AI-productfotografie automatiseren voor grote e-commercecatalogi

Voor een groot deel van een gemiddelde catalogus: ja — maar met één cruciale kanttekening die het succes van je project bepaalt. AI levert op betrouwbare wijze studioshots, ghost mannequin-beelden, kleding op modellen en lifestylescenes op basis van één enkele bronfoto. En dat tegen een fractie van de kosten van een traditionele fotoshoot. Wat AI echter niet kan, is beoordelen of het eindresultaat klopt. Die kwaliteitscontrole blijft mensenwerk. Reken je die tijd niet mee in je planning en budget, dan betaal je de rekening later in de vorm van retouren, afgekeurde marketplace-listings en tijdrovend herstelwerk.

De relevante vraag is dus niet "kan AI dit wel?", maar: "welk deel van mijn catalogus kan volledig automatisch worden verwerkt, en hoe groot is de queue die handmatige controle vereist?" In de praktijk ziet die verdeling er meestal zo uit:

• Volledig te automatiseren: herhaalbare studioshots op een egale achtergrond, ghost mannequin voor standaard kledingstukken, kleurvarianten van een al goedgekeurd beeld, achtergrond- en scènewissels, upscaling, detailopnames en secundaire aanzichten.
• Automatiseren met handmatige controle: beelden op modellen waarbij pasvorm en valling natuurlijk moeten ogen, artikelen met fijne texturen of logo's, sieraden met reflecterende of transparante elementen, en kledingstukken met een afwijkende constructie.
• Niet te automatiseren: de hero image voor een vlaggenschipproduct, artikelen waarbij de exacte fysieke staat wettelijk of vanwege maattabellen 100% accuraat moet zijn, en categorieën waar marketplaces een onbewerkte foto van het daadwerkelijke product eisen.

Verdeel je SKU's eerst over deze drie categorieën voordat je met leveranciers in gesprek gaat. De verhouding tussen deze groepen bepaalt je planning en benodigde capaciteit — niet de gelikte demo van een softwarepartij.

Teams die hier voor het eerst mee starten, overschatten steevast de tijd die nodig is voor de beeldgeneratie en onderschatten alles eromheen. Het genereren zelf is het goedkope, parallelle en voorspelbare deel van het proces. De echte kosten en knelpunten zitten ervoor en erna.

Een realistische pipeline bestaat uit zes fasen, en slechts één daarvan is "het beeld genereren":

1. Intake. De bronbestanden ophalen uit de systemen waarin ze staan — een DAM, een Dropbox-map van een leverancier of een gedeelde schijf met inconsistente bestandsnamen — en zorgen dat een script of API ermee aan de slag kan. Dit is vrijwel altijd de meest onderschatte fase, zeker wanneer leveranciers het bronmateriaal aanleveren.
2. Normalisatie. Het vastleggen en handhaven van één uniforme outputspecificatie: afmetingen, marges, achtergrondkleur, bestandsformaat, kleurprofiel en naamgevingsconventies. Leg dit vooraf één keer schriftelijk en eenduidig vast.
3. Routering. Elke SKU naar de juiste workflow sturen. Een jurk, een ring en een sneaker vragen elk om een andere bewerking; een pipeline die alles over één kam scheert, levert geheid matige kwaliteit op.
4. Generatie. Het onderdeel dat softwareleveranciers verkopen. Snel, parallel schaalbaar en zelden de bottleneck.
5. Review. Een specialist die het resultaat controleert aan de hand van de vastgelegde richtlijnen. Zie ook kwaliteitscontrole hieronder — dit is de fase waar projecten vaak vertraging oplopen.
6. Uitlevering. De goedgekeurde bestanden terugsturen naar het PIM-systeem, de webshop en de verschillende marketplaces, voorzien van de juiste bestandsnamen en metadata.

Maak je een inschatting voor een catalogusproject? Ramingen voor fasen één, vijf en zes die eerlijk zijn opgezet, komen vrijwel altijd uit. Baseer je je planning puur op fase vier, dan zit je er gegarandeerd flink naast.

Maak deze berekening voordat je een harde deadline toezegt. Binnen vijf minuten weet je of je planning haalbaar is.

Begin bij de deadline, niet bij de software. Deel het totale aantal afbeeldingen door het aantal beschikbare seconden; zo weet je de continue verwerkingssnelheid die je pipeline moet halen. Toets die snelheid vervolgens aan drie afzonderlijke limieten: API-rate-limits, de rekentijd per afbeelding en je menselijke reviewcapaciteit. De laagste van die drie bepaalt je werkelijke doorvoersnelheid — en dat is zelden het getal waarmee softwareverkopers adverteren.

Dit is een zoekopdracht die we regelmatig zien langskomen. Het verdient een eerlijk technisch antwoord in plaats van een verkooppraatje: niet met generatieve AI, en niet met Photta.

Vijftig miljoen afbeeldingen verwerken in 48 uur betekent een continue snelheid van circa 290 afbeeldingen per seconde, twee dagen lang non-stop. Ter vergelijking: de API van Photta ondersteunt maximaal 600 verzoeken per minuut per account (oftewel 10 per seconde) en één generatieopdracht duurt gemiddeld één tot vier minuten. Dat verschil is een factor duizend; geen enkel enterprise-pakket lost dat op.

Heb je echt 50 miljoen afbeeldingen die binnen 48 uur klaar moeten zijn? Dan gaat het om deterministische transformaties — schalen, bestandsconversie, uitsnijden, comprimeren — en niet om het genereren van nieuwe beelden. Dat werk hoort thuis op een gespecialiseerde media-processing server die massaal parallel draait op standaard cloud-infrastructuur. Voor die volumes is dat een opgelost vraagstuk. Generatieve AI is hier simpelweg de verkeerde tool, en leveranciers die beweren van niet, doen beloftes die ze technisch niet kunnen waarmaken.

Generatieve AI is juist bedoeld voor de veel kleinere selectie waarvoor nog geen beeld bestaat — een kledingstuk op een model dat je nooit hebt geboekt, een ghost mannequin-foto op basis van een flat-lay of een compleet nieuwe sfeerscene. Dat volume ligt meestal tussen de duizenden en tienduizenden beelden, niet in de tientallen miljoenen, en de doorlooptijd meet je in weken, niet in uren.

Laten we een realistisch praktijkvoorbeeld nemen: 5.000 kleding-SKU's hebben elk een ghost mannequin-afbeelding nodig, met een deadline van vier weken.

• Generatielast: 5.000 jobs. Tegen Photta's tarief van 4 credits per 2K ghost mannequin-afbeelding kost dit 20.000 credits (exclusief eventuele retries).
• Retries: ga ervan uit dat een deel van de beelden een tweede poging nodig heeft. Een retry kost een vast tarief van 3 credits; budgetteer dit vooraf om verrassingen te voorkomen. Een retry-percentage van 15% voegt in dit project 2.250 credits toe.
• Rate limits: 5.000 verzoeken versturen binnen een limiet van 600 verzoeken per minuut kost minder dan negen minuten pure verzendtijd. De API-limiet is op deze schaal dus niet de bottleneck.
• Totale rekentijd: met een generatietijd van één tot drie minuten per ghost mannequin-beeld en een aantal parallelle batches is de totale machinetijd een kwestie van dagen, niet van weken.
• Reviewtijd: uitgaande van circa 20 seconden controle per afbeelding door een getrainde reviewer, vraagt 5.000 beelden om ongeveer 28 uur pure, geconcentreerde reviewtijd — nog los van het eventueel opnieuw bewerken van afgekeurde beelden.

Kijk goed waar de meeste tijd in zit. Bij een project van deze omvang is de software allang klaar terwijl het reviewteam nog volop bezig is. Je menselijke reviewcapaciteit — en niet de snelheid van het platform — is de bepalende factor in je planning.

Nog een praktisch punt: onze standaard abonnementen lopen tot 5.000 credits per maand. Een volume als dit vraagt dus om een maatwerkoplossing. Neem hierover contact met ons op vóórdat je lanceringsdatum definitief vaststaat.

Hieronder vertellen we eerlijk hoe het zit, inclusief de beperkingen. Die kom je tijdens een pilot toch wel tegen, en het scheelt ons allebei tijd als je dat vooraf weet.

Ghost mannequin is ingericht voor batchverwerking. Dit werkt als batch in zowel de webapplicatie als via de API, waarbij dezelfde instellingen gelden voor alle kledingstukken in de batch. De batchgrootte hangt af van je plan: 2 kledingstukken per batch op Seller, 5 op Brand en 10 op Studio. Het aantal gelijktijdige batches is gemaximeerd op respectievelijk 3, 4 en 6.

Alle overige functies werken per individuele afbeelding. Kleding passen (try-on), sieraden, brillen, schoenen, detailfoto's en AI-mannequins worden per stuk ingeschoten. Je kunt deze vanuit je eigen code uiteraard parallel aanroepen; je bent hierbij enkel gebonden aan de algemene API-rate-limit van je account, niet aan een batchlimiet per functie.

Achtergrondverwijdering werkt per afbeelding en uitsluitend via de app. Er is geen bulk-wachtrij en geen specifieke API-endpoint voor achtergrondverwijdering. Is het vrijstaand maken van duizenden bestaande productfoto's een harde eis? Gebruik daarvoor dan een gespecialiseerde tool. In onze gids voor achtergrondverwijdering lees je hoe je de juiste oplossing kiest.

Onze publieke API is asynchroon en werkt op basis van polling. Je dient een taak in, ontvangt direct een ID en pollt vervolgens een status-endpoint tot het resultaat klaar is — afhankelijk van de bewerking duurt dit doorgaans één tot vier minuten. Richt je integratie hier vanaf het begin op in.

Twee belangrijke technische details voor je architectuur:

• Er zijn op dit moment geen webhooks. Hoewel de documentatie een webhookstructuur beschrijft, worden callbacks momenteel niet ondersteund; er is geen pushnotificatie bij voltooiing. Gebruik dus polling en wacht niet op een callback.
• De rate-limit geldt per account, niet per API-sleutel. De limiet is vastgesteld op 600 verzoeken per minuut binnen een vast tijdvenster, ongeacht het gekozen plan. Een tweede API-sleutel aanmaken verhoogt je capaciteit niet, maar dient puur voor gescheiden rechtenbeheer. Verzoeken die je team tegelijkertijd via het dashboard doet, tellen mee voor dit totale budget.

Ondersteunde endpoints zijn onder meer kleding try-on, sieraden, ghost mannequin (zowel enkel als batch), brillen, schoenen, detailfoto's, AI-mannequingeneratie, poses, merklabels en accountverbruik. Credits worden afgeschreven zodra een taak start en direct automatisch teruggestort als een generatie mislukt. Een foutieve call kost je dus niets.

Vier zaken waar teams in de praktijk tegenaan kunnen lopen:

• De outputkwaliteit staat of valt met de input. Een slecht belichte, onscherpe of zwaar gecomprimeerde bronfoto levert simpelweg een matig resultaat op. Het professionaliseren van je bronbestanden levert catalogusteams vaak de allergrootste kwaliteitswinst op — en dat kost softwarematig niets.
• Modelroutering kan per afbeelding variëren. Onze architectuur maakt gebruik van een fallback-keten van AI-modellen. Als een provider tijdelijk uitvalt of tegen een limiet aanloopt, schakelt de verwerking voor dat specifieke beeld over naar het volgende model. Hierdoor kunnen belichting en textuur tussen beelden binnen dezelfde run minimaal verschillen. Goed om te weten als deze producten direct naast elkaar op een overzichtspagina komen te staan.
• Uploadlimiet van 10 MB per bestand. JPG, PNG en WebP worden direct verwerkt; bestanden in HEIC, AVIF en TIFF worden bij het uploaden automatisch geconverteerd. Bestaat je bronarchief uit zware TIFF-bestanden? Voeg dan een downsampling-stap toe aan je intakefase.
• Geen publieke SLA of uptime-garantie. Zie het hoofdstuk over inkoop en security hieronder.

De reviewfase bepaalt uiteindelijk of een geautomatiseerde pipeline tijdswinst oplevert of juist voor vertraging zorgt. Toch blijft deze stap in veel projectplannen onderbelicht. Twee basisregels houden het proces beheersbaar:

Leg de kwaliteitsnorm schriftelijk vast vóórdat je gaat genereren. De definitie "het moet er goed uitzien" sneuvelt gegarandeerd zodra drie verschillende reviewers naar vierduizend beelden moeten kijken. Een werkbare standaard is een korte, concrete checklist: klopt het silhouet van het product nog, valt de kleur binnen de marge van het fysieke sample, is het logo scherp en correct gepositioneerd, zijn er randfouten zichtbaar op 100% zoom en komt de compositie overeen met de categorierichtlijnen? Vijf heldere controlepunten werken oneindig veel beter dan vage afspraken.

Controleer op basis van uitzonderingen, niet alles integraal. Ieder beeld handmatig nalopen is vanaf enkele duizenden SKU's simpelweg niet haalbaar. Werk voor de eenvoudige categorieën met steekproeven en controleer de complexe artikelen voor de volle 100%. Loopt het foutpercentage in de steekproef op? Pauzeer de batch dan direct en analyseer de oorzaak, in plaats van blind door te werken.

Generatieve fouten vallen meestal binnen een vast aantal categorieën. Zodra je reviewers hierop traint, gaat de controlesnelheid direct omhoog:

• Vervorming van het silhouet: de pasvorm van het kledingstuk is subtiel veranderd — denk aan de zoomlengte, mouwwijdte of de vorm van de halslijn. Dit is commercieel gezien de gevaarlijkste fout, omdat het product verkeerd wordt voorgesteld.
• Fantasiedetails: knopen, stiknaden of patroonherhalingen die op het fysieke artikel helemaal niet voorkomen.
• Vervaagde logo's en teksten: merklabels die onscherp, vervormd of met spelfouten worden weergegeven. Controleer dit altijd op 100% zoom.
• Kleurafwijkingen: de output wijkt te veel af van het fysieke product, vooral bij verzadigde tinten en metallic afwerkingen.
• Anatomische fouten bij modellen: handen en vingers blijven de bekendste weggevers van AI.

De eerste drie punten zijn directe redenen voor afkeur op een productpagina, hoe fraai het beeld er verder ook uitziet. Een fantastische foto van een product dat je zo niet levert, leidt onherroepelijk tot retouren en ontevreden klanten.

Consumenten beoordelen productfoto's zelden los van elkaar: op een categoriepagina zien ze er vaak twintig tegelijk. Visuele inconsistentie valt de bezoeker direct op en doet veel meer afbreuk aan je merkuitstraling dan een klein foutje in een individuele foto. Drie werkwijzen borgen die eenheid:

• Leg productspecificaties definitief vast en wijk hier niet per SKU van af. Eén achtergrondkleur, één vaste marge, één beeldverhouding en één resolutie per categorie. Zwart-op-wit, consistent toegepast, zonder uitzonderingen voor 'speciale' producten.
• Gebruik hetzelfde virtuele model binnen een complete productfamilie. Maak je beelden op modellen? Genereer dan één model en gebruik dat consistent voor de hele collectie. Zo blijven lichaamsproporties en huidtinten overal identiek; iets wat je nooit bereikt als je per SKU een nieuw model laat genereren.
• Genereer een complete categorie zo veel mogelijk in één run. Beelden die in dezelfde run met identieke instellingen worden gegenereerd, sluiten visueel veel beter op elkaar aan dan beelden die met weken ertussen worden gemaakt. Op een overzichtspagina zie je dat verschil meteen.

Denk vooraf ook goed na over de gewenste resolutie. Hogere resoluties kosten meer credits per beeld — een 4K ghost mannequin kost 5 credits ten opzichte van 4 credits voor 2K. Voor de meeste webshops en marketplaces is 2K ruimschoots voldoende voor een haarscherpe weergave. Bewaar 4K uitsluitend voor extreme zoomweergaves en drukwerk.

Wees helder over wat de term "koppeling" of "integratie" inhoudt tijdens je evaluatie, want dit kan over twee totaal verschillende zaken gaan.

Photta heeft voor catalogusgeneratie geen kant-en-klare Shopify- of Amazon-app. Er is geen 'one-click'-plugin die gegenereerde afbeeldingen automatisch terugschrijft naar je webshop. De integratie verloopt via de API in combinatie met je eigen PIM of DAM: je haalt bronbestanden op, schiet jobs in via de API, pollt voor resultaten en stuurt de goedgekeurde beelden terug naar het centrale productsysteem. Voor bedrijven met een bestaand PIM is dit sowieso de beste werkwijze, omdat er zo één centrale bron van waarheid blijft. Werk je zonder PIM? Reken dan op wat ontwikkeltijd om deze export- en importstappen soepel in te richten.

Daarnaast levert Photta een embedded virtuele try-on widget die direct te installeren is op webshops van Shopify, WooCommerce, BigCommerce, Wix en Squarespace. Dat is een ander product met een ander doel: hiermee kunnen consumenten kleding virtueel passen in je webshop. Het is niet bedoeld voor het genereren van catalogusfotografie en moet niet worden verward met de pipeline die we hier bespreken.

Wat betreft platformregels: de eisen voor productafbeeldingen verschillen per marketplace en wijzigen regelmatig. De richtlijnen voor hoofdafbeeldingen zijn doorgaans streng qua achtergrond en productgetrouwheid; voor sfeer- en detailbeelden gelden vaak soepelere regels. In plaats van verouderde richtlijnen over te nemen, raden we aan om altijd de actuele stijlgids van het betreffende verkoopkanaal te raadplegen. Lees ook ons artikel over of AI-productfoto's zijn toegestaan voor praktische inzichten rondom wetgeving en transparantie.

Gebruik je een formele leveranciersevaluatie? Dan zijn dit de vragen die het kaf van het koren scheiden. We beantwoorden ze liever nu open en eerlijk dan dat je er na drie maanden pas achter komt.

• "Wat zijn jullie exacte batchlimieten en maximale gelijktijdige verzoeken, zwart-op-wit?" Een partij die hier geen duidelijke cijfers over kan overleggen, verbergt iets. De limieten van Photta vind je hierboven helder op een rij.
• "Bieden jullie een SLA of gegarandeerde uptime?" Photta biedt geen publieke SLA. Is een contractueel vastgelegde uptime een harde inkoopeis voor jouw organisatie? Bespreek dit dan vóór de pilotfase — het kan een dealbreaker zijn, en dat weet je liever direct.
• "Welke documentatie is er op het gebied van security en AVG/privacy?" Photta publiceert op dit moment geen security whitepaper, SOC 2-rapport of standaard verwerkersovereenkomst (DPA) op de website. Zijn deze documenten intern vereist voor goedkeuring? Vraag dit vooraf na en ga er niet blind van uit omdat er ergens "enterprise" vermeld staat.
• "Wat gebeurt er bij een mislukte generatie?" Verbruikte credits horen automatisch te worden vergoed. Bij Photta worden credits bij een gefaalde job direct teruggestort op je accountsaldo.
• "Mogen we testen met onze eigen, meest complexe beelden vóór we akkoord gaan?" Een betrouwbare leverancier zegt hier direct ja op. Demobeelden zijn per definitie geoptimaliseerd; de moeilijkste 10% van jouw eigen catalogus is de enige test die er echt toe doet.

Een leverancier die transparant is over zijn grenzen, is geen mindere partij. Het is juist de partij waarmee je betrouwbaar kunt plannen.

Een pilot dient om een gefundeerde beslissing te nemen, niet om naar een mooie demo te kijken. Richt het traject als volgt in:

1. Selecteer 50 SKU's die representatief zijn voor je totale assortiment — dus niet alleen je beste fotografie. Voeg juist de lastige materialen toe, reflecterende objecten en producten waarvan de originele bronfoto's te wensen overlaten.
2. Stel de beeldstandaarden en reviewchecklist vooraf op. Doe je dit pas nadat je de resultaten hebt gezien, dan pas je de normen onbewust aan op wat de tool heeft gegenereerd.
3. Stuur op slechts twee meetpunten: het percentage beelden dat zonder handmatige correctie direct goed is, en het gemiddelde aantal minuten handmatig werk per goedgekeurd beeld. Meer data heb je niet nodig voor een besluit.
4. Reken de businesscase realistisch door. Vertaal de uitkomsten naar je complete catalogus, reken de intake- en exportfasen mee die buiten de pilot vielen, en vergelijk de kosten per bruikbaar beeld met je huidige productiekosten (niet met nul).
5. Hak de knoop door per productcategorie, niet voor alles tegelijk. De meest realistische uitkomst is dat automatisering voor een deel van je assortiment enorme winst oplevert en voor een ander deel niet werkt. Dat is een uitstekend resultaat; vrijwel elke grote e-commerceorganisatie draait uiteindelijk op een hybride workflow.

Wil je sparren over de haalbaarheid voor jouw specifieke catalogus — op basis van je aantal SKU's, productcategorieën en planning? Neem contact met ons op per e-mail en leg je situatie voor. We vertellen je eerlijk of ons platform past — ook als dat niet zo is.