QA, Compliance והעלאה לאוויר — קטלוג capstone (ישראל + גלובלי)

שער ה-QA — למה תמונה לא עולה לחנות לפני בדיקה

אחרי batch של 50-75 תמונות, יש בתיקייה שלכם אוסף שנראה "טוב מספיק". הרקע אחיד, התאורה נכונה, המוצר מופיע במרכז. אפשר לעלות לחנות? לא. "טוב מספיק" בעין אנושית הוא "לא-מספיק" בעין זכוכית-מגדלת של לקוח — ובמיוחד בעין-הזכוכית-מגדלת של אלגוריתם פלטפורמה.

שער ה-QA הוא הצעד שמפריד בין תמונה שעובדת לבין תמונה שמוכרת בלי לגרום להחזרות, דגלי-פלטפורמה, או חשיפה משפטית. הוא לוקח 30-90 שניות לתמונה — אבל חוסך שעות של טיפול בהחזרות, ימים של השעיות listing, ואלפי שקלים במכירות שלא נסגרות.

הסיכון האמיתי — לא "נראה לא-טוב"

הסיכון בתמונת AI לא-מאומתת הוא לא אסתטיקה — הוא עסקי. ארבע קטגוריות נזק:

1. החזרות ותלונות. לקוח שקיבל מוצר עם גוון אדום-בורדו וראה תמונה ורודה-בהירה, פותח תלונה ב-Amazon. המכירה בוטלה, העמלה לא-מוחזרת, הדירוג יורד.
2. דגל Misleading Content ב-Amazon. תמונה שמציגה scale שגוי (מוצר שנראה גדול מדי/קטן מדי ביד) או feature שלא קיים (כיס נוסף, צבע שלא במלאי) — Amazon מסמנת את ה-listing לבדיקה. במקרים חמורים, ה-listing מושעה. אובדן הכנסה מיידי.
3. חשיפה משפטית (EU). הסרת SynthID/C2PA כדי "להסתיר" שימוש ב-AI עוברת על ה-EU AI Act. קנסות לעסקים קטנים מתחילים ב-€15M או 3% מהמחזור (הגבוה מבין השניים) — סכום שמסיים חנויות.
4. אובדן אמון הלקוח. תמונה שמבטיחה מוצר ומוצר שמגיע לא תואם — הלקוח לא חוזר. הנזק ארוך-טווח יותר מהנזק המיידי.

QA הוא לא "להסתכל על התמונה"

הבעיה הגדולה: עין אנושית מתרגלת. אחרי 30 תמונות באותו template, אתם כבר לא רואים outliers. הצבע שהשתנה ב-5% — "נראה בסדר". התווית שזזה 3 פיקסלים — "לא משנה". ההשתקפות הלא-פיזית — "אף אחד לא ישים לב".

QA אמיתי דורש תהליך, לא תחושת בטן. צ'קליסט קבוע. zoom על כל אזור. השוואה ל-reference האמיתי. זה ההבדל בין "נראה טוב" לבין "אומת".

כמה זמן QA לוקח?

לתמונה אחת — 30-90 שניות. ל-mini-catalog של 10 מוצרים × 5 תמונות = 50 תמונות = 25-75 דקות. לקטלוג של 200 מוצרים × 5 תמונות = 1,000 תמונות = 8-25 שעות. תקצבו את הזמן הזה מראש — זה חלק מה-batch, לא "בונוס".

ה-QA checklist בפועל — zoom, צבע, scale, השתקפויות

ה-QA checklist הוא תשע בדיקות שעוברים עליהן לכל תמונה לפני העלאה. תולים אותו מודפס ליד המסך, ועוברים עליו בסדר קבוע. הסדר חשוב — אם מתחילים מ-scale לפני שבדקנו תווית, מפספסים בעיות יקרות.

בדיקה 1 — zoom על תוויות וטקסט

מה בודקים: כל טקסט על המוצר (שם מותג, רכיבים, הוראות, תאריך תפוגה, ברקוד) — בעין, לא בזכרון. הבעיה הקלאסית: AI מייצר אותיות דומות-ל-not-quite-correct. "Protein" במקום "Proteins", "Soap" במקום "Soaps", "100ml" במקום "100g". בעברית — אותיות הפוכות, ניקוד חסר, אותיות סופיות שגויות.

איך בודקים: פותחים את התמונה ב-100% (או zoom פי 2-3) ומשווים ל-reference האמיתי. קריטריון עובר: כל אות זהה למקור, או שאין טקסט בכלל (אם ה-template הסיר תוויות — צריך לבדוק שהוא הסיר את כולן, לא חלק).

בדיקה 2 — תפרים, טקסטורות, חומרים

מה בודקים: האם החומר נראה כמו החומר האמיתי? בד אמיתי נראה אחרת מבד AI — לרוב AI מייצר בד "חלק מדי" או "פריך מדי". עור אמיתי נראה אחרת מעור AI — לרוב AI מייצר עור "פלסטיקי" או "צבוע". תפרים בבגדים — האם הם סימטריים, באותו גודל, באותו כיוון?

הבעיה הקלאסית: AI מייצר "חומר שנראה-כמו" אבל לא "חומר שהוא-באמת". הפער נראה רק ב-zoom. קריטריון עובר: החומר "מרגיש" אמין גם אחרי 5 שניות של הסתכלות.

בדיקה 3 — התאמת-צבע למוצר האמיתי

מה בודקים: side-by-side של ה-reference האמיתי וה-packshot של ה-AI. האם הצבע זהה? לא "דומה" — זהה. אדום-בורדו לעומת אדום-ורוד, ירוק-זית לעומת ירוק-בקבוק, זהב לעומת בז'.

הבעיה הקלאסית: AI מייצר צבע "נחמד יותר" מהמוצר האמיתי. המוצר במציאות אפור-עכור, ה-AI עשה אותו כחול-בהיר-נוצץ. לקוח שיקבל את המוצר ירגיש הונאה. קריטריון עובר: צבע תואם reference גם בקצוות (shadow) ולא רק במרכז.

בדיקה 4 — ריאליזם scale

מה בודקים: בתמונות lifestyle (מוצר ביד, מוצר בחדר, מוצר ליד חפץ מוכר) — האם הגודל תואם את הגודל במציאות? בקבוק קולה ביד אנושית צריך להיראות בגודל של קבוק קולה, לא גודל של בקבוק מים.

הבעיה הקלאסית: AI משנה scale בלי להתייחס. מוצר שצולם קטן ביד הופך לגדול ביד, או להיפך. ל-Amazon זה Misleading Content ברמה חמורה — לקוח שקיבל מוצר קטן/גדול מהציפייה יכול להחזיר ולדרוש החזר.

בדיקה 5 — השתקפויות וסנוורים

מה בודקים: על מוצרים מבריקים (זכוכית, מתכת, פלסטיק מבריק) — האם ההשתקפויות "פיזיקליות"? האם הצללים הגיוניים? האם ה-specular highlights (נקודות-אור חזקות על משטחים מבריקים) נמצאים במקום שמקור האור אמור להיות בו?

הבעיה הקלאסית: AI מייצר "אורות סטודיו" בעמדה אחת, אבל ההשתקפויות על המוצר מצביעות על מקור אור אחר. או: הצל על הרקע לא תואם את הצל על המוצר. זה הקלאסי "נראה-טוב-מרחוק-נראה-מוזר-מקרוב".

בדיקה 6 — רקע נקי ועקבי

מה בודקים: האם הרקע באמת נקי? האם יש artifacts (שאריות-עיבוד — הילות, קצוות חתוכים בצורה מוזרה, צללים שלא שייכים)? האם הרקע תואם את ה-template של הקטגוריה?

הבעיה הקלאסית: קצה המוצר "נמס" לתוך הרקע. "Halo effect" (הילה בהירה סביב המוצר שמעידה על חיתוך לא מדויק). צל עמוק מדי/רדוד מדי שלא תואם את התאורה.

בדיקה 7 — נאמנות למוצר (fidelity)

מה בודקים: האם המוצר שרואים בתמונה הוא אותו מוצר שיישלח? לא "דומה", לא "מאותה סדרה" — אותו. כל פרט, כל מאפיין, כל פרופורציה.

הקריטריון החשוב ביותר ל-Amazon — ולכל פלטפורמה אחרת. תמונה שמציגה מוצר שלא יישלח = Misleading Content = השעייה.

בדיקה 8 — חיתוך נכון (crop)

מה בודקים: האם החיתוך מתאים לערוץ? 1:1 למרקטפלייס, 4:5 ל-Instagram, 9:16 ל-stories. האם המוצר במרכז? האם יש רווח נשימה סביבו? האם החיתוך לא חתך חלק מהמוצר?

בדיקה 9 — metadata ופורמט

מה בודקים: הקובץ בפורמט הנכון (JPG/PNG/WEBP)? הרזולוציה תואמת? המשקל סביר (לא 50MB לתמונת PDP)? שם הקובץ הגיוני (לא IMG_20240315_142053.jpg אלא sku-001-packshot-white.png)?

המקרים הקשים — שקוף, מבריק, צבע-קריטי, scale

לרוב המוצרים AI עובד מצוין. אבל יש חמש קטגוריות שבהן הסיכון גבוה — ושם ההחלטה היא לא "האם ה-AI יכול" אלא "האם ה-AI צריך".

1. מוצרים שקופים וחצי-שקופים

זכוכית, קריסטל, פלסטיק שקוף, בקבוקי שמפו, כוסות יין. הבעיה: AI מתקשה עם שקיפות. הוא מייצר "משהו שדומה-לזכוכית" — אבל לרוב זה זכוכית אטומה עם highlight חזק, או "זכוכית צבועה" שלא תואמת. ההחלטה: עבור מוצרים שקופים, שכרו צלם. העלות של צילום זכוכית נכון (₪300-800 למוצר) קטנה מהעלות של החזרות.

2. תכשיטים ומתכות מבריקות

טבעות, שרשרות, צמידים, שעונים. הבעיה: השתקפויות על מתכת מבריקה הן קריטיות למראה "יקר". AI מייצר מתכת "שטוחה" או "זוהרת מדי". צבע הזהב לא תמיד נכון (זהב צהוב vs. זהב לבן vs. זהב ורוד). ההחלטה: תכשיטים מעל ₪500 — צלם. מתחת ל-₪500 — AI עובד ברוב המקרים, אבל חובה zoom על האבנים.

3. צבע-קריטי (cosmetics, בדים, צבעי-שיער)

שפתונים, צלליות, בדים בצבע ספציפי (אדום-חג מול אדום-בורדו), צבעי-שיער. הבעיה: צבע הוא ה-#1 סיבה להחזרות ב-cosmetics ובביגוד. לקוחה שהזמינה "אדום אש" וקיבלה "אדום ורוד" תחזיר. ההחלטה: צילום AI ל-cosmetics דורש השוואת צבע מדויקת, ולרוב — במיוחד עבור shades (גוונים) קריטיים — צלם אמיתי עם תאורה תקנית (D50, תאורת-יום סטנדרטית להתאמת צבעים).

4. scale בחדר (רהיטים, מכשירי-חשמל)

ספה, שולחן, מקרר, מכונת כביסה. הבעיה: scale בחדר דורש "ראייה" של גודל ביחס לסביבה. AI מייצר חדרים "גנריים" עם רהיטים שנראים-נכון-בערך, אבל לרוב לא מדויקים. ההחלטה: רהיטים — צלם. הסיכון שלקוח יזמין ספה "שלא נכנסת לסלון" גבוה מדי.

5. טקסט עברי / RTL על אריזה

מוצרים עם תווית בעברית — קוסמטיקה, מזון, תוספי-תזונה. הבעיה: גם המודל הכי חזק לטקסט (Nano Banana Pro) לא אמין בעברית. הוא מייצר "טקסט שנראה-עברי" — אבל עם אותיות הפוכות, ניקוד חסר, אותיות סופיות שגויות. ההחלטה: composite — צלמו את התווית האמיתית בנפרד (או סרקו), והדביקו על ה-packshot ה-AI. זה ה-pattern הנכון.

עץ-ההחלטה regenerate / keep / hire-photographer

לכל תמונה שנכשלה ב-QA, יש שלוש אפשרויות. הבחירה תלויה בסוג הכשל — לא בכמה "רע" הוא נראה.

כלל אצבע ל-regenerate

אם תיקנתם prompt ועדיין ה-AI לא מצליח אחרי 2-3 ניסיונות — זה כשל במוצר, לא בכם. עברו לצלם. אל תבזבזו $0.50 ושעה על תמונה שהמודל לא יודע לייצר.

Amazon 2026 — נאמנות + disclosure

Amazon היא הפלטפורמה המחמירה ביותר לתמונות AI. היא לא אוסרת על תמונות AI — היא אוסרת על תמונות מטעות. ההבדל קריטי: תמונת AI שמייצגת נכון את המוצר — מותרת. תמונת AI שמייצגת מוצר שונה — אסורה.

הכלל המרכזי של Amazon

"התמונה חייבת לייצג את המוצר שנשלח." כלומר: הצבע, הגודל, המאפיינים, הפרופורציות, הכמות — חייבים להתאים בדיוק למה שהלקוח יקבל. סטייה — גם קטנה — נחשבת Misleading Content.

מה מותר

• הסרת רקע: כן. החלפה לרקע לבן, ניטרלי, או lifestyle — מותרת.
• תיקון צבע: כן, כל עוד הצבע תואם את המוצר האמיתי. white-balance (איזון לבן — תיקון גוון התאורה), ניגודיות, חדות — כן.
• שיפור תאורה: כן. softbox, תאורה צד, תאורת רינג (טבעת) — מותר.
• resize / חיתוך: כן, כל עוד לא משנה פרופורציות או מסיר חלק מהמוצר.
• AI-generated packshot + lifestyle: כן, בכפוף ל-disclosure אם השינוי מעבר למינורי (ראו בהמשך).

מה אסור

• זיוף scale: מוצר שנראה גדול/קטן מהגודל האמיתי.
• הוספת features שלא קיימים: כיס נוסף, חור נוסף, ידית שלא קיימת, מדבקה שלא קיימת.
• שינוי צבע שלא תואם: הצגת מוצר אדום ככחול, או הצגת גוון שלא במלאי.
• before/after: תמונות "לפני ואחרי" שמציגות תוצאה לא-ריאלית (למשל: "תוך 7 ימים העור שלכם נראה כך").
• הצגת אביזרים שלא כלולים: "קיבלו 3 יחידות" כשמוכרים אחת, "קיבלו מטען" כשלא כלול.

ה-Disclosure הנדרש

Amazon דורשת disclosure גלוי כאשר התמונה מעבר למינורי — כלומר, כשלא מדובר רק בהסרת רקע או תיקון תאורה. תמונת lifestyle שלמה שנוצרה ב-AI, תמונה שמציגה סצנה שלמה — דורשת disclosure בתיאור המוצר. הנוסח המומלץ: "תמונת ה-lifestyle נוצרה בכלי AI ומיועדת להמחשה בלבד. המוצר שנשלח תואם את ה-packshot הראשי."

הסיכון העסקי — לא התיאורטי

השעיית listing ב-Amazon היא אובדן הכנסה מיידי. אם המוצר שלכם מביא $500/יום, השעייה של 5 ימים = $2,500 אובדן. אם הדגל הופך להיות "חוזר" — אתם בסיכון של השעיית חשבון כולו. זה הסיבה ש-Amazon מחמירה — והסיבה שה-QA חייב להיות חמור יותר עבורה.

Shopify, Etsy, eBay — האשכול המתירני

בעוד Amazon מחמירה, שלוש פלטפורמות עיקריות — Shopify, Etsy, eBay — מתירניות לחלוטין לתמונות AI. ההבדל מהותי, ומשפיע על האסטרטגיה שלכם.

Shopify — מותר בלי disclosure

Shopify מתירה תמונות AI לחלוטין עבור צילום-מוצר. אין דרישת disclosure. אין חובה לסמן "AI-generated". יתרה מכך — Shopify Magic (כלי AI מובנה של Shopify) מקדם יצירת תמונות AI בפלטפורמה, מה שמראה שהחברה רואה ב-AI חלק לגיטימי מהמסחר. המשמעות: ב-Shopify אתם יכולים להעלות כל תמונה שעוברת את ה-QA שלכם — בלי disclosure, בלי disclaimer (כתב ויתור), בלי חשש.

Etsy — מותר בלי disclosure

Etsy מתירה תמונות AI, כל עוד המוצר עצמו (הפיזי) תואם את התיאור. לתמונות "handmade" (יד-אומן) — הקהילה רגישה יותר, ועדיף disclosure. למוצרים שאתם מייצרים ב-factory (מפעל) או מייבאים — תמונות AI מקובלות.

eBay — מותר בלי disclosure

eBay היא הכי-מתירנית. אין כמעט הגבלות על תמונות AI. הדגש הוא על "תיאור מדויק" של המוצר, לא על מקור התמונה.

Google Shopping — הערה חשובה

Google Shopping (דרך Google Merchant Center) מקבל תמונות AI. Google הוא חלק מאותה קבוצה כמו Shopify — מתירני. אין דרישת disclosure ספציפית לתמונות AI של מוצרים.

EU AI Act + provenance — SynthID/C2PA לא להסיר

ה-EU AI Act הוא החוק הראשון בעולם שמסדיר תוכן שנוצר ב-AI. הוא נכנס בהדרגה, ועד אוגוסט 2026 הוא יחול במלואו. הסעיף שרלוונטי לכם הוא סעיף ה-provenance — חובת התיוג של תוכן AI.

מה ה-EU AI Act דורש

החוק דורש machine-readable labeling (תיוג שמכונה יכולה לקרוא) של תוכן שנוצר ב-AI. זה לא "לכתוב 'AI' בתיאור המוצר". זה חתימה דיגיטלית בתוך הקובץ שמוכיחה שהתמונה נוצרה ב-AI, ושאינה ניתנת להסרה בלי שזה ייראה.

שתי טכנולוגיות עיקריות עונות על הדרישה:

• SynthID — Watermark בלתי-נראה ש-Google DeepMind מטביע בכל תמונה של Nano Banana Pro/2. לא נראה לעין, אבל ניתן לזיהוי בכלי זיהוי. חובה לא להסיר.
• C2PA Content Credentials — תקן פתוח לחתימת מקור. מטא-דאטא (metadata — נתונים נלווים לקובץ) שמתעדת את ההיסטוריה של הקובץ: מי יצר, איך, מתי, באיזה כלי. נתמך בחלק מהמודלים (לא רק Google).

מה אסור לעשות

אסור להסיר את ה-watermark/provenance. זה הסעיף הקריטי. "כלי הסרת watermark" — גם אם קיימים — הופכים את המוצר שלכם לתוכן שעבר על ה-EU AI Act. זה לא "להסתיר" — זה "להפר".

אם אתם משתמשים בכלי עיבוד תמונה (Photoshop, GIMP, Photopea) אחרי ההורדה מהמודל — שימרו את המטא-דאטא. רוב הכלים שומרים אותו אוטומטית, אבל "Save for Web" (שמירה ל-web) בכמה כלים עלולה להסיר. בדקו.

הקנסות — ולמה הם רלוונטיים

ה-EU AI Act מגדיר קנסות להפרות, והם לא סמליים. לעסקים קטנים, הקנסות מתחילים ב-€15 מיליון או 3% מהמחזור השנתי הגלובלי — הגבוה מבין השניים. גם אם יש לכם חנות קטנה בישראל, אם אתם מוכרים ללקוחות ב-EU (גם דרך Amazon EU, Etsy EU) — החוק חל עליכם.

מה ההבדל בין EU AI Act ל-Amazon policy

זה טריקי. Amazon policy עוסקת ב-מה הלקוח רואה ומקבל. EU AI Act עוסק ב-מה המכונה יכולה לאמת על הקובץ. שני הדברים נכונים במקביל: תמונה יכולה להיות תואמת Amazon (הצבע נכון, ה-scale נכון) וגם תואמת EU AI Act (SynthID שמור, C2PA נשמר) — אלה לא סותרים. תמונה תואמת את שניהם: זה הסטנדרט.

ההקשר הישראלי — שני משטרים במקביל

המציאות הישראלית ייחודית: רוב החנויות הישראליות מוכרות בארץ ובחו"ל במקביל. חנות Shopify ישראלית שמוכרת גם לישראלים וגם לגרמנים, אמריקאים, בריטים — נמצאת תחת שני משטרים רגולטוריים שונים בו-זמנית.

מה המצב הרגולטורי בישראל (2026)

נכון למועד כתיבת הפרק, אין רגולציית AI ישראלית ברורה שמחייבת disclosure על תמונות מסחריות. הכנסת דנה בהצעות חוק בנושא, אבל טרם הוסדר. המשמעות המעשית: ב-Shopify Israel, ב-WooCommerce ישראלי, במרקטפלייסים ישראליים — אתם חופשיים להעלות תמונות AI בלי disclosure.

אבל — רוב החנויות הישראליות מוכרות גם בחו"ל

וכשאתם מוכרים בחו"ל — ה-EU AI Act חל עליכם בכל הקשור ל-provenance. גם אם הלקוח שלכם גרמני שקונה מחנות ישראלית דרך-Amazon-EU, ה-EU AI Act חל. זה לא תלוי במיקום החנות — תלוי במיקום הלקוח.

שלושת התרחישים הישראליים הנפוצים

תרחיש א — חנות ישראלית מקומית בלבד (Shopify Israel / WooCommerce): אין רגולציית AI ישראלית. אין disclosure נדרש. אבל — שמרו SynthID/C2PA אם אתם משתמשים במודלים של Google, כי בעתיד ה-EU AI Act עלול לחול גם בישראל (הסכמי-סחר, השפעה, מגמה).

תרחיש ב — חנות שמוכרת ב-Amazon (כולל Amazon EU): תאימות ל-Amazon policy (נאמנות + disclosure ל-AI מעבר למינורי) + שמירת provenance ל-EU AI Act. שני הכללים יחד.

תרחיש ג — חנות שמוכרת ב-Shopify + Etsy + eBay ללקוחות בארץ ובחו"ל: תאימות ל-Shopify/Etsy/eBay (מתירני, אין disclosure) + שמירת provenance לכל לקוח EU. אין צורך ב-disclosure, אבל חובה לא להסיר provenance.

בעברית — למה זה חשוב במיוחד

הצרכן הישראלי רגיל לראות תמונות "משופרות" של מוצרים — גם לפני עידן ה-AI. צילומי סטודיו מקצועיים, תאורה משולמת, צבעים מתוקנים. הציפייה כבר היום היא תמונה "יפה" — לא תמונה "כמו במציאות". זה מקל על המעבר ל-AI, כי הצרכן לא מצפה ל-photorealism (ריאליזם צילומי מושלם) — הוא מצפה לתמונה שמוכרת. ההבדל מ-EU ומ-Amazon: ב-Amazon US, הציפייה שונה — הצרכן מצפה ל"מה שיגיע", לא "מה שימכור".

עברית ו-RTL על אריזה — composite, לא generate

אחת הבעיות הפרקטיות הגדולות ביותר בקטלוג ישראלי: תוויות בעברית. גם המודל החזק ביותר לטקסט (Nano Banana Pro) לא אמין בעברית, וזה בלי קשר לרזולוציה או לגודל התמונה.

הבעיה הקונקרטית

כשאתם מבקשים מ-Nano Banana Pro "תיצור תמונה של בקבוק סבון עם הכיתוב 'סבון טבעי 100 מ\"ל'", המודל מייצר:

• "סבען טבעי" (פ"ו במקום פ"א)
• "100 מ ל" (רווח לא-נכון ביחידות)
• "טבעיי" (יו"ד כפולה במקום יו"ד יחידה)
• אותיות סופיות שגויות (ם במקום מ, ן במקום נ)

באנגלית Nano Banana Pro מצטיין — שגיאות טקסט מתחת ל-10% לשורה בודדת. בעברית? שיעור השגיאות גבוה משמעותית. הסיבה: המודל אומן על כמויות גדולות של אנגלית, ועברית היא שפה בכיוון הפוך (RTL) עם מורפולוגיה (מבנה צורני) שונה — אותיות סופיות, ניקוד, רווחים.

הפתרון — composite

אל תבקשו מה-AI ליצור את הטקסט העברי. צלמו את התווית האמיתית בנפרד והדביקו על ה-packshot ה-AI.

התהליך:

1. צלמו את המוצר האמיתי (או סרקו תווית נקייה) — תמונה נפרדת, רק של התווית, ב-300dpi+ ובפוקוס חד.
2. צרו packshot AI בלי טקסט — "בקבוק סבון לבן על רקע לבן, ללא טקסט".
3. ב-Photoshop / Photopea / GIMP / Canva — מחקו את הרקע של התווית, הצמידו ל-packshot, התאימו פרספקטיבה (זווית) ותאורה.
4. זה ה-packshot הסופי — AI גוף + composite תווית.

זה נשמע כמו עבודה — אבל זה 5-10 דקות למוצר, וזה ההבדל בין "תמונה שמוכרת" לבין "תמונה שמטעה וגורמת להחזרות".

הכלים הישראליים שעוזרים

יש כמה כלים בעברית שמייעלים את התהליך:

• Emilia AI Studio — כלי ישראלי, תומך עברית, 6 קטגוריות מוצרים (תכשיטים, ביגוד, אוכל, רהיטים, קוסמטיקה, רב-תחומי). נכון למועד המחקר, המחירים לא-מתועדים-בפומבי.
• Pippit (ישראלי) — כלי AI בעברית ליצירת תוכן ויזואלי.
• JoyDigital ("סטודיו בלי צלם") — פלטפורמה ישראלית לצילום-מוצר.
• Adobe Firefly (עברית) — גרסה מקומית של Firefly עם תמיכה בעברית (il_he).

אלה כלים משלימים — הם לא תחליף ל-batch pipeline שבניתם, אבל יכולים לחסוך זמן למוצרים בודדים או כשאתם לא רוצים לפתוח API.

תקצוב ILS — דולר API מול שקל חנות

ה-APIs של המודלים (Nano Banana Pro/2, Seedream, GPT Image 2, fal, Replicate) מחייבים בדולרים. החנות שלכם מוכרת בשקלים. הפער הזה יוצר בלבול — ובלבול יוצר הפתעות בכרטיס האשראי.

המרה בסיסית

נכון למועד המחקר (תחילת 2026), שער הדולר הסביר לתקצוב הוא ₪4.0 לדולר. זה לא השער הרשמי של בנק ישראל ביום מסוים — זה שער-תקצוב-שמרני שמתאים לתכנון שנתי. אם תקצבתם 100$ והשער עלה ל-4.2 — תשלמו 420₪ במקום 400₪. ההפרש קטן, הביטחון גדול.

עלות אמיתית לתמונה — טבלת המרה

תקציב מציאותי לחנות ישראלית

חנות קטנה (10-30 מוצרים פעילים, רענון חודשי): תקציב API של $20-40 לחודש (~₪80-160). זה מספיק ל-300-500 תמונות.

חנות בינונית (50-100 מוצרים פעילים, רענון שבועי): תקציב של $80-150 לחודש (~₪320-600). זה 1,500-3,000 תמונות.

חנות גדולה (200+ מוצרים, batch שבועי): תקציב של $300-500 לחודש (~₪1,200-2,000). זה 5,000-10,000 תמונות.

ההשוואה לצלם

צלם מקצועי בישראל: ₪300-800 למוצר, כפול 5 תמונות = ₪1,500-4,000 למוצר. ל-50 מוצרים = ₪75,000-200,000. ה-batch pipeline עולה פחות מ-₪600 לחודש לאותה תוצאה — והתוצאה משתפרת כל חודש עם רענון.

production checklist — מתיקיית QA לחנות

רגע לפני שאתם לוחצים "Upload" על המוצר הראשון — עברו על ה-production checklist. זה 10-15 בדיקות שלוקחות 2 דקות למוצר, אבל מונעות 90% מהטעויות שעולות בהחזרות ודגלים.

לפני העלאה — 10 בדיקות

1. Packshot עומד בדרישות Amazon: רקע לבן (255,255,255), לפחות 1600px בציר הארוך, המוצר תופס 85%+ מהפריים.
2. הצבע תואם את המוצר האמיתי: side-by-side עם ה-reference, אומת ב-QA.
3. scale תואם: אם יש רמז לגודל (יד, ספל, מטבע) — הוא תואם פיזיקלית.
4. אין features מומצאים: ספירת כיסים, חורים, ידיות, רכיבים — תואם למוצר.
5. Provenance שמור: SynthID נשמר במטא-דאטא, C2PA אם קיים, לא "Save for Web" שמסיר.
6. QA עבר: כל 9 הבדיקות של ה-QA checklist סומנו V לכל תמונה.
7. Template מתועד: שם ה-template ברור, הועתק ל-template store, מוכן לשימוש חוזר.
8. Pipeline מתועד: Google Doc "06 — Pipeline + QA + Compliance" מעודכן.
9. תקציב בשקלים רשום: עלות הריצה תועדה בגיליון התקציב.
10. Disclosure בתיאור (Amazon בלבד): אם תמונת lifestyle / סצנה מלאה — disclosure בתיאור המוצר.

בדיקות נוספות למוצרים מיוחדים

למוצרי קוסמטיקה / אופנה: תווית בעברית = composite (לא generate). בדקו צבע מול swatch (דוגמית צבע) פיזי.

למוצרי תכשיטים: scale ביחס לטבעת / שרשרת סטנדרטית. השתקפויות על מתכת — ודאו coherence (עקביות) בין מקור האור להשתקפות.

למוצרי אוכל: טקסטורה של "טרי" — לא "מבריק מדי", לא "יבש מדי". תאורה warm (חמה) עם shadow רך.

העלאה — הסדר נכון

ב-Shopify: העלאה דרך Products → Add product → Images. גררו את ה-packshot הראשי, ואז את הזוויות, ואז את ה-lifestyle. סדר התמונות חשוב — ה-packshot הוא הראשון.

ב-Amazon: העלאה דרך Seller Central → Inventory → Add Product. Main image = packshot. Additional images = זוויות ולייפסטייל. אל תעלו lifestyle בלי disclosure בתיאור.

ב-Etsy: העלאה דרך Shop Manager → Listings → Add. סדר דומה — main image ראשון, אחר כך השאר.

Capstone — העלאת מיני-קטלוג של 10-15 SKU

זה הרגע. אתם לוקחים את 10-15 המוצרים מתיקיית ה-QA, מעבירים אותם דרך ה-production checklist, ומעלים לחנות. בסוף הסעיף הזה יש לכם חנות עם תמונות שעברו QA, תואמות compliance, ומתועדות לשימוש חוזר.

ארבעת השלבים של ה-capstone

שלב 1 — מיון. מתוך 10-15 המוצרים, חלקו ל-3 ערימות: (1) AI-Ready — עברו את כל ה-QA, מוכנים להעלאה. (2) Composite-Need — תווית עברית, צריך composite. (3) Hire-Photographer — זכוכית / תכשיט / רהיט, צריך צלם.

שלב 2 — העלאה הדרגתית. אל תעלו את כל 15 ביום אחד. העלו 3-5, המתינו 24 שעות, בדקו metrics (מדדים — CTR — שיעור הקלקה, conversion rate — שיעור המרה, returns — החזרות) ב-Shopify Analytics או Amazon Brand Analytics. אם הכל תקין — העלו עוד 3-5. הדרגתיות מונעת נזק-גדול-במכה-אחת.

שלב 3 — תיעוד ה-template. בגיליון template פר-קטגוריה — רשמו: שם ה-template, נוסחת prompt מלאה, רשימת references, רזולוציה, מנוע, seed, תאריך. זה הנכס לשימוש חוזר. בלי תיעוד — תצטרכו להמציא מחדש בעוד חודש.

שלב 4 — תיעוד compliance + pipeline. ב-Google Doc "06 — Pipeline + QA + Compliance" — רשמו: (1) המנוע שנבחר. (2) העלות בשקלים-לתמונה. (3) החלטות compliance לכל פלטפורמה. (4) מתי כל מוצר דורש צלם אמיתי. (5) רשימת המקרים הקשים שזיהיתם.

מטריצת AI-או-צלם — ההחלטה הסופית

זה ה-document הכי חשוב שתיצרו. טבלה פשוטה — לכל קטגוריה בחנות, מה ההחלטה ולמה.

העלאה בפועל — צ'קליסט מעשי

1. פתחו את החנות שלכם (Shopify / Amazon Seller / WooCommerce / Etsy).
2. לכל מוצר — העלו לפי הסדר: packshot ראשי → זווית 1 → זווית 2 → lifestyle → חיתוכים (1:1, 4:5, 9:16).
3. ב-Amazon — הוסיפו disclosure בתיאור המוצר (אם יש lifestyle / סצנה שנוצרה ב-AI).
4. בדקו את ה-preview בכל פלטפורמה — ודאו שהתמונות נטענות נכון, בגודל הנכון, בלי חיתוך לא-רצוי.
5. שמרו את הגיליונות (template + budget) בתיקייה קבועה. זה הנכס לחודש הבא.
6. תעדו את המסמך Pipeline + QA + Compliance — ושתפו עם עצמכם בעוד 3 חודשים.

תרגילים — 4 תוצרים שעוזבים אתכם עם הפרק

ארבעת התרגילים האלה בונים את שלושת הנכסים הסופיים של הקורס: מטריצת compliance, מסמך pipeline/QA/compliance, מטריצת AI-או-צלם, ומיני-קטלוג שעלה לאוויר. כל תרגיל מייצר קובץ שישמש אתכם אחרי שהקורס יסתיים.

טעויות נפוצות

Work Routine — שגרת QA + compliance

QA + compliance הם לא חד-פעמיים. כל מוצר חדש, כל קטגוריה חדשה, כל רענון — דורש את אותו תהליך. שגרה קבועה הופכת את זה מאירוע מלחיץ לתהליך צפוי.

מילון מונחי הפרק