AI реально помогает в пост-продакшне: генерация фонов и локаций, ретушь, расширение кадра — это ускоряет и удешевляет контент без вреда для карточки, от 700 ₽ за фото. Вредит AI там, где генерируют сам товар или модель: нейросеть искажает крой, фактуру и посадку, покупатель получает «не то» — и растут возвраты. Наша позиция проста: товар и модель всегда реальные, AI — только в обработке.
Сильная сторона нейросетей — всё, что вокруг товара. Реальный кадр из студии можно перенести на сгенерированный фон: терраса, лофт, улица европейского города — без аренды локаций и выездных смен. Это делает «дорогую» картинку доступной: у нас AI-контент стоит от 700 ₽ за фото, пакет из 4 фото — 1 990 ₽ как допуслуга к съёмке.
Второй пласт — рутинная обработка: чистка фона, ретушь кожи, расширение кадра под форматы площадок, апскейл. То, что раньше занимало часы работы ретушёра, теперь делается быстрее — а значит, дешевле для продавца при том же качестве.
Отдельно стоит сказать про скорость. Раньше между съёмкой и выходом карточки стояла обработка, которая на большой партии занимала неделю. Сегодня основной объём рутины уходит в конвейер, и материалы сдаются частями — первые карточки выходят в продажу, пока обрабатывается остальное.
Это меняет не только сроки, но и подход к планированию. Когда обработка перестаёт быть узким местом, снимать становится выгоднее партиями по расписанию, а не «когда накопится и когда освободится ретушёр».
Проблемы начинаются, когда нейросеть создаёт сам предмет продажи. Генеративные модели «додумывают» детали: меняют фактуру ткани, геометрию швов, оттенок, посадку на фигуре. Внешне картинка выглядит убедительно — но она показывает товар, которого не существует.
Покупатель заказывает то, что увидел, а получает то, что есть на складе. Разница между ними — это отказы на пункте выдачи, негативные отзывы и падение процента выкупа. Экономия на съёмке оборачивается расходами на логистику возвратов и просевшим рейтингом карточки.
Есть и менее очевидная проблема генерации товара — повторяемость. Даже если один кадр получился убедительным, второй и третий будут отличаться в деталях: другая строчка, другая фурнитура, другая длина. Галерея из таких кадров разваливается, и покупатель это замечает, даже не понимая, что именно его смущает.
Ещё одна сторона — юридическая. Изображение товара в карточке — это часть предложения, и продавец отвечает за его достоверность. Аргумент «так сгенерировала нейросеть» в споре с покупателем или площадкой не работает.
Сгенерированная «модель» в вашей одежде — самый соблазнительный и самый опасный сценарий. Нейросеть надевает вещь на несуществующее тело: посадка, натяжение ткани, длина рукава — всё это выдумка алгоритма, а именно посадку покупатель одежды проверяет в первую очередь.
Добавьте артефакты — неестественные руки, «пластиковую» кожу, стыки на границах одежды и тела. Аудитория научилась их считывать, и доверие к карточке падает целиком: если фото «нарисовано», что ещё в описании неправда?
Отдельная проблема AI-модели — типаж. Алгоритм тяготеет к усреднённой «идеальной» фигуре, и покупательница с другими параметрами не получает никакого ответа на свой вопрос о посадке. Живая модель с указанными ростом и размером закрывает этот вопрос одним кадром.
И ещё: реальная модель показывает, как вещь ведёт себя в движении — где тянет, где закладывается складка, как ложится подол. Ничего из этого нейросеть не знает, потому что физику именно вашей ткани она не видела.
Гибридный пайплайн забирает лучшее из обоих миров. Как это выглядит на практике:
Важная деталь этой схемы — на каком этапе принимается решение. Понимание, что часть фонов будет сгенерирована, должно появиться до съёмки, а не после. Тогда фотограф снимает с расчётом на замену фона: правильный свет, чистый край, запас по кадру.
Кадр, снятый без такого расчёта, тоже можно обработать, но результат будет хуже и дороже: обтравка по сложному фону, ручная доводка теней, потери на краях. Одна фраза в техзадании экономит половину этой работы.
Правило одно: сравните финальный кадр с физическим товаром в руках. Совпадают ли оттенок, фактура, фурнитура, пропорции? Если хоть что-то «улучшилось» — кадр перегенерирован и будет продавать несуществующий товар.
В MPPHOTO эта проверка встроена в процесс: AI-обработка идёт после реальной съёмки, и финальные кадры сверяются с исходниками. Именно поэтому мы не берём заказы «сгенерируйте товар по описанию» — короткая экономия клиента там всегда проигрывает длинным возвратам.
Полезно проверять кадр не только самому, но и чужими глазами. Покажите финальную картинку человеку, который товара не видел, и спросите, что он ожидает получить. Расхождение между его ответом и реальностью — это и есть будущие возвраты.
И держите в карточке хотя бы один заведомо «неприукрашенный» кадр: товар при обычном свете, без сгенерированного окружения. Он снижает риск разочарования и часто оказывается тем самым, который убеждает сомневающегося покупателя.
Самая частая причина проблем — не злой умысел, а размытая формулировка задачи. «Сделайте покрасивее» подрядчик понимает как разрешение улучшать всё, включая товар. Поэтому границу лучше проговаривать явно и одинаково для всех.
Рабочая формулировка короткая: пиксели товара не трогаем, всё вокруг — можно. Она понятна и ретушёру, и дизайнеру, и не требует перечислять каждый частный случай. Из неё сразу следует, что фон менять допустимо, а цвет вещи — нет.
Отдельно оговорите список исключений, где даже фон трогать нельзя: прозрачные и зеркальные товары, вещи со сложным краем, позиции, по которым уже были споры с покупателями. Там обработка идёт руками, и это стоит дороже — лучше заложить сразу.
И заведите обратную связь: раз в месяц смотрите причины возвратов по обработанным позициям. Если среди них растёт «не соответствует фото», значит, граница где-то нарушена, и это видно в цифрах раньше, чем в жалобах.
Мы используем файлы cookie, Яндекс Метрику и чат поддержки Jivo, чтобы сайт работал корректно и мы понимали, какие страницы полезны. Нажмите «Только необходимые» — и аналитика с чатом на вашем устройстве отключатся. Подробнее — в политике использования cookie и политике обработки персональных данных.