Visuelle Lesefähigkeit: Bilder machen kann jetzt jeder. Lesen kann sie aber fast niemand.
Visuelle Lesefähigkeit war jahrzehntelang ein Refugium für Bildprofis. Sie entwickelt sich gerade zur einzigen Fähigkeit im Umgang mit Bildern, die sich nicht abkürzen lässt.
Vierzig Auswahlbilder auf dem Monitor, die Entscheidung fällt in unter zwei Minuten. Das dritte von links, ganz klar. Warum? Wirkt einfach stärker. Diese Antwort hört man in Bildbesprechungen jeden Tag, und meistens ist sie sogar richtig. Nur ist „wirkt stärker“ kein Urteil, sondern ein Gefühl. Im Idealfall geäußert mit Berufserfahrung im Rücken, oft einfach nur aus dem Bauch heraus. Welche Zeichen dieses Bild setzt, welche Erwartung es bedient und welche es bricht, warum es genau bei dieser Zielgruppe zündet und bei der Nachbarzielgruppe nicht, lässt sich in den seltensten Fällen sauber benennen. Das Können stützt sich auch Erfahrung, und findet kaum den Weg in eine angemessene Sprache.
Lange war das kein Problem, sondern ein Berufsgeheimnis. Wer Bilder bauen konnte, musste sie nicht erklären können. Das Machen war knapp, teuer und schwer, und darin lag der Wert. Diese Knappheit ist gerade verdampft. Bilder bauen kostet inzwischen einen Satz und vier Sekunden, und das Ergebnis ist auf den ersten Blick oft gut genug. Was übrig bleibt, wenn das Machen billig wird, ist das Deuten: entscheiden können, welches Bild etwas taugt, was es behauptet, woher es kommt und ob man ihm folgen will. Genau darin sind wir allerdings deutlich schlechter, als uns lieb sein kann. Auch die Fachwelt.
Die Zahlen sind unangenehm
Ein Test des Microsoft-Labors AI for Good kam bei mehr als 12.500 Teilnehmern auf eine Trefferquote von rund 62 Prozent bei der Frage, ob ein Bild von einer Maschine stammt. Bei zwei Antwortmöglichkeiten liegt der Zufall bei fünfzig. Sophie Nightingale und Hany Farid zeigten bereits 2022 in den PNAS, dass synthetische Gesichter nicht mehr zuverlässig von echten unterschieden und obendrein als vertrauenswürdiger bewertet wurden.
Fragt man dieselben Leute vorher, wie gut sie synthetische Bilder erkennen, geben sich die meisten souverän. Das ist der eigentliche Befund. Nicht dass wir es nicht können, sondern dass wir fest damit rechnen, es zu können.
Der italienische Fotograf Alex Coghe hat das Thema kürzlich auf Fstoppers angestoßen und dabei eine Vermutung geäußert, die man nicht teilen muss, um sie interessant zu finden: dass ein gewisses Maß an visuellem Analphabetismus für manche Beteiligte durchaus praktisch sei. Bevor man darüber streitet, lohnt der Blick zurück. Denn es gab eine Zeit, in der Menschen Bilder tatsächlich flüssig lasen. Ausgerechnet solche, die nicht schreiben konnten.
Als Bilder noch eine Grammatik hatten
Über dem Seitenaltar hängt eine junge Frau, zu ihren Füßen ein zerbrochenes Rad. Zwei Schritte weiter ein Mann, dem ein eiserner Rost beigestellt ist wie ein Haustier. Am Pfeiler gegenüber einer mit zwei Schlüsseln in der Faust, überlebensgroß, während die Stifterfamilie des Bildes am unteren Bildrand auf Kindergröße geschrumpft kniet.
Wer im Jahr 1480 als Besucher in diese Kirche kam, konnte in aller Regel keinen einzigen Satz lesen. Aber er wusste augenblicklich Bescheid: Katharina, die aufs Rad geflochten werden sollte. Laurentius, der auf dem Rost starb. Petrus, der die Schlüssel zum Himmelreich verwaltet. Und er wusste, dass der Größte im Bild nicht der Mächtigste im Dorf war, sondern der Wichtigste in der Ordnung des Heils. Die Attribute waren ein Alphabet: Rad, Rost, Schlüssel, Turm, Lamm, Löwe. Die Farben waren Vokabeln. Das tiefe Ultramarin aus zermahlenem Lapislazuli war so teuer, dass Auftraggeber im Vertrag festhielten, wie viel davon zu verwenden sei, und es blieb deshalb Maria vorbehalten. Wer Blau sah, wusste, wer gemeint war, und zugleich, was der Stifter sich das hatte kosten lassen.
Papst Gregor der Große hatte um das Jahr 600 in einem Brief an Bischof Serenus von Marseille die Formel geliefert, die ein Jahrtausend hielt: Malerei gehöre in die Kirchen, damit jene, die der Schrift nicht mächtig sind, wenigstens an den Wänden durch Anschauen lesen könnten, was sie in Büchern nicht zu lesen vermögen. Das war keine fromme Nettigkeit, sondern eine medienpolitische Ansage. Und es funktionierte, weil drei Bedingungen zusammenkamen, die uns heute sämtlich fehlen. Erstens: sehr wenige Bilder, ein paar Dutzend im ganzen Leben. Zweitens: ein verbindlicher, überschaubarer Zeichenvorrat. Drittens: jemand, der ihn erklärte, Woche für Woche. Knappheit, Kanon, Lehrer. Wer diese drei hat, wird zwangsläufig kompetent.
Alle drei sind weg. Für 2025 schätzt der Marktbeobachter Photutorial die weltweite Fotoproduktion auf rund 2,1 Billionen Aufnahmen, also etwa 5,3 Milliarden pro Tag. Man muss solche Hausnummern nicht auf die Nachkommastelle glauben, die Größenordnung genügt. Kein Bild wird mehr fünfhundertmal betrachtet. Die meisten werden ein einziges Mal gestreift, in einer Daumenbewegung, die eher an Wegwischen erinnert als an Betrachten. Diese Rezeptionstechnik hat sogar einen eigenen Namen: Doomscrolling.
Warum wir es trotzdem für Können halten
Bei der Schrift ist der eigene Analphabetismus schmerzhaft offensichtlich. Wer keine kyrillischen oder japanischen Buchstaben lesen kann, merkt es in einer Zehntelsekunde. Ein Bild dagegen liefert immer sofort ein Ergebnis. Es sieht aus wie etwas. Und dieses Gefühl, verstanden zu haben, ist im Moment des Sehens von echtem Verstehen kaum zu unterscheiden. Das Auge meldet keine Lücke, es meldet ein Bild.
Der Kunsthistoriker Erwin Panofsky hat diesen Mechanismus 1939 sauber in drei Stadien zerlegt: das vorikonografische, in dem man erkennt, dass da eine Frau mit einem Rad steht; das ikonografische, ab dem man weiß, dass es Katharina ist; und das ikonologische, bei dem man versteht, warum sich ausgerechnet diese Zunft ausgerechnet diese Heilige ausgerechnet in diesem Jahr an diesen Pfeiler malen ließ. Die meisten von uns kommen über Stufe eins nicht hinaus, und bemerken es nicht, weil sich Stufe eins vollständig anfühlt. Vilém Flusser hat später von den technischen Bildern gesagt, sie seien Texte, die sich als Fenster tarnen. In den achtziger Jahren klang das nach Kulturpessimismus. Heute liest es sich wie ein Wetterbericht.
Die Attribute sind zurück, nur gehören sie jetzt anderen
Man könnte einwenden, es gebe doch längst wieder feste Bildcodes, und das stimmt sogar. Die goldene Abendsonne im Gegenlicht bedeutet Echtheit. Die leicht verwackelte Handkamera bedeutet Nähe. Das gedeckte Beige der Wohnraumaufnahme bedeutet Geschmack, das grelle Rot des Miniaturbilds bedeutet Aufregung. Ein aufgeschlagenes Notizbuch bedeutet Gedankentiefe, ein Fensterplatz im Flugzeug ein Leben, das größer ist als das eigene. Manche Ikonografie so klar wie das Rad der Katharina.
Nur mit zwei Unterschieden, und die haben es in sich. Der mittelalterliche Zeichenvorrat war öffentlich und wurde absichtlich erklärt. Der heutige ist kommerziell, wird nie erklärt und wechselt alle achtzehn Monate. Er wird nicht gelehrt, sondern getestet, optimiert und eingesetzt. Der Bauer vor dem Altar wurde belehrt, gewiss, aber er wusste, dass er belehrt wurde. Wer heute durch einen Bilderstrom scrollt, hält die Beeinflussung für den eigenen Geschmack.
Siebenundvierzig Sekunden
Dazu kommt eine Entwicklung, die das Problem von der anderen Seite zuzieht. Die Informatikerin Gloria Mark misst seit 2004, wie lange Menschen bei einer Bildschirmansicht bleiben. Damals waren es im Mittel etwa zweieinhalb Minuten, in ihren jüngeren Erhebungen rund siebenundvierzig Sekunden. Für einen Text ist das wenig. Für ein Bild ist es beinahe viel, denn Bilder bekommen selten eine ganze Sekunde.
Bildlesen aber ist eine langsame Tätigkeit. Es besteht aus Wiedersehen, Vergleichen, Stutzen, Zurückgehen. Und genau diese Etappen will die Künstliche Intelligenz uns abnehmen, wenn sie das Bild beschreibt, zusammenfast, einordnet und deutet. Das ist bequem, oft hilfreich und oftmals besser als das, was der eigene flüchtige Blick zustande bringt. Es hat nur einen Preis mit Zahlungsziel: Eine Fähigkeit, die man nicht mehr übt, verschwindet nicht mit einem Knall. Sie verkümmert leise, und man merkt es erst, wenn man sie mal wirklich braucht.
Herkunft ist nicht Wahrheit
Solange ein Foto ein Abdruck der Wirklichkeit war, gab es unterhalb aller Deutungsfragen eine harte Bodenplatte: Irgendetwas war da gewesen, sonst wäre das Licht nicht auf den Film gefallen. Diese Bodenplatte ist weg. Ein generiertes Bild zeigt keine Wirklichkeit, sondern die statistisch wahrscheinlichste Form einer Behauptung.
Damit verschiebt sich die Frage, die man an ein Bild stellt. Nicht mehr: Was ist darauf zu sehen? Sondern: Wer hat das gemacht, womit, mit welcher Absicht, und wie offen legt er das dar? Herkunftsdaten nach dem C2PA-Standard helfen dabei, lösen das Problem aber nicht. Eine sauber signierte Aufnahme kann eine perfekt inszenierte Lüge dokumentieren, und ein völlig ungetaggtes Bild kann stimmen. Herkunft ist ein Indiz, kein Beweis.
Sechs Übungen, mit denen sich sofort anfangen lässt
Die Verlockung an dieser Stelle ist der Ruf nach dem Detektivblick. Zählen Sie die Finger, prüfen Sie die Schatten. Das war zwei Jahre lang brauchbar und ist heute überholt, denn die Fehler, die man erkennen lernt, sind genau jene, die als nächstes behoben werden. Wer visuelle Lesefähigkeit als Fehlersuche definiert, hat ein Wettrüsten begonnen, das er verlieren muss. Es geht um etwas anderes, und das lässt sich üben.
Das Ein-Bild-Protokoll. Einmal pro Woche ein einziges Bild nehmen und zehn Minuten dabei bleiben. Drei Zeilen notieren, nach Panofsky sortiert: Was sehe ich? Was weiß ich darüber? Was will es? Die dritte Zeile ist die schwerste und die einzige, die wirklich zählt.
Das Kontra-Bild. Zu jedem Bild, das überzeugt, in Gedanken die Gegenversion bauen. Welche Entscheidung wurde hier getroffen, und wogegen? Wer Alternativen sieht, sieht die Absicht. Das ist zugleich die beste Übung für die eigene Bildproduktion.
Rückwärtssuche als Reflex. Vor jedem Weiterreichen eines Bildes eine Bildrückwärtssuche mit einer Suchmaschine starten. Zwanzig Sekunden, und sie erledigt einen erheblichen Teil dessen, was das Auge nicht leisten kann.
Die eigene Domäne als Prüfstand. Unstimmigkeiten fallen fast nie im Pixel auf, sondern in der Sache. Der Segler sieht, dass Wind und Wellen nicht zusammenpassen. Nehmen Sie sich Bilder aus dem Feld vor, das Sie wirklich beherrschen. Sie werden sich wundern, wie viel Sie erkennen können, wenn Sie nur genug Wissen haben.
Alte Bilder lesen. Einmal im Monat ein Gemälde aus dem 15. oder 16. Jahrhundert richtig durcharbeiten, mit Attributliste. Klingt nach Volkshochschule, ist aber das beste verfügbare Trainingsgelände, weil dieser Code vollständig dokumentiert ist. Wer an einem geschlossenen System übt, erkennt danach die offenen leichter.
In Serien lesen, nicht in Einzelbildern. Aby Warburg hat sein Leben damit verbracht, Bilder nebeneinanderzuhängen und auf das zu warten, was zwischen ihnen aufblitzt. Sein Mnemosyne-Atlas blieb bei seinem Tod 1929 unvollendet, und das war kein Unglück, sondern die logische Form der Sache. Sechs Bilder zu einem Thema nebeneinander sagen mehr als sechzig nacheinander.
Der Rest ist Übung
Bleibt eine Frage, die sich nicht sauber auflösen lässt. Der Bauer vor dem Altar las sein Bild fehlerfrei, aber er las genau eine Deutung, und die war ihm vorgegeben. Seine Sicherheit war das Ergebnis einer Monokultur. Unsere Unsicherheit ist der Preis für eine Vielfalt, die er sich nicht hätte vorstellen können. Man kann das als Abstieg beschreiben. Man kann es auch als Erwachsenwerden beschreiben, das eben anstrengend ist.
Vermutlich stimmt beides. Wir haben die Eindeutigkeit verloren und die Freiheit gewonnen, sind aber mit dem Anspruchsniveau des Bauern in die Freiheit gegangen. Wir wollen immer noch, dass ein Bild uns sofort und ohne Gegenleistung sagt, was Sache ist. Diese Erwartung ist der eigentliche Analphabetismus, nicht das fehlende Wissen um Katharinas Rad.
Für alle, die beruflich Bilder bauen, ist das übrigens keine schlechte Nachricht. Wenn das Machen zur Massenware wird, verschiebt sich der Wert dorthin, wo er ohnehin immer lag: ins Urteil. Nur muss man es diesmal auch aussprechen können.
Einzelne Gedankengänge dieses Textes entwickle ich ausführlicher in „Synthetische Wahrheit. Medienkompetenz in Zeiten von KI„, insbesondere die Verschiebung von Echtheit zu Wahrhaftigkeit und die Grenzen technischer Herkunftsnachweise.
Anzeige
Medienkompetenz
in Zeiten 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.
Fragen und Antworten: Visual Litracy
Visuelle Lesefähigkeit bezeichnet die Fähigkeit, Bilder nicht nur wahrzunehmen, sondern zu entschlüsseln: ihre Zeichen, ihre Herkunft, ihre Absicht und ihren Kontext. Sie geht über das Erkennen von Gegenständen hinaus. Wer visuell lesefähig ist, fragt nicht nur, was auf einem Bild zu sehen ist, sondern auch, wer es gemacht hat, mit welchen Mitteln und zu welchem Zweck.
Weil das Erzeugen von Bildern seinen Knappheitswert verliert. Generative Systeme liefern in Sekunden brauchbare Ergebnisse, womit sich der berufliche Wert vom Machen zum Urteilen verschiebt. Gefragt ist die Fähigkeit, zu entscheiden, welches Bild trägt, was es behauptet und woher es stammt. Der Artikel argumentiert, dass diese Deutungsfähigkeit die einzige bleibt, die sich nicht abkürzen lässt.
Deutlich schlechter, als sie annehmen. Ein Test des Microsoft-Labors AI for Good ergab bei mehr als 12.500 Teilnehmern eine Trefferquote von rund 62 Prozent bei der Frage, ob ein Bild von einer Maschine stammt. Bei zwei Antwortmöglichkeiten liegt der Zufall bei 50 Prozent. Sophie Nightingale und Hany Farid zeigten 2022 in den PNAS, dass synthetische Gesichter nicht mehr zuverlässig von echten unterschieden und sogar als vertrauenswürdiger bewertet wurden.
Nur noch eingeschränkt. Sichtbare Fehler wie falsche Fingerzahlen oder unstimmige Schatten waren einige Jahre lang brauchbare Hinweise, werden von neuen Modellgenerationen aber gezielt behoben. Wer Bildprüfung als Fehlersuche betreibt, hinkt der Entwicklung dauerhaft hinterher. Verlässlicher sind die Prüfung der Sachlogik im eigenen Fachgebiet und die Frage nach Quelle und Kontext eines Bildes.
Weil ein Bild immer sofort ein Ergebnis liefert. Anders als bei einer fremden Schrift, deren Unverständlichkeit sofort auffällt, meldet das Auge keine Lücke. Das Gefühl, verstanden zu haben, ist im Moment des Sehens von echtem Verstehen kaum zu unterscheiden. Hinzu kommt der von Dunning und Kruger beschriebene Effekt: Wer wenig über Bildsprache weiß, weiß auch zu wenig, um das eigene Nichtwissen zu bemerken.
Weil drei Bedingungen zusammentrafen, die heute fehlen: Knappheit, ein verbindlicher Zeichenvorrat und regelmäßige Erklärung. Ein Mensch des 15. Jahrhunderts sah im ganzen Leben nur wenige Dutzend Bilder, meist immer dieselben in seiner Dorfkirche, und bekam ihre Bedeutung sonntags erläutert. Diese Wiederholung machte ihn im Umgang mit diesem begrenzten Bildvorrat sicher, obwohl er in der Regel weder lesen noch schreiben konnte.
Attribute sind feste Gegenstände, an denen eine Figur eindeutig zu erkennen ist. Ein zerbrochenes Rad steht für Katharina von Alexandrien, ein eiserner Rost für Laurentius, zwei Schlüssel für Petrus, ein Turm für Barbara. Auch Farben und Größenverhältnisse waren codiert: Das teure Ultramarin aus Lapislazuli blieb Maria vorbehalten, und die Bedeutungsperspektive stellte die wichtigste Figur am größten dar, unabhängig von ihrer Position im Raum.
Der Kunsthistoriker Erwin Panofsky unterschied 1939 drei Stufen. Vorikonografisch: Man erkennt, dass eine Frau mit einem Rad dargestellt ist. Ikonografisch: Man weiß, dass es sich um die heilige Katharina handelt. Ikonologisch: Man versteht, warum genau dieses Motiv zu dieser Zeit an diesem Ort in Auftrag gegeben wurde. Die meisten Betrachter kommen über die erste Stufe nicht hinaus.
Nur begrenzt. Herkunftsdaten nach dem C2PA-Standard dokumentieren, welches Gerät und welche Software an einer Datei beteiligt waren, und schaffen damit Nachvollziehbarkeit. Sie beantworten aber nicht die Frage nach der Wahrheit. Eine korrekt signierte Aufnahme kann eine sorgfältig inszenierte Situation zeigen, und ein Bild ganz ohne Herkunftsdaten kann zutreffend sein. Herkunft ist ein Indiz, kein Beweis.
Durch regelmäßige Übung statt durch Technik. Der Artikel nennt sechs Ansätze: ein einzelnes Bild wöchentlich zehn Minuten lang nach Panofsky durcharbeiten; zu jedem überzeugenden Bild die Gegenversion denken; vor dem Weiterreichen eine Bildrückwärtssuche durchführen; Bilder aus dem eigenen Fachgebiet prüfen, weil Unstimmigkeiten dort auffallen; alte Gemälde mit dokumentierter Zeichensprache als Trainingsgelände nutzen; und Bilder in Serien statt einzeln betrachten.
