Maisa Benatti, CEO of AIUTA – Intervju-serie

Maísa Benatti CEO i AIUTA er en visjonær leder i fashion-tech og generativ AI, og leder for tiden selskapets misjon om å revolusjonere digitale moteopplevelser fra London siden desember 2024. I sin rolle som CEO fokuserer hun på å bygge skalerbare AI-løsninger som hjelper merker å produsere premium visuell innhold, forbedre kundeopplevelser og åpne for vekstmuligheter, og trekker på sin dype ekspertise i produktutvikling, UX-forskning og AI fra sin tidligere stilling som Chief Product Officer i AIUTA og senior produktlederstillinger i selskaper som FARFETCH og Amazon (AMZN ). Hennes bakgrunn omfatter generativ AI for personalisering og oppdagelse, store språkmodeller og e-handelsinnovasjon, og driver konsekvent fremover AI-applikasjoner som gjør motehandel mer intuitiv og engasjerende.

AIUTA er en modulær AI-innovasjonsplattform som transformerer hvordan motemerker og detaljister engasjerer kunder online ved å integrere avanserte teknologier som virtuell prøving, personalisert styling og AI-drevet innholdsskapelse direkte i digitale butikker. Selskapets løsningsportefølje muliggjør immersive, interaktive handleopplevelser som øker konvertering og reduserer returneringer ved å la kunder visualisere klær på seg selv i sanntid, samt å gi merker mulighet til å skalerer studio-graderte visuelle og outfit-anbefalinger med egenutviklede AI-modeller som håndterer realistisk rendering, kroppsbevarende virtuelle pas og sømløs katalogintegrering.

Din karriere begynte i motedesign og trendforskning før du gikk over til kundeorienterte og produktlederstillinger i Farfetch og Amazon Fashion. Hvordan påvirkte disse tidlige erfaringene din perspektiv på hvor AI kan skape mest mening i handel?

Jeg kom ikke inn i mote fordi jeg ville designe vakre ting — jeg kom inn i det fordi jeg var nysgjerrig på hvordan industrien faktisk fungerer. Allerede tidlig var jeg mye mer interessert i spørsmål som: Hvordan skalerer dette? Hvorfor er dette dyrt? Hvorfor bryter det sammen når det når kunden?

Når jeg gikk over til kunde- og produktroller i Farfetch og senere Amazon Fashion, ble den nysgjerrigheten til noe meget konkrete. Jeg kunne se hvordan mye av nettbutikkens opplevelse avhenger av visuelle aspekter, og hvor lite disse visuelle aspektene faktisk forteller deg om hvordan en klesplagg vil passe eller oppføre seg på kroppen.

Dette er der AI begynte å føles meningsfullt for meg, ikke som en kreativ triks, men som en måte å lukke gapet mellom hva merker viser og hva kunder faktisk mottar. Hvis AI kunne hjelpe med å representere klær mer ærlig og i skala, kunne det forbedre tillit, redusere avfall og gjøre handel bedre for alle involverte.

AI i mote er ofte omgitt av hype. Hva er de største misforståelsene merker har om å bruke datavisning og generativ AI i detaljhandel, og hvor faller de fleste initiativene kort?

Den største misforståelsen er at hvis noe ser imponerende ut i en demo, er det klart til produksjon. I virkeligheten er disse to helt forskjellige ting.

Mote er fullt av spesialtilfeller: forskjellige kropper, stoff, konstruksjoner og merkestandarder. Mange AI-verktøy er ikke bygget for å håndtere denne kompleksiteten konsekvent. De kan generere noe som ser bra ut en gang, men som bryter sammen når du prøver å bruke det på hele katalogen.

Et annet problem er at mote ofte behandles som et generisk visuelt problem. Det er det ikke. Klær er et fysisk objekt, og hvis systemet ditt ikke forstår hvordan klær oppfører seg i den virkelige verden, vil outputtet se attraktivt ut, men ikke være pålitelig. Virkningen av dette gapet er betydelig — rundt 40% av nettbestillinger returneres, noe som skader både detaljisters P&L og miljøet. Når visuelle aspekter misrepresenterer pasning eller utseende, øker usikkerheten, og det er vanligvis der AI-initiativene stopper.

Mange detaljister nevner pasning og utseendeusikkerhet som en stor driver for returneringer. Fra din erfaring med størrelse og pasning i både Farfetch og Amazon, hva kreves det for at AI skal redusere returneringer på en målbar måte?

Å redusere returneringer handler ikke om å legge til en funksjon, men om å øke tillit i kjøpsøyeblikket.

Størrelse og pasning betyr også forskjellige ting på tvers av regioner. Pasningsforventninger er kulturelle. En “perfekt pasning” i en markedsregion kan føles for trang eller for løs i en annen. AI kan kartlegge disse mønsterne og tilpasse anbefalinger basert på regional atferd og individuelle preferanser, ikke bare målinger.

Det er også et strukturelt problem i motebilder. De fleste produkter blir fotografert i én prøvestørrelse, ofte klippet i studio for å se mer flatterende ut. Dette skaper urealistiske forventninger. Å fotografere hver klesplagg på flere kropper ville være ideelt, men for de fleste bedrifter er det operasjonelt komplekst og prohibitivt dyrt.

Dette er der AI blir transformasjonell. Det lar merker vise hvordan klær oppfører seg på forskjellige kropper og hudtoner i skala, med realisme.

Realisme er nøkkel. Hvis det kundene ser føles ærlig og konsekvent på tvers av katalogen, øker tilliten. Når tilliten øker, reduseres returneringene.

Virtual try-on-demonstrasjoner kan se imponerende ut i isolasjon, men å skalerer dem over tusenvis av varenummer er en annen utfordring. Hva tekniske eller operative hindringer oppstår på katalogskala, og hvordan har AIUTA løst dem?

På skala realiserer du raskt at en god demo ikke er nok. Fra min erfaring med å kjøre virtuell prøving og pasningsinitiativer i Farfetch og Amazon, var de største utfordringene ikke bare relatert til nøyaktighet, men også kostnader, hastighet og operasjonell kompleksitet. Systemer som fungerte i piloter ble for dyre, for langsomme eller for manuelle når du prøvde å rulle dem ut over en virkelig katalog.

Latens er en stor del av dette. Hvis en virtuell prøving tar for lang tid å laste, vil kundene enkelt ikke bruke den, uansett hvor nøyaktig den er. Derfor var ytelse en kjernedesignbegrensning for oss fra starten. I dag laster AIUTAs virtuelle prøving i omtrent 4 til 7 sekunder i produksjon, noe som er betydelig raskere enn de fleste løsningene på markedet.

Operasjonell kompleksitet er like viktig. Mange løsninger krever tung forberedelse, detaljerte innputt eller kontinuerlig manuell arbeid fra merke-team. AIUTA er designet for å fungere fra enkle innputt, med minimal innsats nødvendig fra detaljister, mens den samtidig bevare klærnøyaktighet. Som resultat kan vi gå fra å generere hundrevis av bilder per uke til å generere tusenvis av bilder per dag, og la merker skalerer virtuell prøving over store kataloger uten å legge til operasjonell overhead.

Til slutt er det konsistens. Mange systemer begynner å forvrengte stoff eller proporsjoner når du skalerer. Ved å kontrollere hele pipeline fra klesfangst og annotering til modelltrening og utrulling, er vi i stand til å bevare klesidentitet og realisme på skalaen store detaljister faktisk opererer på.

AIUTA kombinerer datavisjons-pipelines med generative modeller. Hvordan sikrer du realisme og klesnøyaktighet samtidig som du leverer utdata raskt nok for bedriftsarbetsflyter?

Vi er meget bevisste på hva vi optimaliserer for. Hastighet betyr noe, men nøyaktighet kommer først.

Våre systemer er trent spesifikt på mote-data, og den forskjellen er viktig. Vi avhenger ikke av standard e-handelsdatasett som tenderer til å replikere de samme smale kropper gang på gang — vi snakker om typisk høye, tynne modeller. I stedet eier og har vi syntetisk skapt et svært diversifisert datasett bygget rundt realistiske menneskelige representasjoner, med forskjellige kroppsformer, proporsjoner og kleskonstruksjoner.

Fordi modellene er trent på denne diversiteten, forstår de ting som stofftekstur, drap og konstruksjon på en mye mer realistisk måte. Som resultat trenger vi ikke “fikse” utdata etterpå. Realisme er bygget inn i systemet fra starten.

På infrastruktursiden har vi også investert tungt i ytelse. Resultatet er at merker kan generere høykvalitetsutdata på sekunder, ikke minutter, noe som gjør teknologien bruken i sanntid i produksjonsmiljøer i stedet for bare eksperimentering.

Hva er de største utfordringene bedrifter møter når de integrerer AI-verktøy i eksisterende kreative, varehandels- og innholdproduksjonsarbeidsflyter?

De fleste bedrifter har allerede komplekse systemer og prosesser på plass. Den største utfordringen er at mange AI-verktøy er bygget som selvstendige produkter, ikke som en del av en bredere arbeidsflyt.

For at AI faktisk skal bli adoptert, må det integrere rent, både teknisk og operasjonelt. Det betyr API-er, sikkerhetskompatibilitet, forutsigbar kvalitet og tydelig eierskap når noe går galt.

Det er også et tillitsmoment. Merker er forståelig nølende med å la generative systemer berøre deres core visuelle aktiva. Derfor betyr pålitelighet og kvalitetskontroll like mye som innovasjon.

Du har ledet AI- og personaliseringsinitiativer innen store markedssteder. Hvordan er det å bygge AI innen en stor plattform forskjellig fra å bygge et dypteknologiselskap som fokuserer utelukkende på mote-AI-infrastruktur?

Innen en stor plattform er AI bare en av mange bevegelige deler. Du optimaliserer ofte innen eksisterende begrensninger og balanserer konkurranseprioriteringer.

Å bygge AIUTA er svært forskjellig fordi hele selskapet er fokusert på ett problem: motevisuelle. Den fokuset lar oss gå dypere, både teknisk og kreativt, og flytte raskere når vi ser noe bryte i produksjon.

Det lar oss også bygge langsiktige infrastrukturer i stedet for korte-siktige funksjoner. Vi løser ikke bare i dagens brukstilfeller, men designer systemer som kan utvikle seg når teknologien gjør det.

Hvordan balanserer du personalisering med personvern når du arbeider med størrelsesdata, kroppsrepresentasjoner og kundeatferdssignaler?

Personvern må bygges inn i systemet fra starten. Du kan ikke behandle det som en tillegg senere.

Hos AIUTA fokuserer vi på å forbedre representasjon i stedet for å samle inn mer personlig data. Ved å forstå bedre klær og kroppsdiversitet i aggregat, kan vi levere mer relevante opplevelser uten å avhenge av sensitiv individuell informasjon.

Den balansen er kritisk — spesielt i mote, hvor tillit spiller en så stor rolle i kjøpsbeslutninger.

AI-genererte visuelle aspekter vekker bekymring om forbedrede kropper eller misrepresenterte klær. Hvordan nærmer du deg autentisitet og merkeintegritet når du deployer generative systemer på skala?

Dette er noe vi tenker på konstant, og for meg ble det også veldig personlig.

Under min graviditet ble jeg mye mer klar over hvor begrensede de fleste AI-systemer er når det kommer til å representere kropper som faller utenfor smale normer. Graviditet er midlertidig, men det er en svært real fysisk tilstand, og likevel er det ofte fullstendig fraværende fra treningsdata. Jeg kunne se hvordan lett AI feiler når kropper endrer seg, selv bare litt, fra hva systemet betrakter som “standard”.

Mange generative systemer er designet for å gjøre ting “bedre”, som ofte feilaktig betyr glattere, slankere eller mer idealisert. Men i mote bryter den tilnærmingen raskt tillit. Hvis kroppen er forbedret eller klesplagget er subtilt endret, ender kundene opp med et produkt som ikke matcher hva de ble vist.

Hos AIUTA designer vi bevisst for realisme. Vårt mål er å vise klær på virkelige kropper, inkludert kropper som ikke passer inn i smale bransjeforventninger, enten det er forskjellige størrelser, proporsjoner eller mer komplekse anatomier som graviditet. Vi parer også AI med menneskelig kvalitetskontroll for å fange spesialtilfeller og sikre at hver utgang aligner med merkestandarder.

Autentisitet ikke bare en verdi for oss, men essensiell for langsiktig adopsjon. Hvis kunder og merker ikke stoler på hva de ser, vil teknologien ikke fungere.

Ser du fremover, hvordan ser du på generativ AI som omdefinerer det brede moteøkosystemet, inkludert digitale tvillinger, moneteringsmodeller og fremtiden for kreativ produksjon?

Jeg tror vi beveger oss mot en verden hvor visuelle aspekter ikke lenger er statiske aktiva, men levende systemer.

Digitale tvillinger, både for klær og modeller, vil bli mye mer vanlige. Dette åpner opp nye moneteringsmodeller og lar kreativt arbeid skaleres på måter som ikke var mulig tidligere.

I bredere forstand vil kreativ produksjon bli raskere, mer fleksibel og mer responsiv. Til slutt vil de merker som lykkes være de som bruker AI omtenksomt og deployer det som infrastruktur som støtter nøyaktighet, kreativitet og tillit.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke AIUTA.