De leugen van $890 miljard: waarom AI 'virtual try-on' moderetouren erger maakt

Afgelopen november opende een VP e-commerce bij een middelgroot modemerk een demo op haar laptop tijdens een gesprek met mijn team. "Kijk hier eens naar," zei ze, terwijl ze haar scherm draaide om ons een generatieve AI-tool voor virtual try-on te tonen die haar bedrijf net had gelicentieerd. Een selfie van een klant, een gebloemde wikkeljurk die digitaal op haar lichaam was geschilderd. Het beeld was prachtig — belichting van studiokwaliteit, stof die het licht leek te vangen, een pasvorm die eruitzag alsof hij op maat voor haar was gemaakt.

"De conversies zijn met 14% gestegen sinds we het hebben gelanceerd," zei ze.

Ik vroeg haar wat er met de retouren was gebeurd.

Stilte. Toen: "Die zijn ook gestegen."

Dat moment kristalliseerde iets waar ik al maandenlang mee worstelde terwijl ik Veriprajna's op fysica gebaseerde AI-pipeline bouwde. De mode-industrie was verliefd geworden op een technologie die haar duurste probleem erger maakte — en de beelden waren zo overtuigend dat niemand het wilde toegeven.

De retourencrisis in mode-e-commerce is geen logistiek probleem. Het is geen klantenserviceprobleem. Het is een fysicaprobleem vermomd als een mooi plaatje. En de populairste AI-oplossing van de industrie — generatieve virtual try-on — is een magische spiegel van $890 miljard.

Het getal dat elke mode-CEO angst zou moeten aanjagen

Hier is het cijfer dat me 's nachts wakker houdt: Amerikaanse retailers slikten bijna $890 miljard aan retourgerelateerde kosten in 2024, volgens de National Retail Federation. Dat is geen typefout. Dat is een getal dat het bbp van hele landen evenaart, en mode is de grootste boosdoener.

Terwijl elektronica rond de 8-10% retourpercentage schommelt en schoonheidsproducten op 4-10% zitten, landt kleding consequent tussen 30% en 40%. Tijdens promotionele pieken zoals Black Friday schieten sommige categorieën voorbij de 50%. Ik heb interne data gezien van merken waar het retourpercentage van spijkerbroeken tijdens een flash sale de 88% haalde. Achtentachtig procent. Voor elke tien verzonden spijkerbroeken kwamen er bijna negen terug.

De neiging bestaat om dit te behandelen als een kostenpost van het zakendoen. Maar de rekensom is meedogenloos. Wanneer een kledingstuk van $100 terugkomt, verliest de retailer niet alleen $100 aan omzet. Ze slikken $5-15 aan retourverzending (sporadisch, gedecentraliseerd, onmogelijk te optimaliseren zoals uitgaande zendingen). Ze betalen $3-8 aan handmatige inspectiearbeid — iemand moet het pakket openen, controleren op vlekken, de SKU verifiëren. Ze geven $2-5 uit aan stomen, opnieuw opvouwen, herlabelen. En dan de echte doodsteek: tegen de tijd dat dat kledingstuk twee tot vier weken later weer in het schap ligt, kan het trendvenster gesloten zijn, wat een afprijzing van 30-50% afdwingt.

De totale kosten van één enkele retour kunnen 66% van de oorspronkelijke prijs van het artikel opslokken. Voor elke drie verkochte artikelen verdwijnt, als er één terugkomt, de winst van de andere twee vaak al door het dekken van het verlies.

Dit is wat ik "winstloze welvaart" noem — groeiende omzet, krimpende marges, en een directieteam dat niet kan achterhalen waarom.

Waarom retourneren klanten kleding? (Het is niet wat je denkt)

Ik ging ervan uit, toen we voor het eerst in deze data begonnen te graven, dat de belangrijkste reden koperspijt of impulsaankopen zouden zijn. Ik had het mis.

Pasvorm- en maatproblemen veroorzaken 53% tot 67% van alle kledingretouren. Niet "ik ben van gedachten veranderd." Niet "de kleur zag er anders uit." Het kledingstuk paste fysiek niet om het menselijk lichaam waarvoor het was gekocht.

En dit is waar het interessant wordt: consumenten zijn niet dom. Ze weten dat de pasvorminformatie online waardeloos is. Een "Medium" bij Zara is een "Extra Small" bij een luxemerk. Maattabellen geven je bust- en tailleomvang — twee eendimensionale getallen die een driedimensionaal, gebogen, biomechanisch complex oppervlak proberen te beschrijven.

Dus hebben ze zich aangepast. Ze bracketen.

Bracketen betekent dezelfde jurk bestellen in een Small, Medium en Large met het uitdrukkelijke plan om er één te houden en twee te retourneren. Het is volkomen rationeel gedrag wanneer je nul betrouwbare pasvorminformatie hebt. En 51% van de Gen Z-shoppers geeft toe het regelmatig te doen. Vanuit het perspectief van de klant is het slim. Vanuit het perspectief van de retailer is het catastrofaal — drie keer de uitgaande verzending, twee keer de retourverzending, drie eenheden buiten de voorraad gehouden terwijl ze in iemands appartement liggen.

Ik herinner me dat ik dit vroeg aan een investeerder uitlegde. Hij haalde zijn schouders op en zei: "Geef ze dan gewoon betere maattabellen." Ik haalde twee maattabellen tevoorschijn van twee merken die we analyseerden. Hetzelfde "Medium"-label. De ene had een bustmaat van 88 cm, de andere 96 cm. Een verschil van 8 cm — dat is geen afrondingsfout, dat is een compleet ander lichaam.

Maattabellen zijn niet de oplossing. Ze zijn onderdeel van het probleem.

De verleiding van generatieve AI

Dus ging de industrie op zoek naar een technologische oplossing, en ze vond er een die als magie aanvoelde: generatieve AI virtual try-on.

De pitch is bedwelmend. Een klant uploadt een selfie. Een diffusiemodel — dezelfde technologiefamilie achter Stable Diffusion en Midjourney — "schildert" het kledingstuk op hun lichaam. Het resultaat ziet er fotorealistisch uit. De klant ziet zichzelf in de jurk, voelt zich zelfverzekerd, klikt op kopen.

Elk groot e-commerceplatform bouwt dit ofwel of licentieert het. De startups in deze sector hebben honderden miljoenen opgehaald. En ik begrijp de aantrekkingskracht — echt waar. De eerste keer dat ik een goed uitgevoerde generatieve try-on-demo zag, was mijn onderbuikreactie dit verandert alles.

Toen begonnen we te testen.

Mijn team voerde een reeks experimenten uit waarbij we hetzelfde kledingstuk namen — een gestructureerde blazer met minimale rek — en het door drie toonaangevende generatieve VTON-systemen haalden, naast foto's van lichamen die we al hadden opgemeten met meetlint en 3D-scanning. We kenden de grondwaarheid. We wisten dat deze blazer fysiek te strak over de schouders zou zitten voor verschillende van onze testpersonen.

Elk afzonderlijk generatief model toonde de blazer als perfect passend.

Niet "een beetje verkeerd." Niet "een tikje strak." Perfect. De AI had de schouders subtiel verslankt, de schijnbare stijfheid van de stof verzacht, en een beeld geproduceerd dat eruitzag als een modereportage. Het was prachtig. Het was ook een leugen.

Hoe "hallucineert" een diffusiemodel pasvorm?

Ik moet hier iets technisch worden, want de faalmodus is niet vanzelfsprekend en hij doet er enorm toe.

Diffusiemodellen zijn probabilistisch. Ze leren de statistische verdeling van pixelrangschikkingen uit miljoenen beelden. Bij het genereren van een virtual try-on berekenen ze niet of de stof genoeg rekt om een heupronding te accommoderen. Ze voorspellen welke pixels het meest statistisch waarschijnlijk naast elkaar verschijnen op basis van hun trainingsdata.

De trainingsdata is overweldigend professionele modefotografie — lange, slanke modellen in perfect gestileerde kledingstukken. Dus wanneer een echte klant met een ander lichaamstype een foto uploadt, doet het model iets verraderlijks: het interpoleert naar wat het "kent."

Generatieve AI berekent geen pasvorm. Ze hallucineert pasvorm — waarbij visuele plausibiliteit voorrang krijgt boven fysieke waarheid.

Onderzoek naar hallucinaties van diffusiemodellen onthult dat deze modellen onvermijdelijk een niet-nulwaarschijnlijkheid toekennen aan "gapregio's" buiten de echte dataverdeling. In gewoon Nederlands: ze genereren zelfverzekerd beelden van dingen die fysiek niet kunnen bestaan. Een niet-rekkende denimtextuur weergegeven alsof het spandex was. Een gestructureerd lijfje dat drapeert als zijde. Mouwen die op geometrisch onmogelijke manieren samensmelten met torso's.

De gevaarlijkste manifestatie is wat ik de "afslank-bias" noem. Het model hallucineert niet alleen het kledingstuk — het vervormt subtiel het lichaam, trekt de taille naar binnen, verlengt de benen, omdat dat is hoe "een persoon met kleren aan" eruitziet in zijn trainingsdata. De klant ziet een versie van zichzelf die er geweldig uitziet. Ze kopen met veel vertrouwen. Het fysieke kledingstuk arriveert en gaat niet dicht.

Je hebt nu een kijker omgezet in een koper én een retourneerder — het slechtst denkbare resultaat. Je hebt betaald voor de acquisitie, betaald voor de uitgaande verzending, en je staat op het punt te betalen voor de retour. De generatieve AI verminderde de retouren niet. Ze fabriceerde ze.

Ik schreef over deze faalmodus met meer technische diepgang in de interactieve versie van ons onderzoek, waarin we precies uiteenzetten hoe inpainting-architecturen zoals VITON-HD en IDM-VTON textuurgetrouwheid en geometrische consistentie verliezen.

Wat als we stopten met gissen en begonnen met berekenen?

Er was een nacht — ik denk dat het een dinsdag was, ergens rond 2 uur 's nachts — dat ik naar een naast-elkaar-vergelijking op mijn monitor staarde. Links een generatieve try-on-render. Rechts de output van onze fysicasimulatie van hetzelfde kledingstuk op hetzelfde lichaam. De generatieve versie zag er beter uit. Gladdere huid, flatteuzer licht, het soort beeld waarop je op Instagram dubbeltikt.

Maar de fysicaversie had iets wat de andere niet had: een warmtekaart. Rood bij de heupen. Geel over de bust. Blauw waar de stof los hing bij de taille. Ze vertelde de waarheid. Ze zei: dit kledingstuk is 2 cm te klein bij de heup voor dit lichaam, en hier is precies waar het zal trekken.

Dat is het moment waarop ik onze aanpak niet langer als een alternatief voor generatieve AI beschouwde en hem als een compleet andere categorie begon te zien.

Het kernidee achter Veriprajna's aanpak is bedrieglijk eenvoudig: schilder geen kleding op een foto — simuleer ze op een lichaam.

We beginnen met dezelfde invoer die iedereen gebruikt: de selfie van een klant. Maar in plaats van hem aan een diffusiemodel te voeren, reconstrueren we het lichaam van de klant in drie dimensies. We gebruiken op Transformer gebaseerde architecturen — dezelfde attentiemechanismen die de beste taalmodellen aandrijven, maar toegepast op menselijke geometrie — om een metrisch nauwkeurige 3D-mesh te herstellen uit dat enkele 2D-beeld.

Dit heet Human Mesh Recovery, of HMR, en de precisie doet er enorm toe. We gebruiken geavanceerde parametrische lichaamsmodellen zoals SMPL-X (dat gearticuleerde handen en expressieve proporties omvat) en SKEL (dat een daadwerkelijke skeletrig bevat met biomechanisch nauwkeurige gewrichtsgrenzen afgeleid van medische data). Het resultaat is geen etalagepop. Het is een digitale tweeling van het daadwerkelijke lichaam van de klant, nauwkeurig tot op 1-2 centimeter van een fysieke meetlintmeting.

Waarom vervormt een selfie je lichaam? (En hoe wij het corrigeren)

Hier is een probleem waar de meeste mensen nooit over nadenken. Houd je telefoon op armlengte en maak een selfie. Je gezicht ziet er iets breder uit. Je lichaam ziet er iets samengedrukt uit. Dat is perspectiefvervorming — de brandpuntsafstand van de camera vervormt de proporties.

De meeste AI-lichaamsreconstructiemodellen negeren dit. Ze gaan uit van een "orthografische" projectie, alsof de camera oneindig ver weg was. Voor een modetoepassing waar centimeters ertoe doen, is dit een ramp.

We integreren een algoritme genaamd BLADE — Body Limb Alignment and Depth Estimation — dat expliciet de brandpuntsafstand van de camera en de diepte van het onderwerp herstelt uit de beeldkenmerken. Het keert de perspectiefvervorming om om de ware proporties te herstellen. Dit klinkt als een klein technisch detail. Dat is het niet. Het is het verschil tussen het aanbevelen van een Medium en het aanbevelen van een Large. Het is het verschil tussen een behouden verkoop en een retour.

De stof is geen textuur — het is een materiaal

Zodra we het 3D-lichaam van de klant hebben, "schilderen" we geen kleding erop. We draperen ze met behulp van eindige-elementenanalyse — dezelfde rekenkundige fysica die wordt gebruikt om vliegtuigvleugels en brugbelastingen te simuleren.

We nemen de daadwerkelijke digitale patroonbestanden (DXF of GLB) die merken gebruiken om hun kledingstukken te fabriceren — geen foto van het kledingstuk, maar de technische blauwdruk ervan. We behandelen de stof niet als een plat beeld maar als een fysieke mesh van knooppunten verbonden door veren, elk beheerst door drie meetbare mechanische eigenschappen: trekstijfheid (hoeveel het rekt), buigstijfheid (hoe het drapeert), en afschuifstijfheid (hoe het zich naar rondingen voegt).

De simulatie lost partiële differentiaalvergelijkingen op om te berekenen waar elk punt van de stof op het lichaam landt onder zwaartekracht, botsing en materiaalbeperkingen. De output is geen mooi plaatje. Het is een spanningskaart — een kleurgecodeerde visualisatie die precies laat zien waar het kledingstuk strak (rood), nauwsluitend (geel), los (blauw), of helemaal niet in contact met het lichaam (transparant) is.

Je kunt een diffusiemodel niet vragen of de knopen zullen trekken wanneer de klant gaat zitten. Dat is een fysicavraag, en die vereist een fysica-antwoord.

Een klant die rode zones bij de heup op een Medium ziet maar gele zones op een Large, hoeft niet te bracketen. Ze kopen de Large. Eén zending eruit, nul zendingen terug.

Voor de volledige technische uiteenzetting van onze simulatiepipeline — inclusief hoe we differentieerbare fysicalagen aanpakken voor GPU-versnelde uitrol — zie onze gedetailleerde onderzoekspaper.

"Maar ziet het er echt goed uit?"

Dit is de vraag die ik van elke productleider krijg, en die is terecht. Fysicasimulaties hebben een reputatie dat ze eruitzien als videogame-renders uit 2008. Als de output er klinisch uitziet, zullen klanten er niet mee omgaan, hoe nauwkeurig hij ook is.

We hebben maanden aan dit probleem besteed. Het antwoord is neurale rendering — specifiek, technieken zoals Gaussian Splatting die fotorealistische output produceren. Maar hier is het cruciale verschil met generatieve AI: onze renders zijn begrensd door de onderliggende fysicasimulatie. Het beeld ziet er prachtig uit, maar het kan niet hallucineren. De stof kan niet rekken waar ze niet zou rekken. Het lichaam kan niet verslanken waar het niet slank is. De visuele laag is een huid over een skelet van waarheid.

Ik had een meningsverschil met een lid van mijn team hierover — hij wilde een "beautyfilter"-modus toevoegen die de spanningskaart zou gladstrijken voor een flatteuzere look. Ik heb er mijn veto over uitgesproken. Het hele punt is dat we niet in de vleierijbranche zitten. We zitten in de nauwkeurigheidsbranche. Vleierij drijft conversies aan. Nauwkeurigheid drijft behouden conversies aan. De winst-en-verliesrekening geeft alleen om de tweede.

Wat betekent dit voor de winstgevendheid?

Laat me dit concreet maken. Neem een middelgrote moderetailer met $200 miljoen aan jaarlijkse bruto-omzet en een retourpercentage van 30%. Dat is $60 miljoen aan retouren. Bij operationele kosten van ruwweg 20% van de retourwaarde (logistiek, arbeid, waardevermindering, afprijzingen), verbranden ze $12 miljoen per jaar alleen al aan het verwerken van retouren.

Branchegegevens suggereren dat geavanceerde virtual try-on met echte pasvormverificatie de retourpercentages met 20-30% kan verlagen. Als we dat retourpercentage van 30% terugbrengen tot 22,5% — een conservatieve reductie van 25% — verandert de rekensom dramatisch:

• $3 miljoen aan directe operationele besparingen door het verwerken van minder retouren
• $7,5 miljoen aan omzetherstel (de helft van de voorkomen retouren wordt omgezet in behouden verkopen)
• $10,5 miljoen aan totale jaarlijkse impact op de winst-en-verliesrekening

Dat is geen technologiekost. Dat is een margeherstelprogramma.

En er is een duurzaamheidsdimensie die onmogelijk te negeren wordt. Reverse logistics is een koolstofbom. Elk geretourneerd pakket betekent nog een vrachtwagen, nog een magazijnhandeling, nog een kledingstuk dat mogelijk op een stortplaats belandt. De Ecodesign for Sustainable Products Regulation van de EU beweegt richting een verbod op de vernietiging van onverkochte textiel. Het retourvolume met 25% verminderen geeft merken een kwantificeerbare ESG-metriek — geen greenwashing, maar gemeten reductie van onnodige zendingen.

"Waarom niet gewoon beide gebruiken?"

Mensen vragen me dit constant — waarom niet generatieve AI gebruiken voor de visuele aantrekkingskracht en fysica voor de nauwkeurigheid? Ze op elkaar stapelen?

Ik begrijp de neiging, maar het mist het punt. De generatieve laag ondermijnt actief de fysicalaag. Als je een klant een flatteus, gehallucineerd beeld toont naast een eerlijke spanningskaart, welke geloven ze? Het mooie. Elke keer weer. Het generatieve beeld wordt de belofte, en de fysica wordt de kleine lettertjes die niemand leest.

De ultieme luxe in het tijdperk van AI is waarheid — wiskundige, geometrische, fysieke waarheid. Geen overtuigendere illusie.

De moeilijkere vraag — en ik zal hier eerlijk over zijn — is dat onze aanpak iets vereist dat generatieve AI niet nodig heeft: digitale kledingassets. Merken moeten 3D digitale tweelingen van hun voorraad maken met tools zoals CLO3D of Browzwear. Dit is een reële investering. Het is een verandering in workflow. Het betekent dat het digitale patroon dat wordt gebruikt voor simulatie moet overeenkomen met het fabriekspatroon dat wordt gebruikt voor productie, anders is het hele systeem betekenisloos.

We adviseren over deze transitie. Het is niet triviaal. Maar merken die Digital Product Creation al hebben omarmd voor ontwerp en sampling, zijn halverwege. En degenen die dat niet hebben gedaan? De retourencrisis zal hen uiteindelijk dwingen. De vraag is of ze proactief of reactief investeren.

De tweesprong

De mode-industrie kiest op dit moment tussen twee toekomsten.

In de ene wordt generatieve AI beter in vleierij. De beelden worden niet meer te onderscheiden van foto's. Conversiepercentages klimmen. Retouren klimmen sneller. Marges eroderen. Merken concurreren op wie de meest overtuigende illusie kan produceren terwijl ze verdrinken in reverse-logisticskosten en stortplaats-schuldgevoel.

In de andere behandelt de industrie pasvorm als wat het werkelijk is — een mechanisch compatibiliteitsprobleem tussen een materiaal en een lichaam — en bouwt ze de geometrische infrastructuur om het op te lossen. Dit pad is moeilijker. Het vereist echte engineering, geen API-wrappers. Het vereist dat merken investeren in digitale assets, niet alleen digitale marketing. Het vereist het kiezen van nauwkeurigheid boven esthetiek wanneer de twee botsen.

Ik weet voor welke toekomst ik bouw. Het diffusiemodel weet niet dat een tailleomvang 72 centimeter is. Het weet niet dat een stof 200 gram per vierkante meter weegt. Het weet niets — het voorspelt pixels. En voorspelling, hoe fotorealistisch ook, is geen begrip.

Fysica is begrip. En begrip is het enige dat ooit daadwerkelijk een probleem heeft opgelost.