L'industria dell'IA ha un problema di fisica — e costa 890 miliardi di dollari ai rivenditori

L'anno scorso un marchio di moda mi ha mostrato il suo nuovo strumento di prova virtuale basato sull'IA. Ne erano orgogliosi — e, sinceramente, sembrava incredibile. Un utente poteva caricare un selfie, scegliere un abito e l'IA ne generava un'immagine splendida mentre lo indossava. La luce era morbida, il tessuto cadeva magnificamente, la vestibilità era perfetta.

Era proprio questo il problema. La vestibilità era sempre perfetta.

Ho chiesto loro di provare una cosa: caricare la foto di una persona chiaramente di taglia 12 e selezionare un abito di taglia 6. L'IA non mostrava la cerniera sotto sforzo. Non mostrava il tessuto che tirava sulle cuciture. Deformava l'abito per coprire perfettamente il corpo — o, peggio, deformava sottilmente il corpo per adattarlo all'abito. Era uno specchio delle illusioni, non un camerino. E ogni cliente che comprava sulla base di quell'illusione avrebbe poi restituito il prodotto.

Quella demo ha cristallizzato qualcosa con cui mi arrovellavo da mesi in Veriprajna. L'industria dell'IA non ha un problema di intelligenza. Ha un problema di fisica. I modelli generativi ottimizzano per la coerenza dei pixel — per far sì che le immagini appaiano corrette. Ma nel mondo reale i tessuti hanno una resistenza alla trazione. Le onde sonore hanno titolari di diritti d'autore. E «quasi corretto» non è un modello di business quando stai bruciando margini sui resi o affronti una causa da parte di Universal Music Group.

Questa è la storia del perché abbiamo abbandonato l'approccio dominante all'IA aziendale e costruito qualcosa di radicalmente diverso.

Lo specchio delle illusioni da 890 miliardi di dollari

Ecco un numero che dovrebbe togliere il sonno a ogni dirigente dell'e-commerce: nel commercio al dettaglio i resi dei consumatori hanno raggiunto una cifra stimata di 890 miliardi di dollari nel 2024, secondo la National Retail Federation. Non milioni. Miliardi. E l'abbigliamento è il caso peggiore — online i tassi di reso dei capi superano costantemente il 25-30%, con alcune categorie dell'alta moda che toccano il 50% durante le stagioni di punta.

La causa di fondo non è complicata. Le persone non riescono a capire se un capo calzerà bene da una foto. «Taglia sbagliata, cattiva vestibilità e colore» rappresentano il 55% di tutti i resi. Questa incertezza ha dato origine a un comportamento dei consumatori chiamato «bracketing» — comprare tre taglie della stessa camicia, provarle a casa, restituirne due. Nel 2024, il 51% dei consumatori della Generazione Z ha ammesso di farlo. Hanno trasformato le loro camere da letto in camerini e il servizio postale in un nastro trasportatore di resi.

Gestire un singolo reso costa ai rivenditori in media il 27% del prezzo di acquisto dell'articolo. Spedizione, ispezione, pulizia, riconfezionamento — tutto per un articolo che potrebbe comunque finire scontato. È un inceneritore di margini.

L'industria della moda non ha un problema di conversione. Ha un problema di verità. Un'IA che lusinga invece di informare non fa che accelerare il ciclo dei resi.

Così l'industria si è rivolta alla tecnologia. Strumenti di prova virtuale alimentati da IA generativa — GAN, modelli di diffusione, l'intero arsenale. E questi strumenti sono brillanti in una cosa: vendere. Ottimizzano per i tassi di clic e le conversioni iniziali. Vendono il sogno.

Solo che non riescono a consegnare la realtà.

Perché l'IA generativa allucina la vestibilità?

Ricordo il momento esatto in cui il mio team ha smesso di credere nella prova virtuale generativa. Stavamo confrontando un sistema basato su modelli di diffusione — uno di quelli ben finanziati — con campioni fisici di capi. Avevamo una giacca di denim, grezza e implacabile, il tipo di tessuto che ha praticamente zero elasticità. Abbiamo dato in pasto al sistema la foto di un utente e l'immagine della giacca.

L'IA ha prodotto un risultato bellissimo. La giacca calzava alla perfezione. Su un corpo che, nella realtà fisica, non sarebbe riuscito a infilare il braccio sinistro nella manica.

Il mio co-fondatore ha guardato lo schermo e ha detto: «Non sta provando la giacca. Sta ritoccando la giacca con Photoshop». Ed è esattamente così. La funzione obiettivo di un modello di diffusione è la coerenza dei pixel — far sì che l'immagine in output appaia statisticamente plausibile rispetto ai suoi dati di addestramento. Non ha alcun concetto di rigidità alla trazione. Non sa che il denim grezzo non si allunga. Non sa assolutamente nulla di tessuti.

Questo crea tre fallimenti a cascata:

L'allucinazione della vestibilità. Il modello deforma il capo per coprire il corpo, oppure deforma il corpo per adattarlo al capo. In entrambi i casi, il cliente vede una menzogna. L'analisi del settore è stata schietta al riguardo: «Le prove virtuali mancano di accuratezza nel mondo reale, ignorano il comportamento del tessuto e possono ingannare i clienti su come un capo calza e si sente davvero».

Il degrado della texture. Le GAN soffrono di collasso delle modalità (mode collapse) — dettagli fini come pizzi, ricami o trame complesse vengono sfumati in motivi generici. I modelli di diffusione a volte inventano dettagli che non esistono sul prodotto fisico. Ora il cliente è sorpreso sia dalla vestibilità sia dall'aspetto.

L'effetto bambola di carta. La maggior parte dei sistemi basati sul 2D incolla un'immagine piatta dell'abbigliamento sopra l'utente. Nessuna percezione della profondità. Nessuna comprensione di come il tessuto cade sulla curva di un fianco o si raccoglie in vita. Per qualsiasi capo ampio o fluente — dove il drappeggio è lo stile — il risultato è inutile.

Stavamo guardando una tecnologia che aumentava le vendite e aumentava i resi in misura all'incirca pari. Impatto netto sul margine: trascurabile, forse negativo. È stato allora che ho capito che ci serviva un'architettura completamente diversa.

Simulare l'abito invece di immaginarlo

La svolta non è stata una rete neurale migliore. È stata la decisione di trattare la prova virtuale come un problema di ingegneria meccanica invece che come un problema di generazione di immagini.

In Veriprajna abbiamo costruito quella che io chiamo un'architettura «Nucleo Deterministico, Bordo Probabilistico». Il nucleo — la parte che determina se un capo calza bene — è un motore di simulazione fisica, simile a quello che usano i fashion designer professionisti in strumenti come CLO3D o Marvelous Designer. Non addestriamo una rete neurale su immagini di abiti. Acquisiamo i cartamodelli CAD reali dei capi e assegniamo loro le proprietà fisiche dei tessuti reali corrispondenti.

Questo conta più di quanto possa sembrare. Ogni tessuto ha proprietà meccaniche misurabili: rigidità flessionale (cade come la seta o resta rigido come il denim?), rigidità al taglio (come si comporta in sbieco?), rigidità alla trazione (quanto si allunga sotto tensione?), smorzamento interno (come si assesta sul corpo?), rapporto di instabilità (come si accartoccia e si raccoglie?). La nostra simulazione si calibra rispetto a tutte queste.

Il risultato è che quando un corpo di taglia 12 prova un abito di taglia 6 nel nostro sistema, la simulazione mostra esattamente ciò che accadrebbe in un camerino reale. Compaiono le linee di tensione. Il motivo a «X» in vita che qualsiasi sarto riconoscerebbe. Il tessuto visibilmente non riesce a chiudersi. Non è lusinghiero. È onesto.

Abbiamo sostituito lo specchio delle illusioni con un motore fisico. Se il capo non calza, la simulazione te lo mostra — linee di tensione, tiraggi, tessuto che non si chiude. Si scopre che l'onestà è migliore per gli affari rispetto alla lusinga.

Ho scritto dell'intera architettura tecnica — la pipeline di rendering PBR, i parametri della simulazione dei tessuti, il compositing con rendering differenziale — nella versione interattiva della nostra ricerca. Ma l'intuizione centrale è semplice: un motore fisico non può allucinare. Calcola. E il calcolo, a differenza della generazione, è deterministico.

La parte più difficile non era la fisica

Ecco cosa non mi aspettavo: la simulazione fisica era la parte facile. Il problema davvero difficile era far apparire il risultato abbastanza reale da indurre i clienti a fidarsi.

Una simulazione fisica perfettamente accurata, resa con un'illuminazione scadente, sembra l'asset di un videogioco incollato su una foto. I clienti gli danno un'occhiata e lo scartano. Avevamo risolto il problema dell'accuratezza e creato un problema di credibilità.

È qui che abbiamo reintrodotto l'IA — non per generare il capo, ma per risolvere la sfida dell'illuminazione e dell'integrazione. Usiamo il Physically Based Rendering (PBR) per modellare come la luce interagisce con le superfici dei tessuti usando formule fisicamente accurate. L'albedo per il colore di base, le mappe di rugosità per come la luce si disperde (cotone contro raso), le normal map per la texture microscopica della superficie, come la trama del twill.

Ma la vera magia sta in ciò che accade quando inserisci quel capo 3D nella foto 2D di un cliente. Se l'illuminazione sull'abito digitale non corrisponde all'illuminazione nella stanza del cliente, il tutto sembra falso — come un adesivo appiccicato su un'immagine.

Ci abbiamo passato settimane. Nottate a discutere se la stima dell'ambiente basata su CNN fosse abbastanza buona, se la cattura delle ombre fosse troppo aggressiva, se l'avvolgimento della luce ai bordi del capo fosse troppo sottile. C'è stato un giovedì in particolare — lo ricordo perché avevamo ordinato la pizza e si era raffreddata — in cui il nostro responsabile del rendering ha mostrato un confronto: il nostro composito accanto a una fotografia reale dello stesso capo sulla stessa persona. Tre di noi non riuscivano a distinguere quale fosse quale. La quarta ci riusciva, ma solo perché aveva notato una lieve differenza di temperatura del colore su un tiretto di cerniera.

È stato in quel momento che ho capito che avevamo qualcosa.

La tecnica si chiama rendering differenziale — calcoli l'effetto dell'oggetto 3D sulla scena senza ri-renderizzare la scena stessa. Cattura-ombre, mappe dell'ambiente stimate dalla foto dell'utente, avvolgimento della luce ai bordi per simulare la diffusione sottosuperficiale. Il capo proietta un'ombra realistica sulle gambe reali dell'utente. I bottoni riflettono la stessa luce della finestra che si trova negli occhi dell'utente.

Quale metrica dovrebbe davvero ottimizzare la prova virtuale?

È qui che il ragionamento di business si fa interessante, ed è qui che credo la maggior parte del settore lo abbia capito al contrario.

La prova virtuale con IA generativa ottimizza per il tasso di conversione. Vende la fantasia. Il nostro sistema ottimizza per le vendite nette — le vendite meno i resi. Mostrando la verità, anche quando la verità è «questo non ti calza», preveniamo il ciclo dei resi che uccide i margini.

Produciamo anche dati, non solo immagini. Il nostro sistema genera un Punteggio di Confidenza sulla Vestibilità — qualcosa come «95% di corrispondenza per la vita, 60% di corrispondenza per i fianchi». Questo fa una cosa controintuitiva: a volte scoraggia un acquisto. Ma gli acquisti che non scoraggia quasi non tornano mai indietro. E la volta successiva il cliente si fida di più del sistema. La fiducia si accumula. I resi no.

Mi chiedono se mostrare informazioni poco lusinghiere sulla vestibilità danneggi i tassi di conversione. Risposta breve: sì, all'inizio. Risposta più lunga: i clienti che perdi sono quelli che avrebbero comunque restituito il prodotto. Non stai perdendo ricavi — stai perdendo l'illusione di ricavi che sarebbero comunque evaporati due settimane dopo, con l'arrivo del reso.

L'altro campo minato: perché l'audio generativo è una bomba a orologeria legale

Mentre costruivamo motori fisici per la moda, navigavamo contemporaneamente in un dominio altrettanto insidioso: l'audio. E qui il problema non è la fisica — è la legge.

Le industrie della musica e della voce sono nel mezzo di una crisi esistenziale a causa dell'IA generativa. Universal Music Group, Sony Music e la RIAA hanno intentato importanti cause legali contro aziende di IA come Suno e Udio. Il nodo centrale: la maggior parte dei modelli audio generativi è stata addestrata su musica protetta da copyright estratta dal web. Se un'azienda usa uno di questi modelli per generare un jingle e quell'output imita inavvertitamente un'opera protetta da copyright — un fenomeno chiamato «regurgitation» (rigurgito) — l'azienda è responsabile della violazione. E poiché i modelli sono scatole nere, non puoi verificare la provenienza di ciò che ne esce.

C'è di peggio. Secondo le attuali linee guida dell'U.S. Copyright Office, le opere create esclusivamente dall'IA senza un intervento umano significativo non sono ammissibili alla protezione del copyright. Il che significa che se un marchio usa uno strumento puramente generativo per creare un logo sonoro, non può possederlo. Entra nel pubblico dominio. I concorrenti possono usarlo liberamente. Per la proprietà intellettuale commerciale, questo è inaccettabile.

Se non puoi dimostrare da dove proviene il tuo audio IA e non puoi possedere ciò che produce, non hai un asset — hai una passività.

Ci siamo scontrati con questo muro presto. Un'agenzia pubblicitaria è venuta da noi volendo un lavoro vocale generato dall'IA per una campagna. Avevano usato un popolare strumento di sintesi vocale e avevano appena ricevuto una diffida. Lo strumento era stato apparentemente addestrato su dati vocali che includevano campioni di un attore riconoscibile. Nessuno poteva dimostrarlo con certezza — scatola nera — ma nessuno poteva nemmeno smentirlo. La campagna fu accantonata.

Come si fa un audio IA che sia davvero legale?

Abbiamo risolto questo rifiutando completamente il paradigma del «generare da zero». Al contrario, abbiamo costruito un flusso di lavoro trasformativo che usa due tecnologie profonde: Deep Source Separation e Retrieval-Based Voice Conversion (RVC).

La Deep Source Separation è il processo di scomposizione di un file audio finito nei suoi stem componenti — voci, batteria, basso, strumenti. Pensala come lo «s-cuocere» una torta, il che suona impossibile, ma il deep learning moderno lo ha reso notevolmente efficace. Il nostro motore usa un'architettura U-Net che opera sugli spettrogrammi audio, producendo maschere morbide che isolano le frequenze di ciascuno stem. Usiamo varianti nel dominio della forma d'onda per evitare gli artefatti di fase «acquosi» che affliggono gli approcci standard basati sugli spettrogrammi.

Questo sblocca un valore enorme da cataloghi di proprietà intellettuale esistenti e concessi in licenza. Un'azienda di media può separare il dialogo dalla colonna sonora orchestrale di un film per creare versioni doppiate. Le case discografiche possono «sbloccare» master storici di cui sono andati persi i nastri multitraccia originali, creando nuovi remix o mix immersivi in Dolby Atmos. Ogni passaggio rispetta i diritti esistenti perché lavoriamo con materiale sorgente di proprietà o concesso in licenza.

Per la modifica della voce, usiamo la RVC — un framework speech-to-speech che cambia il timbro di una voce preservando al contempo la prosodia (ritmo, intonazione, emozione) della performance originale. Il sistema spoglia una voce della sua identità usando modelli auto-supervisionati come HuBERT, poi la ricostruisce usando un database indicizzato con FAISS di embedding vocali reali del parlante target. Non sta allucinando una voce — la sta riassemblando da fette microscopiche di registrazioni reali e consentite.

Per l'analisi tecnica completa sia dell'architettura di source separation sia della pipeline RVC, vedi il nostro documento di ricerca approfondito.

L'infrastruttura del consenso di cui nessuno parla

La tecnologia è solo metà della storia. Ciò che rende tutto questo pronto per l'azienda è il quadro di conformità che lo circonda.

Non usiamo modelli RVC pubblici addestrati su dati di celebrità estratti dal web. Costruiamo modelli personalizzati addestrati esclusivamente su doppiatori che hanno firmato specifiche Liberatorie di Commercializzazione IA — consenso esplicito per usi specifici, con royalty tracciate ogni volta che il loro modello vocale viene impiegato.

Ecco la parte più importante per la difesa legale: poiché il sistema RVC usa un database di recupero, possiamo dimostrare matematicamente quale modello vocale ha prodotto un dato output. Se qualcuno afferma «questo suona come la Celebrità X», possiamo verificare l'indice FAISS e dimostrare che ogni embedding proveniva dal Doppiatore Consenziente A. Non è una difesa del tipo «noi crediamo» — è una difesa crittografica.

E poiché l'output è un'opera derivata basata su una performance umana e su una composizione creata da un umano, si qualifica per la protezione del copyright. L'azienda può effettivamente possedere l'asset finale. Prova a ottenerlo da un generatore text-to-music.

C'è stato un momento — credo fosse durante una chiamata con il team legale di un'azienda di media — in cui il loro consulente generale si è fermato e ha detto: «Aspetta, potete davvero mostrarci quale voce è stata usata per ogni millisecondo di audio?». Quando ho detto di sì, è calato un lungo silenzio. Poi: «Avete idea di quanti soldi abbiamo speso in revisioni legali per contenuti generati dall'IA?». È stato allora che ho capito che l'infrastruttura di conformità non è una funzionalità. È il prodotto.

Perché le aziende non possono semplicemente usare GPT per questo?

Ricevo questa domanda di continuo. Di solito dagli investitori, a volte da potenziali clienti che hanno visto demo impressionanti dei fornitori di foundation model. La risposta è architetturale, non filosofica.

Quando costruisci su un'API di terze parti, erediti la natura stocastica di quel modello. Se il modello allucina — una vestibilità sbagliata, una melodia protetta da copyright, una voce clonata — non puoi correggerlo. I pesi sono proprietari. Sei impotente. Hai anche probabilmente fatto trapelare dati proprietari: collezioni di moda non ancora pubblicate caricate su un modello cloud potrebbero finire nei suoi dati di addestramento. I nostri sistemi sono containerizzati con Docker e Kubernetes, distribuibili interamente all'interno del cloud privato o dei server on-premise di un cliente. Non richiedono accesso a internet. Non chiamano a casa. L'air gap non è paranoia — è un requisito contrattuale di ogni cliente aziendale serio con cui abbiamo lavorato.

C'è anche la questione della difendibilità. Gli analisti di PitchBook sono stati schietti: il mercato è sovrassaturo di startup che sono «sottili wrapper attorno ai foundation model» senza alcuna difendibilità strutturale. Queste aziende sono schiacciate tra gli hyperscaler che controllano l'intelligenza sottostante e gli utenti finali che possono passare al wrapper successivo da un giorno all'altro. Quando OpenAI cambia i suoi prezzi o le sue capacità, le aziende-wrapper non hanno alcuna via di scampo.

Il valore sostenibile nell'IA non andrà alle aziende che rivendono l'accesso alle API. Andrà a quelle che risolvono i problemi difficili e specifici del dominio che i modelli generici sono strutturalmente incapaci di risolvere.

Abbiamo ottimizzato anche per la latenza — la quantizzazione del modello permette alla nostra pipeline RVC di girare su hardware di livello consumer con una latenza inferiore ai 50 millisecondi, eliminando i costosi round-trip verso le GPU nel cloud. Ogni immagine e clip audio che produciamo porta una filigrana invisibile che codifica l'ID di licenza, l'ID utente e il timestamp. Se un asset trapela o viene contestato, la filigrana ne dimostra l'origine.

La fine del «quasi corretto»

Costruisco in Veriprajna da abbastanza tempo ormai da vedere chiaramente lo schema. La prima ondata di IA aziendale riguardava l'entusiasmo — cosa potevano fare i modelli generativi? La seconda ondata, in cui stiamo entrando ora, riguarda la responsabilità — cosa dovrebbero fare, e cosa succede quando sbagliano?

Nella moda, «quasi corretto» significa un tasso di reso del 30% e un cliente che non torna più. Nell'audio, «quasi corretto» significa una causa legale e un asset che non puoi possedere. L'approccio wrapper — veloce, economico, probabilistico — funziona bene per la prototipazione e per le app consumer a basso rischio. Ma per qualsiasi dominio in cui contano accuratezza, conformità e difendibilità, non è una scorciatoia. È una passività.

L'architettura che abbiamo costruito in Veriprajna non è affascinante. I motori fisici non fanno una bella figura nelle demo come l'IA generativa. I quadri di conformità non fanno pitch deck entusiasmanti. I sistemi deterministici non producono quel tipo di output magici e sorprendenti che diventano virali sui social media.

Ma funzionano. Funzionano quando l'abito non calza e la cliente ha bisogno di saperlo prima di comprarlo. Funzionano quando il doppiatore merita di essere pagato e il team legale ha bisogno di prove. Funzionano quando l'azienda ha bisogno di possedere i propri asset e di tenere i propri dati dietro le proprie mura.

L'industria dell'IA alla fine capirà che i problemi più difficili non si risolvono rendendo i modelli più grandi. Si risolvono rendendo le soluzioni più profonde — radicate nella fisica dove la fisica conta, radicate nella legge dove la legge conta, e radicate nel lavoro poco affascinante e meticoloso di ingegnerizzare sistemi che dicono la verità.

È questo che stiamo costruendo. Non l'azienda di IA più entusiasmante. La più onesta.