A indústria de IA tem um problema de física — e ele está custando US$ 890 bilhões ao varejo

Uma marca de moda me mostrou sua nova ferramenta de prova virtual com IA no ano passado. Eles tinham orgulho dela — e, honestamente, parecia incrível. Um usuário podia enviar uma selfie, escolher um vestido, e a IA renderizava uma imagem deslumbrante dele vestindo a peça. A iluminação era suave, o tecido caía lindamente, o caimento era perfeito.

Esse era o problema. O caimento era sempre perfeito.

Pedi que eles tentassem algo: enviar a foto de alguém que claramente é tamanho 12 e selecionar um vestido tamanho 6. A IA não mostrava o zíper forçando. Não mostrava o tecido repuxando nas costuras. Ela deformava o vestido para cobrir o corpo perfeitamente — ou pior, deformava sutilmente o corpo para caber no vestido. Era um espelho de fantasia, não um provador. E cada cliente que comprasse com base nessa fantasia iria devolver o produto.

Aquela demonstração cristalizou algo com que eu vinha lutando havia meses na Veriprajna. A indústria de IA não tem um problema de inteligência. Tem um problema de física. Os modelos generativos otimizam para a coerência de pixels — para fazer as imagens parecerem certas. Mas no mundo real, o tecido tem resistência à tração. As ondas sonoras têm donos de direitos autorais. E "praticamente certo" não é um modelo de negócios quando você está sangrando margens em devoluções ou enfrentando um processo do Universal Music Group.

Esta é a história de por que abandonamos a abordagem dominante para a IA empresarial e construímos algo fundamentalmente diferente.

O Espelho de Fantasia de US$ 890 Bilhões

Aqui está um número que deveria tirar o sono de todo executivo de e-commerce: as devoluções de consumidores no varejo somaram um valor estimado de US$ 890 bilhões em 2024, segundo a National Retail Federation. Não milhões. Bilhões. E o vestuário é o pior infrator — as taxas de devolução de roupas online superam consistentemente 25-30%, com algumas categorias de alta-moda chegando a 50% nas temporadas de pico.

A causa raiz não é complicada. As pessoas não conseguem dizer se a roupa vai servir a partir de uma foto. "Tamanho incorreto, caimento ruim e cor" respondem por 55% de todas as devoluções. Essa incerteza gerou um comportamento de consumo chamado "bracketing" — comprar três tamanhos da mesma camisa, experimentá-los em casa e devolver dois. Em 2024, 51% dos consumidores da Geração Z admitiram fazer isso. Eles transformaram seus quartos em provadores e o serviço postal em uma esteira de devoluções.

Processar uma única devolução custa aos varejistas, em média, 27% do preço de compra do item. Frete, inspeção, limpeza, reembalagem — tudo por um item que pode acabar sendo remarcado de qualquer forma. É um incinerador de margem.

A indústria da moda não tem um problema de conversão. Tem um problema de verdade. Uma IA que lisonjeia em vez de informar está apenas acelerando o ciclo de devoluções.

Então a indústria recorreu à tecnologia. Ferramentas de prova virtual movidas por IA generativa — GANs, modelos de difusão, todo o arsenal. E essas ferramentas são brilhantes em uma coisa: fazer vendas. Elas otimizam para taxas de cliques e conversões iniciais. Elas vendem o sonho.

Só não conseguem entregar a realidade.

Por Que a IA Generativa Alucina o Caimento?

Lembro-me do momento exato em que minha equipe deixou de acreditar na prova virtual generativa. Estávamos avaliando um sistema baseado em modelo de difusão — um dos bem financiados — comparando-o a amostras físicas de roupas. Tínhamos uma jaqueta jeans, crua e implacável, o tipo de tecido que tem essencialmente zero elasticidade. Alimentamos o sistema com a foto de um usuário e a imagem da jaqueta.

A IA renderizou um resultado lindo. A jaqueta serviu perfeitamente. Em um corpo que, na realidade física, não conseguiria passar nem o braço esquerdo pela manga.

Meu cofundador olhou para a tela e disse: "Não está provando a jaqueta. Está fazendo Photoshop da jaqueta." E é exatamente isso. A função-objetivo de um modelo de difusão é a coerência de pixels — fazer a imagem de saída parecer estatisticamente plausível dado seus dados de treinamento. Ele não tem noção de rigidez à tração. Não sabe que o jeans cru não estica. Não sabe absolutamente nada sobre tecido.

Isso cria três falhas em cascata:

A alucinação de caimento. O modelo deforma a peça para cobrir o corpo, ou deforma o corpo para caber na peça. De qualquer forma, o cliente vê uma mentira. A análise do setor tem sido franca sobre isso: "As provas virtuais carecem de precisão no mundo real, ignoram o comportamento do tecido e podem enganar os clientes sobre como uma peça realmente veste e se sente."

Degradação de textura. As GANs sofrem de colapso de modo — detalhes finos como renda, bordado ou tramas complexas ficam borrados em padrões genéricos. Os modelos de difusão às vezes inventam detalhes que não existem no produto físico. Agora o cliente é surpreendido tanto pelo caimento quanto pela aparência.

O efeito boneca de papel. A maioria dos sistemas baseados em 2D cola uma imagem plana da roupa sobre o usuário. Sem percepção de profundidade. Sem entendimento de como o tecido cai sobre a curva do quadril ou se acumula na cintura. Para qualquer coisa solta ou fluida — onde o caimento é o estilo — o resultado é inútil.

Estávamos diante de uma tecnologia que aumentava as vendas e aumentava as devoluções em medida praticamente igual. Impacto líquido na margem: insignificante, possivelmente negativo. Foi aí que soube que precisávamos de uma arquitetura completamente diferente.

Simulando o Vestido em Vez de Imaginá-lo

O avanço não foi uma rede neural melhor. Foi a decisão de tratar a prova virtual como um problema de engenharia mecânica em vez de um problema de geração de imagem.

Na Veriprajna, construímos o que chamo de uma arquitetura "Núcleo Determinístico, Periferia Probabilística". O núcleo — a parte que determina se uma peça veste — é um motor de simulação física, semelhante ao que designers de moda profissionais usam em ferramentas como o CLO3D ou o Marvelous Designer. Não treinamos uma rede neural com imagens de roupas. Ingerimos os padrões CAD reais das peças e atribuímos a elas as propriedades físicas de seus tecidos do mundo real.

Isso importa mais do que pode parecer. Todo tecido tem propriedades mecânicas mensuráveis: rigidez à flexão (ele cai como a seda ou se mantém rígido como o jeans?), rigidez ao cisalhamento (como ele se comporta no viés?), rigidez à tração (quanto ele estica sob tensão?), amortecimento interno (como ele se assenta no corpo?), razão de flambagem (como ele se enruga e se junta?). Nossa simulação é calibrada em relação a todas essas propriedades.

O resultado é que, quando um corpo tamanho 12 experimenta um vestido tamanho 6 em nosso sistema, a simulação mostra exatamente o que aconteceria em um provador físico. Linhas de tensão aparecem. O padrão em "X" na cintura que qualquer alfaiate reconheceria. O tecido visivelmente não consegue fechar. Não é lisonjeiro. É honesto.

Substituímos o espelho de fantasia por um motor de física. Se a peça não serve, a simulação mostra a você — linhas de tensão, repuxões, tecido que não fecha. A honestidade acaba sendo melhor para o negócio do que a bajulação.

Escrevi sobre a arquitetura técnica completa — o pipeline de renderização PBR, os parâmetros de simulação de tecido, a composição por renderização diferencial — na versão interativa da nossa pesquisa. Mas o insight central é simples: um motor de física não pode alucinar. Ele calcula. E o cálculo, ao contrário da geração, é determinístico.

A Parte Mais Difícil Não Foi a Física

Aqui está o que eu não esperava: a simulação física foi a parte fácil. O problema genuinamente difícil foi fazer o resultado parecer real o suficiente para que os clientes confiassem nele.

Uma simulação física perfeitamente precisa renderizada com iluminação ruim parece um elemento de videogame colado sobre uma foto. Os clientes dão uma olhada e descartam. Tínhamos resolvido o problema da precisão e criado um problema de credibilidade.

É aqui que trouxemos a IA de volta — não para gerar a peça, mas para resolver o desafio de iluminação e integração. Usamos Renderização Fisicamente Baseada (PBR) para modelar como a luz interage com as superfícies dos tecidos usando fórmulas fisicamente precisas. Albedo para a cor base, mapas de rugosidade para como a luz se dispersa (algodão versus cetim), mapas de normais para a textura microscópica da superfície, como a trama da sarja.

Mas a verdadeira mágica está no que acontece quando você coloca essa peça 3D na foto 2D de um cliente. Se a iluminação do vestido digital não corresponder à iluminação do ambiente do cliente, tudo parece falso — como um adesivo grudado numa imagem.

Passamos semanas nisso. Noites viradas discutindo se a estimativa de ambiente baseada em CNN era boa o suficiente, se a captura de sombras era agressiva demais, se o envolvimento de luz nas bordas da peça era sutil demais. Houve uma quinta-feira específica — lembro porque tínhamos pedido pizza e ela havia esfriado — em que nosso líder de renderização exibiu uma comparação: nosso composto ao lado de uma fotografia real da mesma peça na mesma pessoa. Três de nós não conseguiam dizer qual era qual. A quarta conseguiu, mas apenas porque notou uma leve diferença de temperatura de cor num puxador de zíper.

Foi o momento em que soube que tínhamos algo.

A técnica se chama renderização diferencial — você calcula o efeito do objeto 3D na cena sem re-renderizar a própria cena. Capturadores de sombra, mapas de ambiente estimados a partir da foto do usuário, envolvimento de luz nas bordas para simular o espalhamento subsuperficial. A peça projeta uma sombra realista sobre as pernas reais do usuário. Os botões refletem a mesma luz da janela que está nos olhos do usuário.

Qual Métrica a Prova Virtual Deveria Realmente Otimizar?

É aqui que o caso de negócios fica interessante, e onde acho que a maior parte do setor entende tudo ao contrário.

A prova virtual com IA generativa otimiza para taxa de conversão. Ela vende a fantasia. Nosso sistema otimiza para vendas líquidas — vendas menos devoluções. Ao mostrar a verdade, mesmo quando a verdade é "isto não serve em você", evitamos o ciclo de devoluções que destrói as margens.

Também produzimos dados, não apenas imagens. Nosso sistema gera uma Pontuação de Confiança de Caimento — algo como "95% de compatibilidade para a cintura, 60% de compatibilidade para os quadris." Isso faz algo contraintuitivo: às vezes desencoraja uma compra. Mas as compras que ele não desencoraja quase nunca voltam. E o cliente confia mais no sistema na próxima vez. A confiança se acumula. As devoluções, não.

As pessoas me perguntam se mostrar informações de caimento pouco lisonjeiras prejudica as taxas de conversão. Resposta curta: sim, no início. Resposta mais longa: os clientes que você perde são aqueles que teriam devolvido o produto de qualquer forma. Você não está perdendo receita — está perdendo a ilusão de receita que iria evaporar em duas semanas, quando a devolução chegasse.

O Outro Campo Minado: Por Que o Áudio Generativo É uma Bomba-Relógio Jurídica

Enquanto construíamos motores de física para a moda, navegávamos simultaneamente por um domínio igualmente traiçoeiro: o áudio. E aqui, o problema não é a física — é a lei.

As indústrias da música e da voz estão no meio de uma crise existencial por causa da IA generativa. Universal Music Group, Sony Music e a RIAA moveram grandes processos contra empresas de IA como Suno e Udio. A questão central: a maioria dos modelos de áudio generativo foi treinada com música protegida por direitos autorais coletada da web. Se uma empresa usa um desses modelos para gerar um jingle e essa saída imita inadvertidamente uma obra protegida por direitos autorais — um fenômeno chamado "regurgitação" —, a empresa é responsável pela violação. E como os modelos são caixas-pretas, você não consegue verificar a procedência do que sai.

A situação piora. Segundo as diretrizes atuais do U.S. Copyright Office, obras criadas exclusivamente por IA sem intervenção humana significativa não são elegíveis para proteção de direitos autorais. O que significa que, se uma marca usar uma ferramenta puramente generativa para criar um logotipo sonoro, ela não pode possuí-lo. Ele entra em domínio público. Concorrentes podem usá-lo livremente. Para PI comercial, isso é inviável.

Se você não consegue provar de onde veio seu áudio de IA e não consegue possuir o que ele produz, você não tem um ativo — tem um passivo.

Esbarramos nessa parede cedo. Uma agência de publicidade nos procurou querendo trabalho de voz gerado por IA para uma campanha. Eles vinham usando uma ferramenta popular de texto para voz e tinham acabado de receber uma notificação extrajudicial. A ferramenta aparentemente havia sido treinada com dados de voz que incluíam amostras de um ator reconhecível. Ninguém conseguia prová-lo definitivamente — caixa-preta — mas ninguém conseguia refutá-lo tampouco. A campanha foi arquivada.

Como Fazer um Áudio de IA Que Seja Realmente Legal?

Resolvemos isso rejeitando totalmente o paradigma de "gerar do zero". Em vez disso, construímos um fluxo de trabalho transformador usando duas tecnologias profundas: Separação Profunda de Fontes e Conversão de Voz Baseada em Recuperação (RVC).

A Separação Profunda de Fontes é o processo de decompor um arquivo de áudio finalizado em seus stems componentes — vocais, bateria, baixo, instrumentos. Pense nisso como "desassar" um bolo, o que parece impossível, mas o aprendizado profundo moderno tornou notavelmente eficaz. Nosso motor usa uma arquitetura U-Net que opera em espectrogramas de áudio, produzindo máscaras suaves que isolam as frequências de cada stem. Usamos variantes no domínio da forma de onda para evitar os artefatos de fase "aquosos" que afligem as abordagens padrão baseadas em espectrograma.

Isso desbloqueia um valor enorme de catálogos de PI existentes e licenciados. Uma empresa de mídia pode separar o diálogo da trilha orquestral de um filme para criar versões dubladas. Gravadoras podem "destravar" masters legados cujas fitas multipista originais se perderam, criando novos remixes ou mixagens imersivas em Dolby Atmos. Cada etapa respeita os direitos existentes porque estamos trabalhando com material de origem próprio ou licenciado.

Para modificação de voz, usamos o RVC — uma estrutura de fala para fala que altera o timbre de uma voz enquanto preserva a prosódia (ritmo, tom, emoção) da performance original. O sistema retira a identidade de uma voz usando modelos auto-supervisionados como o HuBERT, depois a reconstrói usando um banco de dados indexado por FAISS dos embeddings reais de voz do falante-alvo. Ele não está alucinando uma voz — está remontando uma a partir de fatias microscópicas de gravações reais e consentidas.

Para o detalhamento técnico completo tanto da arquitetura de separação de fontes quanto do pipeline de RVC, veja nosso artigo de pesquisa aprofundado.

A Infraestrutura de Consentimento de Que Ninguém Fala

A tecnologia é apenas metade da história. O que torna isso pronto para o uso empresarial é a estrutura de conformidade em torno dela.

Não usamos modelos RVC públicos treinados com dados de celebridades coletados. Construímos modelos personalizados treinados exclusivamente com dubladores que assinaram Autorizações de Comercialização de IA específicas — consentimento explícito para usos específicos, com royalties rastreados sempre que seu modelo de voz é implantado.

Aqui está a parte que mais importa para a defesa jurídica: como o sistema RVC usa um banco de dados de recuperação, podemos provar matematicamente qual modelo de voz produziu qualquer saída dada. Se alguém alega "isso soa como a Celebridade X", podemos auditar o índice FAISS e demonstrar que cada embedding veio do Dublador Consentido A. Essa não é uma defesa do tipo "nós acreditamos" — é uma defesa criptográfica.

E porque a saída é uma obra derivada baseada em uma performance humana e em uma composição criada por humanos, ela se qualifica para proteção de direitos autorais. A empresa pode de fato possuir o ativo final. Tente conseguir isso de um gerador de texto para música.

Houve um momento — acho que foi durante uma ligação com a equipe jurídica de uma empresa de mídia — em que o diretor jurídico deles fez uma pausa e disse: "Espere, vocês conseguem mesmo nos mostrar qual voz foi usada para cada milissegundo de áudio?" Quando eu disse que sim, houve um longo silêncio. Então: "Vocês têm noção de quanto dinheiro gastamos em revisão jurídica de conteúdo gerado por IA?" Foi aí que entendi que a infraestrutura de conformidade não é um recurso. É o produto.

Por Que as Empresas Não Podem Simplesmente Usar o GPT para Isso?

Recebo essa pergunta constantemente. Geralmente de investidores, às vezes de clientes potenciais que viram demonstrações impressionantes de provedores de modelos de fundação. A resposta é arquitetônica, não filosófica.

Quando você constrói sobre uma API de terceiros, você herda a natureza estocástica daquele modelo. Se o modelo alucina — um caimento errado, uma melodia protegida por direitos autorais, uma voz clonada — você não pode consertar. Os pesos são proprietários. Você está impotente. Você também provavelmente vazou dados proprietários: coleções de moda não lançadas enviadas a um modelo na nuvem podem acabar em seus dados de treinamento. Nossos sistemas são conteinerizados com Docker e Kubernetes, implantáveis inteiramente dentro da nuvem privada ou dos servidores locais de um cliente. Eles não exigem acesso à internet. Não fazem chamadas para casa. O isolamento (air gap) não é paranoia — é uma exigência contratual de todo cliente empresarial sério com quem já trabalhamos.

Há também a questão da defensibilidade. Analistas da PitchBook têm sido francos: o mercado está supersaturado de startups que são "invólucros finos em torno de modelos de fundação" sem defensibilidade estrutural. Essas empresas estão espremidas entre hiperescaladores que controlam a inteligência subjacente e usuários finais que podem migrar para o próximo invólucro da noite para o dia. Quando a OpenAI muda seus preços ou capacidades, as empresas-invólucro não têm recurso.

O valor sustentável em IA não irá para empresas que revendem acesso a APIs. Irá para aquelas que resolvem os problemas difíceis e específicos de domínio que os modelos genéricos são estruturalmente incapazes de resolver.

Também otimizamos a latência — a quantização de modelo permite que nosso pipeline de RVC rode em hardware de consumo com latência abaixo de 50 milissegundos, eliminando as caras idas e voltas a GPUs na nuvem. Cada imagem e clipe de áudio que produzimos carrega uma marca-d'água invisível que codifica o ID de licenciamento, o ID do usuário e o registro de data e hora. Se um ativo vazar ou for contestado, a marca-d'água prova sua origem.

O Fim do "Praticamente Certo"

Já venho construindo na Veriprajna tempo suficiente para ver o padrão com clareza. A primeira onda de IA empresarial foi sobre entusiasmo — o que poderiam os modelos generativos fazer? A segunda onda, na qual estamos entrando agora, é sobre responsabilização — o que deveriam fazer, e o que acontece quando erram?

Na moda, "praticamente certo" significa uma taxa de devolução de 30% e um cliente que nunca mais volta. No áudio, "praticamente certo" significa um processo judicial e um ativo que você não pode possuir. A abordagem de invólucro — rápida, barata, probabilística — funciona bem para prototipagem e aplicativos de consumo de baixo risco. Mas para qualquer domínio onde precisão, conformidade e defensibilidade importam, ela não é um atalho. É um passivo.

A arquitetura que construímos na Veriprajna não é glamorosa. Motores de física não impressionam em demonstrações tanto quanto a IA generativa. Estruturas de conformidade não rendem pitch decks empolgantes. Sistemas determinísticos não produzem o tipo de saída mágica e surpreendente que viraliza nas redes sociais.

Mas eles funcionam. Funcionam quando o vestido não serve e a cliente precisa saber antes de comprar. Funcionam quando o dublador merece ser pago e a equipe jurídica precisa de provas. Funcionam quando a empresa precisa ser dona de seus ativos e manter seus dados atrás de seus próprios muros.

A indústria de IA acabará percebendo que os problemas mais difíceis não são resolvidos tornando os modelos maiores. São resolvidos tornando as soluções mais profundas — enraizadas na física onde a física importa, enraizadas na lei onde a lei importa, e enraizadas no trabalho sem glamour e meticuloso de engenharia de sistemas que dizem a verdade.

É isso que estamos construindo. Não a empresa de IA mais empolgante. A mais honesta.