Ob ein Bild KI-generiert ist: Was Detektoren erkennen können – und was nicht

Bilderkennung funktioniert nicht, indem sie Motive erkennt oder zusätzliche Finger entdeckt. Sie analysiert niedrigstufige statistische Strukturen: die Verteilung des Rauschens, Frequenzartefakte und die Spuren, die der Upsampling-Prozess eines Generators hinterlässt. Diese Signale sind für das bloße Auge unsichtbar und überstehen leichte Bearbeitung – deshalb kann ein Detektor ein völlig gewöhnlich wirkendes Bild markieren, und ebenso deshalb kann er eines übersehen, das für einen Menschen offensichtlich künstlich aussieht.

Der mit Abstand häufigste Grund für ein unzuverlässiges Ergebnis bei Bildern ist, dass die Datei erneut komprimiert wurde. Ein Screenshot von einem Screenshot, ein aus einer Messaging-App gespeichertes Bild oder ein von einer Social-Media-Plattform neu kodiertes Foto hat genau jene niedrigstufige Struktur teilweise überschrieben, auf die Detektoren angewiesen sind. Testen Sie immer das qualitativ hochwertigste verfügbare Original. Liegt nur ein heruntergeladenes Vorschaubild vor, lautet die ehrliche Antwort: Die Datei lässt sich nicht bewerten.

Gängige Formate wie JPG, PNG und WebP enthalten unterschiedlich viel nutzbares Signal. Verlustfreie Formate bewahren mehr davon, starke JPEG-Kompression entfernt mehr. Aus demselben Grund spielt die Auflösung eine Rolle: Ein kleines Bild enthält weniger statistische Evidenz. Deshalb kann dasselbe Foto in unterschiedlichen Größen unterschiedliche Ergebnisse liefern – das ist keine Inkonsistenz des Detektors, sondern ein echter Unterschied in der Menge an Evidenz, die jede Datei enthält.

Detektoren und Menschen versagen auf unterschiedliche Weise, weshalb sie gemeinsam nützlich sind. Menschen erkennen semantische Unmöglichkeiten gut: Text, der sich in Formen auflöst, widersprüchliche Spiegelungen, Schmuck, der mit der Haut verschmilzt, Schatten, die in unvereinbare Richtungen fallen. Detektoren sind gut bei statistischen Rückständen, die kein Betrachter bemerkt. Beide Methoden anzuwenden und eine Uneinigkeit als Anlass für weitere Prüfung zu nehmen, ist weit zuverlässiger, als sich auf eine allein zu verlassen.

Wo verfügbar, übertrumpft ein Herkunftsnachweis jeden Score. Wo ist die Datei zuerst aufgetaucht, wer hat sie veröffentlicht, hat die ursprünglich postende Person eine Vorgeschichte, gibt es andernorts eine frühere Version, sind eingebettete Metadaten erhalten geblieben? Eine Rückwärts-Bildsuche, die das Bild bereits vor zwei Jahren veröffentlicht findet, klärt die Frage auf eine Weise, wie es kein Prozentwert kann. Detektion ist genau dann am wertvollsten, wenn keine Herkunftsangaben verfügbar sind – und genau dann sollte sie auch mit ihrer Unsicherheit kommuniziert werden.

Wenn eine Einschätzung weitergegeben oder als Handlungsgrundlage genutzt wird, sollten Sie festhalten, was Sie geprüft und was Sie festgestellt haben: die Dateiversion, ihre Auflösung und ihr Format, den Score, die bemerkten visuellen Auffälligkeiten und etwaige Herkunftsbelege. Werkzeuge wie NotGPT liefern für ein hochgeladenes Bild eine Wahrscheinlichkeit, und eine kurze Historie der Prüfungen macht Ergebnisse über die Zeit vergleichbar. Eine Schlussfolgerung, die ihre eigene Grundlage dokumentiert, lässt sich später überprüfen; ein nackter Prozentwert in einer Chat-Nachricht nicht.