Maisa Benatti, CEO da AIUTA – Série de Entrevistas

Maísa Benatti CEO da AIUTA é uma líder visionária em fashion-tech e inteligência artificial gerativa, atualmente liderando a missão da empresa para revolucionar as experiências digitais de moda a partir de Londres desde dezembro de 2024. Em seu papel como CEO, ela se concentra em construir soluções de IA escaláveis que ajudam as marcas a produzir conteúdo visual de alta qualidade, melhorar as jornadas dos clientes e desbloquear oportunidades de crescimento, aproveitando sua profunda experiência em design de produtos, pesquisa de UX e IA de seu período anterior como Chief Product Officer da AIUTA e funções de liderança de produtos seniores em empresas como FARFETCH e Amazon. Seu histórico abrange inteligência artificial gerativa para personalização e descoberta, grandes modelos de linguagem e inovação no comércio eletrônico, impulsionando consistentemente aplicativos de IA que tornam a compra de moda mais intuitiva e envolvente.

AIUTA é uma plataforma de inovação em IA modular que transforma a forma como as marcas e varejistas de moda se envolvem com os compradores online, integrando tecnologias avançadas como try-on virtual, estilismo personalizado e criação de conteúdo impulsionada por IA diretamente em lojas digitais. A suite de soluções da empresa permite experiências de compra imersivas e interativas que aumentam a conversão e reduzem as devoluções, permitindo que os consumidores visualizem roupas em si mesmos em tempo real, enquanto também permitem que as marcas escalonem visuais de estúdio e recomendações de trajes com modelos de IA proprietários que lidam com renderização realista, ajustes virtuais preservadores do corpo e integração de catálogo sem problemas.

Sua carreira começou no design de moda e pesquisa de tendências antes de se mudar para funções de liderança de produtos e clientes na Farfetch e Amazon Fashion. Como essas experiências iniciais em moda moldaram sua perspectiva sobre onde a IA pode criar o impacto mais significativo no comércio?

Não entrei na moda porque queria criar coisas bonitas — entrei porque estava curiosa sobre como a indústria realmente funciona. Mesmo no início, estava muito mais interessada em perguntas como: Como isso escala? Por que isso é caro? Por que isso quebra assim que chega ao cliente?

Quando me mudei para funções de clientes e produtos na Farfetch e mais tarde na Amazon Fashion, essa curiosidade se tornou algo muito concreto. Pude ver como grande parte da experiência de compra online depende de visuais e como esses visuais não dizem nada sobre como um vestido se encaixa ou se comporta no corpo.

Foi aí que a IA começou a parecer significativa para mim, não como um truque criativo, mas como uma maneira de fechar a lacuna entre o que as marcas mostram e o que os clientes realmente recebem. Se a IA pudesse ajudar a representar roupas de forma mais honesta e em escala, poderia melhorar a confiança, reduzir o desperdício e fazer com que o comércio funcione melhor para todos os envolvidos.

A IA na moda é frequentemente cercada por hype. Quais são os maiores mal-entendidos que as marcas têm sobre a aplicação de visão computacional e IA gerativa no varejo, e onde a maioria das iniciativas falha?

O maior mal-entendido é que se algo parece impressionante em uma demonstração, está pronto para produção. Na realidade, essas são duas coisas muito diferentes.

A moda está cheia de casos de bordo: diferentes tipos de corpo, tecidos, construções e padrões de marca. Muitas ferramentas de IA não são projetadas para lidar com essa complexidade consistentemente. Podem gerar algo que parece bom uma vez, mas se desintegra quando você tenta aplicá-lo a todo o catálogo.

Outro problema é que a moda é frequentemente tratada como um problema visual genérico. Não é. A roupa é um objeto físico, e se o sistema não entende como as roupas se comportam no mundo real, a saída pode parecer atraente, mas não será confiável. O impacto dessa lacuna é significativo — cerca de 40% das encomendas de moda online são devolvidas, o que prejudica tanto o P&L dos varejistas quanto o meio ambiente. Quando os visuais mal representam o ajuste ou a aparência, a incerteza aumenta, e é geralmente onde as iniciativas de IA falham.

Muitos varejistas citam a incerteza do ajuste e da aparência como um grande motivador de devoluções. Com base em sua experiência trabalhando com tamanho e ajuste na Farfetch e Amazon, o que é necessário para que a IA reduza as devoluções de forma mensurável?

Reduzir as devoluções não é sobre adicionar um recurso, é sobre aumentar a confiança no momento da compra.

Tamanho e ajuste também significam coisas diferentes em regiões diferentes. As expectativas de ajuste são culturais. Um “ajuste perfeito” em um mercado pode parecer muito justo ou muito solto em outro. A IA pode mapear esses padrões e personalizar recomendações com base no comportamento regional e nas preferências individuais, não apenas nas medidas.

Existe também um problema estrutural nas imagens de moda. A maioria dos produtos é fotografada em um tamanho de amostra, frequentemente recortada em estúdio para parecer mais atraente. Isso cria expectativas irreais. Fotografar cada vestido em vários tipos de corpo seria ideal, mas para a maioria das empresas, é operacionalmente complexo e proibitivamente caro.

É aí que a IA se torna transformadora. Ela permite que as marcas mostrem como as roupas se comportam em diferentes tipos de corpo e tons de pele em escala, com realismo.

O realismo é fundamental. Se o que os compradores veem parece verdadeiro e consistente em todo o catálogo, a confiança aumenta. Quando a confiança aumenta, as devoluções diminuem.

Demonstrações de try-on virtual podem parecer impressionantes em isolamento, mas escalá-las para milhares de SKUs é um desafio diferente. Quais são os principais desafios técnicos ou operacionais que surgem em escala de catálogo, e como a AIUTA os abordou?

Em escala, você rapidamente percebe que uma boa demonstração não é o suficiente. A partir da minha experiência em dirigir iniciativas de try-on virtual e ajuste na Farfetch e Amazon, os principais desafios não eram apenas relacionados à precisão. Eram custo, velocidade e complexidade operacional. Sistemas que funcionavam em pilotos se tornavam muito caros, lentos ou manuais quando você tentava implantá-los em um catálogo real.

A latência é uma grande parte disso. Se um try-on virtual leva muito tempo para carregar, os clientes simplesmente não o usarão, não importa quão preciso seja. É por isso que o desempenho foi uma restrição de design fundamental para nós desde o início. Hoje, o try-on virtual da AIUTA carrega em cerca de 4 a 7 segundos em produção, o que é significativamente mais rápido do que a maioria das soluções no mercado.

A complexidade operacional é igualmente importante. Muitas soluções exigem uma preparação intensiva, entradas detalhadas ou trabalho manual contínuo das equipes de marca. A AIUTA é projetada para funcionar a partir de entradas muito simples, com esforço mínimo exigido dos varejistas, preservando ainda a precisão do vestido. Como resultado, podemos passar de gerar centenas de imagens por semana para milhares de imagens por dia, permitindo que as marcas escalonem o try-on virtual em grandes catálogos sem adicionar sobrecarga operacional.

Finalmente, há a consistência. Muitos sistemas começam a distorcer tecidos ou proporções quando você os escala. Ao controlar o pipeline completo, desde a captura e anotação do vestido até o treinamento e implantação do modelo, somos capazes de manter a identidade e o realismo do vestido em escala, no nível em que os varejistas de grande escala realmente operam.

A AIUTA combina pipelines de visão computacional com modelos gerativos. Como você garante o realismo e a precisão do vestido enquanto entrega saídas rapidamente o suficiente para fluxos de trabalho de empresa?

Nós somos muito intencionais sobre o que otimizamos. A velocidade é importante, mas a precisão vem primeiro.

Nossos sistemas são treinados especificamente em dados de moda, e essa distinção é importante. Não confiamos em conjuntos de dados de comércio eletrônico padrão que tendem a replicar os mesmos tipos de corpo estreitos repetidamente — estamos falando de modelos típicos, altos e magros. Em vez disso, possuímos e criamos sinteticamente um conjunto de dados altamente diversificado construído em torno de representações humanas realistas, com diferentes formas de corpo, proporções e construções de vestidos.

Como os modelos são treinados nessa diversidade, eles entendem coisas como textura de tecido, dobra e construção de uma maneira muito mais realista. Como resultado, não precisamos “corrigir” as saídas após o fato. O realismo é incorporado ao sistema desde o início.

Do lado da infraestrutura, também investimos pesadamente no desempenho. O resultado é que as marcas podem gerar saídas de alta qualidade em segundos, não minutos, o que torna a tecnologia usável em ambientes de produção real em vez de apenas experimentação.

Quais são os principais desafios que as empresas enfrentam ao integrar ferramentas de IA em fluxos de trabalho criativos, merchandising e produção de conteúdo existentes?

A maioria das empresas já tem sistemas e processos complexos em vigor. O maior desafio é que muitas ferramentas de IA são construídas como produtos autônomos, não como parte de um fluxo de trabalho mais amplo.

Para que a IA seja realmente adotada, ela precisa se integrar limpa e tecnicamente, além de operacionalmente. Isso significa APIs, conformidade com segurança, qualidade previsível e clara propriedade quando algo dá errado.

Existe também um elemento de confiança. As marcas são compreensivelmente cautelosas ao permitir que sistemas gerativos toquem seus ativos visuais principais. É por isso que a confiabilidade e o controle de qualidade importam tanto quanto a inovação.

Você liderou iniciativas de IA e personalização dentro de grandes marketplaces. Como construir IA dentro de uma grande plataforma difere de construir uma empresa de tecnologia profunda focada apenas em infraestrutura de IA de moda?

Dentro de uma grande plataforma, a IA é uma das muitas partes móveis. Você está frequentemente otimizando dentro de restrições existentes e equilibrando prioridades concorrentes.

Construir a AIUTA é muito diferente porque a empresa toda está focada em um problema: visuais de moda. Esse foco nos permite ir mais fundo, tecnicamente e criativamente, e se mover mais rápido quando vemos algo quebrar em produção.

Isso também nos permite construir infraestrutura de longo prazo em vez de recursos de curto prazo. Não estamos apenas resolvendo os casos de uso de hoje, mas projetando sistemas que possam evoluir à medida que a tecnologia evolui.

Como você equilibra a personalização com a privacidade ao trabalhar com dados de tamanho, representações de corpo e sinais de comportamento do comprador?

A privacidade precisa ser incorporada ao sistema desde o início. Você não pode tratá-la como um complemento posterior.

Na AIUTA, nos concentramos em melhorar a representação em vez de coletar mais dados pessoais. Ao entender melhor as roupas e a diversidade do corpo em agregado, podemos entregar experiências mais relevantes sem depender de informações individuais sensíveis.

Esse equilíbrio é crítico — especialmente na moda, onde a confiança desempenha um papel tão grande nas decisões de compra.

Visuais gerados por IA levantam preocupações sobre corpos embelezados ou roupas mal representadas. Como você aborda a autenticidade e a integridade da marca ao implantar sistemas gerativos em escala?

Isso é algo em que pensamos constantemente, e para mim também se tornou muito pessoal.

Durante minha gravidez, fiquei muito mais ciente de quão limitados são a maioria dos sistemas de IA quando se trata de representar corpos que caem fora dos padrões estreitos. A gravidez é temporária, mas é um estado físico muito real, e ainda assim está frequentemente completamente ausente dos dados de treinamento. Pude ver em primeira mão como facilmente a IA falha quando os corpos mudam, mesmo que seja apenas ligeiramente, do que o sistema considera “padrão”.

Muitos sistemas gerativos são projetados para fazer as coisas “melhor”, o que, para muitos, pode significar mais suave, mais magro ou mais idealizado. Mas na moda, essa abordagem rapidamente quebra a confiança. Se o corpo é embelezado ou a roupa é sutilmente alterada, os clientes acabam com um produto que não corresponde ao que foi mostrado.

Na AIUTA, deliberadamente projetamos para o realismo. Nosso objetivo é mostrar roupas em corpos reais, incluindo corpos que não se encaixam nas expectativas estreitas da indústria, seja em diferentes tamanhos, proporções ou anatomias mais complexas, como a gravidez. Também combinamos a IA com controle de qualidade humano para capturar casos de bordo e garantir que cada saída esteja alinhada com os padrões da marca.

A autenticidade não é apenas um valor para nós, é essencial para a adoção de longo prazo. Se os clientes e as marcas não confiam no que estão vendo, a tecnologia simplesmente não funcionará.

Olhando para o futuro, como você vê a IA gerativa remodelando o ecossistema de moda mais amplo, incluindo gêmeos digitais, modelos de monetização e o futuro da produção criativa?

Acho que estamos nos movendo em direção a um mundo onde os visuais não são mais ativos estáticos, mas sistemas vivos.

Os gêmeos digitais, para roupas e para modelos, se tornarão muito mais comuns. Isso abre novos modelos de monetização e permite que o trabalho criativo seja escalonado de maneiras que não eram possíveis antes.

De forma mais ampla, a produção criativa se tornará mais rápida, mais flexível e mais responsiva. No final, as marcas que terão sucesso serão aquelas que usam a IA de forma pensada e a implantam como infraestrutura que apoia a precisão, a criatividade e a confiança.

Obrigada pela grande entrevista, leitores que desejam aprender mais devem visitar AIUTA.