La industria de la IA tiene un problema de física, y les cuesta 890.000 millones de dólares a los minoristas

El año pasado, una marca de moda me mostró su nueva herramienta de prueba virtual con IA. Estaban orgullosos de ella y, honestamente, se veía increíble. Un usuario podía subir una selfie, elegir un vestido y la IA generaba una imagen espectacular de la persona luciéndolo. La iluminación era suave, la tela caía de forma preciosa, el ajuste era impecable.

Ese era el problema. El ajuste era siempre impecable.

Les pedí que probaran algo: subir la foto de alguien que claramente usa una talla 44 y seleccionar un vestido de talla 38. La IA no mostraba la cremallera forzada. No mostraba la tela tirando de las costuras. Deformaba el vestido para cubrir el cuerpo a la perfección o, peor aún, deformaba sutilmente el cuerpo para que encajara en el vestido. Era un espejo de fantasía, no un probador. Y cada cliente que compraba basándose en esa fantasía iba a devolver el producto.

Esa demostración cristalizó algo con lo que llevaba meses lidiando en Veriprajna. La industria de la IA no tiene un problema de inteligencia. Tiene un problema de física. Los modelos generativos optimizan la coherencia de píxeles: hacen que las imágenes se vean bien. Pero en el mundo real, la tela tiene resistencia a la tracción. Las ondas sonoras tienen propietarios de derechos de autor. Y "casi acertado" no es un modelo de negocio cuando estás sangrando márgenes por devoluciones o enfrentando una demanda de Universal Music Group.

Esta es la historia de por qué abandonamos el enfoque dominante de la IA empresarial y construimos algo fundamentalmente distinto.

El espejo de fantasía de 890.000 millones de dólares

Aquí va una cifra que debería quitarle el sueño a cualquier ejecutivo de comercio electrónico: las devoluciones de consumidores en el sector minorista sumaron un estimado de 890.000 millones de dólares en 2024, según la National Retail Federation. No millones. Miles de millones. Y la ropa es la peor infractora: las tasas de devolución de ropa en línea superan de forma constante el 25-30 %, y algunas categorías de alta moda alcanzan el 50 % en temporadas altas.

La causa de fondo no es complicada. La gente no puede saber si la ropa le quedará bien a partir de una foto. "Talla incorrecta, mal ajuste y color" representan el 55 % de todas las devoluciones. Esta incertidumbre ha dado lugar a un comportamiento del consumidor llamado "bracketing": comprar tres tallas de la misma camisa, probárselas en casa y devolver dos. En 2024, el 51 % de los consumidores de la Generación Z admitió hacer esto. Han convertido sus dormitorios en probadores y el servicio postal en una cinta transportadora de devoluciones.

Procesar una sola devolución les cuesta a los minoristas un promedio del 27 % del precio de compra del artículo. Envío, inspección, limpieza, reembalaje, todo por un artículo que quizá termine rebajado de todos modos. Es un incinerador de márgenes.

La industria de la moda no tiene un problema de conversión. Tiene un problema de verdad. Una IA que halaga en lugar de informar solo acelera el ciclo de devoluciones.

Así que la industria recurrió a la tecnología. Herramientas de prueba virtual impulsadas por IA generativa: GAN, modelos de difusión, todo el arsenal. Y estas herramientas son brillantes en una cosa: vender. Optimizan las tasas de clics y las conversiones iniciales. Venden el sueño.

Lo que no pueden es entregar la realidad.

¿Por qué la IA generativa alucina el ajuste?

Recuerdo el momento exacto en que mi equipo dejó de creer en la prueba virtual generativa. Estábamos evaluando un sistema basado en modelos de difusión —uno de los bien financiados— frente a muestras físicas de prendas. Teníamos una chaqueta de mezclilla, cruda e implacable, ese tipo de tela que prácticamente no tiene elasticidad. Alimentamos el sistema con la foto de un usuario y la imagen de la chaqueta.

La IA generó un resultado precioso. La chaqueta quedaba perfecta. Sobre un cuerpo que, en la realidad física, no habría podido pasar ni el brazo izquierdo por la manga.

Mi cofundador miró la pantalla y dijo: "No se está probando la chaqueta. Le está haciendo Photoshop a la chaqueta". Y es exactamente así. La función objetivo de un modelo de difusión es la coherencia de píxeles: hacer que la imagen de salida parezca estadísticamente plausible dados sus datos de entrenamiento. No tiene ningún concepto de rigidez a la tracción. No sabe que la mezclilla cruda no se estira. No sabe absolutamente nada sobre la tela.

Esto genera tres fallas en cascada:

La alucinación del ajuste. El modelo deforma la prenda para cubrir el cuerpo, o deforma el cuerpo para que encaje en la prenda. En cualquier caso, el cliente ve una mentira. El análisis de la industria ha sido contundente al respecto: "Las pruebas virtuales carecen de precisión en el mundo real, ignoran el comportamiento de la tela y pueden engañar a los clientes sobre cómo se ajusta y se siente realmente una prenda".

Degradación de la textura. Las GAN sufren de colapso de modo: los detalles finos como el encaje, el bordado o los tejidos complejos se difuminan en patrones genéricos. Los modelos de difusión a veces inventan detalles que no existen en el producto físico. Ahora el cliente se sorprende tanto por el ajuste como por la apariencia.

El efecto de muñeca de papel. La mayoría de los sistemas basados en 2D pegan una imagen plana de la ropa sobre el usuario. Sin percepción de profundidad. Sin comprender cómo la tela cae sobre la curva de una cadera o se recoge en la cintura. Para cualquier prenda holgada o fluida —donde la caída es el estilo—, el resultado es inútil.

Estábamos ante una tecnología que aumentaba las ventas y aumentaba las devoluciones en una medida aproximadamente igual. Impacto neto en el margen: insignificante, posiblemente negativo. Ahí fue cuando supe que necesitábamos una arquitectura completamente diferente.

Simular el vestido en lugar de imaginarlo

El avance no fue una mejor red neuronal. Fue la decisión de tratar la prueba virtual como un problema de ingeniería mecánica en lugar de un problema de generación de imágenes.

En Veriprajna, construimos lo que yo llamo una arquitectura de "Núcleo Determinista, Borde Probabilístico". El núcleo —la parte que determina si una prenda ajusta— es un motor de simulación física, similar al que usan los diseñadores de moda profesionales en herramientas como CLO3D o Marvelous Designer. No entrenamos una red neuronal con imágenes de ropa. Ingerimos los patrones CAD reales de las prendas y les asignamos las propiedades físicas de sus telas del mundo real.

Esto importa más de lo que podría parecer. Toda tela tiene propiedades mecánicas medibles: rigidez a la flexión (¿cae como la seda o se mantiene rígida como la mezclilla?), rigidez al corte (¿cómo se comporta al bies?), rigidez a la tracción (¿cuánto se estira bajo tensión?), amortiguamiento interno (¿cómo se asienta sobre el cuerpo?), relación de pandeo (¿cómo se arruga y se recoge?). Nuestra simulación se calibra frente a todas estas.

El resultado es que cuando un cuerpo de talla 44 se prueba un vestido de talla 38 en nuestro sistema, la simulación muestra exactamente lo que ocurriría en un probador físico. Aparecen líneas de tensión. El patrón en "X" en la cintura que cualquier sastre reconocería. La tela visiblemente no logra cerrar. No es halagador. Es honesto.

Reemplazamos el espejo de fantasía por un motor de física. Si la prenda no ajusta, la simulación te lo muestra: líneas de tensión, tirones, tela que no cierra. Resulta que la honestidad es mejor para el negocio que la adulación.

Escribí sobre la arquitectura técnica completa —la canalización de renderizado PBR, los parámetros de simulación de tela, el composite de renderizado diferencial— en la versión interactiva de nuestra investigación. Pero la idea central es simple: un motor de física no puede alucinar. Calcula. Y el cálculo, a diferencia de la generación, es determinista.

La parte más difícil no fue la física

Esto es lo que no esperaba: la simulación física era la parte fácil. El problema genuinamente difícil era hacer que el resultado se viera lo bastante real como para que los clientes confiaran en él.

Una simulación física perfectamente precisa renderizada con mala iluminación parece un asset de videojuego pegado sobre una foto. Los clientes le echan un vistazo y la descartan. Habíamos resuelto el problema de la precisión y creado un problema de credibilidad.

Aquí es donde volvimos a incorporar la IA, no para generar la prenda, sino para resolver el desafío de la iluminación y la integración. Usamos Renderizado Basado en Física (PBR) para modelar cómo la luz interactúa con las superficies de la tela mediante fórmulas físicamente precisas. Albedo para el color base, mapas de rugosidad para cómo se dispersa la luz (algodón frente a satén), mapas de normales para la textura microscópica de la superficie, como el tejido de la sarga.

Pero la verdadera magia está en lo que ocurre cuando colocas esa prenda 3D dentro de la foto 2D de un cliente. Si la iluminación del vestido digital no coincide con la iluminación de la habitación del cliente, todo parece falso, como una pegatina puesta sobre una imagen.

Le dedicamos semanas a esto. Noches en vela discutiendo si la estimación del entorno basada en CNN era lo bastante buena, si la captura de sombras era demasiado agresiva, si el envolvimiento de luz en los bordes de la prenda era demasiado sutil. Hubo un jueves concreto —lo recuerdo porque habíamos pedido pizza y se había enfriado— en que nuestro responsable de renderizado mostró una comparación: nuestro composite junto a una fotografía real de la misma prenda sobre la misma persona. Tres de nosotros no supimos distinguir cuál era cuál. La cuarta sí, pero solo porque notó una ligera diferencia de temperatura de color en el tirador de una cremallera.

Ese fue el momento en que supe que teníamos algo.

La técnica se llama renderizado diferencial: calculas el efecto del objeto 3D sobre la escena sin volver a renderizar la escena misma. Capturadores de sombras, mapas de entorno estimados a partir de la foto del usuario, envolvimiento de luz en los bordes para simular la dispersión subsuperficial. La prenda proyecta una sombra realista sobre las piernas reales del usuario. Los botones reflejan la misma luz de ventana que hay en los ojos del usuario.

¿Qué métrica debería optimizar realmente la prueba virtual?

Aquí es donde el argumento de negocio se pone interesante, y donde creo que la mayor parte de la industria lo tiene al revés.

La prueba virtual con IA generativa optimiza la tasa de conversión. Vende la fantasía. Nuestro sistema optimiza las ventas netas: ventas menos devoluciones. Al mostrar la verdad, incluso cuando la verdad es "esto no te queda bien", evitamos el ciclo de devoluciones que mata los márgenes.

También producimos datos, no solo imágenes. Nuestro sistema genera una Puntuación de Confianza de Ajuste: algo como "95 % de coincidencia en cintura, 60 % de coincidencia en caderas". Esto hace algo contraintuitivo: a veces desalienta una compra. Pero las compras que no desalienta casi nunca se devuelven. Y el cliente confía más en el sistema la próxima vez. La confianza se acumula. Las devoluciones no.

La gente me pregunta si mostrar información de ajuste poco halagadora perjudica las tasas de conversión. Respuesta corta: sí, al principio. Respuesta más larga: los clientes que pierdes son los que habrían devuelto el producto de todos modos. No estás perdiendo ingresos, estás perdiendo la ilusión de ingresos que iba a evaporarse en dos semanas cuando apareciera la devolución.

El otro campo minado: por qué el audio generativo es una bomba de tiempo legal

Mientras construíamos motores de física para la moda, navegábamos simultáneamente por un dominio igual de traicionero: el audio. Y aquí, el problema no es la física, es la ley.

Las industrias de la música y la voz están en medio de una crisis existencial por la IA generativa. Universal Music Group, Sony Music y la RIAA han presentado importantes demandas contra empresas de IA como Suno y Udio. El problema central: la mayoría de los modelos de audio generativo se entrenaron con música protegida por derechos de autor extraída de la web. Si una empresa usa uno de estos modelos para generar un jingle y esa salida imita inadvertidamente una obra protegida —un fenómeno llamado "regurgitación"—, la empresa es responsable de la infracción. Y como los modelos son cajas negras, no puedes verificar la procedencia de lo que sale.

Y empeora. Bajo la orientación actual de la Oficina de Derechos de Autor de EE. UU., las obras creadas únicamente por IA sin intervención humana significativa no son elegibles para protección de derechos de autor. Lo que significa que si una marca usa una herramienta puramente generativa para crear un logo sonoro, no puede ser su dueña. Entra al dominio público. Los competidores pueden usarlo libremente. Para propiedad intelectual comercial, esto es inaceptable.

Si no puedes probar de dónde salió tu audio de IA y no puedes ser dueño de lo que produce, no tienes un activo, tienes un pasivo.

Chocamos con este muro pronto. Una agencia de publicidad vino a nosotros queriendo trabajo de voz generado por IA para una campaña. Habían estado usando una popular herramienta de texto a voz y acababan de recibir una carta de cese y desistimiento. Al parecer, la herramienta se había entrenado con datos de voz que incluían muestras de un actor reconocible. Nadie podía probarlo definitivamente —caja negra—, pero nadie podía refutarlo tampoco. La campaña quedó archivada.

¿Cómo se crea audio con IA que sea realmente legal?

Resolvimos esto rechazando por completo el paradigma de "generar desde cero". En su lugar, construimos un flujo de trabajo transformador usando dos tecnologías profundas: Separación Profunda de Fuentes y Conversión de Voz Basada en Recuperación (RVC).

La Separación Profunda de Fuentes es el proceso de desmezclar un archivo de audio terminado en sus stems componentes: voces, batería, bajo, instrumentos. Piénsalo como des-hornear un pastel, lo cual suena imposible, pero el aprendizaje profundo moderno lo ha hecho notablemente eficaz. Nuestro motor usa una arquitectura U-Net que opera sobre espectrogramas de audio, produciendo máscaras suaves que aíslan las frecuencias de cada stem. Usamos variantes en el dominio de la forma de onda para evitar los artefactos de fase "acuosos" que aquejan a los enfoques estándar basados en espectrogramas.

Esto libera un valor enorme de catálogos de propiedad intelectual existentes y licenciados. Una empresa de medios puede separar el diálogo de la banda sonora orquestal de una película para crear versiones dobladas. Los sellos discográficos pueden "desbloquear" masters heredados cuyas cintas multipista originales se han perdido, creando nuevas remezclas o mezclas inmersivas en Dolby Atmos. Cada paso respeta los derechos existentes porque trabajamos con material fuente propio o licenciado.

Para la modificación de voz, usamos RVC, un marco de habla a habla que cambia el timbre de una voz mientras preserva la prosodia (ritmo, tono, emoción) de la interpretación original. El sistema despoja la identidad de una voz usando modelos autosupervisados como HuBERT, y luego la reconstruye usando una base de datos indexada con FAISS de las incrustaciones de voz reales del hablante objetivo. No está alucinando una voz, la está reensamblando a partir de porciones microscópicas de grabaciones reales y consentidas.

Para el desglose técnico completo tanto de la arquitectura de separación de fuentes como de la canalización RVC, consulta nuestro documento de investigación en profundidad.

La infraestructura de consentimiento de la que nadie habla

La tecnología es solo la mitad de la historia. Lo que hace que esto sea apto para empresas es el marco de cumplimiento que la rodea.

No usamos modelos RVC públicos entrenados con datos de celebridades extraídos de la web. Construimos modelos personalizados entrenados exclusivamente con actores de voz que han firmado Autorizaciones de Comercialización de IA específicas: consentimiento explícito para usos específicos, con regalías rastreadas cada vez que se despliega su modelo de voz.

Aquí está la parte que más importa para la defensa legal: como el sistema RVC usa una base de datos de recuperación, podemos probar matemáticamente qué modelo de voz produjo cualquier salida dada. Si alguien afirma "esto suena como la Celebridad X", podemos auditar el índice FAISS y demostrar que cada incrustación provino del Actor de Voz Consentido A. Esa no es una defensa de "nosotros creemos", es una defensa criptográfica.

Y como la salida es una obra derivada basada en una interpretación humana y una composición creada por humanos, califica para protección de derechos de autor. La empresa puede realmente ser dueña del activo final. Intenta conseguir eso de un generador de texto a música.

Hubo un momento —creo que fue durante una llamada con el equipo legal de una empresa de medios— en que su asesor jurídico general hizo una pausa y dijo: "Espera, ¿de verdad pueden mostrarnos qué voz se usó para cada milisegundo de audio?". Cuando dije que sí, hubo un largo silencio. Luego: "¿Entienden cuánto dinero hemos gastado en revisión legal de contenido generado por IA?". Ahí fue cuando comprendí que la infraestructura de cumplimiento no es una función. Es el producto.

¿Por qué las empresas no pueden simplemente usar GPT para esto?

Recibo esta pregunta constantemente. Normalmente de inversores, a veces de clientes potenciales que han visto demostraciones impresionantes de proveedores de modelos fundacionales. La respuesta es arquitectónica, no filosófica.

Cuando construyes sobre una API de terceros, heredas la naturaleza estocástica de ese modelo. Si el modelo alucina —un ajuste incorrecto, una melodía protegida por derechos de autor, una voz clonada—, no puedes arreglarlo. Los pesos son propietarios. Estás indefenso. Además, probablemente hayas filtrado datos propietarios: colecciones de moda no lanzadas subidas a un modelo en la nube podrían terminar en sus datos de entrenamiento. Nuestros sistemas están contenedorizados con Docker y Kubernetes, desplegables por completo dentro de la nube privada o los servidores locales de un cliente. No requieren acceso a internet. No hacen llamadas a casa. El air gap no es paranoia, es un requisito contractual de cada cliente empresarial serio con el que hemos trabajado.

También está la cuestión de la defendibilidad. Los analistas de PitchBook han sido contundentes: el mercado está sobresaturado de startups que son "envoltorios delgados alrededor de modelos fundacionales" sin defendibilidad estructural. Estas empresas quedan atrapadas entre los hiperescaladores que controlan la inteligencia subyacente y los usuarios finales que pueden cambiarse al siguiente envoltorio de la noche a la mañana. Cuando OpenAI cambia sus precios o capacidades, las empresas de envoltorios no tienen recurso alguno.

El valor sostenible en la IA no lo acumularán las empresas que revenden acceso a APIs. Lo acumularán aquellas que resuelven los problemas difíciles y específicos de cada dominio que los modelos genéricos son estructuralmente incapaces de resolver.

También hemos optimizado la latencia: la cuantización de modelos permite que nuestra canalización RVC se ejecute en hardware de nivel de consumo con una latencia inferior a 50 milisegundos, eliminando los costosos viajes de ida y vuelta a las GPU en la nube. Cada imagen y clip de audio que producimos lleva una marca de agua invisible que codifica el ID de licencia, el ID de usuario y la marca de tiempo. Si un activo se filtra o es impugnado, la marca de agua prueba su origen.

El fin del "casi acertado"

Llevo construyendo en Veriprajna el tiempo suficiente como para ver el patrón con claridad. La primera ola de IA empresarial fue sobre el entusiasmo: ¿qué podían hacer los modelos generativos? La segunda ola, en la que estamos entrando ahora, es sobre la responsabilidad: ¿qué deberían hacer, y qué pasa cuando se equivocan?

En la moda, "casi acertado" significa una tasa de devolución del 30 % y un cliente que nunca vuelve. En el audio, "casi acertado" significa una demanda y un activo del que no puedes ser dueño. El enfoque de envoltorio —rápido, barato, probabilístico— funciona bien para prototipar y para aplicaciones de consumo de bajo riesgo. Pero para cualquier dominio donde la precisión, el cumplimiento y la defendibilidad importan, no es un atajo. Es un pasivo.

La arquitectura que hemos construido en Veriprajna no es glamorosa. Los motores de física no se demuestran tan bien como la IA generativa. Los marcos de cumplimiento no dan para presentaciones emocionantes. Los sistemas deterministas no producen ese tipo de resultados mágicos y sorprendentes que se vuelven virales en las redes sociales.

Pero funcionan. Funcionan cuando el vestido no queda bien y la clienta necesita saberlo antes de comprarlo. Funcionan cuando el actor de voz merece que le paguen y el equipo legal necesita pruebas. Funcionan cuando la empresa necesita ser dueña de sus activos y mantener sus datos detrás de sus propios muros.

La industria de la IA acabará por darse cuenta de que los problemas más difíciles no se resuelven haciendo los modelos más grandes. Se resuelven haciendo las soluciones más profundas: arraigadas en la física donde la física importa, arraigadas en la ley donde la ley importa, y arraigadas en el trabajo poco glamoroso y minucioso de diseñar sistemas que dicen la verdad.

Eso es lo que estamos construyendo. No la empresa de IA más emocionante. La más honesta.