5. September 2026
Verformte Hände und unleserlicher Text: warum die KI genau daran scheitert und wie Sie sich helfen
Der eigentliche technische Grund hinter den sechs Fingern und den erfundenen Wörtern, die Modelle, die heute korrekt schreiben, und die Methode aus Bildausschnitt und Retusche, die die meisten Fälle löst, ohne zehn weitere Generierungen zu starten.
Frank HoubreGründer von Imaginode
Die zwei Fehler, die ein KI-Bild in einer Sekunde verraten
Hände und Text scheitern aus gegensätzlichen Gründen: Hände sind zu variabel, um sauber gelernt zu werden, Text verlangt eine symbolische Präzision, die das Modell nie übt.
Sie zeigen jemandem Ihr Bild. Es ist schön, das Licht stimmt, die Figur steht aufrecht. Und die Person schaut auf die Hand, zählt die Finger, und liest dann das Ladenschild im Hintergrund, auf dem so etwas steht wie BÄCKEREL.
Diese beiden Fehler sind die erkennbarsten Signaturen der Bildgenerierung, und sie sind zu dem Test geworden, den alle anwenden. Frustrierend ist, dass sie neben ansonsten hervorragenden Bildern stehen: ein Porträt mit perfektem Korn, ruiniert von einer Hand mit sechs Fingern.
Die gute Nachricht ist, dass die beiden Probleme unterschiedliche Ursachen und damit unterschiedliche Lösungen haben. Und dass 2026 eines von beiden weitgehend gelöst ist, wenn Sie das richtige Modell nehmen. Wir sehen uns an, warum es schiefgeht, und dann genau, was zu tun ist.
Warum Hände scheitern: was das Modell wirklich gelernt hat
Eine Hand hat über zwanzig Gelenke, erscheint auf den meisten Trainingsfotos winzig und teilweise verdeckt, und nimmt je nach Winkel sehr verschiedene Formen an: das Modell hat davon einen unscharfen Durchschnitt gelernt.
Ein Gesicht, das sind zwei Augen, eine Nase, ein Mund, immer in derselben Reihenfolge, fast immer frontal oder im Dreiviertelprofil, und oft das größte Element des Fotos. Ein Modell sieht das hunderte Millionen Mal unter vergleichbaren Bedingungen. Es lernt sehr gut.
Eine Hand ist in jedem Punkt das Gegenteil. Über zwanzig Gelenke, also explodiert die Zahl der möglichen Stellungen. Sie ist klein im Bild, oft unscharf, weil sie sich bewegt, regelmäßig hinter einem Gegenstand, einem Kleidungsstück oder der anderen Hand verborgen. Und je nach Winkel ergibt dieselbe Hand Silhouetten, die nichts miteinander zu tun haben.
Das Ergebnis: Das Modell liefert den Durchschnitt der Hände, so wie es Ihnen den Durchschnitt der Drachen liefert, wenn Sie einen Drachen verlangen. Nur bleibt ein Drachendurchschnitt glaubwürdig, niemand hat einen gesehen, während ein Händedurchschnitt jedem sofort ins Auge springt. Und nichts in seiner Funktionsweise sagt ihm, dass ein Finger zu viel ein Fehler ist: Es hat keine Regeln, es hat Wahrscheinlichkeiten.
Warum Text scheitert: das Modell zeichnet, es buchstabiert nicht
Ein Bildmodell erzeugt Pixel für Pixel plausible Formen, ohne eine Repräsentation von Buchstaben als Symbolen: es fabriziert also etwas, das wie Schrift aussieht, statt Schrift.
Text ist ein Problem anderer Natur. Ein Bildmodell kennt das Alphabet nicht. Es weiß nicht, dass ein B ein B ist und vor einem C kommt. Es hat Milliarden Bilder mit Zonen gesehen, die wie Text aussehen, und hat gelernt, Zonen zu erzeugen, die wie Text aussehen.
Deshalb haben die Fehlschläge dieses charakteristische Aussehen: Es ist nie kompletter Kauderwelsch, es ist fast richtig. Die richtigen Proportionen, die richtige Laufweite, die richtige Schrift, und zwei erfundene Buchstaben mittendrin. Das Modell hat perfekt geschafft, was es wirklich tat, nämlich eine typografische Textur zu zeichnen.
Dazu kommt, dass Text in einem Bild oft winzig ist im Vergleich zum Rest. Das Modell verteilt seine Aufmerksamkeit auf das, was den Rahmen füllt. Ein Schild von zwanzig Pixeln Höhe bekommt nicht die Sorgfalt, die es bräuchte, und genau da verliert BÄCKEREI unterwegs einen Buchstaben.
Was sich beim Text wirklich geändert hat
Neuere Modelle mit starkem Sprachverständnis schreiben kurzen Text zuverlässig korrekt: das Textproblem ist heute ein Problem der Modellwahl.
Das ist der Punkt, den viele nicht aktualisiert haben, weil sie sich 2023 eine Meinung gebildet und nie wieder geöffnet haben. Text im Bild funktioniert jetzt, vorausgesetzt Sie holen das richtige Modell hervor.
Modelle, die zuerst Sprachmodelle sind und danach zeichnen, haben einen strukturellen Vorteil: Sie wissen, was ein Wort ist, bevor sie es zeichnen. Nano Banana Pro stützt sich auf Gemini 3 Pro und beherrscht Text im Bild und präzises Layout. GPT Image 2 hat genau dasselbe Profil: seine Stärke ist nicht die Textur, sondern der Gehorsam, und es schreibt kurzen Text sauber.
Daneben kommt Recraft V4.1 aus der Designwelt und integriert kurzen Text sauber in eine grafische Komposition, was es zum ersten Reflex für ein Plakat oder ein Logo macht. Und Flux 2 Max hält den Text eine Stufe über Flux 2 Pro, wenn Fotorealismus mit einem lesbaren Schild darin gefragt ist.
Die Modelle, die man bei Text nicht nehmen sollte
Schnelle und billige Modelle liefern sehr gute Bilder, ohne schreiben zu können: Flux Schnell für 1 Credit bleibt unschlagbar zum Erkunden, unbrauchbar für ein Visual, das ein Wort trägt.
Folge aus dem vorigen Absatz, und die, die am meisten Credits kostet. Flux Schnell für 1 Credit ist perfekt, um eine Komposition zu erkunden, einen Bildausschnitt zu testen, eine Stimmung zu bestätigen. Es wird Ihren Slogan nicht korrekt schreiben, und fünfzehn weitere Versuche ändern daran nichts.
Der teure Reflex ist, beim Modell vom Anfang zu bleiben. Sie sind bei der zwölften Generierung, haben zwölf Credits für nichts ausgegeben, während ein Wechsel auf ein Modell, das schreiben kann, das Problem beim ersten Mal für 8 oder 19 Credits gelöst hätte.
Starten Sie dasselbe Modell bei einem Textfehler nie öfter als dreimal. Wenn drei Versuche es nicht schaffen, kann das Modell es nicht, und nicht Sie haben schlecht gefragt. Wechseln Sie das Modell, das ist alles.
Wie man die Anweisung schreibt, damit der Text stimmt
Setzen Sie den exakten Text in Anführungszeichen, verlangen Sie ausdrücklich, dass er genau so geschrieben erscheint und kein anderes Wort auftaucht, und bleiben Sie bei wenigen Wörtern.
Die Formulierung zählt so viel wie das Modell. Schreiben Sie den exakten Text in Anführungszeichen in Ihren Prompt, und fügen Sie dann einen Satz hinzu, der ihn festzurrt: muss erscheinen, genau so geschrieben, perfekt lesbar, kein anderes Wort. Ohne diesen Satz fügt das Modell bereitwillig einen selbst erfundenen Zusatz unter Ihren Titel.
Zweite Regel: bleiben Sie kurz. Ein Markenname, ein Slogan aus fünf Wörtern, ein Datum. Einen ganzen Absatz in einem Bild schafft heute kein Modell sauber, und grafisch ist es ohnehin keine gute Idee. Langer Text kommt in die Montage oder in ein Layoutprogramm, nicht in die Generierung.
Dritte Regel: geben Sie ihm Platz. Verlangen Sie ausdrücklich, dass der Text eine große, kontrastreiche Fläche einnimmt. Ein Modell, das sechs Buchstaben auf ein Schild am Ende der Straße schreiben soll, scheitert dort, wo es einen formatfüllenden Titel schafft. Das ist dieselbe Logik wie bei jeder Anweisung, und das Thema wird ausführlicher behandelt in einen Prompt schreiben, der funktioniert.
Die Hände: drei Entscheidungen beim Bildausschnitt, die das Wesentliche lösen
Schneiden Sie oberhalb der Hände an, beschäftigen Sie sie mit einem Gegenstand, oder holen Sie sie aus der Schärfeebene: diese drei Entscheidungen beseitigen die meisten Fehlschläge, ohne einen Credit zu kosten.
Bei Händen hat niemand eine Wunderlösung, und ich erfinde Ihnen auch keine. Neuere Modelle kommen deutlich besser damit zurecht als vor zwei Jahren, aber keines garantiert jedes Mal fünf Finger. Was funktioniert, ist, ihnen nicht die schwerste Übung abzuverlangen.
Erste Entscheidung: der Bildausschnitt. Eine Brustaufnahme oder eine Gesichtsnahaufnahme beseitigt das Problem konstruktiv. Schauen Sie sich professionelle Werbefotografie an, sie schneidet viel öfter oberhalb der Hände an, als man denkt. Der Kamera-Node lässt Sie diesen Ausschnitt sauber festlegen, statt darauf zu hoffen.
Zweite Entscheidung: beschäftigen Sie die Hand. Eine Hand, die eine Tasse, ein Telefon, einen Stift, ein Lenkrad hält, egal was, ist eine Hand, deren Position durch den Gegenstand erzwungen wird, und Modelle gelingen diese Konfigurationen viel besser als eine offene Hand im Leeren. Dritte Entscheidung: holen Sie sie aus der Schärfezone. Eine Blende von f/1.4 im Kamera-Node legt die Hände in die Hintergrundunschärfe, und ein unscharfer Finger wird nicht gezählt.
Die Handlung beschreiben statt der Anatomie
Finger im Prompt zu zählen funktioniert nicht: das Modell zählt nicht, man muss die Geste beschreiben, was die Hand hält und wie sie es hält.
Der universelle Reflex ist, fünf Finger in den Prompt zu schreiben. Das funktioniert nicht und wird nicht funktionieren, weil das Modell über keinerlei Zählmechanismus verfügt. Sie können genau fünf Finger schreiben, eine anatomisch korrekte Hand, es hat keine Regel anzuwenden.
Was funktioniert, ist, die Szene so zu beschreiben, dass die Stellung implizit ist. Beide Hände flach auf dem Tisch. Eine Hand um den Henkel einer Tasse geschlossen. Die Arme verschränkt. Die Hände in den Taschen. Sie beschreiben eine Konfiguration, die das Modell millionenfach in stabiler Stellung gesehen hat, und es gibt sie wieder.
Es ist dasselbe Prinzip wie bei allem anderen: Man erreicht viel mehr, indem man eine konkrete Situation beschreibt, als indem man dem Modell abstrakte Vorgaben macht. Eine Handlung beschreiben, das kann es. Eine numerische Vorgabe befolgen, das kann es nicht.
Reparieren statt neu starten: die gezielte Bearbeitung
Ein Bearbeitungsmodell nimmt Ihr Bild und ändert nur, was Sie beschreiben: eine Hand zu korrigieren kostet ein paar Credits gegenüber einer kompletten Neugenerierung und einem neuen Bildausschnitt, den man wieder prüfen muss.
Das ist die Gewohnheit, die alles ändert, und die, die Anfänger nicht haben. Wenn ein Bild zu 95 Prozent gut ist, startet man nicht neu. Man repariert.
Flux Kontext für 6 Credits startet nie bei null: Es verlangt ein Eingangsbild und wandelt es auf Anweisung um, wobei es bewahrt, was reine Generierungsmodelle zufällig neu zusammensetzen würden. Sie geben ihm Ihr Bild und beschreiben nur, was sich ändern soll: korrigiere die linke Hand, sie soll die Tasse am Henkel halten, ändere sonst nichts.
Nano Banana 2 für 10 Credits leistet dieselbe Arbeit mit einem Verständnis für zusammengesetzte Anweisungen, und GPT Image Mini für 2 Credits ist die günstigste Option des Katalogs für eine einfache Retusche. In jedem Fall muss die zweite Hälfte Ihrer Anweisung auflisten, was sich nicht bewegt: Gesicht, Pose, Ausschnitt, Licht, Kulisse. Ohne diese Liste gibt Ihnen das Modell ein anderes Bild zurück, ein sehr gutes, aber ein anderes.
Der Zoom vor der Lieferung, die Kontrolle, die alle überspringen
Fehler sieht man bei hundert Prozent, nicht auf einer Miniatur: das Bild vor der Lieferung zu vergrößern kostet 12 Credits und erspart den Fehler, der erst im Druck auffällt.
Ein generiertes Bild wird auf einer Canvas-Miniatur betrachtet, freigegeben und verschickt. Drei Wochen später ist es in A2 gedruckt und die Hand hat sechs Finger. Mir ist das passiert, und ein einziges Mal genügt, um sich die Gewohnheit anzueignen.
Die Kontrolle dauert zwei Minuten. Sie öffnen das Bild groß und gehen drei Zonen der Reihe nach ab: die Hände, alles mit Text darin einschließlich der Hintergründe, dann die Augen und die Zähne. Diese drei Durchgänge fangen nahezu alle Fehler ab.
Für ein Visual, das in den Druck geht, vergrößert der Verbessern-Node mit Topaz Precision für 12 Credits sauber und legt nebenbei offen, was die niedrige Auflösung verborgen hat. Es ist dasselbe Werkzeug wie in ein Foto scharf machen beschrieben, und es dient ebenso als Kontrolllupe wie als Vergrößerer.
Die anderen Details, die ein KI-Bild verraten
Zu regelmäßige Zähne, Schmuck, der sich verdoppelt, unstimmige Stoffmuster, Spiegelungen, die zu nichts passen: dieselben Ursachen erzeugen andere Fehler, weniger bekannt, aber genauso sichtbar.
Hände und Text stehen im Rampenlicht, aber dieselbe Mechanik erzeugt weitere Fehlschläge. Die Zähne, oft zu zahlreich und zu regelmäßig, weil sie klein und repetitiv sind. Schmuck und Brillen, die sich an den Bügeln verdoppeln. Stoffmuster, Streifen oder Karos, die in eine Richtung laufen und dann mitten im Kleidungsstück in eine andere.
Spiegelungen sind ein Sonderfall und sehr aufschlussreich: In einem Spiegel oder einem Schaufenster zeichnet das Modell etwas, das wie eine Spiegelung aussieht, ohne zu prüfen, ob sie zur Szene passt. Schauen Sie sich die Scheiben hinter Ihren Figuren an, Sie werden dort regelmäßig Dinge finden, die nirgends im Bild existieren.
Und Menschenmengen, wo die Gesichter im Hintergrund beunruhigend werden, sobald man hineinzoomt. Auch hier ist der Reflex derselbe: ein Ausschnitt, der das Problem vermeidet, oder eine gezielte Bearbeitung, die es korrigiert. Genau diese Punkte gehe ich in die Anfängerfehler bei generativer KI durch.
Das Vorgehen, kurz gefasst
Wählen Sie ein Modell, das schreibt, wenn Text im Spiel ist, schneiden Sie so an, dass offene Hände wegfallen, reparieren Sie per Bearbeitung statt neu zu starten, und kontrollieren Sie groß, bevor Sie liefern.
Beim Text ist das Problem gelöst und es ist eine Frage des Modells: Nano Banana Pro, GPT Image 2 oder Recraft für Grafisches, Flux 2 Max, wenn Fotorealismus mit Text darin gefragt ist. Exakter Text in Anführungszeichen, Satz zum Festzurren, höchstens ein paar Wörter.
Bei den Händen ist kein Modell perfekt, und die Antwort liegt in der Inszenierung: oberhalb anschneiden, die Hand mit einem Gegenstand beschäftigen, oder sie aus der Schärfeebene holen. Beschreiben Sie die Geste, nie die Zahl der Finger. Und wenn ein Bild zu 95 Prozent gut ist, reparieren Sie es mit einem Bearbeitungsmodell, statt von vorn anzufangen.
Um all das zu testen, ohne ein Budget zu verbrennen, erkunden Sie für 1 Credit bei Flux Schnell und gehen erst bei der gewählten Komposition auf ein Modell für 8 oder 19 Credits. Der genaue Preis steht vor jedem Klick auf dem Button, und die vollständige Tabelle finden Sie hier.