Années 1990 : les expériences des bornes de centres commerciaux
Les concepts les plus anciens de cabines d'essayage virtuelles documentés sont apparus dans des laboratoires de recherche en vente au détail et des articles universitaires au début des années 1990. L'implémentation impliquait généralement une caméra, un écran en forme de miroir et des superpositions graphiques basées sur des règles qui pouvaient superposer une silhouette de vêtement simplifiée sur un flux vidéo. IBM et plusieurs groupes de vente au détail européens ont mené des installations pilotes limitées dans des grands magasins et des bornes de centres commerciaux entre 1994 et 1999.
Ces systèmes étaient impraticables pour deux raisons : la puissance de calcul requise pour le traitement vidéo en temps réel était coûteuse et physiquement imposante, et la qualité graphique était bien inférieure au seuil de crédibilité pour les acheteurs. L'adoption a été uniformément faible. Les projets ont été utiles pour démontrer que le concept pouvait fonctionner en principe, mais la technologie était à des décennies de la viabilité commerciale.
Années 2010 : le moment de la RA et des caméras mobiles
La prolifération des smartphones dotés de caméras frontales et de processeurs de signal d'image dédiés a créé la première plateforme viable d'essayage en RA pour le grand public. Lens Studio de Snapchat, lancé en 2017, a démocratisé la création de RA faciale et a démontré que des dizaines de millions d'utilisateurs s'engageraient dans des expériences de réalité augmentée en temps réel lorsque la latence était suffisamment faible et la qualité de rendu suffisamment élevée.
Les marques de mode et de beauté se sont rapidement positionnées sur ce créneau. Les marques de lunettes de soleil ont créé des essayages de type filtres pour les lunettes. Les marques de cosmétiques ont proposé des aperçus en temps réel de couleurs de rouge à lèvres et de teintes de fond de teint via la RA. Ces applications fonctionnaient bien car elles nécessitaient de suivre une surface relativement rigide — le visage — ce qui est un problème plus simple que de suivre un tissu drapé sur un corps en mouvement. En 2019, l'essayage en RA était un outil commercial éprouvé pour les accessoires et la beauté, mais restait largement non prouvé pour l'habillement.
2018–2020 : première génération d'essayage e-commerce
La première vague de produits d'essayage virtuel e-commerce — ciblant spécifiquement l'habillement — a été lancée entre 2018 et 2020. Ces produits utilisaient généralement une combinaison d'estimation de pose corporelle (estimer la position 3D des articulations à partir d'une image 2D) et de mappage de texture pour draper la texture d'un vêtement 2D sur une silhouette corporelle détectée. Les résultats étaient techniquement impressionnants mais visuellement peu convaincants : les bords des tissus étaient mal définis, l'éclairage était incohérent et les vêtements complexes comme les vêtements d'extérieur superposés ou les robes fluides produisaient des artefacts.
L'adoption commerciale a été limitée. Plusieurs startups bien financées dans ce domaine ont soit pivoté vers la photographie de catalogue B2B, soit fermé entre 2020 et 2022. Le problème fondamental n'était pas la puissance de calcul ou l'effort d'ingénierie — des capitaux substantiels ont été déployés pour les deux — mais l'architecture du modèle : les approches de mappage de texture ne pouvaient pas simuler de manière réaliste la façon dont le tissu se drape, se plie et interagit avec la géométrie du corps.
2022 : l'inflexion de l'IA générative
La sortie de modèles de diffusion latente avec une résolution et des mécanismes de contrôle suffisants — le fondement technique des systèmes de génération d'images apparus en force en 2022 — a changé fondamentalement les possibilités de l'essayage virtuel. Au lieu de mapper la texture d'un vêtement sur un corps, les modèles basés sur la diffusion pouvaient générer une image photoréaliste d'une personne portant un vêtement, conditionnée à la fois par la photo de la personne et l'apparence du vêtement. Le drapé du tissu, l'interaction de la lumière et l'occlusion corporelle ont tous émergé du processus de génération plutôt que d'une simulation explicite.
Ce changement architectural est ce qui a fait de l'essayage de vêtements par photo un produit commercial. Photta a lancé son widget B2B propulsé par Nano Banana 2, un modèle de diffusion affiné et optimisé pour les applications de mode et de joaillerie, dans le cadre de cette ère de l'IA générative. La qualité de rendu a franchi le seuil qui génère des résultats commerciaux réels : les acheteurs ont trouvé les résultats assez crédibles pour prendre des décisions d'achat basées sur eux, comme en témoignent les données de conversion et de taux de retour de la cohorte de marchands de Photta.
2026 : où en est la technologie
En 2026, l'essayage virtuel basé sur l'IA générative est un produit commercial mature pour l'habillement et la joaillerie. La technologie fournit des résultats photoréalistes constants avec une latence acceptable (8 à 15 secondes), s'adapte à des catalogues de n'importe quelle taille sans surcoût de production par SKU, et a accumulé suffisamment de données de déploiement marchand pour soutenir des références de ROI fiables. La question pour un marchand de mode en 2026 n'est pas « cette technologie fonctionne-t-elle ? » mais « quelle implémentation convient à mon catalogue et à mon niveau de trafic ? »
Les applications adjacentes restent plus précoces dans leur cycle de développement. L'essayage de chaussures présente des défis spécifiques liés à la géométrie du pied et au rendu de la semelle que les modèles de diffusion pour vêtements ne traitent pas bien. L'essayage au format vidéo — générer un court clip plutôt qu'une image statique — est en développement actif mais n'a pas encore atteint le seuil de qualité de rendu pour un déploiement commercial à grande échelle. La composition de tenues multi-vêtements (essayer simultanément un haut, un bas et un accessoire) est un domaine de recherche actif avec les premières implémentations commerciales commençant à apparaître en 2025-2026.