A maioria das IAs de análise de pele foi treinada com bases que sub-representam tons e subtons de pele latino-americanos. Entenda o impacto em conversão, trocas e confiança — e o que perguntar antes de contratar um fornecedor.

A análise de pele com inteligência artificial virou praticamente padrão em sites e apps de beleza: a consumidora sobe uma selfie, recebe uma leitura instantânea de oleosidade, poros, manchas ou subtom, e sai com uma lista personalizada de produtos. Para a marca, é uma ferramenta de conversão e retenção. Para quem compra, parece um conselho de especialista sem a espera por um.
Mas existe uma pergunta estrutural que raramente é feita antes de assinar contrato com um fornecedor: com quais rostos esse modelo foi treinado?
A maior parte das engines de análise de pele vendidas internacionalmente foi construída com bases montadas na América do Norte, Europa ou Ásia Oriental. Para o mercado brasileiro, isso cria três problemas concretos.
Pesquisas em visão computacional mostram repetidamente que modelos de análise facial performam pior em tons de pele sub-representados simplesmente por terem visto menos exemplos durante o treinamento. Quando a base pende para fototipos mais claros, a precisão cai silenciosamente conforme a melanina aumenta ou o subtom muda.
Uma análise baseada em selfie só é tão boa quanto as premissas de balanço de branco e exposição embutidas no modelo. A luz tropical, a iluminação quente de ambientes internos e as câmeras de celular comuns no Brasil se comportam de forma diferente das imagens calibradas em estúdio usadas para treinar muitos modelos globais. O resultado: oleosidade e vermelhidão lidas de forma errada, manchas super ou subestimadas.
O Brasil tem uma das populações mais miscigenadas do mundo. Subtom — quente, frio, neutro, oliva — não acompanha de forma linear a profundidade do tom de pele, e modelos treinados em populações mais homogêneas tendem a simplificar essa nuance em categorias amplas e imprecisas. Preocupações como manchas e tom desigual, especialmente comuns em peles mais profundas e miscigenadas, acabam recebendo recomendações genéricas.
Uma ferramenta que erra a leitura do tom de pele não gera apenas uma recomendação levemente equivocada — ela compromete toda a proposta de valor da personalização. Para uma marca que investe em uma consultora de IA justamente para gerar confiança e aumentar conversão, uma leitura imprecisa para uma parcela relevante das visitantes atinge diretamente:
Num mercado em que tons de pele miscigenados e profundos são maioria, e não exceção, isso não é um detalhe para corrigir depois. É precisão central.
A MaIA, da B4A, foi treinada desde o início com uma base proprietária de centenas de milhares de selfies de consumidoras brasileiras, cobrindo toda a diversidade de tons e subtons de pele que de fato compram no mercado — e não uma média global com alguns exemplos locais adaptados.
Tão importante quanto isso é o que acontece depois da análise: as recomendações da MaIA se conectam a um ciclo fechado de dados reais de compra e avaliação do próprio ecossistema de consumo da B4A, incluindo a base de assinantes do glam. O modelo não é validado só contra imagens rotuladas — ele é continuamente verificado contra o desempenho real dos produtos recomendados para cada tom de pele, e ajustado a partir disso.
Antes de escolher — ou renovar — uma consultora de pele com IA, pergunte diretamente ao fornecedor:
Fornecedores que não respondem isso com clareza provavelmente estão vendendo uma média global disfarçada de personalização.
Para marcas de beleza em expansão no Brasil, uma consultora de IA só é tão útil quanto os dados que a formaram. Um modelo treinado com os rostos errados vai sempre entregar menos para a maioria das consumidoras da região, não importa quão bonita seja a interface. Antes de investir — ou expandir — uma ferramenta de análise de pele aqui, pergunte de onde vem a inteligência dela.
B4A Serviços de Tecnologia e Comércio S.A.
Avenida Jornalista Roberto Marinho, nº 85, 11º Andar (Conjunto 112), Cidade Monções - CEP 04576-010 - Cidade de São Paulo, Estado de São Paulo