KI-generierte Modelbilder und Kampagnenfotos

Das echte Ausmaß des Problems

Ein Drehtag mit Fotografin, Model, Styling und Studio kostet je nach Standort, Zahl der Models und Umfang der Retusche mehrere tausend Euro. Wir rechnen unten mit 6.000 bis 12.000 Euro als Annahme, setz deinen eigenen Tagessatz ein. Für ein mittelständisches Label mit 150 Styles pro Saison und durchschnittlich drei Farbvarianten bedeutet das theoretisch 450 Produkt-Shots. In der Praxis bekommt nur ein Bruchteil davon echte Modelfotos.

Dass Kleidung am Körper besser verkauft als auf dem Bügel, ist plausibel und in vielen Shops beobachtet. Wie viel besser, ist nicht belastbar beziffert: Eine unabhängige Studie mit einer Zahl für den Modehandel haben wir nicht gefunden. Das misst du am besten selbst, mit dem A/B-Test aus dem Zeitplan unten. Das Problem ist der Preis des Beweises.

Dazu kommt der Trend zu Diversität in der Bildsprache: Kundinnen und Kunden mit nicht-normativem Körperbau oder unterschiedlicher Hautfarbe wollen sich in der Markenwelt wiederfinden. Diverse Shootings, mehrere Models, mehrere Stunden, sind teuer. Kleine Labels schicken also einheitliche Bilder in die Welt, die einen wachsenden Teil ihrer potenziellen Kundschaft nicht ansprechen.

Mit vs. ohne KI, ein ehrlicher Vergleich

Ehrlicher Hinweis: KI-generierte Modelbilder ersetzen das echte Shooting nicht vollständig. Für Kampagnenbilder in Printmagazinen, großformatige Werbung oder hochwertige Lookbooks ist die Qualität noch nicht auf dem Niveau professioneller Fotografie. Der Einsatzbereich, in dem KI heute den größten Hebel hat, ist der E-Commerce-Produktbild: eben das Setting, in dem die meisten Kaufentscheidungen fallen.

Einschätzung auf einen Blick

Zeitersparnis, sehr hoch (5/5)
Kein Shooting-Briefing, keine Modelbuchung, kein Studiotermin, keine mehrtägige Postproduktion. Ein Upload und ein KI-Rendering dauern gemeinsam unter 10 Minuten.

Kosteneinsparung, mittel (3/5)
Je Bild ist KI um Größenordnungen günstiger als ein Shooting, aber gespart wird nur bei Bildern, die sonst geshootet worden wären. Das Kern-Shooting für Hauptprodukte, Lookbooks und Kampagnenmotive bleibt. Wie viel vom Shooting-Budget wegfällt, hängt daran, wie viele Varianten du bisher fotografiert hast. Wer bisher nur Packshots zeigte, spart nichts, sondern gibt wenig Geld für bessere Bilder aus. Andere Use Cases in der Kategorie haben direktere Kostenhebel.

Schnelle Umsetzung, sehr hoch (5/5)
Account erstellt, Produktfoto hochgeladen, erste Bilder in einer Stunde. Kein komplexes Onboarding, keine IT-Abteilung, keine Datenintegration. Einer der zugänglichsten Einstiege der Kategorie, die rechtliche Prüfung kommt allerdings dazu.

ROI-Sicherheit, mittel (3/5)
Die Kosteneinsparung ist klar messbar. Was schwerer zu messen ist: ob KI-Bilder die gleiche Conversion Rate wie echte Modelshots erzielen, und ob die Retouren steigen, wenn das Bild die Ware anders zeigt, als sie ist. Belastbare Zahlen dazu fehlen, das hängt stark von Produkttyp, Zielgruppe und Bildqualität ab. Wer keinen A/B-Test zwischen KI-Bild und Foto macht, kann den Effekt nicht beziffern.

Skalierbarkeit, sehr hoch (5/5)
Das gleiche Tool produziert zehn Bilder genauso wie zehntausend. Ob 50 Styles oder 500 Farbvarianten, die Skalierung kostet proportional mehr Tool-Credits und Prüfzeit, aber keinen proportionalen Produktionsaufwand.

Richtwerte, abhängig von Sortimentsbreite, Qualitätsanspruch und Verhältnis KI-Bilder zu echten Shootings.

Was KI-Modelbilder konkret machen

Es gibt zwei technisch unterschiedliche Ansätze, die verschiedene Stärken haben.

Image-to-Image-Transformation (FASHN.ai, wearview.co) nimmt ein vorhandenes Produktfoto, idealerweise ein freistehender Packshot oder ein Shot auf einem Kleiderbügel, und legt das Kleidungsstück per Computer Vision auf ein virtuelles Model. Die KI analysiert das Kleidungsstück, modelliert Schnitt und Materialverhalten und passt es auf die gewählte Körperform an. Das Ergebnis ist ein Foto, das so aussieht als wäre das Kleidungsstück an einem echten Model aufgenommen worden, in der gewünschten Pose, Umgebung und mit dem gewünschten Look.

Text-to-Image-Generierung ( Midjourney , Adobe Firefly, Runway ) funktioniert umgekehrt: Du beschreibst per Prompt, was entstehen soll, “Frau, 35 Jahre, hellbraune Haut, trägt ein cremefarbenes Leinenkleid, Strandpromenade, Tageslicht”, und die KI generiert ein Bild. Das Problem für E-Commerce: Das generierte Kleidungsstück sieht nie exakt wie dein Produkt aus. Dieser Ansatz funktioniert gut für Kampagnen-Atmosphärebilder, nicht für Produktshots, bei denen das genaue Kleidungsstück erkennbar sein muss.

Für die meisten Mode-E-Commerce-Anwendungen ist Image-to-Image der praktisch nützlichere Ansatz.

Rechtliche Besonderheiten, was du wissen musst

Das ist der kritische Teil, den viele Anbieter wegschweigen. In Deutschland gibt es drei rechtliche Dimensionen, die du klären musst, bevor du KI-Modelbilder kommerziell einsetzt.

Urheberrecht an KI-generierten Bildern: Nach deutschem Recht sind KI-generierte Bilder in den meisten Fällen nicht urheberrechtlich geschützt, weil kein menschlicher Urheber vorliegt. Das ist eine zweischneidige Situation: Du kannst sie verwenden, aber auch andere könnten das. Für E-Commerce-Produktfotos ist das meist kein Problem. Für Kampagnenbilder, die du schützen willst, ist das eine echte Einschränkung.

Persönlichkeitsrechte virtueller Models: Wenn KI-generierte Models echten Menschen sehr ähnlich sehen, sei es durch Training auf realen Fotos oder durch Zufall, können Persönlichkeitsrechte verletzt werden. Frag den Anbieter, wie die Model-Gesichter entstehen. Wer bei FASHN.ai im Agency-Plan eigene Gesichter hochlädt, braucht die Einwilligung der abgebildeten Person. Lass generierte Bilder vor dem Massengebrauch intern auf Ähnlichkeiten mit bekannten Personen prüfen.

Kennzeichnungspflicht: Seit dem 2. August 2026 gilt Art. 50 der KI-Verordnung. Anbieter wie FASHN.ai müssen erzeugte Bilder maschinenlesbar als KI-generiert markieren (Abs. 2). Du als Betreiber musst Deepfakes offenlegen (Abs. 4). Ein Deepfake ist nach Art. 3 Nr. 60 ein KI-erzeugtes Bild, das wirklichen Personen, Gegenständen oder Orten ähnelt und fälschlich als echt erscheinen würde. Ein fotorealistisches Model mit deinem echten Produkt kann genau das sein, geklärt ist es für Produktbilder nicht.

Irreführung: Unabhängig von der KI-Verordnung gilt § 5 UWG. Zeigt das Bild die Ware anders, als sie ist, etwa blickdicht statt transparent, mit anderem Fall oder in anderer Farbe, ist das eine irreführende geschäftliche Handlung. Lass Kennzeichnung und Bildfreigabe von einer Anwältin für Wettbewerbs- oder Medienrecht prüfen.

Konkrete Werkzeuge, was wann passt

FASHN.ai , Spezialisiert auf virtuelle Model-Anprobe für Mode-E-Commerce. Nimmt ein Produktfoto und generiert Modelshots mit wählbaren Körpertypen, Hautfarben und Settings. 10 Gratis-Credits zum Testen, Basic 19 USD/Monat (200 Credits), Pro 49 USD/Monat (750 Credits). Am besten für unkomplizierte Teile (Jersey-Shirts, schlichte Kleider, glatte Webware), bei komplexen Materialien wie transparenten Stoffen oder feiner Strickware variiert die Qualität. Verarbeitung laut Datenschutzerklärung in den USA und der EU, eine EU-Region ist nicht zugesichert.

Midjourney , Höchste Bildqualität für atmosphärische Kampagnenbilder. Kein direktes Produktfoto-Mapping, sondern Text-to-Image. Geeignet für Lookbook-Atmosphäre, Social-Media-Hintergründe, Inspirationsbilder, nicht für präzise Produktshots. Ab 10 USD/Monat, keine kostenlose Version, US-Datenhaltung.

Runway , Stärker in der Video-Dimension: Produktshots können in kurze Clips verwandelt, Hintergründe per KI ausgetauscht werden. Für Labels, die Social-Media-Video-Content brauchen, ohne teures Video-Shooting. Freemium-Modell, US-Datenhaltung.

Adobe Firefly , Laut Adobe auf lizenzierten Inhalten trainiert, gut in Photoshop integriert, aber für Fashion-spezifische Model-Anprobe weniger spezialisiert als FASHN.ai. US-Datenhaltung, EU-Hosting nur über separate Enterprise-Verträge. Sinnvoll, wenn das Team bereits in der Adobe Creative Suite arbeitet.

Zusammenfassung:

• Farbvarianten für Produktseiten → FASHN.ai
• Kampagnen-Atmosphärebilder und Social Media → Midjourney
• Video-Content für Social Media → Runway
• Team in Adobe-Workflow → Adobe Firefly

Datenschutz und Datenhaltung

Wenn du Produktfotos an KI-Plattformen überträgst, überträgst du in der Regel keine personenbezogenen Daten, Produktfotos auf weißem Hintergrund sind DSGVO-neutral. Problematisch wird es nur, wenn Fotos erkennbare Personen zeigen (z.B. Mitarbeiterfotos, die als Basis dienen).

Midjourney, Runway und Adobe Firefly verarbeiten in den USA, FASHN.ai laut Datenschutzerklärung in den USA und der EU ohne zugesicherte EU-Region. Für reine Produktbilderstellung ohne Personendaten ist das DSGVO-Risiko gering. Einen AVV brauchst du formal immer dann, wenn die Möglichkeit besteht, dass personenbezogene Daten verarbeitet werden, also dann, wenn Fotos Menschen zeigen.

Wer zwingend EU-Hosting braucht, bekommt es bei Adobe Firefly nur über einen Enterprise-Vertrag.

Wichtig: FASHN.ai schließt laut Datenschutzerklärung das Training mit hochgeladenen und erzeugten Bildern aus. Bei anderen Tools können deine Bilder ins Modell-Training fließen, wenn du nicht widersprichst. Prüfe die AGB deines Tools.

Was es kostet, realistisch gerechnet

Vergleichsbasis: klassisches Shooting für Farbvarianten
Ein Drehtag mit professioneller Fotografin, Model, Studio in Düsseldorf: 6.000–12.000 Euro als Annahme, setz deinen eigenen Tagessatz ein. Davon entfallen auf Produktshots inkl. Retusche: ca. 80–150 Euro pro einzelnem Shot.

KI-Kosten:
FASHN.ai Pro: 49 USD/Monat für 750 Monats-Credits, also 49 geteilt durch 750, rund 6,5 US-Cent je Credit. Wie viele Credits ein Bild braucht, hängt von Funktion und Auflösung ab. Selbst bei mehreren Credits je Bild und 30 Prozent Ausschuss bleibt ein brauchbares Bild im Cent-Bereich.

Realistisches ROI-Szenario:
Label mit 200 Farbvarianten pro Saison. Bisher: 50 Varianten bekommen Modelfotos (Shooting), 150 bekommen Packshots. Mit KI: alle 200 bekommen Modelfotos. Mehrkosten: 49 USD/Monat für FASHN.ai Pro plus 5–8 Stunden Prüfung und Auswahl je Saison. Gespart wird dabei nichts, das Shooting für die 50 Hauptvarianten bleibt.

Der Nutzen liegt in besseren Bildern für 150 Varianten. Wie viel das bringt, zeigt nur ein A/B-Test, eine belastbare Branchenzahl gibt es nicht. Rechne dann nicht mit dem Mehrumsatz, sondern mit dem Deckungsbeitrag der Ware, die behalten wird: Zeigt das KI-Bild Passform oder Stoff falsch, steigen die Retouren und fressen den Effekt. Die Tool-Kosten von 12 mal 49 USD im Jahr holen schon wenige zusätzlich behaltene Teile im Monat herein.

Einmalige Einrichtungszeit: unter einen Tag, dazu eine kurze Rechtsberatung zu Kennzeichnung und Bildrechten.

Drei typische Einstiegsfehler

Fehler 1, Alle Produkte auf einmal mit KI bebildern, ohne Qualitätsprüfung
Die Qualität von KI-generierten Modelshots variiert stark mit Produkttyp und Ausgangsfoto. Komplexe Muster, transparente Materialien oder feine Strickmuster werden schlechter wiedergegeben als schlichte Jersey-Kleider. Wer ohne Qualitätsprüfung hunderte Bilder in den Shop lädt, riskiert Produkte, die schlechter aussehen als der ursprüngliche Packshot. Starte mit einem Testbatch von 20–30 Produkten, prüfe die Qualität, und entscheide dann, welche Kategorien geeignet sind.

Fehler 2, Das echte Shooting komplett streichen
KI-Modelbilder sind ein Ergänzungs-, kein Ersatztool. Hauptkampagnen, Lookbook-Fotos und Bilder für Printanzeigen brauchen weiterhin echte Fotoproduktionen. Wer das Budget für das Kern-Shooting streicht und alles auf KI setzt, verliert die Bildsprache und Markenwirkung, die ein professionelles Shooting schafft. Der sinnvolle Einsatz: KI für Farbvarianten und saisonale Updates, echter Fotograf für die Kampagnen-Hero-Shots.

Fehler 3, Rechtliche Prüfung ignorieren
Nicht jede Plattform ist gleich sauber in Bezug auf Urheberrecht der Trainingsdaten. Und seit dem 2. August 2026 gilt Art. 50 KI-Verordnung. Wer alle Produktbilder ohne Kennzeichnung auf KI umstellt und später nachkennzeichnen muss, hat unnötige Arbeit. Sprich kurz mit einem Medienrechtler, ein einstündiges Beratungsgespräch reicht meist für Klarheit.

Was mit der Einführung wirklich passiert

Der erste Widerstand kommt meist vom Kreativteam oder von der zuständigen Fotografin: Verständlich, das Tool verändert ihre Arbeitsweise. Das hilft: Den Fokus auf die unattraktive Seite des bisherigen Prozesses lenken, die 150 Farbvarianten, die heute schlechte Packshots bekommen und entsprechend schlechter konvertieren. KI befreit das Kreativteam von den unkreativen Teilen des Jobs (Variantenshots auf weißem Hintergrund), damit mehr Budget und Zeit für die kreativen Kampagnen-Shots bleiben.

Der zweite Widerstand kommt von der Qualitätsfrage. Mitarbeitende werden die ersten KI-Bilder mit frischem, kritischem Blick ansehen und jede Unvollkommenheit sofort erkennen, vor allem, weil sie wissen, dass es KI ist. Teste daher: Zeige einem Kollegen zehn Produktbilder gemischt aus KI und echter Fotografie ohne Label, wie oft erkennt er den Unterschied? Oft weniger zuverlässig als erwartet.

Typische Adoptionskurve: Erste Woche, Skepsis, aber erste Ergebnisse überraschend gut. Erster Monat, Routineverteilung etabliert sich (KI für Varianten, Shooting für Hero-Shots). Nach einem Quartal, Team fordert mehr KI-Kapazität, weil Zeit- und Kostenersparnis spürbar ist.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Kunden merken sofort, dass das KI ist, das schadet der Marke.”
Ob deine Kundinnen KI-Modelfotos erkennen, testest du mit dem Blindtest aus dem Abschnitt zur Einführung. Vorsicht mit dem Argument, dass es niemand merkt: Gerade dann erscheint das Bild fälschlich als echt, und genau dann greift die Offenlegungspflicht für Deepfakes. Das Ziel ist ein Bild, das die Ware richtig zeigt und die Kaufentscheidung informiert. Für Premium- und Luxusmarken mit starkem Markenimage-Fokus ist die Zurückhaltung berechtigt, dort ist das Shooting selbst Teil der Markenbotschaft.

“Wir müssen dann alle Bilder als KI kennzeichnen, das schreckt ab.”
Seit dem 2. August 2026 verlangt Art. 50 Abs. 4 KI-Verordnung, Deepfakes offenzulegen. Ob ein Modelbild mit echtem Produkt darunterfällt, ist nicht geklärt. Ein Hinweis wie “Model KI-generiert, Ware echt” schreckt nach unserer Einschätzung weniger ab als eine Retoure, weil das Kleid anders fällt als im Bild. Lass die Frage klären, bevor du hunderte Bilder live stellst, aber lass sie die Entscheidung nicht blockieren.

Woran du merkst, dass das zu dir passt

Das passt:

• Du hast regelmäßig Farbvarianten, die aus Budgetgründen ohne Modelshot bleiben
• Dein Shooting-Budget ist ein chronischer Engpass in der Produktvermarktung
• Deine Produkte sind hauptsächlich einfache Webwaren oder Jersey-Artikel, diese funktionieren am besten

Das passt noch nicht:

• Deine Kernmarke ist Luxus oder Premium, hier ist das Shooting Teil der Markenbotschaft, nicht nur Mittel zum Zweck
• Du verkaufst hauptsächlich komplexe Materialien: transparente Stoffe, feine Strickwaren, stark strukturierte Stoffe, die KI-Qualität ist hier noch ungleichmäßig
• Du hast keine Person, die die KI-Ergebnisse vor dem Live-Gang qualitätsprüft, ungeprüfte KI-Bilder können die Conversion verschlechtern statt verbessern
• Dein Produktangebot ist unter 30 Styles pro Saison, der Skaleneffekt rechtfertigt den Aufwand kaum

Das kannst du heute noch tun

Erstelle einen kostenlosen Account auf fashn.ai und lade drei Produktfotos aus verschiedenen Kategorien hoch, am besten eines aus simplem Material (Jersey-Kleid), eines mit Muster und eines mit komplexem Stoff. Das Testergebnis zeigt dir in einer Stunde, wo KI für euer Sortiment sinnvoll einsetzbar ist und wo nicht.

Für einen ersten Eindruck, wie du das Ergebnis evaluieren kannst:

Quellen & Methodik

• KI-Verordnung (EU) 2024/1689, Art. 3 Nr. 60 und Art. 50 Abs. 2 und 4: Begriff des Deepfakes, Markierungspflicht der Anbieter, Offenlegungspflicht der Betreiber, anwendbar seit 2. August 2026 (artificialintelligenceact.eu, abgerufen am 19.09.2026)
• § 5 UWG, Irreführende geschäftliche Handlungen: Beschaffenheit der Ware als wesentliches Merkmal (gesetze-im-internet.de, abgerufen am 19.09.2026)
• Preise und Datenhaltung FASHN.ai, Midjourney, Runway, Adobe Firefly: unsere Toolseiten, Stand September 2026
• Laudert.com, Image to Model: Realistische Modelaufnahmen mit KI, 2024, Praktische Erfahrungsberichte zu KI-Modelbildern in der Modebranche
• Eigene Einschätzung, ROI-Szenarien und Qualitätsbewertungen basieren auf öffentlich verfügbaren Praxisberichten; keine repräsentative Studie