Generative KI eröffnet dem Onlinehandel neue Möglichkeiten in der Produktfotografie. Aufwand und Kosten sinken deutlich, zugleich gewinnen Händler:innen bei Gestaltung und Skalierung an Flexibilität. Ein aktuelles Beispiel liefert About You: Im Juli 2026 stellte der Modehändler mit Scayle Studios ein KI-basiertes Fotostudio vor. Die Produktionskosten je Artikel sanken dadurch nach Angaben des Unternehmens von bislang 70 bis 80 Euro bei einem klassischen Fotoshooting auf rund einen Euro.

Gleichzeitig berichtet das Unternehmen von einem um 9,2 Prozent höheren Bruttowarenwert sowie einer um 5,1 Prozent höheren Add-to-Basket-Rate im Vergleich zu klassischen Bildern. Bis Ende des Jahres sollen sämtliche Bilder, die About You im E-Commerce verwendet, mit KI erstellt werden.

Der EU AI Act bringt neue Transparenzpflichten

Mitten in diese Entwicklung fallen seit dem 2. August 2026 neue rechtliche Vorgaben: Die Transparenzpflichten aus Artikel 50 der EU-KI-Verordnung (EU AI Act) sehen unter anderem Kennzeichnungs- und Offenlegungspflichten für bestimmte KI-generierte oder KI-manipulierte Inhalte vor. Für Onlinehändler:innen stellt sich somit eine zentrale Frage: Wie werden solche Transparenzhinweise von Kund:innen wahrgenommen?

Genau dieser Frage ist eine experimentelle Studie an der Hochschule Hannover nachgegangen, die Anfang September erscheint – mit einem überraschenden Ergebnis: Nicht das KI-generierte Produktbild selbst ist das Problem. Problematisch wird es, sobald „KI-generiert“ daraufsteht.

Im Online-Experiment bewerteten 163 Teilnehmende jeweils vier Produktbilder – Kaffee und Schokolade als genussorientierte Produkte, Jacke und Rucksack als nützliche Produkte – hinsichtlich ihrer Einstellung zum Produkt und ihrer Kaufabsicht. Die Hälfte der Bilder basierte auf klassischen Fotos, die andere Hälfte war KI-generiert. Zusätzlich war die Hälfte der Bilder mit einem Icon „KI-generiert“ versehen. Der Clou: Die Kennzeichnung erfolgte unabhängig von der tatsächlichen Bildquelle. Damit war das Label teils korrekt, teils kennzeichnete es konventionelle Fotos fälschlich als KI-generiert.

Das KI-Label schadet – auch echten Fotos

Die Ergebnisse des Experiments zeigen: Isoliert betrachtet machte es für die Einstellung zum Produkt keinen nachweisbaren Unterschied, ob ein Bild KI-generiert oder konventionell produziert war. Bei der Kaufabsicht zeigte sich sogar ein leichter Vorteil für KI-generierte Bilder. Das passt zu Befunden anderer Studien, in denen KI-Visuals bei Ästhetik und wahrgenommener Qualität teilweise besser abschneiden als menschengemachte Bilder.

War ein Produktbild dagegen mit einem KI-Label versehen, sanken sowohl die Einstellung zum Produkt als auch die Kaufabsicht deutlich. Dabei spielte die tatsächliche Bildquelle keine erkennbare Rolle. Auch ein konventionelles Foto verlor an Wirkung, sobald es als KI-generiert gekennzeichnet war. In den Daten fanden sich zudem keine Hinweise darauf, dass Alter, Geschlecht oder KI-Kompetenz den Label-Effekt systematisch verändern. Auch zwischen genussorientierten und nützlichen Produkten zeigten sich keine entsprechenden Unterschiede. Wer also hofft, dass sich das Problem mit steigender KI-Kompetenz der Zielgruppe von selbst löst oder nur bestimmte Sortimente betrifft, findet dafür in den experimentellen Ergebnissen wenig Belege.

Eine mögliche Erklärung liegt darin, wie Produktbilder wahrgenommen werden: meist schnell, visuell und ohne intensives Nachdenken. Ein KI-Label könnte diesen Modus unterbrechen und einen Reflexionsprozess anstoßen. Plötzlich steht nicht mehr nur das Produkt im Mittelpunkt, sondern auch die Frage, wie das Bild entstanden ist. Dadurch könnten Zweifel an seiner Authentizität entstehen, bis hin zur Sorge, dass die Darstellung ein falsches Bild vom Produkt vermittelt.

Kennzeichnen: Was Onlinehändler:innen jetzt tun sollten

Für die Praxis liegt deshalb ein hybrider Ansatz nahe, bei dem reale Produktdarstellungen nicht vorschnell vollständig durch KI ersetzt werden sollten. Innerhalb einer Bilderserie kann es sinnvoll sein, mindestens eine reale Aufnahme als Referenz beizubehalten, etwa als Hauptbild. KI-generierte Kontext- und Lifestylebilder können diese Referenz ergänzen. So lassen sich Effizienz- und Gestaltungsvorteile nutzen, ohne die reale Produktdarstellung vollständig zu verdrängen. Ergänzend können klassische vertrauensbildende Maßnahmen wie verifizierte User-Fotos, 360-Grad-Ansichten oder großzügige Rückgabebedingungen dazu beitragen, Unsicherheiten gegenüber KI-generierten Darstellungen zu reduzieren.

Entscheidend ist zudem, wie die KI-Kennzeichnung konkret ausgestaltet wird. Ein pauschales „KI-generiert“ sagt zunächst nichts darüber aus, ob das Produkt korrekt dargestellt ist, und kann dadurch wie ein undifferenziertes Warnsignal wirken. Aussagekräftiger könnten präzisere Hinweise wie „Hintergrund KI-generiert, Produktdarstellung unverändert“ oder „KI-generierte Anwendungsillustration“ sein. Sie ergänzen die Kennzeichnung um Kontext und helfen Kund:innen, sie richtig einzuordnen. Damit wird die KI-Kennzeichnung zum festen Bestandteil der visuellen Kommunikation: Position, Größe und Wortlaut werden – innerhalb der gesetzlichen Vorgaben – ebenso zu Gestaltungsentscheidungen wie das Bild selbst.

Auch die Kennzeichnung selbst lässt sich systematisch testen und optimieren. A/B-Tests sollten deshalb nicht nur unterschiedliche Produktbilder vergleichen, sondern auch verschiedene Label-Varianten. Dabei sollte nicht allein die Conversion gemessen werden, sondern auch die Zufriedenheit mit dem Einkaufserlebnis oder die Retourenquote. So lassen sich kurzfristige Verkaufseffekte möglichen längerfristigen Folgen für Customer Experience und Kaufverhalten gegenüberstellen.

Produktbilder: Transparenz wird zur UX-Frage

Für Händler:innen wäre es riskant, den Schluss zu ziehen, ein KI-Hinweis müsse lediglich möglichst unauffällig platziert werden. Sinnvoller ist es, die Kennzeichnung als Vertrauensmechanismus zu gestalten. Ein prominentes Negativbeispiel liefert die Werbekampagne von Guess in der US-Vogue im August 2025: Die Anzeige mit einem KI-generierten Model enthielt zwar einen Hinweis auf die KI-Herkunft, dieser war jedoch nur klein und unauffällig platziert. Ein Tiktok-Video, das darauf aufmerksam machte, erreichte fast drei Millionen Aufrufe und sorgte dafür, dass zahlreiche Medien das Thema aufgriffen. Das Beispiel zeigt, dass nicht nur der Einsatz von KI, sondern auch die Art seiner Offenlegung die Wahrnehmung prägen kann.

Die KI-Kennzeichnung ist damit nicht nur ein Compliance-Thema, sondern Teil der User Experience. Genau darin liegt das KI-Label-Paradox: Nicht die Bildquelle selbst verschlechterte im Experiment die Wahrnehmung, sondern der Hinweis auf KI. Für Händler:innen folgt daraus, nicht Transparenz zu verstecken, sondern sie verständlich zu gestalten. Kund:innen müssen erkennen können, was mit KI erzeugt wurde und ob sie sich trotzdem darauf verlassen können, dass das gezeigte Produkt tatsächlich so aussieht.

Damit schließt sich der Kreis zum Beispiel About You: Die berichteten Effizienz- und Conversion-Effekte zeigen eindrucksvoll, welches Potenzial KI-generierte Produktbilder entfalten können. Zugleich werfen die Experimentergebnisse die Frage auf, wie stabil solche Effekte bleiben, wenn Kund:innen ausdrücklich auf den KI-Einsatz hingewiesen werden. Je stärker Händler:innen auf KI setzen, desto wichtiger wird eine Kennzeichnung, die nicht nur offenlegt, sondern erklärt.

Startseite