En tekst-til-bilde-modell gjør ord om til piksler. Den har lært fra svært store samlinger av bilder og bildetekster hvordan en formulering som en linskjorte på en steinterrasse i skumringen vanligvis ser ut, og den tegner et nytt bilde som passer til beskrivelsen. Resultatet er nytt i oppstillingen, men bygd av mønstre og ikke av en bestemt gjenstand, så det kan vise en troverdig skjorte, men ikke selgerens skjorte.
Det er den sentrale begrensningen for produktbilder. Et produkt generert bare ut fra tekst er oppdiktet: det avviker fra den virkelige varen i snitt, farge, mønster, beslag og merkelapp, og det kan ikke stå for den varen i en annonse, uansett hvor likt det ser ut. Mange markedsplasser krever at bilder viser det faktiske produktet, og flere tillater KI bare for bakgrunner, scener eller modeller rundt et ekte produktbilde. Reglene for å opplyse om og merke KI-bilder varierer også mellom markedsplasser.
Tekst-til-bilde passer for det som ikke har én sann form: bakgrunner, rekvisitter, stemningsscener, strukturer og mønstre, eller en kulisse for en kampanje. For selve produktet er den pålitelige veien bilde-til-bilde, der et bilde av den virkelige varen er utgangspunktet. Der en generert scene fungerer som bakgrunn for et frilagt bilde av det virkelige produktet, må lysretning, skygger og perspektiv stemme med produktbildet, ellers ser produktet innlimt ut.