KI-Bildbeschreibung: Bilder automatisch beschreiben lassen – Möglichkeiten und Grenzen

Ein buntes, florales Gehirn schwebt vor schwarzem Hintergrund, umgeben von leuchtenden Blasen.

Lesezeit: 21 Minuten

Eine KI-Bildbeschreibung entsteht in drei Schritten: Du lädst ein Bild in ein KI-Werkzeug mit Bildverständnis, sagst in einem Satz, wofür du den Text brauchst, und erhältst nach wenigen Sekunden eine Beschreibung in Worten. Das geht mit einem allgemeinen Chat-Assistenten, mit einem spezialisierten Generator für Alt-Texte oder direkt im CMS über ein Plugin. Das Ergebnis ist ein Entwurf. Die KI sieht nur die Pixel, sie kennt weder die abgebildeten Personen noch den Zweck des Bildes auf deiner Seite. Dieser Beitrag zeigt, was gut funktioniert, wo die Grenzen liegen und wie du die Texte prüfst. Stand: November 2026.

Das Wichtigste in Kürze

  • Multimodale Sprachmodelle nehmen Bilder als Eingabe an und geben Text aus. Bildbeschreibung ist eine ihrer Standardaufgaben.
  • Je genauer du Zweck, Länge und Sprache vorgibst, desto brauchbarer wird der Text.
  • Eine Bildbeschreibung ist nicht dasselbe wie eine Bildunterschrift oder ein Alt-Text. Die drei Texte haben verschiedene Aufgaben.
  • Die Hersteller benennen die Grenzen selbst: fehlerhafte Beschreibungen, Probleme mit kleinem oder gedrehtem Text, ungenaues Zählen.
  • Bilder mit erkennbaren Personen sind personenbezogene Daten. Prüfe, an welchen Anbieter du sie überträgst.
  • Jede KI-Beschreibung braucht eine Prüfung durch einen Menschen, bevor sie veröffentlicht wird.

Bild beschreiben mit KI: So gehst du vor

  1. Werkzeug wählen. Für ein einzelnes Bild reicht ein Chat-Assistent mit Bild-Upload. Für viele Bilder brauchst du ein Werkzeug mit Massenverarbeitung.
  2. Bild übergeben. Per Upload oder, je nach Werkzeug, per Bild-URL.
  3. Zweck nennen. Zum Beispiel: Alt-Text für eine Website, Beschreibung für einen Social-Media-Post, Text für eine Produktseite.
  4. Rahmen setzen. Sprache, Länge, Tonfall und Kontext angeben, etwa das Thema der Seite.
  5. Ergebnis prüfen. Stimmt, was beschrieben wird? Fehlt etwas Wichtiges? Steht etwas da, das auf dem Bild nicht zu sehen ist?

Wie KI ein Bild beschreibt

Eine KI-Bildbeschreibung ist ein von einem Sprachmodell erzeugter Text, der den sichtbaren Inhalt eines Bildes in Worte fasst. Die Modelle dahinter heißen multimodal, weil sie neben Text auch Bilder als Eingabe verarbeiten.

Die Herstellerdokumentation beschreibt den Ablauf nüchtern. Bei OpenAI übergibst du ein Bild als URL, als Base64-kodierte Datei oder als Datei-ID. Unterstützt werden PNG, JPEG, WebP und nicht animierte GIFs. Das Modell wandelt das Bild in Eingabe-Token um, bei einigen Modellen über ein Raster aus 32 mal 32 Pixel großen Bildausschnitten. Ein Parameter namens detail steuert, wie fein das Bild aufgelöst verarbeitet wird (OpenAI: Images and vision). Aus Bild-Token und deiner Anweisung erzeugt das Modell dann den Antworttext.

Zwei Details aus derselben Dokumentation sind für die Praxis wichtig:

  • Das Modell verarbeitet weder den ursprünglichen Dateinamen noch die Metadaten des Bildes. Was nicht im Bild zu sehen ist und nicht in deiner Anweisung steht, weiß es nicht.
  • Bilder können vor der Analyse verkleinert werden. Feine Details und kleine Schrift gehen dabei unter Umständen verloren.

Andere Anbieter arbeiten nach demselben Prinzip. Google nennt für seine Gemini-Modelle Bildbeschriftung, Klassifizierung und das Beantworten von Fragen zu Bildern als Aufgaben, die ohne spezialisierte Zusatzmodelle möglich sind (Gemini API: Image understanding). Anthropic dokumentiert die Bildfunktionen seiner Claude-Modelle samt Einschränkungen (Claude: Vision).

Wofür sich KI-Bildbeschreibungen eignen

Die folgenden Prompts und Ausgaben sind konstruierte Beispiele. Sie zeigen das Prinzip und sind keine Messung eines bestimmten Modells. Als Motiv dient jeweils dasselbe gedachte Foto: eine Keramiktasse auf einem Holztisch am Fenster.

Alt-Texte für Websites

Ein Alt-Text ist die Textalternative im alt-Attribut eines Bildes. Screenreader lesen ihn vor, Suchmaschinen nutzen ihn, um das Bild zu verstehen. Er soll knapp sein und zur Seite passen.

Prompt (Beispiel):
Schreibe einen Alt-Text auf Deutsch für dieses Bild. Ein Satz,
höchstens 125 Zeichen, ohne "Bild von". Die Seite ist die
Produktseite einer Töpferei.

Ausgabe (Beispiel):
Handgetöpferte Tasse mit blauer Glasur auf einem Holztisch
im Tageslicht

Die Längenvorgabe im Beispiel ist eine Arbeitshilfe und keine Norm. Wie gute Alt-Texte aufgebaut sind, zeigt unser Alt-Text-Ratgeber mit Beispielen.

Social Media

Für einen Post brauchst du oft zwei Texte: eine Bildbeschreibung für Menschen, die das Bild nicht sehen, und einen Begleittext. Beides lässt sich aus demselben Bild ableiten, es bleiben aber zwei verschiedene Texte.

Prompt (Beispiel):
Beschreibe dieses Bild in zwei Sätzen für das Alt-Text-Feld
eines Social-Media-Posts. Sachlich, ohne Hashtags.

Ausgabe (Beispiel):
Eine blau glasierte Keramiktasse steht auf einem hellen
Holztisch. Durch das Fenster dahinter fällt Morgenlicht
auf die Tasse.

Produkttexte

Aus einem Produktfoto kann die KI sichtbare Merkmale ableiten: Farbe, Form, Material dem Anschein nach, Umgebung. Maße, Gewicht, Füllmenge oder Herkunft stehen nicht im Bild. Gib diese Angaben in der Anweisung mit, sonst rät das Modell oder lässt sie weg.

Prompt (Beispiel):
Schreibe drei Sätze für eine Produktseite. Nutze nur, was
auf dem Foto zu sehen ist, und diese Angaben: Steinzeug,
300 ml, spülmaschinenfest.

Ausgabe (Beispiel):
Die Tasse aus Steinzeug trägt eine blaue Glasur mit leicht
unregelmäßigem Verlauf. Sie fasst 300 ml und ist
spülmaschinenfest. Der breite Henkel liegt gut in der Hand.

Der letzte Satz der Beispielausgabe zeigt ein typisches Problem: Wie der Henkel in der Hand liegt, ist auf einem Foto nicht zu sehen. Solche Behauptungen streichst du bei der Prüfung.

Schule und Studium

Im Unterricht ist die Bildbeschreibung eine eigene Textform. Eine KI kann hier als Gegenprobe dienen: Was nennt sie, das du übersehen hast? Was hast du erkannt, das ihr entgeht? Als Ersatz für die eigene Beschreibung taugt sie nicht, zumal das Modell Stimmung, Epoche oder Absicht nur aus dem Sichtbaren ableitet.

Prompt (Beispiel):
Beschreibe dieses Bild sachlich in dieser Reihenfolge:
Vordergrund, Mittelgrund, Hintergrund, Licht und Farben.
Keine Deutung.

Bildarchive und Verschlagwortung

Für große Bildbestände kann eine KI Stichwörter und Kurzbeschreibungen vorschlagen, nach denen du später suchst. Auch hier gilt: Namen von Personen, Orten und Anlässen kommen aus deinen Unterlagen, nicht aus dem Modell.

Bildbeschreibung, Bildunterschrift, Alt-Text: der Unterschied

Die drei Begriffe werden oft vermischt. Sie bezeichnen Texte mit verschiedenen Aufgaben.

MerkmalBildbeschreibungBildunterschriftAlt-Text
AufgabeBildinhalt ausführlich in Worte fassenBild für alle Leser einordnen und ergänzenBild ersetzen, wenn es nicht gesehen werden kann
Sichtbar auf der SeiteJe nach EinsatzJa, beim BildNein, im alt-Attribut
Technischer OrtFließtext, Datenfeld, Dokumentfigcaption im figure-Elementalt am img-Element
LängeFrei, oft mehrere SätzeMeist ein bis zwei SätzeKurz, bei komplexen Bildern mit ausführlicher Beschreibung an anderer Stelle
InhaltWas zu sehen istWas man wissen sollte: Ort, Anlass, QuelleWas das Bild an dieser Stelle aussagt oder bewirkt

Zwei Regeln aus den Standards sind dabei wichtig. Erstens: Laut W3C-Tutorial zu Bildern muss der Autor die Textalternative festlegen, abhängig von Verwendung, Kontext und Inhalt des Bildes. Dasselbe Foto kann auf zwei Seiten zwei verschiedene Alt-Texte brauchen. Zweitens: Rein dekorative Bilder bekommen ein leeres alt="", damit Hilfstechnik sie überspringt (W3C: Decorative Images). Die Bildunterschrift ist im HTML-Standard über figcaption definiert, als Beschriftung oder Legende zum Inhalt des umgebenden figure-Elements.

Für die KI heißt das: Eine allgemeine Bildbeschreibung ist ein guter Rohstoff, aber noch kein Alt-Text. Mehr zur Abgrenzung steht im Beitrag Bildunterschrift, Alt-Text und Title.

Grenzen und typische Fehler

Die Anbieter listen die Schwächen ihrer Modelle selbst auf. Das ist die verlässlichste Quelle für das, was schiefgehen kann.

Erfundene oder falsche Details

OpenAI schreibt, das Modell könne in bestimmten Fällen falsche Beschreibungen oder Bildunterschriften erzeugen. Anthropic schreibt, das Modell könne halluzinieren oder Fehler machen, wenn Bilder von geringer Qualität, gedreht oder sehr klein sind (unter 200 Pixel). Anthropic rät ausdrücklich, Bildinterpretationen sorgfältig zu prüfen. Ein solcher Fehler, oft Halluzination genannt, sieht in der Praxis harmlos aus: ein Gegenstand, der nicht da ist, eine Handlung, die das Foto nicht zeigt, eine Eigenschaft, die niemand sehen kann.

Personen

Ein Modell weiß nicht, wer auf deinem Teamfoto steht. Anthropic hält fest, dass Claude nicht dazu verwendet werden kann, Personen auf Bildern zu benennen, und das ablehnt. Rechne deshalb mit Beschreibungen wie „eine Frau im Blazer“ statt eines Namens. Namen ergänzt du selbst, wenn sie für die Seite wichtig sind und die Person einverstanden ist. Vorsicht auch bei Zuschreibungen wie Alter, Herkunft oder Gefühlslage: Das Modell leitet sie aus dem Aussehen ab und kann danebenliegen.

Marken und Produkte

Für die Erkennung von Marken, Logos und Modellbezeichnungen haben wir in der geprüften Herstellerdokumentation keine belastbare Aussage gefunden. Unsere Einschätzung: Verlasse dich nicht darauf. Nenne Marke und Produktnamen in der Anweisung, wenn sie im Text stehen sollen, und prüfe, ob das Modell eine Marke nennt, die gar nicht abgebildet ist.

Text im Bild

Schrift im Bild ist eine bekannte Schwachstelle. OpenAI nennt kleinen Text, gedrehten oder auf dem Kopf stehenden Text und Text in nicht lateinischen Schriften als Problemfälle. Auch Diagramme, in denen Farben oder Linienarten die Bedeutung tragen, werden unter Umständen falsch gelesen. Schilder, Etiketten, Screenshots und Infografiken prüfst du deshalb Wort für Wort.

Zählen und räumliche Angaben

Beide Hersteller schreiben, dass Mengenangaben nur ungefähr stimmen können, besonders bei vielen kleinen Objekten. Auch genaue Positionsangaben sind unsicher. „Fünf Personen“ können vier oder sechs sein.

Fehlender Kontext

Die größte Lücke ist kein Fehler des Modells, sondern eine Frage der Information. Das Modell kennt Dateinamen und Metadaten nicht. Es weiß nicht, dass das Foto euren Firmensitz zeigt, dass der Mann rechts der Geschäftsführer ist oder dass das Bild auf der Seite nur dekorativ wirkt. Je mehr Kontext du mitgibst, etwa Thema der Seite, Produktname oder Zielgruppe, desto besser passt der Text.

Datenschutz: Was du vor dem Upload klären solltest

Dieser Abschnitt ist eine sachliche Orientierung und keine Rechtsberatung.

Personenbezogene Daten sind nach Art. 4 Nr. 1 DSGVO alle Informationen, die sich auf eine identifizierte oder identifizierbare natürliche Person beziehen. Ein Foto, auf dem ein Mensch erkennbar ist, fällt darunter. Erwägungsgrund 51 der DSGVO stellt klar, dass Lichtbilder nicht grundsätzlich als besondere Kategorie personenbezogener Daten gelten. Biometrische Daten werden sie erst, wenn sie mit speziellen technischen Mitteln verarbeitet werden, die eine eindeutige Identifizierung ermöglichen.

Lädst du ein solches Bild in ein KI-Werkzeug, verarbeitet ein Dritter diese Daten. Arbeitet ein Dienstleister in deinem Auftrag, verlangt Art. 28 DSGVO einen Vertrag, der unter anderem Gegenstand, Dauer, Art und Zweck der Verarbeitung festlegt. Kläre vor dem Einsatz diese Punkte:

  • Welcher Anbieter verarbeitet die Bilder, und wo?
  • Gibt es einen Vertrag zur Auftragsverarbeitung?
  • Wie lange werden Bilder oder Protokolle gespeichert?
  • Werden die Daten zum Training von Modellen verwendet?
  • Brauchst du Bilder mit erkennbaren Personen überhaupt, oder genügt ein Ausschnitt ohne Gesichter?

Zur Einordnung ein Beispiel aus einer Herstellerdokumentation: OpenAI gibt an, dass über die API gesendete Daten standardmäßig nicht zum Training der Modelle verwendet werden und dass Protokolle zur Missbrauchserkennung bis zu 30 Tage aufbewahrt werden (OpenAI: Your data). Für die Chat-Oberflächen der Anbieter können andere Bedingungen gelten als für die API. Lies die Bedingungen des Zugangs, den du tatsächlich nutzt.

Zur Transparenz über unser eigenes Werkzeug: Bei Bilder Alt läuft die Bilderkennung über die API von OpenAI. Bilder werden nur zur Analyse übertragen und nicht dauerhaft gespeichert. Ob das für deine Bilder und deine Organisation passt, musst du selbst oder mit deiner Datenschutzberatung prüfen.

Qualitätsprüfung in fünf Schritten

  1. Abgleich mit dem Bild. Lies den Text und sieh dabei auf das Bild. Streiche alles, was nicht zu sehen ist: erfundene Gegenstände, vermutete Gefühle, behauptete Eigenschaften.
  2. Zweck prüfen. Passt der Text zur Aufgabe des Bildes an dieser Stelle? Ist das Bild dekorativ, bekommt es ein leeres alt und keine Beschreibung.
  3. Fakten ergänzen. Namen, Orte, Produktbezeichnungen und Zahlen kommen aus deinen Unterlagen. Text im Bild gleichst du Wort für Wort ab.
  4. Kürzen und glätten. Floskeln wie „Das Bild zeigt“ streichen, Wiederholungen entfernen, an Länge und Ton der Seite anpassen.
  5. Stichprobe bei Massenverarbeitung. Bei vielen Bildern prüfst du mindestens die wichtigsten Seiten vollständig und den Rest in Stichproben. Häufen sich Fehler bei einem Bildtyp, etwa Diagrammen, prüfst du diesen Typ komplett.

Bildbeschreibung-Generator, Chat-Assistent oder Plugin: drei Wege im Vergleich

Die Tabelle beschreibt die drei Wege als Kategorien. Sie bewertet keine einzelnen Produkte. Die Einstufungen sind unsere Einschätzung, Funktionen einzelner Werkzeuge können abweichen.

KriteriumAllgemeiner Chat-AssistentSpezialisierter Alt-Text-GeneratorCMS-Plugin
Aufwand pro BildHoch: hochladen, Anweisung schreiben, Text kopierenGering: hochladen oder URL angebenSehr gering: läuft beim Upload im CMS
MassenverarbeitungKaum, Bild für BildJe nach Werkzeug per Liste, CSV oder SchnittstelleJe nach Plugin für die ganze Mediathek
KontextbezugHoch, wenn du ihn jedes Mal selbst mitgibstJe nach Werkzeug über Felder für Keywords oder Seiten-URLJe nach Plugin über Einstellungen oder Seiteninhalt
Freiheit bei der TextformSehr hoch, jede Textart möglichAuf Alt-Texte ausgerichtetAuf die Felder des CMS ausgerichtet
Passt zuEinzelbildern, Social Media, Schule, ProdukttextenVielen Bildern außerhalb eines CMSLaufendem Betrieb einer Website

Für alle drei Wege gilt dieselbe Einschränkung: Die Prüfung nimmt dir keines ab.

Wo Bilder Alt einzuordnen ist

Bilder Alt ist unser eigenes Werkzeug, wir haben also ein Eigeninteresse. Es gehört in die zweite und dritte Spalte: ein auf Alt-Texte spezialisierter Generator mit Web-App, in der du ein Bild hochlädst, eine Bild-URL angibst oder eine CSV-Datei verarbeitest. Die Sprache ist wählbar, SEO-Keywords und eine Kontext-URL deiner Website sind optional. Dazu kommen ein WordPress-Plugin, das Alt-Texte beim Upload und gesammelt für die bestehende Mediathek erzeugt, und eine Contao-Erweiterung. Für Social-Media-Texte, Produkttexte oder Schulaufgaben ist es nicht gedacht, dafür ist ein Chat-Assistent der passendere Weg.

Ohne Konto kannst du die kostenlose Demo ausprobieren. Die Abrechnung läuft über Credits ohne Abo: 1 Bild kostet 1 Credit, also 0,01 €. Wie Alt-Texte in die gesamte Bildoptimierung passen, erklärt der Bilder-SEO-Leitfaden. Einen Überblick über Automatisierung in WordPress gibt der Beitrag Alt-Texte automatisch in WordPress.

Häufige Fragen

Kann eine KI ein Bild kostenlos beschreiben?

Das hängt vom Werkzeug ab, die Angebote unterscheiden sich. Bei Bilder Alt gibt es eine Demo ohne Konto und 25 Credits gratis mit Konto. Achte bei jedem Angebot weniger auf den Preis als auf die Bedingungen: Was passiert mit den hochgeladenen Bildern, und passt das zu deinen Inhalten?

Wie genau sind KI-Bildbeschreibungen?

Eine belastbare Trefferquote können wir nicht nennen, sie hängt von Motiv, Bildqualität und Modell ab. Die Hersteller selbst nennen Fehlerquellen: falsche Beschreibungen, Probleme mit kleinem oder gedrehtem Text, ungenaue Mengenangaben. Ohne Prüfung solltest du keinen Text veröffentlichen.

Erkennt die KI Personen auf Fotos?

Sie beschreibt, was zu sehen ist, etwa Kleidung, Haltung und Umgebung. Namen kennt sie nicht. Anthropic schließt das Benennen von Personen für seine Modelle ausdrücklich aus. Namen ergänzt du selbst, wenn es sachlich nötig und zulässig ist.

Ist eine KI-Bildbeschreibung automatisch ein guter Alt-Text?

Nein. Ein Alt-Text hängt vom Zweck des Bildes auf der jeweiligen Seite ab, und dekorative Bilder bekommen ein leeres alt. Eine allgemeine Beschreibung ist oft zu lang und kennt den Kontext nicht. Sie ist ein Entwurf, den du anpasst.

Darf ich Fotos mit Personen in ein KI-Werkzeug hochladen?

Das hängt von deiner Rechtsgrundlage, dem Anbieter und den Verträgen ab. Fotos erkennbarer Personen sind personenbezogene Daten im Sinne der DSGVO. Kläre Anbieter, Speicherdauer und Auftragsverarbeitung, bevor du solche Bilder überträgst. Das ist keine Rechtsberatung.

Machen KI-Alt-Texte meine Website barrierefrei?

Nein. Alt-Texte sind ein Baustein, die WCAG fordern im Erfolgskriterium 1.1.1 Textalternativen für Nicht-Text-Inhalte. Barrierefreiheit umfasst aber viel mehr, etwa Kontraste, Tastaturbedienung und Formulare. Den rechtlichen Rahmen ordnet der Beitrag zu BFSG und Alt-Texten ein.

Fazit und nächster Schritt

KI nimmt dir bei der Bildbeschreibung das leere Blatt ab. Sie liefert in Sekunden einen Entwurf und macht große Bildbestände überhaupt erst bearbeitbar. Die Verantwortung für den Text bleibt bei dir: Kontext mitgeben, Fakten ergänzen, Fehler streichen. Wenn es dir um Alt-Texte für eine Website geht, kannst du Bilder Alt mit 25 Gratis-Credits testen. Hier geht es zur Anmeldung.

Weiterlesen: Screenreader: wie sie Websites und Bilder vorlesen · Alt-Attribut in HTML: Syntax und typische Fehler

Quellen

  • Kontakt

  • BlueBranch GmbH
    Hans-Vogel-Straße 59
    90765 Fürth

  • Telefon: +49 9131 9430090
    E-Mail: hello@bluebranch.de

  • Web: https://www.bluebranch.de