Dlaczego reklamy AI wyglądają sztucznie (i 7 poprawek, które czynią je użytecznymi)

Reklamy AI wyglądają sztucznie z konkretnych powodów, które da się naprawić: woskowa, wygładzona skóra, miodowa „glamour” kolorystyka, rozmazany tekst na etykietach, fizyka, której nie podlega żaden przedmiot, usta niezgrane z dźwiękiem i stockowa perfekcja, jakiej nie uchwycił jeszcze żaden telefon. Żadna z tych rzeczy nie jest nieodłączną cechą wideo AI. To ustawienia domyślne, od których trzeba się świadomie odciąć promptem i procesem produkcji.

W Hermoso codziennie kierujemy zadania do Seedance 2.5, Veo 3.1, Kling 3.0 i najnowszego modelu wideo Google, który przyjmuje dowolne wejście. Różnica między renderem do wyrzucenia a takim, w który naprawdę włożyłbyś budżet, prawie nigdy nie zależy od modelu. Zależy od siedmiu decyzji warsztatowych podjętych przed uruchomieniem modelu i po nim.

Ten wpis uczciwie nazywa te zdradliwe sygnały, a potem omawia siedem poprawek, których naprawdę używają praktycy. To te same, które wbudowaliśmy we własny proces.

Co sprawia, że reklama AI wygląda sztucznie?

Siedem sygnałów odpowiada za prawie każdą reklamę AI, którą widz rozpoznaje w pierwszej sekundzie. Jeśli sparzyłeś się na błyszczących, niepokojąco nienaturalnych wynikach, była to jakaś kombinacja tych:

• Woskowa skóra. Modele trenowano głównie na retuszowanych, beauty-oświetlonych zdjęciach, więc domyślnie dają twarze bez porów, delikatnie świecące, jakich nie zrobi żaden aparat w telefonie.
• Złota kolorystyka glamour. Ciepłe, miodowe, filmowe światło na wszystkim. Wyobraź sobie reklamę kombuchy oświetloną jak reklama perfum.
• Rozmazany tekst na etykiecie. Nazwa produktu rozpływa się w coś, co tylko przypomina litery. Napisy wychodzą jak zupa z literek. To najszybciej zdradzający szczegół.
• Niemożliwa fizyka. Produkty unoszą się o chwilę za długo, nalewany płyn ignoruje grawitację, rzucona butelka wisi bez ciężaru. Masa i pęd wciąż sprawiają tym modelom trudność.
• Usta jak w dubbingu. Dźwięk TTS nałożony na wygenerowane usta daje ten niepokojący trzepot warg, który każdy zna ze źle zdubbingowanych filmów.
• Napisy malowane przez model. Proszenie modelu, by wyrenderował pasek z napisami albo przycisk CTA w kadrze. Nie potrafi, a rozmazany efekt psuje skądinąd dobre ujęcie.
• Stockowa perfekcja. Idealnie wyśrodkowany kadr, idealnie nieruchome dłonie, nikt nie mruga, nic nie jest odrobinę nie tak. Prawdziwe treści są wszędzie trochę nie tak.

Na każdy z nich jest konkretne przeciwdziałanie. Oto siedem, w kolejności od najważniejszego.

Poprawka 1: Proś o matową skórę i płaski obraz jak z aparatu telefonu

Sposób na połysk to wprost odciągnąć model promptem od jego domyślnego beauty-oświetlenia: matowa skóra z widoczną fakturą, neutralne światło i charakter obrazu z aparatu telefonu nagrywającego w płaskim profilu SDR, a nie z kamery kinowej po korekcji barwnej. Bez takiego promptu każdy duży model wideo dryfuje w stronę poświaty.

W praktyce oznacza to wpisanie warstwy realizmu do każdego promptu w stylu UGC: skóra bez retuszu, bez światła konturowego, bez bloomu, kadr z ręki, lekki szum i ograniczony zakres dynamiki przedniej kamery. Efekt przestaje wyglądać jak reklama telewizyjna i zaczyna wyglądać jak coś, co nagrał człowiek, a o to właśnie chodzi w formacie UGC. To poprawka o najlepszym stosunku wysiłku do efektu, bo to na skórze wykrywanie fałszu przez widzów jest najczulsze.

Poprawka 2: Cały tekst, logo i napisy nakładaj w postprodukcji; nigdy nie pozwalaj modelowi ich malować

Każdy tekst, który widz ma przeczytać (logo, etykieta, napis, CTA, plansza końcowa), powinien być nałożony na gotowy materiał, a nie generowany w jego wnętrzu. Modele dyfuzyjne tworzą piksele, które statystycznie przypominają tekst; nie piszą znaków. Efekt to roztopione litery i zmyślone prawie-słowa, a rozmazana etykieta niweczy skądinąd bezbłędny render.

Działający proces wygląda tak: renderujesz czystą scenę, a potem w osobnym przebiegu nakładasz prawdziwe zasoby marki: właściwy plik logo, właściwy krój pisma, napisy co do piksela. Tak też dostajesz planszę końcową z ostrym logo i czytelnym CTA. To więcej pracy niż wpisanie „dodaj logo” w prompt i właśnie dlatego większość sztucznie wyglądających reklam AI to pomija. Dobry generator reklam AI zrobi ten przebieg za ciebie.

Poprawka 3: Opieraj każdy render na prawdziwym zdjęciu produktu

Jeśli model nie ma twojego prawdziwego zdjęcia produktu jako referencji, wymyśli wiarygodnie wyglądającego kuzyna twojego produktu: właściwa kategoria, zły kształt butelki, zmyślona etykieta, odrobinę inny kolor. Klienci, którzy znają produkt, zauważą to od razu, ty też.

Rozwiązanie to podawać prawdziwe zdjęcie produktu przy każdej generacji i wklejać do sceny oryginał, zamiast opisywać go słowami. Prompty tekstowe opisują kategorie; obrazy referencyjne przypinają tożsamość. Razem z Poprawką 2 (nakładany tekst etykiety) to właśnie sprawia, że produkt w reklamie jest produktem z półki. To różnica między zdjęciem lifestyle’owym a gotową reklamą, którą naprawdę możesz puścić.

Poprawka 4: Wpisz w każde wystąpienie mikrogesty i jeden niedoskonały moment

Sztucznie wyglądające występy AI są zwykle niedoreżyserowane, a nie niedorenderowane. Prompt w rodzaju „kobieta trzyma produkt i się uśmiecha” daje ci manekina: wzrok wbity w jeden punkt, zastygły chwyt, symetryczny uśmiech. Prawdziwi ludzie się wiercą.

Reżyseruj na poziomie gestu: w połowie zdania zerka w dół na etykietę, poprawia chwyt, zakłada włosy za ucho, pół-śmieje się z tego, jak coś powiedziała. A potem dodaj dokładnie jeden niedoskonały moment: kamera lekko podskakuje, ona na jedną sylabę wchodzi sobie w słowo, kadr odpływa. Jedna skaza wygląda autentycznie; pięć wygląda jak chaos. To pisanie scenariusza, nie strojenie modelu, i to poprawka, o której większość zespołów nigdy nie pomyśli, bo jest zajęta obwinianiem modelu.

Poprawka 5: Natywna mowa modelu przy widocznych ustach, TTS tylko przy ujęciach z lektorem

Zasada jest prosta: jeśli usta są w kadrze, mowa musi zostać wygenerowana natywnie przez model wideo w tym samym przebiegu, żeby usta i dźwięk pochodziły z jednego procesu. Jeśli ujęcie to przebitka z produktem i narracją z offu, TTS jest w porządku, bo nie ma ust, które mogłyby go zdradzić.

Zespoły mylą się wtedy, gdy generują nieme ujęcie mówiącej osoby, a potem dubbingują na nie TTS. Niedopasowanie ogólnego ruchu ust do konkretnych głosek to coś, co ludzka percepcja wyłapuje bezlitośnie. To efekt zdubbingowanego filmu i żadna korekcja barwna go nie ukryje. Obecne modele generują mowę naprawdę zsynchronizowaną z ustami, jeśli im na to pozwolisz; sztuczny wygląd bierze się z doklejania dźwięku po fakcie.

Poprawka 6: Nie wysyłaj ciężkich przedmiotów w lot

Nie proś modelu, żeby rzucał, upuszczał, podrzucał albo łapał cokolwiek, co ma masę. Ruch balistyczny (przedmiot w swobodnym locie pod wpływem grawitacji) to miejsce, w którym fizyka modeli wideo wciąż widocznie się sypie: butelka wisi o chwilę za długo, obraca się w stałym tempie, ląduje bez ciężaru.

Ułóż choreografię tak, żeby to ominąć. Produkty się trzyma, obraca, odstawia, podnosi, do nich się nalewa: to ruchy, w których dłoń niesie przedmiot, a model nigdy nie musi sam rozwiązywać grawitacji. Nalewanie i rozpryski są bardziej ryzykowne niż trzymanie, ale dużo bezpieczniejsze niż rzuty. Jeśli koncepcja naprawdę wymaga produktu w powietrzu, to ujęcie trzeba obejść montażem, a nie generować. Większość wpadek z „niemożliwą fizyką”, które widzimy, to strzały we własną stopę: storyboard prosił o efektowny rzut, którego model nigdy nie miał szans wylądować.

Poprawka 7: Chłodne, neutralne światło zamiast miodowej kolorystyki

Proś o neutralny albo lekko chłodny balans bieli i równe, nieefektowne światło (pochmurny dzień, kuchnia w południe, świetlówki w biurze), zamiast akceptować ciepłą, złotą kolorystykę, po którą modele sięgają domyślnie. Ten miodowy wygląd to w 2026 roku wizualny podpis „reklamy AI” i widzowie już go znają.

Neutralne światło działa podwójnie: zabija sygnał glamour i wzmacnia Poprawki 1 i 3, bo matowa skóra i prawdziwy, wklejony produkt najbardziej przekonują w zwyczajnym świetle. Kreacja performance potrzebuje bardziej wiarygodnego materiału niż pięknego. Złotą godzinę zostaw na ujęcia, w których marka naprawdę jej wymaga, wybraną świadomie, a nie odziedziczoną po ustawieniach domyślnych modelu.

Jak Hermoso wbudowuje te poprawki w swój proces

Najbardziej pracochłonne poprawki z tej listy są wbudowane wprost w proces Hermoso, więc dostajesz efekt pracy zespołu, który robi to codziennie, bez samodzielnego budowania procesu:

• Warstwa realizmu przeciw połyskowi wpisuje matową skórę, neutralne światło i charakter obrazu z aparatu telefonu w rendery UGC (Poprawki 1 i 7).
• Cały tekst, logo i napisy są nakładane w postprodukcji, nigdy malowane przez model, łącznie z planszą końcową z twoim prawdziwym logo i CTA (Poprawka 2).
• Rendery są oparte na twoim prawdziwym zdjęciu produktu, wklejonym w scenę, z zastosowaną paletą twojej marki (Poprawka 3).
• Natywna mowa modelu jest używana zawsze, gdy usta są w kadrze, a TTS zostaje dla ujęć z samym lektorem (Poprawka 5).

Pod spodem każde zadanie trafia do Seedance 2.5, Veo 3.1, Kling 3.0 albo najnowszego modelu wideo Google przyjmującego dowolne wejście, a przy zdjęciach do Flux, GPT Image i najnowszych modeli obrazu Google, z wyborem pod konkretne zadanie, więc ty nigdy nie musisz wybierać. A ponieważ wszystko zaczyna się od zbadania, co już wygrywa na twoim rynku w bibliotekach reklam Meta, Google i LinkedIn oraz w organicznych treściach na TikTok, koncepcje opierają się na tym, co już działa, zanim powstanie choć jeden piksel. Darmowy plan obejmuje ponad 250 darmowych kredytów do zdobycia, bez karty; dokładne koszty widzisz w aplikacji przed każdym renderem. Wypróbuj na własnym produkcie. Najszybszy sposób, by sprawdzić tezę tego wpisu, to zobaczyć, czy wynik przejdzie twój własny wykrywacz fałszu.

Często zadawane pytania

Dlaczego tekst i logo generowane przez AI wychodzą rozmazane?

Modele wideo i obrazu generują piksele, które statystycznie przypominają tekst, a nie prawdziwe znaki, więc etykiety i napisy wychodzą z roztopionymi literami, dodatkowymi kreskami i prawie-słowami. Niezawodne rozwiązanie to wyrenderować scenę bez tekstu i nałożyć prawdziwe logo, napisy i CTA na materiał w postprodukcji.

Czy wideo AI potrafi przekonująco zsynchronizować usta z mową?

Tak, ale tylko wtedy, gdy mowa jest generowana natywnie przez model wideo w tym samym przebiegu co obraz. Dubbingowanie osobno wygenerowanego dźwięku TTS na wyrenderowane usta to źródło niepokojącego trzepotu warg, więc TTS zostaw na ujęcia, w których nie widać ust.

Który model wideo AI jest najlepszy do reklam?

Nie ma jednego najlepszego. Seedance 2.5, Veo 3.1 i Kling 3.0 mają różne mocne strony zależnie od ujęcia, a ranking zmienia się z każdą nową wersją modelu. Hermoso kieruje każde zadanie do modelu, który najlepiej do niego pasuje, więc użytkownicy nigdy nie muszą wybierać.

Czy mogę umieścić mój prawdziwy produkt w reklamie wygenerowanej przez AI?

Tak, i powinieneś. Opieranie każdego renderu na prawdziwym zdjęciu produktu to jedna z najskuteczniejszych poprawek z tej listy. Hermoso wkleja twoje prawdziwe zdjęcie produktu w wygenerowane sceny, zamiast pozwalać modelowi wymyślić sobowtóra.

O ile tańsza jest kreacja reklamowa AI od sesji zdjęciowej?

Agencje często wyceniają pojedynczą wyprodukowaną reklamę na kwoty cztero- lub pięciocyfrowe, a platformy z twórcami zwykle wystawiają filmy UGC za niskie setki za sztukę. W Hermoso aplikacja pokazuje dokładny koszt każdego renderu, a płatne plany kosztują $29, $69 i $149 miesięcznie.

Czy widzowie odrzucą reklamę tylko dlatego, że wygenerowało ją AI?

Z naszego doświadczenia odrzucane są sygnały, a nie pochodzenie. Materiał z matową skórą, neutralnym światłem, prawdziwym tekstem etykiety i jednym niedoskonałym, ludzkim momentem odbierany jest jak zwykła treść; materiał z woskową skórą i złotym połyskiem wygląda sztucznie bez względu na to, jak powstał.