Anos 90: experiências em quiosques de centros comerciais
Os primeiros conceitos documentados de provadores virtuais surgiram em laboratórios de investigação de retalho e artigos académicos no início dos anos 90. A implementação envolvia tipicamente uma câmara, um ecrã em forma de espelho e sobreposições gráficas baseadas em regras que podiam sobrepor uma silhueta de roupa simplificada num sinal de vídeo. A IBM e vários grupos de retalho europeus realizaram instalações-piloto limitadas em grandes armazéns e quiosques de centros comerciais entre 1994 e 1999.
Estes sistemas eram impraticáveis por duas razões: o processamento necessário para o vídeo em tempo real era caro e fisicamente volumoso, e a qualidade gráfica estava muito abaixo do limiar em que os compradores considerariam o resultado credível. A adoção foi uniformemente baixa. Os projetos foram úteis como demonstrações de que o conceito poderia funcionar em princípio, mas a tecnologia estava a décadas de distância da viabilidade comercial.
Anos 2010: o momento da RA e das câmaras móveis
A proliferação de smartphones com câmaras frontais e processadores de sinal de imagem dedicados criou a primeira plataforma viável de provador em RA para o mercado de massas. O Lens Studio do Snapchat, lançado em 2017, democratizou a criação de RA facial e demonstrou que dezenas de milhões de utilizadores se envolveriam com experiências de realidade aumentada em tempo real quando a latência fosse suficientemente baixa e a qualidade de renderização suficientemente alta.
As marcas de moda e beleza moveram-se rapidamente para este espaço. Marcas de óculos de sol criaram provadores estilo lente para óculos. Marcas de cosméticos ofereceram pré-visualizações em tempo real de tons de batom e base via RA. Estas aplicações funcionaram bem porque exigiam o rastreio de uma superfície relativamente rígida — o rosto — que é um problema mais tratável do que rastrear tecido drapeado num corpo em movimento. Em 2019, o provador em RA era uma ferramenta comercial comprovada para acessórios e beleza, mas ainda em grande parte não comprovada para vestuário.
2018–2020: a primeira geração de provadores para e-commerce
A primeira vaga de produtos de provador virtual para e-commerce — visando especificamente o vestuário — foi lançada entre 2018 e 2020. Estes produtos utilizavam tipicamente uma combinação de estimativa de pose corporal (estimando a posição 3D das articulações do corpo a partir de uma imagem 2D) e mapeamento de textura para aplicar a textura de uma peça 2D numa silhueta corporal detetada. Os resultados eram tecnicamente impressionantes, mas visualmente pouco convincentes: as bordas do tecido eram mal definidas, a iluminação era inconsistente e peças complexas, como casacos sobrepostos ou vestidos fluidos, produziam artefactos.
A adoção comercial foi limitada. Várias startups bem financiadas neste espaço ou transitaram para a fotografia de catálogo B2B ou fecharam entre 2020 e 2022. O problema fundamental não era o processamento ou o esforço de engenharia — foi investido capital substancial em ambos — mas sim a arquitetura do modelo: as abordagens de mapeamento de textura não conseguiam simular de forma realista como o tecido cai, dobra e interage com a geometria do corpo.
2022: a inflexão da IA generativa
O lançamento de modelos de difusão latente com resolução suficiente e mecanismos de controlo — a base técnica dos sistemas de geração de imagem que emergiram de forma proeminente em 2022 — mudou o que era possível para o provador virtual de forma fundamental. Em vez de mapear a textura de uma peça de roupa num corpo, os modelos baseados em difusão podiam gerar uma imagem fotorrealista de uma pessoa a usar uma peça, condicionada tanto na foto da pessoa como na aparência da peça. O caimento do tecido, a interação com a iluminação e a oclusão corporal emergiram do processo de geração em vez de uma simulação explícita.
Esta mudança arquitetónica foi o que tornou o provador de vestuário baseado em fotos um produto comercial. A Photta lançou o seu widget B2B alimentado pelo Nano Banana 2, um modelo de difusão afinado e otimizado para aplicações de moda e joalharia, como parte desta era da IA generativa. A qualidade da renderização cruzou o limiar que impulsiona resultados comerciais reais: os compradores consideraram os resultados suficientemente credíveis para tomar decisões de compra com base neles, como comprovado pelos dados de conversão e taxa de devolução da coorte de comerciantes da Photta.
2026: onde a tecnologia se encontra
Em 2026, o provador virtual baseado em IA generativa é um produto comercial maduro para vestuário e joalharia. A tecnologia entrega resultados fotorrealistas consistentes com uma latência aceitável (8–15 segundos), escala para catálogos de qualquer tamanho sem custos fixos de produção por SKU e acumulou dados de implementação em comerciantes suficientes para sustentar benchmarks de ROI fiáveis. A questão para um comerciante de moda em 2026 não é 'esta tecnologia funciona?', mas sim 'qual implementação se ajusta ao meu catálogo e nível de tráfego?'.
Aplicações adjacentes permanecem numa fase anterior do seu ciclo de desenvolvimento. O provador de calçado apresenta desafios específicos em torno da geometria do pé e da renderização da sola que os modelos de difusão de vestuário não abordam bem. O provador em formato de vídeo — gerando um pequeno clipe em vez de uma imagem estática — está em desenvolvimento ativo, mas ainda não atingiu o limiar de qualidade de renderização para implementação comercial à escala. A composição de conjuntos multi-peças (provar uma parte de cima, uma parte de baixo e um acessório simultaneamente) é uma área de investigação ativa com as primeiras implementações comerciais a começarem a surgir em 2025–2026.