KI-Produktbilder im Vergleich:
Warum Skalierung an Halluzinationen scheitert
Ein einzelnes KI-Bild sieht in Sekunden überzeugend aus – erst beim genaueren Hinsehen fallen falsches Logo, falsche Proportionen oder Materialfehler auf. Bei einer ganzen Produktserie werden aus solchen Details schnell ein Kontroll- und Compliance-Problem. Otto, Bria.ai/ComfyUI und Nischen-Plattformen wie Presti zeigen, wie unterschiedlich Handelsunternehmen versuchen, mit KI eine skalierbare Produktbild-Produktion aufzubauen – was dabei funktioniert, und woran es in der Praxis oft noch scheitert.
Halluzinationen auslösen
wie der Handel darauf reagiert
Auf einen Blick
- Der erste Eindruck täuscht: Ein KI-Bild wirkt überzeugend, bis man genauer hinsieht – falsches Logo, falsche Proportionen, Materialfehler.
- KI-Bildmodelle erfinden Details, die sie aus einem Referenzbild nicht kennen.
- Die Abweichungen lassen sich auf wenige, wiederkehrende Fehlerkategorien zurückführen: Form, Farbe, Material, Logo, Beschriftung, Szenenlogik.
- Bei 50 Bildern lässt sich das noch nachkontrollieren, bei 1.000 wird es zum Geschäftsrisiko.
- Otto, Bria.ai/ComfyUI und Nischen-Plattformen wie Presti zeigen drei sehr unterschiedliche Lösungen, mit jeweils eigener Grenze.
- Referenzbild-Pflicht, automatisierter Abgleich und Human-in-the-Loop sind die drei Stellschrauben, unabhängig von der gewählten Lösung.
Der erste Eindruck täuscht
Ein Prompt, wenige Sekunden warten, und das Ergebnis wirkt verblüffend echt. Erst beim genaueren Hinsehen fällt auf, was nicht stimmt.
Das Logo sitzt leicht schief oder ist verzerrt, die Proportionen des Produkts weichen minimal vom Original ab, die Materialoberfläche wirkt an einer Stelle unpassend glatt. Bei einem einzelnen Bild lässt sich das schnell von Hand korrigieren oder schlicht ignorieren. Genau dieses Muster – erster Eindruck stark, zweiter Blick ernüchternd – ist der Ausgangspunkt für alles, was in der Serienproduktion folgt.
Warum KI-Modelle Details erfinden, die es nicht gibt
KI-Bildmodelle arbeiten mit Wahrscheinlichkeiten, nicht mit Fakten.
Sie erzeugen ein Bild auf Basis dessen, was in ihren Trainingsdaten am wahrscheinlichsten zum Prompt passt – nicht auf Basis eines exakten Abgleichs mit dem realen Produkt. Ohne Referenzbild „erfindet“ das Modell zwangsläufig Details, die es aus dem Produkt selbst nicht kennt: die genaue Form eines Reißverschlusses, die Struktur eines Stoffes, die exakte Platzierung eines Logos.
Ein Referenzbild schränkt diesen Spielraum ein, schaltet ihn aber nicht vollständig ab: Bildgenerierende Modelle bilden eine Vorlage nicht einfach ab, sondern interpretieren sie – wodurch selbst bei vorhandenem Referenzbild noch kleine Abweichungen entstehen können, wie das Reißverschluss-Beispiel weiter unten zeigt. Genau deshalb reicht „Referenzbild mitgeben“ allein nicht aus – es braucht zusätzlich eine systematische Prüfung des Ergebnisses.
Wo sich Halluzinationen konkret zeigen
Genau das lässt sich an sechs wiederkehrenden Fehlerkategorien festmachen – auch dann, wenn ein Referenzbild vorliegt.
- Form: Proportionen, Kanten oder Silhouette weichen spürbar vom Originalprodukt ab.
- Farbe: Farbton oder Sättigung stimmen nicht mit dem realen Produkt überein.
- Material: Oberflächenstruktur wirkt unpassend glatt, künstlich oder falsch texturiert.
- Logo: Markenzeichen ist verzerrt, falsch platziert oder in der Form ungenau.
- Beschriftung: Text auf dem Produkt ist unleserlich, verfremdet oder schlicht erfunden.
- Szenenlogik: Schatten, Perspektive oder Umgebung passen nicht plausibel zusammen.
Gleiche Jacke, vier KI-Generierungen: Der Reißverschluss verändert sich trotz vorhandenem Referenzbild bei jeder Variante.
Warum aus einem Detail ein Geschäftsrisiko wird
Bei einem einzelnen Bild wie dem Reißverschluss-Beispiel oben fällt eine solche Abweichung kaum ins Gewicht. Entscheidend wird sie erst in der Serie: Bei 50 Produktbildern lässt sich das noch von Hand nachkontrollieren. Bei 1.000 nicht mehr.
Wie der Handel heute auf das Problem reagiert
Die Beispiele oben zeigen, wie leicht sich Halluzinationen einschleichen. Interessant ist, mit welchen Lösungen Unternehmen versuchen, das Problem in den Griff zu bekommen – und wer am Ende die Aufwände dafür trägt.
| Lösung | Ansatz | Grenze |
|---|---|---|
| Inhouse-Eigenentwicklung Beispiel: Otto |
Ersetzt klassische Modelfotografie durch KI-generierte Bilder – laut Unternehmensangaben 5× mehr Content pro Tag, bis zu 60 % geringere Kosten. | Setzt ein eigenes Digital- und KI-Engineering-Team voraus, das Qualitätssicherung und Weiterentwicklung dauerhaft selbst trägt. |
| DIY-Technologie-Stack Beispiel: Bria.ai + ComfyUI, Weavy |
Enterprise-taugliche, lizenzierte Bildmodelle lassen sich über node-basierte Werkzeuge zu individuellen Workflows verketten. | Ein Baukasten, keine fertige Lösung – der Workflow muss bei jeder neuen Modellversion selbst angepasst werden. |
| Spezialisierte Nischen-Plattform Beispiel: Presti u. ä. |
SaaS-Tools für einzelne Branchen (z. B. Möbel) liefern automatisiert Produktbild-Varianten in Katalogqualität. | Auf einen Anwendungsfall zugeschnitten – kein durchgängiger Workflow mit Anbindung an PIM, DAM oder Category-Prozesse. |
Alle drei exemplarischen Lösungen bestätigen dieselbe Erkenntnis: Reine Bildgenerierung reicht für den Handel nicht aus. Entscheidend ist der Workflow drumherum – Referenzabgleich, automatisierte Qualitätskontrolle, Markenkonsistenz über hunderte Artikel hinweg. Der Unterschied liegt darin, wer diesen Workflow baut und pflegt: bei Otto das eigene Unternehmen, beim DIY-Technologie-Stack die eigene IT, bei der Nischen-Plattform niemand – weil sie den Fall gar nicht abdeckt.
„Der Unterschied zwischen einem beeindruckenden Einzelbild und einer verlässlichen Bilderserie liegt nicht im Modell, sondern im Prozess drumherum – genau daran entscheidet sich, ob KI im Handel wirklich skaliert oder Stückwerk bleibt.“
Was Unternehmen konkret tun können
Die wirksamen Gegenmaßnahmen laufen auf drei Punkte hinaus:
Wie gut der eigene Prozess bei diesen drei Punkten bereits steht, lässt sich mit sechs Fragen ehrlich einordnen. Es geht nicht darum, ob überhaupt ein KI-Tool im Einsatz ist, sondern ob die eigene Bildproduktion bereits wie ein belastbarer, wiederholbarer Prozess funktioniert – oder noch von Zufall, Glück und einzelnen Personen abhängt:
- Können Sie für jedes KI-Bild garantieren, dass Farbe, Material und Details exakt dem realen Produkt entsprechen?
- Sehen 5.000 Produktbilder so aus, als kämen sie aus einem einzigen Studio – gleiche Perspektive, gleiches Licht, gleicher Look?
- Gibt es einen klar definierten Freigabe-Schritt mit fester Verantwortung – oder hängt es vom Zufall ab, ob ein fehlerhaftes Bild auffällt, bevor es live geht?
- Läuft Ihre KI-Bildproduktion auch dann stabil weiter, wenn die eine Person, die sich mit den Prompts auskennt, das Unternehmen verlässt?
- Sind Ihre Markenvorgaben (Bildstil, Look, Tonalität) fest im Prozess verankert – oder verlassen Sie sich darauf, dass jede Person sie „im Kopf“ hat?
- Wenn Sie ein Motiv in sechs Monaten leicht abgewandelt erneut brauchen: Können Sie es reproduzieren, oder fangen Sie bei null an?
Wenn Sie bei zwei oder mehr dieser Fragen gezögert haben, läuft Ihr aktueller Bildproduktions-Prozess vermutlich eher über Handarbeit und Glück als über einen verlässlichen Workflow.
Fazit
Keine dieser drei exemplarischen Lösungen behebt das Halluzinations- und Skalierungsproblem vollständig und für jedes Unternehmen gleichermaßen. Otto zeigt, dass es technisch geht, wenn ein Unternehmen bereit ist, ein eigenes Engineering-Team dauerhaft dafür bereitzustellen. Bria.ai und ComfyUI zeigen, dass die einzelnen Bausteine dafür längst existieren – nur eben als Baukasten, nicht als fertige Lösung. Und Nischen-Plattformen zeigen, dass es auch schlanker geht, solange der Anwendungsfall eng genug bleibt.
Media Experience Platform kennenlernen
Genau diesen automatisierten Abgleich übernimmt die Media Experience Platform – als fertig konfigurierter Workflow, ohne dass ein Unternehmen ihn selbst aufbauen muss.