds december 2024. In haar rol als CEO richt ze zich op het opbouwen van schaalbare AI-oplossingen die merken helpen om premium visuele content te produceren, klantreizen te verbeteren en groeimogelijkheden te ontgrendelen, waarbij ze put uit haar diepe expertise in productontwerp, UX-onderzoek en AI uit haar vorige functie als Chief Product Officer bij AIUTA en senior productleiderschapsrollen bij bedrijven als FARFETCH en Amazon (AMZN ). Haar achtergrond omvat generatieve AI voor personalisatie en ontdekking, grote taalmodellen en e-commerce-innovatie, waarbij ze consistent vooruitgaande AI-toepassingen stimuleert die modeshopping intuïtiever en aantrekkelijker maken.

AIUTA is een modulaire AI-innovatieplatform dat de manier waarop modemerken en -retailers online met klanten omgaan, verandert door geavanceerde technologieën zoals virtuele pasvorm, gepersonaliseerde styling en AI-gedreven contentcreatie rechtstreeks in digitale winkels te integreren. Het bedrijfsaanbod van oplossingen maakt immersieve, interactieve winkelervaringen mogelijk die conversie verhogen en retourzendingen verminderen door consumenten in staat te stellen om kleding op hun eigen lichaam te visualiseren in real-time, terwijl het merken ook in staat stelt om studio-kwaliteit visuals en outfit-aanbevelingen te schalen met propriëtaire AI-modellen die realistische rendering, lichaamsconserverende virtuele pasvormen en naadloze catalogusintegratie afhandelen.

Uw carrière begon in modedesign en trendonderzoek voordat u overstapte naar klantgerichte en productleiderschapsrollen bij Farfetch en Amazon Fashion. Hoe hebben die vroege ervaringen in de mode uw perspectief beïnvloed op waar AI de meest significante impact kan hebben in handel?

Ik kwam niet in de mode omdat ik mooie dingen wilde ontwerpen — ik kwam erin omdat ik nieuwsgierig was naar hoe de industrie eigenlijk werkt. Zelfs in het begin was ik veel meer geïnteresseerd in vragen zoals: Hoe schaalt dit? Waarom is dit duur? Waarom breekt het eenmaal het bij de klant aankomt?

Toen ik overstapte naar klant- en productrollen bij Farfetch en later Amazon Fashion, veranderde die nieuwsgierigheid in iets heel concreets. Ik kon zien hoeveel van de online winkelervaring afhankelijk is van visuals, en hoe weinig die visuals eigenlijk vertellen over hoe een kledingstuk past of zich op het lichaam gedraagt.

Daar begon AI voor mij te voelen als iets betekenisvols, niet als een creatieve truc, maar als een manier om de kloof tussen wat merken laten zien en wat klanten daadwerkelijk ontvangen te dichten. Als AI kon helpen om kleding eerlijker en op grote schaal weer te geven, kon het vertrouwen verbeteren, afval verminderen en handel voor iedereen beter laten werken.

AI in de mode wordt vaak omgeven door hype. Wat zijn de grootste misverstanden die merken hebben over het toepassen van computerzicht en generatieve AI in detailhandel, en waar falen de meeste initiatieven?

De grootste misverstand is dat als iets indrukwekkend lijkt in een demo, het klaar is voor productie. In werkelijkheid zijn dat twee heel verschillende dingen.

Mode zit vol randgevallen: verschillende lichaamstypen, stoffen, constructies en merkstandaarden. Veel AI-hulpmiddelen zijn niet gebouwd om die complexiteit consistent aan te kunnen. Ze kunnen iets genereren dat er een keer goed uitziet, maar dat uit elkaar valt als je het probeert toe te passen op een hele catalogus.

Een ander probleem is dat mode vaak wordt behandeld als een generieke visuele vraag. Het is dat niet. Kleding is een fysiek object, en als uw systeem niet begrijpt hoe kledingstukken zich in de echte wereld gedragen, kan de output er aantrekkelijk uitzien, maar niet betrouwbaar zijn. De impact van die kloof is aanzienlijk — ongeveer 40% van de online modewinkelbestellingen wordt geretourneerd, wat zowel de winst- en verliesrekening van retailers als het milieu schaadt. Wanneer visuals de pasvorm of het uiterlijk verkeerd weergeven, neemt de onzekerheid toe, en dat is meestal waar AI-initiatieven stilvallen.

Veel retailers noemen pasvorm- en uiterlijksonzekerheid als een belangrijke drijfveer voor retourzendingen. Uit uw ervaring met maat en pasvorm bij zowel Farfetch als Amazon, wat is er nodig om AI te laten reduceren retourzendingen op een meetbare manier?

Retourzendingen reduceren is niet het toevoegen van een functie, maar het verhogen van vertrouwen op het moment van aankoop.

Maat en pasvorm betekenen ook verschillende dingen in verschillende regio’s. Pasvormverwachtingen zijn cultureel. Een “perfecte pasvorm” in één markt kan te strak of te los aanvoelen in een andere. AI kan die patronen in kaart brengen en aanbevelingen personaliseren op basis van regionaal gedrag en individuele voorkeuren, niet alleen maten.

Er is ook een structureel probleem in modewaarbeelden. De meeste producten worden gefotografeerd op één voorbeeldmaat, vaak in een studio geknipt om er aantrekkelijker uit te zien. Dat creëert onrealistische verwachtingen. Het fotograferen van elke kleding op meerdere lichaamstypen zou ideaal zijn, maar voor de meeste bedrijven is het operationeel complex en prohibitief duur.

Daar wordt AI transformatief. Het stelt merken in staat om te laten zien hoe kledingstukken zich op diverse lichaamstypen en huidtinten op grote schaal gedragen, met realisme.

Realisme is key. Als wat klanten zien eerlijk en consistent aanvoelt over de hele catalogus, neemt het vertrouwen toe. Als het vertrouwen toeneemt, nemen retourzendingen af.

Virtuele pasvormdemonstraties kunnen indrukwekkend lijken in isolatie, maar het schalen ervan over duizenden SKUs is een andere uitdaging. Welke technische of operationele hindernissen ontstaan er bij catalogusschaal, en hoe heeft AIUTA deze aangepakt?

Op grote schaal realiseer je je al snel dat een goede demo niet genoeg is. Uit mijn ervaring met het runnen van virtuele pasvorm- en pasinitiatieven bij Farfetch en Amazon, waren de grootste uitdagingen niet alleen nauwkeurigheidsgerelateerd. Ze waren kosten, snelheid en operationele complexiteit. Systemen die in pilots werkten, werden te duur, te langzaam of te handmatig zodra je ze probeerde uit te rollen over een echte catalogus.

Latentie is een groot deel daarvan. Als een virtuele pasvorm te lang duurt om te laden, zullen klanten het gewoon niet gebruiken, ongeacht hoe nauwkeurig het is. Daarom was prestatie een belangrijke ontwerpeis voor ons vanaf het begin. Vandaag laadt AIUTA’s virtuele pasvorm in ongeveer 4 tot 7 seconden in productie, wat aanzienlijk sneller is dan de meeste oplossingen op de markt.

Operationele complexiteit is net zo belangrijk. Veel oplossingen vereisen zware voorbereiding, gedetailleerde invoer of voortdurend handmatig werk van merkteams. AIUTA is ontworpen om te werken vanuit zeer eenvoudige invoer, met minimale inspanning vereist van retailers, terwijl het nog steeds de nauwkeurigheid van kledingstukken behoudt. Als gevolg kunnen we overstappen van het genereren van honderden afbeeldingen per week naar duizenden afbeeldingen per dag, waardoor merken virtuele pasvorm kunnen schalen over grote catalogi zonder operationele overhead toe te voegen.

Ten slotte is er consistentie. Veel systemen beginnen stoffen of verhoudingen te vertekenen zodra je ze schaalt. Door de volledige pijplijn van kledingopname en annotatie tot modeltraining en implementatie te controleren, kunnen we de identiteit en realisme van kledingstukken op grote schaal behouden, zoals enterprise-retailers daadwerkelijk opereren.

AIUTA combineert computerzichtpijplijnen met generatieve modellen. Hoe waarborgt u realisme en kledingnauwkeurigheid, terwijl u nog steeds outputs levert die snel genoeg zijn voor enterprise-workflows?

We zijn zeer intentioneel over waar we voor optimaliseren. Snelheid is belangrijk, maar nauwkeurigheid komt eerst.

Onze systemen zijn specifiek getraind op modedata, en dat onderscheid is belangrijk. We vertrouwen niet op standaard e-commerce-datasets die de neiging hebben om dezelfde smalle lichaamstypen over en over weer te geven — we hebben het over typisch lange, dunne modellen. In plaats daarvan bezitten en hebben we een zeer diverse dataset synthetisch gecreëerd, gebouwd rond realistische menselijke representaties, met verschillende lichaamsvormen, verhoudingen en kledingconstructies.

Omdat de modellen zijn getraind op die diversiteit, begrijpen ze dingen zoals stoftextuur, val en constructie op een veel realistischere manier. Als gevolg hoeven we outputs niet na te bewerken. Realisme is ingebouwd in het systeem vanaf het begin.

Aan de infrastructuurkant hebben we ook zwaar geïnvesteerd in prestaties. Het resultaat is dat merken hoge kwaliteit outputs kunnen genereren in seconden, niet in minuten, waardoor de technologie bruikbaar is in echte productieomgevingen in plaats van alleen experimenten.

Wat zijn de grootste uitdagingen waar enterprises mee te maken krijgen bij het integreren van AI-hulpmiddelen in bestaande creatieve, merchandising- en contentproductie-workflows?

De meeste enterprises hebben al complexe systemen en processen op hun plaats. De grootste uitdaging is dat veel AI-hulpmiddelen zijn gebouwd als zelfstandige producten, niet als onderdeel van een bredere workflow.

Om AI daadwerkelijk te laten adopteren, moet het schoon integreren, zowel technisch als operationeel. Dat betekent API’s, beveiligingscompliantie, voorspelbare kwaliteit en duidelijke eigenaarschap wanneer er iets misgaat.

Er is ook een vertrouwenselement. Merken zijn terecht voorzichtig om generatieve systemen hun core-visuele assets te laten aanraken. Daarom zijn betrouwbaarheid en kwaliteitscontrole even belangrijk als innovatie.

U heeft AI- en personalisatie-initiatieven geleid binnen grote marktplaatsen. Hoe verschilt het opbouwen van AI binnen een grote platform van het opbouwen van een diep-techbedrijf dat zich uitsluitend richt op fashion AI-infrastructuur?

Binnen een groot platform is AI een van de vele bewegende delen. U optimaliseert vaak binnen bestaande beperkingen en concurreert met concurrerende prioriteiten.

Het opbouwen van AIUTA is heel anders omdat het hele bedrijf zich richt op één probleem: modewaarbeelden. Die focus laat ons toe om dieper te gaan, zowel technisch als creatief, en sneller te bewegen als we iets zien breken in productie.

Het laat ons ook toe om langetermijninfrastructuur te bouwen in plaats van kortetermijnfuncties. We lossen niet alleen de use cases van vandaag op, maar ontwerpen systemen die kunnen evolueren naarmate de technologie dat doet.

Hoe balanceert u personalisatie met privacy bij het werken met maatgegevens, lichaamsrepresentaties en winkelgedragsignalen?

Privacy moet vanaf het begin in het systeem zijn ingebouwd. U kunt het niet later als een add-on behandelen.

Bij AIUTA richten we ons op het verbeteren van de representatie in plaats van het verzamelen van meer persoonlijke gegevens. Door beter te begrijpen hoe kledingstukken en lichaamsdiversiteit in aggregate zijn, kunnen we relevantere ervaringen bieden zonder afhankelijk te zijn van gevoelige individuele informatie.

Die balans is kritisch — vooral in de mode, waar vertrouwen zo’n grote rol speelt in aankoopbeslissingen.

AI-gegenereerde visuals wekken zorgen op over geïdealiseerde lichamen of verkeerd weergegeven kledingstukken. Hoe gaat u te werk bij het waarborgen van authenticiteit en merkintegriteit bij het inzetten van generatieve systemen op grote schaal?

Dit is iets waar we constant over nadenken, en voor mij werd het ook heel persoonlijk.

Tijdens mijn zwangerschap werd ik me veel meer bewust van hoe beperkt de meeste AI-systemen zijn als het gaat om het weergeven van lichamen die buiten smalle normen vallen. Zwangerschap is tijdelijk, maar het is een heel reële fysieke toestand, en toch ontbreekt het vaak volledig in trainingsdata. Ik kon zien hoe gemakkelijk AI faalt als lichamen veranderen, zelfs een beetje, van wat het systeem als “standaard” beschouwt.

Veel generatieve systemen zijn ontworpen om dingen “beter” te laten zien, wat voor velen verkeerd kan betekenen: gladder, slanker of idealer. Maar in de mode breekt die aanpak snel het vertrouwen. Als het lichaam wordt geïdealiseerd of het kledingstuk subtiel wordt gewijzigd, krijgen klanten een product dat niet overeenkomt met wat ze te zien kregen.

Bij AIUTA ontwerpen we bewust voor realisme. Ons doel is om kleding op echte lichamen te laten zien, inclusief lichamen die niet voldoen aan de smalle verwachtingen van de industrie, of het nu gaat om verschillende maten, verhoudingen of complexere anatomieën zoals zwangerschap. We combineren AI ook met menselijke kwaliteitscontrole om randgevallen te vangen en te garanderen dat elke output overeenkomt met de standaarden van het merk.

Authenticiteit is niet alleen een waarde voor ons, maar essentieel voor langetermijnaanname. Als klanten en merken niet vertrouwen wat ze zien, zal de technologie eenvoudigweg niet werken.

Kijkend naar de toekomst, hoe ziet u generatieve AI de bredere modewereld veranderen, inclusief digitale tweelingen, monetaire modellen en de toekomst van creatieve productie?

Ik denk dat we naar een wereld gaan waarin visuals geen statische assets meer zijn, maar levende systemen.

Digitale tweelingen, voor kledingstukken en voor modellen, zullen veel vaker voorkomen. Dat opent nieuwe monetaire modellen en laat creatief werk op schaal toepassen op manieren die eerder niet mogelijk waren.

Over het algemeen zal creatieve productie sneller, flexibeler en responsiever worden. Uiteindelijk zullen de merken die slagen, zijn diegenen die AI zorgvuldig gebruiken en inzetten als infrastructuur die nauwkeurigheid, creativiteit en vertrouwen ondersteunt.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen bezoeken AIUTA.