AI 產品圖片正撞上一道沒有人計入成本的合規高牆

過去兩年，AI 產品攝影的賣點一直很簡單：生成更多版本、花更少錢、更快上線。到了 2026 年下半年，這套說法碰上了一項限制，而這項限制與影像品質毫無關係，卻完全取決於影像被允許宣稱什麼。

這項限制就是揭露。自 2026 年 8 月 2 日起，歐盟《人工智慧法案》（EU AI Act）的透明度義務生效，要求 AI 生成內容必須標示，或以其他方式向終端使用者揭露。美國各州法律也同步推進。而對電子商務而言最具體的發展是，亞馬遜已開始對 AI 生成的刊登圖片強制執行相關要求，包括在紐約州肖像權規則生效後，要求標示 AI 生成的人物。

法規實際上要求什麼

美國並沒有單一聯邦法規規定每張 AI 產品圖片都必須有可見標籤。合規要求反而是層層疊加，這正是難以管理的原因。

加州規範的是提供者揭露工具，以及部署者如何使用這些工具。紐約州則監管商業廣告中的合成表演者。亞馬遜的賣家政策另外加上與其市集綁定的合約要求。歐盟《人工智慧法案》課予的透明度義務，取決於系統的角色與情境，而非一體適用一張標籤。

由於這些制度規範的是不同行為者，一家企業可能得同時滿足多項要求，而滿足其中一項的標示，未必能滿足另一項。Instagram 貼文裡的揭露聲明，可能在圖片被裁切或嵌入他處時消失。亞馬遜刊登頁面上的聲明會跟著刊登內容走，但不會跟著轉貼內容走。

實務上的困難在於，這些要求彼此並不一致。每個司法管轄區和平台對受規範系統的定義都不同，也都期望告知出現在不同的地方。

決定多數情況的關鍵區分

這些規則取決於一個型錄團隊很少想到的分類問題：這張圖片是生成的、經重大修改的，還是以傳統方式編輯的？

完全合成的圖片可能呈現虛構模特兒、生成的房間，或從未實際存在的產品擺設。經重大修改的圖片可能替換背景、加入物件、移除某項特徵，或重建表面。以傳統方式編輯的照片則涉及裁切、曝光校正、去除灰塵或色彩分級。

分界線取決於一個合理觀看者會相信什麼。如果消費者會以為產品是實物拍攝、人物是真實的，或圖中結果反映一般使用情況，這張圖片就帶有欺騙風險。當圖片提供關於尺寸、材質、相容性或效能的事實性宣稱時，風險會更高，因為 AI 生成不會讓宣稱成真，而揭露也無法矯正不實廣告。

這正是生成式工具在型錄中變得危險的地方。它們會發明看似合理的細節，包括鈕扣、標籤、成分、布料、包裝文字和配件。生成的手、布料動態或反射可能看起來很有說服力，但實際上卻是錯的。有風險的是那張精緻完美的圖片，而不是粗糙的圖片。

人物問題是另一回事

AI 生成的人臉會引發第二組問題，而這些問題光靠揭露並無法解決。生成人物若沒有明確標示其為合成人物，可能造成不實代言或見證問題。如果這張臉類似真人、名人、顧客或員工，企業除了揭露義務之外，還可能面臨公開權、隱私或商標方面的風險。

當圖片中的人從未實際出現時，模特兒同意書也幫不上忙。AI 平台授予的許可，並不會轉移企業本身並不擁有的人格權。對於一般的虛構人物，仍應將合成表演者通知存檔，這麼做依然明智，尤其是當同一個角色出現在整條產品線而變得可辨識時。

工作流程必須改變的地方

營運上的解方與其說是工具，不如說是流程。要指派責任，而不是把判斷交給剛好熟悉工具的那位設計師。讓準備圖片的人記錄下軟體、提示詞、來源照片、編輯內容、預期宣稱和預期發布通路，因為工具紀錄通常是企業實際上選擇了哪個類別的最佳證據。

只要準確性重要，就不要把產品本身交給生成。應將真實攝影與生成環境合成，而不是生成產品，並在提示詞中明確聲明瓶子、手錶、鞋子、裝置、標籤、標誌和比例必須保持不變。使用以圖生圖或基於參考圖的編輯，並將產品遮罩起來，讓模型較沒有自由去改動定義身分的特徵。

接著要檢查輸出兩次，一次以 100% 放大檢視，一次以縮圖尺寸檢視，並將標誌字形、接縫、連接埠、材質、陰影和色彩名稱與實際物品核對。任何憑空發明或遭改變的尺寸都是退件理由，即使圖片看起來比產品本身更好也一樣。

從未妥善衡量的成本模型

AI 產品圖像的經濟效益，向來是以每項素材的成本和上市時間來論證，而這兩項數字仍然有利於生成。但兩者從來都不是完整的計算。

缺漏的項目是審查。生成一千個版本很便宜，但將每一個分類、判斷哪些需要揭露哪些不需要，並為每個通路套用正確的告知，卻不便宜。誠實的比較單位，應該是 100 項經核准素材的成本，而不是廣告上宣傳的一千次生成價格，因為核准率會因品類而有極大差異。一套在霧面陶瓷馬克杯上可行的流程，到了珠寶、化妝品或輕薄布料上可能就會崩解。

這就是為什麼能保留產品遮罩並提供批次控制的較高價工具，在把人力算進去之後，反而可能更便宜。表面上划算的方案，是以每次生成來計價。真正的成本，則是以每項通過審查的素材來計價。

合理的試行方案長什麼樣子

先從 20 到 50 個具代表性的 SKU 開始，並刻意納入困難的品項。反光表面、透明物件、必須精準呈現的品牌標示、人物使用情境，以及尺寸必須真實無誤的商品，全都應該納入樣本，因為只測試簡單產品一定過關，卻什麼也告訴不了你。

接著衡量決定這套流程能否規模化的指標：從產品參考資料到核准素材的週期時間、每項素材的手動編輯次數、產品準確度的失敗率，以及生成版本是否真的帶動轉換或點擊。如果這些指標全都沒有動靜，這套流程就只是一個包裝成能力的成本中心。

保留原始檔案，以及描述每一次編輯的稽核備註。這份紀錄能回答揭露問題、權利問題或市集查詢，而且保存它的成本遠低於日後重建。

沒有人計入成本的部分

AI 產品圖像的經濟效益，向來是以每項素材的成本和上市時間來論證。這些數字仍然成立，但從來都不是完整的計算。缺漏的項目是合規，而它的規模化方式與生成不同。

生成一千個版本很便宜。稽核一千個版本、將每一個分類，並為每個通路套用正確的揭露，卻不便宜。勝出的流程很可能就像你正在讀的這篇文章所描述的那樣：針對困難 SKU 進行小規模試行，把攝影保留給任何必須為真的事物，將生成侷限於背景和裁切，並為每一項決策留下書面紀錄。

這套流程比示範影片所暗示的更沉重，但當下一次執法行動到來時，能站得住腳的正是這套流程。把揭露視為設計限制、而非一份待歸檔表格的品牌，會發現這些規則比那些直到刊登層級才發現它們的品牌，更容易以更低成本滿足。