Warum KI bei Händen und Text so oft scheitert

Sechs Finger an einer Hand. Eine Schrift in einem Alphabet, das es gar nicht gibt. Ein fremdes Logo, das wie aus dem Nichts auf dem Shirt eines Models klebt. Wer schon mal Produktfotos mit KI generiert hat, kennt das. Dass KI bei Händen und Text so oft scheitert, liegt einfach daran, wie diese Modelle arbeiten, ein Rätsel ist das nicht. Hier sind die Gründe und sieben Tricks, mit denen ich selbst zu einem sauberen Foto für ein Produktlisting komme.

Warum das überhaupt passiert

Ein Modell weiß nicht, dass eine Hand fünf Finger hat oder dass ein Wort aus Buchstaben in fester Reihenfolge besteht. Es baut ein Bild aus Wahrscheinlichkeiten zusammen: was normalerweise neben was steht. Hände tauchen in hunderten Positionen auf, Finger überlappen sich gegenseitig, und genau in dieser Überlappung klebt das Modell gern einen Finger zu viel dazu oder knickt ein Gelenk in die falsche Richtung. Bei Text läuft es ähnlich. Für einen Generator sind Buchstaben ein optisches Muster, keine Bedeutung, also malt er etwas, das wie Text aussieht, ohne tatsächlich Text zu sein.

Logos sind ein eigenes Problem. Das Modell hat beim Training unzählige Marken gesehen und schummelt gern etwas Vertrautes auf ein Kleidungsstück oder eine Verpackung. Für ein Produktlisting ist das ein echtes Risiko. Ein fremdes Logo im Bild ist genau das, was bei der Prüfung durch einen Marktplatz auffällt.

Wo es am häufigsten schiefgeht

Hände und Finger gehen am häufigsten schief, besonders wenn ein Modell etwas in der Hand halten soll. Direkt danach kommt Text auf Verpackungen und in Infografiken, vor allem wenn die jeweilige Schrift im Trainingsmaterial kaum vorkam. Kleine, sich wiederholende Muster stolpern das Modell ebenfalls: Kettenglieder, Reißverschlusszähne, Gittermuster, überall dort, wo es den Überblick verliert. Spiegelungen und Blendlicht auf Glas oder glänzenden Oberflächen sind eine weitere Schwachstelle. Und dann sind da noch die Logos, die sich das Modell einfach selbst ausdenkt.

Was ich tue, um ein Bild sauber zu bekommen

Das passende Modell für die Aufgabe wählen. Wenn viel Text im Bild vorkommt, lohnt sich direkt ein Modell mit Fokus auf Typografie: Ideogram 3.0 für Text im Bild und GPT Image 2 für Layouts und Beschriftungen. Beide habe ich ausführlicher in meinem Ideogram-3.0-Test und meinem GPT-Image-2-Test besprochen. Für Schriften abseits des lateinischen Alphabets liefern Qwen Image 2.0 und Z-Image überraschend gute Ergebnisse, den Vergleich dazu habe ich in meinem Beitrag über nicht-lateinische Schrift in KI-Bildern ausgebreitet.

Negative Prompts nutzen. Wo das Tool es zulässt, schreibe ich genau hin, was nicht im Bild sein soll: zusätzliche Finger, verzerrter Text, Wasserzeichen, fremde Logos. Das fängt nicht alles ab, reduziert den Ausschuss aber zuverlässig.

Noch etwas zu Händen: Keine komplizierte Griffposition verlangen. Lässt sich das Produkt auch ohne festen Griff um ein kleines Detail zeigen, dann lieber so. Je einfacher die Handhaltung, desto geringer die Chance auf einen sechsten Finger.

Text getrennt hinzufügen. Der zuverlässigste Weg zu einer korrekten, sauberen Beschriftung ist, den Hintergrund mit KI zu generieren und den Text anschließend in einem Editor einzufügen. Das Modell übernimmt das Bild, ein Mensch übernimmt die Buchstaben.

Bei Texturen nah herangehen. Kleine, sich wiederholende Elemente bringen ein Modell auf einer weiten Aufnahme durcheinander. Ein enger Ausschnitt mit weniger Gliedern oder Zähnen zum Nachzählen hilft, und die finale Komposition baut man dann aus solchen Teilen zusammen.

Nur eine Variable auf einmal ändern. Nach einem missglückten Ergebnis nicht den ganzen Prompt umschreiben. Eine Sache anpassen, etwa Handposition, Kamerawinkel oder Formulierung der Textanfrage, und neu generieren. So weiß man am Ende tatsächlich, was geholfen hat.

Und der unspektakulärste Tipp, der trotzdem am besten funktioniert: Das Bild vor dem Hochladen anschauen, am besten direkt neben einem kurzen Vorher-Nachher-Vergleich. Die Hälfte dieser Probleme fällt genau dabei auf. Ein sechster Finger oder ein geliehenes Logo ist offensichtlich, sobald man wirklich hinschaut.

Eine Szene durch mehrere Modelle laufen zu lassen und die Version ohne sechsten Finger auszuwählen, dauert auf Flami etwa eine Minute. Die Modelle, die für saubere Hände und Text bekannt sind, stehen dort schon bereit, ohne lange Suche.

FAQ

Warum zeichnet KI zu viele Finger?

Ein Modell zählt Finger nicht, es setzt eine Hand aus Formen zusammen, die es vorher gesehen hat. Bei komplizierten Posen, wo sich Finger überlappen oder etwas umgreifen, rutscht schnell ein Finger zu viel rein oder ein Gelenk knickt falsch. Eine einfachere Handposition und ein engerer Ausschnitt senken beide das Risiko.

Warum kommt KI-generierter Text oft verzerrt heraus?

Für einen Generator sind Buchstaben ein optisches Muster, keine Bedeutung, also malt er etwas, das Text ähnelt, statt echten Text. Besonders bei Schriften, die im Training unterrepräsentiert waren, zum Beispiel Kyrillisch, stolpert das Modell häufiger. Für alles, worauf es ankommt, lohnt sich ein auf Typografie spezialisiertes Modell, oder man fügt den Text anschließend selbst in einem Editor ein.

Wie werde ich ungewollte Logos im Bild los?

Eine Zeile gegen fremde Logos in den negativen Prompt schreiben und das Bild vor dem Hochladen prüfen. Eine fremde Marke auf Kleidung oder Verpackung ist bei der Prüfung durch einen Marktplatz ein echtes Risiko, so ein Bild lieber neu generieren als es hochzuladen.

Kann ich KI bei Text auf Verpackungen überhaupt vertrauen?

Mit etwas Vorsicht. Selbst die Modelle, die bei Text stark sind, liegen manchmal daneben, besonders bei Schriften, die im Training seltener vorkamen. Bei allem, worauf es wirklich ankommt, bleibt der sicherste Weg ein sauberer KI-Hintergrund mit Text, der anschließend von Hand eingefügt wird.

Quellen

1. Flami: Nicht-lateinische Schrift in KI-Bildgeneratoren
2. Flami: Infografiken und Text auf Produktbildern