KI-Bilder erkennen: Merkmale, Tools und Herkunftsnachweise im Jahr 2026

Das Wichtigste in Kürze

• Visuelle Merkmale verlieren an Aussagekraft. Fehlerhafte Hände und verzerrte Schrift waren Schwächen älterer Modelle. Aktuelle Bildgeneratoren beherrschen beides. Die Suche nach «typischen KI-Fehlern» führt zunehmend zu Fehleinschätzungen in beide Richtungen.
• Herkunftsnachweise sind der belastbarste Ansatz. Der C2PA-Standard (Content Credentials) und SynthID von Google DeepMind kennzeichnen Bilder direkt bei der Erstellung. Sie liefern eine Aussage über die Entstehung, nicht über das Aussehen.
• KI-Detektoren liefern Wahrscheinlichkeiten, keine Beweise. Sie erzeugen sowohl Falsch-Positive bei echten Fotos als auch Falsch-Negative bei KI-Bildern. Ein Detektorergebnis allein ist keine belastbare Grundlage.
• Kontextprüfung schlägt Pixelanalyse. Rückwärtssuche, Quellenrecherche und Plausibilitätsprüfung sind bei der Bewertung eines Bildes verlässlicher als jede visuelle Detailanalyse.
• Ab August 2026 gilt eine Kennzeichnungspflicht. Der EU AI Act verpflichtet zur Transparenz bei KI-generierten Inhalten. Schweizer Unternehmen mit EU-Marktbezug sind mitbetroffen.

Warum die alten Erkennungsmerkmale nicht mehr genügen

Bis etwa 2024 liessen sich KI-Bilder relativ zuverlässig an handwerklichen Fehlern erkennen. Diffusionsmodelle hatten systematische Schwächen bei Händen, bei Schriftzeichen und bei der Konsistenz von Lichtquellen. Diese Fehler waren so charakteristisch, dass sie zu einer Art Prüfroutine wurden.

Diese Routine ist inzwischen unzuverlässig geworden. Die aktuelle Generation von Bildmodellen erzeugt Hände mit korrekter Fingerzahl, gibt Schrift lesbar und typografisch stimmig wieder und hält Lichtsituationen weitgehend konsistent. Ein Bild, das keine dieser Fehler aufweist, ist deshalb kein Beleg für ein echtes Foto.

Gleichzeitig entsteht ein zweites Problem: Falsch-Positive. Echte Fotos, die stark nachbearbeitet, aufwendig retuschiert oder mit Beauty-Filtern verändert wurden, weisen genau jene Merkmale auf, die als KI-typisch gelten – porenlose Haut, überscharfe Details, unnatürlich weiche Übergänge. Wer diese Merkmale als Beweis behandelt, erklärt regelmässig echte Bilder zu Fälschungen.

Die Konsequenz für die Praxis: Visuelle Merkmale bleiben ein Indiz, aber sie sind kein Nachweis. Der Prüfschwerpunkt verlagert sich auf Herkunft und Kontext.

Welche visuellen Merkmale weiterhin tragen

Die folgenden Merkmale sind nicht verschwunden, sondern nur seltener geworden. Sie eignen sich als erster Filter, nicht als Urteil.

Physikalische Inkonsistenzen

Schatten sind der zuverlässigste verbleibende visuelle Indikator. Prüfen Sie, ob alle Schatten in einer Szene zur selben Lichtquelle passen. Fallen Schatten unterschiedlicher Objekte in verschiedene Richtungen, ohne dass mehrere Lichtquellen sichtbar sind, ist das ein starkes Signal. Gleiches gilt für Reflexionen in Spiegeln, Fensterscheiben oder auf glänzenden Oberflächen: KI-Modelle rechnen keine Strahlengänge, sondern approximieren Aussehen. Reflexionen zeigen deshalb häufig nicht das, was sie zeigen müssten.

Perspektivische Brüche

Fluchtlinien, die nicht konvergieren, Architektur mit inkonsistenten Geschosshöhen oder Objekte, deren Grössenverhältnis zur Umgebung nicht stimmt. Modelle erzeugen lokal plausible Bildausschnitte, ohne eine globale Raumgeometrie zu berechnen.

Semantische Logikfehler

Nicht das Aussehen eines Details ist falsch, sondern seine Bedeutung: eine Tastatur mit doppelter Buchstabenbelegung, ein Zifferblatt mit fehlender Zahl, ein Bedienfeld ohne funktionale Logik, ein Werkzeug, das so nicht bedienbar wäre. Diese Fehler überleben auch dann, wenn die Darstellungsqualität hoch ist – denn das Modell bildet Erscheinung nach, nicht Funktion.

Wiederholungsmuster in Texturen

Bei Textilien, Kacheln, Menschenmengen oder Vegetation entstehen häufig identische Wiederholungen, die in der Realität nicht auftreten würden. Ein Blick in Hintergrundbereiche lohnt sich stärker als ein Blick auf das Motiv im Vordergrund – dorthin fliesst die geringste Rechenaufmerksamkeit der Modelle.

Herkunftsnachweise: der belastbare Ansatz

Statt zu fragen «Sieht das nach KI aus?», stellt dieser Ansatz die produktivere Frage: «Was sagt das Bild über seine eigene Entstehung aus?»

C2PA und Content Credentials

Die Coalition for Content Provenance and Authenticity (C2PA) hat einen offenen Standard entwickelt, der Bildern eine kryptografisch signierte Herkunftshistorie beifügt. Diese sogenannten Content Credentials dokumentieren, mit welchem Gerät oder welchem Werkzeug ein Bild erstellt wurde und welche Bearbeitungsschritte danach erfolgten.

Der Standard wird von einem breiten Konsortium getragen, unter anderem von Adobe, Microsoft, Google, OpenAI, der BBC sowie den Kameraherstellern Leica, Sony, Nikon und Canon. Bilder aus OpenAI-Modellen und aus Adobe Firefly tragen Content Credentials standardmässig.

Prüfen können Sie ein Bild über die offizielle Verifikationsseite von Content Credentials, in die Sie die Bilddatei laden. Ist eine Signatur vorhanden, erhalten Sie eine manipulationssichere Auskunft über die Entstehungskette.

Die Einschränkung: C2PA-Daten können durch Screenshots, erneutes Speichern oder Weitergabe über Plattformen verloren gehen. Das Fehlen von Content Credentials ist deshalb kein Beweis für Manipulation – die Anwesenheit einer gültigen Signatur ist jedoch ein starker Beleg für die dokumentierte Herkunft.

SynthID von Google DeepMind

Google verfolgt einen ergänzenden Weg: SynthID bettet ein für das menschliche Auge unsichtbares Wasserzeichen direkt in die Pixelstruktur ein. Anders als Metadaten überlebt dieses Wasserzeichen Zuschnitte, Kompression, Farbanpassungen und Screenshots.

Alle Bilder, die mit Googles Imagen- und Gemini-Bildmodellen erzeugt werden, tragen ein SynthID-Wasserzeichen. Geprüft wird über den SynthID Detector oder direkt durch Nachfrage in der Gemini-App.

Die Einschränkung: SynthID erkennt ausschliesslich Google-generierte Inhalte. Ein Bild aus einem anderen Modell wird korrekt als «kein SynthID» ausgewiesen – was nichts darüber aussagt, ob es KI-generiert ist.

IPTC Digital Source Type

Der Standard des International Press Telecommunications Council sieht im Metadatenfeld Digital Source Type einen definierten Wert für algorithmisch erzeugte Medien vor (trainedAlgorithmicMedia). Für Unternehmen ist dieses Feld weniger zur Prüfung fremder Bilder relevant, sondern zur eigenen Kennzeichnung: Wer KI-Bilder auf der Unternehmenswebsite einsetzt, kann sie damit sauber deklarieren.

Metadaten und EXIF

Die klassische EXIF-Analyse bleibt ein sinnvoller erster Schritt, hat aber deutliche Grenzen. Fehlende Kameradaten sind kein Beleg für KI – die meisten Plattformen strippen EXIF-Daten beim Upload automatisch. Vorhandene Kameradaten sind umgekehrt kein Beleg für ein echtes Foto, da sich EXIF-Felder trivial fälschen lassen.

Aussagekräftig sind hingegen Software-Tags: Trägt ein Bild Hinweise auf ein Generierungswerkzeug im Metadatensatz, ist das ein belastbares Signal.

KI-Detektoren: was sie leisten und was nicht

Detektionswerkzeuge analysieren statistische Muster in der Pixelverteilung und geben eine Wahrscheinlichkeit aus. Sie sind nützlich – aber nur, wenn ihre Grenzen verstanden werden.

Was Detektoren gut können: Bilder aus Modellgenerationen erkennen, die in ihren Trainingsdaten enthalten waren.

Was Detektoren schlecht können:

• Generalisieren. Ein Detektor, der auf Bildern bis 2025 trainiert wurde, erkennt Ausgaben eines Modells aus 2026 oft nicht.
• Robustheit gegenüber Nachbearbeitung. Kompression, Zuschnitt, Rauschen oder ein zwischengeschalteter Upscaler senken die Trefferquote deutlich.
• Falsch-Positive vermeiden. Stark bearbeitete echte Fotos, KI-gestützte Kamerafunktionen (Computational Photography in modernen Smartphones) und Renderings werden regelmässig fälschlich als KI klassifiziert.

Praxisregel: Behandeln Sie eine Detektorausgabe wie eine Indizienlage, nicht wie ein Testergebnis. Ein Wert von «94 % KI» bedeutet nicht 94 % Wahrscheinlichkeit – es ist ein Konfidenzwert des Modells, kein kalibriertes Risikomass. Nutzen Sie mindestens zwei unabhängige Werkzeuge und gewichten Sie deren Aussage niedriger als einen Herkunftsnachweis.

Verifikation statt Detektion: der Kontextansatz

Für die meisten praktischen Fälle – ein Bild in sozialen Medien, ein Foto in einer Zulieferermail, ein Motiv in einer Bilddatenbank – ist die Kontextprüfung schneller und verlässlicher als jede Pixelanalyse.

Rückwärtssuche

Prüfen Sie über mehrere Suchmaschinen (Google Lens, Bing Visual Search, TinEye, Yandex), ob das Bild bereits existiert. Relevante Fragen: Wann taucht es erstmals auf? In welchem Kontext? Wird es in einem anderen Zusammenhang verwendet als behauptet? Existiert es überhaupt nirgends sonst?

Ein Bild, das ein angeblich weltbewegendes Ereignis zeigt und nur an einer einzigen Stelle im Netz existiert, ist unabhängig von seiner Bildqualität verdächtig.

Quellenprüfung

Wer hat das Bild veröffentlicht? Gibt es eine benannte Bildquelle? Berichten etablierte Medien über dasselbe Ereignis mit anderen Aufnahmen? Bei echten Ereignissen existieren in der Regel mehrere Bilder aus mehreren Perspektiven von mehreren Urhebern.

Plausibilitätsprüfung

Passt die abgebildete Situation zu dem, was über den Ort, die Zeit und die Umstände bekannt ist? Stimmen Wetter, Jahreszeit, Vegetation, Schattenwurf und Sonnenstand zueinander? Sind Beschilderungen, Nummernschilder oder Architekturdetails regional korrekt?

Rechtlicher Rahmen: Kennzeichnungspflicht ab 2026

Der EU AI Act verpflichtet in Artikel 50 Anbieter von KI-Systemen dazu, generierte Inhalte maschinenlesbar als künstlich erzeugt zu kennzeichnen. Zudem müssen Deepfakes offengelegt werden. Die entsprechenden Transparenzpflichten greifen ab dem 2. August 2026.

Für Schweizer Unternehmen ist das aus zwei Gründen relevant:

1. Marktortprinzip: Wer sich mit seiner Website oder seinen Diensten an Nutzerinnen und Nutzer in der EU richtet, fällt in den Anwendungsbereich – unabhängig vom Firmensitz.
2. Faktische Standardsetzung: Auch ohne unmittelbare Rechtspflicht wird die Kennzeichnung von KI-Bildern zur Erwartungshaltung. Unternehmen, die transparent kennzeichnen, vermeiden Glaubwürdigkeitsschäden.

In der Schweiz besteht derzeit keine spezifische gesetzliche Kennzeichnungspflicht für KI-generierte Bilder. Relevant bleiben jedoch die allgemeinen Bestimmungen des UWG zur Irreführung sowie das revidierte Datenschutzgesetz, sobald Personen abgebildet oder synthetisiert werden.

Praxis: KI-Bilder im eigenen Unternehmensauftritt

Die Erkennungsfrage hat eine zweite Seite – nämlich den verantwortungsvollen Umgang mit KI-Bildern in der eigenen Kommunikation. Empfehlenswert sind:

Dokumentierter Bildworkflow. Halten Sie in Ihrem Media-Management fest, welche Bilder KI-generiert sind, mit welchem Werkzeug und unter welcher Lizenz. Nutzen Sie dafür das IPTC-Feld Digital Source Type oder mindestens eine strukturierte Ablage.

Metadatenerhalt beim Upload. Viele CMS und Bildoptimierer strippen Metadaten beim Upload, um Dateigrösse zu sparen. Prüfen Sie, ob Ihr System Content Credentials und IPTC-Felder erhält – sonst verlieren Sie den Herkunftsnachweis genau dort, wo er zählt.

Lizenzprüfung vor kommerziellem Einsatz. Die Nutzungsbedingungen der Bildgeneratoren unterscheiden sich erheblich. Klären Sie vor der Verwendung, ob kommerzielle Nutzung erlaubt ist, ob eine Namensnennung verlangt wird und ob Sie überhaupt Rechte an der Ausgabe erwerben.

Transparente Kennzeichnung. Eine schlichte Bildunterschrift («Bild: KI-generiert») kostet nichts und schützt die Glaubwürdigkeit. Bei Redaktions- und Ratgeberinhalten ist sie faktisch Standard geworden.

Kein KI-Bild für Sachverhaltsdarstellungen. Produktfotos, Teamaufnahmen, Referenzobjekte und Standortbilder sollten echt sein. Ein KI-generiertes «Teamfoto» ist im Zweifel ein wettbewerbsrechtliches Problem.

Häufige Fragen

Kann man KI-generierte Bilder mit blossem Auge sicher erkennen?
Nein. Bei aktuellen Modellen ist eine sichere Erkennung allein durch Betrachtung nicht mehr möglich. Visuelle Merkmale liefern Indizien, keine Nachweise. Belastbar sind Herkunftsnachweise wie C2PA-Content-Credentials und SynthID sowie die Kontext- und Quellenprüfung.

Sind KI-Detektoren zuverlässig?
Nur eingeschränkt. Sie erkennen bekannte Modellgenerationen gut, generalisieren aber schlecht auf neue Modelle und erzeugen Falsch-Positive bei stark bearbeiteten echten Fotos. Ein Detektorergebnis sollte immer durch mindestens eine zweite Methode gestützt werden.

Was sind Content Credentials?
Content Credentials sind eine kryptografisch signierte Herkunftshistorie nach dem C2PA-Standard. Sie dokumentieren, mit welchem Werkzeug ein Bild erstellt und wie es bearbeitet wurde. Sie können über die offizielle Verifikationsseite geprüft werden. Fehlen sie, ist das kein Beweis für eine Fälschung – sie gehen bei Screenshots und Plattform-Uploads häufig verloren.

Erkennt SynthID alle KI-Bilder?
Nein. SynthID erkennt ausschliesslich Bilder, die mit Googles eigenen Modellen erzeugt wurden. Bilder aus anderen Generatoren tragen kein SynthID-Wasserzeichen.

Muss ich KI-Bilder auf meiner Website kennzeichnen?
In der Schweiz besteht derzeit keine spezifische Kennzeichnungspflicht. Der EU AI Act sieht ab dem 2. August 2026 Transparenzpflichten vor, die auch Schweizer Unternehmen mit EU-Marktbezug betreffen können. Unabhängig davon ist eine Kennzeichnung aus Gründen der Glaubwürdigkeit empfehlenswert.

Verrät die Bildgrösse etwas über KI-Herkunft?
Selten. Frühe Modelle erzeugten charakteristische quadratische Formate (1024 × 1024 px), aktuelle Generatoren liefern beliebige Seitenverhältnisse. Ungewöhnlich «runde» Pixelmasse ohne Kameraentsprechung sind allenfalls ein schwaches Indiz.

Fazit

Die Erkennung KI-generierter Bilder hat sich von einer visuellen Aufgabe zu einer Verifikationsaufgabe gewandelt. Wer 2026 noch Finger zählt, prüft ein Merkmal, das die Modelle längst beherrschen. Belastbar sind drei Ebenen: Herkunftsnachweise (C2PA, SynthID, IPTC), Kontextprüfung (Rückwärtssuche, Quellen, Plausibilität) und – nachgeordnet – Detektionswerkzeuge als ergänzendes Indiz.

Für Unternehmen kommt eine zweite Verantwortung hinzu: der transparente Umgang mit KI-Bildern im eigenen Auftritt. Dokumentierte Bildherkunft, erhaltene Metadaten und ehrliche Kennzeichnung sind kein bürokratischer Zusatzaufwand, sondern ein Vertrauensfaktor – und ab August 2026 in Teilen eine Rechtspflicht.

Ihre Website auf professionellem Fundament

Ein sauberer Umgang mit Bildherkunft setzt eine Hosting-Umgebung voraus, die Sie kontrollieren. METANET bietet dafür die passende Infrastruktur:

• WordPress Hosting – optimierte Umgebung mit voller Kontrolle über Medien-Verarbeitung und Bildoptimierung. Sie bestimmen, ob Metadaten und Content Credentials beim Upload erhalten bleiben.
• Managed WordPress Hosting – wir übernehmen Updates, Backups und Sicherheit, damit Sie sich auf Ihre Inhalte konzentrieren können.
• Webhosting – flexible PHP-Versionen und volle Konfigurationsfreiheit für individuelle Bildverarbeitungs-Pipelines.
• VPS und Managed Cloud Server – volle Root-Kontrolle für eigene Verarbeitungslogik, etwa automatisierte C2PA-Prüfung oder Metadaten-Handling im Deployment.
• Virtual Data Center – skalierbare Infrastruktur für anspruchsvolle Medien- und Content-Workflows.

Alle Services werden in der Schweiz betrieben und unterliegen Schweizer Datenschutzrecht. Ihre Bilddaten und Medienbestände bleiben unter Schweizer Datenhoheit – ein Aspekt, der bei Content-Verantwortung und Nachweispflichten zunehmend an Gewicht gewinnt.

Unser Support berät Sie kompetent zur passenden Lösung für Ihren Anwendungsfall.