Modelle vergleichen Bildmodelle vergleichen KI-Tools Modelle KI-Bildmodelle KI-News Suchen Kostenlos testen
Erklärt 7 Min. Lesezeit

5 Mythen darüber, was KI auf deinen Fotos sieht

Von Chatday Editorial Team ·

kierklärtbild-kivisionbild-analysierenki-mythen
5 Mythen darüber, was KI auf deinen Fotos sieht

Zeig einer KI das Foto eines Hundes und frag sie, wie viele Beine er hat. Sie sagt: vier. Jetzt bearbeitest du das Foto so, dass der Hund fünf Beine hat, und fragst noch einmal. Sie sagt immer noch: vier.

Das ist keine ausgedachte Fangfrage. Es ist einer der Tests aus der Studie „Vision Language Models Are Biased“, angenommen auf der ICLR 2026, einer der großen KI-Forschungskonferenzen. Als die Forschenden den Modellen Tiere mit einem Bein zu viel oder zu wenig zeigten, zählten die KIs nur in 2,12 % der Fälle richtig.

Und trotzdem kann dieselbe Art von KI einen verschwommenen Kassenbon lesen, dir ein verwirrendes Einstellungsmenü erklären oder sagen, welche Pflanze auf deiner Fensterbank steht. Was denn nun: Sieht KI deine Fotos wirklich oder nicht? Das meiste, was man darüber glaubt, ist halb richtig. Hier sind fünf verbreitete Annahmen, eine nach der anderen geprüft.

Mythos 1: „KI betrachtet ein Foto genauso wie du“

Falsch. Du schaust dir ein Foto an und bemerkst, was tatsächlich drauf ist. Eine KI, die Bilder liest (Fachbegriff: Vision Language Model), macht eher etwas wie Erkennen und dann Erinnern. Sie erkennt „Hund“, erinnert sich, dass Hunde vier Beine haben, und meldet genau das. Die Forschenden sagen es ganz offen: Die Modelle „zählen nicht“.

Bei Logos war es dasselbe. Füg dem berühmten Drei-Streifen-Logo von Adidas einen vierten Streifen hinzu, und die Modelle sagen trotzdem drei. Über sieben Arten bearbeiteter Bilder hinweg (Tiere, Logos, Schachbretter, Brettspiele, optische Täuschungen und gemusterte Raster) kamen die getesteten Modelle von 2025 bei Zählfragen im Schnitt auf 17,05 %. Bei den unbearbeiteten Originalen lagen sie jedes Mal richtig.

Rund drei Viertel aller Antworten zu den bearbeiteten Bildern waren genau die „erwartete“ Zahl: die, die das Modell schon kannte, nicht die auf dem Bild. Eine ältere Studie, „Vision Language Models Are Blind“, fand dasselbe Muster bei gezeichneten Formen. Beim Zählen überlappender Kreise in einem Logo im olympischen Stil antwortete ein Gemini-Modell bei fast 99 % seiner falschen Antworten mit „5“, ganz egal, wie viele es wirklich waren. Fünf Ringe, wie bei Olympia.

Kurz gesagt: KI ist brillant darin, Vertrautes zu erkennen, und deutlich schwächer darin, zu bemerken, wenn etwas Vertrautes verändert wurde.

Mythos 2: „Eine KI, die eine Mathe-Olympiade meistert, kann doch wohl eine Uhr lesen“

Das hat gedauert. Dieser Punkt überrascht die meisten. Im September 2025 ließ ein Benchmark namens ClockBench KI-Modelle analoge Uhren ablesen: die Uhrzeit, welcher Zeiger welcher ist und was die Uhr ein paar Minuten später anzeigen würde. Menschen kamen im Schnitt auf 89,1 %. Das beste der 11 getesteten Modelle schaffte 13,3 %.

Der AI Index 2026 der Stanford University nutzte das als Paradebeispiel für das, was Forschende „zerklüftete Intelligenz“ nennen: KI, die Gold bei der Internationalen Mathematik-Olympiade holen kann, aber trotzdem nicht zuverlässig die Uhrzeit ablesen kann. Uhren sind überraschend knifflig. Das Modell muss Winkel genau einschätzen, zwei ähnliche Zeiger auseinanderhalten und dann noch ein bisschen rechnen, und analoge Zifferblätter gibt es online viel seltener als einfache Digitalziffern.

Die gute Nachricht: Hier hat sich sehr schnell viel getan.

WannBester KI-Wert bei ClockBenchDurchschnitt Mensch
September 2025 (Start)13,3 %89,1 %
März 2026 (Stanford AI Index)50,6 % (GPT-5.4)etwa 90 %
November 2026 (öffentliche Rangliste)87,8 % (Claude Fable 5.2)90,7 %

Heute belegen Claude Fable 5.2, Gemini 4 Carbon, Gemini 4 Argon, Claude Opus 5.5 und GPT-6 Astra die ersten fünf Plätze der Rangliste, alle mit maximaler Denkstufe. Menschen liegen noch knapp vorn. Aber aus „aussichtslos“ wurde in etwa einem Jahr „knapp dran“.

Mythos 3: „Ein schärferes, größeres Foto behebt die Fehler“

Meistens falsch. Klingt logisch: Wenn die KI danebenliegt, gib ihr ein besseres Bild. Doch in der „Blind“-Studie änderten andere Farben, Linienstärken oder Bildauflösungen kaum etwas daran, wie gut die Modelle überlappende Kreise zählten. Das Problem war nicht, dass sie die Formen nicht erkennen konnten. Die Information war da. Schwierig war, sie in die richtigen Worte zu fassen.

Was dagegen viel brachte: weniger Durcheinander im Bild. In der „Biased“-Studie verdoppelte sich die Genauigkeit fast, als der Hintergrund der bearbeiteten Bilder entfernt wurde, ein Sprung um etwa 21 Prozentpunkte. Ein unruhiger Hintergrund liefert der KI mehr Hinweise, um auf das Erwartete zurückzufallen („das ist ein Bauernhof, also ist das ein normaler Hund“), statt auf das, was wirklich vor ihr liegt.

Mythos 4: „Sag ihr einfach, sie soll noch mal hinschauen“

Bringt kaum etwas. Wenn man ein Modell bat, die Antwort zu überprüfen oder sich nur auf das Bild zu stützen, stieg die Zählgenauigkeit in der „Biased“-Studie im Schnitt um gerade einmal 2 Punkte. Längeres Nachdenken half bis zu einem gewissen Punkt, die Genauigkeit stieg auf rund 40 %, danach wurde es wieder schlechter, weil sich das Modell verzettelte.

Besser funktioniert eine andere Frage. „Wie viele?“ lädt zu einer auswendig gelernten Antwort ein. Bittest du die KI, das Bild zuerst durchzugehen, muss sie sich mit dem tatsächlichen Bild beschäftigen:

  • „Zähl jede Person auf diesem Foto von links nach rechts auf und sag mir dann, wie viele es sind.“
  • „Beschreib, wohin der Stunden- und der Minutenzeiger zeigen, und sag mir dann die Uhrzeit.“
  • „Lies mir jede Zeile dieses Kassenbons vor und rechne dann die Summe zusammen.“

Ist die Schritt-für-Schritt-Beschreibung falsch, merkst du es sofort, und genau darum geht es. Du siehst, wo sie danebenlag, statt nur eine selbstbewusst vorgetragene Zahl zu bekommen.

Mythos 5: „Dann ist Bild-KI eben zu unzuverlässig, um sie zu nutzen“

Falsch, und diesen Irrtum solltest du am ehesten ablegen. Alle Fehler oben stammen aus absichtlich kniffligen Tests: bearbeitete Logos, zusätzliche Beine, seltsame Zifferblätter. Sie sollen Schwachstellen finden, und das tun sie gut. Sie zeigen aber auch, dass diese Schwachstellen schnell kleiner werden. Das Team hinter der „Biased“-Studie berichtet, dass GPT-6 Astra, erschienen im Oktober 2026, im selben Test 84,10 % erreicht, in dem die Modelle von 2025 im Schnitt bei 17 % lagen.

Ein Detail ist allerdings geblieben. Wenn Astra danebenliegt, so die Forschenden, gibt es in 92,4 % der Fälle die auswendig gelernte Antwort. Die Angewohnheit ist nicht verschwunden. Sie zeigt sich nur viel seltener.

Im Alltag sieht es deutlich besser aus. Eine Szene beschreiben, gedruckten Text lesen, einen Screenshot erklären, einen gängigen Gegenstand erkennen: Das alles spielt der Stärke der KI in die Karten, nämlich Vertrautes zu erkennen. Hier eine grobe Orientierung, wann du entspannt bleiben kannst und wann du besser nachprüfst:

Was du fragstWie sehr du vertrauen kannstWarum
„Was ist auf diesem Foto?“HochVertraute Szenen erkennen ist ihre Stärke
Gedruckten Text, Speisekarten, Schilder lesenHochKlarer Text kommt im Training häufig vor
Einen Screenshot oder eine Fehlermeldung erklärenHochSie liest den Bildschirm und kennt die Software
Gegenstände zählen, vor allem vieleNachprüfenSie nennt vielleicht die erwartete Zahl
Alles Ungewöhnliche oder BearbeiteteNachprüfenSie „korrigiert“ Seltsames gern zum Normalfall
Analoge Uhren, Messgeräte, AnzeigenNachprüfenBesser als früher, aber noch hinter Menschen

Bei Wörtern ist es übrigens genauso. Falls du dich gefragt hast, warum KI früher beim Zählen von Buchstaben in einem Wort ins Stolpern kam: Unser Artikel dazu, warum KI die R in strawberry nicht zählen kann, zeigt, dass das ein enger Verwandter dieses Problems ist.

Immer besser, ja. Im ClockBench-Test stieg das beste Modell von 13,3 % im September 2025 auf 87,8 % im November 2026, nah am menschlichen Durchschnitt von 90,7 %. Bei allem, was wichtig ist, prüfst du die Antwort aber besser selbst.
Bild-KI ist sehr gut darin, Vertrautes zu erkennen und Fakten dazu abzurufen. Wenn ein Bild aus dem Muster fällt, etwa ein Hund mit fünf Beinen, nennt sie oft das, was sie erwartet, statt das, was wirklich da ist.
Schneide das Bild auf das zu, was dich interessiert, und bitte die KI, erst zu beschreiben oder aufzulisten, was sie sieht, bevor sie eine endgültige Antwort gibt. So erkennst du Fehler in ihrer Beschreibung.
Bei klar gedrucktem Text ist sie meist sehr gut. Lass dir jede Zeile vorlesen, damit du vergleichen kannst, und prüf Summen oder wichtige Zahlen noch einmal nach.

Am einfachsten überzeugst du dich selbst, indem du es mit einem Foto aus deiner eigenen Galerie ausprobierst. Nimm etwas Alltägliches, dann etwas leicht Seltsames, und lass dir von der KI Schritt für Schritt erklären, was sie sieht. In unserem Ratgeber, wie KI dir jedes Foto und jeden Screenshot erklärt, findest du weitere Ideen, was du fragen kannst.