Du schreibst:

Eine kleine Berghütte im Schnee.

Die KI erzeugt ein Bild.

Du schreibst stattdessen:

Eine einsame Holzhütte in verschneiten Alpen, aufgenommen kurz vor Sonnenaufgang, warme Beleuchtung aus den Fenstern, tiefe Kameraposition, leichter Schneefall, ruhige dokumentarische Landschaftsfotografie.

Nun entsteht wahrscheinlich ein wesentlich gezielteres Bild.

Beide Eingaben beschreiben dieselbe Grundidee:

Berghütte
+
Schnee

Der zweite Prompt liefert dem Bildmodell jedoch wesentlich mehr Informationen darüber, wie diese Idee visuell umgesetzt werden soll.

Genau darum geht es bei Text-to-Image.

Textbeschreibung
↓
Bildmodell
↓
visuelle Interpretation
↓
Bild

Der Prompt enthält keine fertigen Pixel.

Er beschreibt einen möglichen Bildinhalt.

Das Modell übersetzt diese Beschreibung in eine neue visuelle Darstellung.

Text-to-Image ist keine klassische Suchmaschine

Wenn du bei einer Bildersuche eingibst:

Berghütte im Schnee

lautet der Ablauf vereinfacht:

Suchbegriff
↓
vorhandene Bilder durchsuchen
↓
passende Treffer

Bei Text-to-Image:

Prompt
↓
generatives Modell
↓
neues Bild

Das Ergebnis muss vorher nicht in genau dieser Form existiert haben.

Das macht Text-to-Image für kreative Aufgaben so interessant.

Der Prompt ist ein Briefing, kein Programmcode

Ein häufiger Fehler beim Einstieg besteht darin, nach einer magischen Promptsyntax zu suchen.

Man hofft auf eine Formel:

Wort A
+
Wort B
+
Wort C
=
perfektes Bild

So funktioniert Bild-KI nicht.

Ein Prompt ist eher mit einem Briefing an einen Fotografen oder Illustrator vergleichbar.

Du beschreibst:

Was soll zu sehen sein?

Wo spielt die Szene?

Wie soll das Bild aufgebaut sein?

Welche Stimmung?

Welches Licht?

Welche visuelle Sprache?

Je klarer diese Informationen sind, desto gezielter kann das Modell arbeiten.

Ein Bildprompt besteht aus mehreren Ebenen

Ein praktisches Modell lautet:

Motiv
↓
Umgebung
↓
Handlung
↓
Komposition
↓
Perspektive
↓
Licht
↓
Stimmung
↓
visueller Stil
↓
Format

Nicht jeder Prompt braucht alle Ebenen.

Aber diese Struktur hilft beim systematischen Arbeiten.

Das Motiv ist der Kern

Beispiel:

ein alter roter Motorroller

Das Modell weiß nun grundsätzlich:

Was soll im Zentrum stehen?

Das Motiv kann sein:

eine Person,

ein Gegenstand,

ein Gebäude,

ein Tier,

eine Landschaft,

eine abstrakte Idee.

Das Motiv sollte möglichst eindeutig sein

Schwach:

Fahrzeug.

Präziser:

kleiner klassischer Motorroller aus den 1960er-Jahren.

Noch präziser:

kleiner cremefarbener Motorroller mit verchromtem Scheinwerfer und abgerundeter Karosserie.

Je spezifischer die visuell relevanten Eigenschaften, desto weniger muss das Modell selbst interpretieren.

Mehr Details sind aber nicht automatisch besser

Angenommen, du schreibst:

ein cremefarbener Motorroller mit Chromscheinwerfer, silbernem Spiegel, schwarzem Sitz, weißwandigen Reifen, rotem Rücklicht, vier sichtbaren Schrauben, zwei kleinen Kratzern am Kotflügel …

Irgendwann entsteht eine enorme Menge von Einzelbedingungen.

Das Modell kann sie:

teilweise ignorieren,

vertauschen,

zusammenführen.

Deshalb sollte man unterscheiden:

entscheidende Merkmale

von:

nice-to-have Details

Wichtiges zuerst

Wenn für das Bild entscheidend ist:

gelber Regenschirm

sollte diese Information klar formuliert sein.

Nicht versteckt in einem Absatz mit zwanzig anderen Eigenschaften.

Ein gutes Bildbriefing besitzt Prioritäten.

Die Umgebung gibt dem Motiv Kontext

Nur:

eine Frau liest ein Buch.

lässt viele Möglichkeiten offen.

Ergänzung:

eine Frau liest ein Buch in einem kleinen Wiener Kaffeehaus.

Jetzt entstehen weitere visuelle Hinweise:

Tische,

Innenraum,

Kaffeehausatmosphäre,

Beleuchtung.

Noch konkreter:

Eine Frau liest allein an einem kleinen Marmortisch in einem klassischen Wiener Kaffeehaus, im Hintergrund hohe Fenster und dunkles Holz.

Die Szene wird zunehmend steuerbar.

Umgebung und Motiv sollten zueinander passen

Prompt:

Taucher unter Wasser in einer gemütlichen Bibliothek.

kann natürlich als surrealistisches Motiv gemeint sein.

Wenn das nicht beabsichtigt ist, erzeugen widersprüchliche Angaben unnötige Unsicherheit.

Die KI kann Widersprüche kreativ lösen.

Aber nicht unbedingt so, wie du es erwartest.

Handlung macht ein Bild lebendiger

Statisch:

Mann in Werkstatt.

Dynamischer:

Mann repariert in einer Werkstatt ein altes Fahrrad.

Noch konkreter:

Mann kniet neben einem alten Fahrrad und stellt mit einem Schraubenschlüssel die Hinterradbremse ein.

Damit entsteht nicht nur ein Motiv.

Es entsteht eine Situation.

Handlungen erhöhen allerdings die Komplexität

Eine stehende Person:

relativ einfach.

Fünf Menschen, die gleichzeitig unterschiedliche Werkzeuge benutzen und miteinander interagieren:

deutlich schwieriger.

mehr Figuren
+
mehr Gegenstände
+
mehr Beziehungen
=
mehr mögliche Fehler

Bei komplexen Szenen kann es sinnvoll sein, schrittweise zu arbeiten.

Komposition beschreibt, wie das Bild aufgebaut ist

Zwei Bilder können exakt dasselbe Motiv zeigen und vollkommen unterschiedlich wirken.

Beispiel:

Person sehr klein
in riesiger Landschaft

gegen:

enges Portrait
nur Gesicht sichtbar

Das Motiv ist dieselbe Person.

Die Komposition verändert die Wirkung vollständig.

Totale

Eine Totale zeigt viel Umgebung.

Landschaft
Landschaft
   Person
Landschaft

Gut für:

Orte,

Architektur,

Atmosphäre,

Größenverhältnisse.

Promptbegriffe können beispielsweise sein:

weite Landschaftsaufnahme

oder:

Person klein im Bild, große Umgebung sichtbar.

Halbtotal

Die Person beziehungsweise das Hauptmotiv nimmt mehr Raum ein.

Umgebung bleibt erkennbar.

Geeignet für:

Handlungen,

Arbeitsplätze,

redaktionelle Szenen.

Nahaufnahme

┌────────────┐
│   Gesicht  │
│            │
└────────────┘

Die Umgebung verliert Bedeutung.

Details und Emotionen dominieren.

Extremes Detail

Zum Beispiel:

Hand an Tastatur

oder:

Wassertropfen auf Blatt

Das kann für Artikelillustrationen sehr stark wirken, weil nicht immer der komplette Gegenstand gezeigt werden muss.

Bild-KI versteht auch fotografische Bildbegriffe

Beispielsweise:

close-up

wide shot

medium shot

overhead view

low-angle shot

Solche Begriffe können helfen.

Aber sie sind keine zwingende Geheimsprache.

Man kann ebenso schreiben:

Kamera knapp über dem Boden und leicht nach oben gerichtet.

Natürliche Beschreibung ist oft verständlicher.

Perspektive verändert Macht und Stimmung

Eine Kamera auf Augenhöhe wirkt häufig neutral.

Kamera
→ Motiv

Eine tiefe Kameraposition:

Kamera
↗
Motiv

kann ein Objekt größer oder dominanter wirken lassen.

Eine hohe Perspektive:

Kamera
↘
Motiv

kann Übersicht oder Distanz erzeugen.

Vogelperspektive

Beispiel:

Schreibtisch direkt von oben fotografiert.

Das eignet sich hervorragend für:

Arbeitsplätze,

Lebensmittel,

Werkzeuge,

Flat-Lay-Kompositionen.

Froschperspektive

Moderne Hochhäuser aus sehr niedriger Perspektive nach oben fotografiert.

Dadurch erscheinen die Gebäude besonders monumental.

Perspektive kann wichtiger sein als viele Stilwörter

Vergleiche:

schöner moderner Laptop auf Tisch, hochwertig, professionell, beeindruckend.

gegen:

Laptop auf kleinem Holztisch, Kamera knapp auf Tischhöhe, Gerät im rechten Bilddrittel, unscharfes Fenster im Hintergrund.

Der zweite Prompt beschreibt tatsächlich ein Bild.

Der erste hauptsächlich Wertungen.

Bildmodelle profitieren von visueller Sprache

Begriffe wie:

schön

professionell

cool

hochwertig

sind abstrakt.

Besser sind visuell beschreibbare Eigenschaften:

weiches Seitenlicht

reduzierte Farbpalette

symmetrischer Bildaufbau

dunkler Hintergrund

große freie Fläche links

Das Modell kann daraus leichter konkrete Bildmerkmale ableiten.

Freiraum ist für Websitebilder besonders wichtig

Ein Hero-Bild soll später eine Überschrift tragen.

Dann sollte der Prompt bereits berücksichtigen:

Motiv rechts
↓
freie Fläche links

Beispiel:

Eine Person arbeitet rechts im Bild an einem Laptop, ruhiger heller Hintergrund und viel freie Fläche auf der linken Bildhälfte.

Das ist oft wesentlich nützlicher als ein ästhetisch schönes, aber vollständig ausgefülltes Bild.

Drittelregel kann als Kompositionshilfe dienen

Eine klassische Bildgestaltung teilt das Bild grob in drei Bereiche.

|     |     |     |
|     |     |     |
|     |  X  |     |

Das Hauptmotiv kann beispielsweise im rechten Drittel liegen.

Man muss im Prompt nicht zwingend schreiben:

Rule of thirds.

Ebenso verständlich:

Motiv im rechten Drittel, links freie Fläche.

Symmetrie erzeugt eine andere Wirkung

      X
   Mittelpunkt

Sehr geeignet für:

Architektur,

Produktfotos,

technische Motive,

statische, ruhige Bilder.

Asymmetrie kann lebendiger wirken

X
        Raum

Das kann Bewegung beziehungsweise Spannung erzeugen.

Auch solche Gestaltungsentscheidungen lassen sich bewusst prompten.

Licht ist einer der stärksten Bildparameter

Dasselbe Zimmer kann wirken:

warm,

bedrohlich,

klinisch,

romantisch,

ruhig.

Nur durch anderes Licht.

Deshalb gehört Licht zu den wirkungsvollsten Promptbestandteilen.

Weiches Licht

weiches diffuses Fensterlicht.

Erzeugt häufig:

sanfte Schatten,

ruhige Gesichter,

natürliche Atmosphäre.

Hartes Licht

starkes direktes Sonnenlicht mit klaren Schatten.

Erzeugt:

Kontrast,

Struktur,

Dramatik.

Gegenlicht

Licht
→ Motiv
→ Kamera

kann:

Konturen,

Silhouetten,

Lichtsaum

erzeugen.

Seitenlicht

Licht
→ Motiv
     ↓
   Kamera

betont:

Form,

Textur,

Tiefe.

Besonders geeignet für:

Portraits,

Produkte,

Materialien.

Tageszeit ist bereits eine Lichtanweisung

früher Morgen

kann andere Farben und Schatten erzeugen als:

Mittag

oder:

blaue Stunde

oder:

Nacht

Darum kann eine einfache Zeitangabe sehr viel bewirken.

Wetter verändert ebenfalls die Lichtqualität

bedeckt
→ weich

sonnig
→ kontrastreich

Nebel
→ geringe Distanzkontraste

Regen bei Nacht
→ Reflexionen

Statt abstrakt:

dramatisch

kann eine konkrete Wettersituation oft effektiver sein.

Farbe und Licht gehören zusammen

Prompt:

warmes Abendlicht, orangefarbene Reflexe, leicht entsättigte Schatten.

Das beschreibt:

Farbtemperatur,

Kontrast,

Stimmung.

Solche Angaben sind gezielter als:

tolles Color Grading.

Was bedeutet Stimmung?

Stimmung beschreibt die emotionale Wirkung.

Zum Beispiel:

ruhig

melancholisch

optimistisch

bedrohlich

verspielt

Allein ist das recht abstrakt.

Besser wird es mit visueller Übersetzung.

Beispiel „melancholisch“

Nur:

melancholische Szene.

Besser:

leeres Café am späten Abend, einzelne Tischlampe, Regen am Fenster, gedämpfte Farben.

Nun hat die Stimmung konkrete visuelle Ursachen.

Beispiel „fröhlich“

Statt:

sehr fröhlich.

könnte stehen:

helles weiches Sonnenlicht, lebendige warme Farben, offene freundliche Szene.

Wieder übersetzen wir Emotion in Bildmerkmale.

Stil bestimmt die visuelle Sprache

Ein und dasselbe Motiv:

Fahrrad in einer Stadtstraße.

kann umgesetzt werden als:

realistische Fotografie

oder:

Bleistiftzeichnung

oder:

flache Vektorillustration

oder:

Aquarell

oder:

3D-Render

oder:

redaktionelle Magazinillustration

Das Motiv bleibt gleich.

Die visuelle Interpretation verändert sich komplett.

Stil sollte möglichst beschreibbar sein

Anstatt:

Mach das im Stil von irgendeinem bekannten Künstler.

kann man die gewünschten Eigenschaften direkt formulieren.

Zum Beispiel:

lockere sichtbare Pinselstriche, gedämpfte Erdfarben, vereinfachte Formen, weiches diffuses Licht.

Das beschreibt die visuelle Wirkung konkreter.

Stil besteht aus mehreren Komponenten

Linien
+
Formen
+
Farben
+
Material
+
Licht
+
Detailgrad
+
Komposition

Darum kann man einen eigenen Stil auch über diese Merkmale definieren.

Beispiel einer redaktionellen Illustration

vereinfachte geometrische Formen,
begrenzte Farbpalette,
klare Konturen,
wenig Textur,
ruhiger heller Hintergrund,
moderne redaktionelle Illustration

Das ist wesentlich reproduzierbarer als:

cooles Magazinbild.

Beispiel eines fotografischen Looks

natürliche dokumentarische Fotografie,
realistische Hauttöne,
weiches vorhandenes Licht,
leichte Hintergrundunschärfe,
keine übertriebene Retusche

Auch hier beschreiben wir Merkmale.

Fotografiebegriffe können hilfreich sein

Zum Beispiel:

wide-angle

telephoto

macro

shallow depth of field

deep depth of field

Diese Begriffe beeinflussen die visuelle Interpretation des Bildmodells.

Brennweite ist bei KI eher ein visueller Hinweis als eine physikalische Garantie

Prompt:

24-mm-Weitwinkel.

Das Modell berechnet nicht zwangsläufig exakt dieselbe optische Projektion wie eine reale konkrete Kamera.

Es hat gelernt, wie typische 24-mm-Aufnahmen aussehen.

Man sollte solche Angaben daher als visuelle Steuerung verstehen.

Weitwinkel

Typischer Eindruck:

viel Umgebung
+
stärkere räumliche Tiefe

Gut für:

Innenräume,

Architektur,

Landschaften.

Telewirkung

Typischer Eindruck:

engerer Bildwinkel
+
verdichteter Hintergrund

Gut für:

Portraits,

isolierte Motive.

Makro

kleines Motiv
↓
sehr nah
↓
starke Detailwirkung

Geeignet für:

Lebensmittel,

Technik,

Pflanzen,

Materialoberflächen.

Tiefenschärfe ist ebenfalls ein starkes Gestaltungsmittel

Motiv scharf
↓
Hintergrund unscharf

lenkt Aufmerksamkeit.

Prompt:

geringe Tiefenschärfe, Hintergrund weich unscharf.

Für Produkt- und Portraitbilder häufig wirkungsvoll.

Nicht jedes Bild braucht Hintergrundunschärfe

Ein häufiger KI-Look besteht aus:

Motiv scharf,

alles dahinter extrem weich.

Für:

Architektur,

Erklärbilder,

Gruppenszenen

kann das unpassend sein.

Dann:

große Tiefenschärfe, Vorder- und Hintergrund klar erkennbar.

Bildprompt und Kameraangaben sollten dem Zweck folgen

Ein Wissensartikel über:

Caching

braucht vielleicht keine:

85-mm-Portraitaufnahme.

Ein technisches Motiv könnte besser wirken mit:

klarem Aufbau,

größerer Tiefenschärfe,

reduzierter Illustration.

Der Bildstil sollte dem Inhalt dienen.

Prompttemplates helfen bei Serien

Angenommen, für eine Website sollen alle Wissensartikel ähnlich illustriert werden.

Dann kann ein Grundtemplate entstehen.

[HAUPTMOTIV],
vereinfachte redaktionelle Illustration,
klare geometrische Formen,
ruhige Komposition,
helle neutrale Umgebung,
kein Text,
breites 16:9-Format

Nur:

[HAUPTMOTIV]

wird je Artikel ersetzt.

Beispiel

Thema:

Caching.

Ein zentraler Webserver liefert mehrfach dieselbe gespeicherte Webseite an mehrere Browser,
vereinfachte redaktionelle Illustration,
klare geometrische Formen,
ruhige Komposition,
helle neutrale Umgebung,
kein Text,
breites 16:9-Format

Thema:

Backup.

Ein Computer überträgt wichtige Dateien in einen sicheren zweiten Speicher,
vereinfachte redaktionelle Illustration,
klare geometrische Formen,
ruhige Komposition,
helle neutrale Umgebung,
kein Text,
breites 16:9-Format

Nun bleibt die Bildsprache vergleichbarer.

Ein Style-Preset ist stärker als Copy-and-Paste

Statt in jedem Prompt alle Stilinformationen zu wiederholen, kann ein automatisierter Workflow einen Preset verwalten.

Preset:
editorial-v1

enthält:

Stilbeschreibung
Format
Modell
Generationsparameter

Der jeweilige Artikel liefert nur:

Motiv

Das erleichtert spätere Änderungen.

Ein Preset kann versioniert werden

editorial-v1
↓
editorial-v2

Vielleicht ändert sich:

Farbpalette,

Detailgrad,

Hintergrundgestaltung.

Die Änderung ist dann nachvollziehbar.

Bildprompts sollten Inhalt und Stil trennen

Ein nützliches Datenmodell:

{
  "subject": "überlasteter Webserver",
  "scene": "viele eingehende Anfragen warten vor einem zentralen Server",
  "composition": "Server rechts, freie Fläche links",
  "lighting": "hell und neutral",
  "style": "editorial-illustration",
  "aspect_ratio": "16:9"
}

Ein späterer Schritt erzeugt daraus den finalen Prompt.

Warum strukturierte Bildbriefings sinnvoll sind

Wenn ein Sprachmodell einfach freien Text erzeugt:

Mach eine beeindruckende Grafik über Server.

schwankt die Qualität stark.

Strukturierte Felder erzwingen Fragen wie:

Was ist das Hauptmotiv?

Wie ist die Komposition?

Welches Format?

Damit kommen unsere strukturierten Ausgaben erneut ins Spiel.

Prompt und Parameter sind nicht dasselbe

Prompt:

Was soll visuell entstehen?

Parameter:

Wie wird technisch generiert?

Dazu können je nach System gehören:

Seed,

Breite,

Höhe,

Anzahl der Schritte,

weitere Modellparameter.

Diese Ebenen sollte man nicht vermischen.

Was bedeutet Seed?

Wie bereits unter Bild-KI beschrieben, beeinflusst der Seed den zufälligen Ausgangszustand einer Generierung.

Prompt
+
Seed A
↓
Bild A

Prompt
+
Seed B
↓
Bild B

Gleicher Prompt.

Andere Variante.

Seed eignet sich hervorragend für Exploration

Nehmen wir einen guten Prompt.

Statt ihn ständig umzuschreiben:

Seed 1
Seed 2
Seed 3
Seed 4

Dadurch erhältst du unterschiedliche Kompositionen derselben Grundidee.

Das hilft, zunächst herauszufinden:

Welche Bildvariante funktioniert am besten?

Danach kann ein Seed festgehalten werden

Du findest eine gute Variante.

Nun:

Seed = 81721

festhalten.

Dann Prompt leicht anpassen.

Beispielsweise:

rotes Fahrrad
↓
blaues Fahrrad

Die Gesamtkomposition kann unter geeigneten Bedingungen ähnlicher bleiben als bei vollständig neuem Zufall.

Seed garantiert keine universelle Reproduzierbarkeit

Ändert sich:

Modell,

Software,

Generierungsverfahren,

Auflösung,

andere Parameter,

kann das Ergebnis anders aussehen.

Der Seed ist Teil eines Rezepts.

Nicht das Rezept allein.

Für reproduzierbare Workflows müssen mehrere Dinge gespeichert werden

Mindestens konzeptionell:

Modell
Modellversion
Prompt
Seed
Auflösung
Preset

Je nach System zusätzlich weitere Parameter.

Die finale Bilddatei bleibt trotzdem entscheidend

Wenn ein veröffentlichtes Bild wichtig ist:

speichern.

Nicht darauf verlassen:

Wir haben ja Seed und Prompt.

Jahre später könnte:

das Modell nicht mehr verfügbar sein,

die Software anders rechnen.

Was bedeutet Sampling?

Beim Generieren eines Bildes muss das Modell aus einem großen Wahrscheinlichkeitsraum einen konkreten Weg zum Ergebnis wählen.

Verschiedene Algorithmen können diesen Prozess unterschiedlich steuern.

Sie werden häufig als:

Sampler

beziehungsweise Samplingverfahren bezeichnet.

Für normale Nutzer ist weniger wichtig, jede mathematische Variante zu kennen.

Wichtiger ist:

Der gewählte Generationsalgorithmus kann Bildcharakter, Geschwindigkeit und benötigte Schrittzahl beeinflussen.

Was sind Generationsschritte?

Bei einem diffusionsartigen Bildmodell entsteht das Bild über mehrere Verfeinerungsschritte.

Vereinfacht:

Rauschen
↓
Schritt 1
↓
Schritt 2
↓
Schritt 3
↓
...
↓
Bild

Mehr Schritte bedeuten:

mehr Rechenzeit.

Aber nicht automatisch:

besseres Bild.

Zu wenige Schritte

Das Modell kann das Bild möglicherweise noch nicht ausreichend ausarbeiten.

Ausreichend Schritte

Die Qualität stabilisiert sich.

Noch viel mehr Schritte

können irgendwann nur noch:

mehr Rechenzeit

bringen, ohne sichtbar relevante Verbesserung.

Der sinnvolle Bereich hängt vom verwendeten Modell und Verfahren ab.

Deshalb nicht pauschal „mehr ist besser“

Das gilt bei Bild-KI erstaunlich oft.

mehr Schritte
≠
automatisch besser

längerer Prompt
≠
automatisch besser

höhere Auflösung
≠
automatisch besser

Entscheidend ist die passende Konfiguration für das Modell.

Prompt Guidance

Viele Bildsysteme besitzen einen Parameter, der grob beeinflusst, wie stark die Textbeschreibung gegenüber der freien Bildentstehung gewichtet wird.

Vereinfacht:

geringe Promptbindung
→ mehr Freiheit

starke Promptbindung
→ Modell versucht stärker,
Promptmerkmale einzuhalten

Die konkrete technische Umsetzung ist modellabhängig.

Zu viel Promptbindung kann Bilder verschlechtern

Ein verbreiteter Denkfehler:

Wenn das Bild dem Prompt nicht exakt folgt, erhöhe ich einfach die Guidance maximal.

Das kann zu:

unnatürlichen Bildern,

übersättigten Farben,

Artefakten

führen.

Auch hier existiert ein Sweet Spot.

Moderne Modelle können diese Parameter anders benötigen

Deshalb sollte man Einstellungen nicht blind von:

altem Modell A

auf:

neues Modell B

übernehmen.

Gute Standardwerte des jeweiligen Modells sind ein sinnvoller Ausgangspunkt.

Seitenverhältnis sollte vor der Generierung feststehen

Ein Bild für einen Websiteheader braucht beispielsweise:

16:9

oder ein anderes breites Format.

Ein Hochformat:

9:16

führt zu einer völlig anderen Komposition.

Man sollte daher nicht zuerst irgendein Quadrat generieren und später hoffen, dass es sich perfekt zuschneiden lässt.

Breites Format

┌─────────────────────────┐
│                         │
└─────────────────────────┘

bietet Raum für:

Landschaften,

mehrere Elemente,

Textfläche neben einem Motiv.

Hochformat

┌────────┐
│        │
│        │
│        │
└────────┘

eignet sich stärker für:

Personen,

Gebäude,

Smartphoneformate.

Quadrat

┌──────────┐
│          │
│          │
└──────────┘

ist neutral und flexibel.

Aber nicht für jedes Weblayout optimal.

Seitenverhältnis beeinflusst, was das Modell wichtig nimmt

In einem breiten Bild kann eine Person:

kleiner

und die Umgebung:

größer

dargestellt werden.

Im Hochformat kann die Person deutlich dominanter werden.

Deshalb ist Format selbst Teil des Promptdesigns.

Auflösung ist nicht dasselbe wie Seitenverhältnis

1024 × 1024

hat Seitenverhältnis:

1:1

2048 × 2048

ebenfalls:

1:1

Nur die Pixelzahl ist höher.

Mehr Auflösung bedeutet mehr Rechenaufwand

Bei lokalen Bildmodellen ist das besonders spürbar.

Größere Bilder benötigen:

mehr Rechenzeit,

mehr VRAM,

größere Dateien.

Deshalb sollte die Generierungsauflösung zur späteren Verwendung passen.

Direkt riesig generieren ist nicht immer nötig

Ein sinnvoller Workflow kann lauten:

Grundbild
↓
gute Komposition auswählen
↓
Upscaling
↓
finale Ausgabe

So wird nicht jede verworfene Variante bereits in maximaler Auflösung berechnet.

Varianten zuerst kleiner erzeugen

Beispiel:

4 Kandidaten
↓
Auswahl
↓
1 Gewinner
↓
hochauflösende Version

Das kann bei größeren Contentmengen erhebliche Rechenzeit sparen.

Text-to-Image ist ein iterativer Prozess

Ein häufiger Anfängerfehler:

Prompt schreiben.

Bild nicht perfekt.

Prompt vollständig neu schreiben.

Besser:

erste Version
↓
größtes Problem identifizieren
↓
eine gezielte Änderung
↓
neu testen

So lernt man, welche Promptinformation tatsächlich Wirkung besitzt.

Beispiel

Prompt 1:

Moderne Küche.

Ergebnis:

zu generisch.

Prompt 2:

Kleine moderne Küche mit hellen Holzfronten und weißer Arbeitsplatte.

Besser.

Aber Perspektive unpassend.

Prompt 3:

Kleine moderne Küche mit hellen Holzfronten und weißer Arbeitsplatte, fotografiert aus Augenhöhe von der Eingangstür.

Nun ändert sich gezielt:

Perspektive.

Nicht zehn Dinge gleichzeitig verändern

Wenn du gleichzeitig änderst:

Prompt,

Seed,

Auflösung,

Modell,

Sampler,

Stil,

weißt du anschließend nicht:

Welche Änderung geholfen hat?

Für systematisches Arbeiten:

Baseline
↓
eine Änderung
↓
vergleichen

Dasselbe Prinzip kennen wir von KI-Evaluation

Auch bei Prompts und Fine-Tuning ist kontrolliertes Testen sinnvoll.

Bild-KI unterscheidet sich darin nicht.

Negative Prompts können störende Eigenschaften reduzieren

Manche Systeme unterstützen ein zweites Textfeld:

Prompt
→ erwünscht

Negative Prompt
→ unerwünscht

Zum Beispiel:

Text

Logo

Wasserzeichen

extreme Verzerrung

Je nach Modell kann dies helfen.

Negative Prompts sollten nicht zu Müllhalden werden

Ein typischer Prompt enthält irgendwann:

bad, bad quality, ugly, deformed, horrible, watermark, extra fingers, low res, poor quality …

Das kann bei manchen älteren Workflows üblich gewesen sein.

Es ist nicht automatisch für jedes Modell sinnvoll.

Besser:

mit einem sauberen normalen Prompt starten.

Probleme erst ergänzen, wenn sie tatsächlich auftreten.

Manche unerwünschten Eigenschaften lassen sich positiv besser beschreiben

Statt:

keine Menschen.

kann man schreiben:

leerer Raum ohne Personen.

Oder:

menschenleere Straße.

Die konkrete Formulierung hängt vom Modell ab.

„Kein Text“ ist für Artikelillustrationen oft sinnvoll

Bildmodelle können dekorative pseudoartige Schrift erzeugen.

Bei einer Illustration, die später ohne Schrift verwendet werden soll, ist daher eine klare Anweisung nützlich:

keine Schrift, keine Beschriftungen, keine Logos.

Ob dies absolut eingehalten wird, muss trotzdem geprüft werden.

Exakter Text gehört besser in einen späteren Designschritt

Workflow:

Bild-KI
↓
Illustration
↓
Grafiksoftware
↓
Überschrift
Logo
exakte Typografie

Das ist zuverlässiger.

Anzahl von Gegenständen ist schwierig

Prompt:

exakt fünf Äpfel.

Das Modell kann trotzdem:

vier,

sechs

oder:

anders angeordnete Früchte

erzeugen.

Bild-KI produziert visuelle Plausibilität.

Sie ist keine deterministische Renderingengine für Mengenlogik.

Wenn Exaktheit entscheidend ist, anders arbeiten

Zum Beispiel:

einzelne Objekte separat erzeugen,

klassisch zusammensetzen,

Inpainting nutzen,

3D-/Grafiksoftware verwenden.

Das Werkzeug sollte zur Aufgabe passen.

Mehrere Personen erhöhen den Schwierigkeitsgrad deutlich

Eine Person:

relativ überschaubar.

Zwei:

mehr Beziehungen.

Fünf:

viele Hände,

Gesichter,

Überlagerungen,

Interaktionen.

Für Gruppenbilder lohnt eine besonders klare Komposition.

Beispiel

Schwach:

Vier Menschen arbeiten gemeinsam.

Besser:

Vier Erwachsene sitzen um einen rechteckigen Tisch, jeweils an einer Seite beziehungsweise Ecke, zwei Laptops auf dem Tisch, ruhige Büroszene, Kamera leicht erhöht.

Die räumliche Struktur wird nachvollziehbarer.

Trotzdem prüfen

Das Modell kann:

zusätzliche Hände,

falsche Laptops,

verschmolzene Gegenstände

erzeugen.

Komplexe Szenen verdienen mehr Review.

Hände und Interaktionen bleiben anspruchsvoll

Besonders wenn eine Person:

Werkzeug hält,

einen Gegenstand greift,

mit einer zweiten Person interagiert.

Wenn Hände für die Aussage unwichtig sind, kann die Komposition sie weniger prominent machen.

Das ist manchmal besser als:

perfekte anatomisch korrekte Hände.

Prompt Engineering kann auch bedeuten, Probleme durch Komposition zu vermeiden

Du brauchst ein Bild über:

Homeoffice.

Nicht zwingend:

Person tippt frontal mit beiden Händen sichtbar.

Vielleicht:

Person von hinten am Laptop

erzählt dieselbe Geschichte mit weniger anatomischem Risiko.

Das ist Art Direction, nicht nur Promptoptimierung.

Gute Bildideen sind oft einfacher als schlechte

Komplex:

Acht Personen an Konferenztisch mit zehn Geräten und mehreren Bildschirmen, auf denen bestimmte Diagramme sichtbar sind.

Einfacher:

Einzelner leerer Besprechungsraum mit einem leuchtenden Bildschirm und acht ordentlich aufgestellten Stühlen.

Beide können das Thema:

Meeting

transportieren.

Das zweite ist wesentlich leichter zuverlässig zu erzeugen.

Symbolische Illustrationen nutzen diese Stärke

Thema:

Datenschutz.

Man könnte versuchen:

eine realistische komplexe Serverarchitektur zu erzeugen.

Oder:

verschlossener Ordner
+
abstrakte Datenpunkte

als redaktionelles Symbolbild.

Für viele Wissensartikel ist die zweite Variante sogar besser.

Text-to-Image funktioniert besonders gut mit klarer Bildidee

Der wichtigste Schritt passiert deshalb vor dem Prompt.

Frage:

Was soll der Leser in einer Sekunde verstehen?

Beispiel Artikel:

„Warum Websites langsam sind“.

Antwort:

Zu viele Anfragen stauen sich vor einem überlasteten Server.

Nun ist die Bildidee klar.

Erst danach formulieren

Ein zentraler Webserver rechts im Bild,
vor ihm stauen sich zahlreiche stilisierte Datenpakete,
während nur wenige langsam ausgeliefert werden,
moderne redaktionelle Illustration,
helle reduzierte Farbwelt,
viel freie Fläche links,
keine Schrift,
breites Format

Der Prompt ist nun Umsetzung einer Idee.

Nicht Ersatz für die Idee.

Artikelüberschrift sollte nicht einfach in Bildsprache übersetzt werden

Titel:

Was ist DNS?

Schlechter Bildprompt:

DNS.

Besser zunächst fragen:

Was ist die visuelle Kernidee?

Zum Beispiel:

Domainname
↓
wird einer Serveradresse zugeordnet

Nun:

Ein leicht verständliches visuelles Motiv, bei dem ein Domainname über ein zentrales Verzeichnis zu einem Server geführt wird.

Die Illustration erklärt das Konzept.

KI kann das Bildbriefing aus dem Artikel ableiten

Automatisierter Ablauf:

Artikel
↓
Sprachmodell
↓
visuelle Kernidee
↓
strukturierte Bildbeschreibung
↓
Text-to-Image

Das eignet sich hervorragend für große Contentbestände.

Das Sprachmodell sollte allerdings nicht selbst das endgültige Bild auswählen

Eine mögliche Pipeline:

Artikel
↓
3 Bildideen
↓
beste Idee auswählen
↓
Prompt erzeugen
↓
4 Bilder erzeugen
↓
bestes Bild auswählen

Damit trennen wir:

Ideation

von:

Generierung.

Variantenbildung auf zwei Ebenen

Ebene 1:

unterschiedliche Bildideen

Ebene 2:

unterschiedliche Seeds derselben Idee

Das ist wesentlich strukturierter als zwanzig beliebige Generierungen.

Beispiel

Artikel:

„Passwörter richtig sichern“.

Bildidee A:

Tresor mit digitalen Schlüsseln.

Bildidee B:

mehrere Türen, nur eine mit starkem Schloss.

Bildidee C:

Passwortmanager als zentraler Schlüsselbund.

Zuerst entscheidet man:

Welche Metapher passt?

Danach erzeugt man Varianten.

Ein Bildmodell kann nicht wissen, welches Bild redaktionell am klügsten ist

Es kann technisch hervorragende Bilder erzeugen.

Aber:

Welche Metapher passt zum Artikel?

Welche ist ausgelutscht?

Welche passt zur Marke?

Das ist eine redaktionelle Entscheidung.

Wiederkehrende Klischees sollten vermieden werden

KI-Bilder tendieren leicht zu bekannten visuellen Mustern.

Cybersecurity:

Mensch im Hoodie
+
blaue Neonzeichen

KI:

Roboterkopf
+
leuchtendes Gehirn

Cloud:

schwebende Wolke

Nicht falsch.

Aber schnell generisch.

Gute Art Direction sucht spezifischere Metaphern

Cybersecurity könnte beispielsweise gezeigt werden als:

mehrere Wohnungsschlüssel,
von denen nur einer zu einer geschützten digitalen Tür passt

Oder:

ein sauber beschrifteter Sicherungskasten für digitale Zugänge

Das wirkt eigenständiger.

Text-to-Image kann Brand Differentiation unterstützen

Wenn jedes Thema über dieselben:

Roboter,

Neonchips,

Hackerhoodies

illustriert wird, entsteht austauschbarer KI-Look.

Mit einem eigenen Stil- und Motivsystem kann eine Website dagegen Wiedererkennung erzeugen.

Ein Motivsystem kann Regeln besitzen

Beispiel:

Technik
→ Objekte und Prozesse

Sicherheit
→ physische Metaphern

KI
→ keine Roboter,
sondern abstrakte Arbeitsprozesse

WordPress
→ Schreibtisch- und Website-Motive

Damit entsteht eine bewusstere Bildsprache.

Ein Styleguide kann sogar verbotene Motive enthalten

keine Roboterköpfe

keine schwebenden Hologramme

keine zufälligen Codezeilen

keine generische Business-Handschlag-Fotografie

keine Schrift im Bild

Das kann einem automatisierten Bildworkflow mitgegeben werden.

Negative Designregeln sind oft wertvoller als weitere Stiladjektive

Nicht nur:

Wie sollen Bilder aussehen?

Sondern:

Wie sollen sie nicht aussehen?

Das verhindert typische KI-Klischees.

Bildserien brauchen Konsistenz auf mehreren Ebenen

Modell

Preset

Farbwelt

Komposition

Detailgrad

Seitenverhältnis

Nur der Promptstil allein reicht nicht immer.

Gleiche Modellversion verwenden

Ein Modellwechsel kann die gesamte Bildsprache verändern.

Wenn 100 Illustrationen mit Modell A entstehen und plötzlich Bild 101 mit Modell B:

kann der Unterschied sichtbar sein.

Deshalb:

Modellwechsel kontrolliert durchführen.

Seed sollte bei Bildserien nicht zwangsläufig immer identisch sein

Gleicher Seed für jedes Motiv kann:

ähnliche Grundkompositionen

erzwingen.

Das kann repetitiv wirken.

Besser:

Stilkonsistenz über Preset

und:

motivabhängige Seeds.

Konsistenz bedeutet nicht Identität

Die Bilder einer Website sollen wie eine Familie wirken.

Nicht wie:

dieselbe Komposition mit anderem Gegenstand.

gleiches visuelles System
≠
gleiches Bild

Referenzbilder können Konsistenz weiter verbessern

Wenn Prompt und Preset nicht reichen:

Style Reference
+
Prompt
↓
neues Bild

Das behandeln wir später detaillierter.

Text-to-Image hat Grenzen bei konkreten Identitäten

Ein Prompt:

eine erfundene ältere Frau mit kurzen grauen Haaren.

erzeugt irgendeine passende Person.

Wenn du aber über zehn Bilder hinweg dieselbe fiktive Person brauchst:

ein einfacher Textprompt kann nicht zuverlässig ausreichen.

Das Modell kann:

Gesichtsform,

Haare,

Alter,

Kleidung

zwischen Bildern verändern.

Konsistente Figuren brauchen zusätzliche Verfahren

Zum Beispiel:

Referenzbilder,

spezifische Identitätskonditionierung,

angepasste Modelle,

LoRA.

Das gehört über reine Text-to-Image-Steuerung hinaus.

Dasselbe gilt für konkrete Produkte

Prompt:

blauer Akkuschrauber.

funktioniert.

Aber:

exakt dieses konkrete reale Produkt mit jeder Schraube und jedem Logo identisch.

ist eine andere Aufgabe.

Dann ist ein vorhandenes Produktbild beziehungsweise Image-to-Image oft sinnvoller.

Text-to-Image ist besonders stark, wenn keine exakte Vorlage existiert

Illustration

Atmosphäre

Konzept

Metapher

fiktive Szene

Hier kann das Modell seine generative Stärke ausspielen.

Image-to-Image wird interessanter, sobald etwas erhalten werden muss

Zum Beispiel:

dieses Gebäude

diese Person

dieses Produkt

diese Perspektive

Dann ist ein Ausgangsbild wertvoll.

Deshalb folgt dieses Thema direkt als nächster Artikel.

Ein Text-to-Image-Workflow für Websites

Ein robuster automatisierter Prozess könnte so aussehen:

Artikel freigegeben
↓
Bildbriefing erzeugen
↓
Schema prüfen
↓
Prompt bauen
↓
4 Kandidaten generieren
↓
technische Prüfung
↓
semantische Prüfung
↓
menschliche Auswahl
↓
Weboptimierung
↓
WordPress

Das verbindet mehrere bestehende Casiopeya-Themen.

Schritt 1: Artikel freigegeben

Nicht für jeden unfertigen Entwurf Bilder berechnen.

Erst wenn klar ist:

Dieser Artikel wird tatsächlich verwendet.

Das spart Rechenleistung.

Schritt 2: Bildbriefing

Beispielsweise:

{
  "concept": "Datenstau vor einem überlasteten Webserver",
  "subject": "zentraler Webserver mit wartenden Datenpaketen",
  "composition": "Server rechts, freie Fläche links",
  "style": "editorial-v1",
  "aspect_ratio": "16:9",
  "text_in_image": false
}

Schritt 3: Schema prüfen

Fehlt:

aspect_ratio

oder:

concept

wird nicht generiert.

Erst korrekte Daten.

Dann teure GPU-Arbeit.

Schritt 4: Prompt bauen

Das System kombiniert:

Bildbriefing
+
Style Preset
+
technische Vorgaben

zum finalen Prompt.

Schritt 5: Varianten

Seed A
Seed B
Seed C
Seed D

oder mehrere kontrollierte Interpretationen.

Schritt 6: technische Prüfung

Datei vorhanden?

richtige Pixelgröße?

korrektes Seitenverhältnis?

lesbares Bildformat?

Das erledigt normale Software.

Schritt 7: semantische Prüfung

Ein Vision-Modell könnte prüfen:

Ist ein Server sichtbar?

Ist links ausreichend freie Fläche?

Enthält das Bild Text?

Das ist probabilistisch.

Schritt 8: Mensch

Bei redaktionell wichtigen Bildern:

Endauswahl.

Das muss kein langer Prozess sein.

Vier Miniaturen.

Ein Klick.

Schritt 9: Weboptimierung

Wie unter Bilder für Websites optimieren beschrieben:

passende Abmessungen,

Kompression,

geeignetes Ausgabeformat.

Schritt 10: WordPress

Finales Bild:

Mediathek.

Alt-Text.

Zuordnung zum Artikel.

Nicht die vier Rohkandidaten.

Alt-Text separat erzeugen

Prompt:

technische Illustration,
editorial-v1,
16:9,
keine Schrift...

ist kein sinnvoller Alt-Text.

Alt-Text könnte lauten:

Illustration eines überlasteten Webservers, vor dem sich zahlreiche Datenanfragen stauen.

Das beschreibt den Inhalt.

Automatisierung kann zudem Archivdaten speichern

{
  "article_id": 4711,
  "asset_id": 8172,
  "model": "image-model-a",
  "preset": "editorial-v1",
  "seed": 821733,
  "status": "approved"
}

Damit bleibt der Entstehungsprozess nachvollziehbar.

Ein lokaler Text-to-Image-Server funktioniert ähnlich wie ein LLM-Server

n8n
↓
Image API
↓
Queue
↓
Bildmodell
↓
GPU
↓
Datei

Die Bilddatei wird anschließend gespeichert.

Bildgenerierung sollte asynchron sein können

Eine Generierung dauert gegebenenfalls länger.

Statt:

HTTP Request
↓
Verbindung minutenlang offen

kann ein Job erzeugt werden.

POST /image-jobs
↓
job_id

später:

Job fertig
↓
Webhook

Das passt zu den Prinzipien aus Automatisierung.

Jobdaten können strukturiert sein

{
  "job_id": "img_8172",
  "status": "queued"
}

später:

{
  "job_id": "img_8172",
  "status": "completed",
  "asset_id": "asset_912"
}

Damit lässt sich Bild-KI genauso sauber orchestrieren wie andere Softwaredienste.

Mehrere Bildjobs brauchen eine Queue

100 Artikel
↓
400 Kandidaten
↓
Queue
↓
GPU

Nicht:

400 parallele Generierungen ungeprüft auf eine einzelne GPU schicken.

Prioritäten sind möglich

manuelle Benutzeranfrage
→ HIGH

heutiger Artikel
→ NORMAL

Archivbilder für alte Beiträge
→ LOW

So bleibt die interaktive Nutzung schnell.

Lokale Bild-KI und VRAM

Bei einem lokalen Bildgenerator beeinflussen unter anderem:

Modellgröße,

Auflösung,

Batchgröße,

verwendete Komponenten

den VRAM-Bedarf.

Wenn eine Generierung bei:

1024 × 1024

funktioniert, muss sie nicht mit:

sehr viel höherer Auflösung

genauso problemlos funktionieren.

Deshalb ebenfalls messen

Preset
↓
realistische Auflösung
↓
VRAM Peak
↓
Generierungszeit

Dann weißt du, wie viele parallele Jobs sinnvoll sind.

Text- und Bild-KI können um dieselbe GPU konkurrieren

Eine GPU betreibt:

LLM.

Nun startet Bildgenerierung.

Beide brauchen VRAM.

Das kann zu:

Modellentladen,

Out-of-Memory,

starkem Performanceverlust

führen.

Bei mehreren GPUs können Rollen getrennt werden

GPU 1
→ LLM

GPU 2
→ Bild-KI

Das ist für automatisierte Contentproduktion eine sehr saubere Architektur.

Bei einer GPU hilft Scheduling

Textjobs
+
Bildjobs
↓
Scheduler
↓
GPU

Der Scheduler entscheidet:

Welches Modell ist gerade geladen?

Welche Aufgabe hat Priorität?

Häufiges Modellwechseln kann teuer sein

LLM laden
↓
Artikel schreiben
↓
LLM entladen
↓
Bildmodell laden
↓
Bild erzeugen
↓
Bildmodell entladen

Wenn das ständig passiert, entstehen unnötige Ladezeiten.

Batching kann helfen.

Beispiel

Tagsüber:

LLM
→ interaktive Aufgaben

nachts:

Bildmodell
→ Bildbatch

Für manche Systeme ist das sinnvoller als ständiger Wechsel.

Cloud-Bild-KI braucht keine eigene GPU-Planung

Workflow:

n8n
↓
Bild-API
↓
Cloud
↓
Bild

Dafür entstehen:

variable Kosten

und:

Abhängigkeit vom Anbieter.

Wie bei lokaler KI ist die Frage nicht grundsätzlich:

lokal oder Cloud?

Sondern:

Welche Aufgabe passt wohin?

Eine Mischstrategie kann besonders sinnvoll sein

Massenillustrationen
→ lokal

seltene besonders anspruchsvolle Motive
→ anderer Dienst

Dabei sollte die Bildsprache trotzdem konsistent bleiben.

Text-to-Image ist kein Ersatz für Bildrechteprüfung

Wenn ein Bildprompt auf:

vorhandenen Marken,

realen Personen,

geschützten Ausgangsmaterialien

aufbaut, können zusätzliche rechtliche Fragen entstehen.

Der technische Mechanismus entscheidet nicht automatisch über die zulässige Nutzung.

Auch ein vollständig generiertes Bild kann kommunikativ problematisch sein

Beispiel:

Artikel über einen realen Brand.

Bild zeigt ein frei erfundenes Produkt dieser Marke.

Der Leser könnte glauben:

Dieses Produkt existiert.

Das Problem ist dann weniger die Technik als die irreführende Darstellung.

Redaktionelle Funktion sollte daher vor Generierung feststehen

Ist das Bild:

symbolische Illustration?

konzeptionelle Visualisierung?

Produktdarstellung?

Dokumentation eines realen Ereignisses?

Je nach Funktion gelten unterschiedliche Anforderungen an Genauigkeit.

KI eignet sich hervorragend für klar erkennbare Illustration

Ein Grundlagenartikel über:

Vektordatenbanken

kann eine abstrakte grafische Metapher verwenden.

Der Leser erwartet keine fotografische Dokumentation.

Das ist ein idealer Text-to-Image-Fall.

Fotorealismus sollte bewusst eingesetzt werden

Nur weil ein Modell fotorealistisch generieren kann, muss jeder Artikel wie ein Stockfoto aussehen.

Illustrative Stile können:

wiedererkennbarer,

zeitloser,

weniger missverständlich

sein.

Eine eigene visuelle Sprache kann zum Markenelement werden

Wenn alle Casiopeya-Wissensartikel eine verwandte:

Komposition,

Farbwelt,

Illustrationslogik

besitzen, entsteht Wiedererkennung.

Bild-KI macht es möglich, solche Systeme skalierbar umzusetzen.

Die Voraussetzung ist jedoch:

ein definierter visueller Rahmen statt zufälliger Einzelprompts.

Ein guter Text-to-Image-Prompt lässt sich deshalb auf drei Fragen reduzieren

Was?

Was ist das Hauptmotiv?

Wie?

Wie soll es dargestellt werden?

Wofür?

Welche Funktion hat das Bild im späteren Layout?

Diese dritte Frage wird häufig vergessen.

Beispiel eines vollständigen Briefings

Was?

Ein überlasteter Webserver, vor dem sich Datenanfragen stauen.

Wie?

Vereinfachte moderne redaktionelle Illustration, geometrische Formen, geringe Detaildichte, ruhiger heller Hintergrund.

Wofür?

Breites Artikelheaderbild, Motiv rechts, links freie Fläche, keine Schrift.

Daraus entsteht ein wesentlich zielgerichteteres Bild als aus:

KI-Bild über langsame Websites.

Der wichtigste Prompt-Trick ist daher kein Trick

Es ist:

eine klare Bildidee.

Die KI kann eine Bildidee schnell visualisieren.

Sie kann aber nicht zuverlässig für dich entscheiden, welche Bildidee redaktionell die beste ist.

Was du dir über Text-to-Image merken solltest

Text-to-Image bedeutet, dass ein generatives Bildmodell aus einer sprachlichen Beschreibung ein neues Bild erzeugt.

Prompt
↓
Bildmodell
↓
Bild

Der Prompt ist dabei kein exakter Renderingbefehl.

Er ist ein visuelles Briefing.

Ein hilfreicher Aufbau lautet:

Motiv
↓
Umgebung
↓
Handlung
↓
Komposition
↓
Perspektive
↓
Licht
↓
Stimmung
↓
Stil
↓
Format

Nicht jeder Prompt benötigt jeden Punkt.

Entscheidend ist, die visuell wichtigen Informationen klar zu benennen.

Statt:

schön
professionell
hochwertig

sind Angaben wie:

weiches Seitenlicht

Motiv im rechten Drittel

freie Fläche links

reduzierte Farbpalette

geringe Tiefenschärfe

konkreter.

Fotografische Begriffe können die Darstellung zusätzlich steuern.

Zum Beispiel:

Nahaufnahme

Weitwinkel

Vogelperspektive

niedrige Kameraposition

Makro

geringe Tiefenschärfe

Sie sollten aber als visuelle Hinweise verstanden werden und nicht als Garantie, dass das Modell eine physikalisch exakt definierte Kamera simuliert.

Der Seed beeinflusst den Zufallsanteil der Generierung.

gleicher Prompt
+
anderer Seed
↓
andere Variante

Damit eignet er sich hervorragend, um unterschiedliche Kompositionen derselben Bildidee zu erkunden.

Ein Seed allein garantiert jedoch keine dauerhafte Reproduzierbarkeit.

Für wichtige Assets sollten zusätzlich:

Prompt
Modellversion
Preset
Auflösung
Seed

und selbstverständlich die finale Bilddatei gespeichert werden.

Das Seitenverhältnis beeinflusst die Komposition erheblich.

breit
→ Landschaft / Hero / Textfreiraum

hoch
→ Personen / mobile Formate

quadratisch
→ kompakte neutrale Komposition

Deshalb sollte das spätere Einsatzformat möglichst bereits vor der Generierung feststehen.

Auch die Auflösung sollte nicht unnötig maximiert werden.

Ein effizienter Workflow kann zunächst mehrere kleinere Kandidaten erzeugen:

4 Varianten
↓
1 auswählen
↓
Upscaling / finale Ausgabe

Dadurch wird nicht für jedes verworfene Bild maximale Rechenleistung verbraucht.

Bei einer Bildserie reicht ein guter Prompt allein häufig nicht aus.

Konsistenz entsteht besser durch:

gleiche Modellversion

Style-Preset

Farbwelt

Kompositionsregeln

Seitenverhältnis

gegebenenfalls Referenzen

Ein automatisierter Contentworkflow kann deshalb mit einem strukturierten Bildbriefing arbeiten.

{
  "concept": "Datenstau vor einem Webserver",
  "composition": "Motiv rechts, freie Fläche links",
  "style": "editorial-v1",
  "aspect_ratio": "16:9",
  "text_in_image": false
}

Danach:

Briefing
↓
Prompttemplate
↓
Bild-KI
↓
Kandidaten
↓
Prüfung
↓
Freigabe

Das verbindet Text-to-Image unmittelbar mit strukturierten Ausgaben, Workflows und n8n.

Bei lokaler Bild-KI kommt zusätzlich die Infrastruktur hinzu.

n8n
↓
Image API
↓
Queue
↓
Bildmodell
↓
GPU

Dabei sind KI-Hardware, VRAM und der lokale KI-Server erneut relevant.

Die wichtigste Grenze von Text-to-Image lautet allerdings:

Es beginnt ohne konkretes Ausgangsbild.

Das ist ideal für:

Illustrationen,

neue Szenen,

Metaphern,

freie Bildideen.

Sobald jedoch ein bestimmtes vorhandenes Motiv erhalten bleiben soll, ändern sich die Anforderungen.

Dann möchten wir nicht mehr sagen:

Erzeuge irgendein passendes Haus.

Sondern:

Nimm dieses Haus und verändere nur seine Umgebung.

Oder:

Verwende diese Komposition, aber ändere die Bildsprache.

Oder:

Nimm dieses Foto und verwandle daraus eine Illustration.

Genau dafür gibt es den nächsten wichtigen Mechanismus der Bild-KI:

Image-to-Image.