In dit artikel
Een professionele foodfotoshoot kost al snel €150 tot €300 per gerecht. Steeds meer zelfstandige zaken slaan die kost over en laten ChatGPT, Midjourney of Canva's AI-functie de foto's maken — en niemand heeft ooit uitgerekend wat het kost als die foto er beter uitziet dan het gerecht dat werkelijk op tafel komt.
Het is een begrijpelijke keuze. Een fotograaf inhuren betekent een halve dienst plannen rond het licht, een stylist of jezelf die borden opnieuw opbouwt tot ze perfect ogen, en een factuur die voor een kaart van twintig gerechten al snel in de duizenden euro's loopt. Een AI-tool maakt in twee minuten iets dat er op een telefoonscherm minstens zo goed uitziet, gratis of voor een paar euro per maand. Steeds meer horecazaken gebruiken dat vandaag, en dat is op zich geen probleem.
Het probleem zit in wat een AI-beeld ontbreekt: fysieke beperkingen. Een echt bord heeft stoom die vervliegt, garnering die inzakt zodra het bord de pas verlaat, een portie die past binnen wat de keuken werkelijk opschept, en sausvegen die nooit helemaal symmetrisch zijn. Een gegenereerd beeld heeft daar geen last van — het toont het gerecht op zijn allerbeste, natte-ogen-moment, in een belichting die in geen enkele keuken bestaat. Precies daardoor kan een AI-foto er beter uitzien dan het bord ooit zal worden.
Op een menukaart met QR-code of op een bezorgapp bestelt een gast op basis van precies die foto. Wanneer het bord dan minder overweldigend oogt dan het beeld beloofde, is dat niet zomaar een teleurstelling — het is het startpunt van een keten die zich laat uitrekenen: een herstelkost, een risico op een lagere score, en in het slechtste geval een probleem met het platform waarop je staat. Niemand op deze site had die keten ooit in cijfers gezet.
Dit artikel doet dat wel, in vier stappen die elk hun eigen, apart optelbare kost hebben. Onderaan reken je met je eigen aantal gerechten, je eigen bestelvolume en je eigen klachtenpercentage uit wat de kloof tussen foto en bord jou concreet kost — en wat het je kost om het anders te doen.
Wat zegt de wet hierover?
In de meeste EU-landen valt het misleidend afbeelden van wat je verkoopt — inclusief het uiterlijk van een gerecht — onder de nationale wetgeving die de Europese richtlijn oneerlijke handelspraktijken (2005/29/EG) omzet. Die richtlijn toetst een afbeelding aan één simpele vraag: zou een gemiddelde gast een andere bestelling gedaan hebben als hij het echte bord vooraf had gezien? Bij een foto die substantieel afwijkt van wat er werkelijk op tafel komt, is het antwoord vaak ja.
Dat is geen nieuwe regel die specifiek over AI gaat — het is dezelfde toets die al jaren geldt voor een misleidende productfoto in eender welke sector, nu toegepast op een nieuw hulpmiddel om die foto te maken. Het instrument waarmee een beeld tot stand komt, verandert niets aan de vraag of het beeld klopt met de werkelijkheid.
Dit is geen juridisch advies: de precieze omzetting naar nationale wetgeving, de toezichthoudende instantie en de sancties verschillen per lidstaat. Check bij twijfel de regels van je eigen land of vraag het aan een jurist — dit artikel legt uit waarom het risico bestaat, niet wat er in jouw specifieke geval zou gebeuren.
De ultieme gids Digitaal & Data: Alle Gidsen voor je Restaurant Van AI-toepassingen tot bezorgapps: alles wat digitalisering voor je zaak kan doen, in één overzicht. Open de gidsDe 4 cijfers achter het risico
De vier cijfers hieronder stapelen zich op in volgorde: het eerste is de kost van één enkel incident, het laatste is de keuze die bepaalt of je de eerste drie ooit tegenkomt. Ze zijn apart optelbaar, precies omdat ze elk een ander moment in dezelfde keten prijzen.
1. De herstelkost van één bestelling die 'niet zoals op de foto' is
Een gast die via een bezorgapp bestelt op basis van een foto en dan een teleurstellend bord krijgt, doet één van twee dingen: hij vraagt om herstel, of hij dient een klacht in voor terugbetaling. Beide kosten geld, en de meeste zaken rekenen alleen de meest zichtbare kost — de terugbetaling zelf — en vergeten de rest.
Reken het voorbeeld door. Een pastagerecht met €4 aan ingrediënten en een kwartier bereidingstijd (ruwweg €6 aan loon tegen een gemiddeld uurloon inclusief patronale lasten) kost je al €10 om gewoon over te doen. Komt daar een volledige terugbetaling van de bestelwaarde bovenop omdat de gast het toch niet meer wil, dan tel je die twee bedragen op — het is geen kwestie van het ene of het andere.
Bij een bezorgorder komt er vaak nog een derde laag bij: het platform zelf. Wanneer een gast een geschil opent omdat het gerecht niet overeenkwam met de beschrijving of de foto, schiet het platform de terugbetaling doorgaans zelf voor en verhaalt die nadien geheel of gedeeltelijk op jouw volgende uitbetaling. Het precieze mechanisme en de eigen behandelingskost verschillen per platform en per geval, maar het effect is hetzelfde: jij betaalt uiteindelijk, vaak zonder dat je de kans kreeg om het gerecht eerst te verdedigen.
Dat is de eerste, meest directe kost — en de rekenmachine verderop in dit artikel start precies hier: hoeveel van die incidenten heb je per week, en wat kost elk ervan je werkelijk?
Hoe groter het verschil tussen wat de foto belooft en wat er op tafel komt, hoe hoger de kost die erop volgt.
Illustratief, geen gemeten percentage: de balken tonen de relatieve grootte van de kloof, niet een exacte meetwaarde. De kostenlabels zijn wél reëel — het zijn de gevolgen uit de cijfers 1 tot 3 hierboven.
2. De omzet die een lagere score kost
Eén herhaald incident is vervelend. Wat het duur maakt, is wat erna komt: een teleurgestelde gast schrijft zelden een klacht naar de keuken, hij schrijft een review. En reviews stapelen zich op tot een gemiddelde score — het cijfer waarop elke volgende bezoeker zijn beslissing baseert nog vóór hij ook maar één gerecht gezien heeft.
Onderzoek van Michael Luca (Harvard Business School), gebaseerd op Yelp-data van onafhankelijke restaurants, vond dat één extra ster op een reviewplatform de omzet met ruwweg 5 tot 9% kan doen stijgen. Dat is een vuistregel over een reële, gemeten relatie tussen score en omzet bij zelfstandige zaken — geen exacte wet die voor elke zaak identiek uitkomt, maar wel stevig genoeg om de omgekeerde beweging serieus te nemen: een structureel dalende score kan een vergelijkbare hap uit je omzet nemen.
Op bezorgplatformen komt er een tweede laag bovenop. Deliveroo, Uber Eats en Just Eat vermelden in hun eigen partnerdocumentatie dat de score van een zaak meespeelt in hoe zichtbaar ze binnen een zoekcategorie verschijnen, zonder daar een concreet percentage op te plakken. Een dalende score is dus niet enkel een schoonheidsprobleem op je profiel — ze bepaalt mee hoevaak je überhaupt in beeld komt bij een gast die nog moet kiezen.
3. Het risico op platformbeleid en verminderde zichtbaarheid
Grote bezorgplatformen schrijven in hun partnervoorwaarden voor dat de foto's op een listing een realistische weergave moeten zijn van wat een gast effectief krijgt. Dat is gedocumenteerd beleid, geen ongeschreven regel — het staat in de richtlijnen die elk restaurant bij aansluiting aanvaardt.
Wat er precies gebeurt bij een overtreding, verschilt per platform en escaleert met de herhaling: een eenmalige klacht leidt doorgaans tot niets zichtbaars, maar een opeenstapeling van meldingen over 'niet zoals beschreven' kan leiden tot een interne review van de listing, een verplichting om bepaalde foto's te vervangen, of in aanhoudende gevallen een beperking op hoe of hoe vaak de zaak getoond wordt. Geen enkel platform publiceert een vast aantal klachten waarna dat gebeurt — het is een risico dat toeneemt, geen trigger met een vaste drempel.
De kost daarvan reken je met je eigen cijfers uit, niet met een gepubliceerd percentage. Op honderdtwintig bestellingen per week is één dag zonder normale zichtbaarheid al gauw een stuk of zeventien gemiste bestellingen — reken dat door tegen je eigen gemiddelde bestelwaarde en het wordt snel duidelijk waarom platforms dit ernstig nemen, en waarom jij dat ook zou moeten doen.
De keten van één ontevreden foto tot minder bestellingen
Elke stap kost een deel van de vorige. Dit is een keten, geen vaste kans — niet elke stap volgt automatisch op de vorige.
Cijfer 1: de directe herstelkost per incident — zie hierboven, en reken je eigen aantal uit in de rekenmachine.
Cijfer 2: onderzoek van Michael Luca (Harvard Business School) koppelt één ster aan ruwweg 5-9% omzet bij onafhankelijke restaurants.
Cijfer 3: bezorgplatformen noemen score expliciet als factor in zichtbaarheid, zonder een vast percentage te publiceren.
De drie geannoteerde stappen dragen een concreet cijfer of een gedocumenteerde bron; de rest van de keten is een volgorde, geen gemeten conversiepercentage.
4. Het echte alternatief: wat drie opties je werkelijk kosten
Er zijn drie manieren om aan een foto te komen, en ze verschillen niet alleen in prijs maar ook in risico. De eerste is professionele foodfotografie: €150 tot €300 per gerecht, eenmalig, met een fotograaf die licht, styling en compositie beheerst zodat het bord er op zijn best uitziet zonder ooit te liegen over wat er werkelijk op tafel komt.
De tweede is een correct belichte smartphonefoto, en die kost vrijwel niets. Vier gewoontes maken het verschil: natuurlijk raamlicht in plaats van het plafondlicht van de zaak, een mat bord of een neutrale, niet-glimmende ondergrond, het perspectief van de gast aan tafel in plaats van recht van bovenaf voor een warm gerecht (een flatlay werkt voor koude, platte gerechten — niet voor iets dat moet dampen), en nooit de ingebouwde flits, die vlak en onnatuurlijk licht geeft.
De derde is een AI-gegenereerd beeld, en die kost ook vrijwel niets — maar draagt het volledige risico van de cijfers 1 tot 3 hierboven, omdat het geen foto van jouw gerecht is. Het is een gok over hoe jouw gerecht eruit zou kunnen zien.
De conclusie is geen verbod, het is een grens: AI-beelden zijn uitstekend voor sfeer, decor en marketingachtergronden — een leeg gedekt tafeltje, een terrasbeeld bij zonsondergang, een banner voor social media. Ze horen niet thuis bij het specifieke gerecht dat een gast bestelt en dan naast het echte bord legt om te vergelijken. Dat specifieke moment van vergelijking is precies wat de cijfers 1 tot 3 in gang zet.
Reken je eigen risico uit
Vul de zes velden hieronder in met je eigen situatie: hoeveel gerechten op je kaart of bezorglisting een AI-gegenereerde of zwaar geretoucheerde foto hebben, hoeveel bestellingen je per week via bezorging krijgt, je gemiddelde bestelwaarde, je geschatte percentage 'niet zoals op de foto'-klachten, wat zo'n incident je gemiddeld kost om te herstellen, en je huidige gemiddelde score.
De rekenmachine toont drie dingen: de geschatte jaarlijkse kost van de klachten zelf, een indicatieve marge voor de omzet die op het spel staat door scoreverlies, en wat het zou kosten om je AI-foto's te vervangen door professionele foto's. Alles rekent in je eigen browser — er wordt niets verstuurd of bewaard.
Wat kost de kloof tussen foto en bord jou per jaar?
Zes velden, je eigen cijfers. Alles rekent in je browser — er wordt niets verstuurd of bewaard.
—
Dit is geen juridisch of financieel advies — het is een rekenoefening met je eigen cijfers. De omzetmarge gebruikt een voorzichtige, expliciet benoemde aanname bovenop een reëel onderzoeksresultaat (zie hierboven); alles rekent lokaal in je browser.
De omzet-op-het-spel is bewust een marge, geen precies cijfer. Niemand — ook Luca's onderzoek niet — heeft gemeten hoeveel sterren precies verloren gaan aan een bepaald aantal 'niet zoals op de foto'-klachten; dat verschilt per zaak, per publiek en per hoe zichtbaar de klacht wordt. Wat de rekenmachine wél doet, is een voorzichtige, expliciet benoemde aanname toepassen op Luca's gemeten 5-9%-vuistregel, zodat je een realistische orde van grootte krijgt in plaats van een vals precies getal.
De directe kost van de klachten zelf staat niet ter discussie op dezelfde manier: dat is rekenwerk met jouw eigen cijfers, geen onderzoeksresultaat. Als die kost alleen al de professionele foto's terugbetaalt binnen een paar maanden, is de beslissing eenvoudig. Is dat niet zo, dan is de smartphone-aanpak uit cijfer 4 hierboven je goedkoopste eerste stap.
Wat te doen vandaag
Dit hoeft geen groot project te worden. De meeste zaken hebben niet twintig problematische foto's, maar een handvol gerechten waar de kloof tussen foto en bord het grootst is — vaak net de gerechten die het meest besteld worden, omdat een aantrekkelijke foto nu eenmaal meer bestellingen trekt.
Begin daar. Loop je menukaart en je bezorglistings na, markeer welke foto's AI-gegenereerd of zwaar geretoucheerd zijn, en vervang eerst de foto's van je bestverkopende gerechten met een correct belichte, eerlijke foto. Dat is de kortste weg naar minder klachten, niet de duurste.
En bewaar de AI-tools voor waar ze wél sterk in zijn: sfeerbeelden, decor, een banner voor je socials — alles wat geen specifiek gerecht toont dat een gast straks naast het echte bord legt.
- Loop je kaart en je bezorglistings na en markeer elke foto die AI-gegenereerd of zwaar geretoucheerd is.
- Begin met de gerechten die het meest besteld worden — daar is de kloof tussen foto en bord het duurst.
- Neem voor die gerechten een nieuwe foto met natuurlijk raamlicht, een mat bord of een neutrale ondergrond, vanuit het oogpunt van de gast — geen flatlay en geen flits voor een warm gerecht.
- Bewaar AI-beelden voor sfeer, decor en marketingachtergronden — nooit voor het specifieke gerecht dat besteld wordt.
- Lees het fotobeleid van elk bezorgplatform waarop je staat na en vergelijk het met wat er nu online staat.
- Reken minstens elk kwartaal je eigen cijfers opnieuw door in de rekenmachine hierboven — je foto's, je bestelvolume en je score veranderen.