Warum macht die KI nicht, was im Prompt steht?

Warum die KI deinen Prompt manchmal ignoriert, verdreht oder nur halb umsetzt – und woran du erkennst, ob du am Prompt feilen musst oder gegen eine echte Grenze des Modells läufst.

Du schreibst ganz klar, was du willst – und die KI macht etwas anderes. Sie lässt Details weg, vertauscht Farben, ignoriert ein „kein“ oder klebt das Tattoo an die falsche Stelle. Das ist die häufigste Frust-Erfahrung überhaupt, und die meisten reagieren falsch darauf: Sie schreiben den Prompt noch energischer, noch länger, mit noch mehr Ausrufezeichen. Hilft selten.

Der Grund: Die KI ist kein Assistent, der Anweisungen befolgt. Sie ist ein Mustererkenner, der aus deinem Text Wahrscheinlichkeiten ableitet. Wenn du verstehst, warum sie an bestimmten Stellen patzt, hörst du auf, lauter zu werden, und fängst an, anders zu formulieren – oder akzeptierst, dass manche Wünsche am Modell scheitern, nicht an dir.

Grund 1: Dein Prompt widerspricht sich selbst

Der häufigste Fall, und der ärgerlichste, weil man ihn selbst nicht sieht: Der Prompt verlangt zwei Dinge, die sich gegenseitig ausschließen. Ein klassisches Beispiel aus der Praxis: „Tattoo am rechten Arm“ plus „strenge Frontalansicht“. Klingt harmlos – aber in einer streng frontalen Pose ist der Arm mit dem Tattoo kaum zu sehen. Das Modell kann beides nicht gleichzeitig erfüllen und liefert einen Kompromiss: eine leicht verdrehte Pose, das Tattoo nur halb da. Keine Seite ist richtig umgesetzt.

Skizze 1: Verlangt der Prompt zwei unvereinbare Dinge, kann das Modell sich nicht entscheiden – es liefert einen unbefriedigenden Kompromiss.

Solche Widersprüche stecken oft versteckt im Prompt: eine Lichtstimmung, die nicht zur Tageszeit passt; eine Perspektive, die ein gewünschtes Detail verdeckt; ein Stil, der einem anderen widerspricht. Die Lösung ist nicht mehr Druck, sondern Aufräumen: Geh deinen Prompt durch und frag dich bei jedem Paar, ob es zusammenpasst. Oft löst sich das Problem, sobald ein widersprüchlicher Baustein rausfliegt.

Grund 2: Die KI verwechselt, was zu wem gehört

Ein Bildmodell liest den Prompt nicht als Satz mit klarer Grammatik, sondern als lose Sammlung von Konzepten ([→ Spoke: Prompt & Negativ-Prompt]). Dabei passieren zwei typische Pannen. Die erste: Ein Merkmal landet am falschen Ding. Du schreibst „roter Hut, blaue Jacke“, und bekommst eine rote Jacke und einen blauen Hut. Das Modell weiß, dass Rot und Blau vorkommen, ordnet sie aber nicht sauber zu – Fachleute nennen das ein Problem der „Attribut-Zuordnung“.

Die zweite Panne: Konzepte verschmelzen. Verlangst du „Katze und Hund nebeneinander“, kann ein Misch-Tier herauskommen, das von beidem etwas hat. Das passiert, weil sich die Konzepte im Modell gegenseitig „anfärben – ein bekannter Effekt, der im Englischen „Concept Bleeding“ heißt. Je ähnlicher und je näher beieinander zwei Dinge stehen, desto eher vermischen sie sich.

Skizze 2: Zwei typische Pannen – ein Merkmal landet am falschen Objekt, oder zwei Dinge verschmelzen zu einem.

Dagegen hilft: klar trennen. Beschreibe Dinge in getrennten, eindeutigen Blöcken, gib jedem Objekt seine eigenen Merkmale dicht beieinander, und betone bei Bedarf das, was die KI verschluckt, mit etwas mehr Gewicht ([→ Spoke: Prompt & Negativ-Prompt]). Wenn zwei ähnliche Dinge ständig verschmelzen, hilft manchmal nur, sie nicht im selben Bild zu verlangen.

Grund 3: „Kein“ und „ohne“ funktionieren schlecht

Ein Sonderfall, der so viele überrascht, dass er eine eigene Überschrift verdient: Verneinungen im Prompt gehen oft nach hinten los. Schreibst du „ein Tisch, keine Banane“, steht das Wort „Banane“ trotzdem im Prompt – und das Modell hört vor allem „Banane“. Das „kein“ versteht es kaum. Erschreckend oft landet die Banane dann erst recht im Bild.

Skizze 3: Eine Verneinung im positiven Prompt nennt das unerwünschte Ding beim Namen – besser ist, positiv zu formulieren oder den Negativ-Prompt zu nutzen.

Es gibt zwei saubere Auswege. Entweder du formulierst positiv, was stattdessen da sein soll – „ein leerer, aufgeräumter Tisch“ statt „keine Banane“. Oder du nutzt, sofern dein Modell es hat, den Negativ-Prompt: Der ist genau für Ausschlüsse gebaut und funktioniert dafür viel besser als ein „kein“ im normalen Prompt. Wichtig: Manche Modelle wie Flux haben gar keinen Negativ-Prompt – dort bleibt nur das positive Umformulieren ([→ Spoke: Prompt & Negativ-Prompt]).

Grund 4: Das Modell kann es einfach nicht

Und manchmal liegt es nicht an deiner Formulierung, sondern an einer echten Grenze. Ein Modell kann nur, was es gelernt hat. Kennt es einen Begriff nicht – ein Nischenobjekt, eine seltene Bezeichnung –, kann kein noch so guter Prompt es herbeizaubern. Auch räumliche und zählbare Angaben sind eine bekannte Dauerschwäche: „drei Äpfel“ werden gern zu zwei oder vier, „links vom Baum“ landet rechts. Genau Zählen und exakte Positionen gehören zu dem, was diese Modelle am schlechtesten beherrschen.

Dazu kommen die klassischen Detail-Schwächen – Hände, Anatomie, korrekt platzierte kleine Elemente. Wenn die KI daran scheitert, ist das selten ein Prompt-Problem; das sind Bereiche, in denen das Modell strukturell schwach ist und manchmal nur ein spezialisiertes Zusatzpaket hilft ([→ Spoke: Warum kann die KI keine Hände?]). Hier ist die ehrlichste Reaktion, die Grenze anzuerkennen, statt zwanzig Mal denselben Prompt neu zu würfeln.

Was du konkret tun kannst

Die ehrliche Wahrheit

Kein Prompt-Trick macht aus einem Modell etwas, das es nicht ist. Es gibt eine ganze Industrie an „perfekter Prompt-Formeln“, aber die meisten davon versprechen mehr Kontrolle, als wirklich da ist. Ein guter Prompt holt das Beste aus einem Modell heraus – er hebt aber nicht dessen eingebaute Grenzen auf.

Und ein Stück Zufall bleibt immer. Dieselben Einstellungen mit einem anderen Seed können ein Detail plötzlich richtig hinbekommen, das vorher störte – nicht, weil dein Prompt besser wurde, sondern weil der Würfel anders fiel. Manchmal ist die schnellste Lösung nicht ein besserer Prompt, sondern ein zweiter Versuch ([→ Spoke: Seed]).

Häufige Fragen

Warum ignoriert die KI Teile meines Prompts?

Meist aus einem von vier Gründen: Dein Prompt widerspricht sich, das Modell ordnet Merkmale falsch zu, du hast eine Verneinung benutzt (die schlecht funktioniert), oder das Modell kann das Gewünschte schlicht nicht. Prüfe in dieser Reihenfolge.

Hilft es, den Prompt länger und genauer zu machen?

Nicht automatisch. Überladene Prompts verschlimmern oft das Verschmelzen von Konzepten, und ganz hinten genannte Dinge gehen unter. Lieber wenige, klare, widerspruchsfreie Bausteine als eine lange Wunschliste.

Warum landet das, was ich ausschließen will, trotzdem im Bild?

Weil das Wort im Prompt steht und das Modell Verneinungen kaum versteht. „Keine Banane“ nennt die Banane beim Namen. Besser positiv formulieren oder den Negativ-Prompt nutzen – sofern dein Modell einen hat.

Warum vertauscht die KI Farben oder Eigenschaften?

Das Modell liest den Prompt als lose Konzeptliste, nicht als Satz mit klarer Zuordnung. Bei „roter Hut, blaue Jacke“ kann es die Farben verwechseln. Beschreibe jedes Objekt mit seinen Merkmalen dicht beieinander und betone Wichtiges etwas stärker.

Liegt es an mir oder am Modell?

Faustregel: Widersprüche, Verneinungen und Reihenfolge sind dein Part und lassen sich am Prompt lösen. Fehlendes Wissen, genaues Zählen, exakte Positionen und kaputte Hände sind Modell-Grenzen. Wenn mehrere saubere Versuche scheitern, liegt es meist am Modell.

Bekomme ich mit demselben Prompt jedes Mal dasselbe Problem?

Nicht unbedingt. Ein anderer Seed kann ein störendes Detail zufällig richtig hinbekommen. Bevor du den Prompt zerlegst, lohnt manchmal einfach ein zweiter Versuch mit neuem Seed.

Weiterlesen

Wie ein Prompt aufgebaut wird und wozu der Negativ-Prompt da ist, erklärt [→ Spoke: Prompt & Negativ-Prompt]; warum ein anderer Seed manchmal mehr hilft als ein besserer Prompt, steht unter [→ Spoke: Seed]. Die hartnäckigsten Detail-Schwächen – Hände, Platzierung – behandelt [→ Spoke: Warum kann die KI keine Hände?], und welches Modell überhaupt was kann, ordnet [→ Spoke: Checkpoints & VAE] ein.

[→ zurück zum Hub: KI-Bildgenerierung verstehen]