Je loopt een café binnen en kijkt naar de menukaart. De plaatjes van broodjes en burgers zijn perfect symmetrisch, te glad en voelen gewoon niet echt. Je krijgt een raar gevoel, zonder precies te weten waarom. Dat is geen paranoia: steeds meer menukaarten en advertenties worden met generatieve AI gemaakt, en die beelden kunnen er onnatuurlijk uitzien.

Hoe ontstaan die saaie, onnatuurlijke plaatjes?

AI-systemen die beelden maken, leren door heel veel voorbeelden te zien. Ze zoeken naar patronen in al die foto’s en illustraties en gebruiken die patronen om nieuwe beelden te maken. Als veel voorbeelden uit dezelfde soort bron komen — denk aan grote ketens of advertenties uit één stijl — dan gaat de AI die stijl nadoen.

Daarnaast sluipen er steeds vaker AI-afbeeldingen in de datasets waarmee nieuwe modellen worden getraind. Gaat dat te veel gebeuren, dan krijgt het model als het ware een eigen stijl teruggevoed. Dat kan leiden tot wat onderzoekers ‘convergentie’ noemen: beelden worden steeds gelijkvormiger, minder gedetailleerd en vaak gladder.

Waarom vinden mensen die beelden ongemakkelijk of vies?

Er zit een psychologische kant aan. Onderzoekers zagen dat beelden die bijna echt lijken maar net niet kloppen, meer afkeer oproepen dan beelden die duidelijk nep zijn. Dat verschijnsel lijkt op het bekende begrip "uncanny valley": iets dat te veel op echt lijkt, maar subtiel verkeerd is, voelt onprettig.

Verder optimaliseren veel datasets voor "aangenaamheid": beelden moeten netjes, niet beledigend en makkelijk te accepteren zijn. Dat heeft een bijeffect: randen worden afgevlakt, onregelmatigheden verdwijnen en alles krijgt een gladde, gepolijste uitstraling. In voedselbeelden betekent dat vaak ronde, perfecte bolletjes ijs en te symmetrische garnalen, wat er onnatuurlijk uitziet.

Hoe werkt dit in de praktijk bij menukaarten?

In de horeca worden menukaarten soms in een AI gemaakt en daarna meerdere keren bewerkt — bijvoorbeeld om prijzen of namen te veranderen. Iedere keer dat de afbeelding opnieuw wordt gegenereerd of aangepast, schuift de stijl een stukje verder richting die gepolijste, gladde look. Een experiment waarin een menu honderd keer werd bewerkt liet precies dat zien: het eten werd met elke bewerking vlakker en minder herkenbaar.

Er spelen een paar simpele oorzaken mee:

• Veel trainingsbeelden komen van populaire ketens die al dezelfde stijl hebben.

• AI leert van voorbeelden en kopieert daarmee die bestaande esthetiek.

• Gebruikt een AI later eigen output als nieuw trainingsmateriaal, dan versterkt dat de eenvormigheid.

Wat betekent dit voor restaurants en bezoekers?

De eerste indruk telt bij eten. Foto’s die er onnatuurlijk uitzien wekken snel wantrouwen of afkeer op. Voor restaurants kan dat terugkaatsen: in plaats van klanten aan te trekken, kunnen zulke beelden juist weglopen.

Er is ook een groter gevolg voor de manier waarop mensen beeld en bewijs beoordelen. Visuele informatie werd lange tijd gezien als betrouwbaar: foto’s en video’s overtuigen. Nu worden die beelden makkelijker door AI gemaakt, en dat verandert hoe mensen vertrouwen op wat ze zien.

Conclusie

AI kan snel menukaarten en advertenties maken, maar beelden die te uniform en glad worden, roepen bij veel mensen vervreemding en afkeer op. Dat komt door de manier waarop beeldmodellen worden getraind en door het hergebruiken van AI-uitvoer als nieuw trainingsmateriaal. Voor wie met AI werkt aan visuele marketing is het belangrijk te beseffen dat de techniek niet automatisch betere foto’s oplevert; soms levert het juist een vertekend en onaantrekkelijk beeld op.