Woran du 2026 erkennst, ob ein Bild KI-generiert ist (ohne zu raten)

Zwei Jahre lang lautete der Rat zum Erkennen eines KI-Bildes gleich: zähle die Finger, lies den Text auf dem Schild, achte auf geschmolzenen Schmuck. 2026 ist dieser Rat eine Falle. Die aktuelle Modellgeneration — Midjourney, Firefly, die neuesten DALL·E und Imagen — stellt fünffingrige Hände, lesbare Beschilderung und stimmige Spiegelungen die meiste Zeit dar. Die Hinweise, die sich 2023 verlässlich anfühlten, erwischen heute die billigen, alten oder schlampigen Fälschungen und winken die guten glatt durch. Wenn deine Methode, um „Ist dieses Bild KI?“ zu beantworten, darin besteht, die Augen zusammenzukneifen, verlierst du bereits gegen ein Modell, das gebaut wurde, um genau dieses Zusammenkneifen zu schlagen.

Die nützliche Frage ist also nicht „Sieht es fake aus?“ — sondern „Was kann diese Datei tatsächlich darüber beweisen, woher sie kommt?“ Dieser Wechsel, vom Raten an Pixeln zum Lesen von Belegen, ist der einzige Ansatz, der standhält, während die Modelle immer besser werden. Dieser Leitfaden zeigt, wie du jedes Bild ehrlich prüfst: nach welchen Belegen du suchst, wie du sie findest, wann du ihnen vertraust und — der Teil, den die meisten Tools verstecken — wann die einzig richtige Antwort „kein eindeutiges Ergebnis“ lautet.

Warum reine Pixel-Detektoren in freier Wildbahn zusammenbrechen

Du wirst Dutzende Seiten finden, die versprechen, es zu klären: Bild hochladen, „93 % KI“ zurückbekommen. Behandle diese Zahl als Dekoration, nicht als Beleg. Begutachtete Benchmarks zeigen immer wieder dasselbe — Detektoren, die im Labor glänzend abschneiden, fallen bei Bildern auseinander, gegen die sie nicht trainiert wurden. Der RAID-Benchmark (arXiv 2506.03988) hat sogenannte robuste Detektoren über ungesehene Generatoren geprüft und beobachtet, wie die Trefferquote Richtung Münzwurf abrutscht, sobald die Testbilder von einem Modell außerhalb des Trainingssatzes stammten. Eine eigene Forschungslinie zur Deployment-Lücke findet denselben Zusammenbruch, wenn Labordetektoren auf die unordentlichen, neu komprimierten, gescreenshotteten Bilder treffen, die tatsächlich online kursieren.

Das Problem ist strukturell, kein Bug, den jemand nächstes Quartal patcht. Jeder neue Generator wird faktisch darauf trainiert, den statistischen Fingerabdruck zu tilgen, den der letzte Detektor zu erkennen gelernt hat. Es ist ein Wettrüsten, und die Detektorseite ist dauerhaft ein Modell im Rückstand. Deshalb lautet die mit Abstand wichtigste Regel hier: Vertraue keinem Tool, das dir eine selbstsichere Prozentzahl reicht, hinter der kein Beleg steht. Eine Zahl, die du nicht überprüfen kannst, ist eine Vermutung im Laborkittel.

Was wirklich funktioniert: die Herkunft lesen

Das verlässliche Signal steckt nicht in den Pixeln — es steckt in der Datei drum herum. Moderne Generatoren, Kameras und Editoren schreiben zunehmend maschinenlesbare Aufzeichnungen darüber, was ein Bild erzeugt und wie es sich verändert hat. Herkunft ist der Oberbegriff, und vier Arten von Belegen tragen den größten Teil des Gewichts:

• C2PA Content Credentials — ein kryptografisch signiertes Manifest im Inneren der Datei, das festhält, wer sie erstellt hat, mit welchem Tool und wie sie bearbeitet wurde. Adobe Firefly und Photoshop, DALL·E von OpenAI sowie die Exporte von Googles Imagen und Gemini fügen es an; Leica- und Sony-Kameras signieren echte Fotos auf dieselbe Weise. Signiert heißt überprüfbar — ein manipuliertes oder entferntes Manifest scheitert bei der Validierung, statt zu lügen.
• Parameter-Blöcke von Stable Diffusion & ComfyUI — lokale Open-Source-Generatoren schreiben ihr ganzes Rezept in die Text-Blöcke eines PNG: den Prompt, den Modell-Hash, den Sampler, den Seed und die Schrittzahl. Automatic1111, ComfyUI, SDXL, InvokeAI und NovelAI tun das standardmäßig. Wenn diese Blöcke überleben, hat das Bild praktisch gestanden.
• XMP / IPTC digitalSourceType — ein Standard-Metadatenfeld, dessen Wert „trainedAlgorithmicMedia“ das offizielle maschinenlesbare Label der Branche für „mit generativer KI erstellt“ ist. Firefly, DALL·E, Recraft, Leonardo und andere prägen es ein. Es ist ein simpler String: leicht zu lesen, schwer überzeugend zu fälschen.
• Die EXIF-Aufnahmespur — der Block, den eine echte Kamera schreibt: Objektiv, Belichtung, ISO, Zeitstempel, manchmal GPS. Ihr Vorhandensein spricht schwach für eine echte Aufnahme, und eine stimmige Spur ist schwer zu fälschen. Ihr Fehlen beweist für sich genommen nichts, weil Plattformen EXIF routinemäßig entfernen.

Wie du jedes Bild prüfst, Schritt für Schritt

Hier ist ein Vorgehen, das bei einem Screenshot aus dem Gruppenchat, einem Marktplatz-Inserat oder einem Foto in deinem Newsfeed funktioniert. Mach sie der Reihe nach und höre auf, sobald du einen echten Beleg hast.

1. 01Umgekehrte Bildersuche nach der frühesten Quelle. Wirf das Bild in Google Lens, TinEye oder Bing Visual Search und sortiere nach Datum. Der älteste Beitrag verrät oft mehr als jeder Detektor: Ein „Foto“, das zuerst auf einem KI-Kunst-Board auftauchte, oder ein „Eilmeldungs“-Bild ohne Quelle, die älter ist als heute Morgen, beantwortet die Frage von selbst.
2. 02Prüfe die Metadaten und Content Credentials. Suche nach einem C2PA-Manifest (Adobes verify.contentauthenticity.org oder jeder Reader, der das signierte Manifest zeigt), PNG-Parameter-Blöcken, einem XMP-digitalSourceType-Feld und dem EXIF-Block. Ein einziger klarer Generator-Marker beendet die Untersuchung auf der Stelle.
3. 03Führe eine belegbasierte Prüfung an der tatsächlich erhaltenen Datei durch. Nimm einen Checker, der die Herkunft liest und seine Arbeit zeigt, nicht einen, der eine nackte Prozentzahl ausspuckt. Prüfe die Originaldatei, wann immer du sie bekommst — jedes erneute Speichern und Hochladen entfernt mehr von den Belegen.
4. 04Wäge die manuellen visuellen Hinweise zuletzt ab, nur als unterstützenden Beleg. Wenn die Metadaten weg sind, kann ein sorgfältiger Blick auf Hände, Text und Spiegelungen dein Urteil noch kippen — aber behandle ihn als Hinweis, nie als Beweis, und lass ihn nie ein signiertes Manifest überstimmen.

Die visuellen Hinweise, die einen Blick wert bleiben (und warum sie verblassen)

Bevor es irgendeinen Detektor gab, waren deine Augen das einzige Werkzeug, und sie erwischen weiterhin die gelegentliche faule Fälschung. Wisse nur, dass jeder dieser Hinweise mit jeder Modellveröffentlichung unzuverlässiger wird.

• Hände, Zähne und feine Wiederholungen — zusätzliche Finger, verschmolzene Zähne und doppelt vorhandener Schmuck waren 2023–24 eindeutige Verräter. Die führenden Modelle von heute treffen sie meist richtig, deshalb beweist eine saubere Hand nichts und nur ein offensichtlicher Fehler bedeutet etwas.
• Text und Beschilderung — verzerrte oder unsinnige Schrift im Hintergrund war früher garantiert. Aktuelle Modelle treffen kurzen Text jetzt oft perfekt, auch wenn lange Absätze und dichte Beschilderung sie noch stolpern lassen.
• Physik: Spiegelungen, Schatten und Flüssigkeiten — Spiegel, die die falsche Szene zeigen, Schatten, die in die falsche Richtung weisen, Wasser, das sich seltsam bewegt. Einer der beständigeren Hinweise, weil physikalisch stimmiges Licht wirklich schwer zu synthetisieren ist.
• Textur, die zu perfekt ist — wächserne Haut, überglatte Verläufe und ein unnatürliches Fehlen von Sensorrauschen deuten auf Synthese hin. Aber kräftige Beauty-Filter erzeugen denselben Look bei echten Fotos, also schneidet es in beide Richtungen.

Beachte das Muster: Jeder Hinweis auf dieser Liste trägt jetzt eine Fußnote, und die Fußnoten gewinnen. Genau deshalb steht die visuelle Prüfung unten auf der Checkliste, nicht oben.

Welches Urteil zu erwarten ist, nach Generator

Verschiedene Generatoren hinterlassen verschiedene Belege, deshalb gibt eine ehrliche Prüfung je nachdem, woher ein Bild stammt und was es seither durchgemacht hat, verschiedene Antworten. Hier ist die realistische Karte:

Die beiden „kein eindeutiges Ergebnis“-Zeilen sind der ehrliche Teil. Ein Midjourney-Download und ein Screenshot kommen nicht als „menschlich“ zurück — sie kommen als „kein Beleg in irgendeine Richtung“ zurück, was zufällig die Wahrheit ist.

Warum „kein eindeutiges Ergebnis“ die ehrliche Antwort ist, kein Versagen

Es ist verlockend, „kein eindeutiges Ergebnis“ als Aufgeben des Tools zu lesen. Es ist das Gegenteil. Das Fehlen von Belegen ist kein Beleg für ein Fehlen: Eine bereinigte Datei kann ein echtes Urlaubsfoto sein, das seine Metadaten bei WhatsApp verloren hat, oder ein KI-Bild, das genau deshalb gescreenshottet wurde, um seine Herkunft zu verbergen. Alles, was diese echte Ungewissheit in ein entschlossen wirkendes „91 % echt“ verwandelt, fabriziert eine Sicherheit, die es sich nicht verdient hat. Jeder ehrliche Detektor hat einen Zustand „kein eindeutiges Ergebnis“; die meisten begraben ihn nur unter einer Prozentzahl, damit das Produkt klüger wirkt, als die Wissenschaft es erlaubt. Wenn du bei „kein eindeutiges Ergebnis“ landest, besteht der Zug nicht darin, den Pixeln zu vertrauen — sondern zu Schritt eins zurückzukehren und Quelle und Kontext aufzuspüren, die Metadaten jedes Mal überdauern.

Herkunft wird gleich zum Standard

Deshalb verschiebt sich der Boden hin zu Belegen, und zwar schnell. Ab dem 2. August 2026 verlangt Artikel 50 der KI-Verordnung der EU von Anbietern generativer KI-Systeme, ihre Ausgaben maschinenlesbar zu kennzeichnen, und verlangt von jedem, der ein Deepfake einsetzt, es offenzulegen — mit Bußgeldern, die hoch genug sind, dass die großen Labore bereits mitziehen. C2PA Content Credentials, getragen von Adobe, OpenAI, Google, Microsoft und den großen Kameraherstellern, ist der führende Weg, wie sie das tun. In der Praxis steigt der Anteil der KI-Bilder mit überprüfbarer Herkunft Monat für Monat, während das Pixel-Raten weiter an Boden verliert. Die Kennzeichen zu lesen, die eine Datei trägt, ist heute nicht nur die ehrliche Methode — es ist die Methode, die stärker wird, während Kennzeichnung zum Gesetz statt zur Höflichkeit wird.

Wenn dich also das nächste Mal ein Bild fragen lässt „Ist dieses Bild KI?“, kneif nicht die Augen zusammen. Spüre auf, woher es kam, lies, was die Datei zugibt, und lass die Belege entscheiden — einschließlich des Belegs, dass es keine gibt. Dieser letzte Fall hat einen Namen, und er lautet nicht „fake“ oder „echt“. Er lautet „kein eindeutiges Ergebnis“ — und bereit zu sein, das laut auszusprechen, ist der ganze Unterschied zwischen Prüfen und Raten.