KI-Bilder erkennen: Merkmale, Werkzeuge und Rechtslage

In der bislang größten Erhebung dazu erkannten Menschen KI-Bilder in 62 Prozent der Fälle richtig – bei einer Ratewahrscheinlichkeit von 50 Prozent. Rund 287.000 Bewertungen von über 12.500 Teilnehmenden, ausgewertet vom Microsoft AI for Good Lab. Das ist kein Erkennen, das ist Raten mit leichtem Vorteil. Und die Merkmale, auf die sich fast alle verlassen, sind 2026 überholt: Hände, Zähne und kurze Schriftzüge sind weitgehend behoben. Was stattdessen funktioniert, was die Werkzeuge leisten und was Sie seit dem 2. August 2026 kennzeichnen müssen, steht in diesem Beitrag.

Warum das Bauchgefühl nicht mehr reicht

Das Microsoft AI for Good Lab hat das Online-Spiel „Real or Not" ausgewertet: rund 287.000 Bildbewertungen durch über 12.500 Teilnehmende, Trefferquote 62 Prozent. Das Arbeitspapier (arXiv:2507.18640) ordnet das selbst als „modest ability, slightly above chance" ein. Am besten schnitten die Teilnehmenden bei Porträts ab, am schlechtesten bei Natur- und Stadtlandschaften; exakte Werte je Motivsegment nennt die abgerufene Fassung nicht.

Eine zweite Untersuchung des CISPA Helmholtz-Zentrums mit 3.002 Teilnehmenden aus den USA, Deutschland und China (arXiv:2312.05976) fällt noch deutlicher aus: „state-of-the-art forgeries are almost indistinguishable from ‚real' media, with the majority of participants simply guessing". Dazu ein Effekt, der in Redaktionen unterschätzt wird: KI-Inhalte wurden über alle Medientypen und Länder hinweg häufiger für menschengemacht gehalten als echte Inhalte.

Der Grund liegt nicht an den Menschen, sondern an einer veralteten Merkmalsliste. Fast jeder deutschsprachige Ratgeber führt bis heute Finger, Zähne und Gesichtssymmetrie an. Genau diese Fehler haben die Modellanbieter gezielt trainiert – sie sind bei aktuellen Top-Modellen weitgehend verschwunden. Wer weiter danach sucht, hält ein KI-Bild für echt, weil die Hand stimmt.

Das gilt besonders für das Rauschen: „Filmkorn" oder „35 mm" gehören heute zum Standardrepertoire jedes Foto-Prompts. Ein Bild ohne Sensorrauschen ist verdächtig – ein Bild mit Rauschen ist kein Gegenbeweis.

Woran man 2026 noch etwas erkennt

Welche Merkmale bleiben, erklärt die Funktionsweise. Diffusionsmodelle wie Stable Diffusion, Flux, Imagen oder Midjourney entrauschen ein Bild schrittweise und optimieren dabei auf lokale statistische Plausibilität – sieht dieser Ausschnitt aus wie einer aus den Trainingsdaten? Es gibt kein 3D-Modell der Szene, keine Lichtsimulation, keine Physik-Engine, keinen Zähler und keine Rechtschreibprüfung. Daraus folgt die Faustregel: Fehler entstehen dort, wo ein Detail eine Regel erfüllen muss, die über den lokalen Bildausschnitt hinausreicht. Haut, Stoff, Laub und Wolken gehören nicht dazu – deshalb wirken sie fast immer perfekt.

1. Spiegelungen

Prüfen Sie Spiegel, Schaufenster, Wasser, Brillengläser, Chrom, Autolack und die Lichtreflexe in den Pupillen. Eine korrekte Spiegelung ist keine Textur, sondern eine geometrische Ableitung aus der Szene – sie setzt ein 3D-Modell von Raum und Kameraposition voraus, und beides hat das Modell nicht. Typisch: Der Spiegel zeigt die Person aus anderer Perspektive als die Kamera, im Spiegelbild fehlt ein Objekt aus dem Raum, die beiden Brillengläser spiegeln unterschiedliche Umgebungen. Das beste Einzelmerkmal 2026.

2. Lichtkonsistenz und Schatten

Zeigen alle Schatten in dieselbe Richtung? Gibt es einen Kontaktschatten dort, wo ein Objekt den Boden berührt? Lichttransport ist ein globales Phänomen; ein Diffusionsmodell schattiert jedes Objekt lokal plausibel, ohne gemeinsame Lichtquelle. So entstehen Bilder, in denen jedes Element korrekt beleuchtet wirkt, die Summe aber unmöglich ist: zwei Personen mit gegenläufigen Schatten, eine Person, die über dem Boden schwebt, Gegenlicht mit frontal ausgeleuchtetem Gesicht.

3. Hintergrundlogik und zweite Motivebene

Das Modell verteilt Detailtreue nach Salienz: Vordergrund und Prompt-Motiv bekommen das Modellgewicht, der Hintergrund bekommt plausibel aussehende Füllung. Dort finden Sie Personen mit verschmolzenen Gliedmaßen, Türen ins Nichts, Treppen ohne Anschluss, Regale, deren Inhalt nicht ins Fach passt. Der schnellste Praxistest überhaupt: auf 200 bis 400 Prozent zoomen und ausschließlich Bildränder und zweite Ebene ansehen.

4. Fließtext und Nebenbeschriftungen

Schrift ist ein symbolisches System. Das Modell erzeugt Pixel, keine Zeichen – es reproduziert die Textur von Schrift statistisch korrekt und den Inhalt willkürlich. Kurze, im Prompt genannte Wörter sitzen 2026 häufig richtig. Zuverlässig fehlerhaft bleiben Fließtext in Absätzen, Nebentexte im Hintergrund, mehrstellige Zahlen, Datums- und Preisangaben, Umlaute und ß sowie gespiegelte Schrift. Schauen Sie nicht auf die Hauptbeschriftung, sondern daneben.

5. Periodische Muster

Halsketten, deren Glieder sich unterwegs verändern; Karo- und Streifenmuster, die an Nähten nicht durchlaufen; Ziegelmauern, Fliesen, Zäune, Fensterreihen. Periodische Strukturen verlangen Konsistenz über große Bilddistanzen, die Aufmerksamkeit im Netz ist aber effektiv lokal begrenzt. Deshalb „driftet" die Periode über die Fläche: Muster ändern unmerklich Größe, Winkel oder Rhythmus. Besonders ergiebig bei Mode-, Interieur- und Architekturmotiven.

6. Verdeckungen

Überall dort, wo ein längliches Objekt hinter etwas anderem verläuft: Träger, Riemen, Gürtel, Kabel, Geländer. Für das Modell ist ein Riemen keine durchgehende Linie mit einer Länge, sondern eine lokale Textur, die an zwei Stellen unabhängig erzeugt wird. Was hinter einer Schulter verschwindet, taucht versetzt oder in anderer Breite wieder auf. Dasselbe gilt für Flüssigkeiten, deren Oberfläche nicht waagerecht steht.

C2PA, Content Credentials und SynthID

Weil das Auge nicht reicht, setzt die Branche auf technische Kennzeichnung. Zwei Systeme sind relevant – und sie lösen unterschiedliche Probleme.

C2PA und Content Credentials

Die Coalition for Content Provenance and Authenticity ist ein offener technischer Standard, getragen unter anderem von Adobe, Amazon, BBC, Google, Meta, Microsoft, OpenAI, Sony, TikTok und Truepic; contentcredentials.org nennt mehr als 500 beteiligte Unternehmen. Die Anwenderkennzeichnung heißt Content Credentials, aktuell veröffentlicht ist die Technical Specification 2.4 vom April 2026. Ein Manifest besteht aus Assertions (wer hat das Asset womit und wann erzeugt, welche Bearbeitungsschritte gab es), einem Claim, der darauf verweist, und einer digitalen Claim Signature.

Ob die Herkunftsangabe einen Upload überlebt, entscheiden zwei Begriffe. Das Hard Binding sind kryptografische Hashes, die das Asset eindeutig identifizieren – jede Veränderung fällt auf. Das Soft Binding ist ein Inhaltsbezeichner, der entweder statistisch nicht eindeutig ist oder als unsichtbares Wasserzeichen in den Pixeldaten sitzt.

Denn hier liegt die zentrale Schwäche: Social-Media-Plattformen entfernen beim Upload standardmäßig alle eingebetteten Metadaten – EXIF, XMP, IPTC und das C2PA-Manifest gleichermaßen. Das ist kein Angriff auf Herkunftsdaten, sondern Nebenwirkung der Verarbeitungspipeline aus Rekomprimierung, Formatkonvertierung und responsiven Varianten; auch ein Screenshot oder ein Zuschnitt ohne C2PA-fähige Software zerstört das Manifest. Nach den ausgewerteten Darstellungen entfernen Facebook, Instagram, X und WhatsApp die Daten, während LinkedIn, TikTok und Cloudflare Images sie erhalten. Die Gegenmaßnahme heißt „Durable Content Credentials": drei Schichten statt einer – das eingebettete Manifest, ein unsichtbares Wasserzeichen in den Pixeln, das auf ein Cloud-Repository zeigt, und ein wahrnehmungsbasierter Fingerabdruck, der Kompression und Skalierung übersteht.

Prüfen können Sie Content Credentials kostenlos und ohne Login über verify.contentauthenticity.org: Bild hochladen oder URL einfügen, das Werkzeug zeigt Aussteller, Erzeugungszeitpunkt, Werkzeug und Bearbeitungsschritte. Eingebettet wird der Standard von Kameras mehrerer Hersteller, von Pixel- und Galaxy-Smartphones, von ChatGPT, Gemini, Stability AI und Claude sowie von Photoshop, LinkedIn und YouTube.

SynthID von Google

SynthID ist ein für Menschen unsichtbares Wasserzeichen, das Google DeepMind im Moment der Erzeugung einbettet – in Imagen, Veo, Lyria, der Podcast-Funktion von NotebookLM und der Gemini-App inklusive Text. Google beschreibt es so: „The watermark doesn't change the image or video quality. It's added the moment content is created, and designed to stand up to modifications like cropping, adding filters, changing frame rates, or lossy compression." Nach Googles Angabe waren im Mai 2025 bereits über zehn Milliarden Inhalte markiert.

Der Prüfdienst, der SynthID Detector, wurde am 20. Mai 2025 angekündigt und ist bis heute nicht frei zugänglich: Google testet ihn mit ausgewählten Medienschaffenden und Forschenden und führt eine Warteliste – am 5. September 2026 stand dieser Hinweis auf deepmind.google unverändert. Für die typische Marketingabteilung ist SynthID damit kein nutzbares Prüfwerkzeug. Hinzu kommt: Google veröffentlicht keine Fehlerraten. Aussagen über die Robustheit gegen gezielte Entfernungsversuche lassen sich deshalb nicht belegen – ich mache hier keine.

Die Werkzeuge im Überblick

Bleiben die Detektoren. Die Übersicht listet sieben Werkzeuge mit Preisen und den Genauigkeiten, die die Anbieter selbst nennen. Alle Prozentwerte in der Spalte „Genauigkeit" sind Anbieterangaben oder Anbieterdarstellungen fremder Benchmarks, nicht unabhängig reproduziert. Preise: Stand 5. September 2026, in US-Dollar.

Der Wert dieser Tabelle liegt weniger in den Prozentzahlen als in dem, was daneben steht. Sightengine beruft sich auf eine Untersuchung Forschender der Universitäten Kansas und Rochester (Datensatz ARIA, über 140.000 Bilder); die Seite dazu ist auf den 26. September 2024 datiert, die Namen der vier Mitbewerber nennt der Anbieter nicht. Und Sightengine schränkt selbst ein: „no detector is 100 % reliable". Detektoren werden auf bekannten Generatoren trainiert – ein Spitzenwert aus 2024 sagt über ein Bild von 2026 wenig aus.

Der entscheidende Befund: Detektoren brechen unter Realbedingungen ein

Li und Kollegen haben mit dem Benchmark RRDataset (arXiv:2509.09172) genau die Bedingungen getestet, unter denen Redaktionen arbeiten: ein Bild, das einmal durch eine Social-Media-Pipeline gelaufen ist, und ein Bild, das abfotografiert, gescreenshottet oder gescannt wurde.

Nach einem einzigen Durchlauf durch eine Social-Media-Pipeline verlor das Verfahren SAFE 97,41 Prozentpunkte an Genauigkeit bei KI-Bildern, Fusing 79,86 und Freq-Net 71,61. Nach dem Abfotografieren brachen DNF um 90,57 und DIRE um 88,30 Prozentpunkte ein. Stabil blieb kaum etwas: AIDE verlor bei der Re-Digitalisierung nur 2,91 Prozentpunkte, was die Autoren auf CLIP-basierte semantische Merkmale zurückführen. Bestes Gesamtergebnis im Test: DRCT-ConvB mit 89,59 Prozent.

• Anbieterzahlen gelten für Laborbedingungen. Erhoben mit unkomprimierten Originaldateien und bekannten Generatoren – nicht mit einem Bild aus einem Instagram-Feed.
• Falsch-positive Ergebnisse sind das eigentliche Risiko. Ein Detektor, der ein echtes Pressefoto als KI einstuft, richtet mehr Schaden an als ein übersehenes KI-Bild. Keiner der sieben Anbieter veröffentlicht eine getrennte Falsch-Positiv-Rate.

Dieselbe Diskrepanz zwischen Anbieterversprechen und unabhängiger Messung kenne ich aus dem Textbereich – nachzulesen im Beitrag zu KI-Texten und KI-Detektoren. Das Muster ist identisch.

Die Rechtslage in Deutschland

Was folgt, ist Rechercheergebnis und keine Rechtsberatung. Bei konkreten Fällen sprechen Sie bitte mit einer Anwältin oder einem Anwalt für Urheber- und Medienrecht.

Urheberrecht: Ein reines KI-Bild ist kein Werk

§ 2 Abs. 2 UrhG schützt nur persönliche geistige Schöpfungen. „Persönlich" heißt: von einem Menschen. Eine Maschine kann nach geltendem Recht nicht Urheberin sein, und auch der Lichtbildschutz nach § 72 UrhG greift nicht. Die Streitfrage lautet deshalb: Wie viel menschliche Einflussnahme macht aus einem KI-Output ein geschütztes Werk? Drei deutsche Entscheidungen beantworten das inzwischen recht klar.

Das Amtsgericht München hat mit Urteil vom 13. Februar 2026 (Az. 142 C 9786/25) die Unterlassungsklage eines Mannes abgewiesen, der drei Logografiken mit einer KI erstellt hatte – nach eigenem Vortrag mit detaillierten, iterativ verfeinerten Prompts. Kein Urheberrechtsschutz: Die bloße Beschreibung des gewünschten Ergebnisses sei „vergleichbar mit Anweisungen an einen Dritten". Besonders relevant für Agenturen: Hoher Zeitaufwand und teure Software sind urheberrechtlich irrelevant. Das Urteil ist nach den ausgewerteten Fundstellen nicht rechtskräftig.

Das OLG Düsseldorf hat in seiner Entscheidung vom 2. April 2026 (Az. I-20 W 2/26) zweierlei gesagt. Zum Schutzumfang eines vorhandenen Fotos: Geschützt sind „die Wahl des Bildausschnitts, die Perspektive, die Beleuchtung sowie … Schärfe oder Unschärfe" – Thema und Motiv sind nicht geschützt; eine KI-gestützte Umgestaltung verletzt das Original nur bei erkennbarer Übernahme der kreativen Elemente. Zum KI-Erzeugnis selbst: Schutz ist möglich bei „menschlich-schöpferischer Einflussnahme auf die Gestaltung des konkreten Werkes selbst"; „die bloße Auswahl eines KI-Erzeugnisses aus mehreren Vorschlägen" genügt nicht. Die Fundstellen bezeichnen die Entscheidung teils als Urteil, teils als Beschluss – ich schreibe deshalb neutral „Entscheidung".

Die Gegenrichtung markiert das Landgericht Frankfurt am Main mit Urteil vom 17. Dezember 2025 (Az. 2-06 O 401/25): Eine Autorin hatte einen Liedtext geschrieben, ein Produzent ihn mit dem KI-System Suno überarbeitet und vertont. Die veränderten Fassungen bleiben im Schutzbereich des menschlichen Originals, solange dessen prägende Elemente erkennbar sind. Wichtig ist die abgestufte Darlegungslast: Trägt die Gegenseite substantiierte Anhaltspunkte für eine reine KI-Erzeugung vor, muss die klagende Seite den Schöpfungsprozess im Einzelnen darlegen.

Die praktische Konsequenz: Ein rein KI-generiertes Bild ist gemeinfrei-ähnlich. Wer als Agentur KI-Bilder liefert, kann daran keine Nutzungsrechte einräumen, die es nicht gibt – und wer sie auf der eigenen Website einsetzt, muss damit rechnen, dass Wettbewerber sie ebenfalls verwenden dürfen.

Kommerzielle Nutzung und Persönlichkeitsrecht

Aus „kein Urheberrecht" folgt nicht „alles erlaubt". Ob Sie ein KI-Bild kommerziell nutzen dürfen, regeln die Nutzungsbedingungen des Generators. Sie unterscheiden sich erheblich, hängen teils vom Tarif ab und ändern sich laufend – prüfen Sie vor dem Einsatz die geltende Fassung und notieren Sie das Abrufdatum. Unabhängig davon bleiben Rechte Dritter bestehen: fremde Marken, geschützte Designs, geschützte Bauwerke. Wer KI-Inhalte als eigene menschliche Leistung ausgibt, riskiert zudem Ansprüche nach §§ 5, 5a UWG; Verstöße gegen Kennzeichnungspflichten sind über § 3a UWG abmahnfähig.

Auch KI-generierte Darstellungen gelten regelmäßig als Bildnisse im Sinne des § 22 KUG, sobald eine reale Person erkennbar ist: Verbreitung nur mit Einwilligung, und eine Einwilligung für einen Zweck deckt keinen anderen. Die Ausnahmen des § 23 KUG greifen bei Werbung mit Prominenten praktisch nie. Erkennbarkeit setzt kein Gesicht voraus – sie kann sich aus Kontext, Kleidung, Statur oder Bildunterschrift ergeben. In Betracht kommen zivilrechtliche Ansprüche, insbesondere auf Unterlassung, Auskunft und Schadensersatz. Fürs Marketing heißt das: KI-generierte Modelgesichter sind unproblematisch, solange sie keiner realen Person ähneln.

Kennzeichnungspflicht nach Artikel 50 der KI-Verordnung

Die Verordnung (EU) 2024/1689 gilt nach Artikel 113 seit dem 2. August 2026 – damit auch Artikel 50. Absatz 2 verpflichtet die Anbieter (OpenAI, Google, Midjourney, Adobe, Stability): Sie stellen sicher, „dass die Ausgaben des KI-Systems in einem maschinenlesbaren Format gekennzeichnet und als künstlich erzeugt oder manipuliert erkennbar sind". Absatz 4 verpflichtet die Betreiber – Agenturen, Redaktionen, Website-Betreiber: Betreiber eines KI-Systems, „das Bild-, Ton- oder Videoinhalte erzeugt oder manipuliert, die ein Deepfake sind, müssen offenlegen, dass die Inhalte künstlich erzeugt oder manipuliert wurden". Für KI-erzeugte Texte zu Angelegenheiten von öffentlichem Interesse gilt eine entsprechende Pflicht, von der eine menschliche Überprüfung mit redaktioneller Verantwortung befreien kann. Diese Ausnahme steht im Text-Unterabsatz – sie befreit nicht von der Deepfake-Kennzeichnung bei Bildern. Nach Absatz 5 müssen die Informationen spätestens zur ersten Wahrnehmung klar bereitstehen und barrierefrei sein.

Kennzeichnungspflichtig sind damit Chatbots und KI-Avatare, Deepfakes sowie KI-erzeugte Texte zu Themen von öffentlichem Interesse. Nicht kennzeichnungspflichtig sind nach den ausgewerteten Fachdarstellungen die unterstützende Standardbearbeitung (Zuschnitt, Belichtung, Retusche), rein interne Nutzung, frei erfundene Szenen ohne Bezug zu realen Personen, Orten oder Ereignissen sowie Inhalte, die vor dem 2. August 2026 veröffentlicht wurden – eine Nachkennzeichnungspflicht gibt es nicht.

Aufsicht führt die Bundesnetzagentur: seit dem 29. Juli 2026 zentrale Marktüberwachungsbehörde, zugleich Anlauf- und Beschwerdestelle, mit einem KI-Reallabor für KMU. Rechtsgrundlage ist das KI-MIG. Verstöße gegen Artikel 50 sind nach Artikel 99 KI-VO mit bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes bedroht; § 15 KI-MIG sieht national bis zu 50.000 Euro vor. Meine Einschätzung: Für die Zielgruppe dieses Beitrags ist die wettbewerbsrechtliche Abmahnung das schnellere und wahrscheinlichere Risiko.

Trainingsdaten: Der BGH hat verhandelt, entschieden ist nichts

Im Verfahren Kneschke gegen LAION klagt ein Berufsfotograf gegen einen gemeinnützigen Verein, der beim Aufbau eines Datensatzes mit 5,85 Milliarden Bild-Text-Paaren ein Vorschaubild heruntergeladen hatte. Das Landgericht Hamburg wies die Klage am 27. September 2024 ab (Az. 310 O 227/23), das OLG Hamburg bestätigte am 10. Dezember 2025 (Az. 5 U 104/24) – gestützt auf die Schranken für Text und Data Mining nach § 44b und § 60d UrhG, mit Betonung eines maschinenlesbaren Nutzungsvorbehalts. Der Bundesgerichtshof hat die Sache unter dem Aktenzeichen I ZR 281/25 am 3. September 2026 verhandelt; ob eine Entscheidung ergangen oder ein Verkündungstermin bestimmt ist, war bei Redaktionsschluss nicht belegbar – ich behaupte hier kein Ergebnis. Für Website-Betreiber folgt schon jetzt: Wer Training an eigenen Bildern verhindern will, muss den Vorbehalt maschinenlesbar setzen – über robots.txt, das TDM Reservation Protocol, ai.txt und Bildmetadaten.

Prüfroutine für Redaktionen in sechs Schritten

Aus alledem folgt kein Werkzeug, sondern ein Ablauf – in dieser Reihenfolge, weil sie mit den billigsten und aussagekräftigsten Schritten beginnt.

1. Herkunft klären, bevor Sie das Bild ansehen. Wer hat es geschickt, wer war die Erstquelle? Eine Rückwärtsbildsuche zeigt, ob das Motiv älter ist oder in anderem Kontext lief. Die meisten Fehlgriffe entstehen durch fehlende Quellenprüfung, nicht durch schlechte Bildforensik.
2. Content Credentials prüfen. Datei bei verify.contentauthenticity.org hochladen. Ein Treffer ist eine starke Auskunft über Aussteller und Bearbeitungskette. Kein Treffer ist keine Auskunft – und kein Beweis für KI.
3. Auf 200 bis 400 Prozent zoomen und nur die zweite Ebene ansehen. Bildränder, Hintergrundpersonen, Nebenbeschriftungen. Bester Ertrag pro Minute.
4. Die sechs belastbaren Merkmale abarbeiten. Spiegelungen, Schattenrichtung und Kontaktschatten, Hintergrundlogik, Fließtext, periodische Muster, Verdeckungen. Notieren Sie den Fund als konkrete Bildstelle, nicht als Gefühl.
5. Zwei unabhängige Detektoren laufen lassen. Liegt das Bild als Originaldatei vor, sind die Werte ein brauchbares Indiz. Bei einem Screenshot kaum – dann gewichten Sie sie niedrig. Widersprechen sich zwei Werkzeuge, ist das Ergebnis „unklar", nicht „KI".
6. Entscheiden und dokumentieren. Halten Sie fest, was geprüft wurde, mit welchem Ergebnis und wer entschieden hat. Bei Restzweifeln: nicht veröffentlichen oder mit Vorbehalt kennzeichnen. Ein falscher KI-Vorwurf gegen eine echte Fotografin ist der teurere Fehler.

Was das für die eigene Bildproduktion heißt

Der Blick nach außen ist nur die Hälfte. Wer selbst mit KI-Bildern arbeitet, braucht drei Dinge: eine Kennzeichnungsregel, eine Dokumentation und einen klaren Umgang mit Stockmaterial.

Kennzeichnung. Legen Sie eine Regel fest, die schärfer ist als das Gesetz – dann brauchen Sie keine Einzelfallprüfung. Mein Vorschlag: Jedes vollständig KI-erzeugte Bild bekommt eine sichtbare Bildunterschrift („Mit KI erzeugt" oder „KI-generiertes Symbolbild"), unabhängig davon, ob es ein Deepfake im Sinne des Artikels 50 ist. Der Hinweis gehört an das Bild, nicht in die Bildnachweise ganz unten. Technisch gilt: Vorhandene Content Credentials nicht entfernen, also mit C2PA-fähiger Software zuschneiden und skalieren. Und weil Meta und X eingebettete Metadaten ohnehin entfernen, verlassen Sie sich dort nicht auf das automatische Plattform-Label, sondern setzen die Kennzeichnung selbst. Instagram, TikTok, YouTube und LinkedIn verlangen zusätzlich eigene Angaben – Plattformregeln, keine Gesetze, aber sie werden durchgesetzt.

Dokumentation. Führen Sie für jedes veröffentlichte Bild eine Zeile in einer Liste: Werkzeug und Modellversion, Datum, Prompt beziehungsweise Bearbeitungsschritte, Bearbeiterin, Freigabe, Kennzeichnung ja/nein. Das kostet zwei Minuten. Erstens verlangt das LG Frankfurt bei bestrittener Urheberschaft eine Darlegung des Schöpfungsprozesses im Einzelnen – wer nichts dokumentiert hat, kann das später nicht nachholen. Zweitens ist eine solche Liste der einzige belastbare Nachweis darüber, welche Bilder auf Ihrer Website KI-Anteile haben. Wie ich beim Erzeugen selbst vorgehe, steht im Beitrag zum Erstellen von KI-Bildern.

Stockmaterial. Bei eingekauften Bildern verschiebt sich das Risiko auf den Lieferanten – aber nur vertraglich, nicht faktisch. Klären Sie im Einkauf drei Fragen: Enthält das Portfolio KI-generierte Inhalte, und sind sie gekennzeichnet? Wer haftet, wenn ein Bild fremde Marken oder eine erkennbare reale Person enthält? Werden Content Credentials mitgeliefert? Dasselbe gilt, wenn eine Agentur Ihnen Bilder liefert: An rein KI-generierten Bildern kann Ihnen niemand exklusive Nutzungsrechte einräumen. Ein Vertrag kann stattdessen eine Zusicherung zur Herkunft leisten, eine Freistellung von Ansprüchen Dritter und die Verpflichtung, dasselbe Bild nicht an Wettbewerber zu liefern.

Eine letzte Einschätzung: Der wirtschaftliche Wert eines KI-Bildes ist gering, weil es beliebig reproduzierbar und rechtlich nicht zu monopolisieren ist. Für Symbolbilder, Entwürfe und Moodboards taugen sie. Für das Bild, das Ihre Marke tragen soll, sind sie die falsche Wahl.

Häufige Fragen

Wie erkennt man KI-Bilder?

Am zuverlässigsten über drei Schritte. Erstens visuell: auf 200 bis 400 Prozent zoomen und gezielt die Stellen prüfen, an denen Bildmodelle systematisch scheitern – Spiegelungen in Fenstern, Brillen und Wasser, die Richtung aller Schatten, den Hintergrund und die zweite Motivebene, Nebentexte auf Schildern, wiederkehrende Muster wie Karo, Ziegel oder Kettenglieder sowie längliche Objekte, die hinter etwas verschwinden und versetzt wieder auftauchen. Zweitens technisch: die Datei bei verify.contentauthenticity.org auf Content Credentials prüfen. Drittens recherchierend: Rückwärtsbildsuche, Quelle und Erstveröffentlichung prüfen. Merkmale aus älteren Ratgebern – sechs Finger, verformte Zähne, unnatürliche Gesichtssymmetrie – sind bei aktuellen Modellen weitgehend behoben und taugen 2026 nicht mehr als Nachweis.

Gibt es zuverlässige Tools zur Erkennung von KI-Bildern?

Zuverlässig im Sinne von belastbar für eine Veröffentlichungsentscheidung gibt es sie nicht. AI or Not nennt 98,9 Prozent, Sightengine 98,3 Prozent in einem Drittbenchmark – das sind Anbieterangaben unter Laborbedingungen mit unkomprimierten Originaldateien und bekannten Generatoren. Der Benchmark RRDataset (arXiv:2509.09172) hat genau diese Annahme geprüft: Läuft ein Bild einmal durch eine Social-Media-Pipeline, verlieren einzelne Verfahren bis zu 97,41 Prozentpunkte Genauigkeit; ist das Bild abfotografiert oder gescreenshottet, brechen mehrere Verfahren um 88 bis 91 Prozentpunkte ein. Sightengine schreibt selbst: „no detector is 100 % reliable".

Was ist SynthID?

SynthID ist ein für Menschen unsichtbares Wasserzeichen von Google DeepMind, das im Moment der Erzeugung in die Ausgabe von Googles generativen Modellen eingebettet wird – Bild, Video, Audio und Text, unter anderem in Imagen, Veo, Lyria, NotebookLM und der Gemini-App. Google gibt an, es verändere die Qualität nicht und überstehe Zuschnitt, Filter, Bildratenänderungen und verlustbehaftete Kompression; bis Mai 2025 waren nach Googles Angabe über zehn Milliarden Inhalte markiert. Zwei Grenzen sind entscheidend: SynthID erkennt ausschließlich Inhalte aus Google-Modellen, und der Prüfdienst SynthID Detector ist im September 2026 nicht frei zugänglich, sondern läuft über eine Warteliste für ausgewählte Medienschaffende und Forschende.

Darf ich KI-Bilder kommerziell nutzen?

In aller Regel ja, aber aus zwei unabhängigen Gründen mit Vorbehalt. Urheberrechtlich ist ein rein KI-generiertes Bild in Deutschland nicht geschützt, weil § 2 Abs. 2 UrhG eine persönliche geistige Schöpfung verlangt. Ob Sie es kommerziell verwenden dürfen, richtet sich deshalb nicht nach dem Urheberrecht, sondern nach den Nutzungsbedingungen des Anbieters, mit dem Sie das Bild erzeugt haben – und die unterscheiden sich je nach Dienst und Tarif und ändern sich laufend. Unabhängig davon bleiben Rechte Dritter bestehen: fremde Marken, geschützte Designs oder eine erkennbare reale Person im Bild.

Muss ich KI-Bilder kennzeichnen?

Nicht pauschal, aber in klar umrissenen Fällen. Seit dem 2. August 2026 gilt Artikel 50 der KI-Verordnung (EU) 2024/1689. Für Sie als Betreiber – Agentur, Redaktion, Website-Betreiber – ist vor allem Absatz 4 relevant: Wer Deepfakes veröffentlicht, also KI-erzeugte oder manipulierte Bild-, Ton- oder Videoinhalte, die reale Personen, Orte oder Ereignisse darstellen, muss offenlegen, dass die Inhalte künstlich erzeugt oder manipuliert wurden. Ein frei erfundenes Symbolbild ohne Bezug zu realen Personen oder Ereignissen ist dagegen kein Deepfake und in der Regel nicht kennzeichnungspflichtig. Der Hinweis muss klar, eindeutig, barrierefrei und spätestens bei der ersten Wahrnehmung sichtbar sein – ein Vermerk im Impressum genügt nicht.

Wem gehört ein KI-Bild?

Urheberrechtlich niemandem. Ein rein KI-generiertes Bild ist kein Werk im Sinne des § 2 Abs. 2 UrhG. Das Amtsgericht München versagte KI-generierten Logos mit Urteil vom 13. Februar 2026 (Az. 142 C 9786/25, nicht rechtskräftig) den Schutz, auch bei detaillierten und iterativ verfeinerten Prompts. Das OLG Düsseldorf formulierte in seiner Entscheidung vom 2. April 2026 (Az. I-20 W 2/26) den Maßstab: Nötig ist eine menschlich-schöpferische Einflussnahme auf die Gestaltung des konkreten Werkes selbst; die bloße Auswahl aus mehreren Vorschlägen genügt nicht. Praktische Folge: Sie können an einem reinen KI-Bild niemandem Nutzungsrechte einräumen und niemandem die Nutzung verbieten.

Darf KI mit fremden Fotos trainiert werden?

Das ist die derzeit meistdiskutierte Rechtsfrage. Im Verfahren Kneschke gegen LAION hat das Landgericht Hamburg am 27. September 2024 (Az. 310 O 227/23) die Klage eines Berufsfotografen abgewiesen, dessen Bild in einen Datensatz mit 5,85 Milliarden Bild-Text-Paaren gelangt war; das OLG Hamburg bestätigte das am 10. Dezember 2025 (Az. 5 U 104/24). Beide Instanzen stützten sich auf die Schranken für Text und Data Mining nach § 44b und § 60d UrhG und betonten, dass ein Nutzungsvorbehalt maschinenlesbar erklärt sein muss. Der Bundesgerichtshof hat die Sache unter dem Aktenzeichen I ZR 281/25 am 3. September 2026 verhandelt; eine abschließende Entscheidung lag bei Redaktionsschluss dieses Beitrags nicht vor.