AI商品画像がぶつかる、誰も価格に織り込んでいなかったコンプライアンスの壁
過去2年間、AI商品撮影の売り込みは単純だった。より多くのバリエーションを生成し、コストを抑え、より速く市場に出す。2026年後半、その売り込みは、画像品質とは何の関係もなく、画像が何を主張することを許されるかという制約に突き当たった。
その制約とは開示だ。2026年8月2日、EU AI法に基づく透明性義務が発効し、AI生成コンテンツにラベルを付けるか、その他の方法でエンドユーザーに開示することが求められるようになった。米国の州法も並行して動いている。そしてEコマースにとって最も具体的な動きとして、AmazonはAI生成のリスティング画像に関する要件の執行を始めた。ニューヨーク州の肖像ルールの発効後には、AI生成の人物へのラベル付けも含まれる。
ルールが実際に求めているもの
米国には、すべてのAI商品画像に可視ラベルが必要だと定める単一の連邦ルールは存在しない。代わりにコンプライアンスは重層的であり、それが管理を厄介にしている。
カリフォルニア州はプロバイダーの開示ツールと、その利用者による使用方法を規律する。ニューヨーク州は商業広告における合成パフォーマーを規制する。Amazonの出品者ポリシーは、自社マーケットプレイスに紐づく契約上の要件を追加する。EU AI法は、普遍的なステッカーを適用するのではなく、システムの役割と文脈に応じた透明性義務を課す。
これらの制度は異なる主体を規制しているため、企業は複数を同時に満たさなければならないことがあり、ある制度を満たすラベルが別の制度を満たすとは限らない。Instagram投稿内の開示は、画像が切り取られたり他所に埋め込まれたりすると失われうる。Amazonのリスティングページ上の表示はリスティングとともに移動するが、再投稿には付いていかない。
実務上の難しさは、要件が揃っていないことにある。管轄区域ごと、プラットフォームごとに対象システムの定義が異なり、それぞれが異なる場所での表示を期待している。
ほとんどのケースを決める区別
ルールの分かれ目は、カタログチームがほとんど考えない分類上の問いにかかっている。その画像は生成されたものか、実質的に改変されたものか、それとも従来型の編集を施したものか。
完全に合成された画像は、架空のモデル、生成された部屋、あるいは物理的には存在しなかった商品の配置を示しているかもしれない。実質的に改変された画像は、背景を置き換えたり、オブジェクトを追加したり、特徴を削除したり、表面を再構成したりしているかもしれない。従来型の編集を施した写真は、トリミング、露出補正、ゴミ除去、カラーグレーディングを伴う。
境界線は、合理的な視聴者が何を信じるかを貫いている。買い物客が、その商品は実際に撮影されたものだ、その人物は実在する、あるいは写真に写っている結果は通常の使用を反映していると想定するなら、その画像には欺瞞リスクがある。画像が寸法、質感、互換性、性能について事実上の主張を提供する場合、このリスクは高まる。AI生成は主張を真実にするわけではなく、開示は虚偽広告を治癒しないからだ。
ここが、カタログにおいて生成ツールが危険になる場面だ。生成ツールは、ボタン、ラベル、成分、生地、パッケージの文字、付属品など、もっともらしいディテールを発明してしまう。生成された手、生地の動き、反射は、説得力がありながら事実としては誤っていることがある。リスクなのは、粗い画像ではなく、磨き上げられた画像のほうだ。
人物の問題は別物だ
AI生成の顔は、開示だけでは解決しない第二の問題群を引き起こす。合成であることが明確に示されていない生成人物は、虚偽の推薦や体験談の問題を生みうる。その顔が実在の人物、有名人、顧客、従業員に似ている場合、企業は開示義務に加えて、パブリシティ、プライバシー、商標上のエクスポージャーに直面する可能性がある。
画像内の人物が実際には登場していない場合、モデルリリースは役に立たない。AIプラットフォームからの許可は、企業が保有していないパーソナリティ権を移転するものではない。通常の架空人物については、合成パフォーマーに関する通知を保管しておくことは依然として賢明だ。特に、同じキャラクターが製品ライン全体に登場して認知されるようになる場合はなおさらである。
ワークフローを変えなければならない点
運用上の解決策は、ツールよりもプロセスに関わる。たまたまそのツールを知っているデザイナーに判断を任せるのではなく、責任を割り当てる。画像を準備する担当者に、ソフトウェア、プロンプト、元写真、編集、意図する主張、意図するチャネルを記録させる。ツールの記録は通常、企業が実際にどのカテゴリーを選んだかを示す最良の証拠になるからだ。
正確さが重要なときは常に、商品そのものを生成の対象から外す。商品を生成するのではなく、実写と生成した環境を合成し、ボトル、時計、靴、デバイス、ラベル、ロゴ、比率は変更してはならないとプロンプトで明示する。商品をマスクした状態でimage-to-imageまたは参照ベースの編集を使い、モデルがアイデンティティを定義する特徴を改変する自由を減らす。
次に、出力を100パーセント拡大時とサムネイルサイズの2回検査し、ロゴの字形、縫い目、ポート、質感、影、色名を実物と照合する。作り出された特徴や変更された寸法は、たとえ画像が商品より良く見えても、不合格理由になる。
きちんと測定されたことのなかったコストモデル
AI商品画像の経済性は、アセットあたりのコストと市場投入までの時間で議論されてきた。そしてどちらの数値も、依然として生成に有利だ。しかし、どちらも完全な計算ではなかった。
欠けている項目はレビューだ。1000種類のバリエーションを生成するのは安いが、それぞれを分類し、どれに開示が必要でどれには不要かを判断し、チャネルごとに適切な表示を適用するのは安くない。正直な比較単位は、1000回生成の広告価格ではなく、100点の承認済みアセットのコストである。承認率はカテゴリーによって大きく異なるからだ。マットな陶器のマグで機能するワークフローも、ジュエリー、化粧品、軽い生地では崩壊しうる。
だからこそ、商品マスクを保持し、バッチ管理を提供する高価なツールが、人件費を数えた後では安くつくことがある。見かけの割安は生成1回あたりで価格付けされている。本当のコストは、レビューを通過したアセット1点あたりで価格付けされる。
妥当なパイロットの姿
代表的な20〜50のSKUから始め、難しいものを意図的に含める。反射面、透明な物体、正確なブランディング、人による使用例、寸法が真実でなければならない商品はすべてサンプルに入れるべきだ。簡単な商品だけのパイロットは合格しても、何も教えてくれないからだ。
次に、ワークフローがスケールするかどうかを決めるものを測定する。商品リファレンスから承認済みアセットまでのサイクルタイム、アセットあたりの手作業編集回数、商品精度の失敗率、そして生成バリエーションが実際にコンバージョンやクリック率を動かすかどうかだ。それらのどれも動かなければ、そのワークフローは能力の衣を着たコストセンターにすぎない。
元のファイルと、すべての編集を記述した監査メモを保管する。その記録が、開示の問い、権利の問い、マーケットプレイスからの照会に答えるものになり、再構築するよりもはるかに安く保管できる。
誰も価格に織り込まなかったもの
AI商品画像の経済性は、アセットあたりのコストと市場投入までの時間で議論されてきた。それらの数値は今も成り立つが、決して計算の全体ではなかった。欠けている項目はコンプライアンスであり、それは生成とは異なる形でスケールする。
1000種類のバリエーションを生成するのは安い。1000種類のバリエーションを監査し、それぞれを分類し、チャネルごとに適切な開示を適用するのは安くない。勝ち残るワークフローは、おそらく今読んでいる記事が描くものに似るだろう。難しいSKUでの小規模パイロット、真実でなければならないものには写真を残し、生成は背景とクロップに限定し、すべての判断を記録に残す。
それはデモ動画が示唆するよりも重いプロセスであり、次の執行措置が下されたときにも依然として残っているプロセスだ。開示を、提出する書式ではなく設計上の制約として扱ったブランドは、リスティングの段階でそれに気づくブランドよりも、ルールを安く満たせるだろう。