KI-Fashion-Visuals 2026: Stand & Lücken

Vor einem Jahr hieß es noch: Wer aus einem Flat-Lay ein brauchbares On-Model-Bild machen wollte, brauchte eine tolerante Marke, einen sorgfältigen Retuscheur und ein paar Iterationsrunden. Im Jahr 2026 dauert dieselbe Aufgabe Sekunden. Die Technologie hat das Katalogproblem endlich eingeholt, das die meisten E-Commerce-Teams tatsächlich haben.

Eines lässt sich klar sagen: Drei Dinge sind heute Standard. Vier sind weiterhin schwierig. Wer beides unterscheiden kann, wählt eine Plattform, die den eigentlichen Engpass löst, statt einer, die im Demo nur eindrucksvoll wirkt.

Was sich im letzten Jahr verändert hat

Die wichtigste Entwicklung: Die Lücke zwischen "KI-Bilder sehen nach KI aus" und "KI-Bilder sehen aus wie ein Shoot" hat sich geschlossen. Nicht für jedes Kleidungsstück, nicht in jedem Szenario, aber genug, dass Marken vorsichtige Piloten beendet und KI in Produktionskataloge übernommen haben.

Geschwindigkeit und Kosten

Ein Flat-to-Model-Bild zu erstellen ging von einem mehrtägigen Briefing (Modelbuchung, Studiozeit, Fotograf, Retusche) auf Sekunden Rechenzeit. Die Kosten pro Bild sanken um etwa eine Größenordnung, und der Effekt zeigt sich am deutlichsten im langen Schwanz des Markenkatalogs: jenen SKUs, die nie ein volles Shoot rechtfertigten, aber trotzdem anständige Bilder auf der PDP brauchen. Die zugrunde liegende Wirtschaftlichkeit haben wir Anfang dieses Jahres im Vergleich KI vs. klassisch behandelt.

Skalierung

Die zweite Verschiebung war operativ. Batch-Pipelines verwandeln heute einen Flat-Lay-Katalog mit Hunderten oder Tausenden Kleidungsstücken in einem einzigen Nachtlauf in On-Model-Varianten. Vordefinierte Presets sperren Licht, Pose, Bildausschnitt und Styling, sodass das Ergebnis als ein konsistentes Set wirkt und nicht als tausend Einzelstücke. Über diesen Übergang haben wir in Skalierung der Produktfotografie: Von 10 SKUs zu 10.000 geschrieben.

Vielfalt und Zugänglichkeit

Casting war früher ein Budgetposten. 2025-26 macht eine Identitätsbibliothek mit über 50 fertigen Modellen plus die Möglichkeit, eigene hochzuladen, Repräsentation zu einer operativen, nicht zu einer finanziellen Entscheidung. Marken können auch Botschafter mit besonderen Merkmalen zeigen, ohne ein Shoot neu zu buchen. Wie das in der Praxis aussieht, zeigt unsere Vitiligo-Case-Study.

Nachhaltigkeit

Die CO₂-Differenz ist groß genug geworden, um für das Scope 3 Reporting zu zählen. Flüge, Studioenergie und Musterlogistik bei einem Katalog-Refresh einzusparen verändert die Rechnung materiell. Wir sind dem ausführlich in Die CO₂-Kosten eines Fashion-Shoots nachgegangen.

Dasselbe gilt für angrenzende Workflows (Neubesetzung vorhandener Bilder, Erstellung sauberer Packshots), aber der Sprung bei Flat-to-Model ist derjenige, den die meisten Katalogteams direkt gespürt haben. Ein Flat-Lay, das das Studio bereits hat, wird in Sekunden zu einem On-Model-Render, mit gewählter Identität, in gewählter Umgebung, in gewähltem Volumen.

Die Veränderung ist leichter zu erkennen, wenn man die Dimensionen nebeneinander stellt. Über die Achsen, die für einen E-Commerce-Katalog relevant sind, steht das Feld heute so:

Dimension	Vor einem Jahr	Im Jahr 2026	Weiterhin schwierig
Geschwindigkeit pro Bild	Tage (Buchung + Shoot + Retusche)	Sekunden	—
Kosten pro Bild	$50–200+ pro Frame	Cent bis wenige Dollar	—
Katalogumfang	Hunderte pro Saison	Tausende pro Tag im Batch	—
Vielfalt der Modelle	Begrenzt durch Castingbudget	50+ fertige Modelle + eigene Uploads	—
Nachhaltigkeit	Kilogramm CO₂ pro Bild	Gramm CO₂ pro Bild	—
Stofftreue	Halluzinierte Details, "plausible" Prints	Einfarbige Stoffe und schlichte Schnitte halten	Logos, feine Prints, Stricktextur, Beschläge
Identitätskonsistenz	Nur Einzelbilder	Gleiche Identität über zig SKUs	Sichtbare Drift über Hunderte SKUs
Markenstil	Pro Shoot manuell art-directed	Presets sperren Licht, Pose, Framing	Heterogene SKU-Mischungen (Strick + Bademode + Mantel) in einem Look
Ausgabeauflösung	1K kaum brauchbar	2K-4K üblich	Echtes 4K+, das einem PDP-Zoom standhält

Die interessante Spalte ist die dritte. Die ersten beiden erzählen eine vertraute Fortschrittsgeschichte. Die dritte ist die, in der On-Model heute die Plattform ist, die der Latte am nächsten kommt. Keine dieser Herausforderungen ist bisher vollständig gelöst, aber die Lücke schließt sich spürbar, und genau dort liegt der Fokus unserer Arbeit im kommenden Jahr.

Vier offene Herausforderungen

Die folgenden vier Probleme sind es, wo 2026 noch beißt. Jedes davon zeigt sich am schmerzhaftesten bei Flat-to-Model, weil das Ausgangsfoto das Produkt ist, das die Marke verkaufen muss. Jede Drift im On-Model-Render ist eine Fehldarstellung, keine stilistische Wahl.

Stofftreue

Prints, Logos, Nähte, Stricktextur, Beschläge, Markenlabels. Genau die feinen Details, die ein Kunde auf der PDP genau prüft, und genau die Details, die generelle Bildmodelle weiterhin halluzinieren. Sie malen eine plausible Grafik, statt die tatsächliche aus der Vorlage zu bewahren. Produktionstaugliches Flat-to-Model muss diese Hürde nehmen, bevor irgendetwas anderes zählt. Übersteht das Kleidungsstück die Reise vom Flat-Lay zum On-Model nicht, retten weder Tempo noch Skalierung das Ergebnis. Der klarste Test ist ein Teil mit auffälligem Print oder gesticktem Logo: Kanten, die scharf bleiben müssen, Farben, die treffen müssen, eine Position, die genau richtig auf der Brust sitzen muss.

Modell- und Identitätskonsistenz

Dasselbe Gesicht, derselbe Körper, dieselben Proportionen über Hunderte SKUs und Saisons hinweg. Das Problem der "Zwillings-Drift" trennt ein einzelnes Shoot von einer echten Marke. Ein Katalog, in dem Nase, Kieferlinie oder Hautton des Models zwischen SKUs subtil wechseln, wirkt schief, selbst wenn kein einzelnes Bild für sich falsch aussieht. Die Lösung verlangt Identitäten, die sich wie echtes, vertraglich gebundenes Talent verhalten: stabil, abrufbar, im Besitz der Marke. Genau hier scheitern die meisten generellen Bildtools im Katalogmaßstab leise.

Marken- und Stilkonsistenz

Licht, Color Grading, Bildausschnitt, Requisiten. Die kleinen Entscheidungen, die sich zu einer wiedererkennbaren Ästhetik summieren. Ohne eine konsistente Stilschicht sieht ein KI-generierter Katalog aus wie tausend verschiedene Shoots, fotografiert von tausend verschiedenen Personen an tausend verschiedenen Tagen. Presets und Style-Extraktions-Tools haben diese Lücke 2025-26 verringert, aber einen Markenlook über wirklich unterschiedliche SKUs hinweg zu halten (ein Strick, ein Denim, ein Badeanzug, ein Mantel), ist immer noch der Punkt, an dem die meisten Plattformen wackeln.

Produktionsreife Ausgabequalität

Der Abstand zwischen "sieht auf dem Handy super aus" und "hält einem 4K-Zoom auf der Produktseite stand" ist größer, als die meisten Demos zugeben. Auflösung, Schärfe, Fehlerquoten bei PDP-Volumina: Jeder Wert verschlechtert sich, je härter das System belastet wird, und jeder zählt, wenn ein Kunde entscheidet, ob er in den Warenkorb legt. Die Latte 2026 heißt nicht passabel. Sie heißt im Zoom nicht von einem echten Shoot zu unterscheiden.

Wie man einen KI-Bildstack bewertet

Wer dieses Jahr eine Plattform auswählt, sollte nicht nach Features fragen. Sondern danach, ob die zugrunde liegenden Probleme oben im eigenen Volumen gelöst sind.

1. Kann sie aus einem Flat-Lay ein On-Model-Bild machen, ohne das Kleidungsstück zu verfälschen? Wähle das anspruchsvollste Stück aus dem Katalog (ein bedrucktes Shirt, einen Strick, etwas mit Beschlägen) und teste es.
2. Lässt sich dieselbe Identität über Hunderte Produkte ohne sichtbare Drift wiederverwenden?
3. Lässt sich ein Markenstil (Licht, Bildausschnitt, Farbe) sperren und über eine ganze Saison hinweg wiederholen?
4. Verarbeitet sie Batch-Volumina ohne manuelles Feintuning pro Bild?
5. Kann das Team eigene Identitäten hochladen und besitzen, oder ist man an die Defaults des Anbieters gebunden?
6. Liefert sie Assets in PDP-tauglicher Auflösung, fertig zur Auslieferung ohne manuelle Nachbearbeitung?

Das sind die Tore. Alles andere ist Politur.

On-Model wurde um sie herum gebaut, mit Flat-to-Model als zentralem Workflow. Wenn der Katalog das Long-Tail-Problem hat, von dem wir immer wieder hören (Tausende SKUs, die On-Model-Bilder brauchen und ein Shoot nicht rechtfertigen), ist das der richtige Einstieg.