Physik
Physikalische Kohärenz
Gehorcht das Bild den Naturgesetzen? Licht, Schatten, Anatomie, Proportionen, Materialien. Solche Brüche sind oft klein – aber sie verraten ein Bild zuverlässig, wenn man sie einmal sieht.
KI-generiertes Moodbild
So funktioniert SemantIC
Was passiert, wenn SemantIC dein Bild prüft.
SemantIC nimmt ein KI-generiertes Bild und sieht es sich entlang von drei Dimensionen an: ob es physikalisch plausibel ist, ob es inhaltlich Sinn ergibt und welche Klischees es trägt. Auf dieser Seite zeigen wir dir, was das Tool tut, woher seine Kriterien kommen und – genauso wichtig – was es bewusst nicht tut.
01 · Die Idee dahinter
Warum gute Bilder ihre eigenen Fehler verstecken.
KI-Bildgeneratoren optimieren auf das, was sofort als „gut“ gelesen wird: Schärfe, Farbe, Licht, Komposition. Auf die inhaltliche Stimmigkeit – Logik der Szene, Proportionen, Klischees – optimieren sie weit weniger. Bilder werden so zuverlässig schön, aber nicht zuverlässig richtig.
Die Folge ist das eigentliche Problem: Ein überzeugendes Bild lädt nicht dazu ein, genauer hinzusehen. Die Oberfläche beruhigt das Auge, und Schwächen rutschen durch. Diesen Zusammenhang nennen wir Maskierung – die Arbeitsthese hinter SemantIC: Eine überzeugende Oberfläche kann die kritische Prüfung erschweren. Die Studie dahinter stützt diese Annahme, beweisen kann sie sie nicht.
Theoriebezug
Dieser Effekt ist nicht nur eine Beobachtung, sondern lässt sich wissenschaftlich einordnen. Neuere Forschung zeigt an KI-Erkennungssystemen, dass künstliche neuronale Netze visuelle Eigenschaften priorisieren, während Menschen Bilder stärker über ihre Bedeutung erfassen. Dass dasselbe für Bildgeneratoren gilt, ist die Annahme dieser Arbeit. SemantIC setzt genau in diese Lücke: Es schaut dorthin, wo das Auge zu schnell zufrieden ist.
02 · Der Ablauf
Vom Bild zum Befund.
SemantIC trennt Inhalt und Ästhetik in zwei getrennte Bewertungsstränge – damit die Wirkung das inhaltliche Urteil nicht beschönigt. Die Ästhetik wird doppelt geschätzt: von einem Vision-Modell und einem unabhängigen Referenzmodell; weichen beide stark voneinander ab, weist der Befund das aus. Erst danach werden beide Ergebnisse zusammengeführt.
Eingabe
Dein Bild
+ optional Nutzungskontext & Original-Prompt
Zwei getrennte Prüfungen · parallel
Prüfung 1 · Inhalt
GeminiIntegritäts-Analyse: 3 Dimensionen (Physik · Semantik · Bias) plus Research Layer → Integritäts-Score.
Prüfung 2 · Oberfläche
ClaudeÄsthetik-Bewertung: nur die visuelle Wirkung, abgeglichen mit einem unabhängigen Referenzmodell → Ästhetik-Score.
Wirkung und Substanz werden erst hier zusammengeführt – nie vorher.
Zusammenführung
Wirkung vs. Substanz
Abgleich Ästhetik ↔ Integrität → Maskierungs-Hinweise (keine einzelne Kennzahl).
Befund
Dein Ergebnis
Ampel · 3 Dimensionen · Leseart · Hinweise.
Modellagnostisch – Gemini & Claude sind die aktuellen Standard-Modelle, austauschbar. Der Ästhetik-Score ist der Mittelwert aus Claude und einem unabhängigen Referenzmodell (LAION Aesthetic Predictor); weichen beide um 20 Punkte oder mehr ab, weist der Befund das aus, fällt die Referenz aus, zählt Claude allein. Gibst du Prompt oder Kontext an, läuft zusätzlich ein Bild-Text-Abgleich (CLIP) mit – ein reines Diagnosesignal ohne Einfluss auf Scores und Ampeln. Die Symbole sind stilisierte Platzhalter.
02 · b · Die Leitplanken
Die Leitplanken der Bewertung.
Ein Bildmodell allein neigt dazu, sich von visueller Perfektion leiten zu lassen. SemantIC legt der Bewertung deshalb Leitplanken an, die auf belegte, nachvollziehbare Urteile hinwirken.
01 Tendenz
Lässt sich von der schönen Oberfläche einnehmen.
01 Leitplanke
Ästhetik wird getrennt bewertet – ohne Einfluss aufs inhaltliche Urteil.
02 Tendenz
Behauptet vage Eindrücke („wirkt komisch“).
02 Leitplanke
Jeder Befund braucht einen sichtbaren Beleg am Bild – sonst zählt er nicht.
03 Tendenz
Antwortet frei und assoziativ.
03 Leitplanke
Urteilt nur im festen Forschungs-Vokabular (Lesearten, Treiber, Fehlertypen).
04 Tendenz
Hakt Bias-Kategorien vorschnell ab.
04 Leitplanke
Geschlecht und Hautfarbe werden nur beschrieben; Bias nur bei echtem Muster (Rolle, Machtdynamik).
05 Tendenz
Bleibt bei der ersten Einschätzung.
05 Leitplanke
Deterministische Regeln prüfen das Ergebnis nach und korrigieren Widersprüche.
Das macht die Bewertung disziplinierter und nachvollziehbarer. Wo das Tool an Grenzen stösst, legt SemantIC das offen (Abschnitt „Wir kennen die Grenzen“).
„Maskiert → klar“: Tendenz gedämpft, Leitplanke scharf. Grösstenteils hart erzwungen (festes Schema & Prüfregeln); die Kriterien stammen aus 144 codierten Bildern.
03 · Die drei Dimensionen
Was hinter Physik, Semantik und Bias steckt.
Semantik
Semantische Konsistenz
Ergibt die Szene Sinn – und passt sie zu deinem Kontext? Ein technisch sauberes Bild kann inhaltlich trotzdem danebenliegen: eine Situation, die so nicht stattfinden würde, oder die nicht zu deinem Beitrag passt.
Bias
Bias und Stereotypisierung
Welche Rollen, Posen, Klischees zeigt das Bild? Ein schönes Bild eines Klischees bleibt ein Klischee. Wichtig: Geschlecht oder Hautfarbe sind für sich kein Befund – erst eine stereotype Rollenbesetzung, Machtdynamik oder ein Kontextbruch schlägt an.
04 · Der Maskierungs-Check
Wenn die Oberfläche stärker ist als der Inhalt.
SemantIC bewertet getrennt, wie gut ein Bild aussieht (die Ästhetik) und wie gut es inhaltlich hält (die Integrität). Liegt die Wirkung deutlich über der Substanz, ist das der Nährboden für Maskierung – die perfekte Oberfläche kann Fehler überdecken, bevor du sie bemerkst. Eine einzelne Maskierungs-Kennzahl gibt es bewusst nicht; der Quadrant zeigt das Prinzip, nicht das Resultat einer Prüfung.
Maskierungs-Zone
Oben links liegt die Gefahr
Sitzt ein Bild weit oben links – viel Wirkung, wenig Substanz –, ist das der Nährboden für Maskierung. Je weiter ein Punkt die Diagonale nach oben links überschreitet, desto stärker übersteigt die Ästhetik die Integrität.
- Schraffierte Zone – Ästhetik übersteigt Integrität.
- Diagonale – Wirkung gleich Substanz (Gleichstand).
- Beispielpunkt – Ästhetik 86 / Integrität 64.
05 · Deine Angaben
Warum du das Bild einordnen sollst.
Bevor SemantIC prüft, fragen wir zwei Dinge: deine Haltung zum Bild und seine Verwendungsform. Beide rahmen nur die Empfehlung – sie verschieben weder den Score noch die Befunde.
Haltung
Welche Funktion hat das Bild?
- Standard
- Bestätigend
- Kritisch
- Illustrativ
Dieselbe Schwäche wiegt anders, je nachdem ob ein Bild ein Klischee bewusst zeigt oder es unreflektiert reproduziert.
Verwendungsform
Wofür ist es gedacht?
- Headerbild
- Moodbild
- Symbolbild
- Illustration
- Social-Post
- Werbe-/Marketingbild
- Editorial-Bild
Daraus leitet SemantIC ab, wie streng der Massstab sein sollte.
Auswahl im Tool – hier nur zur Übersicht, nicht anklickbar.
06 · Hinweis statt Nachweis
Warum SemantIC dir nichts beweist.
SemantIC gibt keine harten Urteile, sondern begründete Hinweise: Jeder Befund zeigt, wo du genauer hinsehen solltest – nicht, dass ein Bild „falsch“ ist. Ob es in deinen Kontext passt, entscheidet kein Werkzeug für dich; die letzte Beurteilung bleibt bei dir.
Was SemantIC ist
- Ein Qualitäts- und Integritäts-Bewerter für KI-Bilder
- Ein Werkzeug, das dir zeigt, wo du genauer hinsehen solltest
- Eine Einordnung vor der Veröffentlichung – die Entscheidung bleibt bei dir
Was SemantIC nicht ist
- Kein Fake- oder Deepfake-Detektor
- Kein „echt oder gefälscht“-Verdikt über die Herkunft
- Kein Ersatz für dein eigenes redaktionelles Urteil
07 · Validierte Grenzen
Wir kennen die Grenzen – und legen sie offen.
Jede Grenze hier ist empirisch geprüft – in dokumentierten Testreihen gegen die menschliche Codierung, bei der Anatomie zusätzlich verblindet mit einem zweiten Vision-Modell. Du sollst wissen, wann du dich auf einen Befund verlassen kannst und wann dein eigener Blick gefragt ist.
Im Test belastbar
Die rote Ampel
Im dokumentierten Anatomie-Testlauf (16 Bilder, 42 Läufe) löste kein sauberes Bild einen roten Befund aus. Zeigt SemantIC rot, nimm es ernst – gelbe Hinweise können dagegen auch mal danebenliegen.
Richtig lesen
Grün heisst: nichts gefunden
Grün heisst „nichts gefunden“ – nicht „fehlerfrei“. Es fokussiert deine Sichtprüfung, ersetzt sie nicht.
Bekannte Lücke
Anatomie: Flag = Prüfauftrag
Lokale Hand- und Finger-Artefakte findet das Tool eher als strukturelle Körperfehler (Kopf, Gliedmassen, Beinstellung) – aber bildabhängig: In den Tests gab es übersehene wie fälschlich gemeldete Befunde, über zwei Vision-Modelle hinweg geprüft. Ein Anatomie-Flag ist deshalb ein Prüfauftrag an dich, keine Diagnose.
Einordnung
Schwere ist eine Einschätzung
Schwer, moderat, gering sind eine Einschätzung des Vision-Modells, keine Messung. Ob ein markierter Punkt publikationskritisch ist, entscheidet dein Blick aufs Bild.
Dieselben Tests zeigten auch Befunde, die ein menschlicher Blick übersehen hatte. Die Hinweise ergänzen deine Sichtprüfung – jeder Befund ist mit Markierung am Bild nachprüfbar gebaut.
KI-generiertes Moodbild
08 · Woher die Kriterien stammen
Forschung, kein generisches Modellwissen.
Die Prüflogik stützt sich auf eine eigene empirische Grundlage: eine qualitative Inhaltsanalyse von 144 KI-generierten Bildern. Daraus entstanden die wiederkehrenden Fehlerprofile, die Lesearten und die visuellen Treiber, mit denen das Tool arbeitet – der praktische Teil der Bachelorarbeit „Visual Bias im KI-generierten Bild“ (Multimedia-Production, FH Graubünden).
Die Pipeline wurde über dokumentierte Iterationen entwickelt und gegen die menschliche Codierung geprüft – die validierten Grenzen oben stammen aus genau diesen Tests. Sie ist bewusst modellagnostisch: Kriterien, Evidenz-Pflicht und Prüfregeln hängen an der Forschungsbasis, nicht an einem KI-Modell. Die eingesetzten Modelle sind austauschbar – das Prüfraster bleibt.
09 · Datenschutz
Was mit deinem Bild passiert.
Dein Bild wird zur Analyse an externe Dienste übermittelt und bei SemantIC selbst nicht gespeichert – was genau an wen geht und wie lange etwas aufbewahrt wird, steht in der Datenschutzerklärung.