Nein: Das Urteil eines KI-Bilddetektors allein beweist nicht, wie ein bestimmtes Porträt entstanden ist. Betrachten Sie es als Ergebnis, das zusammen mit der konkreten Datei, den dokumentierten Grenzen des Werkzeugs und Belegen zur Entstehungsgeschichte geprüft werden muss. Eine ungeklärte Frage sollte ungeklärt bleiben. Ein solches Ergebnis ist keine tragfähige Grundlage, um der abgebildeten Person öffentlich Täuschung vorzuwerfen.
Das ist relevant, wenn ein Profilfoto ungewöhnlich makellos wirkt, jemand im Kollegenkreis ein Porträt infrage stellt oder Sie eigene Arbeiten zutreffend kennzeichnen möchten. Die hilfreiche Frage lautet nicht nur, ob eine Website ein KI-Symbol anzeigt. Entscheidend ist, welche Behauptung Sie prüfen müssen, welche Belege sie stützen würden und ob diese Belege vorliegen.
1. Klären Sie, was Sie mit einem KI-Foto meinen
Eine vollständig generierte Person, ein ausgetauschtes Gesicht, ein mit KI bearbeiteter Hintergrund und ein Kameraporträt mit einem gewöhnlichen Bildbeschnitt sind unterschiedliche Fälle. Ein für eine Aufgabe trainierter Detektor dokumentiert möglicherweise keine Unterstützung für die anderen. Schreiben Sie vor der Interpretation seiner Antwort Ihre tatsächliche Frage auf: Wurde das gesamte Bild generiert, wurde ein bestimmter Bereich ersetzt oder wird das Bild mit einer irreführenden Behauptung verwendet?
Betrachten Sie Herkunft, Darstellung und Kontext getrennt. Eine als synthetisch gekennzeichnete Illustration kann ihren Zweck ehrlich vermitteln. Ein Kamerafoto kann eine falsche Bildunterschrift tragen. Ein Detektor kann nicht feststellen, ob jemand an der im Hintergrund gezeigten Veranstaltung teilgenommen hat, eine Qualifikation besitzt oder derzeit so aussieht wie auf einem stark veränderten Porträt.
Wenn Sie bereits wissen, dass ein Porträt generiert wurde, und beurteilen möchten, ob es Sie angemessen darstellt, nutzen Sie unsere Prüfliste zur Ähnlichkeit von KI-Porträts. Das ist eine andere Entscheidung als die Untersuchung der Herkunft einer unbekannten Datei.
2. Was die Forschung zu Detektoren tatsächlich aussagen kann
Der NIST-Bericht von 2024 zur Transparenz synthetischer Inhalte beschreibt die Erkennung von Bildern als abhängig vom Werkzeug, den Evaluationsdaten und der Bildverarbeitung. Tests mit unbekannten Generatoren sind schwieriger als Tests mit einem Generator, der in den Trainingsdaten vertreten war; Komprimierung und Größenänderungen können die Ergebnisse beeinflussen. Der Bericht unterscheidet außerdem verschiedene Evaluationskennzahlen sowie die Folgen falscher positiver Ergebnisse und übersehener synthetischer Inhalte. Er ist ein Überblick, kein aktuelles Genauigkeitszertifikat für eine bestimmte Website.
Die NeurIPS-Studie AIGIBench von 2025 evaluierte 11 Forschungsdetektoren über verschiedene Generatoren und Testbedingungen hinweg, darunter Gesichtsaustausch und personalisierte Generierung. Die Leistung variierte je nach Quelle und Verarbeitungsbedingungen. Beim kontrollierten erneuten Training kamen ausgewählte Objektkategorien zum Einsatz, und die Tests gingen über alltägliche Porträts hinaus. Die Ergebnisse liefern daher nicht die Wahrscheinlichkeit dafür, dass ein aktueller Dienst für Verbraucher Ihr Porträt richtig einstuft.
Eine gesonderte Vorabveröffentlichung von 2024, Fake or JPEG?, untersuchte den GenImage-Datensatz. Unterschiede bei Komprimierung und Bildgröße zwischen den Klassen echter und generierter Bilder konnten zu Abkürzungen werden, die die getesteten Klassifikatoren lernten. Eine Verringerung dieser Verzerrungen veränderte die gemessene Leistung. Das ist ein Hinweis auf die Bedeutung des Evaluationsdesigns, kein Beleg dafür, dass jeder Detektor lediglich JPEG-Dateien erkennt.
Praktisch bedeutet das: Verlangen Sie Belege, die zu Ihrer Datei und Ihrer Frage passen. Eine beeindruckende Aussage zu einem Benchmark liefert nützlichen Hintergrund, ersetzt aber keine Validierung an relevanten Porträts und Bearbeitungsabläufen. Umgekehrt macht eine in einer Veröffentlichung beschriebene Einschränkung nicht jedes Detektorergebnis wertlos.
3. Lesen Sie die Einstufung, bevor Sie den Prozentwert lesen
Ein falsches positives Ergebnis liegt vor, wenn ein ursprünglich mit einer Kamera aufgenommenes Bild nach den Definitionen des Tests als synthetisch eingestuft wird. Ein falsches negatives Ergebnis ist ein synthetisches Bild, das als echt eingestuft wird. Prüfen Sie, ob die Dokumentation beide Fehlerarten ausweist, welche Bilder getestet wurden, wann die Evaluation stattfand und wie die Entscheidungsschwelle festgelegt wurde. Wenn diese Angaben fehlen, halten Sie die Lücke fest, statt sie mit Annahmen zu füllen.
Setzen Sie einen angezeigten Wert, eine beworbene Gesamtgenauigkeit und die Wahrscheinlichkeit, dass ein einzelnes Urteil richtig ist, nicht gleich. Prüfen Sie, wie der Dienst seine Zahl definiert. Erläutert eine Seite nicht, ob ihr Prozentwert eine validierte Wahrscheinlichkeit darstellt, ist diese Interpretation nicht belegt. Ebenso ist die Einstufung als echt kein Zertifikat für ein unbearbeitetes Kameraoriginal.
Speichern Sie den Namen des Dienstes, das Datum, die gegebenenfalls angegebene Modellversion, die genaue Ausgabe und die verwendete Datei. Beschreiben Sie das Ergebnis eng gefasst: Dieser Dienst hat diese Datei an diesem Datum als KI-generiert eingestuft. Machen Sie daraus keine Schlussfolgerung über Ehrlichkeit, Identität oder Charakter der abgebildeten Person.
4. Herkunftsnachweise beantworten einen anderen Teil der Frage
C2PA Content Credentials können signierte Angaben zur Erstellung und Bearbeitung bereitstellen, bei denen nachträgliche Veränderungen erkennbar sind. Prüfen Sie den Validierungsstatus, den Unterzeichner und die tatsächlich dokumentierten Aktionen; ein Symbol allein reicht nicht. Die Teilnahme ist freiwillig, der Verlauf kann unvollständig sein und eingebettete Metadaten können entfernt werden. Manche Implementierungen unterstützen die Wiederauffindung über dauerhafte Herkunftsnachweise. Ihr Fehlen identifiziert die Herkunft nicht, während ein gültiger Herkunftsnachweis allein nicht belegt, dass die dargestellte Szene oder ihre Bildunterschrift wahr ist.
Ein dokumentierter Bearbeitungsschritt kann beispielsweise bei der Frage helfen, ob ein Hintergrund generiert wurde. Er erklärt nicht automatisch jedes Pixel und belegt nicht das Datum der Szene. Lesen Sie die verfügbaren Angaben als einzelne Belege und lassen Sie nicht belegte Teile der Entstehungsgeschichte offen.
5. Vom Ergebnis zur Handlung: eine Tabelle für Porträts
| Was vorliegt | Angemessene Interpretation | Nächster Schritt |
|---|---|---|
| Ein Detektor meldet KI | Ein Klassifikationsergebnis, das Kontext benötigt; ein Fehler bleibt möglich. | Bewahren Sie die konkrete Datei auf und prüfen Sie Aufgabe, Dokumentation und Belege zur Entstehung. |
| Ein Detektor meldet echt | Dieser Test hat das Bild nicht als synthetisch eingestuft; andere Fragen zu Bearbeitung oder Herkunft bleiben offen. | Prüfen Sie die Behauptung, die Sie tatsächlich belegen müssen, bevor Sie das Porträt als unbearbeitet beschreiben. |
| Ein validierter Herkunftsnachweis dokumentiert eine KI-Aktion | Ein Beleg für diese dokumentierte Aktion innerhalb des verfügbaren signierten Verlaufs. | Klären Sie seinen Umfang und nehmen Sie nicht an, dass er jede Phase beschreibt. |
| Es wird kein Herkunftsnachweis gefunden | Bei dieser Prüfung ist kein Herkunftsprotokoll verfügbar. | Suchen Sie Informationen zur Quelle; lassen Sie die Herkunft unverifiziert, wenn weiterhin Belege fehlen. |
| Eine frühere übereinstimmende Veröffentlichung wird gefunden | Ein Anhaltspunkt für eine frühere Verwendung, kein automatischer Beweis der Erstellung oder einer wahrheitsgemäßen Bildunterschrift. | Lesen Sie den ursprünglichen Kontext und prüfen Sie, ob Dateien und Behauptungen tatsächlich übereinstimmen. |
6. Nutzen Sie diese Prüfliste mit sieben Schritten
- Formulieren Sie die Behauptung. Geben Sie an, ob Sie eine vollständige Generierung, einen Gesichtsaustausch, eine Bearbeitung oder eine Bildunterschrift prüfen. Entscheiden Sie, was Sie vor der Verwendung des Porträts wissen müssten.
- Bewahren Sie die Belege auf. Sichern Sie die ursprünglich verfügbare Datei, die Seiten-URL, die Bildunterschrift und das Abrufdatum. Analysieren Sie eine Kopie. Verwechseln Sie einen Export aus einer Nachrichten-App nicht mit einer Datei, die direkt von der erstellenden Person stammt.
- Prüfen Sie vor dem Hochladen die Erlaubnis. Überlegen Sie bei einem Porträt einer anderen Person, ob Sie berechtigt sind, es an einen externen Dienst zu senden. Lesen Sie dessen Bedingungen zum Umgang mit den Daten. Eine Verifizierung erfordert weder die Veröffentlichung des Gesichts noch Ihres Vorwurfs.
- Prüfen Sie den Einsatzbereich des Werkzeugs. Suchen Sie Angaben zu unterstützten Aufgaben, Evaluationsdatum, relevanten Testbildern und Fehlern. Wenn die Art Ihres Bildes nicht dokumentiert ist, benennen Sie diese Einschränkung.
- Prüfen Sie den Verlauf anhand unabhängiger Quellen. Untersuchen Sie überprüfbare Herkunftsnachweise und verfügbares Quellenmaterial. Eine umgekehrte Bildersuche kann frühere Verwendungen aufzeigen; folgen Sie der Quelle, statt eine Übereinstimmung mit einem Vorschaubild als Urteil zu behandeln. Fragen Sie gegebenenfalls die erstellende Person nach relevantem Kontext.
- Dokumentieren Sie Ergebnisse ohne Übertreibung. Trennen Sie Ausgaben und Beobachtungen von Schlussfolgerungen. Widersprüchliche Ausgaben bedeuten, dass eine Unstimmigkeit zu klären ist, und berechtigen nicht dazu, die Antwort auszuwählen, die Ihren Verdacht stützt.
- Wählen Sie einen angemessenen nächsten Schritt. Bitten Sie um eine aussagekräftigere Quelldatei, verwenden Sie ein anderes eindeutig dokumentiertes Bild, kennzeichnen Sie eigene synthetische Arbeiten passend oder lassen Sie die Herkunft unverifiziert. Holen Sie bei folgenreichen Anschuldigungen eine qualifizierte Überprüfung ein, statt aus einer automatischen Einstufung eine öffentliche Behauptung zu machen.
Angenommen, Ihr eigenes Kameraporträt wird nach dem Export für ein Profil als KI-Bild eingestuft. Bewahren Sie die ursprüngliche Aufnahme und den Bearbeitungsverlauf auf und vergleichen Sie, was die einzelnen Dateien tatsächlich zeigen. Verkünden Sie nicht, das Werkzeug habe die synthetische Herkunft des Porträts bewiesen. Umgekehrt belegt die Einstufung eines unbekannten Porträts als echt weder die Identität der abgebildeten Person noch die in der Bildunterschrift behauptete Geschichte. Das sind hypothetische Beispiele für Entscheidungen, keine gemessenen Fehlerraten.
7. Trennen Sie Verifizierung und Feedback zum Aussehen
Bei Ihren eigenen Fotos kann die Prüfung bekannter Bearbeitungen nützlicher sein als das Erraten der Herkunft anhand des Aussehens. Unser Foto-Check für Beauty-Filter hilft Ihnen, Versionen bewusst zu vergleichen. Wenn Sie Belege teilen müssen, auf denen andere Personen zu sehen sind, erklärt unsere Prüfliste zum Schutz der Privatsphäre auf Fotos, warum trotz eines verdeckten Gesichts identifizierende Kontextmerkmale erhalten bleiben können.
FaceScore bietet fotobasiertes Feedback zum Aussehen; es zertifiziert weder die Herkunft noch die Echtheit eines Porträts. Verwenden Sie für diesen angegebenen Zweck ein eigenes Bild oder eines, das Sie mit Erlaubnis einreichen dürfen. Weder eine Bewertung des Aussehens noch die Kennzeichnung eines synthetischen Bildes misst den Wert eines Menschen. Das hilfreiche Ergebnis einer Verifizierung ist eine begründbare Darstellung dessen, was Sie wissen, worauf dieses Wissen beruht und was ungewiss bleibt.