Um menu criado com inteligência artificial pode parecer profissional à primeira vista, mas muitos usuários percebem nele algo desconfortável: sanduíches simétricos demais, bolas de sorvete perfeitamente redondas, queijo escorrendo de uma maneira mais próxima de um desenho ou camarões que parecem engolir a própria cauda. Esses detalhes não significam necessariamente que a imagem seja obviamente falsa, mas conferem a ela uma aparência uniforme e polida, diferente da comida real.
O artigo aborda esse fenômeno como um problema de convergência nas saídas da inteligência artificial, e não apenas como um erro visual no design do menu de um restaurante. Os modelos generativos aprendem padrões a partir de enormes quantidades de dados e, depois, produzem aquilo que consideram uma resposta adequada a um pedido como criar um menu para uma hamburgueria. Quando os materiais com os quais foram treinados já são semelhantes, o resultado se aproxima da reciclagem de um único gosto visual.
Os dados de treinamento favorecem a aparência familiar
Alex Lisle, diretor técnico da Reality Defender, afirma que algumas dessas imagens parecem como se uma criatura estranha estivesse tentando preparar uma pizza sem compreender seus princípios básicos. Na visão dele, a causa está relacionada aos dados dos quais os modelos extraíram suas capacidades. Ao solicitar o design de um menu para um restaurante de fast-food, os modelos podem se basear em menus e redes conhecidas, como Wendy’s, Burger King e McDonald’s, materiais que de fato compartilham um estilo visual semelhante.
O resultado não é uma cópia idêntica de um menu específico, mas uma combinação que reproduz as características mais comuns: iluminação perfeita, disposição simétrica, superfícies suaves e cores supostamente mais atraentes. Lee Rainie, diretor do Imagining the Digital Future Center da Elon University, observa que o aprimoramento dos dados se concentra naquilo que parece aceitável e não ofensivo, o que pode se transformar em uma homogeneidade que apaga as arestas e as diferenças.
O problema se agrava quando materiais gerados por inteligência artificial entram em conjuntos de treinamento posteriores. Lisle diferencia essa situação do colapso do modelo (Model Collapse). O colapso do modelo é um cenário mais grave que surge quando as saídas de um modelo são realimentadas nele repetidamente, levando a uma ampla deterioração da qualidade. Já o que aparece nos menus, segundo sua descrição, é uma convergência ou homogeneização que reduz a diversidade e a qualidade dos resultados sem tornar o modelo completamente inútil.
Alterações repetidas podem aumentar os defeitos
O problema nem sempre vem apenas da primeira geração da imagem. Um usuário da plataforma X, chamado Labtec, publicou uma experiência na qual criou um menu pelo ChatGPT e depois o editou 100 vezes. Com a repetição das alterações, as imagens dos alimentos pareceram menos semelhantes à comida real e mais arredondadas e suaves. O artigo informou que a TechCrunch repetiu a experiência e encontrou um resultado semelhante.
Esse cenário é importante para restaurantes que usam ferramentas generativas para alterar os preços dos itens, seus nomes ou pequenos detalhes do menu. Cada processo individual de edição pode parecer limitado, mas seu acúmulo pode afastar gradualmente a imagem de sua aparência natural. Nesse caso, a inteligência artificial não é apenas uma ferramenta para economizar tempo, mas parte de um ciclo de edição que pode reforçar as características artificiais que o designer tenta esconder.
Por que as pessoas percebem a sensação de falsidade?
Rainie considera que as pessoas têm, às vezes, uma capacidade difícil de explicar de distinguir uma imagem gerada de outra real, mesmo quando não conseguem identificar o elemento suspeito. O artigo relaciona esse incômodo ao chamado efeito do vale da estranheza (Uncanny Valley). Pesquisadores da Universidade de Duisburg-Essen, na Alemanha, descobriram que imagens de comida que parecem quase reais podem provocar mais repulsa e desconforto do que imagens claramente falsas.
No caso da comida, o paradoxo é mais evidente: a própria publicidade tradicional costuma exagerar na disposição e na iluminação dos alimentos para fazê-los parecer melhores do que são na realidade, como acontece com as imagens do sanduíche Big Mac nos anúncios. Mas as saídas da inteligência artificial podem levar esse embelezamento a um nível em que a comida perde suas características familiares. Quando o cliente percebe que o queijo, o pão ou o camarão não se comporta visualmente como esperava, o aprimoramento pretendido se transforma em uma fonte de aversão.
O que muda na prática?
A lição para os restaurantes não é que todo uso da inteligência artificial no design fracasse, mas que depender apenas da aparência perfeita pode prejudicar a confiança. Imagens que não representam com precisão a comida real podem criar uma lacuna entre as expectativas do cliente e sua experiência, enquanto revelam a necessidade de uma revisão humana capaz de perceber detalhes que os critérios do modelo sobre “uma imagem bonita” não conseguem reduzir.
O significado vai além dos menus. Lisle afirma que a dependência histórica da visão e da audição como provas confiáveis, inclusive nos sistemas judiciais que concederam às gravações e às imagens um status especial, já não é igualmente segura. Se às vezes é difícil distinguir entre uma imagem de comida real e uma gerada, verificar conteúdo visual e sonoro em áreas mais sensíveis torna-se uma questão prática, e não apenas estética.
A fonte não apresenta uma solução técnica definitiva para esse problema, nem prova que todo menu gerado por inteligência artificial provocará rejeição. Mas esclarece uma limitação importante dos modelos atuais: a busca por produzir saídas amplamente aceitáveis pode acabar removendo características locais e individuais e, depois, reproduzindo uma única imagem do que a comida, ou qualquer outro conteúdo, deveria parecer.