En tekst-til-billede-model omsætter ord til pixels. Den har lært af meget store samlinger af billeder og billedtekster, hvordan en formulering som en hørskjorte på en stenterrasse i skumringen plejer at se ud, og den tegner et nyt billede, der passer til beskrivelsen. Resultatet er nyt i sin opstilling, men bygget af mønstre og ikke af en bestemt genstand, så det kan vise en troværdig skjorte, men ikke sælgerens skjorte.
Det er den centrale begrænsning for produktbilleder. Et produkt genereret ud fra tekst alene er opfundet: Det afviger fra den rigtige vare i snit, farve, mønster, beslag og mærke, og det kan ikke stå for den vare i en annonce, uanset hvor tæt på det ser ud. Mange markedspladser kræver, at billeder viser det faktiske produkt, og flere tillader kun AI til baggrunde, scener eller modeller omkring et rigtigt produktfoto. Reglerne for oplysning og mærkning af AI-billeder er også forskellige fra markedsplads til markedsplads.
Tekst-til-billede passer til det, der ikke har én sand form: baggrunde, rekvisitter, stemningsscener, strukturer og mønstre eller en kulisse til en kampagne. Til selve produktet er den pålidelige vej billede-til-billede, hvor et foto af den rigtige vare er udgangspunktet. Hvor en genereret scene fungerer som baggrund for et frilagt billede af det rigtige produkt, skal dens lysretning, skygger og perspektiv passe til produktfotoet, ellers ser produktet indsat ud.