Grundregel: Ein einziges Merkmal beweist selten „Das ist KI“[1][2]
Die Frage „Ist dieses Bild KI-generiert?“ klingt binär, technisch ist die Datei es aber oft nicht. Ein Bild kann vollständig synthetisch, teilweise generiert, lokal per Inpainting verändert, generativ retuschiert oder nur durch einen Messenger neu komprimiert worden sein. Diese Fälle hinterlassen unterschiedliche Spuren.
NIST behandelt die Erkennung synthetischer Inhalte als eine Technikfamilie neben Provenance, Watermarking und Metadaten. Die Genauigkeit von Detektoren hängt unter anderem von Kompression, Bildqualität, Motiv, Stil und davon ab, wie ähnlich der getestete Generator den Trainingsdaten ist. Ein Modell, das auf einem Benchmark gut aussieht, kann bei einem neuen Generator oder mehrfach exportierten Bild deutlich schwächer sein.
Eine belastbare Analyse fragt deshalb nicht ein einzelnes Tool nach einem Urteil. Sie sammelt unabhängige Signale und prüft, ob sie technisch zusammenpassen.
Ein Detektorwert ist ein Signal. Mehrere unabhängige Signale machen daraus brauchbare Evidenz.
1. Mit der Originaldatei beginnen, nicht mit einem Screenshot
Wenn möglich, sollte die Datei analysiert werden, die direkt vom Urheber, Gerät oder Quellsystem stammt. Ein Screenshot verändert Abmessungen und Kompression und entfernt meist einen großen Teil der Metadaten. Viele Messenger und soziale Plattformen erzeugen ebenfalls eigene Derivate.
Die Originaldatei ermöglicht die Prüfung von Format, Farbprofil, EXIF/XMP, JPEG- oder PNG-Struktur, Kodierungshistorie und möglicher Provenance. Selbst fehlende Metadaten sind dort aussagekräftiger als in einer Datei, die bereits durch mehrere Plattformen gelaufen ist.
Bei Streitfällen sollte zusätzlich SHA-256 dokumentiert werden. Der Hash beweist keine Echtheit, aber er belegt später, dass exakt die gesicherte Datei untersucht wurde.
2. Provenance und Content Credentials (C2PA) prüfen[1][3]
C2PA definiert kryptografisch gebundene Informationen zur Herkunft und Bearbeitung digitaler Inhalte. Content Credentials können festhalten, wie eine Datei entstanden ist, welche Schritte vorgenommen wurden und ob etwa ein generativer Algorithmus beteiligt war. Das ist qualitativ etwas anderes als eine Pixelklassifikation: Ein gültiges Manifest beschreibt aufgezeichnete Herkunft.
Die Logik darf nicht umgedreht werden. Fehlendes C2PA beweist keine Echtheit, genauso wenig wie fehlendes EXIF eine Fälschung beweist. Die Nutzung ist freiwillig, nicht jedes Tool schreibt Credentials und Plattformen können Metadaten verändern oder entfernen.
Ist ein Manifest vorhanden, kryptografisch gültig und weist es auf trained algorithmic media oder einen Generator hin, ist das dagegen ein sehr starkes Herkunftssignal für diese konkrete Datei.
3. Metadaten helfen — sind aber leicht zu überschätzen[1]
EXIF kann Kameramodell, Belichtungszeit, Brennweite, Aufnahmezeit und Software enthalten. Ein Generatorname, ungewöhnliches Softwarefeld oder eine Inkonsistenz zwischen angeblicher Kamera und tatsächlicher Dateistruktur kann wertvoll sein.
Metadaten lassen sich jedoch entfernen, überschreiben oder kopieren. Plausibles EXIF ist kein Echtheitszertifikat und leeres EXIF ist nach Messenger-, Social-Media- oder Exportprozessen völlig normal.
4. Pixel- und Kompressionsforensik: nach Inkonsistenzen suchen[1]
Bildforensik kann Rauschverteilung, lokale Kompressionsunterschiede, JPEG-8×8-Raster, Entropie, wiederholte Texturen und Error Level Analysis untersuchen. Solche Methoden markieren Bereiche, die sich technisch anders verhalten als der Rest der Datei.
Auch das ist kein direkter KI-Test. Eine Anomalie kann von legitimer Retusche, wiederholtem Speichern, Schärfen oder klassischem Compositing stammen. Umgekehrt kann ein vollständig generiertes Bild intern sehr gleichmäßig sein.
Besonders nützlich wird die lokale Analyse, wenn sie mit Provenance, Metadaten und Detektoren kombiniert wird und zeigt, ob eine Auffälligkeit genau dort liegt, wo sie für den Fall relevant ist — etwa an einem behaupteten Produktschaden.
5. KI-Detektoren: mehrere verwenden und auf Übereinstimmung achten[1][2]
Moderne Detektoren lernen statistische Merkmale aus synthetischen und natürlichen Bildern. Anbieter unterscheiden sich bei Trainingsdaten, Architektur und Kalibrierung, weshalb dieselbe Datei unterschiedliche Werte erhalten kann.
NIST bewertet Generatoren und Bild-Diskriminatoren in eigenen Programmen, weil Erkennungsqualität kontrollierte Benchmarks und neue Generatoren berücksichtigen muss. Besonders schwierig ist Cross-Generator-Erkennung: Ein System soll Material eines Modells erkennen, das es im Training womöglich nie gesehen hat.
Übereinstimmung mehrerer unabhängiger Schichten ist deshalb meist wertvoller als ein einzelner Extremwert. Wenn vier Methoden geringes Risiko sehen und eine 92/100 meldet, untersucht man die Abweichung — man erklärt das Bild nicht automatisch zur Fälschung.
6. Visuelle Prüfung bleibt nützlich — aber als Triage[4]
Das FBI nennt verzerrte Hände, Zähne oder Augen, unplausiblen Schmuck, Schatten, Bewegungen oder Synchronisation als mögliche Warnsignale. Für einen schnellen Erstcheck sind solche Hinweise weiterhin hilfreich.
Ihre Abwesenheit beweist jedoch keine Echtheit. Generatoren sind bei Anatomie, Typografie und Geometrie besser geworden, während echte Fotos nach HDR, Entrauschen oder starker Kompression künstlich wirken können. Visuelle Prüfung sollte daher beantworten, was genauer untersucht werden sollte — nicht das Endurteil liefern.
Praktischer Ablauf: Bild Schritt für Schritt prüfen
Wenn vom Ergebnis eine Erstattung, Geschäftsentscheidung, Moderation oder ein Streitfall abhängt, ist ein wiederholbarer Prozess sicherer als Bauchgefühl.
- Möglichst originale Datei sichern und vor der Analyse nicht neu speichern.
- SHA-256 sowie Format, Abmessungen und Dateigröße dokumentieren.
- C2PA/Content Credentials, EXIF, XMP und Software-Spuren prüfen.
- Dateistruktur und lokale Pixel- oder Kompressionsanomalien untersuchen.
- Mehr als einen unabhängigen KI-/Deepfake-Detektor verwenden.
- Ergebnisse mit Quelle, Datum, verwandten Bildern und Fallkontext abgleichen.
- Schlussfolgerung als Risikostufe und Evidenz formulieren, nicht als unfehlbare Aussage über die Absicht des Urhebers.
Gute Forensik versucht nicht, KI um jeden Preis zu beweisen. Sie trennt starke Signale von Dingen, die eine Datei schlicht nicht beantworten kann.
Was bedeutet ein Wert von 20/100, 60/100 oder 90/100?
Ein Risikowert ist nur sinnvoll, wenn sichtbar ist, woraus er besteht. 20/100 aus sechs übereinstimmenden Schichten ist etwas anderes als 20/100 aus einem einzelnen Klassifikator. Ebenso hat ein hoher Wert aus direkter Provenance ein anderes Gewicht als ein hoher Wert aus einem alleinstehenden Detektor.
Ein guter Bericht zeigt deshalb Gesamtwert, Quellergebnisse, verfügbare und fehlende Schichten, Metadaten, technische Grenzen und die wichtigsten Befunde. In formellen Streitfällen kann technische Analyse Entscheidungen unterstützen, sie stellt aber nicht automatisch Urheberschaft, Absicht oder rechtliche Verantwortung fest.