Maisa Benatti, VD för AIUTA – Intervjuserie

Maísa Benatti VD för AIUTA är en visionär ledare inom fashion-tech och generativ AI, som för närvarande leder företagets uppdrag att revolutionera digitala modeupplevelser från London sedan december 2024. I sin roll som VD fokuserar hon på att bygga skalbara AI-lösningar som hjälper varumärken att producera premiumvisuellt innehåll, förbättra kundresor och låsa upp tillväxtmöjligheter, med stöd av sin djupa expertis inom produktutformning, UX-forskning och AI från hennes tidigare roll som Chief Product Officer på AIUTA och seniora produktledningsroller på företag som FARFETCH och Amazon (AMZN ). Hennes bakgrund spänner över generativ AI för personanpassning och upptäckt, stora språkmodeller och e-handelsinnovation, och driver konsekvent framåt AI-tillämpningar som gör modehandel mer intuitiv och engagerande.

AIUTA är en modulär AI-innovationsplattform som förvandlar hur modevarumärken och återförsäljare engagerar kunder online genom att integrera avancerad teknik som virtuell provning, personlig styling och AI-driven innehållsskapelse direkt i digitala butiker. Företagets svit av lösningar möjliggör immersiva, interaktiva shoppingupplevelser som ökar konvertering och minskar returer genom att låta konsumenter visualisera kläder på sig själva i realtid, samtidigt som de ger varumärken möjlighet att skala studio-kvalitetsvisuellt innehåll och utrustningsrekommendationer med proprietära AI-modeller som hanterar realistisk rendering, kroppsbevarande virtuell passform och sömlös katalogintegration.

Din karriär började inom modedesign och trendforskning innan du gick vidare till kundorienterade och produktledningsroller på Farfetch och Amazon Fashion. Hur formade dessa tidiga erfarenheterna inom mode din syn på var AI kan skapa den mest meningsfulla påverkan inom handel?

Jag kom inte in i modebranschen för att jag ville designa vackra saker — jag kom in i den för att jag var nyfiken på hur branschen faktiskt fungerar. Redan tidigt var jag mycket mer intresserad av frågor som: Hur skalar detta? Varför är detta dyrt? Varför går det sönder när det når kunden?

När jag gick vidare till kund- och produktroller på Farfetch och senare Amazon Fashion, förvandlades den nyfikenheten till något mycket konkret. Jag kunde se hur mycket av den online-shoppingsupplevelsen beror på visuellt innehåll, och hur lite det visuella innehållet faktiskt berättar om hur en klänning kommer att passa eller bete sig på kroppen.

Där började AI kännas meningsfullt för mig, inte som en kreativ trick, utan som ett sätt att stänga gapet mellan vad varumärken visar och vad kunder faktiskt får. Om AI kunde hjälpa till att representera kläder mer ärligt och i skala, kunde det förbättra förtroendet, minska avfallet och göra handeln fungera bättre för alla inblandade.

AI inom mode omges ofta av hype. Vilka är de största missuppfattningarna varumärken har om att tillämpa datorseende och generativ AI på detaljhandel, och var faller de flesta initiativ kort?

Den största missuppfattningen är att om något ser imponerande ut i en demo, är det redo för produktion. I verkligheten är det två mycket olika saker.

Mode är fullt av kanter: olika kroppstyper, tyger, konstruktioner och varumärkesstandarder. Många AI-verktyg är inte byggda för att hantera den komplexiteten konsekvent. De kan generera något som ser bra ut en gång, men som går sönder när du försöker tillämpa det på hela katalogen.

En annan fråga är att mode ofta behandlas som ett generiskt visuellt problem. Det är det inte. Kläder är en fysisk produkt, och om ditt system inte förstår hur kläder beter sig i den verkliga världen, kan utdata se tilltalande ut men inte vara tillförlitliga. Påverkan av det gapet är betydande — runt 40% av online-modebeställningar returneras, vilket skadar både återförsäljarnas P&L och miljön. När visuellt innehåll missrepresenterar passform eller utseende, ökar osäkerheten, och det är vanligtvis där AI-initiativ stannar av.

Många återförsäljare citerar passform och utseendes osäkerhet som en stor drivkraft för returer. Från din erfarenhet av att arbeta med storlek och passform på både Farfetch och Amazon, vad krävs det för att AI ska minska returer på ett mätbart sätt?

Att minska returer handlar inte om att lägga till en funktion, det handlar om att öka förtroendet i köpprocessen.

Storlek och passform betyder också olika saker i olika regioner. Passförväntningar är kulturella. En “perfekt passform” på en marknad kan kännas för tight eller för lös på en annan. AI kan kartlägga dessa mönster och personanpassa rekommendationer baserat på regional beteende och individuella preferenser, inte bara mått.

Det finns också en strukturell fråga i modebilder. De flesta produkter fotograferas på en enda storlek, ofta klippt i studio för att se mer smickrande ut. Det skapar orealistiska förväntningar. Att fotografera varje plagg på flera kroppstyper vore idealiskt, men för de flesta företag är det operativt komplext och förbjudande dyrt.

Där blir AI omvandlande. Det låter varumärken visa hur kläder beter sig på olika kroppstyper och hudtoner i skala, med realism.

Realism är nyckeln. Om det som kunder ser känns ärligt och konsekvent över hela katalogen, ökar förtroendet. När förtroendet ökar, minskar returerna.

Virtuell provning-demon kan se imponerande ut i isolering, men att skala dem över tusentals artiklar är en annan utmaning. Vilka tekniska eller operativa hinder uppstår vid katalogskala, och hur har AIUTA hanterat dem?

Vi förstod snabbt att en bra demo inte räcker. Från min erfarenhet av att driva virtuell provning och passform-initiativ på Farfetch och Amazon, var de största utmaningarna inte bara relaterade till noggrannhet. De var kostnad, hastighet och operativ komplexitet. System som fungerade i piloter blev för dyra, för långsamma eller för manuella när du försökte rulla ut dem över en riktig katalog.

Latens är en stor del av det. Om en virtuell provning tar för lång tid att ladda, kommer kunderna helt enkelt inte att använda den, oavsett hur exakt den är. Därför var prestanda en central designbegränsning för oss från början. Idag laddar AIUTA:s virtuella provning på cirka 4 till 7 sekunder i produktion, vilket är betydligt snabbare än de flesta lösningar på marknaden.

Operativ komplexitet är lika viktig. Många lösningar kräver tung förberedelse, detaljerad indata eller kontinuerligt manuellt arbete från varumärkeslag. AIUTA är utformat för att fungera från mycket enkla indata, med minimal ansträngning krävd från återförsäljare, samtidigt som det bevarar plaggets noggrannhet. Som ett resultat kan vi gå från att generera hundratals bilder per vecka till tusentals bilder per dag, vilket låter varumärken skala virtuell provning över stora kataloger utan att lägga till operativ överhuvud.

Slutligen finns det frågan om konsekvens. Många system börjar förvränga tyger eller proportioner när du skalar. Genom att kontrollera hela pipeline från plagget till modellträning och distribution, kan vi upprätthålla plaggets identitet och realism i den skala som stora återförsäljare faktiskt opererar på.

AIUTA kombinerar datorseende-pipelines med generativa modeller. Hur säkerställer du realism och plaggnoggrannhet samtidigt som du levererar utdata tillräckligt snabbt för företagsflöden?

Vi är mycket medvetna om vad vi optimerar för. Hastighet är viktigt, men noggrannhet kommer först.

Våra system är tränade specifikt på mode-data, och den distinktionen är viktig. Vi förlitar oss inte på standard-e-handelsdataset som tenderar att replikera samma smala kroppstyper om och om igen — vi pratar om typiskt höga, smala modeller. Istället äger och har vi syntetiskt skapat en mycket diversifierad dataset byggd kring realistiska mänskliga representationer, med olika kroppsformer, proportioner och plaggonstruktioner.

Eftersom modellerna är tränade på den mångfalden, förstår de saker som tygtextur, drapering och konstruktion på ett mycket mer realistiskt sätt. Som ett resultat behöver vi inte “fixa” utdata efteråt. Realism är inbyggt i systemet från början.

På infrastruktursidan har vi också investerat kraftigt i prestanda. Resultatet är att varumärken kan generera högkvalitativa utdata på sekunder, inte minuter, vilket gör tekniken användbar i riktiga produktionsmiljöer snarare än bara experiment.

Vilka är de största utmaningarna företag möter när de integrerar AI-verktyg i befintliga kreativa, inköps- och innehållsproduktionsflöden?

De flesta företag har redan komplexa system och processer på plats. Den största utmaningen är att många AI-verktyg är byggda som fristående produkter, inte som en del av ett bredare flöde.

För att AI ska faktiskt antas, måste det integreras renligt, både tekniskt och operativt. Det innebär API:er, säkerhetskompatibilitet, förutsägbar kvalitet och tydligt ägarskap när något går fel.

Det finns också ett förtroendeelement. Varumärken är förståeligt nog försiktiga med att låta generativa system röra vid deras kärnvisuella tillgångar. Därför är tillförlitlighet och kvalitetskontroll lika viktiga som innovation.

Du har lett AI- och personanpassningsinitiativ inom stora marknadsplatser. Hur skiljer sig att bygga AI inom en stor plattform från att bygga ett djupteknikföretag som enbart fokuserar på mode-AI-infrastruktur?

Inom en stor plattform är AI en av många rörliga delar. Du optimerar ofta inom befintliga begränsningar och balanserar konkurrerande prioriteringar.

Att bygga AIUTA är mycket annorlunda eftersom hela företaget fokuserar på ett problem: modevisuellt innehåll. Den fokuseringen låter oss gå djupare, tekniskt och kreativt, och röra oss snabbare när vi ser något bryta i produktion.

Det låter oss också bygga långsiktig infrastruktur snarare än kortvariga funktioner. Vi löser inte bara dagens användningsfall, utan designar system som kan utvecklas när tekniken gör det.

Hur balanserar du personanpassning med integritet när du arbetar med storleksdata, kroppsrepresentationer och kundbeteendesignaler?

Integritet måste byggas in i systemet från början. Du kan inte behandla det som en tillägg senare.

På AIUTA fokuserar vi på att förbättra representationen snarare än att samla in mer personlig data. Genom att bättre förstå kläder och kroppsmångfald i aggregerad form, kan vi leverera mer relevanta upplevelser utan att förlita oss på känslig individuell information.

Den balansen är kritisk — särskilt inom mode, där förtroende spelar en så stor roll i köpbeslut.

AI-genererade visuella element väcker bekymmer om förskönade kroppar eller missrepresenterade kläder. Hur närmar du dig äkthet och varumärkesintegritet när du distribuerar generativa system i stor skala?

Detta är något vi tänker på konstant, och för mig blev det också mycket personligt.

Under min graviditet blev jag mycket mer medveten om hur begränsade de flesta AI-system är när det gäller att representera kroppar som faller utanför smala normer. Graviditet är tillfällig, men det är en mycket verklig fysisk tillstånd, och ändå är det ofta helt frånvarande från träningsdata. Jag kunde se förstahands hur lätt AI misslyckas när kroppar förändras, även om det bara är marginellt, från vad systemet anser “standard”.

Många generativa system är utformade för att göra saker “bättre”, vilket för många kan felaktigt betyda slätare, smalare eller mer idealiserad. Men inom mode bryter den tillvägagångssättet snabbt förtroendet. Om kroppen förskönas eller klädesplagget subtilt ändras, får kunderna en produkt som inte matchar vad de visades.

På AIUTA designar vi medvetet för realism. Vårt mål är att visa kläder på riktiga kroppar, inklusive kroppar som inte passar inom smala branschförväntningar, antingen det är olika storlekar, proportioner eller mer komplexa anatomier som graviditet. Vi parar också AI med mänsklig kvalitetskontroll för att fånga kanter och säkerställa att varje utdata stämmer överens med varumärkesstandarder.

Äkthet är inte bara ett värde för oss, det är avgörande för långsiktig antagande. Om kunder och varumärken inte litar på vad de ser, kommer tekniken helt enkelt inte att fungera.

Om du ser framåt, hur ser du generativ AI omformar det bredare modeekosystemet, inklusive digitala tvillingar, intjäningsmodeller och den framtida kreativa produktionen?

Jag tror att vi rör oss mot en värld där visuellt innehåll inte längre är statiska tillgångar, utan levande system.

Digitala tvillingar, för kläder och modeller, kommer att bli mycket vanligare. Det öppnar upp nya intjäningsmodeller och låter kreativt arbete skala på sätt som inte var möjliga tidigare.

I en bredare mening kommer kreativ produktion att bli snabbare, mer flexibel och mer responsiv. Till slut kommer de varumärken som lyckas att vara de som använder AI på ett genomtänkt sätt och distribuerar det som infrastruktur som stöder noggrannhet, kreativitet och förtroende.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka AIUTA.