Wer heute auf seinem Photoshop-Rechner KI-Bilder in 2K-Auflösung generieren will, stößt schnell an die Grenzen der Hardware und damit auch an die der Geduld. Generative Bild KI braucht am PC teure NVIDIA-Grafikkarten oder an M-Macs Unmengen von RAM. Doch ab wann rechnet sich der Sprung auf eigene Workstations? Und wie viel KI steckt tatsächlich schon in Apples Chips? Die Antworten sind überraschend klar – und für Bildprofis hochrelevant.
Technik
Die KI-Revolution ist längst im Atelier angekommen. Während Apples Marketing jeder Version neuer M-Chips das Versprechen von lokaler Intelligenz auf dem Mac erneuert, scharren ambitionierte Projekte wie PandaOS für den erst von uns mit den Hufen. Das Versprechen ist eine Arbeitsumgebung, in der KI-Modelle und sensible Daten nicht mehr in der Cloud verarbeitet werden und schlimmstenfalls ausgewertet und als Trainingsmartieral genutzt werden.
Doch wie viel davon ist wirklich schon Alltagsrealität, und wo bleibt der Traum von der eigenen, unabhängigen KI-Workstation noch Wunschdenken? Wer mit hochauflösenden Bildern arbeitet, will wissen: Reicht der aktuelle Mac, oder muss es doch die RTX-Workstation sein? Und ab wann lohnt sich der Umstieg wirtschaftlich wirklich?
Apple, PandaOS und der neue KI-Realismus
Bisher ist die die Nutzbarkeit von Macs bei Einsatz lokaler KI – freundlich formuliert – bescheiden. Apple hat aber mit der aktuellen Chip-Roadmap für etwas Klarheit gesorgt: Der M6 erscheint nur als Basisversion, die Pro-, Max- und Ultra-Varianten werden übersprungen. Der Grund ist einfach: Die Neural Engine der kommenden M7-Generation soll einen Sprung in Richtung spezialisierter KI-Beschleunigung machen, der mit der bisherigen Architektur nicht mehr zu erreichen war. Die M7 Ultra-Variante, die für das erste Halbjahr 2027 angekündigt ist, soll bis zu 1,5 Terabyte Arbeitsspeicher bieten. Ein Wert, der bislang nur im Serverbereich zu finden war und bei aktuellen Apple-RAM-Preisen mit etwa 20.000 Euro zu Buche schlagen würde. Doch aktuell bleibt es bei maximal 96 GB RAM im Mac Studio M3 Ultra, und auch die Neural Engine des M5 ist zwar leistungsfähig, aber noch kein Ersatz für eine dedizierte GPU, wenn es um Bildgenerierung in hoher Auflösung geht.
Speziallösungen wie das PandaOS wiederum sind derzeit nur als Early-Access-Beta für Entwickler und Unternehmen verfügbar. Diese Plattform setzt auf lokale Datenhaltung und die Integration externer wie auch eigener KI-Modelle. Wer auf maximale Kontrolle und Datenschutz Wert legt, findet hier eine vielversprechende, aber noch nicht massentaugliche Lösung. Die Integration von Workflows, Automatisierungen und KI-Agenten ist beeindruckend, doch für den produktiven Einsatz im Studioalltag bleibt Geduld gefragt.
Text oder Bild? Die Hardware trennt die Spreu vom Weizen
Für die Textproduktion sind die Anforderungen überschaubar. Ein Mac Studio M4 Max mit 96 GB RAM oder eine RTX 5090 Workstation stemmen 7- bis 34-Milliarden-Parameter-Modelle problemlos, solange sie quantisiert laufen. Selbst 70B-Modelle lassen sich auf Apple Silicon mit theoretisch adressierbaren 192 GB RAM betreiben, allerdings mit deutlich geringerer Geschwindigkeit als auf einer aktuellen Nvidia-GPU. Wer täglich unter 900.000 Tokens verarbeitet, fährt mit Cloud-APIs von OpenAI oder Anthropics wirtschaftlicher. Erst ab dieser Schwelle lohnt sich die Investition in eigene Hardware, wenn man die Kosten über zwei Jahre rechnet.
Anders sieht es bei der Bildgenerierung aus. Wer lokal mit FLUX in 2K-Auflösung arbeitet, braucht mindestens 24 GB VRAM für FLUX. Eine RTX 5090 liefert ein 2K-Bild mit FLUX in 10 bis 25 Sekunden. Der Mac Studio M4 Max mit 96 GB RAM hängt mit drei bis sechs Minuten pro Bild meilenweit dahinter und das System kostet mehr als das Doppelte. Es ist für diese Aufgabe also ziemlich ungeeignet und produktiv kaum einsetzbar. Wer täglich am PC mehr als 100 Bilder mit FLUX generiert, spart mit einer eigenen Workstation gegenüber den API-Kosten. Für Gelegenheitsnutzer bleibt die Cloud günstiger und flexibler.
Die neue Arbeitsteilung: Hybrid bleibt Trumpf
Die Praxis zeigt: Die meisten Studios und Agenturen setzen auf eine Mischform. Routineaufgaben und sensible Projekte laufen lokal, Spezialaufträge oder besonders rechenintensive Jobs wandern in die Cloud. Auf KI-Generierung ausgelegte Hardware liefert die Werkzeuge für mehr Unabhängigkeit, doch die Grenzen sind immer noch schnell erreicht. Wer heute in 2K oder höher arbeitet, kommt an einer dedizierten Nvidia-GPU kaum vorbei. Die nächste Generation der Apple-Chips wird möglicherweise im Hinblick auf den Umgang mit Text vieles vereinfachen, doch bis 2027 bleibt die RTX 5090 das Maß der Dinge. Zumindest für Bildprofis. Und es ist nicht unwahrscheinlich, dass sich auch danach für Bildkreative nichts daran ändert.
Anzeige
Medienkompetenz in Zeit von KI
Bilder beweisen nichts mehr. Generative KI hat die Grenze zwischen echter und simulierter Wirklichkeit nahezu unsichtbar gemacht. In „Synthetische Wahrheit“ liefert DOCMA-Herausgeber Christoph Künne eine fundierte und nüchterne Bestandsaufnahme dieses historischen Epochenbruchs. Fernab von Technik-Euphorie und apokalyptischen Untergangsszenarien.
FAQ: Lokale KI für Bildprofis – Was zählt wirklich?
Für leistungsfähige lokale Textmodelle reichen 16 GB VRAM. Für 2K-Bilder mit FLUX mindestens 24 GB VRAM, besser sind 32 GB VRAM.
Eine RTX 5090 liefert ein 2K-Bild mit FLUX benötigt 10 bis 25 Sekunden. Der Mac Studio M4 Max schafft ein 2K-Bild mit FLUX in 360 bis 720 Sekunden.
Bei Text ab etwa 900.000 Tokens pro Tag (GPT), bei Bildern ab 100 (FLUX) Bildern pro Tag, am PC mit einer auf KI spezialisierten Grafikkarte. Darunter bleibt die Cloud günstiger. Macs sind nicht für produktive Umgebungen geeignet.
PandaOS ist eine vielversprechende, aber noch nicht allgemein verfügbare Lösung für lokale KI-Workflows. Wer heute maximale Kontrolle sucht, muss sich noch mit Early-Access-Status und Beta-Charme arrangieren.
Die M7 Ultra-Variante mit bis zu 1,5 TB RAM ist für das erste Halbjahr 2027 angekündigt. Bis dahin (und wahrscheinlich auch danach) bleibt die RTX 5090 für Bildprofis die erste Wahl.
