So erkennt man von KI generierte Bilder: Wichtige Anzeichen, die auch im Jahr 2026 noch gelten

Zählen Sie die Finger. Dieser Tipp findet sich immer noch in fast jedem Leitfaden zum Erkennen von KI-generierten Bildern. Dabei versagt diese Methode bereits seit über zwei Jahren, und niemand scheint bemerkt zu haben, dass die Diskussion über das Erkennen von KI-generierten Bildern so weit hinterherhinkt.

In mehreren Studien, die Hunderttausende von Bildbewertungen umfassten, lagen die Genauigkeitsraten von Menschen bei der Unterscheidung zwischen KI-generierten und echten Bildern zwischen 49% und 62%. Das entspricht einer Wahrscheinlichkeit von 50%. Eine Studie untersuchte insbesondere die Bewertungen von 1.276 Teilnehmern.

Im Durchschnitt lagen sie bei 49,4%, in einigen Fällen sogar unter dem Zufallsniveau. iProov testete zudem die Fähigkeit von Medienvertretern, KI-generierte Bilder zu erkennen, und stellte fest, dass 0,11 TP6T der Teilnehmer 1001 TP6T der gezeigten gefälschten Bilder identifizieren und melden konnten. Weitere 601 TP6T gaben an, volles Vertrauen in ihre Ergebnisse zu haben.

Diese große Lücke bei den Konfidenzfehlern – und nicht mangelnde Fähigkeiten bei der visuellen Überprüfung durch Mensch und Gehirn – ist der Kern dieses wachsenden Problems bei fast allen derzeitigen Methoden der KI-Fälschungserkennung für Bilder.

Dieser Leitfaden zur Erkennung von KI-generierten Bildern unterscheidet sich daher von den meisten anderen Leitfäden dadurch, dass er in einer bestimmten Reihenfolge aufgebaut ist – angefangen bei den am wenigsten genutzten bis hin zum Spitzenprodukt zur Erkennung nicht nachweisbarer, von KI generierter Bilder, dem „Undetectable AI Image Detector“.

Wichtig ist, dass wir hier auch mit einem Mythos aufräumen werden, der von den meisten anderen Ratgebern immer wieder verbreitet wird, nämlich dass Bilder, auf denen Menschen zu sehen sind, am schwersten zu erkennen sind – dabei sind in Wirklichkeit gerade die langweiligen Bilder am schwersten zu erkennen.

---

Wichtigste Erkenntnisse

• Die menschliche Trefferquote bei KI-Bildern liegt je nach Studie zwischen 49 und 62 Prozent, was dem Zufall eines Münzwurfs entspricht oder diesen nur knapp übersteigt. Das Vertrauen liegt jedoch weit darüber.

• Du bist am besten darin, gefälschte Gesichter zu erkennen, und am schlechtesten darin, gefälschte Landschaften, Objekte und Straßenszenen zu erkennen. Fast alle gängigen Ratschläge beziehen sich auf Gesichter – also genau die Kategorie, die du bereits gut beherrschst.

• Überprüfen Sie zuerst die Herkunft, bevor Sie die Bildpixel unter die Lupe nehmen. Seit Mai 2026 enthält jedes ChatGPT-Bild sowohl eine C2PA-Kennung als auch ein SynthID-Wasserzeichen, und Google integriert entsprechende Erkennungsfunktionen in die Suche und in Chrome.

• Das Fehlen einer Herkunftsangabe beweist nichts. Screenshots und die meisten sozialen Plattformen entfernen C2PA-Metadaten, sodass fehlende Angaben in keiner Weise als Beweis dienen.

• Die Anzeichen, die nach wie vor funktionieren, beziehen sich auf die Physik und nicht auf die Anatomie. Die Richtung der Schatten, Reflexionen, die Schärfentiefe und Größenverhältnisse sind für ein Modell viel schwieriger konsistent darzustellen als eine Hand.

• Wenn der Sehtest keine eindeutigen Ergebnisse liefert, was häufig der Fall ist, dann AI-Bild-Detektor liefert dir das Ergebnis in Sekundenschnelle – ganz gleich, ob es sich bei dem Motiv um ein Gesicht oder einen Parkplatz handelt.

---

Warum es so schnell so schwer wurde

Die sichtbare Verbesserungskurve ist so steil, dass jeder, der seine Instinkte im Jahr 2023 entwickelt hat, mit einem Museumsstück arbeitet. Vergleicht man das Ergebnis, das DALL-E 2 im Jahr 2022 für dieselbe Eingabe erzeugt hat, mit den Ergebnissen aktueller Modelle, so gehören sie kaum noch zum selben Medium.

Im „International AI Safety Report“ aus dem Jahr 2026 wurde festgestellt, dass sich KI-generierte Inhalte in allen Formaten immer schwerer von echten Inhalten unterscheiden lassen, wobei die Bildqualität das deutlichste Beispiel dafür ist.

Es passierten zwei Dinge gleichzeitig. Die Modelle wurden besser darin, genau jene Artefakte zu erkennen, auf die alle gelernt hatten zu achten, denn diese Artefakte waren die lautesten Kritikpunkte und daher die ersten Angriffsziele. Und die Ästhetik veränderte sich. Ein frühes Anzeichen dafür war, dass KI-Bilder aussahen, als ob zu gut, mit dieser retuschierten, überbelichteten, leicht künstlich anmutenden Optik.

Aktuelle Modelle erzeugen ohne Weiteres Bilder, die wie mittelmäßige Handyschnappschüsse aussehen – komplett mit Bewegungsunschärfe, schlechtem Bildausschnitt, Sensorrauschen und einem Daumen in der Ecke. Diese Unschönheit ist mittlerweile Teil des Ergebnisses und nicht mehr nur ein Zeichen von Authentizität.

Es lohnt sich auch, ganz offen zu sagen, was die Zahlen über Erkennungsinstrumente im Vergleich zu Menschen aussagen. Maschinelle Erkennungssysteme erreichen unter Laborbedingungen eine Erkennungsrate von 90 bis 96 Prozent, doch in der Praxis sinkt dieser Wert erheblich, wenn es um Modelle geht, die das Erkennungssystem noch nicht kennt.

Selbst nach diesem Rückgang ist es noch lange nicht knapp. Ein Tool, das einen mittelmäßigen Tag hat, schneidet immer noch besser ab als ein umsichtiger Mensch, der einen guten Tag hat.

Die Anzeichen, die nicht mehr funktionierten

Bevor wir zu den nützlichen Anhaltspunkten kommen, lohnt es sich, diejenigen aus dem Weg zu räumen, die noch immer im Umlauf sind und Sie derzeit aktiv in die Irre führen. Jeder der folgenden Punkte war zu einem bestimmten Zeitpunkt tatsächlich zuverlässig. Keiner von ihnen bildet heute noch eine sichere Grundlage für eine Beurteilung.

Alte Erzählung	Warum es funktioniert hat	Stand im Jahr 2026
Zähle die Finger	Frühe Diffusionsmodelle berücksichtigten die Handstruktur nicht und erzeugten standardmäßig sechs oder sieben Finger.	Praktisch überholt. Aktuelle Modelle stellen Hände in den allermeisten Fällen korrekt dar.
Achten Sie auf verstümmelten Text	Schilder, Buchrücken und Etiketten erschienen als buchstabenförmiges Rauschen	Für kurze Texte weitgehend überholt. Für dichte Absätze und ungewöhnliche Schriftarten jedoch nach wie vor von gewissem Nutzen.
Es sieht zu perfekt aus	Die frühen Exemplare wiesen einen einheitlichen Glanz und eine unechte Haut auf.	Umgekehrt. Die Modelle ahmen nun auf Wunsch Amateurfotografie, Bildrauschen und schlechte Lichtverhältnisse nach.
Überprüfen Sie die Zähne und Ohren	Feine sich wiederholende Strukturen führten bei frühen Modellen zu Verwirrung	Das Problem ist weitgehend gelöst, und die Funktion zielt auf Gesichter ab – ein Bereich, in dem du ohnehin schon am besten abschneidest.
Wasserzeichen in der Ecke	Einige Generatoren wiesen sichtbare Markierungen auf	Trivial beschnitten oder gar nicht vorhanden. Das Fehlen hat keine Bedeutung.
Die umgekehrte Bildersuche liefert keine Ergebnisse	Echte Fotos lassen online meist Spuren hinterlassen	Schwach. Echte private Fotos hinterlassen ebenfalls keine Spuren, und auch generierte Bilder werden mittlerweile indexiert.

Das gemeinsame Merkmal aller sechs ist, dass sie beschreiben, Funktionsstörungen und nicht strukturelle. Ein Leistungsausfall ist etwas, worin das Modell Schwächen zeigte, das sich aber durch Training beheben ließ – und jeder einzelne dieser Ausfälle wurde durch Training beseitigt.

Die Anzeichen, die es zu beachten gilt, sind diejenigen, die sich aus der Funktionsweise dieser Systeme ergeben, und nicht aus dem, worin sie in einem bestimmten Jahr zufällig versagt haben – darauf werde ich gleich noch eingehen.

Der blinde Fleck, über den niemand schreibt

Das ist der Punkt, der mich am meisten überrascht hat, und er verändert die Frage, wovor man eigentlich misstrauisch sein sollte.

Wenn Forscher die Erkennungsgenauigkeit des Menschen nach Themenbereichen aufschlüsseln, zeigt sich ein einheitliches Muster. Bei einer Analyse von rund 287.000 Bildbewertungen durch mehr als 12.500 Teilnehmer lag die Gesamtgenauigkeit bei etwa 62 Prozent, doch die Leistung war am besten bei Porträts und deutlich schlechter bei Landschaftsaufnahmen und Stadtansichten.

Andere Studien haben das gleiche Muster festgestellt: Eine höhere Genauigkeit bei Bildern, die Menschen zeigen, und eine geringere Genauigkeit bei Objekten und Landschaften.

Die Erklärung ist nicht mysteriös. Der Mensch verfügt über spezielle neuronale Strukturen zur Gesichtsverarbeitung und hat jahrelange Übung darin, diese zu nutzen. Man merkt, wenn an einem Gesicht etwas nicht stimmt, auch wenn man nicht genau sagen kann, was es ist. Man hat keinen vergleichbaren Instinkt dafür, ob eine Laderampe eines Lagerhauses korrekt aussieht.

Vergleiche das nun mit den Ratschlägen, die jeder gibt. Zähle die Finger. Schau dir die Augen an. Schau dir die Zähne, die Ohren und den Haaransatz an.

Jeder dieser Punkte zielt auf Sie ab – das sind die Bereiche, in denen Ihr eigenes Urteilsvermögen bereits am stärksten ist und in denen die Modellverbesserung am intensivsten vorangetrieben wurde. Die Bereiche hingegen, in denen Sie fast nichts erkennen können, werden überhaupt nicht abgedeckt.

Das bedeutet, dass gerade die Bilder, die am wenigsten dramatisch wirken, mit größter Skepsis betrachtet werden sollten:

• Produktfotos. Ein einzelnes Objekt vor einem einfarbigen Hintergrund bietet kaum Anhaltspunkte zum Vergleich und lässt sich mühelos erstellen.
• Leere Innenräume. Zimmer, Büros, Restaurantbereiche, Wohnungsanzeigen. Kein Gesicht, das deine Instinkte weckt, und komplexe Geometrien, die dein Auge nicht erfassen kann.
• Straßen und Landschaften. Genau die Kategorie, in der die Studien ergaben, dass die Menschen am schlechtesten abschneiden, und genau das, was für gefälschte Standortangaben und erfundene Nachrichtenszenen verwendet wird.
• Dokumente und Screenshots. Quittungen, Rechnungen, Übersichten, Chat-Protokolle. Diese werden inhaltlich geprüft, ihre Echtheit jedoch so gut wie nie.
• Menschenmengen und Aufnahmen aus der Ferne. Die Gesichter sind zu klein, um die Gesichtserkennung auszulösen, sodass sich Ihr bestes Werkzeug nie einschaltet.

Ein generiertes Porträt einer nicht existierenden Person ist genau der Fall, auf den Sie vorbereitet sind. Ein generiertes Foto einer überfluteten Straße mit einer Bildunterschrift, in der eine Stadt genannt wird, ist das, was Ihnen entgeht – und es ist auch das, was mit größerer Wahrscheinlichkeit echten Schaden anrichtet.

Schritt 1: Überprüfen Sie die Herkunft, bevor Sie die Pixel prüfen

Das macht fast niemand, und mittlerweile ist dies die schnellste verfügbare Antwort für einen wachsenden Anteil an Bildern. Die Branche hat in den letzten zwei Jahren ein System entwickelt, das generierte Inhalte bereits zum Zeitpunkt ihrer Erstellung kennzeichnet, und ab 2026 deckt es einen bedeutenden Teil dessen ab, was Ihnen begegnet.

Was diese beiden Systeme sind

Es gibt zwei verschiedene Mechanismen, die ständig miteinander verwechselt werden.

Content Credentials, die auf dem C2PA-Standard basieren, sind kryptografisch signierte Metadaten, die einer Datei beigefügt werden. Sie dokumentieren, woher ein Bild stammt, welche Tools daran gearbeitet haben und wer diese Angabe signiert hat. Man kann sich das eher als eine Nachverfolgungskette vorstellen als als eine Ja-oder-Nein-Antwort.

Die Spezifikation erreichte im Januar 2026 die Version 2.3 und ist nicht nur für KI gedacht. Kamerahersteller und Nachrichtenagenturen nutzen denselben Standard, um die Echtheit eines Fotos zu bestätigen, was wohl die wichtigere Anwendung ist.

SynthID ist anders. Es handelt sich um ein nicht wahrnehmbares Wasserzeichen, das Google DeepMind bei der Erzeugung direkt in die Pixel einbettet und das im Gegensatz zu Metadaten auch beim Zuschneiden, bei der Neukomprimierung und bei der Neukodierung mit geringer Qualität erhalten bleibt.

Google berichtet, dass mehr als 100 Milliarden Medieninhalte mit diesem Wasserzeichen versehen wurden. Der Nachteil dabei ist, dass es fast keine weiteren Informationen liefert als die Tatsache, dass es sich um KI-Erzeugnisse handelt, und dass zur Erkennung Googles eigene Infrastruktur erforderlich ist und keine offene Spezifikation.

Was sich im Jahr 2026 geändert hat

Die wichtige Entwicklung besteht darin, dass diese Ansätze nun nicht mehr miteinander konkurrieren. Im Mai 2026 kündigten OpenAI und Google ein gemeinsames Modell an, bei dem Bilder, die über ChatGPT und die OpenAI-API generiert werden, beide eine C2PA-Anmeldeinformation und ein SynthID-Wasserzeichen.

Da ChatGPT gemessen an der Nutzerzahl der größte Bildgenerator für Endverbraucher ist, weist ein großer Teil der täglich erzeugten KI-Bilder mittlerweile zwei unabhängige Herkunftssignale auf. Kakao, ElevenLabs und Nvidia kündigten noch am selben Tag die Einführung an, und Google teilte mit, dass die Erkennung von C2PA und SynthID direkt in die Suche und in Chrome integriert werde.

Regulation is moving in the same direction. The EU AI Act’s Article 50 transparency and labeling obligations became binding on 2 August 2026, with penalties reaching into the tens of millions of euros.

In the United States, the TAKE IT DOWN Act has imposed a 48 hour takedown duty since May 2026. Whatever you think of the enforcement prospects, disclosure is now a legal requirement in major markets rather than a voluntary courtesy.

So überprüfen Sie es tatsächlich

1. Öffnen Sie das Bild in einem Viewer für Content Credentials. Die Content Authenticity Initiative betreibt eine öffentliche Überprüfungsseite, es gibt Browser-Erweiterungen, die dies direkt im Browser durchführen, und OpenAI bietet ein Überprüfungstool an, das in einem Durchgang sowohl C2PA-Manifeste als auch SynthID überprüft. Hochladen, Manifest auslesen, fertig.
2. Lesen Sie nach, was im Manifest tatsächlich steht. Ein Zertifikat kann dokumentieren, dass ein Bild erstellt wurde, dass es von einer Kamera aufgenommen und später bearbeitet wurde oder dass es ein bestimmtes Bearbeitungsprogramm durchlaufen hat. Die interessanten Fälle finden sich in der Regel eher im Bearbeitungsverlauf als im Feld „Ursprung“.
3. Behandeln Sie eine fehlende Berechtigung so, als gäbe es überhaupt keine Informationen. Das ist der Punkt, den die Leute ständig falsch verstehen.

Dieser letzte Punkt verdient besondere Hervorhebung, denn genau hier liegt das Problem bei der Herkunftsüberprüfung. C2PA-Metadaten gehen durch Screenshots, durch die meisten Transcodierer in sozialen Medien und durch jeden Bearbeitungsworkflow verloren, bei dem sie nicht gezielt erhalten bleiben.

Die meisten im Internet kursierenden Bilder weisen weder eine Quellenangabe noch ein Wasserzeichen auf, und das ist eher die Regel als die Ausnahme. SynthID kommt nur in den Ausgaben jener Generatoren vor, die es übernommen haben, wodurch nach wie vor ein großer Teil der aktiv genutzten Tools ausgeschlossen bleibt.

Ein einwandfreies Provenienzergebnis ist also ein starkes Indiz. Ein leeres Ergebnis bedeutet nichts. Wer behauptet, dass das Fehlen von Nachweisen verdächtig sei, hat die Logik auf den Kopf gestellt.

Ebene 2: Die physikalischen Gesetze, die nach wie vor gelten

Wenn die Herkunftsangabe keine Ergebnisse liefert, sollten Sie hier nachsehen. Der Grund dafür, dass diese Anzeichen länger bestehen bleiben als die anatomischen, ist struktureller Natur.

Ein generatives Modell erzeugt ein plausibles Bild, keine Simulation einer Szene. Es verfügt über kein internes Modell eines Raums mit einer Lichtquelle darin, weshalb es für das Modell wirklich schwierig ist, die globale Konsistenz über das gesamte Bild hinweg zu gewährleisten – ganz anders als beim Zeichnen einer korrekten Hand, was nie eine Herausforderung darstellte.

Folge dem Licht

Wähle jedes Objekt im Bildausschnitt aus, das einen Schatten wirft, und überprüfe, ob die Schatten hinsichtlich der Lichtquelle übereinstimmen. Im Freien gibt es nur eine Sonne, daher sollten die Schatten in etwa parallel verlaufen und im Verhältnis zur Höhe des Objekts eine einheitliche Länge aufweisen. In Innenräumen ist die Situation komplexer, aber dennoch überschaubar.

Bei generierten Bildern kommt es regelmäßig vor, dass Schatten in leicht unterschiedliche Richtungen zeigen, dass ein Objekt ohne Schatten direkt neben einem Objekt mit deutlichem Schatten steht oder dass die Form eines Schattens nicht zu dem Objekt passt, das ihn angeblich wirft.

Prüfen Sie anschließend, ob die Beleuchtung des Motivs zur Umgebung passt. Eine Person, die von links vorne beleuchtet wird und in einer Szene steht, deren Hintergrund von rechts beleuchtet ist, gehört zu den häufigsten Fehlern bei der Erstellung von Composite-Bildern – und sobald man darauf achtet, fällt einem das überall auf.

Untersuche jede spiegelnde Oberfläche

Reflexionen sind für ein Modell schwierig zu realisieren, da sie ein Verständnis der Geometrie der gesamten Szene aus einem zweiten Blickwinkel erfordern.

Schauen Sie sich Spiegel, Fenster, glänzende Böden, Autolack, Wasser, Sonnenbrillen und Handybildschirme an. Fragen Sie sich, ob das, was sich darin spiegelt, dem entspricht, was tatsächlich in der Szene zu sehen ist – an der richtigen Stelle, im richtigen Maßstab und korrekt gespiegelt.

Der Catchlight-Test ist meine bevorzugte Schnellprüfung bei jedem Porträt. Diese kleinen hellen Punkte in den Augen einer Person sind Reflexionen der Lichtquellen. Auf einem echten Foto weisen beide Augen Catchlights an derselben Position, in derselben Form und in derselben Anzahl auf, da beide Augen in Richtung derselben Lichtquellen blicken.

Bei generierten Porträts kommt es häufig vor, dass die Lichtreflexe in den Augen nicht übereinstimmen, dass ein Auge zwei Lichtreflexe aufweist, das andere hingegen nur einen, oder dass die Form der Lichtreflexe keiner im Bild sichtbaren Lichtquelle entspricht.

Überprüfen Sie die Fokusebene

Echte Kameras verfügen über eine Fokusebene. Alle Objekte, die sich im gleichen Abstand zum Objektiv befinden, sind gemeinsam scharf abgebildet, und die Unschärfe nimmt mit zunehmendem Abstand von dieser Ebene gleichmäßig zu.

Generierte Bilder werden häufig unscharf durch Bedeutung des Objekts sondern vielmehr von der Entfernung, sodass ein Hintergrundelement scharf abgebildet wird, während etwas daneben in derselben Tiefe unscharf erscheint, oder ein Motiv von der Nase bis zum Ohr scharf ist, während die Unschärfe des Hintergrunds auf eine sehr geringe Schärfentiefe hindeutet. Die Bokeh-Form ist ein weiterer Aspekt.

Echte, unscharfe Lichter nehmen die Form der Blende an und bleiben im gesamten Bildausschnitt gleichmäßig.

Beziehungen zwischen Testskalen

Modelle vermitteln kein verlässliches Bild davon, wie groß Objekte im Verhältnis zueinander sind, und die Fehler lassen sich leicht übersehen, da das Auge die Komposition als Ganzes wahrnimmt.

Halte Ausschau nach einer Tür, die für die Person, die hindurchgeht, etwas zu klein ist, nach einer Kaffeetasse, die einen Liter fassen würde, nach einem Auto, dessen Räder nicht zur Karosserie passen, nach Möbeln in einer Größe, die für einen Menschen ungeeignet wäre. Das ist besonders effektiv gerade bei Innenraum- und Straßenaufnahmen, bei denen dein Instinkt am wenigsten zuverlässig ist.

Achte auf sich wiederholende Muster

Echte Oberflächen sind auf jeder Ebene unregelmäßig. An Ziegelwänden gibt es beschädigte Ziegel, in Menschenmengen blicken die Menschen in unterschiedliche Richtungen, und im Laubwerk gibt es abgebrochene Äste.

Generierte Texturen fügen sich oft nahtlos aneinander an. Überprüfen Sie daher große, sich wiederholende Flächen darauf, ob derselbe Fehler zweimal auftritt oder ob sich ein identisches Gesicht an zwei Stellen in einer Menschenmenge befindet. Zoomen Sie eher in den Hintergrund als auf das Motiv, da das Modell dort am wenigsten Aufwand betrieben hat.

Lies die Kanten und die Knotenpunkte

Dort, wo zwei Dinge aufeinandertreffen, wird die Gestaltung nachlässig. Haare vor einem Hintergrund, Schmuck auf der Haut, ein Brillengestell, das das Gesicht durchzieht, ein Riemchen, das hinter einer Schulter verschwindet und an der falschen Stelle wieder auftaucht.

Verfolgen Sie ein beliebiges geradliniges Objekt, das hinter einem anderen Objekt vorbeiläuft, und überprüfen Sie, ob es genau dort wieder zum Vorschein kommt, wo es laut Geometrie sein sollte. Gurte, Geländer, Stromleitungen und Zaunpfosten eignen sich hierfür besonders gut.

Stufe 3: Durch einen Detektor laufen lassen

Ehrlich gesagt: Die Ebenen eins und zwei werden Sie die meiste Zeit im Unklaren lassen, und Unsicherheiten, die man durch intensiveres Nachdenken zu beseitigen versucht, lösen sich in der Regel zugunsten dessen auf, woran man ohnehin schon geglaubt hat. Genau dafür ist Software da.

Die AI-Bild-Detektor analysiert das Bild auf Muster auf Pixel- und Frequenzebene und nicht auf der Ebene des sichtbaren Inhalts – und genau deshalb hat es nicht denselben blinden Fleck wie Sie. Es hat keine besondere Begabung für Gesichter und keine besonderen Schwächen bei Landschaften.

Ein Parkplatz stellt in dieser Hinsicht dasselbe Problem dar wie ein Porträt. Da Untersuchungen zeigen, dass die eigene Genauigkeit je nach Thema stark schwankt, ist eine zweite Meinung, die vom Thema unabhängig ist, wertvoller, als es zunächst den Anschein hat.

Praktische Hinweise zur Verwendung von Detektorvertiefungen:

• Geben Sie die qualitativ hochwertigste Version ein, die Sie finden können. Eine starke Komprimierung zerstört die feinen Frequenzinformationen, auf die sich die Erkennungsprogramme stützen; daher ist ein Screenshot eines Screenshots die schlechteste mögliche Eingabe.
• Betrachten Sie die Punktzahl eher als Anhaltspunkt denn als endgültiges Urteil, insbesondere im mittleren Bereich. Eine sehr hohe oder sehr niedrige Punktzahl ist aussagekräftig. Ein Wert nahe dem Mittelwert bedeutet, dass Sie genauer hinschauen sollten, anstatt eine Münze zu werfen.
• Führen Sie die Ebenen zusammen. Eine fehlende Herkunftsangabe in Verbindung mit einer Schatteninkonsistenz und einem hohen Detektorwert führt zu einer Schlussfolgerung. Jeder dieser drei Faktoren für sich genommen ist ein Verdachtsmoment.
• Denken Sie daran, dass eine starke Bearbeitung eines echten Fotos die Qualität des Bildes verbessern kann, genauso wie eine starke Bearbeitung die Audioerkennung erschwert. Retuschierte Werbefotografie stellt ein häufiges Risiko für Fehlalarme dar.

Wenn das Bild aus einem Video stammt, extrahieren Sie ein sauberes Einzelbild oder verwenden Sie die KI-Videodetektor Stattdessen kann es Bewegungs- und zeitliche Konsistenzsignale erfassen, die bei einem einzelnen Bild verloren gehen.

Und wenn ein Bild als Anhang einer Sprachnachricht oder eines Videoanrufs eingeht, dann wird das AI Sprachdetektor deckt die andere Hälfte dieses Betrugsmusters ab.

Ein Leitfaden nach Bildtyp

Verschiedene Kategorien weisen unterschiedliche Fehler auf. Je nachdem, was Sie in der Hand halten, sollten Sie daher zunächst hier nachsehen.

Bildtyp	Schau dir das zuerst an	Häufigste Fehlerursache
Porträt	Lichtreflexe in beiden Augen, dann die Ohren und der Schmuck	Nicht zueinander passende Spiegelungen in den Augen und asymmetrische Ohrringe
Produktfoto	Schattenkontakt an der Stelle, an der das Objekt auf die Oberfläche trifft	Das Objekt scheint zu schweben, oder die Schattenform stimmt nicht mit ihm überein
Innenbereich oder Immobilie	Gerade Linien und Maße von Türen, Steckdosen und Arbeitsplatten	Geometrie, die sich nicht auflösen lässt, und Möbel in unmöglicher Größe
Straße oder Landschaft	Sich wiederholende Strukturen, Beschriftungen, Architektur in der Ferne	Kachelförmig angeordnetes Laub und Gebäude, deren Fenster nicht in einer Linie liegen
Menschenmenge oder Veranstaltung	Doppelte Gesichter, Anzahl der Gliedmaßen an den Rändern	Dieselbe Person erscheint zweimal, und im Hintergrund sind Körper miteinander verschmolzen
Beleg oder Quittung	Schriftartkonsistenz, Ausrichtung, Rechenoperationen	Summen, die nicht stimmen, und unterschiedliche Schriftarten innerhalb einer Zeile
Nachrichten oder Katastrophenort	Zuerst die Herkunft, dann die Schattenrichtung	Keine Identitätsnachweise und eine Beleuchtung, die im Widerspruch zur angegebenen Tageszeit steht
Screenshot eines Chats	Zeitstempel, Avatar-Ränder, Abstände zwischen UI-Elementen	Details zur Benutzeroberfläche, die nicht mit der tatsächlichen App-Version übereinstimmen

Häufig gestellte Fragen

Schlussgedanken

Die beunruhigende Erkenntnis hinter all dem ist nicht, dass KI-Bilder besser geworden sind. Es ist vielmehr, dass die Menschen fast genau in dem Maße zuversichtlich sind, wie oft sie sich irren.

Sechzig Prozent der Teilnehmer einer groß angelegten Studie waren sich ihrer Einschätzung sicher, während nur ein Zehntel eines Prozents von ihnen diese Sicherheit tatsächlich verdient hatte. Wenn Sie eine Erkenntnis aus diesem Artikel mitnehmen, dann sollte es eher das Misstrauen gegenüber Ihrer eigenen Gewissheit sein als eine neue Liste visueller Tricks.

Die praktische Version ist kurz: Überprüfen Sie zuerst die Bildquelle, denn bei einem wachsenden Anteil der Bilder erhalten Sie so innerhalb von Sekunden eine verlässliche Antwort, und fast niemand macht sich die Mühe, dies zu tun. Achten Sie dann eher auf physikalische Aspekte als auf anatomische, denn Schatten, Reflexionen, Fokusebenen und Maßstäbe sind strukturell gesehen viel schwieriger zu erkennen als Finger.

Führen Sie es anschließend durch einen Detektor, insbesondere wenn es sich bei dem Bild um eine Landschaft, eine Produktaufnahme, eine Innenaufnahme oder ein Dokument handelt – also um Kategorien, in denen Ihr eigenes Urteilsvermögen nahezu wertlos ist und in denen Sie sich gerade deshalb am sichersten fühlen, weil kein Gesicht zu sehen ist, das Ihnen Sorgen bereiten könnte.

Die Kennzeichnung wird gesetzlich vorgeschrieben, die Herkunftsangabe wird in Browser integriert, und die Menge an synthetischen Bildern steigt weiter an. Nichts davon macht die Überprüfung überflüssig. Es bedeutet lediglich, dass das Überprüfen zunehmend zur Selbstverständlichkeit wird und nicht mehr als paranoides Verhalten angesehen wird.

Wenn dich das nächste Mal ein Bild nachdenklich stimmt, nimm dir zehn Sekunden Zeit, es richtig zu betrachten. Achte auf Anhaltspunkte, folge den Schatten und füge es in unser AI-Bild-Detektor um die Sache zu klären.