یک برند غذایی برای معرفی یک محصول تازه به تصویر نیاز دارد.
تصویر اصلی سایت، چند محتوای شبکه اجتماعی، تصویر فروشگاه اینترنتی، یک کمپین مناسبتی، چند نسخه برای بازارهای مختلف و شاید ده‌ها خروجی دیگر.
تا همین چند سال پیش، پاسخ تقریباً روشن بود: محصول آماده می‌شد، صحنه ساخته می‌شد، عکاس و تیم تولید وارد کار می‌شدند و مجموعه‌ای از تصاویر ثبت می‌شد.
امروز یک سؤال تازه روی میز است:
چرا همه این تصاویر را با هوش مصنوعی نسازیم؟
مدل‌های مولد می‌توانند در چند دقیقه غذایی اشتهابرانگیز، آشپزخانه‌ای بی‌نقص، مزرعه‌ای در نور طلایی، میز صبحانه‌ای در پاریس یا کمپینی مناسب کریسمس تولید کنند؛ بدون اینکه هیچ‌کدام از آن‌ها واقعا جلوی دوربین وجود داشته باشند.
اما برای یک برند غذایی، سؤال «عکاسی یا هوش مصنوعی؟» بیش از حد ساده است.
سؤال حرفه‌ای‌تر این است:
کدام بخش از تصویر باید حقیقت محصول را نشان دهد و کدام بخش می‌تواند حاصل تخیل باشد؟
پاسخ به همین سؤال است که مرز میان استفاده هوشمندانه از هوش مصنوعی و ساخت تصویری زیبا اما خطرناک برای برند را مشخص می‌کند.
تصویر غذا فقط یک تصویر زیبا نیست؛ یک وعده حسی است
وقتی تصویری از یک کفش می‌بینیم، بخش مهمی از قضاوت ما درباره شکل، رنگ و طراحی آن است.
اما تصویر غذا کاری پیچیده‌تر انجام می‌دهد.
ما نمی‌توانیم از داخل صفحه نمایش چیزی را بچشیم، بو کنیم یا لمس کنیم. بنابراین مغز از اطلاعات دیداری برای ساختن انتظاراتی درباره تازگی، تردی، نرمی، گرما، شیرینی، غلظت، آبدار بودن و حتی کیفیت استفاده می‌کند.
پژوهش‌های حوزه ادراک غذا نشان داده‌اند حتی جزئیات ظاهراً کوچک تصویر می‌توانند چنین انتظاراتی را تغییر دهند. برای نمونه، پژوهشی در Food Quality and Preference نشان داد اضافه‌کردن بخار متحرک به تصویر غذا، دمای ادراک‌شده را افزایش داد و در برخی شرایط باعث افزایش ادراک تازگی و مطلوبیت غذا شد.
حتی پس‌زمینه نیز خنثی نیست. پژوهش دیگری در همین نشریه نشان داد استفاده از تصاویر طبیعت در پس‌زمینه بازاریابی غذا می‌تواند تداعی سلامت ایجاد کند و نگرش به محصول را تغییر دهد.
این نکته برای هوش مصنوعی بسیار مهم است.
فرض کنید خود بسته محصول واقعی است، اما با هوش مصنوعی آن را در میان برگ‌های سبز، مزرعه، دانه‌های تازه و نور طبیعی قرار می‌دهیم.
شاید هیچ جمله‌ای درباره «طبیعی بودن» محصول ننوشته باشیم.
اما تصویر می‌تواند چنین برداشتی بسازد.
بنابراین در صنعت غذا، هوش مصنوعی فقط ظاهر تصویر را تغییر نمی‌دهد؛ ممکن است معنای محصول را هم تغییر دهد.
مسئله اصلی (واقعی یا مصنوعی بودن) تصویر نیست
پژوهش‌های اولیه درباره تصاویر غذایی ساخته‌شده با هوش مصنوعی یک پاسخ ساده مانند (عکس واقعی همیشه بهتر است) به ما نمی‌دهند.
در مطالعه Califano و Spence در سال ۲۰۲۴، شرکت‌کنندگان در بسیاری از موارد زمانی که نمی‌دانستند منشأ تصویر چیست، تصاویر غذایی ساخته‌شده با هوش مصنوعی را جذاب‌تر از تصاویر واقعی ارزیابی کردند. اما وقتی به شرکت‌کنندگان گفته شد یک تصویر واقعی است، جذابیت آن افزایش پیدا کرد؛ در مقابل، اعلام اینکه تصویر توسط هوش مصنوعی ساخته شده، این مزیت را کاهش داد.
پژوهش دیگری در سال ۲۰۲۵ با ۱۵۴ نفر و پنج گروه غذایی نیز نتیجه‌ای ظریف‌تر به دست آورد. تصاویر مصنوعی در بعضی موارد، مانند تصویر همبرگر، حتی جذاب‌تر ارزیابی شدند؛ اما هرچه افراد بیشتر تصور می‌کردند تصویر توسط هوش مصنوعی ساخته شده، تمایل آن‌ها به مصرف و ادراک طبیعی‌بودن غذا کاهش پیدا می‌کرد.
در پژوهشی منتشرشده در British Food Journal در سال ۲۰۲۶ نیز ۲۴۱ مصرف‌کننده اسپانیایی به تصاویر واقعی یا تصاویر هوش مصنوعی دارای برچسب مواجه شدند. گروهی که تصاویر مصنوعی را دیدند، به‌طور میانگین ارزش ادراک‌شده پایین‌تر و تمایل بیشتری به بازخورد منفی نشان دادند؛ احساس لذت و ریسک ادراک‌شده نیز در این رابطه نقش داشت.
پس نتیجه دقیق‌تر این است:
هوش مصنوعی می‌تواند تصویری بسیار جذاب بسازد، اما جذابیت دیداری و اعتبار حسی یک محصول غذایی الزاما یک چیز نیستند.
همین تمایز باید پایه تصمیم برند باشد.
یک معیار بهتر: (بار حقیقت) هر تصویر چقدر است؟
برای تصمیم‌گیری عملی می‌توان تصاویر برند غذایی را بر اساس یک سؤال ساده دسته‌بندی کرد:
اگر این تصویر کمی با محصول واقعی تفاوت داشته باشد، آیا انتظار مشتری درباره چیزی که می‌خرد تغییر می‌کند؟
هرچه پاسخ مثبت‌تر باشد، (بار حقیقت) تصویر بیشتر است.
| نوع تصویر | بار حقیقت | مسیر مناسب‌تر |
|---|---|---|
| تصویر اصلی بسته و محصول در فروشگاه اینترنتی | بسیار بالا | عکاسی واقعی یا بازسازی کاملاً کنترل‌شده بر پایه محصول واقعی |
| نمای داخل، برش، بافت و مقدار واقعی محصول | بسیار بالا | عکاسی واقعی |
| اندازه و نسبت محصول یا مقدار سرو | بالا | عکاسی واقعی یا ترکیب بسیار محدود |
| محصول آماده‌شده برای مصرف | بالا | واقعی یا ترکیبی با کنترل سختگیرانه |
| مزرعه، کارخانه، کشاورز یا منشأ واقعی محصول | بسیار بالا | تصویر مستند واقعی |
| موقعیت مصرف، میز، محیط و سبک زندگی | متوسط | عکاسی، ترکیب یا هوش مصنوعی |
| کمپین‌های فصلی و مناسبتی | پایین‌تر | هوش مصنوعی یا روش ترکیبی |
| جهان‌های مفهومی و غیرواقعی برند | پایین | هوش مصنوعی بسیار مناسب |
| طراحی اولیه ایده قبل از تولید | پایین | هوش مصنوعی بسیار مناسب |
این مدل یک قانون دانشگاهی نیست؛ یک ابزار تصمیم‌گیری برای تیم محتواست.
قاعده پشت آن ساده است:
هرچه تصویر بیشتر به سؤال «واقعا چه چیزی دریافت می‌کنم؟» پاسخ می‌دهد، باید به محصول واقعی وفادارتر باشد.
هرچه بیشتر به سؤال «می‌خواهیم این محصول را در چه جهان، احساس یا موقعیتی تصور کنیم؟» پاسخ می‌دهد، فضای بیشتری برای هوش مصنوعی وجود دارد.
بعضی تصاویر غذایی باید همچنان واقعی بمانند
تصویر اصلی محصول یکی از واضح‌ترین نمونه‌هاست.
فرض کنید مشتری در فروشگاه اینترنتی بسته‌ای را می‌بیند که با هوش مصنوعی ساخته شده است. پنجره شفاف بسته کمی بزرگ‌تر شده، محصول داخل آن طلایی‌تر است، بافت دانه‌ها یکنواخت‌تر شده و بسته نسبت به اندازه واقعی کشیده‌تر به نظر می‌رسد.
هیچ‌کدام از این تغییرها شاید در نگاه نخست «دروغ بزرگ» به نظر نرسند.
اما مجموع آن‌ها محصولی را نشان می‌دهد که در واقعیت وجود ندارد.
همین منطق درباره نمای یک برگر، برش کیک، غلظت سس، مقدار مغز موجود در شکلات، تعداد میوه‌ها داخل یک بسته یا نسبت مواد اولیه نیز صدق می‌کند.
اگر تصویر وظیفه دارد خود محصول را معرفی کند، دقت باید بر زیبایی مقدم باشد.
مرجع تبلیغات بریتانیا نیز در راهنمای سال ۲۰۲۵ خود به‌طور مشخص تأکید کرده است که ارزیابی گمراه‌کننده‌بودن یک تبلیغ فقط به متن محدود نیست؛ تصویری که محصول اشتباه، اجزای اضافه، کیفیت اغراق‌شده یا اندازه نادرستی را القا کند نیز می‌تواند برداشت گمراه‌کننده ایجاد کند.
این اصل وابسته به ابزار نیست.
اگر همان اغراق با دوربین، فتوشاپ یا هوش مصنوعی ساخته شود، اثر آن بر مخاطب تغییری نمی‌کند. خود نهاد ASA نیز در راهنمای مرتبط با هوش مصنوعی تأکید کرده که مسئولیت صحت تبلیغ با استفاده از ابزارهای مولد از بین نمی‌رود.
اما این به معنی بازگشت به عکاسی سنتی برای همه چیز نیست
در طرف دیگر طیف، استفاده از تیم عکاسی برای ساخت هر تغییر کوچک نیز دیگر همیشه منطقی نیست.
فرض کنید محصول واقعی و بسته فعلی آن را به‌درستی ثبت کرده‌ایم.
اکنون برای همان محصول به نسخه‌ای برای تابستان، نوروز، ماه رمضان، یک کمپین آسیای شرقی، یک پس‌زمینه مینیمال برای سایت و چند تصویر مفهومی برای شبکه اجتماعی نیاز داریم.
آیا برای تمام این تغییرات باید محصول دوباره عکاسی شود؟
نه لزوما.
اینجا هوش مصنوعی می‌تواند بسیار قدرتمند باشد.
محصول واقعی می‌تواند لنگر حقیقت تصویر بماند، در حالی که محیط اطراف آن تغییر کند.
یک محصول واقعی روی میز می‌تواند به فضای صبحانه تبدیل شود.
پس‌زمینه می‌تواند از آشپزخانه به محیط پیک‌نیک تغییر کند.
می‌توان نور و فصل را عوض کرد.
فضای مفهومی ساخت.
ترکیب‌بندی‌های مختلف برای نسبت‌های متفاوت رسانه تولید کرد.
یا حتی پیش از صرف هزینه برای یک تولید بزرگ، ایده‌های مختلف را آزمایش کرد.
بنابراین شاید آینده حرفه‌ای تصویرسازی غذایی نه «عکاسی در برابر هوش مصنوعی»، بلکه ترکیب آن‌ها با وظایف متفاوت باشد.
مدل ترکیبی: حقیقت را ثبت کنید، تخیل را گسترش دهید
یکی از منطقی‌ترین ساختارها برای یک برند غذایی این است که دو لایه تصویری جدا داشته باشد.
لایه اول، لایه حقیقت است.
در این لایه خود محصول، بسته، رنگ واقعی، اندازه، بافت، برش، ماده داخل بسته و سایر مشخصات مهم با دقت ثبت می‌شوند.
لایه دوم، لایه تخیل است.
در اینجا می‌توان محیط، فصل، سبک، نور، داستان، موقعیت مصرف یا فضای مفهومی را با آزادی بسیار بیشتری ساخت.
این تفکیک یک مزیت مهم دارد:
هوش مصنوعی مجبور نیست هر بار محصول را از صفر «حدس بزند».
در عوض، یک مرجع واقعی در اختیار تیم قرار دارد که باید حفظ شود.
برای برندهای دارای چند محصول، این موضوع حتی مهم‌تر است؛ چون همان تصویر مرجع می‌تواند پایه صدها خروجی متفاوت قرار گیرد بدون آنکه هویت محصول در هر نسل جدید تغییر کند.
خطری که خیلی شبیه واقعیت است
یکی از چالش‌های جالب تصاویر هوش مصنوعی این است که مشکل همیشه در تصاویر کاملاً غیرواقعی نیست.
گاهی تصویر به‌قدری به غذا شبیه است که تقریباً واقعی به نظر می‌رسد، اما یک چیز کوچک درست نیست.
سس رفتار طبیعی ندارد.
بافت نان بیش از حد منظم است.
پنیر به شکل عجیبی ذوب شده.
دانه‌ها در جایی قرار گرفته‌اند که از نظر فیزیکی منطقی نیست.
سطح میوه بیش از اندازه کامل است.
مغز دقیقاً نمی‌داند مشکل چیست، اما تصویر «کمی عجیب» احساس می‌شود.
پژوهشی در Appetite در سال ۲۰۲۵ دقیقاً این موضوع را بررسی کرد. نتایج نشان داد تصاویر غذایی ناقص اما نزدیک به واقعیت می‌توانند نوعی «دره وهم‌آلود» ایجاد کنند؛ یعنی از تصاویر کاملاً غیرواقعی و تصاویر بسیار واقع‌گرایانه ناخوشایندتر ادراک شوند.
این خطر برای غذا اهمیت خاصی دارد.
انسان‌ها نسبت به نشانه‌های غیرطبیعی مواد خوراکی حساس‌اند.
چیزی که در یک تصویر مد، معماری یا دنیای خیالی صرفا سوررئال به نظر می‌رسد، در تصویر غذا ممکن است غیرقابل خوردن احساس شود.
پس کیفیت فنی بالا به‌تنهایی کافی نیست.
تصویر باید از نظر منطق خود غذا نیز درست باشد.
محصول تازه، طبیعی یا اصیل حساسیت بیشتری دارد
همه گروه‌های غذایی تحمل یکسانی نسبت به تصویر مصنوعی ندارند.
اگر برند بر «تازگی»، «طبیعی بودن»، «دست‌ساز بودن»، «منشأ»، «کشاورز»، «منطقه تولید» یا «اصالت» بنا شده باشد، استفاده از یک واقعیت ساختگی می‌تواند مستقیماً با وعده برند تعارض پیدا کند.
برای مثال، اگر یک برند زعفران درباره مزرعه واقعی خود صحبت می‌کند، ساختن مزرعه‌ای خیالی با هوش مصنوعی به‌عنوان تصویر همان مزرعه مسئله‌ساز است.
اگر برند قهوه درباره کشاورزان تأمین‌کننده خود حرف می‌زند، ساختن چهره‌هایی خیالی به جای آن‌ها فقط یک انتخاب هنری نیست.
اگر محصول می‌گوید از میوه تازه یک منطقه مشخص ساخته شده، تصویری ساختگی از باغ می‌تواند برای مخاطب به‌عنوان شاهد منشأ محصول فهمیده شود.
در اینجا مرز بسیار روشن‌تر می‌شود:
هرجا تصویر نقش «مدرک» دارد، تخیل باید عقب‌تر بایستد.
در مقابل، اگر یک برند شکلات برای ولنتاین شهری خیالی از شکلات می‌سازد، مخاطب انتظار ندارد آن شهر واقعا وجود داشته باشد.
هرچه ماهیت تصویر مفهومی‌تر و تخیلی‌بودن آن آشکارتر باشد، خطر اشتباه‌گرفتن آن با واقعیت کمتر می‌شود.
پس‌زمینه ساختگی هم می‌تواند ادعا بسازد
این بخش معمولا نادیده گرفته می‌شود.
ممکن است تیم برند بگوید:
«خود محصول را تغییر نداده‌ایم؛ فقط پس‌زمینه را با هوش مصنوعی ساخته‌ایم.»
اما همان‌طور که پژوهش‌های مربوط به تصاویر طبیعی نشان داده‌اند، محیط اطراف محصول نیز بر برداشت مخاطب اثر می‌گذارد.
فرض کنید یک نوشیدنی صنعتی را در مزرعه‌ای با قطرات شبنم، برگ‌های تازه و میوه‌های در حال چیده‌شدن قرار می‌دهیم.
هیچ چیز درباره خود بطری تغییر نکرده.
اما مجموعه تصویر ممکن است محصول را:
تازه‌تر،
طبیعی‌تر،
کم‌فرآوری‌تر،
یا نزدیک‌تر به مزرعه
نشان دهد.
بنابراین در تولید ترکیبی، کنترل فقط نباید روی خود بسته باشد.
باید بپرسیم:
محیطی که ساخته‌ایم چه ادعای ضمنی درباره محصول ایجاد می‌کند؟
هوش مصنوعی می‌تواند اشتهای بصری را بیش از حد «بهینه» کند
مدل مولد یک محدودیت انسانی جالب ندارد:
لازم نیست واقعیت آشپزی را تحمل کند.
می‌تواند همبرگری بسازد که تمام مواد آن دقیقا در بهترین زاویه دیده شوند.
پیتزایی که پنیر آن در نقطه ایده‌آل کش می‌آید.
میوه‌هایی بدون هیچ لک.
بستنی‌ای که هرگز آب نمی‌شود.
نان‌هایی با بافتی تقریبا غیرممکن.
در نگاه تبلیغاتی، همه این‌ها وسوسه‌کننده‌اند.
اما مسئله اینجاست که «بهینه‌ترین تصویر ممکن» الزاما «بهترین تصویر برای برند» نیست.
پژوهش ۲۰۲۵ درباره تصاویر واقعی و مصنوعی غذا نیز نشان داد پاسخ مخاطبان به هوش مصنوعی به خود محصول بستگی دارد؛ بعضی تصاویر مصنوعی موفق‌تر و بعضی ضعیف‌تر بودند. مهم‌تر اینکه ادراک مصنوعی‌بودن با کاهش طبیعی‌بودن و تمایل به مصرف ارتباط داشت.
برند غذایی باید مراقب چیزی باشد که می‌توان آن را فاصله انتظار نامید:
فاصله میان غذایی که تصویر وعده می‌دهد و غذایی که مشتری بعداً تجربه می‌کند.
اگر تصویر این فاصله را بیش از حد زیاد کند، ممکن است همان تصویر جذابی که کلیک می‌گیرد، تجربه واقعی محصول را ضعیف‌تر جلوه دهد.
عکاسی واقعی در حال از بین رفتن نیست؛ نقش آن در حال تغییر است
شاید یکی از مهم‌ترین نتایج این تحول همین باشد.
پیش از هوش مصنوعی، عکاسی باید تقریبا تمام جهان دیداری برند را تولید می‌کرد.
امروز لازم نیست هر صحنه واقعا ساخته شود.
اما چیزی هنوز باید مرجع واقعیت باشد.
برای یک برند غذایی حرفه‌ای، عکاسی می‌تواند بیشتر به سمت ایجاد یک «کتابخانه حقیقت محصول» حرکت کند.
در چنین کتابخانه‌ای، نسخه فعلی بسته، زوایای اصلی، اندازه واقعی، محصول خارج از بسته، برش یا نمای داخل در صورت لزوم، بافت نزدیک، مقدار معمول مصرف و سایر ویژگی‌های فیزیکی مهم با استاندارد ثابت ثبت می‌شوند.
این تصاویر لزوما قرار نیست همه مستقیما منتشر شوند.
بعضی از آن‌ها نقش مرجع تولید را دارند.
تیم طراحی و هوش مصنوعی بعدا می‌تواند خروجی‌های زیادی بسازد، اما همیشه چیزی وجود دارد که بتوان نتیجه را با آن مقایسه کرد.
این تغییر از نظر راهبردی مهم است:
عکاسی از «تولید تمام تصاویر» به «ثبت حقیقتی که همه تصاویر باید به آن وفادار بمانند» حرکت می‌کند.
یک روند تولید حرفه‌ای چه شکلی می‌تواند داشته باشد؟
برای استفاده از هوش مصنوعی بدون از دست دادن حقیقت محصول، یک روند عملیاتی می‌تواند این هفت مرحله را داشته باشد:
۱- ابتدا وظیفه تصویر را مشخص کنید. آیا قرار است محصول را اثبات کند، بفروشد، توضیح دهد، الهام ایجاد کند یا فقط جهان برند را گسترش دهد؟
۲- بار حقیقت را تعیین کنید. مشخص کنید چه جزئیاتی به هیچ عنوان اجازه تغییر ندارند؛ مانند شکل بسته، اندازه، رنگ، برچسب، مقدار، مواد قابل مشاهده یا بافت اصلی.
۳- مرجع واقعی بسازید. محصول فعلی را با کیفیت مناسب ثبت کنید تا تیم همیشه حقیقت فیزیکی مشخصی برای مقایسه داشته باشد.
۴- نقش هوش مصنوعی را پیش از تولید تعیین کنید. آیا قرار است محیط بسازد، نور را تغییر دهد، صحنه را توسعه دهد، یک تصویر مفهومی بسازد یا خود غذا را تولید کند؟
۵- تغییرها را از حقیقت محصول جدا کنید. هرچه اهمیت محصول برای تصمیم خرید بیشتر است، بهتر است بخش واقعی تصویر ثابت‌تر بماند و تخیل عمدتاً اطراف آن اتفاق بیفتد.
۶- خروجی را از پنج جهت کنترل کنید: صحت محصول، منطق حسی غذا، هویت برند، برداشت احتمالی مخاطب و الزامات تبلیغاتی بازار.
۷- نسخه و منشا فایل را نگه دارید. تیم باید بداند کدام تصویر عکاسی شده، کدام ویرایش شده، کدام ترکیبی است و کدام کاملاً مصنوعی.
این مرحله آخر با گسترش هوش مصنوعی مهم‌تر خواهد شد.
آیا باید به مخاطب بگوییم تصویر با هوش مصنوعی ساخته شده است؟
پاسخ عمومی و یکسانی برای همه تصاویر، کشورها و رسانه‌ها وجود ندارد.
اصلاح نور یک عکس، توسعه پس‌زمینه، حذف یک شیء و ساخت کامل یک محصول خیالی همگی «استفاده از هوش مصنوعی» هستند، اما از نظر معنایی یکسان نیستند.
یک معیار کاربردی این است:
آیا دانستن مصنوعی‌بودن تصویر می‌تواند برداشت مخاطب از حقیقت محصول را به‌طور معناداری تغییر دهد؟
اگر پاسخ مثبت است، مسئله شفافیت جدی‌تر می‌شود.
اگر تصویر قرار است نشان دهد محصول واقعاً چگونه است، غذا واقعاً چه ظاهری دارد، یک مزرعه واقعاً کجاست یا فردی واقعاً چه کسی است، مخفی‌کردن ساختگی‌بودن می‌تواند مشکل‌ساز شود.
اگر تصویر کاملاً مفهومی است و هیچ مخاطب معقولی قرار نیست آن را مستند تلقی کند، وضعیت متفاوت است.
پژوهش‌های موجود نیز نشان می‌دهند منشأ تصویر می‌تواند خودش بر ارزیابی مخاطب اثر بگذارد؛ بنابراین برچسب «ساخته‌شده با هوش مصنوعی» فقط اطلاعات فنی نیست و ممکن است برداشت از طبیعی‌بودن، ارزش یا جذابیت را تغییر دهد.
این به معنی پنهان‌کردن هوش مصنوعی نیست.
به معنی این است که شفافیت باید بخشی از راهبرد تصویر باشد، نه تصمیمی که پنج دقیقه قبل از انتشار گرفته می‌شود.
خود فایل‌ها هم می‌توانند منشا قابل بررسی داشته باشند
با افزایش تولید مصنوعی، موضوع «منشا محتوا» در حال تبدیل‌شدن به یک زیرساخت فنی مستقل است.
استاندارد باز C2PA برای همین مسئله توسعه یافته است. سازوکار «اعتبارنامه محتوا» می‌تواند اطلاعاتی درباره تاریخچه یک فایل، ابزارهای ایجاد و ویرایش آن و استفاده از هوش مصنوعی را به شکلی قابل بررسی همراه محتوا نگهداری کند. راهنمای منتشرشده C2PA در سال ۲۰۲۶ حتی امکان ثبت جداگانه مراحل انسانی و مراحل مبتنی بر هوش مصنوعی را توضیح می‌دهد.
این فناوری به‌تنهایی ثابت نمی‌کند یک تصویر «خوب» یا «صادقانه» است.
اما برای برندهایی که در آینده صدها یا هزاران دارایی دیداری ترکیبی خواهند داشت، یک مسئله مهم را حل می‌کند:
بدانیم هر تصویر از کجا آمده و چه اتفاقی برای آن افتاده است.
در واقع همان‌طور که برندهای غذایی اطلاعات محصول را مدیریت می‌کنند، ممکن است به‌تدریج نیاز پیدا کنند منشأ دارایی‌های محتوایی خود را نیز مدیریت کنند.
سرعت و کاهش هزینه، بدون کنترل می‌تواند هزینه دیگری بسازد
جذابیت اصلی هوش مصنوعی روشن است.
تولید تعداد زیادی ایده و نسخه آسان‌تر شده است.
اما این می‌تواند یک خطای مدیریتی جدید بسازد:
چون ساخت تصویر ارزان‌تر و سریع‌تر شده، تصور کنیم کنترل آن نیز باید کمتر شود.
در عمل ممکن است برعکس باشد.
وقتی تیم عکاسی یک محصول واقعی را مقابل دوربین قرار می‌دهد، بسیاری از واقعیت‌ها خودبه‌خود ثابت‌اند.
شکل بسته همان شکل واقعی است.
نوشته همان نوشته است.
تعداد محصول همان است.
رنگ در محدوده‌ای مشخص قرار دارد.
اما وقتی تصویر تولید می‌شود، تمام این موارد می‌توانند ناخواسته تغییر کنند.
بنابراین بخشی از هزینه‌ای که از «تولید فیزیکی» کم می‌شود باید به هدایت هنری، کنترل کیفیت و مدیریت حقیقت محصول منتقل شود.
هوش مصنوعی نیاز به تخصص را حذف نمی‌کند.
ماهیت تخصص را تغییر می‌دهد.
آیا برند کوچک باید دیگر عکاسی نکند؟
نه.
اما لازم هم نیست مانند گذشته برای هر قطعه محتوا یک پروژه عکاسی مستقل تعریف کند.
برای یک برند کوچک، حتی یک جلسه عکاسی خوب می‌تواند دارایی بسیار ارزشمندی بسازد، اگر هدف آن تهیه مجموعه‌ای محدود اما دقیق از تصاویر مرجع باشد.
سپس هوش مصنوعی می‌تواند برای توسعه موقعیت‌ها، ساخت نمونه‌های اولیه، آزمایش ایده‌ها و تولید بعضی از خروجی‌های فرعی استفاده شود.
این مدل می‌تواند بسیار منطقی‌تر از دو انتخاب افراطی باشد:
یا همه چیز را واقعی عکاسی کنیم، یا دیگر هیچ چیزی را عکاسی نکنیم.
چه زمانی باید نسبت به هوش مصنوعی محافظه‌کارتر باشیم؟
برای محصولاتی که تصمیم خرید آن‌ها به اعتماد به واقعیت فیزیکی وابسته‌تر است، مرز باید سخت‌تر باشد.
غذای کودک، محصولات دارای ادعاهای سلامت، محصولات ویژه آلرژی یا رژیم، کالاهای بسیار طبیعی، تازه یا دست‌ساز، محصولات لوکس مبتنی بر اصالت، غذاهای دارای منشأ جغرافیایی و محصولاتی که بخش مهمی از ارزششان به مواد واقعی درون بسته وابسته است، معمولاً «بار حقیقت» بالاتری دارند.
در مقابل، یک کمپین مفهومی برای شکلات، بستنی یا نوشیدنی می‌تواند آزادی تخیلی بسیار بیشتری داشته باشد، به‌ویژه زمانی که مشخص است صحنه قرار نیست مستند واقعیت باشد.
اما حتی در آزادترین کمپین نیز یک اصل پابرجاست:
اگر خود محصول دیده می‌شود، نباید به محصول دیگری تبدیل شود.
قبل از انتشار یک تصویر غذایی ساخته‌شده با هوش مصنوعی، این سؤال‌ها را بپرسید
- آیا مخاطب ممکن است تصور کند این تصویر، ظاهر واقعی محصول را نشان می‌دهد؟
- آیا اندازه، مقدار، بافت، رنگ یا مواد قابل مشاهده با محصول واقعی سازگارند؟
- آیا هوش مصنوعی چیزی به محصول اضافه کرده که واقعاً وجود ندارد؟
- آیا محیط تصویر ادعای ضمنی درباره تازگی، طبیعی‌بودن، منشأ یا کیفیت ایجاد می‌کند؟
- اگر بسته‌بندی دیده می‌شود، آیا نسخه فعلی و واقعی بازار است؟
- اگر غذا آماده‌شده نمایش داده می‌شود، آیا نتیجه‌ای است که مصرف‌کننده واقعاً می‌تواند به آن برسد؟
- آیا یک مزرعه، کارخانه، فرد یا محل ساختگی ممکن است واقعی تلقی شود؟
- آیا تصویر از نظر بافت و منطق فیزیکی غذا طبیعی است یا فقط در نگاه اول زیباست؟
- آیا فاصله میان تصویر و تجربه واقعی محصول بیش از حد زیاد شده است؟
- آیا هدف استفاده از هوش مصنوعی برای تیم روشن بوده یا فقط به دلیل آسان‌بودن از آن استفاده شده است؟
- آیا نسخه واقعی محصول برای مقایسه و کنترل وجود دارد؟
اگر مخاطب بفهمد تصویر چگونه ساخته شده، آیا هنوز از نحوه استفاده برند از آن احساس فریب‌خوردگی نخواهد کرد؟
اگر پاسخ سؤال آخر نگران‌کننده است، احتمالاً مسئله فقط کیفیت تصویر نیست.
مسئله، اعتماد است.
هوش مصنوعی نباید حقیقت محصول را بسازد؛ باید ظرفیت خلاق آن را گسترش دهد
بحث آینده محتوای غذایی این نیست که عکاس برنده می‌شود یا هوش مصنوعی.
هر دو ابزارند.
وظیفه متفاوتی دارند.
عکاسی هنوز در جایی که برند باید بگوید:
«این محصول واقعی ماست.»
ارزش بسیار بالایی دارد.
هوش مصنوعی در جایی قدرتمند می‌شود که برند می‌خواهد بپرسد:
«این محصول را در چه جهان‌ها، داستان‌ها و موقعیت‌های دیگری می‌توان تصور کرد؟»
و روش ترکیبی این دو را به هم متصل می‌کند.
می‌توان محصول واقعی را حفظ کرد، اما جهان اطراف آن را گسترش داد.
می‌توان ابتدا حقیقت را ثبت کرد و بعد خلاقیت را مقیاس داد.
می‌توان هزینه تولید بعضی تصاویر را کاهش داد، بدون آنکه مهم‌ترین دارایی برند یعنی اعتماد مخاطب به آنچه می‌بیند قربانی شود.
بنابراین شاید بهترین مرز برای برند غذایی این باشد:
هرجا تصویر قرار است حقیقت محصول را اثبات کند، واقعیت باید فرمانده باشد؛ هرجا قرار است تخیل برند را گسترش دهد، هوش مصنوعی می‌تواند آزادتر عمل کند.
این مرز با پیشرفت فناوری از بین نمی‌رود.
احتمالا مهم‌تر هم خواهد شد.
چون هرچه ساختن یک تصویر بی‌نقص آسان‌تر شود، ارزش دانستن اینکه چه چیزی در آن واقعا حقیقت دارد بیشتر می‌شود.
منابع
- Califano & Spence، Assessing the Visual Appeal of Real/AI-Generated Food Images، منتشرشده در Food Quality and Preference در سال ۲۰۲۴؛ درباره تشخیص تصاویر غذایی مصنوعی و تأثیر اعلام واقعی یا مصنوعی بودن تصویر بر جذابیت ادراک‌شده.
- Stright و همکاران، A Preliminary Investigation Into the Use of AI-Generated Food Images، Journal of Sensory Studies، ۲۰۲۵؛ مطالعه ۱۵۴ مصرف‌کننده درباره جذابیت، طبیعی‌بودن، سلامت ادراک‌شده و تمایل به مصرف تصاویر واقعی و مصنوعی غذا.
- Diel و همکاران، Eerie Edibles: Realism and Food Neophobia Predict an Uncanny Valley in AI-Generated Food Images، Appetite، ۲۰۲۵؛ درباره اثر «دره وهم‌آلود» در تصاویر غذایی تقریباً واقعی اما ناقص.
- Guinalíu، Belanche و Casaló، The Influence of AI-Generated versus Real Food Images on Perceived Value and Negative WOM، British Food Journal، ۲۰۲۶؛ مطالعه ۲۴۱ مصرف‌کننده درباره ارزش ادراک‌شده، ریسک، لذت و بازخورد منفی نسبت به تصاویر غذایی مصنوعی و واقعی.
- Zhang و همکاران، Hot Stuff: Making Food More Desirable with Animated Temperature Cues، Food Quality and Preference، ۲۰۲۴؛ درباره اثر نشانه‌های دیداری مانند بخار بر دما، تازگی و مطلوبیت ادراک‌شده غذا.
- Du & Wang، Is There Also a Hidden Health Cue in the Background?، Food Quality and Preference، ۲۰۲۴؛ درباره تأثیر تصاویر طبیعی پس‌زمینه بر تداعی سلامت و نگرش به محصول غذایی.
- ASA/CAP، راهنماهای Avoiding Misleading Imagery in Ads و Generative AI & Advertising؛ درباره مسئولیت تبلیغ‌کننده در برابر برداشت گمراه‌کننده ناشی از تصویر، مستقل از اینکه تصویر با عکاسی، ویرایش یا هوش مصنوعی ساخته شده باشد.
- C2PA، Content Credentials Implementation Guidance، ۲۰۲۶؛ درباره ثبت و انتقال منشأ محتوای دیجیتال و مشخص‌کردن مراحل ایجاد یا ویرایش مبتنی بر هوش مصنوعی.