KI-Infrastruktur für Modebilder

Es gibt zwei sehr unterschiedliche Arten von KI-Bildprodukten, und Fashion-E-Commerce-Teams bewerten immer wieder das falsche.

Die erste Art ist ein Generator: ein Prompt-Feld, das ein schönes Bild nach dem anderen erzeugt. Die zweite Art ist Infrastruktur: ein System, das sich in die bestehenden Abläufe eines Händlers einfügt und einen Produktkatalog wiederholbar und skaliert in kanalfertige Bilder verwandelt. On-Model ist die zweite Art. In diesem Beitrag geht es darum, warum diese Unterscheidung wichtig ist und warum „die KI-Infrastruktur für Modebilder" die ehrlichste Beschreibung dessen ist, was eine solche Plattform tatsächlich leistet.

Fashion-E-Commerce ist 2026 ein Markt von rund 957 Milliarden US-Dollar (Statista Market Insights), und auf einer Produktseite ist das Bild das Produkt. Jede SKU braucht mehrere Perspektiven, mehrere Kontexte und oft mehrere Model-Looks, verteilt über eine Website, mehrere Marktplätze und Paid Social. Der Engpass war nie „Kann ich ein schönes Bild machen?" Er war „Kann ich zehntausend passende Bilder machen, markenkonform, ohne für jeden Drop ein Fotoshooting?"

Zwei Kategorien von KI-Bildprodukten

Ein Bildgenerator ist ein kreatives Werkzeug. Du gibst einen Prompt ein, es generiert, du lädst herunter. Der Ablauf ist linear und persönlich:

Prompt  →  Generieren  →  Herunterladen

Er ist für Designer, Marketer und Einzelpersonen gebaut, die etwas einzeln erstellen.

Infrastruktur ist etwas anderes. Sie ist darauf ausgelegt, Teil der Content-Produktion eines Händlers zu werden, und optimiert auf Wiederholbarkeit, Skalierung, Konsistenz und Automatisierung statt auf einmalige Kreativität. Der KI-Generierungsschritt ist nur eine Stufe innerhalb eines größeren Systems:

Produktkatalog  →  KI-Verarbeitung  →  Asset-Bibliothek  →  Shop / Marktplatz / Ads

So sieht das von Anfang bis Ende für ein einzelnes neues Produkt aus:

   PIM / Produktfeed
          │
   Neues Produkt trifft ein
          │
   Packshot hochgeladen
          │
   ┌──────────────────────────────┐
   │           On-Model           │
   │   KI-Batch-Verarbeitung:     │
   │   • konsistente Modell-Lib.  │
   │   • Posen & Hintergründe     │
   │   • regionale Varianten      │
   └──────────────────────────────┘
          │
   Asset-Bibliothek (DAM)
          │
   ├─ Website
   ├─ Shopify
   ├─ Amazon
   ├─ Zalando
   └─ Instagram / Ads

Das Bildmodell ist ein Kästchen in diesem Diagramm. Alles drumherum — der Katalog rein, die Bibliothek raus, das Batching, die Konsistenz, das Routing zu den Kanälen — ist der Teil, der es für ein Unternehmen nutzbar macht. Deshalb ist das richtige Wort Infrastruktur.

Die Fragen, die Infrastruktur-Käufer wirklich stellen

Man erkennt die beiden Kategorien an den Fragen der Kunden. Bei einem Generator lautet die Frage „Kann ich ein schönes Bild machen?" Bei Infrastruktur klingen die Fragen nach Betrieb:

• Kann es 100.000 SKUs verarbeiten?
• Kann es über Nacht laufen?
• Kann Marketing Bilder vor der Veröffentlichung freigeben?
• Lässt es sich mit unserem PIM und DAM verbinden?
• Können wir dasselbe KI-Modell für jedes Produkt nutzen?
• Bietet es eine API für Automatisierung?
• Können mehrere Teams gemeinsam darin arbeiten?
• Hält es Markenkonsistenz über einen ganzen Katalog?

Keine davon ist eine kreative Frage. Es sind Infrastruktur-Fragen, und sie entscheiden, ob ein Tool dem echten Produktionskalender standhält.

Editor vs. Infrastruktur: die Feature-Realität

Ein KI-Editor bietet ein Prompt-Feld, einen Upload, einen Generieren-Button und einen Download. Eine Infrastruktur-Plattform umgibt dieselbe Generierungsfähigkeit mit allem, was ein Team braucht, um sie skaliert zu betreiben:

Das Generierungsmodell ist nur eine Komponente dieses Systems. Produktkatalog, Asset-Bibliothek, Modell-Bibliothek, Batch-Generierung, Freigabe-Workflows, Versionsverlauf, Rechte, API-Integrationen, Webhooks, Nutzungserfassung, Audit-Logs: das sind die Teile, mit denen ein Unternehmen darauf aufbaut, statt es zu beaufsichtigen.

Warum gerade die Mode das braucht

Große Händler bringen pro Saison Tausende neuer Produkte auf den Markt, und traditionell brauchte jede einzelne SKU Flat-Lay-Fotos, Ghost-Mannequin-Aufnahmen, On-Model-Fotografie, Lifestyle-Bilder und regionale Model-Varianten. Das manuell zu tun, ist teuer und langsam — genau die repetitive Arbeit mit hohem Volumen, an der ein Kreativ-Tool scheitert und für die Infrastruktur gemacht ist.

Der Bedarf ist nicht hypothetisch. In der BoF–McKinsey State of Fashion 2026-Führungskräftebefragung gaben über 35 % der Führungskräfte aus Mode und Luxus an, generative KI bereits für Routineaufgaben zu nutzen, darunter die Bilderstellung. Und die Kosten inkonsistenter Bilder sind messbar: Salsifys Consumer Research 2025 fand heraus, dass 54 % der Kunden einen Kauf abgebrochen haben, weil Produktinhalte kanalübergreifend inkonsistent waren. Konsistenz über einen Katalog ist keine Nettigkeit, sondern Conversion.

So sieht es aus, eine Model-Identität konsistent über völlig verschiedene Kontexte hinweg zu halten:

Eine Model-Identität in drei völlig verschiedenen Kontexten (Studio, Editorial, Lifestyle), generiert statt neu gecastet und fotografiert. Verwende dieselbe Identität über einen ganzen Katalog hinweg, und du hast den Unterschied zwischen einem Tool und einer Pipeline.

Eine nützliche Analogie: Photoshop vs. Stripe

Am klarsten wird die Unterscheidung im Vergleich zweier bekannter Produkte:

• Photoshop ist eine App, die eine Person öffnet, um ein Bild zu erstellen oder zu bearbeiten.
• Stripe ist ein Dienst, den Unternehmen in ihre Abläufe einbetten, sodass Zahlungen einfach innerhalb ihres eigenen Workflows passieren.

On-Model möchte näher an Stripe sein. Das Ziel ist nicht, einen schöneren Ort für ein einzelnes Bild zu bieten, sondern einen Dienst, den Modeunternehmen in ihre Content-Produktion integrieren — sodass Bilder so entstehen, wie Zahlungen verarbeitet werden: automatisch, konsistent, in großem Maßstab.

Deshalb sind Funktionen wie APIs, Batch-Verarbeitung, Asset-Management und Workflow-Automatisierung zentral für das Wertversprechen und keine Extras. Sie sind es, die die Plattform in den Arbeitsalltag eines Enterprise-Modeteams einfügen, statt sie daneben zu stellen.

Was das in der Praxis bedeutet

„Ein Generator macht ein Bild. Infrastruktur macht deinen ganzen Katalog auslieferbar: dieselben Modelle, dieselben Regeln, jede SKU, jeder Kanal. Modeteams brauchen kein weiteres kreatives Spielzeug. Sie brauchen ein Fundament, auf dem sie bauen können."

— Nunzio Alexandro Letizia, Mitgründer von PiktID und Entwickler von On-Model

Wenn du KI für Modebilder bewertest, ist der nützliche Test nicht, welches Tool das schönste Einzelbild macht. Es ist, welches du am Montag an deinen Katalog anschließen und dem du zutrauen könntest, die nächsten tausend Produktseiten markenkonform zu produzieren. Das ist die Latte, die Infrastruktur nehmen muss.

• On-Model kostenlos testen — lade deine ersten Produktbilder hoch und sieh das Ergebnis in Minuten
• Produktfotografie skalieren — die Ökonomie vom Dutzend zu Tausenden SKUs
• Fünf Input-Typen, eine Plattform — Flat-Lays, Outfits, Ghost Mannequin, On-Model und Bügel-Aufnahmen in einer Pipeline
• Deine Asset-Bibliothek, jetzt smarter — die Asset-Management-Schicht, die Output wiederverwendbar macht
• KI vs. traditionelle Fotografie — wie sich beide Ansätze bei Kosten, Tempo und Skalierung vergleichen

---

Quellen:

1. Statista Market Insights. (2026). Fashion — Worldwide (eCommerce Market Outlook). statista.com
2. Business of Fashion & McKinsey & Company. (2025). The State of Fashion 2026. mckinsey.com
3. Salsify. (2025). 2025 Consumer Research. salsify.com
4. McKinsey & Company. (2023). Generative AI: Unlocking the future of fashion. mckinsey.com