省下来的拍摄费不会消失，它会换个地方出现。实拍一套商品图六七百元，AI 生成三四十元，差价看着落在商家账上，实际结算在评价区和退货单里——有摄影师说，用 AI 模特的店铺退货率和投诉量都明显高于真人拍摄的店铺。11 月 10 日的公开报道提到，服饰、家居、工艺品等类目的详情页 AI 浓度已经很高，连买家秀都出现批量生成的图片。对做口碑监测的人来说，这是道新工序：先判断这条评价是不是人写的，再判断它说了什么。
评价区正在被两头挤压
评价区原本承担两个功能：帮买家判断实物，帮商家发现问题。AI 图同时攻击了这两端——买家看到的「实拍」可能是生成的，商家收到的「瑕疵图」也可能是生成的。两端都不再可信时，最先崩的不是信任，是评价数据的统计意义：好评率、差评归因、问题分布，全部要重新定义。
这个变化对品牌方尤其要紧。过去差评是可以直接派工的：说面料硬就找商品部，说色差大就找内容部。现在一条差评要先过一道判断——它描述的实物状态是不是真的，还是被一张生成图带出来的预期落差。判断错了，改的方向也就错了。
成本账最后转到了谁头上
一套图从六七百到三四十
拍摄成本的结构很清楚：模特、场地、摄影、修图，四项加起来 600 到 800 元一套，周期三到四天。AI 之后，同样一套图三四十元，几分钟出图。中小服饰商家款式迭代快、上新节奏紧，这个诱惑很难拒绝；问题不在用不用，而在用完之后怎么标注、怎么保证与实物一致。
退货单是延迟结算的图费
省下的六百多块，会在退货环节回来。一件商品因为预期落差被退回，成本包括逆向物流、质检熨烫、二次上架和库存贬值，行业里常引用的口径是单次退货综合成本 16 元左右；如果退货率因此抬十个点，渠道净利率会掉三到五个点。这笔账在拍摄当天看不见，在季度复盘时看得清清楚楚。
差评数据为什么会失真
失真不是「假评变多」这么简单，它有三种形态，处理方式完全不同。把三种混在一起看成「评价质量下降」，只会得出「加强审核」这种没有动作的结论。
| 失真形态 | 表现 | 对指标的影响 | 处理动作 |
|---|---|---|---|
| 模板化好评 | 文案雷同、句式一致、配图风格统一 | 好评率虚高、净推荐值失效 | 按文本相似度聚类后剔除 |
| 图文不一致 | 详情页图片与差评描述直接冲突 | 差评归因错位 | 建立图文一致性抽检 |
| 反向伪造 | 用生成图申请仅退款 | 售后成本异常抬升 | 售后图片进鉴定流程 |
三种形态里最难处理的是第二种。差评说「面料硬」，图片看着「垂顺」，两条信息都在，但互相矛盾；如果只做情感分析，这条差评会被归到「手感」类，实际要改的是素材与实物的一致性。归错一次，商品部白改一轮。
模板化好评的句式特征
批量生成的好评有可识别的痕迹：长度集中在同一区间、形容词密度高但缺少具体使用场景、几乎没有缺点描述。把评论文本按句式聚类，正常评价会散成几十个簇，模板化评价会挤在一两个簇里。这个方法不需要模型，用规则就能跑，先用它把样本量压下来，再做人工复核。
图文不一致是最硬的信号
比起判断一张图是不是生成的，判断「图和描述是否对得上」更可操作。同一件商品，详情页图的纹理、颜色、版型与差评里提到的具体问题逐项比对，冲突项超过两条就进入人工复核。这类信号准确率高于单纯的真伪鉴定，因为它不依赖检测工具，依赖商品本身，换平台也成立。
口碑监测要先做可信度分层
分层的目的不是把差评洗掉，而是让剩下的差评能被使用。一家店铺如果清洗后差评集中在面料，那是商品问题；集中在色差，那是素材问题。两者的负责人不同，改法也不同，混在一起就只能整店整改。省下来的钱不会消失，只会换个地方出现——这次出现在退货单和评价区的可信度上。
常见问题
AI 生成图和虚假宣传是一回事吗？
不是。律师口径是看三点：生成内容是否失真到与商品属性严重不符、是否足以误导消费者、经营者是否故意隐瞒。标注了「效果图仅供参考」且不失真的，通常不构成虚假宣传；声称实拍而实际生成的，性质就不同了。
怎么判断店铺评价里有没有模板化好评？
先看长度分布，再看形容词与场景的比例。真实评价通常长短不一、带具体使用场景（洗过几次、穿了多久），模板化评价长度趋同、形容词密集、几乎不提缺点。抽 200 条做句式聚类，异常簇会很明显。
哪些品类受 AI 图影响小？
标准化程度高的品类，比如家电、3C、图书，参数比图片重要，预期落差小。受影响最大的是面料、版型、颜色这类只能靠图判断的品类，服饰、家居布艺、工艺品都在其中。
先做图片鉴定还是先做图文一致性抽检？
先做图文一致性抽检。它不需要外部工具，一周内可以跑起来，而且直接指向「改素材还是改商品」这个决策。图片鉴定更适合用在售后纠纷环节，用来判断举证材料的真伪。
