Por qué los menús generados por IA lucen todos iguales (y por qué importa en Latinoamérica)

El extraño efecto de verse “demasiado perfecto”

Entrar a un café y encontrar ilustraciones de alimentos que parecen demasiado simétricas, suaves y pulidas ya no es raro. Muchos restaurantes están usando herramientas de generación de imágenes para diseñar menús y material publicitario, pero esas imágenes suelen compartir una estética extrañamente homogénea: helados con bolas perfectamente redondas, hamburguesas impecablemente apiladas y camarones que parecen deformaciones extrañas. La sensación que queda en el cliente es una mezcla de fascinación y rechazo.

Ese rechazo no es solamente subjetivo. Investigaciones y observaciones del sector muestran que las imágenes de comida generadas por IA pueden provocar un efecto de “uncanny valley” —es decir, imágenes que casi parecen reales producen más desconfianza o aversión que las que son claramente falsas.

¿Por qué todas las imágenes terminan pareciéndose tanto?

La explicación técnica combina cómo se entrenan los modelos y cómo se usan en la práctica. Modelos como los que generan texto e imágenes aprenden a partir de enormes colecciones de datos. Al identificar patrones en esos datos, el modelo genera lo que considera “lo más probable” o “más agradable” según el pedido del usuario.

Eso conduce a dos fenómenos clave:

• Convergencia por estandarización: si el entrenamiento incluye muchas imágenes comerciales similares (por ejemplo, menús de cadenas reconocidas), el modelo tenderá a reproducir ese estilo dominante. Es el motivo por el que un menú generado puede parecerse a los catálogos de comida rápida de hace años: el corpus de datos contiene repetidas variaciones de la misma estética.

• Retroalimentación de outputs: cuando contenido generado por IA termina incorporándose de nuevo a los datos de entrenamiento, se crea una especie de “endogamia” que degrada la diversidad del modelo. Esto puede llevar a una pérdida de detalle y variación, proceso que algunos expertos comparan con un colapso del modelo si se repitiera sin control.

Reality Defender —una startup citada por TechCrunch— y expertos en detección y verificación han señalado que ese ciclo de alimentar modelos con sus propias salidas acelera la homogeneización.

”Plastificación” y optimización por “agradabilidad”

Otro punto es que muchos conjuntos de datos y procesos de optimización buscan que las salidas sean “agradables” o no ofensivas. En la práctica, eso se traduce en “suavizar” detalles; los bordes se redondean, las texturas se lisian y las imperfecciones desaparecen. Lee Rainie, director del Imagining the Digital Future Center, explica que la IA tiende a “afeitarse los bordes”: quita lo que puede resultar chocante o fuera de norma, pero también elimina rasgos que nos hacen percibir la autenticidad.

Además, en marketing siempre ha existido una versión idealizada de la comida (la hamburguesa de la publicidad jamás se sirve igual en el plato). Los modelos de IA, al optimizar por agradabilidad, amplifican esa tendencia hasta un punto en que la imagen ya no se siente auténtica.

El experimento de las 100 ediciones y la degradación visual

Un ejemplo práctico que circuló en redes mostró lo que ocurre al editar repetidamente un menú generado. El usuario Labtec publicó un experimento en el que tomó una imagen de menú creada por ChatGPT Image y la editó 100 veces; el resultado final se volvió cada vez más extraño y menos verosímil. TechCrunch incluso replicó el ejercicio y observó efectos similares: con cada edición las formas se redondeaban y la imagen perdía rasgos naturales.

En los restaurantes esto ocurre cuando se hacen ajustes pequeños —precios, nombres de ítems o colores— y se vuelve a generar la imagen múltiples veces. Cada revisión empuja la estética hacia la convergencia homogénea.

¿Por qué esto importa para restaurantes y marcas en Latinoamérica?

En América Latina muchos locales, sobre todo pymes y cadenas pequeñas, consideran la IA una forma rápida y económica de producir materiales visuales. El acceso a estas herramientas puede ayudar a acelerar operaciones y reducir costos, pero también implica riesgos:

• Pérdida de confianza del cliente: clientes acostumbrados a fotos reales de platos pueden reaccionar negativamente ante menús que se perciben como “raros” o poco auténticos.
• Daño a la imagen de marca: una estética homogénea y artificial puede diluir la identidad local y el valor diferencial de un restaurante.
• Riesgos legales y de veracidad: como señalan expertos, la facilidad para crear imágenes realistas plantea problemas de veracidad en contextos donde la evidencia visual importa.

En mercados latinoamericanos, con alta importancia en la experiencia sensorial y la relación con la comunidad local, la autenticidad visual suele ser un valor competitivo. Usar imágenes generadas sin cuidado puede producir rechazo cultural adicional.

¿Qué pueden hacer los restauranteros y equipos de marketing?

No se trata de descartar la IA, sino de integrarla con criterio. Algunas recomendaciones prácticas:

• Priorizar fotos reales de los propios platos cuando sea posible. Nada reemplaza la percepción auténtica de un producto local.
• Usar IA solo como borrador o apoyo: generar composiciones iniciales para inspirarse, pero someterlas a revisión humana y fotografía profesional antes de publicar.
• Evitar iteraciones automáticas sin control: cada edición sucesiva puede empujar la imagen hacia la homogeneización.
• Exigir transparencia y metadatos: cuando contraten servicios de generación de contenido, pedir información sobre origen de datos y prácticas de entrenamiento.
• Testear con audiencias locales: antes de cambiar un menú, probar visuales con clientes habituales para medir reacciones.

Además, el sector puede beneficiarse del creciente ecosistema de empresas que ofrecen detección y verificación de contenido para identificar cuándo imágenes han sido generadas y mitigar riesgos.

Conclusión: la IA es herramienta, no atajo automático

Los modelos generativos ofrecen ventajas evidentes en velocidad y costo, pero su tendencia a reproducir y amplificar estéticas dominantes puede convertir materiales comerciales en algo que los consumidores perciben como inquietante o poco confiable. Para América Latina, donde la autenticidad culinaria y la relación con la comunidad importan, la solución no está en evitar la tecnología sino en combinarla con prácticas humanas sólidas: fotografía real, revisión creativa y pruebas de mercado. Solo así se podrá aprovechar la IA sin pagar el precio de una homogeneización que erosione la marca y la confianza del cliente.