Un modelo de texto a imagen convierte palabras en píxeles. Ha aprendido, a partir de colecciones muy grandes de imágenes y pies de foto, cómo suele verse una frase como una camisa de lino en una terraza de piedra al atardecer, y dibuja una imagen nueva que encaja con la descripción. El resultado es nuevo en su composición pero está construido a partir de patrones, no de un objeto concreto, así que puede mostrar una camisa verosímil pero no la camisa del vendedor.
Ese es el límite central para las imágenes de producto. Un producto generado solo a partir de texto es inventado: difiere del artículo real en corte, color, estampado, herrajes y etiqueta, y no puede representar ese artículo en una ficha, por mucho que se le parezca. Muchos marketplaces exigen que las imágenes muestren el producto real, y varios solo permiten la IA para fondos, escenas o modelos en torno a una foto real del producto. Las normas sobre declarar y etiquetar las imágenes de IA también difieren entre marketplaces.
El texto a imagen sirve para lo que no tiene una única forma verdadera: fondos, atrezo, escenas de ambiente, texturas y estampados, o un decorado para una campaña. Para el producto en sí, la vía fiable es la de imagen a imagen, donde una foto del artículo real es el punto de partida. Cuando una escena generada sirve de fondo para un recorte del producto real, su dirección de luz, sus sombras y su perspectiva tienen que coincidir con la foto del producto, o el producto parece pegado.