La mentira de los 890.000 millones: por qué la prueba virtual con IA empeora las devoluciones de moda

El pasado noviembre, la vicepresidenta de comercio electrónico de una marca de moda de tamaño medio abrió una demostración en su portátil durante una llamada con mi equipo. "Mira esto", dijo, girando su pantalla para mostrarnos una herramienta de prueba virtual con IA generativa que su empresa acababa de licenciar. La selfie de una clienta, un vestido cruzado de flores pintado digitalmente sobre su cuerpo. La imagen era preciosa: iluminación de calidad de estudio, una tela que parecía atrapar la luz, un ajuste que se veía como si estuviera hecho a medida para ella.

"Las conversiones han subido un 14% desde que lo lanzamos", dijo.

Le pregunté qué había pasado con las devoluciones.

Silencio. Luego: "También han subido".

Ese momento cristalizó algo con lo que llevaba meses lidiando mientras construía el pipeline de IA basado en física de Veriprajna. La industria de la moda se había enamorado de una tecnología que estaba empeorando su problema más costoso —aún más — y las imágenes eran tan convincentes que nadie quería admitirlo.

La crisis de las devoluciones en el comercio electrónico de moda no es un problema de logística. No es un problema de servicio al cliente. Es un problema de física disfrazado de una bonita imagen. Y la solución de IA más popular de la industria —la prueba virtual generativa— es un espejo mágico de 890.000 millones de dólares.

La cifra que debería aterrar a todo director ejecutivo de moda

Esta es la cifra que me quita el sueño: los minoristas estadounidenses absorbieron casi 890.000 millones de dólares en costos relacionados con devoluciones en 2024, según la National Retail Federation. No es un error tipográfico. Es una cifra que rivaliza con el PIB de países enteros, y la moda es la peor infractora.

Mientras que los productos electrónicos rondan tasas de devolución del 8-10% y los productos de belleza se sitúan entre el 4-10%, la ropa se ubica sistemáticamente entre el 30% y el 40%. Durante picos promocionales como el Black Friday, algunas categorías se disparan por encima del 50%. He visto datos internos de marcas donde las tasas de devolución de vaqueros alcanzaron el 88% durante una venta flash. Ochenta y ocho por ciento. Por cada diez pares de vaqueros enviados, casi nueve volvieron.

El instinto es tratar esto como un costo inherente al negocio. Pero las cuentas son brutales. Cuando una prenda de 100 dólares vuelve, el minorista no solo pierde 100 dólares en ingresos. Asume entre 5 y 15 dólares en envío inverso (esporádico, descentralizado, imposible de optimizar como el envío de salida). Paga entre 3 y 8 dólares en mano de obra de inspección manual: alguien tiene que abrir el paquete, comprobar si hay manchas, verificar el SKU. Gasta entre 2 y 5 dólares en planchado al vapor, replegado y reetiquetado. Y luego el verdadero golpe letal: para cuando esa prenda vuelve a estar en la estantería dos a cuatro semanas después, la ventana de la tendencia puede haberse cerrado, forzando una rebaja del 30-50%.

El costo total de una sola devolución puede consumir el 66% del precio original del artículo. Por cada tres artículos vendidos, si uno vuelve, la ganancia de los otros dos a menudo se esfuma solo para cubrir la pérdida.

Esto es lo que yo llamo "prosperidad sin beneficios": ingresos que crecen, márgenes que se reducen y un equipo directivo que no logra entender por qué.

¿Por qué devuelven la ropa los clientes? (No es lo que crees)

Supuse, cuando empezamos a analizar estos datos por primera vez, que la razón principal sería el arrepentimiento del comprador o las compras impulsivas. Me equivoqué.

Los problemas de ajuste y talla impulsan entre el 53% y el 67% de todas las devoluciones de ropa. No "cambié de opinión". No "el color se veía diferente". La prenda físicamente no le quedaba al cuerpo humano para el que fue comprada.

Y aquí es donde se pone interesante: los consumidores no son tontos. Saben que la información sobre el ajuste que hay en internet es basura. Una "Mediana" en Zara es una "Extra Pequeña" en una marca de lujo. Las tablas de tallas te dan el contorno de busto y de cintura: dos números unidimensionales intentando describir una superficie tridimensional, curva y biomecánicamente compleja.

Así que se han adaptado. Practican el "bracketing".

El "bracketing" consiste en pedir el mismo vestido en talla Pequeña, Mediana y Grande con el plan explícito de quedarse con uno y devolver dos. Es un comportamiento perfectamente racional cuando no tienes ninguna información fiable sobre el ajuste. Y el 51% de los compradores de la Generación Z admite hacerlo con regularidad. Desde la perspectiva del cliente, es inteligente. Desde la perspectiva del minorista, es catastrófico: triplica el envío de salida, duplica el envío de devolución, tres unidades bloqueadas del inventario mientras están en el apartamento de alguien.

Recuerdo explicarle esto a un inversor al principio. Se encogió de hombros y dijo: "Pues dales mejores tablas de tallas". Saqué dos tablas de tallas de dos marcas que estábamos analizando. La misma etiqueta de "Mediana". Una tenía una medida de busto de 88 cm, la otra de 96 cm. Una diferencia de 8 cm: eso no es un error de redondeo, es un cuerpo completamente distinto.

Las tablas de tallas no son la solución. Son parte del problema.

La seducción de la IA generativa

Así que la industria salió a buscar una solución tecnológica, y encontró una que parecía magia: la prueba virtual con IA generativa.

El discurso es embriagador. Un cliente sube una selfie. Un modelo de difusión —de la misma familia tecnológica que está detrás de Stable Diffusion y Midjourney— "pinta" la prenda sobre su cuerpo. El resultado se ve fotorrealista. El cliente se ve a sí mismo con el vestido, se siente seguro, hace clic en comprar.

Todas las grandes plataformas de comercio electrónico están construyendo esto o licenciándolo. Las startups de este sector han recaudado cientos de millones. Y entiendo el atractivo, de verdad que sí. La primera vez que vi una demostración de prueba virtual generativa bien ejecutada, mi reacción visceral fue esto lo cambia todo.

Entonces empezamos a hacer pruebas.

Mi equipo realizó una serie de experimentos en los que tomamos la misma prenda —un blazer estructurado con mínima elasticidad— y la pasamos por tres de los principales sistemas de prueba virtual generativa junto a fotos de cuerpos que ya habíamos medido con cinta métrica y escaneo 3D. Conocíamos la verdad de referencia. Sabíamos que este blazer quedaría físicamente demasiado ceñido en los hombros para varios de nuestros sujetos de prueba.

Absolutamente todos los modelos generativos mostraron el blazer ajustando a la perfección.

No "ligeramente desajustado". No "un poco ceñido". A la perfección. La IA había afinado sutilmente los hombros, suavizado la aparente rigidez de la tela y producido una imagen que parecía un editorial de revista. Era preciosa. También era una mentira.

¿Cómo "alucina" el ajuste un modelo de difusión?

Necesito ponerme un poco técnico aquí, porque el modo de fallo no es obvio y es enormemente importante.

Los modelos de difusión son probabilísticos. Aprenden la distribución estadística de las disposiciones de píxeles a partir de millones de imágenes. Cuando generan una prueba virtual, no están calculando si la tela se estira lo suficiente para acomodar la curva de una cadera. Están prediciendo qué píxeles son estadísticamente más probables de aparecer juntos, basándose en sus datos de entrenamiento.

Los datos de entrenamiento son abrumadoramente fotografía de moda profesional: modelos altas y esbeltas con prendas perfectamente estilizadas. Así que cuando un cliente real con un tipo de cuerpo diferente sube una foto, el modelo hace algo insidioso: interpola hacia lo que "conoce".

La IA generativa no calcula el ajuste. Alucina el ajuste, priorizando la plausibilidad visual sobre la verdad física.

La investigación sobre las alucinaciones de los modelos de difusión revela que estos modelos asignan inevitablemente una probabilidad distinta de cero a "regiones de vacío" fuera de la verdadera distribución de datos. En términos sencillos: generan con confianza imágenes de cosas que no pueden existir físicamente. Una textura de vaquero sin elasticidad renderizada como si fuera elastano. Un corpiño estructurado que cae como la seda. Mangas que se fusionan con torsos de formas geométricamente imposibles.

La manifestación más peligrosa es lo que yo llamo el "sesgo de adelgazamiento". El modelo no solo alucina la prenda, sino que deforma sutilmente el cuerpo, metiendo la cintura, alargando las piernas, porque eso es lo que parece "una persona vestida" en sus datos de entrenamiento. El cliente ve una versión de sí mismo que se ve estupenda. Compra con gran confianza. La prenda física llega y no cierra.

Ahora has convertido a un simple visitante en un comprador y en un devolvedor: el peor resultado posible. Pagaste por la adquisición, pagaste por el envío de salida y estás a punto de pagar por la devolución. La IA generativa no redujo las devoluciones. Las fabricó.

Escribí sobre este modo de fallo con mayor profundidad técnica en la versión interactiva de nuestra investigación, donde desglosamos exactamente cómo las arquitecturas de inpainting como VITON-HD e IDM-VTON pierden fidelidad de textura y coherencia geométrica.

¿Y si dejáramos de adivinar y empezáramos a calcular?

Hubo una noche —creo que era un martes, hacia las 2 de la madrugada— en que estaba mirando fijamente una comparación en paralelo en mi monitor. A la izquierda, un renderizado de prueba virtual generativa. A la derecha, el resultado de nuestra simulación física de la misma prenda sobre el mismo cuerpo. La versión generativa se veía mejor. Piel más suave, luz más favorecedora, el tipo de imagen a la que le darías doble toque en Instagram.

Pero la versión física tenía algo que la otra no: un mapa de calor. Rojo en las caderas. Amarillo en el busto. Azul donde la tela colgaba suelta en la cintura. Estaba diciendo la verdad. Estaba diciendo: esta prenda queda 2 cm demasiado pequeña en la cadera para este cuerpo, y aquí es exactamente donde va a tirar.

Ese es el momento en que dejé de pensar en nuestro enfoque como una alternativa a la IA generativa y empecé a pensarlo como una categoría completamente distinta.

La idea central detrás del enfoque de Veriprajna es engañosamente simple: no pintes ropa sobre una foto: simúlala sobre un cuerpo.

Empezamos con la misma entrada que usa todo el mundo: la selfie de un cliente. Pero en lugar de alimentar con ella a un modelo de difusión, reconstruimos el cuerpo del cliente en tres dimensiones. Usamos arquitecturas basadas en Transformers —los mismos mecanismos de atención que impulsan los mejores modelos de lenguaje, pero aplicados a la geometría humana— para recuperar una malla 3D métricamente precisa a partir de esa única imagen 2D.

Esto se llama Recuperación de Malla Humana, o HMR (por sus siglas en inglés), y la precisión importa enormemente. Usamos modelos corporales paramétricos avanzados como SMPL-X (que incluye manos articuladas y proporciones expresivas) y SKEL (que incorpora un esqueleto real con límites articulares biomecánicamente precisos derivados de datos médicos). El resultado no es un maniquí. Es un gemelo digital del cuerpo real del cliente, preciso hasta 1-2 centímetros de una medición física con cinta métrica.

¿Por qué una selfie distorsiona tu cuerpo? (Y cómo lo corregimos)

Aquí hay un problema en el que la mayoría de la gente nunca piensa. Sostén tu teléfono con el brazo extendido y tómate una selfie. Tu cara se ve ligeramente más ancha. Tu cuerpo se ve ligeramente comprimido. Eso es distorsión de perspectiva: la distancia focal de la cámara deforma las proporciones.

La mayoría de los modelos de reconstrucción corporal con IA ignoran esto. Asumen una proyección "ortográfica", como si la cámara estuviera infinitamente lejos. Para una aplicación de moda donde los centímetros importan, esto es un desastre.

Integramos un algoritmo llamado BLADE —Body Limb Alignment and Depth Estimation (alineación de extremidades corporales y estimación de profundidad)— que recupera explícitamente la distancia focal de la cámara y la profundidad del sujeto a partir de las características de la imagen. Invierte la distorsión de perspectiva para recuperar las proporciones reales. Esto suena a un detalle técnico menor. No lo es. Es la diferencia entre recomendar una Mediana y recomendar una Grande. Es la diferencia entre una venta que se conserva y una devolución.

La tela no es una textura: es un material

Una vez que tenemos el cuerpo 3D del cliente, no "pintamos" la ropa sobre él. La drapeamos usando Análisis de Elementos Finitos — la misma física computacional usada para simular alas de avión y cargas de puentes.

Tomamos los archivos de patrones digitales reales (DXF o GLB) que las marcas usan para fabricar sus prendas —no una fotografía de la prenda, sino su plano de ingeniería—. Tratamos la tela no como una imagen plana, sino como una malla física de nodos conectados por resortes, cada uno regido por tres propiedades mecánicas medibles: rigidez a la tracción (cuánto se estira), rigidez a la flexión (cómo se drapea) y rigidez al cizallamiento (cómo se adapta a las curvas).

La simulación resuelve ecuaciones diferenciales parciales para calcular dónde aterriza cada punto de tela sobre el cuerpo bajo la gravedad, las colisiones y las restricciones del material. El resultado no es una bonita imagen. Es un mapa de tensiones — una visualización codificada por colores que muestra exactamente dónde la prenda queda ceñida (rojo), ajustada (amarillo), suelta (azul) o no toca el cuerpo en absoluto (transparente).

No puedes preguntarle a un modelo de difusión si los botones van a tirar cuando el cliente se siente. Esa es una pregunta de física, y exige una respuesta de física.

Un cliente que ve zonas rojas en la cadera con una Mediana pero zonas amarillas con una Grande no necesita hacer "bracketing". Compra la Grande. Un envío de salida, cero envíos de vuelta.

Para el desglose técnico completo de nuestro pipeline de simulación —incluido cómo manejamos capas de física diferenciable para un despliegue acelerado por GPU— consulta nuestro artículo de investigación detallado.

"Pero ¿realmente se ve bien?"

Esta es la pregunta que me hace todo líder de producto, y es justa. Las simulaciones físicas tienen fama de verse como renderizados de videojuegos de 2008. Si el resultado se ve clínico, los clientes no interactuarán con él, por muy preciso que sea.

Pasamos meses en este problema. La respuesta es el renderizado neuronal — en concreto, técnicas como el Gaussian Splatting que producen resultados fotorrealistas. Pero aquí está la diferencia crítica frente a la IA generativa: nuestros renderizados están restringidos por la simulación física subyacente. La imagen se ve preciosa, pero no puede alucinar. La tela no puede estirarse donde no se estiraría. El cuerpo no puede adelgazar donde no es delgado. La capa visual es una piel sobre un esqueleto de verdad.

Tuve una discusión con un miembro de mi equipo sobre esto: él quería añadir un modo de "filtro de belleza" que suavizara el mapa de tensiones para lograr un aspecto más favorecedor. Lo veté. El objetivo entero es que no estamos en el negocio de la adulación. Estamos en el negocio de la precisión. La adulación impulsa las conversiones. La precisión impulsa las conversiones conservadas. La cuenta de resultados solo se preocupa por la segunda.

¿Qué significa esto para la cuenta de resultados?

Déjame ponerlo en concreto. Toma un minorista de moda de tamaño medio con 200 millones de dólares en ventas brutas anuales y una tasa de devolución del 30%. Eso son 60 millones de dólares en devoluciones. Con un costo operativo de aproximadamente el 20% del valor devuelto (logística, mano de obra, depreciación, rebajas), están quemando 12 millones de dólares al año solo en procesar devoluciones.

Los datos de la industria sugieren que una prueba virtual avanzada con verificación real del ajuste puede reducir las tasas de devolución entre un 20-30%. Si recortamos esa tasa de devolución del 30% al 22,5% —una reducción conservadora del 25%—, las cuentas cambian drásticamente:

• 3 millones de dólares en ahorros operativos directos por procesar menos devoluciones
• 7,5 millones de dólares en recuperación de ingresos (la mitad de las devoluciones evitadas se convierten en ventas conservadas)
• 10,5 millones de dólares en impacto total anual sobre la cuenta de resultados

Eso no es un costo tecnológico. Es un programa de recuperación de márgenes.

Y hay una dimensión de sostenibilidad que se está volviendo imposible de ignorar. La logística inversa es una bomba de carbono. Cada paquete devuelto significa otro camión, otra manipulación en almacén, otra prenda que podría acabar en un vertedero. El Reglamento de Diseño Ecológico para Productos Sostenibles de la UE avanza hacia la prohibición de la destrucción de textiles no vendidos. Reducir el volumen de devoluciones en un 25% ofrece a las marcas una métrica ESG cuantificable: no greenwashing, sino una reducción medida de envíos innecesarios.

"¿Por qué no usar ambos?"

La gente me pregunta esto constantemente: ¿por qué no usar la IA generativa para el atractivo visual y la física para la precisión? ¿Combinarlas?

Entiendo el instinto, pero se le escapa el punto. La capa generativa socava activamente la capa física. Si le muestras a un cliente una imagen favorecedora y alucinada junto a un mapa de tensiones honesto, ¿a cuál cree? A la bonita. Siempre. La imagen generativa se convierte en la promesa, y la física se convierte en la letra pequeña que nadie lee.

El lujo definitivo en la era de la IA es la verdad: verdad matemática, geométrica, física. No una ilusión más convincente.

La pregunta más difícil —y voy a ser honesto al respecto— es que nuestro enfoque requiere algo que la IA generativa no necesita: activos digitales de las prendas. Las marcas necesitan crear gemelos digitales en 3D de su inventario usando herramientas como CLO3D o Browzwear. Esto es una inversión real. Es un cambio en el flujo de trabajo. Significa que el patrón digital usado para la simulación debe coincidir con el patrón de fábrica usado para la producción, o todo el sistema no tiene sentido.

Asesoramos en esta transición. No es trivial. Pero las marcas que ya han adoptado la Creación Digital de Productos para el diseño y el muestreo tienen la mitad del camino recorrido. ¿Y las que no? La crisis de las devoluciones acabará forzándoles la mano. La pregunta es si invierten de forma proactiva o reactiva.

La bifurcación del camino

La industria de la moda está eligiendo ahora mismo entre dos futuros.

En uno, la IA generativa mejora en la adulación. Las imágenes se vuelven indistinguibles de las fotografías. Las tasas de conversión suben. Las devoluciones suben más rápido. Los márgenes se erosionan. Las marcas compiten por quién puede producir la ilusión más convincente mientras se ahogan en costos de logística inversa y culpa por los vertederos.

En el otro, la industria trata el ajuste como lo que realmente es —un problema de compatibilidad mecánica entre un material y un cuerpo— y construye la infraestructura geométrica para resolverlo. Este camino es más difícil. Requiere ingeniería real, no envoltorios de API. Requiere que las marcas inviertan en activos digitales, no solo en marketing digital. Requiere elegir la precisión sobre la estética cuando ambas entran en conflicto.

Sé para qué futuro estoy construyendo. El modelo de difusión no sabe que una cintura mide 72 centímetros. No sabe que una tela pesa 200 gramos por metro cuadrado. No sabe nada: predice píxeles. Y la predicción, por muy fotorrealista que sea, no es comprensión.

La física es comprensión. Y la comprensión es lo único que alguna vez ha resuelto de verdad un problema.