Generierte Bilder sind in Websites, Shops und Speisekarten längst angekommen. Zwei aktuelle Meldungen zeigen, dass damit zwei Fragen zusammenwachsen: Wie wirken solche Bilder auf das Publikum – und wie gut lassen sie sich überhaupt noch als KI-Produkte erkennen?

Zu perfekt wirkt weniger appetitlich

Eine Studie hat untersucht, warum KI-generierte Essensbilder weniger Appetit machen als erwartet. Einige Restaurants setzen bei ihren Speisekarten auf Künstliche Intelligenz, um Gerichte zu bebildern. Das Ergebnis fällt jedoch ambivalent aus: Manche Bilder wirken eher abschreckend als ansprechend.

Der Grund liegt der Studie zufolge in der Perfektion selbst. Eine makellos arrangierte, gleichmäßig ausgeleuchtete Darstellung ohne jede Unregelmäßigkeit entspricht nicht dem, was Gäste von einem echten Teller erwarten. Die Diskrepanz zwischen Bild und erwarteter Realität schlägt in Skepsis um – ein Effekt, der sich grundsätzlich auf andere Produktkategorien übertragen lässt, auch wenn die Studie am Beispiel von Speisen argumentiert.

Für Websites ist das ein praktischer Hinweis: Bildsprache ist kein reines Ästhetikthema. Wenn ein Produktbild zu glatt wirkt, kann es die Erwartung so hoch setzen, dass die Enttäuschung vorprogrammiert ist – oder dass gar nicht erst Vertrauen entsteht.

Neue Modelle zur Erkennung

Zeitgleich hat Pangram Labs die Modelle Image 1.0 und Image Flash 1.0 vorgestellt. Sie sollen KI-generierte Bilder und Videos zuverlässig erkennen. Damit entsteht eine technische Gegenseite zu den Generatoren: Was erzeugt wurde, soll auch wieder identifizierbar sein.

Wie belastbar die Erkennung in der Praxis ist, lässt sich aus der Ankündigung allein nicht ableiten. Erkennungsmodelle arbeiten grundsätzlich mit Wahrscheinlichkeiten, nicht mit Gewissheiten. Wer solche Werkzeuge in redaktionelle Abläufe einbaut, sollte sie deshalb als Indiz behandeln und nicht als Urteil.

Relevant ist die Entwicklung trotzdem. Sobald Erkennungsdienste breiter verfügbar sind, können Plattformen, Medien oder auch Mitbewerber prüfen, ob Bildmaterial generiert wurde. Die stillschweigende Verwendung von KI-Visuals wird damit riskanter.

Was beide Meldungen verbindet

Auf den ersten Blick haben eine Appetit-Studie und ein Erkennungsmodell wenig miteinander zu tun. Zusammengenommen beschreiben sie aber dieselbe Verschiebung: KI-Bilder sind nicht mehr nur eine Frage der Produktionskosten, sondern eine Frage von Wirkung und Nachweisbarkeit.

  • Wirkungsseite: Generierte Bilder können die beabsichtigte Botschaft unterlaufen, wenn sie zu perfekt oder zu generisch sind.
  • Nachweisseite: Der Einsatz von KI-Material lässt sich zunehmend von außen überprüfen.

Beides zusammen macht den bewussten Umgang mit Bildmaterial zu einem Qualitätsmerkmal. Transparenz ist dabei nicht nur eine ethische Position, sondern auch Risikovorsorge: Wer offenlegt, dass ein Visual generiert wurde, kann später nicht dabei ertappt werden, es verschwiegen zu haben.

Praktische Konsequenzen für Website-Projekte

Für Unternehmen, die Websites und Shops betreiben, ergeben sich daraus mehrere konkrete Ansatzpunkte.

  1. Echtes Material dort, wo Erwartungen entstehen: Produktbilder, Speisekarten, Referenzen und Teamfotos sind Stellen, an denen Nutzerinnen und Nutzer eine Entsprechung in der Realität erwarten. Hier ist echtes Material in der Regel die sicherere Wahl.
  2. KI-Visuals für Illustration statt Abbildung: Abstrakte Hintergründe, schematische Darstellungen oder Stimmungsbilder sind weniger anfällig für den beschriebenen Perfektionseffekt als konkrete Produktabbildungen.
  3. Kennzeichnung einplanen: Eine Bildunterschrift oder ein Hinweis im Medienmanagement kostet wenig und schafft Klarheit. In TYPO3 lässt sich das über zusätzliche Felder in der Dateiverwaltung abbilden, sodass die Information am Asset hängt und nicht in der Dokumentation verlorengeht.
  4. Herkunft dokumentieren: Wer festhält, welches Bild aus welcher Quelle stammt, kann bei Rückfragen belegen statt rekonstruieren.

Bildsprache als Teil der Redaktionsarbeit

Der Reflex, Bildlücken schnell mit generierten Motiven zu schließen, ist verständlich – insbesondere bei großen Produktkatalogen oder häufig wechselnden Inhalten. Die Studie legt nahe, dass dieser Weg nicht automatisch zum gewünschten Ergebnis führt. Ein unperfektes, aber echtes Foto kann im Zweifel mehr Vertrauen erzeugen als eine makellose Generierung.

Sinnvoll ist deshalb eine einfache Regel im Redaktionsprozess: Vor jedem KI-Bild steht die Frage, ob das Motiv etwas abbilden oder etwas bebildern soll. Abbildungen brauchen Realitätsbezug, Bebilderungen nicht. Diese Unterscheidung lässt sich in Redaktionsleitfäden festhalten und in Freigabeprozessen prüfen – ohne dass dafür ein aufwendiges Regelwerk nötig wäre.

Einordnung für Web- und Softwareprojekte

Für laufende Web- und Softwareprojekte verschiebt sich damit ein Teil der Aufmerksamkeit von der Bildproduktion hin zur Bildgovernance: Welche Bildarten dürfen generiert werden, wie werden sie gekennzeichnet, und wo wird die Herkunft gespeichert? Diese Fragen gehören in das Content-Management-System und in den Redaktionsworkflow, nicht in eine separate Excel-Liste. Wer das jetzt sauber aufsetzt, muss später weder nachpflegen noch erklären, warum ein Hinweis fehlt.

Quellen