前阵子帮朋友看他们公司的内部培训材料。有一页要配图：员工坐在工位前，戴着耳机，面前是打开的笔记本。需求很普通，普通到图库网站一搜就有几百张。他想着用图像生成试试，省去处理授权。
结果不太顺。画面质感很好，光影也像模像样，但耳机的位置总差一点——有时扣在头顶，有时悬在耳侧。桌上的杯子每生成一次换个形状，键盘的按键排列也不太对。改了几轮提示词，细节反而更飘。最后他从图库买了一张，花了不到一杯咖啡的钱。
这件事让我重新想一个问题：图像生成在演示里总是画奇幻场景、电影海报、超现实构图，效果确实抓眼球。但落到日常业务里，大量需求其实是“没什么可看”的图——平淡、重复、需要跟现实对得上。这类图恰恰不好对付。
平淡的图，难在哪
视觉上有冲击力的图，容错率高。多一根树枝、少一片云，观者不会在意，因为注意力被整体氛围带走了。而一张“员工戴耳机”的图，观者的参照系是自己的生活经验，耳机该在哪、手该怎么放，脑子里有一把尺。偏差一点点，就会觉得“不对劲”，虽然未必说得出哪里不对。
换句话说，演示场景考验的是想象力，业务场景考验的是对常识的贴合度。后者更难，因为它要求模型理解“通常是什么样”，而不只是“看起来像”。
约束是解法，也是天花板
现在常见的做法是给模型加约束：用参考图限定构图，用姿态控制固定人物动作，用局部重绘只改一小块。这些手段确实能把结果往需求上拉，但每加一层约束，生成的空间就窄一分。
- 约束少，出图快，但方向不可控；
- 约束多，方向准了，但调整成本接近手动修图；
- 介于两者之间，往往要反复试，时间花在筛选上。
这与其说是技术缺陷，不如看作一种结构性取舍。图像生成的工作方式是概率性的，它给出的是“合理的一种”，而不是“确定的那一种”。当需求本身要求确定性，中间就得有人来补。
一致性是另一道坎
比单张图更难的是多张图。做系列物料时，同一个人物要在不同画面里出现，脸型、发型、衣服颜色得对得上。实际用下来，每次生成都像重新掷了一次骰子。有人用固定种子、有人用角色参考，能缓解，但要做到稳定，仍需要不少人工干预。
对需要连续叙事的场景——比如分镜、连载插图——这个问题的分量不轻。它决定了这类工具能不能从“出一张好图”走到“出一组能用的图”。
该用和不该用的分界
我的判断是，看两个指标：容错率和重复率。容错率高、重复率低的需求，比如灵感草图、氛围示意、初稿参考，这类工具能省不少事。容错率低的需求，比如需要跟实物严格对应、需要作为凭证留档的图，就不太适合交给它，至少现在不合适。
中间地带比较考验人。比如电商的品类展示图，既要好看，又要跟商品一致。这时更务实的做法可能是：用生成工具做背景和氛围，商品主体保留实拍。分工，而不是替代。
回到开头那个培训材料的例子。它最后没用上，不是因为它不行，而是因为那张图的需求太“实”了——实到没有发挥空间。这大概也是这类工具现阶段的一个真实处境：它擅长处理模糊的、开放的、可以商量的需求；一旦需求被钉死，它的余地反而变小。
所以问题或许不该是“它能不能替代什么”，而是“哪些需求本来就允许模糊”。想清楚这一点，用起来会顺手很多。