Acum doi ani scriam despre GPT-3 și primele texte scrise de o mașină care sună a om. Atunci mi se părea că am văzut ce-i mai spectaculos. M-am înșelat. În ultimele săptămâni am stat serile cu două unelte noi deschise pe laptop, DALL-E 2 și Midjourney, și le-am cerut imagini. Nu le-am desenat, nu le-am căutat pe bănci de imagini, le-am descris în cuvinte. Și au apărut.
Nu sunt designer. Sunt antreprenor care a plătit, de-a lungul anilor, multe ședințe foto de produs, multe bannere și multe ilustrații pentru articole. Așa că am testat cu ochii omului care cumpără imagini, nu al celui care le face. Iată ce am văzut, ce mă entuziasmează și ce mă îngrijorează.
Ce sunt, pe scurt, cele două unelte
DALL-E 2 vine de la OpenAI, aceeași firmă din spatele GPT-3. A fost anunțat în aprilie, iar luni de zile accesul a fost doar pe listă de așteptare. Pe 20 iulie, OpenAI a deschis un beta pentru până la un milion de oameni de pe acea listă și a trecut la un model plătit, cu credite: fiecare cerere consumă un credit și îți întoarce câteva variante. Primești un număr mic de credite gratuite, apoi cumperi pachete.
Midjourney e un laborator independent mic, care a intrat în beta deschis în iulie. Partea ciudată e interfața: nu ai un site în care scrii, ci un server de Discord. Scrii o comandă într-un canal, alături de alte sute de oameni, și în câteva zeci de secunde apar patru imagini. Le poți mări pe cele care îți plac sau poți cere variații. Pare haotic la început, dar are un avantaj: vezi în timp real ce încearcă alții și înveți din prompturile lor.
Mai există Imagen, de la Google, anunțat în mai, cu rezultate care arată impresionant în materialele de prezentare. Dar nu e disponibil public, așa că nu am ce comenta din experiență proprie.
Ce le-am cerut
Am încercat să fiu practic și am ales tipurile de imagini de care are nevoie orice afacere online:
- Fotografii de produs pentru un magazin online. Să zicem că vinzi căni de ceramică sau lumânări parfumate: un produs pe o masă de lemn, lumină naturală, fundal neutru.
- Ilustrații pentru articole de blog. Concepte abstracte, gen „echipă care lucrează de la distanță” sau „creștere în ecommerce”, în stil de ilustrație editorială.
- Logo-uri. Simboluri simple pentru un brand imaginar.
- Un poster de călătorie ipotetic. Stil vintage, o coastă mediteraneană, culori calde, genul de afiș pe care l-ai pune în holul unui hotel.
Midjourney are stil, DALL-E 2 are ascultare
Diferența se vede din primele minute. Midjourney are o estetică a lui, recognoscibilă: lumini dramatice, texturi bogate, compoziții care arată ca o copertă de album sau ca o pictură digitală. Îi ceri ceva simplu și primești ceva frumos, uneori mai frumos decât ai cerut, dar nu neapărat ce ai cerut. Pentru postere, atmosferă și ilustrații conceptuale e greu de bătut.
DALL-E 2 e mai literal. Dacă descrii o cană albă pe o masă de lemn, lângă o fereastră, cam asta primești. Imaginile arată mai aproape de fotografie, mai puțin „artistice”, dar mai previzibile. Pentru un magazin online care vrea un mockup de produs sau o imagine curată pentru un articol, previzibilitatea e o calitate, nu un defect. DALL-E 2 mai are și o funcție utilă: poți șterge o zonă dintr-o imagine și îi ceri să o completeze cu altceva.
Unde se împiedică
Oricine le testează câteva ore ajunge la aceleași limite:
- Mâinile. Degete în plus, degete topite unele în altele, încheieturi imposibile. E aproape o glumă internă printre cei care le folosesc.
- Textul din imagine. Ceri un poster cu numele unui oraș și primești litere care seamănă cu un alfabet inventat. Pentru logo-uri asta e o problemă serioasă: simbolul poate ieși interesant, numele brandului aproape niciodată.
- Fețele. De la distanță arată bine, de aproape apar asimetrii și ochi ușor greșiți. În plus, OpenAI pune restricții pe fețe realiste și pe persoane publice, tocmai ca să limiteze abuzurile.
- Consistența. Dacă ai nevoie de același personaj sau același produs în zece imagini diferite, e foarte greu să-l obții identic.
Concluzia mea: pentru un produs real, pe care clientul îl va primi acasă, nu poți folosi o imagine inventată de AI ca fotografie de produs. Ar fi publicitate înșelătoare. Dar pentru fundaluri, scene de lifestyle, concepte și prime schițe, lucrurile se schimbă.
Ce înseamnă pentru designeri, marketeri și magazine online
Pentru marketeri, cel mai mare câștig e viteza la explorare. În loc să descrii unui designer, prin trei emailuri, ce ai în cap, poți genera în zece minute douăzeci de direcții vizuale și vii la ședință cu ele. Pentru creative de reclame, unde testezi multe variante, asta poate scurta mult drumul. Am scris acum câțiva ani despre ce poate face inteligența artificială în marketing și vorbeam mai ales de recomandări și segmentare. Partea vizuală mi se părea mult mai departe. Nu era.
Pentru magazinele online mici, care nu-și permit ședințe foto pentru fiecare campanie, apar imagini de blog, bannere sezoniere și fundaluri la un cost mic. Pentru designeri, sincer, nu cred că e o amenințare imediată. Cred că e o unealtă nouă, cum a fost Photoshop la vremea lui. Un designer bun știe ce să ceară, știe să aleagă și știe să termine o imagine. AI-ul de azi îți dă un material brut, adesea spectaculos, rareori gata de publicat fără muncă în plus.
Promptul, o meserie nouă
Lucrul care m-a surprins cel mai mult: diferența dintre o imagine banală și una bună stă aproape în întregime în felul în care scrii cererea. Stilul, tipul de lumină, unghiul, obiectivul de fotografiat, epoca, numele unui curent artistic, toate schimbă rezultatul. Deja circulă liste de cuvinte-cheie și ghiduri de prompturi. Nu m-ar mira să vedem curând oameni care se recomandă pe LinkedIn ca specialiști în scris prompturi. Sună amuzant azi, dar acum cincisprezece ani sunau la fel de amuzant „specialist SEO” sau „social media manager”.
Drepturi de autor și artiștii din spatele datelor
Aici lucrurile devin incomode. Modelele acestea au învățat din cantități uriașe de imagini de pe internet, multe create de ilustratori și fotografi care nu au fost întrebați. Când îi ceri lui Midjourney ceva „în stilul” unui artist în viață, primești ceva care chiar seamănă. Artiștii au început deja să protesteze, și pe bună dreptate. Cine deține imaginea generată? OpenAI spune acum că utilizatorii o pot folosi comercial, dar întrebarea despre datele de antrenament rămâne deschisă și, cred, va ajunge în instanțe. Am mai văzut ceva asemănător, la scară mai mică, cu NFT-urile și discuția despre artă: tehnologia merge mult mai repede decât regulile.
Riscul de deepfake
Al doilea motiv de prudență: dacă poți genera o fotografie credibilă cu o scenă care n-a avut loc niciodată, poți și minți convingător. Restricțiile de acum ajută, dar sunt puse de câteva firme. Când tehnologia va fi la îndemâna oricui, fără filtre, vom avea o problemă serioasă de încredere în imagini. Am trecut deja prin valuri de fake news și neîncredere cu text; cu imagini va fi mai greu, pentru că suntem obișnuiți să credem ce vedem.
Verdictul meu, la final de august 2022
E impresionant. E devreme. E imperfect. Nu înlocuiește azi un designer bun și nici un fotograf de produs, dar schimbă felul în care începem orice proiect vizual. Recomandarea mea pentru antreprenori: încercați-le acum, cât sunt la început, cu un buget mic de credite. Nu ca să concediați pe cineva, ci ca să înțelegeți ce vine și să vă învățați echipa să scrie prompturi bune.
Voi le-ați încercat? Ce v-a ieșit cel mai bine și unde v-ați împiedicat? Și, mai ales, ați plăti pentru o imagine generată de AI dacă ar fi suficient de bună?