Коли говорять про AI в рітейлі, найчастіше мають на увазі чатботи або персоналізовані рекомендації. Але L'Oréal зробила ставку на щось точніше: впровадила ChatGPT у систему віртуальної примірки продуктів Maybelline — і тепер покупець може «приміряти» помаду, не виходячи з чату.
За даними AI News, компанія інтегрувала можливості ChatGPT у свій virtual try-on інструмент для бренду Maybelline. Система аналізує фото користувача, накладає відтінки косметики в реальному часі та веде діалог — підбирає колір під тон шкіри, відповідає на питання й пропонує альтернативи. По суті, це злиття computer vision і conversational AI в одному продуктовому сценарії.
Що тут цікаво для AI-білдерів? Не сам факт «великий бренд + ChatGPT». А архітектурний патерн, який повністю переносимий у будь-який domain із фізичним продуктом і варіативністю вибору.
Від фільтрів до діалогу
Технологія virtual try-on існує вже кілька років. Snapchat, Instagram, Pinterest — всі мали AR-примірку. Але проблема цих рішень завжди була одна: користувач бачить продукт на собі, проте не отримує відповіді на важливіші питання: «який відтінок підійде до мого тону шкіри?», «що краще поєднується з цим образом?», «є щось схоже, але стійкіше?».
ChatGPT закриває цей gap. Модель не просто накладає текстуру — вона веде контекстний діалог, пам'ятає попередні запити в рамках сесії, може порівняти два продукти й пояснити різницю. AR-шар бачить обличчя, LLM-шар розуміє запит і керує вибором — разом це суттєво вища конверсія, ніж у чистого try-on без діалогу.
Технічна архітектура за патерном L'Oréal
Якщо деконструювати те, що L'Oréal, найімовірніше, збудувала, архітектура виглядатиме приблизно так:
- Vision pipeline: модель комп'ютерного зору визначає ключові точки обличчя, сегментує зони (губи, повіки, щоки)
- Try-on engine: рендерить відтінок продукту поверх відео або фото з урахуванням освітлення та тону шкіри
- LLM orchestration: ChatGPT через OpenAI API отримує контекст — що зараз «одягнено», що запитав користувач — і керує рекомендаціями
- Product RAG: база продуктів Maybelline зі структурованими атрибутами (відтінок, формула, стійкість, сумісність із типом шкіри) слугує knowledge base для моделі
Критично тут: LLM не «малює» косметику — вона оркеструє. Вирішує, яку підказку відправити try-on engine, яку альтернативу запропонувати, як пояснити різницю між двома продуктами. Це класична роль LLM-as-orchestrator у мультикомпонентній AI-системі.
Що це означає для AI-білдерів
Патерн L'Oréal + Maybelline — не нішова beauty-технологія. Це шаблон для будь-якого e-commerce із фізичним продуктом, де є варіативність вибору:
- Меблі: AR-розміщення + ChatGPT порадить, чи підійде диван до існуючого інтер'єру на фото
- Окуляри і оправи: face shape detection + conversational рекомендація форми оправи
- Одяг: try-on за фото + стилістичний діалог про поєднання образу
Для розробника, який хоче відтворити цей патерн, потрібно чотири компоненти:
- Vision API або спеціалізована модель (MediaPipe, Segment Anything або vendor-специфічна)
- LLM через API — GPT-4o або Claude з vision, якщо потрібен одночасний аналіз зображення
- Product vector store з атрибутами для RAG
- Оркестратор, який пов'язує стан try-on з діалоговим контекстом
Складність не в окремих компонентах — кожен доступний як managed service. Складність у stateful orchestration: як зберегти зв'язок між тим, що зараз рендериться на екрані, і поточним станом розмови. Це та інженерна задача, де більшість proof-of-concept зламуються, переходячи у production.
Висновок AiiN
Кейс L'Oréal демонструє не технологічну революцію, а mature pattern. Компанії, які вже мають AR try-on, отримали новий шар — conversational interface. Ті, хто ще будує, — мають архітектурний взірець із топової реалізації.
Для AI-білдерів головний takeaway: мультимодальний AI (бачить + говорить) перестав бути demo-технологією і стає production-ready інструментом для e-commerce. Якщо у вашому проєкті є каталог продуктів і є варіативність вибору — цей патерн заслуговує на proof-of-concept вже сьогодні. Архітектура відома. Компоненти доступні. Лишається зібрати.