Gute Bildprompts bauen
Von
Maik Meid
vom .
Leute, lasst uns was gegen schlechte KI-Bilder tun und endlich richtig prompten.
Ich habe im Urlaub dieses Jahr für ein paar Tage lang alle Aufsteller, Poster und Flyer fotografiert, die eindeutig via ChatGPT erstellt worden sind. Nach drei Tagen habe ich abgebrochen, weil es so viele wurden. Und sie sehen alle einfach ganz fürchterlich schlecht aus. Einheitsbrei galore. ChatGPT ist das neue WordArt. Oder der Funkenregen-Übergang in Eurer Präsentations-Software.
Leute, lasst uns was dagegen tun.
Die meisten Bildprompts, die mir begegnen, sind drei Zeilen lang und bestehen im Wesentlichen aus Kommas. "Foto, Ehrenamtliche, Lager, Sonnenlicht, warm, hochauflösend, 8k". Das war 2023 auch schon nicht mehr die richtige Technik. Aber heute ist es der Grund, warum die Ergebnisse aussehen wie Stockfotos aus der Pommes Bude. (Nix gegen eine gute Currywurst!)
Die Modelle haben sich geändert und weiter entwickelt. Midjourney und Stable Diffusion haben in ihren frühen Versionen Prompts als Wortwolke gelesen, jedes Wort war ein Regler. Daher enstanden die Kommaketten, daher die Gewichtungen mit doppelten Klammern, daher der Aberglaube um "8k" und "Masterpiece". Nano Banana, GPT Image, Recraft und Seedream lesen dagegen Sätze. Sie verstehen, dass "a woman placing a crate on a shelf" etwas anderes beschreibt als "a woman, a crate, a shelf".
Wortlisten verschenken genau diese Fähigkeit, für die diese Modelle gebaut wurden.
Beschreibt es so, wie ihr es einer Fotografin am Telefon erklären würdet
Das ist die ganze Umstellung. Ihr sagt nicht "Ehrenamtliche, Lager, warm". Ihr sagt, wer im Bild ist, was diese Person gerade tut, woher das Licht kommt, wie nah die Kamera (und welche Kamera) dran ist und wofür ihr das Bild überhaupt braucht. Ein zusammenhängender Absatz ist super.
So sieht das für ein Jahresbericht-Cover aus: (Jaaa, macht vermutlich keinen Sinn, das Jahresberichts-Cover zu generieren. Ist halt nur ein Beispiel. Außerdem setzt dieser Prompt auch hinterlegte weitere Kontexte voraus, was aber ein anderes Thema ist.)
A documentary-style photograph for the cover of a nonprofit annual report for our organisation.
Scene: Three volunteers in their late twenties to sixties sort donated
groceries into wooden crates inside a converted warehouse. The woman in
the foreground, wearing a dark green apron over a grey sweatshirt, looks
down at the crate she is filling and smiles slightly at something a
colleague just said. Everyone is portrayed with dignity and agency, as
competent people at work. No posed eye contact with the camera.
Light: Late afternoon daylight through tall industrial windows on the
left, soft directional light, long shadows across the concrete floor.
Warm, calm, unsentimental mood.
Camera: 35mm lens at f/2.0, eye-level, foreground person on the right
third. Shallow depth of field.
Rendering: Photorealistic, authentic skin texture with visible pores,
no beauty retouching, no HDR look, no oversaturation. Grain like ISO 400
colour film.
Format: 16:9 landscape, calm negative space in the upper left third for
a headline overlay.Das Ergebnis des Beispiels oben ist vermutlich auch noch etwas ausgelutscht und sieht sehr KI-mäßig aus. Es ist aber auch nur ein Beispiel.
Ja, das ist lang, und beim ersten Mal dauert es deutlich länger als die drei Kommazeilen. Dafür bekommt ihr ein Bild, das ihr benutzen könnt, statt sechs Versuchen, die alle irgendwie danebenliegen. (Tipp: Baut euch mit Claude Code einen Bildprompt-Generator. Ich hab da mal was vorbereitet.)
Und noch ein Hinweis: Prompts machen aktuell nur auf Englisch richtig Sinn. Die aktuellen Bild-Modelle sind auf englischem Bildmaterial mit englischen Beschreibungen trainiert. Deutsche Prompts werden intern übersetzt und verlieren dabei an Genauigkeit. Die einzige Ausnahme ist Text, der später im Bild stehen soll. Der kommt selbstverständlich auf Deutsch.
Elf Bausteine, wenn es gut werden soll
Wenn ich einen funktionierenden Prompt auseinandernehme, stecken darin immer dieselben Bestandteile. Zuerst der Zweck, also wofür das Bild gebraucht wird, und dann die Bildart oder "Gattung", damit das Modell weiß, ob es ein Reportagefoto oder eine Vektorillustration bauen soll. Danach Motiv und Handlung, also nicht nur wer da ist, sondern was gerade passiert. Dann die Umgebung, sauber getrennt nach Vordergrund, Mittelgrund und Hintergrund.
Licht ist der wichtigste Baustein: Lichtquelle, Richtung, Härte, Tageszeit. Dazu die Stimmung in einem einzigen Wort, ruhig, dringlich, festlich. Die Kameraangaben kommen dazu, Brennweite und Blende und Augenhöhe, weil das die Bildsprache härter steuert als jedes Stilwort. Okay, nicht alle kennen sich in der Kamerawelt aus, muss aber auch nicht. Aber dann reicht es zu sagen, ob es ein Smartphone-Foto aus 2010, eine Actioncam-Aufnahme oder eine gute spiegellose Systemkamera sein soll.
Farbe funktioniert am besten begrenzt. Drei bis vier Töne, gern mit Hex- oder RGB-Werten, ein Akzent statt bunter Vielfalt. Beim Stil beschreibt ihr die Richtung, statt Künstlernamen zu kopieren, und benennt die Materialität: Filmkorn, Papierstruktur, gebürstetes Metall, matter Stoff, und wie das Licht auf diesen Oberflächen reagiert.
Bleiben die Komposition mit dem Leerraum, den ihr später für die Headline braucht, das technische Format mit Seitenverhältnis und Pixelmaßen, und ganz am Ende eine kurze Avoid-Liste. Drei bis fünf Punkte, mehr nicht. Eine Avoid-Liste rettet aber auch keinen Prompt, dessen positiver Teil vage geblieben ist und manche Modelle ignorieren dies hervorragend.
Text im Bild ist die Disziplin, an der ihr die Modelle unterscheidet oder auch erkennt
Bis vor kurzem war Schrift in KI-Bildern eine Buchstabensuppe. Das hat sich gedreht. Recraft und GPT Image setzen Headlines inzwischen so zuverlässig, dass sich damit Social-Karten produzieren lassen.
Drei Dinge braucht das: den exakten Wortlaut in Anführungszeichen, die Position im Bild und den ausdrücklichen Hinweis auf Umlaute. "Gemeinsam wächst mehr" wird ohne diesen Hinweis gern zu "Gemeinsam wachst mehr". Dazu Schutzabstände definieren, sonst klebt die Zeile am Rand.
Text: The headline "Gemeinsam wächst mehr" is set in the upper third in a
bold geometric sans-serif, dark petrol blue, correctly spelled with German
umlauts. Below the illustration, a smaller line reads "Jetzt spenden".
Keep clear margins of at least 8 percent of the image width around all text.| Bestandteil | |
|---|---|
| Zweck und Bildtyp | Wofür ist das Bild? Titelbild, Social Post, Hintergrund, Icon Bildtyp: Dokumentarfoto, Vektorillustration, Produktrendering, Diagramm |
| Motiv + Handlung | Wer oder was ist zu sehen? Was passiert gerade? Bei Menschen: Anzahl, Alter, Kleidung, Haltung, Blickrichtung, Beziehung der Figuren zueinander |
| Umgebung + Kontext | Ort, Raum, Zeit, JahreszeitVordergrund, Mittelgrund Hintergrund getrennt beschreiben |
| Licht + Stimmung | Lichtquelle, Richtung, Härte, Tageszeit Emotionale Temperatur in einem Wort: ruhig, dringlich, festlich |
| Kamera + Perspektive | Brennweite, Blende, Augenhöhe oder Auf- / UntersichtSchärfentiefe, Bildausschnitt, Drittelregel |
| Farben | Begrenzte Palette, gern mit Hex-Werten Ein Akzentfarbton statt bunter Vielfalt |
| Stil + Renderqualität | Stilrichtung beschreiben statt Künstlernamen; Material, Filmkorn, Papierstruktur, gebürstetes Metall, matter Stoff | Licht auf Oberflächen: matt, seidig, spiegelnd, rau | Anti-Kitsch: kein HDR, keine Beauty-Retusche, keine Übersättigung |
| Text im Bild | Exakter Wortlaut in Anführungszeichen, in Zielsprache | Position, Schriftcharakter, Farbe | Umlaute und Sonderzeichen ausdrücklich erwähnen | Schutzabstände definieren |
| Komposition + Leerraum | Negativraum für spätere Typografie einplanenSymmetrie oder bewusste Dezentrierung |
| Technisches Format | Seitenverhältnis, PixelmaßeHoch, quer oder quadratisch, abgeleitet vom Kanal |
| Ausschlüsse | Kurze Avoid-Liste am Ende, nicht mehr als drei bis fünf PunkteWirkt nur, wenn der positive Teil vorher präzise war |
| Haltung | Würde und Handlungsfähigkeit der abgebildeten Menschen | Keine Mitleidsästhetik, keine Stereotype | Kein erfundener Fotorealismus dort, wo echte Menschen suggeriert werden |
Kontrolliert das Ergebnis trotzdem. Die Modelle treffen Umlaute meist, aber nicht immer, und ein Rechtschreibfehler auf einer Kampagnenkarte kostet euch mehr als die zwei Minuten Nachprüfung.
Wird oft vergessen:
Ein fotorealistisches KI-Bild von Menschen suggeriert, dass es diese Menschen gibt und dass diese Szene so stattgefunden hat. In einem Jahresbericht ist das eine Aussage über eure Arbeit. Ich persönlich halte das nicht immer für vertretbar. Bei symbolischen Motiven okay, und für heikel überall dort, wo Lesende eine Dokumentation erwarten. Die Grenze müsst ihr selbst ziehen, aber zieht sie bewusst und schreibt sie in eure Bildrichtlinie. Bildrichtlinien... Noch so ein Thema...
Nicht neu würfeln, nachsteuern
Der letzte Punkt spart am meisten Zeit. Wenn das erste Bild fast passt, generiert nicht neu. Sagt in einem Satz, was anders werden soll: "Make the light softer and move the plant slightly left". Nano Banana und GPT Image halten dabei die Szene stabil und ändern nur das eine. Drei solcher Sätze bringen euch weiter als zwanzig frische Versuche.
Was mich zur eigentlichen Frage bringt: Wie viele eurer letzten zehn KI-Bilder habt ihr wirklich veröffentlicht?
(Das Bild im Header ist übrigens auch KI-generiert.)
Bonustipp:
Wenn ihr regelmäßig Bildprompt baut, dann baut euch doch entweder einen Skill oder nutzt vorhandene MCP-Server. Mein Lieblings-Tool Magnific lässt sich zum Beispiel über Claude direkt ansteuern.
