KI Bilder erkennen – Was Detektoren wirklich können

Wenn du lernen willst, KI Bilder erkennen zu können, ist die erste Lektion eine Demütigung: Ein Detektor ist kein Beweis, nur ein Alarm. Du hast ein Bild auf dem Screen und eine Frage: echt oder generiert? Ein KI-Bilder-Erkennungs-Tool spuckt dir in drei Sekunden eine Prozentzahl aus, und diese Zahl stimmt weniger oft, als die Oberfläche dir Mut zuspricht. Ein gutes System zur Verifizierung basiert nicht allein auf Software-Scores. Hier steht, was in der Praxis wirklich funktioniert, wo die Tools versagen, und die Routine, die ein seriöser Art Director vor dem Client-Deck durchläuft.

Kurz gesagt: Behandel einen Detector wie einen Rauchmelder, nicht wie einen Richter.

Was schauen KI-Detektoren sich eigentlich an?

Die meisten sind Klassifizierer, auf zwei Haufen trainiert: Fotos aus Kameras und Outputs von Generatoren wie Midjourney, Stable Diffusion und DALL-E. Sie lernen statistische Gewohnheiten. Rausch-Muster, Frequenz-Artefakte, die Art, wie feine Texturen sich wiederholen, wenn ein Modell Details füllt.

Das ist der ganze Trick. Keine Magie, nur ein Modell, das viel von beiden Haufen gesehen hat. Das erklärt auch die Hauptschwäche: Ein Detector ist nur so gut wie die Generatoren, auf denen er trainiert wurde – und die Generatoren ändern sich alle paar Monate. Wer weiß, auf welchen Modellen die neueste Version von Flux oder Midjourney lief? Der Detektor nicht.

Manche Tools addieren eine zweite Schicht: Sie lesen Provenance-Daten und Watermarks aus den Dateimetadaten. Das ist ein anderes Tier, deutlich zuverlässiger, und dazu kommen wir weiter unten. Bis dahin: Die meisten Bilder, die du testest, haben keine Provenance-Daten mehr, weil Plattformen die Container-Metadaten routinemäßig strippen.

Wie genau sind sie wirklich?

Kommt drauf an, wer das Lineal hält. Eine Übersicht, die acht Tools auf eine kleine Menge echter Fotos plus Midjourney v6, DALL-E 3 und Stable Diffusion Outputs laufen ließ, meldet Hive Moderation bei etwa 94% und Illuminarty bei etwa 91%. Das sind solide Zahlen auf sauberen, unkomprimierten Dateien aus dem Labor.

Jetzt lies das Kleingedruckte. Der gleiche Text gibt zu, dass die echte Genauigkeit mit Post-Editing und Kompression beim Upload erheblich schwankt. Vendor veröffentlichen auch ihre eigenen Benchmarks – was ein bisschen ist, wie wenn ein Restaurantbesitzer sein eigenes Restaurant rezensiert. Die Zahlen sehen großartig aus, bis du sie in der echten Welt testest.

Hier ist der Test, den wir laufen würden, und den du in zehn Minuten selber laufen kannst. Nimm drei Gruppen von Dateien, deren Herkunft du mit Sicherheit kennst:

• frische, unverarbeitete Outputs aus Midjourney v7 und Flux

• die gleichen Dateien nach Screenshot und JPEG-Neustart durch dein System

• echte Fotos und Scans, auch alte Filmbestände und Polaroids

Erwarte drei Dinge. Saubere Generationen werden in den meisten Fällen erwischt – aber nicht immer. Die geöffnet wieder gespeicherten Kopien werden weniger zuverlässig erkannt. Und ein paar echte Fotos – besonders weiche oder stark retuschierte – werden fälschlicherweise als KI gekennzeichnet. Die letzte Gruppe landest du niemals auf einer Landing Page.

Vendors veröffentlichen False-Positive-Zahlen. Ein Tool meldet eine 0,16%-Flagrate auf 10.000 historischen Bildern von vor 2022, das ist statistisch beeindruckend – aber es ist der eigene Benchmark des Vendors auf einem sehr spezifischen Dataset. Dein retuschiertes, überschärftes Kundenfoto liegt nicht in diesem Dataset.

Skip jedes Tool, das eine einzelne sichere Prozentzahl ohne Erklärung oder Visualisierung zeigt. Lohnt sich: Tools, die zeigen, welche Regionen des Bildes verdächtig wirken, und die ehrlich zugeben, wenn sie unsicher sind.

Warum zerstören Screenshots und Re-Saves das Ergebnis?

Weil der forensische Beweis an fragilen Orten lebt. Die Pixel-Level-Fingerprints, auf die Klassifizierer sich verlassen, werden von Resizing, Rekompression und Bildfiltern vollständig verschmiert. Instagram, X und die meisten Chat-Apps machen alle drei Operationen, sobald du eine Datei hochlädst – automatisch, ohne dich zu fragen.

Die gleiche Geschichte für Metadaten im Datei-Container. Content Credentials und EXIF-Felder sitzen in diesem Container, und Plattformen strippen sie routinemäßig beim Upload. Ein fehlender Credential beweist nichts über die Authentizität des Bildes. Es bedeutet nicht, dass das Bild falsch ist, und es bedeutet nicht, dass es echt ist. Es bedeutet nur: Die Metadaten sind weg.

Das ist der Teil, den viele Leute übersehen. Die Abwesenheit eines Signals ist nicht selbst ein Signal – das ist logisch, aber psychologisch schwer zu akzeptieren.

Watermarks und Content Credentials: bessere Signale, kleinere Coverage

Zwei Technologien spielen 2026 eine relevante Rolle. Content Credentials, die auf dem C2PA-Standard basieren, hängen einen digital signierten Datensatz des verwendeten Tools und aller Edits direkt an die Dateibinary. SynthID-ähnliche Watermarks embedden ein für Menschen unsichtbares, aber maschinenlesbares Signal direkt in die Pixel zur Generationszeit ein. Diese technische Erklärung zu C2PA versus SynthID legt die Unterschiede gut dar: Credentials erzählen dir die Herkunftsgeschichte einer Datei, das Watermark sagt dir exakt, welcher Generator sie gemacht hat, und keines der beiden funktioniert, wenn der Generator nicht mitmacht.

Wenn diese Signale vorhanden sind, schlagen sie jeden statistischen Klassifizierer. Eine kryptografisch gültige Signatur ist forensischer Beweis, nicht eine statistische Vermutung.

Der Haken ist die Coverage. Open-Source-Modelle laufen auf persönlichen Computern lokal, also muss niemand Provenance-Daten attachen. Wenn deine Referenz aus einer hausgebauten Flux- oder Stable Diffusion-Pipeline auf privater Hardware kam, erwarte keine Signalen. Stiehl diese Regel: Ein positiver Provenance-Hit ist zuverlässig stark, ein negativer ist bloße Stille.

Die Art-Director-Routine: fünf Checks, bevor du dem Ergebnis traust

Detectors sind nur ein Input in einem größeren System. Das ist die Reihenfolge, in der wir bei jedem wichtigen Bild arbeiten:

1. Schau dir das Bild zuerst bei 200% Zoom an. Untersuche Hände, Zähne, Schmuck, Text auf Schildern, die Nahtstelle zwischen Haaren und Hintergrund. Alte Erkennungsmerkmale, aber sie erwischen immer noch den durchschnittlich generierten Kram.

2. Frag den ursprünglichen Urheber nach der Original-Datei. Eine unkomprimierte Camera RAW oder ein geschichtetes PSD-File ist wertvoller als jeder Detektor-Score.

3. Lauf zwei oder drei unabhängige Detectors parallel, niemals nur einen. Wenn sie sich widersprechen, ist diese Diskrepanz dein eigentliches Ergebnis.

4. Reverse Image Search über Google, Bing oder spezialisierte Tools. Ein echtes Foto hat meist eine online-Herkunftsgeschichte. Eine frisch generierte Image hat typischerweise keine Treffer.

5. Prüf alle Provenance-Daten und Metadaten, wenn die Datei noch welche besitzt und nicht gestriped wurden.

Keines davon ist schnell. Das muss es auch nicht sein. Du laufst diese Routine nur, wenn das Bild strategisch wichtig ist: Ein Client-Brief, ein Wettbewerbseintrag, eine Quelle, die du prominente kredieren willst.

Was bedeutet eine 60%-Punktzahl eines Detektors?

Nicht viel. Ein Klassifizierer-Output ist ein Confidence-Wert aus einem neuronalen Modell, nicht eine Wahrscheinlichkeit, dass das Bild in der echten Welt falsch generiert ist. Unterschiedliche Tools sind unterschiedlich kalibriert, also kann 60% in Produkt A das gleiche bedeuten wie 85% in Produkt B.

Zwei Regeln halten dich ehrlich. Erstens: Ignoriere die Mittelbande komplett. Alles zwischen rund 30% und 70% ist das System, das psychologisch zuckt – es sagt dir nichts Zuverlässiges. Zweitens: Vergleiche nie Scores über verschiedene Produkte hinweg. Vergleiche stattdessen die Urteile mehrerer Tools auf dem gleichen Bild, und schau genau, wo sie sich widersprechen.

Die Diskrepanzen sind da, wo die interessante Detektiv-Arbeit beginnt. Wenn ein Tool „92% KI-generiert" sagt und ein anderes „8%", dann wurde einer von ihnen wahrscheinlich nie auf dem verwendeten Generator trainiert, oder die Datei wurde irgendwo in der Transportkette stark verändert. Geh zurück zur Quelle, frag nach dem Original, und prüf die Metadaten und EXIF-Daten erneut.

Was die Generatoren selbst dagegen machen

Die Modelle, die du schon täglich benutzt, sind der Grund, warum dieses Erkennungs-Problem überhaupt existiert. Deshalb ist es wichtig zu verstehen, wo jedes einzelne Tool bei der Kennzeichnung eigener Outputs steht.

Midjourney Outputs sind für ihre glatte, polierte Qualität berüchtigt, was das „zu sauber" Merkmal mit jeder neuen Version schwächer macht. Die v7 sieht authentischer aus als die v6.

Adobe Firefly verlässt sich standardmäßig auf Content Credentials, was seine Dateien am einfachsten zu überprüfen macht – solange niemand die Metadaten auf dem Transportweg zu dir entfernt hat.

Krea ist da, wo viele Profis in echte Zeit iterieren. Schnelle Schleifen, viele Stilisierungen, und es gibt keine Garantie, dass irgendetwas im downstream das Herkunfts-Modell identifizieren kann.

Upscaler spielen hier eine wichtige Rolle. Ein generiertes Bild durch Magnific hochskaliert zu haben addiert echte, neue Textur hinzu, und genau diese zusätzliche Textur verwirrt einen Klassifizierer, der auf rauem Modell-Output trainiert wurde. Wenn du einen Detector testen planst, musst du ihn auch auf hochskalierten Dateien testen.

Blunt Take: Keines dieser Generator-Tools ist wirklich dazu gebaut, dein Leben als Verifizierer leichter zu machen. Das ist dein Job.

Sollte ich einen Detector für bezahlte Client-Arbeit verwenden?

Lohnt sich, wenn du ihn als bloße Triage-Stufe benutzt. Ein gekennzeichnetes Bild bekommt automatisch einen genaueren zweiten Blick von dir. Ein sauberer Detector-Score kauft dir dagegen nichts außer „kein Alarm ging los" – das ist kein Beweis.

Skip den Detector komplett, wenn du versucht bist, einen Prozentsatz-Score als Beweis in einem rechtlichen Streit, einer DMCA-Takedown oder einem Wettbewerbsergebnis zu verwenden. Falsch-Positive auf echter Kunst sind der schmerzhafte Teil dieser Technologie. Fotografen und Illustratoren sind bereits auf der Kraft eines Tools-Outputs gekündigt worden, und eine flache Prozentzahl ist eine schwache juristische Position, hinter die man sich stellt.

Was wir wirklich tun würden: Schreib den gesamten Verifizierungs-Prozess auf. Welche Tools, welche Versionen, welches genaue Datum, welche Dateien wurden verwendet. Eine datierte schriftliche Notiz schlägt einen Screenshot eines Scores um Welten.

Und wenn du derjenige bist, der die Bilder herstellt, behalt deine vollständigen Working Files. Schichten, Seeds, Prompt-Noten, die hässlichen frühen Entwürfe, Export-Settings. Es ist die billigste Versicherung, die ein Art Director kaufen kann, und es ist auch ausgezeichnete Moodboard-Hygiene.

Wo es weitergeht

Nimm fünf Bilder, deren Herkunft du mit absoluter Sicherheit kennst – drei echte und zwei generierte – lauf sie durch zwei oder drei verschiedene Detectors, dann nimm einen Screenshot der Ergebnisse und lauf sie erneut durch. Du wirst in dieser einen Session mehr über die Stärken und Schwächen dieser Tools lernen als jede Landing Page oder jedes Tutorial dir sagen wird.

Dann remix das Experiment mit deinem persönlichen Stack. Welches deiner Lieblings-Generatoren wird zuerst von den Detectors erwischt? Welcher schlüpft am meisten durch? Diese praktische, wiederholte Erfahrung ist unbezahlbar für deine zukünftige Arbeit.