AI 产品图片正撞上一道无人计入成本的合规墙

过去两年，AI 产品摄影的卖点一直很简单：生成更多变体，花更少钱，更快上线。到了 2026 年下半年，这个卖点撞上了一个约束，它与图片质量毫无关系，却与图片被允许宣称什么息息相关。

这个约束就是披露。自 2026 年 8 月 2 日起，欧盟《人工智能法案》下的透明度义务开始生效，要求对 AI 生成内容加标签或以其他方式向最终用户披露。美国各州法律也同步推进。而在对电商最具象的进展中，亚马逊已开始执行针对 AI 生成商品图片的要求，包括在纽约州形象规则生效后，要求对 AI 生成的人物进行标注。

规则实际要求什么

美国并没有一条统一的联邦规则，规定每张 AI 产品图片都必须带有可见标签。合规反而是分层叠加的，这也正是它难以管理的原因。

加利福尼亚州规范提供商的披露工具以及部署者如何使用这些工具。纽约州监管商业广告中的合成表演者。亚马逊的卖家政策则附加了与其市场平台绑定的合同要求。欧盟《人工智能法案》施加的透明度义务取决于系统的角色和语境，而不是一刀切地贴标签。

由于这些制度监管的是不同主体，一家企业可能必须同时满足多项要求，而满足其中一项的标签未必满足另一项。Instagram 帖子中的披露，可能在图片被裁剪或嵌入其他地方时丢失。亚马逊商品详情页上的通知会随该商品信息一起出现，却不会随转发一起出现。

实际困难在于，这些要求并不一致。每个司法管辖区和平台对受涵盖系统的定义不同，对通知出现的位置也各有期待。

决定大多数情形的区分

这些规则取决于一个商品目录团队很少考虑的分类问题：图片是生成的、经过实质性修改的，还是按常规方式编辑的？

完全合成的图片可能展示一个虚构模特、一个生成的房间，或一种从未在现实中存在过的产品摆放。经过实质性修改的图片可能替换背景、添加物体、移除特征或重建表面。按常规方式编辑的照片则涉及裁剪、曝光校正、去尘或调色。

分界线取决于一个理性观看者会相信什么。如果购物者会认为产品是实拍的、人物是真实的，或图中呈现的结果反映的是普通使用情况，这张图片就带有欺骗风险。当图片对尺寸、质地、兼容性或性能作出事实性宣称时，这种风险会上升，因为 AI 生成不会让一项宣称成真，而披露也不能让虚假广告变得合规。

这正是生成式工具在商品目录中变得危险的地方。它们会编造看似合理的细节，包括按钮、标签、成分、面料、包装文字和配件。生成的手、织物动态或反光可能看起来令人信服，却在事实上是错误的。精致打磨过的图片才是风险所在，而不是粗糙的图片。

人物问题是另一回事

AI 生成的人脸会引出第二类问题，而仅靠披露并不能解决。一个没有明确表明自己是合成的生成人物，可能造成虚假代言或证言问题。如果这张脸像某个真实的人、名人、顾客或员工，企业除了披露义务之外，还可能面临公开权、隐私权或商标方面的风险。

如果图中人物从未真实出现过，模特授权书也无济于事。来自 AI 平台的许可并不会转让企业并不拥有的人格权。对于普通的虚构人物，在档案中保留合成表演者通知仍然明智，尤其是当同一角色出现在整条产品线上并变得可识别时。

工作流必须在哪些环节改变

运营上的修正与其说在于工具，不如说在于流程。要指定责任，而不是把判断留给碰巧会用该工具的设计师。让准备图片的人记录软件、提示词、源照片、编辑操作、预期宣称和预期投放渠道，因为工具记录通常是企业实际选择了哪一类别的最佳证据。

只要准确性重要，就应让产品本身不参与生成。将真实摄影与生成环境合成，而不是生成产品，并在提示词中明确说明瓶子、手表、鞋、设备、标签、徽标和比例必须保持不变。使用以产品为蒙版的图生图或基于参考的编辑，这样模型改变定义身份特征的自由度就更小。

然后以 100% 放大和缩略图尺寸对输出检查两次，对照真实物品检查徽标字形、接缝、端口、质地、阴影和颜色名称。任何凭空增添的特征或改变的尺寸都是拒收理由，即使图片看起来比产品更好。

从未被正确衡量的成本模型

关于 AI 产品图片的经济账，一直是以单件素材成本和上市时间来论证的，而这两个数字仍然有利于生成。但两者都从来不是完整计算。

缺失的科目是审核。生成上千个变体很便宜，但将每一个分类、判断哪些需要披露哪些不需要，并为每个渠道应用正确的通知，并不便宜。诚实的比较单位是 100 个获批素材的成本，而不是 1000 次生成所宣传的价格，因为获批率因品类而差异巨大。对哑光陶瓷马克杯有效的流程，在珠宝、化妆品或轻薄面料上可能彻底失效。

这就是为什么那些能保留产品蒙版并提供批量控制的更昂贵工具，在计入人工后最终可能更便宜。表面上的便宜是按每次生成计价的。真实成本是按每个通过审核后仍能存活的素材来计价的。

一个合理的试点应该是什么样

从 20 到 50 个有代表性的 SKU 开始，并有意纳入难处理的商品。反光表面、透明物体、精确品牌呈现、人物使用场景，以及尺寸必须真实的商品，都属于样本范围，因为只用简单产品做试点会通过，却什么也告诉不了你。

然后衡量决定工作流能否规模化的指标：从产品参考图到获批素材的周期时间、每个素材的人工编辑次数、产品准确性的失败率，以及生成变体是否真正提升了转化率或点击率。如果这些指标都没有改善，那这套工作流就是披着能力外衣的成本中心。

保留原始文件和描述每次编辑的审计备注。这份记录才是回答披露问题、权利问题或市场平台询问的依据，而且保存它远比事后重建便宜。

没人计入成本的东西

关于 AI 产品图片的经济账，一直是以单件素材成本和上市时间来论证的。这些数字仍然成立，但它们从来不是完整计算。缺失的科目是合规，而它的扩展方式与生成不同。

生成上千个变体很便宜。审核上千个变体、将每一个分类，并为每个渠道应用正确的披露，并不便宜。获胜的工作流很可能就像你正在读的这篇文章所描述的那样：在难处理的 SKU 上做小规模试点，把摄影保留给必须真实的部分，把生成限制在背景和裁剪上，并记录每一项决策。

这比演示视频所暗示的流程更繁重，但当下一次执法行动到来时，仍然站得住的正是这套流程。那些把披露当作设计约束而非一份待提交表格的品牌，会发现满足这些规则比那些直到商品列表层面才发现的品牌更便宜。