Las devoluciones cuestan 849.000 millones de dólares al comercio minorista de EE. UU. La mayoría de la IA que intenta arreglar la moda resuelve el problema equivocado.

Hace unos años tenía una demo de medición corporal que funcionaba de maravilla. Un comprador se coloca contra una pared, toma dos fotos con un teléfono y, unos segundos después, le devolvemos decenas de medidas corporales precisas con un margen de uno o dos centímetros. En nuestra oficina, con buena luz y una pared en blanco, era casi inquietante. Recuerdo ver aparecer los números y pensar que lo habíamos logrado.

Luego lo probamos en dormitorios reales. Fondos desordenados, una lámpara a un lado, un comprador con una sudadera holgada, el teléfono sostenido en un ángulo cansado tras un largo día. La misma canalización que alcanzaba uno o dos centímetros en el laboratorio se desviaba de tres a cinco centímetros en el mundo real. Para un sistema de tallaje, esa diferencia lo es todo. Tres centímetros en la cintura marcan la diferencia entre una talla que queda bien y una talla que se devuelve.

Ese mes —viendo cómo la precisión de nivel demo se desmoronaba al contacto con clientes reales— es cuando dejé de creer en cualquier solución mágica única para las devoluciones de moda. Me enseñó aquello de lo que trata todo este ensayo: el problema del ajuste es mecánico, no visual, y no tiene una sola solución. Esa es también la premisa detrás del sistema de predicción de ajuste con IA que ahora construimos en Veriprajna.

El número más caro del comercio minorista

Empecemos por la cifra que debería quitarle el sueño a todo operador de comercio electrónico: las devoluciones minoristas en EE. UU. sumaron 849.900 millones de dólares en 2025 (National Retail Federation). La moda es la peor categoría por un amplio margen: las tasas de devolución de ropa oscilan entre el 26 y el 40 por ciento, frente a un promedio de comercio electrónico en torno al 20,8 por ciento.

Y es casi siempre el mismo fallo. El tallaje, el ajuste y el color impulsan cerca del 45 por ciento de todas las devoluciones y, dentro de la ropa en concreto, entre el 53 y el 70 por ciento de las devoluciones están relacionadas con el ajuste. El setenta por ciento de los compradores de moda en línea dice que la imposibilidad de probarse algo es su mayor preocupación antes de comprar. Tienen razón en preocuparse.

El comercio electrónico de moda pierde más dinero por devoluciones que por marketing, logística o fraude juntos. La causa raíz casi nunca es un error del cliente. Es que la prenda no quedaba bien.

La economía empeora cuanto más de cerca lo miras. Procesar una sola devolución cuesta entre 10 y 65 dólares y, en algunos casos, consume hasta el 65 por ciento del precio original del artículo. Así, una marca puede "vender" un top de 40 dólares, asumir el envío de salida, asumir el envío de devolución, asumir la inspección y el reembalaje, y acabar en pérdidas en una transacción que contabilizó como ingreso. El fraude en las devoluciones por sí solo cuesta a los minoristas más de 100.000 millones de dólares al año, además de todo eso.

La mayoría de los equipos con los que hablo intentan resolver esto con una tabla de tallas y, últimamente, con una elegante prueba virtual. Voy a explicarte por qué ambas apuntan al objetivo equivocado.

¿Por qué una tabla de tallas nunca pudo resolver esto?

Una tabla de tallas pide a cuatro números unidimensionales —busto, cintura, cadera, entrepierna— que describan una superficie tridimensional. Ese es el pecado original. Nunca iba a ser información suficiente.

Empeora porque la industria no tiene un sistema de gradación estandarizado. Una "Mediana" de una marca corresponde a una geometría corporal completamente distinta de una "Mediana" de otra. He visto los datos: la línea de la cintura de una talla 6 de mujer puede variar hasta cinco pulgadas entre marcas. El noventa y uno por ciento de los compradores necesita una talla diferente según la marca que estén comprando. El tallaje vanidoso lo empeora deliberadamente: las marcas ajustan discretamente sus etiquetas para halagar a la gente, lo que significa que la comparación entre marcas es esencialmente inútil.

Así que los compradores hacen lo único racional. Compran por horquilla. El sesenta y tres por ciento de los compradores en línea ahora pide varias tallas del mismo artículo con la intención de devolver todas menos una, y entre la Generación Z es el 51 por ciento. La incertidumbre sobre el tallaje por sí sola impulsa cerca del 42 por ciento de ese comportamiento.

Comprar por horquilla es una catástrofe silenciosa para un minorista. Duplica tu envío de salida, inmoviliza inventario durante el ciclo de devolución y garantiza que al menos la mitad de lo que envías vuelve directo. El cliente no está siendo difícil. Ha concluido correctamente que no se puede confiar en tu tabla de tallas, así que ha convertido su propia sala de estar en un probador a tu costa.

La trampa en la que casi caigo

Después de que nuestra canalización de medición tropezara, el consejo que no dejaba de recibir era alguna versión de "simplemente añádele una prueba virtual". La IA generativa la había hecho barata y espectacular: Google lanzó la prueba virtual de Shopping en EE. UU., Reino Unido e India; Zalando puso en marcha un piloto con Levi's en catorce mercados europeos. Las imágenes que producen estos sistemas son genuinamente hermosas. Durante un tiempo estuve tentado de creer que una imagen hermosa era la respuesta.

No lo es, y entender por qué es el eje de todo este negocio.

La prueba virtual generativa funciona prediciendo píxeles estadísticamente probables: pinta una imagen fotorrealista de una prenda sobre tu cuerpo. Pero no tiene idea de si te está mostrando una talla M o una talla L. No puede decirte que la cadera es dos centímetros demasiado estrecha para el límite de elasticidad del tejido. El modelo de difusión no sabe si está drapeando un ponte con elasticidad en cuatro direcciones o un denim selvedge crudo de 14 onzas sin ninguna elasticidad. Es una representación, no una medición.

Una prueba virtual hace que la conjetura parezca convincente. No hace que la conjetura sea correcta.

Y los datos lo respaldan de forma incómoda. La prueba generativa demostrablemente eleva la conversión y la interacción: a la gente le encanta jugar con ella. Pero no hay evidencia publicada de que la prueba solo con IA generativa reduzca realmente las devoluciones relacionadas con el ajuste. Peor aún, estos modelos arrastran un sesgo de adelgazamiento: tienden a representar la prenda de forma más favorecedora que la realidad, lo que puede aumentar la brecha entre la expectativa y la caja que llega. Puedes elevar la conversión y elevar las devoluciones al mismo tiempo. He visto a equipos celebrar el primer número y nunca conectarlo con el segundo.

El par de vaqueros que lo explica todo

Déjame concretarlo con el caso que finalmente me lo aclaró: el denim, la categoría con más devoluciones de toda la ropa, con un 20 a 25 por ciento.

Imagina a una compradora que compra unos vaqueros premium. Se mide la cintura, coincide perfectamente con la tabla de tallas en 71 centímetros y pide una talla 28. Los vaqueros llegan. La cintura le queda exactamente como prometía. Pero el muslo aprieta en cuanto se sienta, porque el denim crudo de 14 onzas no tiene elasticidad y la tabla de tallas nunca tuvo una medida del muslo en absoluto. La prueba virtual generativa, mientras tanto, le había mostrado una imagen favorecedora de unos vaqueros que se veían geniales de pie e inmóvil.

Ninguna de las herramientas capturó la física real: la rigidez a la tracción de este tejido significa que no puede salvar la diferencia entre la geometría de la cadera de pie y la geometría de la cadera sentada. El tejido siempre iba a perder esa batalla, y ninguna cantidad de mejor fotografía la habría advertido.

Esto es lo que quiero decir con mecánico. Un enfoque basado en la física simula la prenda como un objeto material. Conoce la rigidez a la flexión del tejido —cómo drapea—, su rigidez a la tracción —cómo se estira— y su comportamiento al corte —cómo se adapta a una curva—. Drapea el patrón digital sobre una malla corporal 3D y calcula la deformación en cada punto. Una deformación alta en el muslo aparece como una zona roja en la malla antes de que se envíe una sola unidad. Eso no es una conjetura basada en lo que experimentaron otros compradores. Es un cálculo sobre el tejido real y el cuerpo real.

Cuando has contemplado un mapa de calor de deformación encendido en rojo exactamente donde un código de motivo de devolución diría después "demasiado ajustado en el muslo", dejas de pensar en el ajuste como un problema de recomendación y empiezas a pensarlo como un problema de ingeniería.

Entonces, ¿por qué no todos simplemente simulan?

Porque la simulación física es cara, lenta de configurar y solo compensa si tienes los datos de entrada para alimentarla. Esta es la parte que los proveedores pasan por alto, y es la parte que más importa cuando estás gastando dinero de verdad.

Honestamente, hay cuatro familias distintas de tecnología de ajuste, y la razón por la que ninguna de ellas es "la respuesta" es que cada una resuelve una porción diferente del problema.

La más barata de implementar es la recomendación estadística de tallas: True Fit, Bold Metrics, Fit Analytics. Estas emparejan a un comprador con una talla usando el historial de compras, los datos de devoluciones y el filtrado colaborativo a través de enormes redes de marcas. Solo True Fit se nutre de veinte años de datos que abarcan 616.000 millones de dólares en transacciones y más de 91.000 marcas, y en marzo de 2026 lanzó un agente de compras agéntico que expone su inteligencia de ajuste a los asistentes de IA. Bold Metrics se asoció con Gap en un protocolo de tallaje agéntico y afirma una reducción de devoluciones de alrededor del 34 por ciento. La contrapartida es que son cajas negras: te dicen qué talla, nunca por qué, y tienen dificultades con productos nuevos donde aún no hay datos de comportamiento.

La familia en la que yo personalmente trabajé fue la medición corporal basada en fotos. YourFit de 3DLOOK extrae 86 puntos de medición de una o dos fotos de smartphone; en un estudio de seis meses con una marca de trajes de baño reportó una tasa de devolución un 47 por ciento menor y redujo las devoluciones por compra por horquilla al 2 por ciento. Pero la contrapartida es exactamente la que me afectó: la precisión se degrada fuera de condiciones controladas, le pide al comprador que haga un esfuerzo y los modelos corporales subyacentes se inclinan hacia complexiones "promedio". Y luego está la privacidad, sobre la que volveré.

La prueba virtual generativa es la tercera familia: hermosa, positiva para la conversión y ciega al ajuste, por todas las razones anteriores.

La única familia que realmente razona sobre el tejido es la simulación basada en la física: CLO3D (usada por más de 860 empresas), Style3D y participantes más recientes que ejecutan simulación de tela por elementos finitos sobre una malla corporal 3D. Perfitly, que combina un avatar 3D con drapeado completo del tejido, reportó haber reducido las devoluciones de una marca asociada del 28 por ciento a alrededor del 10 por ciento. La pega es que solo funciona si ya tienes patrones digitalizados y datos del tejido, así que es realista principalmente para marcas con flujos de trabajo de diseño 3D maduros.

No existe la mejor tecnología de ajuste. Solo existe la adecuada para tu número de SKU, tu madurez de datos y la forma específica de tus devoluciones.

Una marca con un catálogo de moda rápida de 50.000 SKU y sin patrones 3D no debería comprar simulación física; la recomendación estadística moverá la aguja más rápido y más barato. Una etiqueta de denim premium con patrones digitalizados y un brutal problema de ajuste en el muslo está dejando dinero sobre la mesa si no simula. El error es tratarlas como competidoras en lugar de como herramientas distintas para economías distintas.

La función que mi propio abogado mató

Nadie pone esta parte en la presentación de ventas. El día que estábamos listos para lanzar la función de escaneo corporal, se topó con un muro que no me había tomado lo bastante en serio: la ley de privacidad biométrica.

Bajo el RGPD, un escaneo corporal 3D es dato biométrico de "categoría especial", el nivel más protegido que existe. En Illinois, la BIPA impone reglas estrictas sobre la recopilación, el almacenamiento y el uso compartido exactamente de este tipo de datos, con dientes reales, y cada año más estados de EE. UU. amplían leyes similares. Vi cómo se levantaba una pantalla de flujo de consentimiento que en la práctica bloqueaba nuestra función más impresionante para una parte del país hasta que rediseñamos cómo funcionaba.

Ese rediseño resultó ser una función, no un fallo. La respuesta es el procesamiento en el dispositivo: hacer los cálculos de medición en el teléfono del comprador y no dejar nunca que el escaneo en bruto lo abandone. Ahora está emergiendo como el estándar que prioriza la privacidad, y resulta que además es lo que hace que los compradores se sientan lo bastante cómodos como para usar realmente la herramienta. Pero tienes que diseñarlo así desde el principio. Añade un escáner corporal a un sitio de moda sin pensar en la BIPA y no habrás construido una herramienta de ajuste; habrás construido una demanda colectiva con un botón de probarse.

¿La predicción de ajuste con IA es real o solo bombo?

La gente me pregunta esto constantemente, y la respuesta honesta es: el mercado subyacente es real y crece rápido —se proyecta que el segmento de predicción de talla y ajuste se triplique aproximadamente, de unos 1.050 millones de dólares en 2024 hacia 2.950 millones para 2029—, pero la mayoría de las implementaciones son bombo, porque eligen una tecnología antes de entender el problema.

Por eso no vendemos un único producto. Partimos de los datos de devoluciones de la propia marca y preguntamos qué fallo les está costando dinero de verdad: talla equivocada seleccionada, o expectativa de ajuste equivocada. Luego adaptamos el enfoque a la economía: recomendación estadística para catálogos con muchos SKU, canalizaciones de medición basadas en fotos para categorías sensibles al ajuste, y simulación basada en la física para las marcas cuya madurez de diseño 3D pueda soportarla, con neutralidad de proveedor, cumplimiento de la privacidad y construida en torno a los patrones de devolución específicos de sus datos. Esa es toda la filosofía detrás de lo que hemos construido, y proviene directamente del mes que pasé viendo cómo una respuesta única para todos se desmoronaba.

La otra pregunta que recibo es si algo de esto vale el coste de integración. Solía temer esa pregunta hasta que empecé a ver aterrizar los números posteriores: los compradores que interactúan con un tallaje de IA bien construido convierten a tasas significativamente más altas, y son alcanzables reducciones de devoluciones del 25 al 50 por ciento en el primer año. También hay un viento regulatorio a favor: la UE se dirige a prohibir la destrucción de existencias no vendidas, y la logística inversa ya quema cientos de miles de toneladas de CO2 al año. Cada devolución que evitas es dinero, carbono e inventario que conservas.

La lección que esa demo me enseñó se ha mantenido durante años ya. Una imagen favorecedora venderá la prenda. Solo la física —o los datos correctos, aplicados con honestidad— asegurará que siga vendida. La moda ha pasado una década intentando fotografiarse para salir de un problema que siempre iba a resolverse con una medición.