KOMPETENZBEREICH · KI-BILDGENERIERUNG

KI-Bildgenerierung im Unternehmen: der ehrliche Leitfaden

Reproduzierbar, lizenzkonform und auditierbar statt unkontrollierter Schnellschüsse. Was hinter einem KI-Bild steckt, warum lokale Erzeugung die Kür und nicht der Kompromiss ist, welche fünf Fragen richtig teuer werden können, und wie du das Thema im Unternehmen so aufstellst, dass es trägt.

KI-Bildgenerierung ist im Marketing angekommen, in der Produktkommunikation, in der internen Dokumentation. Und meistens völlig ungesteuert. Irgendwer hat einen Cloud-Generator entdeckt, ein paar hübsche Bilder gebaut, und schon liegen sie in der Broschüre, auf der Website, im Kundenangebot. Was niemand sagen kann: Mit welchem Modell wurden die erzeugt? Welche Lizenz hängt dran? Darf das kommerziell überhaupt genutzt werden? Und falls eine Abmahnung kommt: Wie weist du nach, was du getan hast?

Dieser Leitfaden räumt auf. Er erklärt, wie KI-Bildgenerierung technisch wirklich funktioniert, warum lokale Erzeugung kein Compliance-Kompromiss ist, was rechtlich auf dem Spiel steht und wie du das Ganze so aufstellst, dass es keine tickende Zeitbombe wird. Ehrlich, ohne Hype, und mit dem Blick eines Praktikers, der das Thema nicht nur berät, sondern täglich selbst einsetzt: Jede Illustration auf dieser Website ist KI-generiert, lokal, mit dokumentierter Kette. Wie das im Detail läuft, steht in den Transparenz-Beiträgen zu

FAKTEN KI-Bildgenerierung im Unternehmen auf einen Blick Was: Ein Diffusionsmodell formt aus Rauschen schrittweise ein Bild, das zu einer Textbeschreibung passt. Das Ergebnis ist reproduzierbar, wenn die komplette Kette festgehalten wird. Zwei Welten: Cloud-Generatoren (bequem, Blackbox, Daten verlassen das Haus) und lokale Erzeugung mit ComfyUI (Kontrolle, Reproduzierbarkeit, Nachweis inklusive). Die Kette: Checkpoint, LoRAs und VAE, Prompt, Seed, CFG, Sampler, Steps, Auflösung. Fehlt ein Glied, ist das Bild nicht mehr exakt wiederherstellbar. Die fünf teuren Fragen: Urheberrecht, Lizenzen, DSGVO, EU AI Act und als Klammer der Nachweis. Rechtlicher Rahmen: Die Transparenzpflichten des EU AI Act für KI-generierte Inhalte gelten seit dem 2. August 2026. Details im Consulting Briefing zum AI Act. Stand: September 2026 · boddenberg.de

 

Was KI-Bildgenerierung eigentlich ist

Die Kurzfassung in einem Satz: Ein KI-Modell bekommt eine Textbeschreibung, den Prompt, und erzeugt daraus ein Bild. Klingt nach Zauberei, ist aber Mathematik. Ein neuronales Netz hat gelernt, aus reinem Rauschen Schritt für Schritt ein Bild herauszuarbeiten, das zur Beschreibung passt. Dieses Verfahren heißt Diffusion, und genau hier steckt die erste wichtige Erkenntnis: Das Ergebnis ist kein Zufall. Es ist deterministisch, sobald du die Eingangsgrößen festhältst. Derselbe Startpunkt, dieselbe Kette, dasselbe Bild. Wie das mit dem Startpunkt genau funktioniert, erklärt der Artikel zum

Technisch unterscheidet man zwei Welten. Auf der einen Seite die Cloud-Generatoren: Du tippst einen Prompt, ein fremder Server rechnet, ein Bild kommt zurück. Bequem, schnell, ohne Setup. Aber eine Blackbox: Du weißt nicht genau, welches Modell in welcher Version gerechnet hat, deine Prompts und oft auch deine Referenzbilder verlassen das Haus, und wenn der Anbieter morgen das Modell tauscht, sieht dein Bild übermorgen anders aus. Dass sich diese Welt inzwischen auch in Microsoft-Werkzeugen wiederfindet, zeigt das Briefing zu

Auf der anderen Seite die lokale Generierung, typischerweise mit ComfyUI auf eigener Hardware oder auf einer kontrollierten GPU-Instanz. Hier läuft das Modell bei dir. Du wählst es selbst, du hältst jeden Parameter fest, nichts geht nach draußen, und das Bild von heute lässt sich in zwei Jahren exakt wieder erzeugen. Der Preis: Hardware, Setup und ein bisschen Know-how. Die vollständige Abwägung steht im Artikel

Abb.: Zwei Wege unter einem Governance-Dach. Nur der rechte liefert den Nachweis gleich mit.

Warum lokal die Kür ist und nicht der Kompromiss

Es gibt eine verbreitete Fehlannahme: Lokale Generierung sei die umständliche Compliance-Variante für Ängstliche, während die Cloud-Generatoren die eigentliche Kreativ-Power liefern. Das ist Unsinn, und zwar aus drei Gründen.

Kontrolle. Lokal wählst du das Modell, die LoRAs, jeden Parameter selbst. Du bist nicht der Laune eines Anbieters ausgeliefert, der sein Modell über Nacht austauscht und deine Bildsprache gleich mit. Wer eine konsistente visuelle Markenwelt aufbauen will, kommt an Kontrolle nicht vorbei. Welche Modellfamilien dafür in Frage kommen, sortiert der Überblick über die 15 wichtigsten Modelle zur lokalen Bildgenerierung.

Reproduzierbarkeit. Ein Kunde will im nächsten Jahr drei weitere Bilder im selben Look? Lokal kein Problem: gleiche Kette, neuer Prompt, fertig. Bei der Cloud-Blackbox hängst du davon ab, ob das Modell noch existiert und sich noch genauso verhält.

Flexibilität. ComfyUI-Workflows lassen sich beliebig verschalten: mehrstufige Pipelines, Upscaling, Inpainting, ControlNet, Batch-Verarbeitung. Das geht weit über ein Prompt-Feld hinaus. Die DSGVO-Konformität fällt dabei als Nebeneffekt ab, weil nichts das Haus verlässt. Sie ist der Bonus, nicht der Grund.

Heißt das, Cloud-Generatoren sind schlecht? Nein. Für den schnellen Wurf, für Moodboards, für unkritische Ideenfindung sind sie wunderbar. Aber sobald ein Bild kommerziell, markenbildend oder rechtlich relevant wird, ist die lokale Erzeugung die professionelle Wahl. Ein Profikoch verteufelt die Tiefkühlpizza auch nicht grundsätzlich. Er serviert sie nur nicht im eigenen Restaurant.

PRAXIS Der Mittelweg, den viele übersehen Lokal heißt nicht zwingend eigener Serverraum. Eine kontrollierte GPU-Instanz bei einem Hyperscaler, auf der dein ComfyUI mit deinen Modellen läuft, liefert dieselbe Kontrolle und dieselbe Reproduzierbarkeit wie Hardware unter dem Schreibtisch. Entscheidend ist nicht der Standort der GPU, sondern wer Modell und Parameter bestimmt. Der Unterschied zum Cloud-Generator: Du mietest Rechenzeit, keinen fremden Workflow.

 

Die Kette, die ein KI-Bild eindeutig macht

Theorie ist nett, die Mechanik ist nützlicher. Ein reproduzierbares KI-Bild ist kein einzelnes Artefakt, sondern das Ergebnis einer Kette. Fehlt nur ein Glied, ist das Bild nicht mehr exakt wiederherstellbar und im Zweifel auch nicht mehr nachweisbar.

Abb.: Erst die vollständige Kette macht ein KI-Bild eindeutig: reproduzierbar, prüfbar, rechtssicher.

Gehen wir die Glieder durch:

Das Checkpoint-Modell ist die Basis und bestimmt Grundcharakter und, ganz wichtig, die Lizenz. Genau hier hängt die Frage, ob kommerzielle Nutzung erlaubt ist. Warum man fast nie das nackte Basismodell einsetzt und weshalb das Dateiformat eine Sicherheitsfrage ist, steht in Checkpoints, Modelle und VAE.

LoRAs und VAE sind Feintuning-Schichten für Stil, Charakter oder Bildanmutung, jeweils mit eigener Gewichtung und eigener Lizenz. Auch die gehören dokumentiert. Grundlagen in Was ist ein LoRA?.

Der Prompt, positiv und negativ, steuert den Inhalt. Klingt simpel, ist aber der Teil, an dem sich Profis von Klickern unterscheiden. Und nicht jede Modellfamilie kennt überhaupt einen Negativ-Prompt: Prompt und Negativ-Prompt.

Die Parameter sind das eigentliche Geheimnis der Reproduzierbarkeit: Seed, CFG-Scale, Sampler und Scheduler, Sampling-Steps und Auflösung. Der Seed ist die Zufallszahl, aus der das Rauschen entsteht. Derselbe Seed bei identischer Kette ergibt exakt dasselbe Bild. Verlierst du ihn, bekommst du das Bild nie wieder.

Bei lokaler Generierung mit ComfyUI landet diese komplette Kette als Metadaten im PNG. Das ist kein Komfort-Feature, das ist der Nachweis. Bei den meisten Cloud-Generatoren bekommst du genau das nicht und stehst im Ernstfall mit leeren Händen da.

MERKE Metadaten sind dein Audit-Trail Behandle die in den Bildern eingebetteten Generierungs-Metadaten wie einen Buchungsbeleg. Wer welches Bild wann mit welchem Modell, welchem Seed und welcher Lizenz erzeugt hat, muss auch Jahre später nachvollziehbar sein. Ob du dafür ein Werkzeug wie UB.Dossier nimmst oder eine SharePoint-Bibliothek mit sauberen Spalten, ist zweitrangig. Wer den Beleg nicht hat, hat im Streitfall verloren.

 

Governance: die fünf teuren Fragen

Hier wird es ernst, und teuer, wenn man es ignoriert. Fünf Fragen entscheiden darüber, ob deine KI-Bildgenerierung ein Asset oder ein Haftungsrisiko ist. Jede einzelne hat schon Unternehmen Geld gekostet. Die ersten vier stehen für sich, die fünfte ist die Klammer um alle anderen.

Abb.: Vier Fragen und eine Klammer. Ohne Nachweis sind die anderen vier Antworten nichts wert.

1. Urheberrecht: Wem gehört das Bild?

Die unbequeme Wahrheit: Rein KI-generierte Bilder genießen nach heutiger Rechtsauffassung in vielen Rechtsordnungen keinen oder nur eingeschränkten urheberrechtlichen Schutz, weil der menschliche Schöpfungsakt fehlt. Gleichzeitig kann das Bild fremde Rechte verletzen, wenn das Modell geschützte Werke oder Stile zu nah reproduziert. Du sitzt also zwischen zwei Stühlen: Eigenen Schutz hast du kaum, fremde Rechte kannst du trotzdem verletzen. Das ist keine Rechtsberatung, sondern der Grund, warum die Fragen zwei bis fünf so wichtig sind.

2. Lizenzen: Darf ich das Modell kommerziell nutzen?

Jedes Modell, jedes LoRA hat eine Lizenz. Manche erlauben kommerzielle Nutzung uneingeschränkt, manche nur unter Bedingungen, etwa bis zu einer Umsatzgrenze oder nur für die Ausgabe, nicht für den Betrieb als Dienst. Manche gar nicht. Wer das nicht dokumentiert, kann im Ernstfall nicht belegen, dass die genutzten Bilder überhaupt kommerziell verwendet werden durften. Und „das wusste ich nicht“ ist vor Gericht kein guter Auftritt.

3. DSGVO: Was passiert mit den Daten?

Sobald personenbezogene Daten ins Spiel kommen, also Gesichter, Referenzfotos echter Menschen, Kundenmaterial, greift die DSGVO. Bei Cloud-Generatoren stellt sich die Frage, wohin diese Daten fließen und ob ein Auftragsverarbeitungsvertrag existiert. Lokal stellt sich die Frage nicht, weil die Daten bleiben, wo sie sind.

4. EU AI Act: Muss ich kennzeichnen?

Der AI Act bringt Transparenzpflichten für KI-generierte Inhalte, und diese Pflichten gelten seit dem 2. August 2026. Je nach Einsatz und Kontext besteht eine Kennzeichnungspflicht. Das ist kein Grund zur Panik, aber ein Grund, eine Linie festzulegen: Was kennzeichnen wir, wie, und wer entscheidet das? Auf boddenberg.de trägt jedes generierte Beitragsbild ein sichtbares KI-Badge. Nicht weil es hübsch ist, sondern weil die Frage damit beantwortet ist, bevor sie jemand stellt. Was seit dem Stichtag konkret gilt und was nicht, steht im

5. Nachweis: Kann ich belegen, was ich getan habe?

Das ist die Klammer um alle vier vorigen Fragen. Im Streitfall zählt nicht, was du gemacht hast, sondern was du belegen kannst. Welches Bild, welches Modell, welche Lizenz, welcher Prompt, wann erzeugt, von wem freigegeben. Wer diese Kette dokumentiert hat, argumentiert aus einer Position der Stärke. Wer sie nicht hat, hofft.

WARNUNG Der teuerste Fehler ist der fehlende Nachweis Das klassische Desaster läuft so: Eine Agentur oder jemand aus dem Marketing baut mal eben ein paar Bilder mit einem Cloud-Generator, niemand notiert Modell oder Lizenz, die Bilder gehen in die Kampagne. Monate später kommt eine Abmahnung: Stil zu nah an einem geschützten Werk, oder das Modell durfte gar nicht kommerziell genutzt werden. Und jetzt? Niemand weiß, womit das Bild erzeugt wurde. Kein Modellname, kein Seed, keine Lizenz, kein Prompt. Du kannst weder die Unbedenklichkeit nachweisen noch das Bild sauber ersetzen. Das ist der Moment, in dem fehlende Governance richtig Geld kostet.

 

Die Klassiker: woran KI-Bildprojekte scheitern

Was in der Praxis am häufigsten knallt, hat selten mit der Modellqualität zu tun. Es sind fast immer dieselben vier Muster.

Klassiker	Was passiert	Vorbeugen
Der verlorene Seed	Ein Bild kommt gut an, der Kunde will Varianten genau so. Aber den Seed hat niemand notiert. Das exakte Bild ist unwiederbringlich weg.	Metadaten konsequent mitschreiben, jedes produktive Bild mit vollständiger Kette ablegen.
Der Metadaten-Friedhof	Viertausend PNGs in einem Ordner, keine Struktur, keine Suche. Welches Bild gehört zu welcher Kampagne, welches ist freigegeben?	Ein Katalog, der Metadaten ausliest, durchsuchbar macht und kategorisiert. Datei-Explorer und Hoffnung reichen nicht.
Die Lizenz-Lücke	Modelle und LoRAs werden ausprobiert, gemischt, verworfen. Am Ende weiß niemand, welches Bild mit welcher Lizenz entstand.	Modell- und LoRA-Inventar mit Lizenzvermerk, fest verknüpft mit den erzeugten Bildern.
Der Soll-Ist-Bruch	Die kreative Vorgabe sagt das eine, das Bild zeigt das andere. Es fällt auf, wenn es gedruckt ist.	Systematischer Abgleich zwischen Briefing und Ergebnis, bevor das Bild rausgeht.

 

Ein fünftes Muster ist eher technisch, aber ebenso häufig: Die KI macht nicht, was im Prompt steht, und niemand kann sagen, ob der Prompt schlecht ist oder das Modell an einer echten Grenze läuft. Dazu gibt es drei Artikel, die genau diese Unterscheidung treffen:

PRAXIS Werkzeuge bereithalten, bevor es brennt Drei Dinge gehören in jeden ernsthaften KI-Bild-Workflow: ein Katalog-Werkzeug, das Metadaten lesbar und durchsuchbar macht; ein Modell- und Lizenz-Inventar, das jederzeit Auskunft gibt; und ein Freigabeprozess mit Nachweis. Wer das erst nach der ersten Abmahnung einführt, hat es schon verloren.

 

Die Fachartikel des Kompetenzbereichs

Dieser Leitfaden ist der Einstieg. Die Tiefe steckt in 14 Fachartikeln, gegliedert in vier Themenblöcke. Jeder Artikel steht für sich, erklärt einen Begriff oder ein Phänomen von Grund auf und endet mit Faustregeln, ehrlichen Grenzen und einem FAQ. Alles frei verfügbar, ohne Login.

Abb.: Ein Hub, vier Themenblöcke, 14 Fachartikel. Jeder Block ist unten verlinkt.

Grundlagen: Wo Bilder entstehen und woraus

Cloud vs. lokale KI-Bildgenerierung: der grundlegende Unterschied und welche Abwägung bei Kontrolle, Kosten, Datenschutz und Aufwand wirklich zählt.

Die 15 wichtigsten Modelle zur lokalen Bildgenerierung: nach Familien sortiert, mit Stärken, Schwächen, Hardwarebedarf und dem, worauf du bei der Lizenz achten musst.

Checkpoints, Modelle und VAE: das Fundament jeder Bildgenerierung und warum das Dateiformat eine Sicherheitsfrage ist.

Was ist ein LoRA?: der kleine Aufsatz, der aus einem Allzweckmodell einen Spezialisten macht.

Steuerung: Wie du dem Modell sagst, was du willst

Prompt und Negativ-Prompt: Aufbau, Gewichtung, und warum Flux gar keinen Negativ-Prompt kennt.

CFG-Scale: Guidance in KI-Bildgeneratoren: wie streng die KI deinem Prompt folgt und warum mehr nicht besser ist.

Sampling-Steps erklärt: warum ab einem gewissen Punkt nichts mehr besser wird.

Sampler und Scheduler erklärt: was hinter kryptischen Namen wie „DPM++ 2M Karras“ steckt.

Auflösung und Seitenverhältnis bei KI-Bildern: warum zu große Bilder plötzlich zwei Köpfe bekommen.

Reproduzierbarkeit: Dasselbe Bild zweimal

Der Seed bei der KI-Bildgenerierung: die eine unscheinbare Zahl, die darüber entscheidet, ob du ein Bild jemals wiederfindest.

batch_size und Reproduzierbarkeit: mehrere Bilder auf einmal, aber nachvollziehbar.

Grenzen und Realität: Was die KI nicht kann

Warum die KI den Prompt ignoriert: woran du erkennst, ob du am Prompt feilen musst oder gegen eine Modellgrenze läufst.

Warum KI keine Hände kann: strukturelle Ursachen und die Tricks, mit denen du trotzdem saubere Ergebnisse bekommst.

KI-generierte Bilder erkennen: die typischen Verräter und die ehrliche Wahrheit, warum sie von Monat zu Monat unzuverlässiger werden.

 

Beratung: wo du konkret einsteigen kannst

So viel zur Theorie. Der harte Teil ist die Umsetzung im eigenen Haus. Drei Ausgangslagen kommen mit Abstand am häufigsten auf den Tisch: Das Marketing nutzt längst KI-Bilder, aber niemand hat den Überblick. Eine Kampagne, ein Audit oder eine AI-Act-Bewertung hat das Thema plötzlich in den Fokus gerückt. Oder es soll von Anfang an richtig aufgesetzt werden, lokal, mit ComfyUI und M365-Integration, aber im Haus fehlt das Know-how für den Start.

Für jede dieser Situationen gibt es einen passenden Einstiegspunkt, vom kompakten Standort-Check bis zur mehrmonatigen Einführungsbegleitung, entlang eines klaren Phasenmodells: Standortbestimmung, Architektur und Werkzeugauswahl, Pilot mit Governance, Rollout, laufender Betrieb mit Nachweis. Niemand muss alle Phasen durchlaufen. Du steigst ein, wo du stehst, und hörst auf, wenn dein Team eigenständig weiterläuft.

WEITER Beratung zur KI-Bildgenerierung Methodik, Phasenmodell, die drei Einstiegsformate und was eine Standortbestimmung konkret liefert: Zur Beratungsseite KI-Bildgenerierung

 

Schulung: Wissen ins Team bringen

KI-Bildgenerierung sauber aufzusetzen ist Handwerk, und Handwerk lässt sich lernen. Wer das Know-how im eigenen Team aufbauen will, braucht Workshops aus echter Praxis, nicht aus Hochglanzfolien. Vier Module in zwei Tagen: ComfyUI von Grund auf, Modelle und LoRAs richtig einsetzen, reproduzierbar arbeiten, und der komplette Governance-Block mit Lizenzen, Nachweis und AI Act. Inhouse oder online, kleine Gruppen, Lab-Umgebung wird gestellt, Unterlagen bleiben beim Kunden. Der Trainer ist derselbe, der berät und das Buch schreibt.

WEITER Schulung KI-Bildgenerierung mit ComfyUI Module, Formate, Voraussetzungen und Buchung: Zur Schulungsseite KI-Bildgenerierung

 

Buch und Werkzeuge

Beratung und Schulung stehen bei mir nie allein. Jedes Thema, das ich ernsthaft betreibe, läuft im Viersprung: Beratung, Buch, Werkzeug, Schulung. Beratung ohne Buch bleibt Meinung, Buch ohne Werkzeug bleibt Theorie, und Schulung ohne beides ist Folienvortrag.

Abb.: Vier Beine, ein Thema. Jedes trägt allein, zusammen tragen sie den Kompetenzbereich.

Das Buch: in Vorbereitung

Das deutschsprachige Praxiswerk zur KI-Bildgenerierung im Unternehmen ist in Arbeit, geschrieben für Fachverantwortliche, die das Thema gleichzeitig einführen und beherrschen müssen. Vom Grundverständnis über lokale Generierung mit ComfyUI, Modelle und Workflows bis zur kompletten Governance-Strecke: Urheberrecht, Lizenzen, DSGVO, EU AI Act und Nachweisführung. Mit durchgängigen Beispielfirmen und echten Anekdoten aus Projekten. Sobald Titel und Termin stehen, erfährst du es hier.

Die Werkzeuge: UB.Dossier und UB.Forge

KI-Bild-Sammlungen wachsen schnell ins Unregierbare: tausende PNGs, keine Suche, keine Metadaten-Sicht, kein Nachweis. Genau dafür sind zwei Werkzeuge entstanden, mit klarer Arbeitsteilung. UB.Dossier ist der Asset- und Nachweis-Layer: Es liest die Generierungs-Metadaten direkt aus den PNGs, macht sie durchsuchbar, katalogisiert die Sammlung und hält den Audit-Trail. Werte am vorhandenen Workflow lassen sich variieren, ohne den Workflow selbst anzufassen. UB.Forge geht eine Stufe tiefer und macht den Workflow zum Arbeitsgegenstand: Nodes editieren, Versionen vergleichen, Freigaben erzeugen, Batch und Sweeps fahren, und als Kern der Plausibilitäts-Check, ein systematischer Soll-Ist-Abgleich zwischen kreativer Vorgabe und Ergebnis. Beide laufen lokal, ohne Phone-Home. Merksatz: Werte ändern ist Dossier, den Workflow ändern ist Forge.

Häufige Fragen zur KI-Bildgenerierung im Unternehmen

Ist lokale KI-Bildgenerierung wirklich besser als Cloud-Generatoren?

Für den professionellen, kommerziellen Einsatz ja. Lokal behältst du volle Modellkontrolle, kannst jedes Bild exakt reproduzieren und hältst alle Daten im Haus. Cloud-Generatoren sind bequem für schnelle Ideen, aber eine Blackbox: Du weißt nicht sicher, welches Modell rechnet, deine Daten verlassen das Haus, und die Reproduzierbarkeit hängt vom Anbieter ab. Für markenbildende oder rechtlich relevante Bilder ist lokal die professionelle Wahl.

Darf ich KI-generierte Bilder kommerziell nutzen?

Das hängt von der Lizenz des verwendeten Modells und aller eingesetzten LoRAs ab. Manche erlauben kommerzielle Nutzung uneingeschränkt, manche nur unter Bedingungen, manche gar nicht. Entscheidend ist, dass du die Lizenzkette dokumentierst und im Zweifel nachweisen kannst. Eine rechtliche Bewertung für den Einzelfall gehört zu einer Rechtsanwältin oder einem Rechtsanwalt, die Dokumentation dafür kannst du aber nur selbst liefern.

Was schreibt der EU AI Act für KI-Bilder vor?

Der AI Act bringt Transparenz- und Kennzeichnungspflichten für KI-generierte Inhalte, gültig seit dem 2. August 2026. Je nach Einsatzkontext besteht eine Kennzeichnungspflicht. Lege frühzeitig fest, was wie gekennzeichnet wird und wer das entscheidet. Ein sichtbares Badge am Bild plus dokumentierte Kette im Hintergrund ist ein pragmatischer Standard, der beide Anforderungen abdeckt.

Wie weise ich nach, mit welchem Modell ein Bild erzeugt wurde?

Bei lokaler Generierung mit ComfyUI werden Modell, Seed, Prompt und Parameter als Metadaten direkt im PNG gespeichert. Diese Kette ist dein Nachweis. Ein Katalog-Werkzeug liest die Metadaten aus, macht sie durchsuchbar und hält den Audit-Trail. Bei vielen Cloud-Generatoren fehlen diese Metadaten. Dann hast du im Streitfall keinen Beleg.

Brauche ich teure Hardware für lokale Bildgenerierung?

Eine leistungsfähige GPU hilft, ist aber keine zwingende Eigenanschaffung. Eine kontrollierte GPU-Instanz bei einem Hyperscaler liefert dieselbe Kontrolle und Reproduzierbarkeit wie lokale Hardware, ohne die Daten an einen fremden Generator zu geben. Entscheidend ist die Kontrolle über Modell und Parameter, nicht der Standort der GPU. Welche Modelle mit wie viel Grafikspeicher auskommen, steht im Modell-Überblick.

Was ist der Unterschied zwischen UB.Dossier und UB.Forge?

UB.Dossier ordnet und weist nach: Bilder sichten, katalogisieren, Metadaten lesen, Werte am Workflow variieren, Governance. UB.Forge macht den Workflow selbst zum Arbeitsgegenstand: Nodes editieren, versionieren, Profi-Erzeugung und der Plausibilitäts-Check als Soll-Ist-Abgleich. Merksatz: Werte ändern ist Dossier, den Workflow ändern ist Forge.

Wie integriere ich KI-Bilder in Microsoft 365?

Die Bilder landen im Unternehmen meist in SharePoint oder einem DMS. Sinnvoll ist, die Generierungs-Metadaten, also Prompt, Seed, Modell und Lizenz, auf SharePoint-Spalten zu mappen, sodass die Bilder durchsuchbar und nachweisbar werden. Power Automate kann Freigabe- und Ablageprozesse automatisieren. So wird aus einem PNG-Haufen ein verwaltetes, auditierbares Asset im gewohnten M365-Umfeld.

Warum sind die Bilder auf boddenberg.de selbst KI-generiert?

Weil ich nichts berate, was ich nicht selbst einsetze. Jedes Beitragsbild entsteht lokal mit dokumentierter Kette, trägt ein KI-Badge und nutzt feste Referenzen, damit die Bildsprache konsistent bleibt. Wie das genau funktioniert, steht in den Transparenz-Beiträgen Markenkonsistente KI-Bilder und Dogfooding.

 

WEITER Wie geht es weiter? Du willst wissen, wo dein Unternehmen steht? Der Standort-Check liefert in wenigen Tagen eine Befundliste nach Schwere und einen konkreten Aktionsplan: Beratung KI-Bildgenerierung. Du willst das Handwerk ins Team holen? Vier Module, zwei Tage, eigener Workflow am Ende: Schulung KI-Bildgenerierung. Du willst erst einmal verstehen? Dann fang bei den Grundlagen an: Cloud vs. lokale KI-Bildgenerierung.