Authentische KI-Bilder: Sauber ist kein Look
Warum KI-Bilder immer noch nach KI aussehen, obwohl die sechs Finger längst weg sind — und mit welchen Prompts Sie gegen den eingebauten Geschmack der Modelle arbeiten. Die Glätte, die KI-Bilder verrät, ist kein Rückstand der Modelle, sondern ein Trainingsziel. Deshalb hilft kein besseres Modell dagegen, sondern nur ein anderer Prompt.
Die Anleitungen zum Erkennen von KI-Bildern werden jedes Jahr kürzer. Finger zählen bringt nichts mehr, Beschriftungen und Logos rendern die aktuellen Modelle sauber, wächserne Haut gilt als gelöstes Problem. Und selbst der Klassiker, die Glanzlichter in den Augen zu prüfen, trägt nicht mehr zuverlässig, seit die Modelle sie passend zur Szene setzen.
Übrig bleiben Dinge, die kaum jemand benennen kann, und genau dort sitzt das Unbehagen, das Fotografen bei KI-Bildern immer noch haben. Das ist unangenehmer als ein sichtbarer Fehler, weil sich das damit einhergehende Gefühl nicht wegretuschieren lässt.
Worum geht es genau?
Die Merkmale, um die es geht, fallen in drei Gruppen — und sie sind nicht dasselbe. Die einen sind Fehler: Wer sie bemerkt, weiß sofort, was er vor sich hat. Die anderen sind Voreinstellungen, die kein Mensch als Fehler benennen würde und die trotzdem dafür sorgen, dass ein Bild nach nichts aussieht.
1. Wo die Physik nicht stimmt
Licht aus zu vielen Richtungen. Mehrere Lichtquellen an sich sind unverdächtig, die hat jedes echte Foto, und ihre Schatten fallen dort unterschiedlich stark und unterschiedlich weit. Verdächtig wird es, wenn mehr Richtungen im Bild liegen, als die Szene hergibt: ein Gesicht, das von links, von rechts und von unten aufgehellt ist, in einem Raum mit einem Fenster.
Schatten, die nicht zur Quelle gehören. Der Punkt, der von allen am zuverlässigsten trägt. Sonne von links, Schatten nach links. Oder zwei Schatten unter einem Objekt, als gäbe es zwei Sonnen.
Spiegelungen, die nicht zur Szene passen. Wasser als dekoratives Muster, Autolack mit einem generischen hellen Wisch dort, wo Himmel und Umgebung stehen müssten.
Kontaktpunkte. Der eigentliche Nachfolger der sechs Finger. Die Hand hat fünf korrekte Finger und schwebt einen Millimeter um den Griff herum, der Schuh steht auf dem Gras, ohne es plattzudrücken. Kein Druck, keine Verformung, kein Kontaktschatten.
Hintergrundgeometrie. Fensterreihen, die sich in kein Raster einordnen, Fluchtlinien, die auf keinen Kamerastandpunkt zurückführen, Laub als Fläche statt als Blätter. Modelle bauen den Hintergrund als Kulisse für das Motiv, nicht als Raum, in dem jemand stehen könnte.
2. Was ihm antrainiert wurde
Die zweite Gruppe hat mit Physik nichts zu tun, sondern mit Geschmack. Alle Aspekte sind dieselbe Sache an verschiedenen Stellen: es geht um die statistische Mitte. Ein KI-Gesicht liegt näher an der Mitte dessen, was ein Gesicht sein kann, als jedes echte. Keine schiefe Nase, kein zu enger Augenabstand, nichts, was hängenbleibt. Genau das setzt sich in den Zähnen fort, in der Symmetrie, im Licht.
Symmetrie und das Standardgesicht. Dieselbe Mitte, eine Ebene höher. Einzelporträts wirken makellos, aber in Gruppenszenen teilen alle Personen Knochenbau, Haarstruktur und Ausdruck.
Perfekte Zähne. Eine gerade, gleichmäßig weiße Reihe. Ein echtes Gebiss hat einen Eckzahn, der vordrängelt, auseinanderlaufende Weißtöne und eine Kante, die minimal schief sitzt.
Zu großer Dynamikumfang. Lichter und Tiefen gleichzeitig durchgezeichnet, in einer Situation, in der keine Kamera das schafft. Dazu Farbe, die über das ganze Bild konsistenter bleibt, als Sensor und Objektiv sie liefern würden.
3. Was keine Kamera gemacht hat
Die dritte Gruppe fällt Fotografen zuerst auf und steht in keinem der üblichen Leitfäden, weil sie nichts beweist.
Kein Objektivcharakter. Der Schärfeverlauf ist gemalt und nicht optisch entstanden. Kein Abfall zu den Bildrändern, ein Bokeh ohne Blendenform, und vor allem: Die Unschärfe nimmt nicht mit der Entfernung zu, sondern liegt als gleichmäßiger Weichzeichner hinter dem Motiv.
Kein Tiefenabfall. Die feine Zeichnung ist über alle Entfernungen gleich stark. Echte Luft schafft das nicht, denn mit der Distanz sinken Kontrast, Sättigung und Auflösung, und ein Gebäude am Horizont hat weniger Detail als eines im Vordergrund.
Textur als Muster. Echte Oberflächen gewinnen beim Hineinzoomen Detail, KI-Textur wird zum glatten, wiederholten Muster: Gewebe, Fell, Gebäck, Putz. Dazu das fehlende Sensorrauschen, das das Bild steril macht.
Zwei Ursachen, nicht eine
Die erste und die dritte Gruppe haben denselben Grund. Ein Bildmodell basiert nicht auf einem Physikmodell und kennt keinen optischen Apparat, sondern die Statistik von Millionen Bildern, in denen Physik und Optik bereits enthalten waren. Hany Farid, Professor an der University of California in Berkeley und der bekannteste Forscher im Feld der Bildforensik, hat das im Wissenschaftsmagazin Science so beschrieben: »Die Auswertung einzelner Pixel als Erkennungsmerkmal funktioniert kaum noch, weil die Generatoren Sensorrauschen und Bildfehler inzwischen mitlernen, bei Schatten und Spiegelungen sieht es anders aus, weil generative KI weder Physik noch Geometrie kennt. Wer eine Lichtsituation prompted, bestellt also keine Lichtrechnung, sondern die häufigste Bildlösung zu dieser Beschreibung.«
Die zweite Gruppe hat einen anderen Grund, der selten genannt wird: Die Glätte ist eine eigene Trainingsstufe. Metas Emu-Paper beschreibt das Verfahren offen. Nach dem Haupttraining folgt eine zweite Runde mit einer kleinen Auswahl besonders ansehnlicher Bilder, im Paper quality-tuning genannt, deren ausdrücklicher Zweck es ist, die Ausgabe auf gefällige Bilder einzuschränken. Ein Aufsatz im Journal of Aesthetics and Art Criticism vom April dieses Jahres beschreibt das Ergebnis aus der anderen Richtung: eine starke Neigung zu übertriebener Farbigkeit, heller Beleuchtung und harten Kontrasten, zurückgeführt auf den hohen Anteil von Werbebildern und Instagram-Selfies im Trainingsmaterial. Die Autorin nennt den entstehenden Effekt einen Instagram-Look.
Damit steht fest, wogegen die Arbeit geht, nämlich nicht gegen eine fehlende Fähigkeit, sondern gegen einen eingebauten Geschmack. Das erklärt auch, warum das nächste Modell das Problem nicht löst: Rauschen und Textur sind längst mitgelernt. Die KI-Generierung verrät sich nicht durch einen Fehler im Bild, sondern durch das Fehlen von Fehlern.
Dass sich der Aufwand lohnt, Bilder gegen den eingebauten Geschmack zu prompten, zeigt inzwischen auch der Markt — und zwar nicht, weil das Publikum die Bilder als KI enttarnt, sondern weil sie ihm nichts sagen. Die Agentur Billion Dollar Boy hat die Begeisterung für KI-generierte Creator-Inhalte von 60 Prozent im Jahr 2023 auf 26 Prozent im Jahr 2025 fallen sehen, und Hootsuite beobachtet für dieses Jahr, dass knapp ein Drittel der Verbraucher eine Marke mit KI-Werbung eher meidet, während erfolgreiche Marken bewusst weggehen vom überpolierten Auftritt.
Vier Stufen statt vierzig Wörtern
Was zu diesem Thema an Prompt-Sammlungen zirkuliert, sind meist Wortlisten. Wortlisten sind die letzte der vier Stufen und die schwächste.
01 Die Bildgattung wechseln. Diese Stufe behebt keinen Fehler. Sie entscheidet, wonach das Bild aussieht — und ist genau deshalb der stärkste Hebel. Jede Bildgattung bringt Voreinstellungen mit, die ungefragt kommen. Ein Editorial-Porträt liefert kamerabewusst, lächelnd, gebleachtes Gebiss, eine dokumentarische Aufnahme liefert unaufgeräumt, Zufallsdetails, vorhandenes Licht.
Beschreibe ich eine Alltagsszene in der Sprache der Porträtfotografie, kämpfe ich anschließend mit Adjektiven gegen etwas, das nie im Prompt stand. Ich benenne deshalb nicht das Motiv, sondern die Fotografie: die Gattung, das Licht, den Moment, das Material.
02 Verneinungen umbauen. Hier liegt der Fehler, der die meisten Prompt-Listen wertlos macht. Ein Begriff, der im Prompt steht, wird häufig generiert, auch wenn ein „kein“ davorsteht. »not perfect teeth« ergibt perfekte Zähne, »no HDR« ergibt HDR. Die Verneinung gehört deshalb in das Wort selbst: »imperfect«, »asymmetric«, »uneven«, »unposed«.
Und wo ein Bearbeitungsschritt gemeint ist, schreibe ich stattdessen hin, was davon im Bild zu sehen wäre, also nicht »no tone mapping«, sondern die Lichter, die am Fensterrahmen ausbrennen, und die Schattenseite, die in zeichnungsloses Schwarz fällt.
03 Wenige Hinweise setzen, nicht zehn. Dass ein überladener Prompt schlechter ankommt als ein knapper, ist von zwei Seiten gemessen: Die Trefferquote sinkt mit der Verschachtelung des Prompts, und sie sinkt mit seiner Länge. Ich setze deshalb höchstens zwei Realismus-Hinweise pro Kategorie und nie alle Kategorien gleichzeitig.
Der zweite Grund steht in keinem Benchmark: Jedes Wort zieht seine gewohnte Umgebung mit. „Porträt eines Astronauten“ zeigt ein Gesicht, „Porträt eines Astronauten auf dem Mars“ einen geschlossenen Helm — ohne Helm wäre die Szene unmöglich, also ergänzt das Modell ihn. Für Realismus-Hinweise gilt dasselbe: Falten bringen Alter mit, Schweiß bringt Hitze mit, Poren bringen Nähe mit.
04 Die Szene entlasten. Ein Benchmark vom Dezember zeigte für die damals aktuellen Modelle: Objekte und Eigenschaften kamen zuverlässig an, Zählungen, räumliche Beziehungen und Interaktionen dagegen nicht. Bei den Modellen, die seither erschienen sind, ist das teilweise besser geworden, vor allem bei denen, die die Komposition vor dem Rendern planen. Verlassen würde ich mich darauf nicht: Wer sagt, wie viele Objekte wo stehen und wer was hält, prüft es besser nach. Was zudem hilft, ist weniger Szene: ein Objekt, eine Ortsangabe, eine Interaktion weniger.
Und dann die Regel, die gegen den Reflex läuft. Die längste Imperfektions-Liste gewinnt nicht, denn fünf gestapelte Makel ergeben ein Bild, das absichtlich kaputt aussieht, und absichtlich kaputt ist genauso ein Look wie sauber.
Welche Modelle mitspielen
Für Alltagsszenen nehme ich häufig Grok Imagine. In dokumentarischen Registern arbeitet es zuverlässig, und kleine Imperfektionen im Prompt verstärken den Effekt, statt gegen das Modell zu laufen. Einziger Nachteil, Grok Imagine erlaubt nur ein Referenzbild. Nano Banana Pro und GPT Image 2 liefern ebenfalls vernünftige Ergebnisse, nur den unrealistisch hohen Dynamikumfang habe ich diesen beiden bisher nur selten abgewöhnen können. Higgsfield Soul und Krea, beide in Vergleichslisten regelmäßig als realismusstark geführt, haben bei mir bisher kein Ergebnis geliefert, das ich verwendet habe.
Genau daran zeigt sich, dass die Modellwahl das Prompten nicht ersetzt: Der eingebaute Geschmack sitzt auch in den Modellen, die realistisch können.
Der Beweis liegt beim Bild
Bleibt die Frage, warum ausgerechnet Fotografen diese Bilder unruhig macht. Die Merkmale, die übrig bleiben, sind keine KI-Merkmale, sondern Kamera-Merkmale: woher das Licht kommt und wohin der Schatten fällt, wie die Schärfe zum Rand und in die Tiefe abfällt, wie eine Oberfläche unter der Lupe aussieht, wie viel Kontrast ein Sensor gleichzeitig halten kann. Das sind Entscheidungen, die beim Fotografieren jedes Mal fallen, meist ohne dass jemand darüber nachdenkt. Wer sie kennt, sieht ihr Fehlen.
Für die Praxis heißt das eine Verschiebung: Zwei Jahre lang war die entscheidende Frage, ob ein KI-Bild überhaupt als Foto durchgeht. Heute geht es mehr darum, ob man ihm ansieht, dass jemand entschieden hat, wo das Licht steht, was scharf ist und welche Oberfläche zu sehen ist. Eine Kamera liefert diese Entscheidungen nebenbei mit, ein Modell liefert sie nicht.
PRAXISTIPPS: Englische Prompt-Bausteine für authentische KI-Bilder
Als Gattung tragen: documentary photography, street photography, photojournalism, environmental portrait, candid, unposed.
Beim Licht: available light only, overcast diffused daylight, mixed ambient street light.
Film und Kamera arbeiten als Registeranker mit: Kodak Portra 400, Ilford HP5 pushed one stop, Leica M6, Fujifilm X100V.
Statt Verneinungen — Begriffe, die die Abweichung tragen: imperfect · asymmetric · uneven · misaligned · unlit · bare
Dynamikumfang, sichtbare Spur statt Verfahren: highlights clipping out on the window frame, the shadow side dropping to featureless black shadows lifted, the blacks sitting at dark grey
Augen — ein Glanzlicht, passend zum Licht: single soft ambient catchlight matching key light geometry natural iris texture, realistic capillaries in sclera
Zähne: one canine sitting slightly forward of the line, enamel in an uneven off-white
Tiefenabfall: contrast and saturation falling away with distance, the far end losing detail into haze the background reading softer and paler than the foreground
Oberfläche benennen (ein Wort pro Fläche genügt): bare concrete with form-tie holes · worn linoleum, the pattern gone through at the doorway · plaster gone yellow around the lamp
Kontaktpunkte: the fingers pressing the fabric into a fold where he grips it the sole sinking into the wet grass, blades bent flat around it
Halation, wenn eine Lichtquelle im Bild ist: a soft orange halo bleeding out around the bulb
Weiterführende Quellen:
- Miller et al., AI Hyperrealism, Psychological Science — https://journals.sagepub.com/doi/10.1177/09567976231207095
- Dunn et al., Too good to be true, British Journal of Psychology, Februar 2026 — https://bpspsychub.onlinelibrary.wiley.com/doi/10.1111/bjop.70063
- GenEval 2, Benchmark zur Prompt-Treue — https://arxiv.org/html/2512.16853v1
FAQ – Authentische KI-Bilder
Es gibt zwei getrennte Gründe. Der erste ist Physik: Ein Bildmodell rechnet Licht und Schatten nicht, es reproduziert die statistisch häufigste Bildlösung zu einer Beschreibung. Deshalb bleiben Schattenrichtungen, Spiegelungen und Kontaktpunkte anfällig. Der zweite ist Geschmack: Nach dem Haupttraining bekommen die Modelle eine eigene Trainingsstufe, die die Ausgabe auf ästhetisch gefällige Bilder einschränkt. Die Glätte ist damit kein Defizit, sondern ein Ziel.
Was fällt Fotografen an KI-Bildern zuerst auf?
Meist nicht ein einzelner Fehler, sondern der fehlende Objektivcharakter: Die Unschärfe liegt als gleichmäßiger Weichzeichner hinter dem Motiv, statt mit der Entfernung zuzunehmen. Dazu der fehlende Tiefenabfall — gleichmäßiger Mikrokontrast über alle Entfernungen, den echte Luft nicht liefern kann. Beides beweist nichts, aber beides erzeugt das Unbehagen.
Hilft eine lange Liste mit Negativ-Prompts?
Nein, und meist verschlimmert sie es. Ein benannter Begriff wird gezeichnet, auch wenn eine Verneinung davorsteht — »not perfect teeth« liefert perfekte Zähne. Wirksam sind Begriffe, die die Abweichung selbst tragen, etwa »imperfect« oder »asymmetric«, und die Beschreibung der sichtbaren Spur statt des Verfahrens.
Wie viele Realismus-Hinweise gehören in einen Prompt?
Bei Standbildern maximal zwei pro Kategorie, und nicht alle Kategorien gleichzeitig. Jeder Hinweis behauptet etwas mit: Falten altern die Figur, Schweiß erhitzt die Szene, Poren vergröbern das Gesicht. Wer fünf Makel stapelt, bekommt ein Bild, das absichtlich beschädigt aussieht.
Welches Modell liefert die realistischsten Alltagsbilder?
Für Alltagsszenen greife ich zu Grok Imagine, das in dokumentarischen Registern zuverlässig arbeitet. Higgsfield Soul und Krea stehen in vielen Vergleichslisten weit oben, haben bei mir aber bisher kein verwendbares Ergebnis geliefert. Wichtiger als die Modellwahl bleibt die Formulierung, weil die zweite Trainingsstufe in jedem dieser Modelle steckt.
Warum wirkt der Dynamikumfang von KI-Bildern falsch?
Weil Lichter und Tiefen gleichzeitig durchgezeichnet sind, in Situationen, in denen keine Kamera das leisten kann. Das Trainingsmaterial besteht zu großen Teilen aus bearbeiteten Werbe- und Social-Media-Bildern, in denen genau diese Bearbeitung schon steckt. Wirksam ist nicht die Anweisung, kein HDR zu verwenden, sondern die Beschreibung ausbrennender Lichter und zeichnungsloser Schatten.
Sind Symmetrie und perfekte Zähne technische Fehler?
Nein, sie sind Schönheitsideale aus dem Trainingsmaterial. Modelle konvergieren auf ein idealisiertes Standardgesicht, was in Gruppenszenen als Klon-Effekt sichtbar wird: gleicher Knochenbau, gleiche Haarstruktur, gleicher Ausdruck bei allen Personen im Bild. Untersuchungen zur Gesichtswahrnehmung zeigen, dass diese Mitte von ungeschulten Betrachtern sogar als besonders menschlich gelesen wird.
Lohnt sich der Aufwand überhaupt, oder erledigt das die nächste Modellgeneration?
Die Modellgeneration erledigt die Physik-Fehler zunehmend, die Geschmacksschicht aber nicht, denn sie wird bewusst eingebaut. Rauschen und Textur sind längst mitgelernt, der Grade bleibt: Licht zu gleichmäßig vorteilhaft für die Szene, Farbe konsistenter als jede Kamera sie liefert.
