Por qué los menús con IA te generan rechazo sin saber por qué

Entrás a un café y algo en el menú te incomoda, pero no sabés qué

Es una escena cada vez más común. Pedís un café, levantás la vista y todos los bagels del menú se ven perfectos: simétricos, pulidos, con bordes demasiado parejos. Tu cerebro registra que algo está mal, aunque no puedas señalar exactamente qué. No estás paranoico. Según el CTO de Reality Defender, Alex Lisle, los modelos generativos de imágenes están produciendo un look reconocible —uno que él describe como «casi un alien tratando de hacer una pizza sin entender sus principios básicos»— y los restaurantes lo están adoptando sin saber el coste visual.

Reality Defender, fundada en 2021 y ganadora del RSA Conference Innovation Sandbox en 2024, fue nombrada Market Shaper en el cuadrante de Gartner para detección de deepfakes en junio de 2026, según el comunicado recogido por Yahoo Finance y Morningstar. La categoría de herramientas de detección y verificación de IA crece precisamente porque problemas como este ya son cotidiano.

¿Por qué todas las imágenes de IA de comida se ven iguales?

Los modelos de difusión que generan imágenes —los mismos detrás de ChatGPT, Midjourney y Stable Diffusion— aprenden de datasets masivos. Cuando les pedís «hazme un menú de hamburguesas», identifican patrones en millones de imágenes previas y predicen lo que querés ver. El problema, según Lisle, es que ese corpus de entrenamiento está concentrado y sesgado.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

«Mucho de esto parece un menú de Chili’s de 2015, y hay una razón», dijo Lisle a TechCrunch. «Ese fue el corpus del cual los modelos obtuvieron su función». Las cartas de Wendy’s, Burger King y McDonald’s comparten una estética visual muy concreta; cuando un modelo aprende principalmente de ellas, cada nueva imagen tiende a parecerse más a ese molde.

Convergencia, no model collapse

Aquí conviene distinguir dos conceptos que se confunden constantemente:

Model collapse: cuando un modelo se entrena con sus propios outputs y degenera hasta volverse inútil. Lisle lo compara con «la enfermedad de las vacas locas»: el deterioro es progresivo e irreversible.
Convergencia: un fenómeno más sutil. Los outputs no se vuelven inútiles, pero sí cada vez más homogéneos, perdiendo textura, variación y realidad. Las formas se redondean, los bordes se suavizan, los colores se homogeneízan.

Lo que ves en esos menús de restaurante no es un modelo roto: es un modelo funcional pero emparentado consigo mismo. Y cada vez que un humano edita la imagen para corregir un precio o un nombre, el efecto se acentúa.

El experimento del 100% de ediciones en ChatGPT

En X, un usuario identificado como Labtec demostró algo inquietante: tomó una imagen de menú generada en ChatGPT y la editó cien veces seguidas. Con cada edición, los alimentos se veían «un poquito más redondos y suaves», según TechCrunch, que replicó el experimento y obtuvo resultados similares. «El resultado final me resulta incómodo», escribió Labtec.

Ese experimento revela algo que todo founder que use generación de imágenes debería tener presente: cada iteración añade una capa más de «alisamiento». Si tu flujo de trabajo es generar → editar → generar → editar, estás multiplicando la convergencia en cada ciclo.

Por qué tu cerebro detecta algo mal antes que tu mente

Investigadores de la Universidad de Duisburg-Essen (Alemania) encontraron que las imágenes de comida generadas por IA producen un efecto uncanny valley particularmente intenso: las que parecen casi reales generan más rechazo y desagrado que las que son obviamente falsas. La reacción es visceral y, según Lee Rainie, director del Imagining the Digital Future Center de Elon University, difícil de racionalizar.

«La optimización de los datasets apunta a la agradabilidad, a no ofender, y hay un modo en que eso se convierte en homogeneización», dijo Rainie a TechCrunch. «Lo que la IA sabe hacer tanto en imágenes como en texto es suavizar los bordes». Esa suavización elimina justamente las imperfecciones —las burbujas irregulares del queso, las texturas del pan— que tu cerebro usa para，判断真实的食物.

El negocio que florece alrededor del problema

La categoría de AI-detection y content-verification está en pleno auge. Reality Defender, con despliegues en servicios financieros, verificación de identidad y comunicaciones empresariales, partnering con ElevenLabs para proteger contra deepfakes de voz, no es la única. Pero es representativa de una tendencia más amplia: cada vez que la generación de IA se vuelve más accesible, la necesidad de detectar su output se vuelve más urgente.

Para un founder, esto tiene dos lecturas. Primero: hay mercado real y creciente en herramientas de verificación, autenticidad y provenance de contenido. Segundo: cualquier producto que dependa de generar imágenes que el usuario final vaya a consumir (no solo a producir) necesita un plan para evitar el efecto uncanny valley. Los menús de restaurantes son la punta visible; detrás vienen catálogos de e-commerce, listings de marketplaces, creatividades de ads.

¿Qué significa esto para tu startup?

Si tu producto usa generación de imágenes —para e-commerce, marketing, foodtech, real estate, lo que sea— este fenómeno te afecta directamente. La pregunta no es si tu IA «funciona», sino si lo que produce se siente real para quien lo ve.

Tres acciones concretas que podés tomar hoy

Audita tu pipeline de generación: si generás una imagen y la editás varias veces antes de publicarla, cada edición probablemente esté amplificando la convergencia. Medí cuánto se «suaviza» el resultado tras 5, 10 y 20 iteraciones. Si la pérdida de realismo es alta, cambiá el flujo: regenerá desde cero en vez de editar sobre el output.
Diversificá el corpus visual de referencia: si entrenás o fine-tuneás modelos, o simplemente usás prompts, evitá alimentar el sesgo hacia los mismos estilos (Chili’s 2015, McDonald’s, fotos de stock perfectamente iluminadas). Incluí referencias con textura, imperfección y contexto cultural local.
Testeá con usuarios reales antes de escalar: el uncanny valley es visceral, no racional. Los tests A/B tradicionales pueden no capturarlo. Hacé sesiones donde los usuarios vean las imágenes a tamaño real, en contexto, durante el tiempo que dedicarían a consumir ese contenido (mirar un menú, hojear un catálogo). El rechazo se nota en el cuerpo, no en la encuesta.

La capa más profunda del problema

Lisle cierra con una observación que va más allá de los menús: «Ver y oír siempre fue creer, hasta el punto de que nuestros sistemas judiciales están calibrados a la idea de que el estándar de oro de la evidencia son confesiones grabadas y videos». Para un founder que construye productos de confianza —verificación de identidad, autenticación de documentos, moderación de contenido, compliance— esa frase es una hoja de ruta. El problema ya no es si la imagen se ve rara. El problema es si lo real y lo sintético se pueden seguir distinguiendo a simple vista en cualquier contexto.

Las herramientas de detección existen. La pregunta es si tu producto las está integrando —o si depende de que el ojo humano haga ese trabajo.