Provar roupa pelo chat parecia piada. Agora virou pipeline de imagem

O provador virtual do ChatGPT resolve um atrito bem concreto: você gosta da peça no site, mas não faz ideia de como ela cai no seu corpo. Tamanho, caimento, textura no ombro, comprimento da manga. Tudo vira chute. O resultado todo lojista conhece, devolução, frete reverso, margem corroída e cliente frustrado que não volta. A OpenAI colocou esse problema para dentro do chat com um botão de 'Try On' que pega a sua foto e monta a peça em cima de você em segundos. Parece simples, mas por trás tem inferência pesada de imagem, preservação de identidade e um teste claro de escala para o Images 2.5.

A novidade foi liberada globalmente como parte da aposta da OpenAI em shopping dentro do ChatGPT. São dois recursos combinados. O primeiro é o provador virtual de roupas e acessórios, que aparece nos resultados de compra. O segundo é o Favorites, uma biblioteca para salvar produtos e imagens de try-on para rever depois. A ideia é transformar a conversa em jornada de compra, do pesquisar o look, montar a combinação, visualizar no corpo e guardar para decidir mais tarde, sem sair do aplicativo.

PublicidadeAnuncie aqui336x280 / responsivo

O fato, sem enfeite

O fluxo é direto. Você pesquisa um produto e, quando há suporte, surge o botão de provar. Aí você envia uma selfie ou uma foto de corpo inteiro e o ChatGPT gera uma versão sua vestindo aquela peça. Também dá para fazer o caminho inverso, subir um print de uma loja ou uma foto de uma peça e pedir para experimentar. A empresa diz que dá para ir além, descrever um estilo que você quer testar e pedir para o assistente montar o look completo, ou subir fotos de looks de celebridades para ele achar peças parecidas à venda.

Isso coloca o ChatGPT em rota de colisão com Google e Pinterest, que há anos dominam a descoberta visual de moda. O Google, inclusive, já lançou provador virtual no ano passado. A diferença aqui é o contexto conversacional. Você não está só clicando em imagens parecidas, está iterando com linguagem natural, ajusta a calça, troca o tênis, pede uma versão mais básica para trabalho. A compra vira um prompt que você refina.

Como funciona na visão de quem opera

Por baixo, tudo indica que estamos falando de geração e edição condicionada por imagem, não de um render 3D real do seu corpo. O modelo recebe sua foto como referência de identidade, pose e iluminação, recebe a peça como referência de produto e precisa fundir os dois mantendo rosto, proporção corporal e fundo coerentes. A OpenAI fala em iluminação mais natural, texturas mais ricas, melhor obediência a instruções de edição e menor latência no Images 2.5. Na prática, isso sugere um pipeline otimizado para inpainting guiado, com segmentação automática de corpo e roupa, mais um passo de relighting para a peça não parecer colada.

Quem já operou geração de imagem sabe onde mora o custo. Cada try-on é uma ou várias inferências de difusão em alta resolução, com múltiplos passes para preservar o rosto. Isso não é barato em escala e não é instantâneo, mesmo com latência reduzida. É plausível que a OpenAI esteja usando resolução adaptativa, primeiro gera rápido em baixa para preview e refina se o usuário salvar ou pedir detalhe, além de cache agressivo para a mesma pessoa e mesma peça. Também deve haver filtros de segurança para nudez, troca de rosto e manipulação de imagem de terceiros, o que adiciona outra camada de latência e de recusa que o usuário vai sentir.

O ponto técnico que quase ninguém comenta

O acerto aqui não é só gerar uma roupa bonita, é não quebrar a sua identidade. Se o modelo afina demais a cintura, clareia a pele, muda o formato do rosto ou estica as pernas, a experiência perde confiança na hora. Manter tatuagens, proporções, dobras naturais do tecido e sombras consistentes com o ambiente da foto original é muito mais difícil do que trocar a cor de uma camiseta. Minha leitura é que o Images 2.5 foi ajustado exatamente para isso, consistência de pessoa e material, porque sem isso o provador vira filtro de beleza e o lojista não consegue usar como prova de caimento.

O que isso muda na prática para quem vende e para quem compra

Para o consumidor, a barreira de testar cai para zero. Você não precisa instalar app de loja, criar avatar 3D ou medir ombro com fita. Basta uma foto razoável com boa luz. Para lojas pequenas e médias, isso pode reduzir aquela dúvida que mata a conversão no mobile, onde a pessoa gosta mas abandona por medo de errar o tamanho. Para marketplaces grandes, o ganho é em dados de intenção, o que você provou, salvou, descartou, vira sinal fortíssimo para recomendação. Quem perde, num primeiro momento, são os apps de provador isolados e as soluções caras de espelho virtual que exigiam integração pesada e nunca entregaram fricção baixa.

  • Ação prática para lojistas: arrume hoje o básico que alimenta esse sistema, fotos de produto em fundo limpo, frente, lateral e costas, tabela de medidas real por peça e descrição de tecido com elasticidade e modelagem. Quando o modelo puxa seu produto a partir de um print ruim, ele alucina textura e caimento.
  • Ação prática para criadores e afiliados: teste o fluxo com looks completos e salve no Favorites, porque curadoria de look provado no corpo tende a converter mais que link solto, e dá para iterar variação de preço na conversa.
  • Ação prática para o usuário: use sempre a mesma foto de corpo inteiro, em pé, com luz natural da frente e roupa justa neutra, assim a comparação entre peças fica consistente e você percebe quando o modelo está inventando caimento.

Tem um detalhe operacional importante. A qualidade da sua foto de entrada define 70 por cento do resultado. Foto escura, espelho sujo, pose torta ou rosto cortado força o modelo a completar informação, e aí ele inventa. Lojista esperto vai educar o cliente com um mini tutorial de como tirar a foto, porque isso reduz tentativa frustrada, reduz custo de geração repetida e aumenta a taxa de salvamento em Favorites.

A tensão real: isso escala ou só move o gargalo?

Aqui fica minha dúvida de operador. Provar uma camiseta lisa em uma pose frontal é um problema relativamente controlado. Provar um blazer estruturado, um vestido com drapeado, um óculos que precisa alinhar com o nariz e a orelha, ou um look com sobreposição, é outra história. Tecido tem física, dobra, peso e transparência que modelo de difusão imita visualmente, mas nem sempre respeita. A peça pode ficar linda na imagem gerada e errada na vida real, e a devolução continua. Ou seja, o ChatGPT pode reduzir a incerteza percebida sem reduzir a incerteza real na mesma proporção.

Tem também a questão de custo e confiança. Se cada usuário gerar dez variações para cada look, a conta de inferência explode. A OpenAI vai precisar limitar, comprimir ou cobrar de algum lado, provavelmente via repasse para varejistas ou priorização para assinantes. E tem o lado sensível de viés corporal, moderação e privacidade. Selfies de corpo inteiro são dados biométricos sensíveis. Onde ficam armazenadas, por quanto tempo, usadas para treino ou não, isso precisa estar cristalino. Sem transparência, muita gente vai testar uma vez por curiosidade e não vai adotar no dia a dia.

No fim, o movimento faz sentido porque shopping por IA precisava de um caso visual e testável por qualquer pessoa, depois de um checkout instantâneo que não performou e de recomendações proativas que soaram como anúncio. Provar roupa no próprio corpo gera print viral, gera conversa, gera retorno ao app. Google e Pinterest ainda têm vantagem em catálogo e intenção de compra, mas nenhum deles tem a conversa fluida que ajusta o look em linguagem natural. Se a OpenAI acertar consistência de corpo e custo por geração, o varejo vai ter que tratar o ChatGPT como vitrine, não como curiosidade. Se errar no caimento, vira só mais um filtro divertido. Você confiaria no seu próximo pedido só porque ficou bom na imagem gerada?