Años 90: experimentos en quioscos de centros comerciales
Los primeros conceptos documentados de probadores virtuales aparecieron en laboratorios de investigación minorista y artículos académicos a principios de la década de 1990. La implementación consistía típicamente en una cámara, una pantalla en forma de espejo y superposiciones gráficas basadas en reglas que podían superponer una silueta simplificada de ropa sobre una señal de vídeo. IBM y varios grupos minoristas europeos realizaron instalaciones piloto limitadas en grandes almacenes y quioscos de centros comerciales entre 1994 y 1999.
Estos sistemas eran poco prácticos por dos razones: la capacidad de cómputo necesaria para el procesamiento de vídeo en tiempo real era costosa y físicamente voluminosa, y la calidad de los gráficos estaba muy por debajo del umbral en el que los compradores consideraban creíble el resultado. La adopción fue uniformemente baja. Los proyectos fueron útiles como demostraciones de que el concepto podía funcionar en principio, pero la tecnología estaba a décadas de la viabilidad comercial.
Años 2010: el momento de la RA y la cámara móvil
La proliferación de teléfonos inteligentes con cámaras frontales y procesadores de señal de imagen dedicados creó la primera plataforma de probadores de RA viable para el mercado masivo. Lens Studio de Snapchat, lanzado en 2017, democratizó la creación de RA facial y demostró que decenas de millones de usuarios interactuarían con experiencias de realidad aumentada en tiempo real cuando la latencia fuera lo suficientemente baja y la calidad de renderizado lo suficientemente alta.
Las marcas de moda y belleza se movieron rápidamente hacia este espacio. Las marcas de gafas de sol crearon probadores tipo lente para gafas. Las marcas de cosméticos ofrecieron vistas previas en tiempo real del color de labios y tonos de base mediante RA. Estas aplicaciones funcionaron bien porque requerían el seguimiento de una superficie relativamente rígida —la cara—, que es un problema más manejable que el seguimiento de tela caída sobre un cuerpo en movimiento. Para 2019, el probador de RA era una herramienta comercial probada para accesorios y belleza, pero aún no se había demostrado su eficacia para la ropa.
2018–2020: primera generación de probadores de comercio electrónico
La primera ola de productos de probadores virtuales para comercio electrónico —dirigidos específicamente a la ropa— se lanzó entre 2018 y 2020. Estos productos solían utilizar una combinación de estimación de la pose corporal (estimando la posición 3D de las articulaciones del cuerpo a partir de una imagen 2D) y mapeo de texturas para superponer una textura de prenda 2D sobre una silueta corporal detectada. Los resultados eran técnicamente impresionantes pero visualmente poco convincentes: los bordes de la tela estaban mal definidos, la iluminación era inconsistente y las prendas complejas, como prendas exteriores con capas o vestidos vaporosos, producían artefactos.
La adopción comercial fue limitada. Varias empresas emergentes bien financiadas en este espacio pivotaron hacia la fotografía de catálogos B2B o cerraron entre 2020 y 2022. El problema fundamental no era el cómputo ni el esfuerzo de ingeniería —se desplegó un capital sustancial en ambos—, sino la arquitectura del modelo: los enfoques de mapeo de texturas no podían simular de manera realista cómo la tela cae, se dobla e interactúa con la geometría del cuerpo.
2022: el punto de inflexión de la IA generativa
El lanzamiento de modelos de difusión latente con suficiente resolución y mecanismos de control —la base técnica de los sistemas de generación de imágenes que surgieron de manera prominente en 2022— cambió lo que era posible para el probador virtual de una manera fundamental. En lugar de mapear la textura de una prenda sobre un cuerpo, los modelos basados en difusión podían generar una imagen fotorrealista de una persona usando una prenda, condicionada tanto por la foto de la persona como por la apariencia de la prenda. La caída de la tela, la interacción de la luz y la oclusión del cuerpo surgieron del proceso de generación en lugar de una simulación explícita.
Este cambio arquitectónico es lo que convirtió el probador de ropa basado en fotos en un producto comercial. Photta lanzó su widget B2B impulsado por Nano Banana 2, un modelo de difusión ajustado y optimizado para aplicaciones de moda y joyería, como parte de esta era de la IA generativa. La calidad del renderizado cruzó el umbral que impulsa resultados comerciales reales: los compradores encontraron los resultados lo suficientemente creíbles como para tomar decisiones de compra basadas en ellos, como lo demuestran los datos de conversión y tasa de devolución de la cohorte de comerciantes de Photta.
2026: estado actual de la tecnología
A partir de 2026, el probador virtual basado en IA generativa es un producto comercial maduro para ropa y joyería. La tecnología ofrece resultados fotorrealistas consistentes con una latencia aceptable (8–15 segundos), se escala a catálogos de cualquier tamaño sin gastos generales de producción por SKU y ha acumulado suficientes datos de implementación de comerciantes para respaldar puntos de referencia de ROI fiables. La pregunta para un comerciante de moda en 2026 no es '¿funciona esta tecnología?', sino '¿qué implementación se adapta a mi catálogo y nivel de tráfico?'.
Las aplicaciones adyacentes permanecen en una fase más temprana de su ciclo de desarrollo. El probador de calzado presenta desafíos específicos en torno a la geometría del pie y el renderizado de la suela que los modelos de difusión de ropa no abordan bien. El probador en formato de vídeo —generando un clip corto en lugar de una imagen estática— está en desarrollo activo pero aún no alcanza el umbral de calidad de renderizado para el despliegue comercial a gran escala. La composición de atuendos con múltiples prendas (probarse una parte superior, una parte inferior y un accesorio simultáneamente) es un área de investigación activa con las primeras implementaciones comerciales comenzando a aparecer en 2025–2026.