A Photoroom passou a rodar uma verificação automática de fidelidade dentro da sua API, conferindo cada imagem de produto contra a foto original antes que ela chegue ao catálogo. A medida responde a um problema que a própria empresa dimensionou em estudo divulgado em julho, e nos quatro principais modelos de edição de imagem por inteligência artificial, apenas 25,3% das gerações passaram sem qualquer falha de correspondência com o produto real, o que equivale a errar a peça em cerca de três de cada quatro imagens.
O levantamento, batizado de Product Fidelity Benchmark, analisou 3.400 gerações de 850 produtos reais e mapeou onde a imagem falha, com distorção de logo e texto em 20,1% dos casos, elementos que desaparecem em 12,5% e alteração de padrões em 11,4%. São erros discretos, que passam porque a imagem continua parecendo uma fotografia e nada aparece obviamente quebrado, e é justamente nesse ponto que o risco se instala, já que ninguém devolve uma foto, e sim o produto que não corresponde ao que foi anunciado.
A pressão é mais intensa em mercados como o Brasil, onde os pedidos de e-commerce cresceram 34,8% no primeiro semestre de 2026 e a receita chegou a R$ 208,4 bilhões, segundo levantamento da Confi em parceria com o E-commerce Brasil, o que comprime o tempo disponível para revisar cada nova imagem de catálogo, à medida que os catálogos giram mais rápido e um volume maior de imagens novas entra no ar toda semana.
Para Matt Rouif, CEO e cofundador da Photoroom, a mudança altera o próprio status da imagem de produto. “Durante muito tempo a imagem foi tratada como peça de comunicação, e a discussão girava em torno de estética. À medida que os consumidores compram com mais frequência e os catálogos são renovados mais rápido, ela passa a fazer parte da operação, e o que importa já não é gerar uma boa foto, mas garantir que essa foto descreva o produto que será entregue. Verificar isso deixou de ser uma etapa de estúdio e virou um requisito de escala”, afirma.
Foi esse raciocínio que levou a verificação para dentro do fluxo automatizado. Pela API, o recurso Visual QA avalia se o produto se encaixa no processo que será executado, gera a imagem e a compara com a original, liberando apenas o que atinge o critério de correspondência. Trata-se do primeiro fluxo do Visual Agents, a camada de orquestração da empresa para pipelines de imagem, cujo ciclo completo, com regeneração automática do ativo até sua aprovação, está previsto para os próximos meses.
A opção por embutir a checagem na API parte de uma constatação prática: verificar a fidelidade de 850 produtos exigiu dez avaliadores treinados em três rodadas de análise, um esforço que não se reproduz num catálogo de dezenas de milhares de itens, onde uma única imagem equivocada pode se transformar em disputa, reclamação ou na retirada do anúncio.
No mesmo período, a verificação também deixou de ser manual no uso direto da plataforma: com uma checagem que roda a cada geração de imagem, o sistema executa um ciclo de seis etapas — entender, gerar, inspecionar, diagnosticar, corrigir ou regenerar, verificar — sem que o operador precise selecionar ou descrever nada. O conjunto de atualizações da Photoroom inclui ainda o AI Scenes, que coloca o produto em um cenário real e recalcula a iluminação para compor imagens de lifestyle sem produção fotográfica; a importação de arquivos diretamente do Google Drive; o reconhecimento de pastas, que reconstrói a estrutura do catálogo dentro da plataforma; a gestão de anúncios da Shopify agora também no Android; e o compartilhamento de links com pré-visualização para times.
Os próprios números do estudo ajudam a explicar por que a correção precisa ser contínua. O modelo-base mais preciso entre os avaliados aprovou 29% das imagens no teste de fidelidade e, com a camada de correção da Photoroom aplicada sobre ele, o índice subiu para 38,2%, o mais alto no comparativo de julho, ainda assim uma minoria.
Matt afirma que, enquanto a correspondência não estiver garantida na origem, conferir cada imagem uma a uma é inviável em escala, e confiar que o modelo acertou é arriscado. Para ele, a checagem precisa acontecer no mesmo ponto em que a imagem é gerada e publicada, dentro do fluxo, e não como uma inspeção à parte.
“A geração precisa ser tratada como um processo, e não como uma única chamada de inferência. É isso que a camada de fidelidade é, não um filtro aplicado no fim, mas uma verificação embutida em cada etapa”, diz Rouif.
