Studie: KI‑Bildgeneratoren nutzen meist nur zwölf Foto‑Stile

Wenn Bilder für Social Media, Werbung oder Artikel mit wenigen Worten aus der KI entstehen, fällt eine Sache oft auf: Hinter überraschender Schnelligkeit steckt eine gewisse Gleichförmigkeit. Eine Studie, die Text→Bild→Text‑Schleifen systematisch untersucht hat, zeigt nun, wie stark sich Bilder dabei auf eine kleine Anzahl immer wiederkehrender Motive einpendeln. Für Anwenderinnen und Anwender ist das relevant: Wer ein individuelles Bild erwartet, bekommt stattdessen häufig eine Variante bekannter, gut beschreibbarer Szenen. Die Studie erklärt, warum das passiert, und liefert Verständnis für bessere Prompt‑Praktiken und technische Gegenmaßnahmen.

Die untersuchte Methode nennt sich “Visual Telephone Game”: Ausgangs‑Prompts erzeugen ein Bild, ein Sprachmodell beschreibt das Bild, die Beschreibung wird wieder zum Prompt, und der Zyklus läuft viele Male. Forschende führten hunderte solcher Trajektorien durch, jede über 100 Iterationen, und analysierten die resultierenden Bilder. Unabhängig von Startprompt, Temperatur‑Einstellung oder Modell fielen die Bildketten in eine begrenzte Anzahl stabiler visueller Muster: insgesamt knapp zwölf dominante Foto‑Stile. Als Modelle nannte die Studie etwa Stable Diffusion XL für die Bildgenerierung und LLaVA für die Beschreibung, getestet wurde das Verfahren aber auch mit Varianten.

“Autonome Bild‑Text‑Schleifen konvergieren oft zu generischen, leicht beschreibbaren Motiven.”

Die Forscherinnen und Forscher nutzten Cluster‑Analysen, um die Bildpopulation zu gruppieren. Die Wahl von k=12 erwies sich als nützlich, weil sie wiederkehrende Kompositionen wie maritimes Leuchtturm‑Motiv, formelle Innenräume oder städtische Nachtszenen klar trennte. Ein wichtiges Ergebnis: Die Stilkonvergenz setzt meist innerhalb der ersten rund 20 bis 100 Iterationen ein und bleibt danach stabil — längere Läufe zeigen allenfalls seltene Sprünge zwischen Motiven.

Die Untersuchung erschien als Peer‑Reviewed‑Studie in der Fachzeitschrift Patterns; ergänzende Pressemitteilungen und Beiträge erläutern Methoden und Beispiele. Befunde deuten darauf hin, dass Trainingsdaten‑Bias und die Präferenz für leicht beschreibbare, plausiblen Szenen Haupttreiber der Konvergenz sind.

Wenn Zahlen helfen: 700 Trajektorien, 100 Iterationen pro Lauf und Tests über mehrere Temperatur‑Settings lieferten robuste Ergebnisse. Die Bandbreite der getesteten Modelle reduziert die Wahrscheinlichkeit, dass es sich um einen Einzelfall handelt.

Wenn Zahlen in Tabellenform passen, dann hier kurz:

Das Ergebnis lässt sich leicht erkennen: Viele KI‑Generationen wirken wie hochwertige Stockfotos, aber mit wenig überraschenden Details. Wer für einen Blog ein einzelnes, unverwechselbares Motiv will, bemerkt schnell, dass die KI eher zu etablierten Bildkompositionen greift. In der Praxis tritt das etwa beim Erstellen von Produktfotos, Moodboards oder Social‑Media‑Visuals auf. Marketerinnen und Marketer bekommen schnell brauchbare, aber ähnliche Visuals; Künstlerinnen und Künstler bemängeln, dass Originalität leidet.

Konkrete Beispiele: Ein Prompt für eine „einsame Hütte im Wald“ erzeugt in vielen Durchläufen Varianten, die dieselbe Perspektive, Lichtstimmung und ähnliche Baumgruppen zeigen. Ein anderes Beispiel: Interieurs landen häufig bei generischen, aufgeräumten Wohnzimmern mit neutraler Dekoration — Motive, die in Bilddatenbanken oft vorkommen und von Beschreibungsmodellen leicht wiedergegeben werden können.

Für Anwenderinnen und Anwender ergeben sich praktische Schlüsse: Detailliertere Stil‑Angaben, ungewöhnliche Referenzen oder die Kombination verschiedener Modelle reduzieren die Chance, in einen Standardstil zu rutschen. Menschen, die mit KI arbeiten, können durch selektive Stichproben, manuelle Nachbearbeitung und bewusstes Stil‑Targeting wieder mehr Vielfalt erreichen.

Wichtig ist: Die Studie betrifft vor allem automatische, wiederholte Loops. Wenn Kreative bewusst steuern, eingreifen und nachkorrigieren, bleibt das Werkzeug sehr nützlich. Das Problem zeigt sich vor allem dann, wenn Generationen automatisch aufeinander aufbauen oder wenn Plattformen standardisierte Presets ausliefern.

Die Beobachtung der Stilkonvergenz wirkt ambivalent. Auf der positiven Seite erleichtern homogene, klar beschreibbare Bilder viele Anwendungen: schnelle Prototypen, konsistente Unternehmensvisuals und automatisierte Content‑Pipelines profitieren von Vorhersagbarkeit. Für viele Alltagsaufgaben ist das ein Vorteil.

Auf der anderen Seite stehen Risiken: Wenn sich Plattformen und Nutzerinnen gleichermaßen auf die gleichen Motive verlassen, reduziert das die visuelle Vielfalt in Medien, Werbung und Kultur. Solche Effekte können kleine Kulturen oder seltene ästhetische Praktiken unsichtbar machen. Zusätzlich besteht das Risiko, dass automatisierte Loops ungeprüft in Produktivsystemen laufen und so geschützte Stile oder problematische Stereotype reproduzieren.

Rechtlich und wirtschaftlich gibt es ebenfalls Spannungen: Wenn KI‑Outputs sehr ähnlich werden, stellt sich für Kreativberufe die Frage nach Wert und Unterscheidbarkeit von Arbeit. Für Plattformbetreiberinnen und ‑betreiber steigt die Verantwortung, Trainingsdaten und Algorithmen transparent zu machen, um systemische Verzerrungen zu vermeiden.

Die Studie liefert keine einfachen Lösungen, zeigt aber, dass technische Korrekturen möglich sind: diversere Trainingsdaten, spezielle Verlustfunktionen zur Belohnung von Neuheit oder Mensch‑in‑the‑Loop‑Kontrollen können die Konvergenz verlangsamen oder aufbrechen.

Technisch sind mehrere Hebel denkbar. Entwicklerinnen und Entwickler können Trainingsdatensätze gezielter diversifizieren, seltene Stile gewichten oder Trainings‑ und Evaluationsmetriken so anpassen, dass Neuheit belohnt wird. Forschungsansätze schlagen auch sogenannte Anti‑Konvergenz‑Mechanismen vor, etwa Zufallsperturbationen oder Rotationsschemata, die beim Erzeugen von Serien bewusst Varianz forcieren.

Auf Anwenderseite bleibt die kombinierte Nutzung mehrerer Modelle eine praktikable Strategie: Wer unterschiedliche Generatoren kombiniert oder Beschreiber austauscht, erhöht die Chance auf visuelle Abwechslung. Ebenso hilfreich sind menschliche Kontrollpunkte: kurze Reviews, gezielte Nachbearbeitung und die Auswahl unkonventioneller Referenzen.

Für Plattformen und Auftraggeberinnen bedeutet das: Wer langfristig attraktive Inhalte will, sollte Tools anbieten, die Stilvielfalt fördern — etwa durch voreingestellte Stilbreiten, Zufallsmodi oder transparentere Angaben zur Herkunft von Trainingsdaten. Solche Anpassungen stärken die Vielfalt und verringern das Risiko, dass die Bildlandschaft immer ähnlicher wird.

Die Studie zeigt klar: KI‑Bildgeneratoren neigen in autonomen Bild‑Text‑Schleifen dazu, visuell in ein begrenztes Set an leicht beschreibbaren Foto‑Stilen zu kippen. Das ist kein technisches Versagen allein, sondern ein Nebeneffekt von Trainingsdaten, Modellarchitektur und dem Design automatischer Loops. Für Nutzerinnen und Nutzer heißt das: Wer Variation will, muss sie aktiv erzeugen — durch präzisere Prompts, gezielte Modellkombinationen und menschliche Nachbearbeitung. Für Entwicklerinnen und Entwickler bietet die Erkenntnis zugleich eine klare Agenda: Trainingsdaten diversifizieren, Neuheit belohnen und menschliche Kontrolle in Produktionsprozesse einbauen.