ChatGPT kleding passen: wat het wel en niet kan

ChatGPT laat je sinds 1 oktober 2026 zien hoe een jas op jou staat voordat je hem koopt. OpenAI zette virtueel passen die dag wereldwijd live in de shoppingresultaten, met het model Images 2.5 eronder. Je uploadt één selfie, tikt op Try On en krijgt een beeld van jezelf in het kledingstuk.

Voor kleur en silhouet werkt ChatGPT kleding passen beter dan je zou denken. Voor de pasvorm is het vrijwel waardeloos. En het is in geen zinvol opzicht een foto van jou. Die twee dingen zijn het waard om te weten voordat je het resultaat screenshot en ergens neerzet.

Wat ChatGPT kleding passen precies doet

De functie plakt een product op een foto die je zelf uploadt, zodat je kunt zien hoe een kledingstuk of accessoire staat bij jouw huidtint, haar en postuur. Niets meer, niets minder.

Er zijn drie manieren om het te starten:

1. Zoek kleding in de shoppingresultaten van ChatGPT en tik op de nieuwe knop Try On bij de productvermelding.
2. Upload een screenshot van een willekeurig product van een willekeurige webshop en vraag ChatGPT het op jou te passen.
3. Wijs het naar een outfit die iemand anders op een foto draagt. ChatGPT herkent dan de losse items en stelt vergelijkbare producten voor.

Daarnaast lanceerde OpenAI Favorites, een bibliotheek waarin opgeslagen producten naast de paseffecten staan die je ervoor hebt gegenereerd. Dat is het onderdeel dat echt nuttig is. Vier jassen over een week browsen naast elkaar op je eigen lichaam vergelijken kan geen enkele webshop je met zijn eigen pasmodule bieden.

Waarom OpenAI dit nu uitbrengt

De timing is geen toeval. Retouren bij kleding lopen in de Verenigde Staten op tot 23 tot 25%, ongeveer drie keer zo hoog als in de winkel, en pasvorm en maat veroorzaken ongeveer de helft daarvan. Dat zijn Amerikaanse cijfers, net als het gegeven dat 63% van de shoppers daar bewust meerdere maten bestelt. Elk procentpunt dat eraf gaat is miljarden waard, en dat verklaart waarom Google een jaar eerder al een vergelijkbare functie uitbracht.

In Nederland zit retourneren net zo diep in het koopgedrag. Achteraf betalen en gratis terugsturen maken het volstrekt normaal om twee maten te bestellen en één weer in de brievenbus te doen. Wie dat patroon kent, begrijpt waarom een paspreview aantrekkelijk klinkt. De vraag is alleen of hij doet wat je hoopt.

De disclaimer die OpenAI er zelf bij zette

Lees dit voordat je op een preview vertrouwt:

Try-on images may not represent the product or your appearance exactly and do not guarantee fit or size.

Dat is de formulering van OpenAI zelf: de beelden geven het product of je uiterlijk niet exact weer en garanderen geen pasvorm of maat. Die regel doet veel werk. Het model heeft geen maten van jou en geen maattabel van het kledingstuk. Het maakt een plausibel plaatje, geen simulatie. Een jurk die prachtig valt op je gegenereerde lichaam kan nog altijd twee maten verkeerd aankomen.

Waar de preview wel echt goed in is:

• Kleur bij je huidtint. Werkt dat olijfgroen bij jou, of trekt het alle kleur uit je gezicht? Hier zit het model dicht bij de werkelijkheid.
• Silhouet in één oogopslag. Cropped of lang, wijde pijp of getapered.
• Schaal van een dessin. Of een ruit op jouw lengte luid of juist subtiel uitpakt.

Wat het je niet vertelt: of de schouders kloppen, waar de taille valt, hoe lang de mouw is, hoe een stof beweegt als jij beweegt. Precies die dingen veroorzaken de retour. De preview raakt de smaakvraag en laat de maatvraag ongemoeid.

Waarom je gezicht per generatie verandert

Genereer vier paseffecten uit dezelfde referentiefoto en kijk alleen naar de gezichten. Ze komen niet overeen.

Eén foto geeft het model één hoek, één lichtrichting en één uitdrukking. Draai het lichaam, wissel het kledingstuk, licht de scène opnieuw uit voor een studioachtergrond, en elke pixel die in de oorspronkelijke opname niet bestond moet verzonnen worden. De kaaklijn verzacht. De haargrens verschuift. De oogafstand gaat een millimeter de verkeerde kant op, en dat is exact het verschil dat een mens ziet maar niet kan benoemen.

Dit is dezelfde reden dat AI-profielfoto's er soms nep uitzien, en het is een structureel kenmerk van de aanpak, geen bug in Images 2.5. Conditioneren op één referentiebeeld draagt stijl goed over en identiteit slecht. Dat geldt voor alle modellen in deze categorie, van de beeldfuncties van Gemini tot de headshotroute binnen ChatGPT zelf: wie één foto geeft, krijgt één verzonnen gelijkenis terug. Dertig selfies van dezelfde persoon leveren het model iets wezenlijk anders op, namelijk een gezicht dat vanuit meerdere hoeken en lichtsituaties klopt.

Geen van beide kolommen is een maattool. Het verschil zit in waar het beeld voor gemaakt is.

Privacy bij ChatGPT passen: twee instellingen om te checken

Je referentiefoto verdwijnt niet na de generatie. Hij wordt bij je account opgeslagen zodat latere passessies hem opnieuw kunnen gebruiken. Dat is handig, en het betekent ook dat er nu een foto van jou van top tot teen staat op een plek waar je bij het uploaden niet aan dacht.

Twee dingen om te doen:

1. Open Settings, Personalization, Reference photos om de opgeslagen foto te bekijken, te vervangen of te verwijderen.
2. Check op een persoonlijk account de instelling Improve the model for everyone. Zolang die aanstaat, kunnen je uploads gebruikt worden om modellen van OpenAI te trainen. Berichtgeving over de lancering bevestigt dat dit op persoonlijke abonnementen het standaardgedrag is.

Niemand hoeft hier in paniek over te raken. Maar niemand zou het ook per ongeluk moeten ontdekken. Zou je de foto niet openbaar posten, denk dan twee keer na voordat je hem je permanente referentiebeeld maakt.

Zo haal je een bruikbaar resultaat uit ChatGPT

Vier dingen veranderen de output meer dan de prompt doet:

1. Fotografeer jezelf van top tot teen, staand, met je armen zichtbaar. Bij een selfie van hoofd en schouders moet het model je hele bovenlichaam verzinnen, en het zit er altijd in jouw voordeel naast.
2. Ga voor een effen muur staan bij daglicht. Licht van een raam, geen flits, geen inbouwspots. Een drukke achtergrond vloeit over in de randen van het gegenereerde kledingstuk.
3. Draag iets strak en effen. Een dikke hoodie verbergt precies de vorm die het model moet aankleden.
4. Genereer hetzelfde item twee keer. Spreken de twee previews elkaar tegen over het kledingstuk, vertrouw dan geen van beide. Zijn ze het eens, dan is het kleurbeeld vermoedelijk betrouwbaar.

De gewoonte die het waard is om aan te leren: beoordeel kleur en silhouet uit de preview en leg daarna de echte maattabel van het merk naast je eigen maten. De AI pakt het deel dat je niet kunt voorstellen. Het meetlint pakt het deel dat de AI weigert te beloven.

Wat dit betekent voor je profielfoto's

Passen is een shoppingtool die toevallig een beeld van jou oplevert. Dat is ander werk dan een foto die jou moet vertegenwoordigen op LinkedIn, op Lexa of op een teampagina, en de output verraadt dat: een uitsnede die het product volgt, plat cataloguslicht en een gelijkenis waar niemand garant voor staat.

Toch is de outfitfoto als wens heel reëel, en dat is precies waarom mensen deze beelden blijven screenshotten. Wil je een serie foto's van jezelf in verschillende outfits en omgevingen, met jouw gezicht dat er in allemaal hetzelfde uitziet, dan komt dat van een model dat op jouw foto's getraind is. Onze pagina over virtueel kleding passen doet de kledingvariant daarvan, en een volledige fotosessie de bredere.

Gaan de beelden naar een zakelijk profiel, dan telt nog iets anders mee. In Nederland is LinkedIn per hoofd van de bevolking uitzonderlijk groot, en een studio rekent hier al snel € 75 tot € 200 voor een zakelijk portret. Recruiters herkennen een AI-profielfoto veel minder vaak dan ze denken, maar twee derde zegt af te haken zodra ze het weten. Een foto die er echt uitziet als jij lost beide helften op. Een screenshot uit een pasfunctie lost geen van beide op. Voor die toepassing is een zakelijke LinkedIn-foto een ander product dan een paspreview, en dat verschil gaat niet over resolutie.

Berichtgeving over de lancering heeft gelijk dat dit een sterke shoppingfunctie is. Gebruik hem daar ook voor. Hij is nooit gebouwd als camera die op jou gericht staat.