En text-till-bild-modell gör om ord till pixlar. Den har lärt sig från mycket stora samlingar av bilder och bildtexter hur en fras som en linneskjorta på en stenterrass i skymningen brukar se ut, och den ritar en ny bild som passar beskrivningen. Resultatet är nytt i sin komposition men byggt av mönster, inte av ett visst föremål, så det kan visa en trovärdig skjorta men inte säljarens skjorta.
Det är den centrala begränsningen för produktbilder. En produkt som genererats enbart från text är påhittad: den skiljer sig från den verkliga varan i snitt, färg, mönster, beslag och etikett, och den kan inte representera varan i en annons, hur lik den än ser ut. Många marknadsplatser kräver att bilder visar den faktiska produkten, och flera tillåter AI bara för bakgrunder, miljöer eller modeller runt ett verkligt produktfoto. Reglerna för att redovisa och märka AI-bilder skiljer sig också mellan marknadsplatser.
Text till bild passar det som saknar en enda sann form: bakgrunder, rekvisita, stämningsbilder, strukturer och mönster eller en miljö för en kampanj. För själva produkten är den pålitliga vägen bild till bild, där ett foto av den verkliga varan är utgångspunkten. Där en genererad miljö fungerar som bakgrund för en frilagd bild av den verkliga produkten måste ljusriktning, skuggor och perspektiv stämma med produktfotot, annars ser produkten inklistrad ut.