Erhalte unsere neuesten Artikel und Updates bequem per E-Mail
KI-Bildbearbeitung lohnt sich dort, wo viele Bildvarianten nach festen Regeln entstehen und ein Mensch jedes veröffentlichte Bild verantwortet. Entscheidend ist nicht die Geschwindigkeit der ersten KI-Ausgabe, sondern die gemessene Gesamtzeit bis zum freigegebenen Bild. Vor jeder Tool-Entscheidung steht ein kontrollierter Pilot mit klaren Kennzahlen.
KI-Bildbearbeitung ist keine Spielerei der Kreativabteilung mehr, sondern eine mögliche Komponente in Marketing, Vertrieb, E-Commerce, Produktdatenmanagement und technischer Dokumentation. Nach Destatis nutzten 2025 insgesamt 26 Prozent der Unternehmen ab zehn Beschäftigten KI, bei 10 bis 49 Beschäftigten 23 Prozent, bei 50 bis 249 Beschäftigten 36 Prozent [1].
Unter den KI-nutzenden Unternehmen verwendeten 52 Prozent Technologien zur Erzeugung von Bildern, Videos oder Audio [1]. Eurostat beziffert den Anteil der EU-Unternehmen, die KI zur Erzeugung solcher Inhalte einsetzen, auf 10 Prozent aller erfassten Unternehmen [3]. Beide Werte erfassen jedoch nicht ausschließlich Bildbearbeitung. Sie taugen als Hinweis auf die Verbreitung, nicht als Marktanteil einzelner Anwendungen.
Praktisch geht es um Freistellen, Hintergrundwechsel, Formatvarianten, Retusche, Hochskalierung, Farb- und Lichtkorrekturen sowie das Erzeugen neuer Bildbestandteile. Diese Funktionen unterscheiden sich stark im Risiko. Das Entfernen eines einfarbigen Hintergrunds verändert die Aussage eines Bildes nicht, ein von der KI ergänzter Bildbestandteil kann sie verändern. Für die Einführung ist diese Unterscheidung wichtiger als jede Funktionsliste.
Wer den Einsatz im Rahmen einer größeren KI-Strategie einordnen möchte, findet im Beitrag KI im Unternehmen einsetzen: Von ChatGPT zum produktiven Arbeitsablauf den übergeordneten Rahmen.
Geeignet sind Prozesse mit hohem Bildvolumen, klar definierten Qualitätsanforderungen und geringem Risiko falscher Darstellungen. Typische Kandidaten sind das Entfernen eines einfarbigen Hintergrunds, die Anpassung auf vorgegebene Seitenverhältnisse oder die Erstellung interner Layoutentwürfe.
Wirtschaftlich interessant wird es dort, wo viele wiederkehrende Varianten nach festen Regeln entstehen: Produktbilder für mehrere Vertriebskanäle, Sprach- und Länderversionen einer Kampagne oder einheitliche Vorschaubilder für ein großes Sortiment. Die Regelhaftigkeit ist der Hebel, denn eine Regel lässt sich prüfen. Bilder, die jedes Mal eine individuelle gestalterische Entscheidung verlangen, profitieren kaum von Automatisierung.
Kritisch sind Produktabbildungen, bei denen die KI Form, Farbe, Material, Beschriftung, Anschlüsse oder Lieferumfang verändern könnte. Solche Abweichungen können Kunden täuschen, Reklamationen auslösen oder verbindliche Branchenstandards verletzen. Sie gehören deshalb nicht in die erste Pilotstufe, sondern erst dann in den Umfang, wenn Prüfregeln für die Motivtreue stehen.
Bei der Auswahl gilt eine feste Reihenfolge: Erst wird der Prozess abgegrenzt, dann werden Qualitätskriterien festgelegt, zuletzt wird ein Werkzeug gewählt. Wird das Tool zuerst gekauft, bestimmt sein Funktionsumfang den Prozess, und die Prüfkriterien entstehen nachträglich unter Zeitdruck. Erst ein repräsentativer Bildsatz mit einfachen und schwierigen Motiven macht die Unterschiede im Pilot sichtbar.
Das lässt sich nur im eigenen Prozess messen. In den ausgewerteten neutralen Quellen liegen keine belastbaren allgemeinen Prozentwerte zu Zeit- oder Kosteneinsparungen speziell durch KI-Bildbearbeitung im DACH-Mittelstand vor. Deshalb braucht jede Investitionsentscheidung eine eigene Rechnung auf Basis eines kontrollierten Pilots.
Die folgende Modellrechnung mit angenommenen Werten zeigt die Logik. Angenommen werden 600 Bilder pro Monat, eine Bearbeitungszeit von acht Minuten ohne KI und drei Minuten im Pilot. Hinzu kommen eine angenommene Prüfzeit von einer Minute je Bild sowie 60 nachzubessernde Bilder (10 Prozent) mit je sechs Minuten Nacharbeit.
| Position | Wert |
|---|---|
| Bilder pro Monat | 600 |
| Zeit ohne KI (600 × 8 Min.) | 80 Std. |
| Zeit der KI-Bearbeitung (600 × 3 Min.) | 30 Std. |
| Bruttoentlastung | 50 Std. |
| Prüfzeit (600 × 1 Min.) | 10 Std. |
| Nacharbeit (60 Bilder × 6 Min.) | 6 Std. |
| Gesamtzeit mit KI (30 + 10 + 6) | 46 Std. |
| Nettoentlastung (80 − 46) | 34 Std. |
Von 50 Stunden Bruttoentlastung bleiben in dieser Annahme 34 Stunden netto. Noch nicht abgezogen sind Lizenzkosten, Integration, Schulung und Datenschutzaufwand. Entscheidend ist daher die gemessene Gesamtzeit bis zum freigegebenen Bild, nicht die Geschwindigkeit der ersten KI-Ausgabe.
Die Rechnung kippt, sobald die Nachbearbeitungsquote steigt oder die Prüfung aufwendiger wird als die Bearbeitung selbst. Im Pilot sollten daher beide Größen je Bildklasse getrennt erfasst werden, nicht nur der Durchschnitt über alle Motive.
Sie verlangen feste technische Eigenschaften, die ein KI-Ergebnis erfüllen muss, bevor es verwendbar ist. Anschaulich zeigt das der Produktdatenprozess im Handel: GS1 Germany verlangt für neue Konsumenteneinheiten in Food und Near-Food grundsätzlich mindestens eine GDSN-konforme Produktabbildung je GTIN [4].
Geprüft werden unter anderem Bildgröße, Format, Farbschema, Dateiname und Beschneidungspfad. Vorgesehen sind mindestens 2.401 Pixel bei 300 ppi [4]. Sieht ein Bild nach der KI-Hochskalierung gut aus, verliert aber den Beschneidungspfad oder wird im falschen Farbschema ausgegeben, fällt es bei der formalen Prüfung durch. Die Formalprüfung ist deshalb ein eigener Schritt hinter dem Werkzeug.
Inhaltlich gilt: KI darf keine Verpackungstexte, Barcodes, Mengenangaben oder Produkteigenschaften erfinden oder verzerren. Generative Verfahren rekonstruieren feine Schrift und Strichcodes aus Wahrscheinlichkeiten, nicht aus der Vorlage. Bei der Hochskalierung können daher lesbar wirkende, aber falsche Zeichen entstehen. Barcodes und Mengenangaben sollten gegen die Stammdaten geprüft werden.
Wer die Bilder an Stammdaten koppelt, profitiert von sauberen Artikeldaten. Wie sich diese Pflege strukturieren lässt, beschreibt der Beitrag Stammdatenpflege automatisieren. Automatisierung ersetzt hier nicht die formale und inhaltliche Qualitätskontrolle.
Zu trennen sind Kennzeichnung, Urheberrecht, Marken- und Persönlichkeitsrecht sowie Datenschutz. Jede Ebene beantwortet eine andere Frage, und eine erfüllte Ebene deckt die übrigen nicht ab.
Bei der Kennzeichnung gelten seit dem 2. August 2026 die Transparenzpflichten aus Artikel 50 der EU-KI-Verordnung, unter anderem zu maschinenlesbaren Markierungen und Offenlegung bei Deepfakes [2]. Betreiber müssen offenlegen, dass Bild-, Audio- oder Videoinhalte künstlich erzeugt oder manipuliert wurden, wenn diese als Deepfake einzustufen sind [5]. Rein assistive Standardbearbeitungen ohne wesentliche Veränderung werden in den Erwägungsgründen von der technischen Markierungspflicht abgegrenzt [5]. Geringfügige Farbkorrekturen sind daher nicht automatisch kennzeichnungspflichtig. Bei realistisch erzeugten Personen, veränderten Ereignisdarstellungen oder täuschend echten Produkt- und Standortbildern sollte die Frage dokumentiert geprüft werden.
Beim Urheberrecht weist das DPMA darauf hin, dass der Schutz eines KI-Outputs vom menschlichen Schöpfungsbeitrag im Einzelfall abhängt. Rein technisch erzeugte Bilder sind deshalb nicht automatisch exklusiv geschützte Unternehmensassets. Umgekehrt ist der Output nicht automatisch frei von Rechten Dritter: Logos, Designs, geschützte Figuren, Fotografien oder charakteristische Gestaltungselemente bleiben problematisch.
Bilder identifizierbarer Personen dürfen nach § 22 Kunsturhebergesetz grundsätzlich nur mit Einwilligung der abgebildeten Person verbreitet oder öffentlich gezeigt werden, soweit keine gesetzliche Ausnahme greift. Wird ein Mitarbeiterfoto in ein externes KI-System geladen oder das Gesicht erheblich verändert, sind zusätzlich Rechtsgrundlage, Zweck, Dienstleister, Speicherort und mögliche Weiterverwendung zu prüfen. Die BfDI warnt davor, generative Systeme mit beliebigen personenbezogenen Daten zu befüllen.
Er besteht aus vier Bausteinen: festgelegte Anwendungsfälle samt Ausschlüssen, dokumentierte Nutzungsbedingungen, ein verantwortlicher Mensch je veröffentlichtem Bild und eine nachvollziehbare Archivierung. Ohne diese Bausteine hängt die Qualität an einzelnen Personen statt am Prozess.
Erstens werden zulässige Anwendungsfälle und ausgeschlossene Datenarten definiert. Personenbilder, unveröffentlichte Produkte, Konstruktionsdetails, Kundendaten und vertrauliche Standortaufnahmen sollten ohne gesonderte Prüfung nicht in öffentliche KI-Dienste gelangen. Zweitens werden Vertrags- und Nutzungsbedingungen dokumentiert: Dürfen Ein- und Ausgaben zum Training verwendet werden, wo erfolgt die Verarbeitung, welche Löschmöglichkeiten bestehen, welche kommerziellen Nutzungsrechte werden eingeräumt?
Drittens braucht jedes veröffentlichte Bild einen verantwortlichen Menschen. Die Kontrolle umfasst Motivtreue, Texte und Zahlen, Marken, Personen, Metadaten, technische Kanalvorgaben und eine mögliche KI-Kennzeichnung. Viertens werden Ausgangsdatei, Bearbeitungsweg, Freigabe und veröffentlichte Version archiviert. Fehlt die Ausgangsdatei, lässt sich bei einer Reklamation nicht belegen, was die KI verändert hat.
Das Ziel ist kein menschenfreier Bildprozess. Tragfähiger ist ein hybrides Modell: KI übernimmt standardisierbare Arbeitsschritte, Beschäftigte verantworten Produktwahrheit, Markenwirkung und Rechtskonformität. Bewertet wird ein Pilot anhand von Durchlaufzeit, Nachbearbeitungsquote, Ablehnungsquote, Kosten je freigegebenem Asset und dokumentierten Rechts- oder Qualitätsvorfällen. Erst wenn diese Kennzahlen stabil sind, ist die Ausweitung auf weitere Abteilungen oder Bildklassen vertretbar. Wie sich solche Abläufe sauber in Arbeitsroutinen übersetzen lassen, zeigt auch der Beitrag Prompts für den Arbeitsalltag.
Nein, nicht jede Bearbeitung ist automatisch kennzeichnungspflichtig. Nach der EU-KI-Verordnung müssen Betreiber künstlich erzeugte oder manipulierte Inhalte offenlegen, wenn diese als Deepfake einzustufen sind [5]. Rein assistive Standardbearbeitungen ohne wesentliche Veränderung werden von der technischen Markierungspflicht abgegrenzt. Bei realistisch wirkenden Personen- oder Produktbildern sollte die Prüfung dokumentiert werden.
Bei Personenfotos sind zusätzlich Rechtsgrundlage, Zweck, Dienstleister, Speicherort und Weiterverwendung zu klären.
Nein, das lässt sich nicht pauschal sagen. Der urheberrechtliche Schutz eines KI-Outputs hängt nach Hinweis des DPMA vom menschlichen Schöpfungsbeitrag im Einzelfall ab. Zudem kann der Output Rechte Dritter berühren, etwa an Logos, Designs oder Fotografien. Auch die kommerziellen Nutzungsrechte aus den Bedingungen des Dienstes sollten dokumentiert werden.
Über Kennzahlen, die den gesamten Weg bis zum freigegebenen Bild abbilden: Durchlaufzeit, Nachbearbeitungsquote, Ablehnungsquote, Kosten je freigegebenem Asset und dokumentierte Rechts- oder Qualitätsvorfälle. Der Pilot sollte mit repräsentativen Bildern laufen, nicht nur mit besonders einfachen Motiven.
Für neue Konsumenteneinheiten in Food und Near-Food ist grundsätzlich mindestens eine GDSN-konforme Produktabbildung je GTIN erforderlich [4]. Geprüft werden unter anderem Bildgröße, Format, Farbschema, Dateiname und Beschneidungspfad; gefordert sind mindestens 2.401 Pixel bei 300 ppi.
Nach Destatis nutzten 2025 insgesamt 26 Prozent der Unternehmen ab zehn Beschäftigten KI, und 52 Prozent der KI-Nutzer setzten Technologien zur Erzeugung von Bildern, Videos oder Audio ein [1]. In der EU waren es laut Eurostat 10 Prozent aller erfassten Unternehmen [3]. Die Werte betreffen nicht allein Bildbearbeitung.
Fragen zur Automatisierung? Kostenloses Erstgespräch mit Socialeap
Abdullah hat Wirtschaftsinformatik (B.Sc.) studiert und verantwortet bei Socialeap den Bereich Prozessautomatisierung. Jede Lösung wird zu 100 % auf den jeweiligen Kunden zugeschnitten – kein Standardpaket, sondern Systeme, die exakt auf die bestehenden Abläufe im Unternehmen passen. Kunden sparen dadurch im Durchschnitt 10 Stunden pro Woche. Abdullah ist bei jedem Automatisierungsprojekt persönlich am Aufbau beteiligt. Auf diesem Blog schreibt er über Automatisierung, Prozessoptimierung und die Frage, wo Zeit im Tagesgeschäft tatsächlich verloren geht.
