Abschnitt C.2 — Bilder generieren

Die meisten der hier beschriebenen Techniken basieren auf Diffusionsmodellen – einem Verfahren, das Bilder durch iterative Verfeinerung aus zufälligem Rauschen erzeugt. Diese Diffusionstechnik begegnet einem jenseits der intuitiven, semantischen Systeme überall dort, wo es um präzise Bildsteuerung geht: in ControlNet-Workflows, Workflow-Rendering-Systemen und spezialisierten Werkzeugen für architektonische Visualisierung.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Text zu Bild war der Ausgangspunkt. Ein geschriebener Text wird durch künstliche Intelligenz in ein visuelles Bild umgewandelt. Der Prompt ist die wichtigste Einflussgröße – je präziser formuliert, desto größer die Kontrolle über das Ergebnis. Diese Basistechnik liegt allen nachfolgenden Entwicklungen zugrunde.

Der erste Kontakt mit dieser Technik war meist ernüchternd: Das System produziert Bilder, aber nicht die, die man sich vorgestellt hat. Das Verständnis, dass Prompts eine eigene Sprache haben – mit spezifischen Begriffen für Stil, Licht, Perspektive – kommt erst durch Ausprobieren.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

ControlNet erweiterte das Verfahren um geometrische Steuerung. Zusätzlich zum Textprompt wird eine Liniengrafik übergeben, die die räumliche Struktur definiert. Ein Foto unseres Büros wird in seine wesentlichen geometrischen Linien zerlegt; das System nutzt diese als Grundgerüst für die Bildgeneration. Die Raumgeometrie bleibt erhalten, Materialität und Atmosphäre werden neu interpretiert.

Für die Architekturpraxis war das ein Durchbruch: Zum ersten Mal ließ sich mit einer bestehenden Planung arbeiten, anstatt etwas vollständig Neues aus dem Prompt heraus zu erzeugen. Die Geometrie des Entwurfs blieb die Grundlage, die KI füllte sie mit Materialität und Atmosphäre.

ControlNet bildet bis heute die Grundlage für präzise Bildsteuerung in professionellen Workflows. Die Technik basiert auf Stable Diffusion, einem Open-Source-Diffusionsmodell, das in zahlreichen spezialisierten Werkzeugen implementiert ist. Details zu ControlNet-Workflows und praktischen Anwendungen finden sich in Kapitel C.2.5.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Style Reference ergänzte die stilistische Dimension. Referenzbilder definieren den gewünschten Stil unabhängig von der Geometrie – Materialität, Farbgebung und Atmosphäre werden über Bildvorlagen gesteuert, nicht über Textbeschreibungen.

Die Kombination aus ControlNet (Geometrie) und Style Reference (Ästhetik) ermöglicht zweidimensionale Kontrolle: „So soll die Raumgeometrie sein" und „So soll es aussehen" werden getrennt gesteuert. Das entspricht dem, wie Architekten tatsächlich denken: Grundriss und Atmosphäre sind zwei verschiedene Entscheidungen.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

InPainting ermöglicht selektive Bildbearbeitung. Ein markierter Bereich wird neu berechnet, der Rest bleibt unverändert. Das Verfahren ähnelt Photoshop-Retusche, wird aber KI-gestützt ausgeführt.

In der Praxis zeigt sich: Was genau verändert werden soll und wie weit sich die Änderung ausdehnt, wird oft unvorhersehbar interpretiert. Wir haben das bei Tests mit horizontalen Lamellen auf Glasfassaden erlebt – das System verstand die Aufgabe, aber die Kante zwischen bearbeitetem und unbearbeitetem Bereich ließ sich kaum kontrollieren. InPainting funktioniert gut für großflächige Änderungen. Bei kleinteiligen, präzisen Eingriffen sind die Grenzen spürbar.

Praktische Anwendungen, insbesondere die Integration in Adobe Firefly und Photoshop, behandelt Kapitel C.2.4.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Bild zu Bild markierte den eigentlichen Quantensprung: das semantische Bildverständnis. Systeme können seither Bilder interpretieren und gezielt modifizieren. „Räume das Büro auf" führt zu einem neu berechneten Bild mit aufgeräumten Möbeln. Das System versteht Raumgeometrie, identifiziert Objekte und deren sinnvolle Anordnung.

Der Unterschied zu allem Vorherigen: Es braucht keine Liniengrafik mehr, kein Referenzbild, keine präzise Beschreibung der Geometrie. Man zeigt dem System ein vorhandenes Bild und beschreibt, was sich ändern soll. Diese Fähigkeit unterscheidet die neuen Spitzenreiter grundlegend von klassischen Diffusionsmodellen, die ausschließlich auf Prompts und geometrische Vorgaben reagieren. Die Kapitel C.2.2 und C.2.3 behandeln diese Systeme im Einzelnen.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Bild zu Prompt läuft in die entgegengesetzte Richtung: Das System analysiert ein bestehendes Foto und erstellt einen detaillierten Textprompt, der dieses Bild beschreibt. Dieser Prompt kann dann in verschiedenen Bildgeneratoren eingesetzt werden.

Das klingt zunächst wie ein technisches Hilfsmittel. In der Praxis ist es ein nützliches Werkzeug für Systemvergleiche: Welcher Generator rekonstruiert ein gegebenes Referenzbild am genauesten? Und es hilft, die eigene Promptsprache zu verbessern – man sieht, wie das System ein Bild beschreibt, das man selbst nur unpräzise in Worte gefasst hätte.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Style Transfer transformiert bestehende Räume bei erhaltener Geometrie. Ein Büro wird zum Candy Shop oder zur grünen Oase. Fenster und Raumproportionen bleiben erhalten, Materialität und Nutzung werden radikal verändert.

Was dabei auffällt: Bei mehrfachen Transformationen entfernt sich das Bild zunehmend vom Original – kleine Abweichungen summieren sich mit jedem Schritt. Was nach drei Iterationen übrig bleibt, hat mit dem Ausgangsbild manchmal nur noch die grobe räumliche Struktur gemeinsam. Das ist kein Fehler, sondern eine Eigenschaft des Verfahrens, die man kennen muss.

Die Entwicklungslinie zeigt: Jede neue Technik hat einen bestimmten Kontrollverlust überwunden. Text zu Bild war Zufallssteuerung über Sprache. ControlNet brachte geometrische Verankerung. Style Reference trennte Form von Ästhetik. Bild zu Bild machte schließlich das Bild selbst zur Steuergröße.

Heute stehen zwei Welten nebeneinander: Semantische Systeme wie ChatGPT, Gemini und Flux für schnelle, dialogische Arbeit – und diffusionsbasierte Workflows für maximale Kontrolle und Reproduzierbarkeit. Für welche Aufgabe welcher Ansatz besser geeignet ist, beschreiben die folgenden Kapitel.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Mit Google Gemini 2.0 Flash gelang ein Durchbruch im Bereich des räumlichen Bildverständnisses. Erstmals war es möglich, einem System ein Foto von einem Büro zu zeigen und gezielte Anweisungen wie „Räume unser Büro auf" zu geben. Das Besondere: Das System verstand tatsächlich, was ein Büro ist, identifizierte Möbel und interpretierte die Aufforderung zum Aufräumen korrekt. Damit wurde Google Gemini 2.0 Flash zum Pionier in diesem Feld und ermöglichte erstmals komplexe Raummanipulationen, wie sie zuvor undenkbar waren.

Allerdings blieb der Status von Gemini 2.0 Flash nicht lange stabil. Das System wurde relativ schnell wieder zurückgezogen und in die Neubearbeitung gegeben. Offizielle Gründe wurden nicht genannt, aber der Rückzug lässt auf typische Kinderkrankheiten oder unerwartete Verhaltensweisen schließen, wie sie bei technologischen Pionierleistungen häufig auftreten.

Nur zwei Monate nach dem ersten Launch folgte „Nano Banana" – der inoffizielle Name für Gemini 2.5 Flash – eine entscheidende Weiterentwicklung. Hier zeigte sich, wie rasant der Fortschritt voranschreitet. Während die Ergebnisse im ersten Anlauf noch als beeindruckend galten, wirkte dieselbe Aufgabenstellung in der Folgeversion geradezu revolutionär gelöst: Die Bildqualität ließ frühere Ergebnisse im direkten Vergleich fast primitiv erscheinen.

Die Bedeutung dieser Entwicklung wird am besten anhand konkreter Anwendungsbeispiele deutlich: Die KI konnte nicht nur auf Befehl ein Büro aufräumen, sondern war inzwischen in der Lage, Perspektivenwechsel so zu simulieren, als würde sich die Kamera tatsächlich im Raum bewegen. Details wie Fenstersprossen, Klinken und sogar Scharniere wurden korrekt wiedergegeben. Im direkten Vergleich mit echten Fotos war eine Unterscheidung kaum noch möglich.

„Nano Banana" steht sinnbildlich für eine neue Qualität der Bildgeneration: Das System bewegt sich weg von simplen Bildtransformationen und hin zu echtem Verständnis und Interpretation des Raumes.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Mit der Einführung von ChatGPT Omni wurde die Bildgenerierung auf ein neues Niveau gehoben. Nur eine Woche nach dem Launch von Gemini 2.0 präsentierte ChatGPT Omni vergleichbare Funktionalitäten. Diese Geschwindigkeit verdeutlicht den rasanten Innovationszyklus in der KI-Branche – ein Wettlauf, bei dem technische Sprünge binnen Tagen stattfinden.

Die besondere Stärke von ChatGPT Omni liegt im präzisen räumlichen Verständnis und einer bewusst konservativen Interpretation von Bildinhalten. Das System ist in der Lage, komplexe Szenen nicht nur zu erkennen, sondern auch deren räumliche Struktur zu erfassen. Ein herausragendes technisches Merkmal ist die Fähigkeit, Tiefenmasken zu erstellen: ChatGPT Omni kann zu jedem Bild eine Tiefenkarte generieren, die die Entfernung jedes Pixels zur Kamera abbildet. Diese Funktion ist essenziell für den Übergang von 2D- zu 3D-Anwendungen.

Die Bildsprache von ChatGPT Omni wird häufig als „androgyn" beschrieben – neutral, glatt und technisch perfekt, aber mit einer gewissen Gleichförmigkeit. Diese Ästhetik ist professionell und makellos, damit ideal für technische Visualisierungen, Präsentationen oder Variantenstudien.

Das eigentliche Novum besteht darin, dass das System nicht mehr nur Bildinhalte erkennt, sondern auch deren räumliche Anordnung versteht. Die KI kann aus einem einzigen Foto ein 3D-Modell ableiten und dieses aus unterschiedlichen Perspektiven rendern. Die Fähigkeit, semantisches und räumliches Verständnis zu kombinieren, macht ChatGPT Omni zu einem Schlüsselwerkzeug für die nächste Generation KI-basierter Bildbearbeitung.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Mit dem Launch von Flux Playground hat Black Forest Labs aus dem Schwarzwald einen entscheidenden Meilenstein für die KI-basierte Bildgeneration gesetzt. Während Gemini und ChatGPT den Markt bereits mit semantischem Bildverständnis revolutionierten, wählte Black Forest Labs bewusst einen anderen Weg – und brachte das eigene Modell erst nach ausgereifter Entwicklung und gezielter Positionierung in den Wettbewerb ein.

Flux war ursprünglich als Open-Source-Modell für professionelle Anwender konzipiert. Die Installation und Einbindung in komplexe Workflows erforderte technisches Know-how, bot dafür aber eine außergewöhnliche Kontrolle über die Bildgeneration. Der eigentliche Durchbruch gelang mit Flux Playground: Der Wechsel von einer lokalen, schwer zugänglichen Lösung hin zu einer webbasierten Anwendung öffnete die Tür für ein breites Publikum.

Gerade im direkten Vergleich mit anderen Systemen zeigt sich die Stärke von Flux: Während Modelle wie Midjourney bei jeder Transformation ein komplett neues Bild generieren, respektiert Flux das Original und ermöglicht gezielte, semantisch fundierte Veränderungen. Das System versteht nicht nur, was im Bild ist, sondern kann einzelne Elemente präzise modifizieren.

Das Geschäftsmodell unterstreicht die Anwenderfreundlichkeit: Statt eines festen Abonnements arbeitet Flux Playground mit einem flexiblen Credit-System. Nutzer zahlen nur für die tatsächlich generierten Bilder – und profitieren von einem großzügigen Gratis-Bereich, der umfangreiche Tests ohne finanzielle Verpflichtung ermöglicht.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Die drei neuen Spitzenreiter unterscheiden sich von älteren Systemen durch eine grundlegende Fähigkeit: semantisches Bildverständnis. Sie generieren nicht nur Bilder, sondern interpretieren vorhandene Bilder und können diese gezielt modifizieren.

Diese Systeme verstehen, was im Bild ist. Objekte, Räume und Materialien werden erkannt und kategorisiert. Sie verstehen, wo Elemente positioniert sind. Räumliche Struktur, Perspektive und Tiefe werden erfasst. Sie verstehen, wie das Bild funktioniert. Physikalische Plausibilität und Lichtverhältnisse werden berücksichtigt.

Das semantische Verständnis ermöglicht gezielte Manipulation. „Leere das Büro" funktioniert. „Ändere die Fassade" funktioniert. „Geh näher ans Fenster" funktioniert. Das Bild wird nicht neu interpretiert, sondern gezielt modifiziert.

Die Abgrenzung zu Midjourney ist deutlich. Midjourney versteht den Prompt als Anweisung für ein neues Bild. Das System interpretiert und erschafft neu. Die drei neuen Spitzenreiter verstehen das Bild als zu verändernde Grundlage. Midjourney ist ein generativer Künstler, die neuen Systeme sind digitale Bild-Editoren.

Der praktische Unterschied zeigt sich im Umgang mit Änderungswünschen. Wenn das Gebäude eine Holzfassade erhalten soll, respektieren die neuen Systeme das Original und ändern nur die Fassade. Midjourney nutzt das Bild als Vorlage und erstellt ein eigenständiges neues Bild. Die Kontrolle über das Ergebnis ist bei den neuen Systemen deutlich höher.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Die technologische Entwicklung vollzieht sich in bemerkenswertem Tempo. Innerhalb weniger Monate hat sich die Leistungsfähigkeit der Systeme grundlegend verändert.

Die ersten Versionen mit ausgereiftem Bildverständnis lieferten brauchbare Ergebnisse, zeigten aber noch deutliche Schwächen in der räumlichen Interpretation. Bereits zwei Monate später war die Qualitätsverbesserung dramatisch. Fotorealistische Darstellungen wurden möglich. Das räumliche Verständnis verbesserte sich erheblich. Selbst komplexe Situationen wie Blockrandbebauung mit Innenhöfen wurden korrekt interpretiert.

Der Vergleich der Koblenz-Beispiele verdeutlicht den Fortschritt. Das erste Ergebnis war nutzbar für erste Studien. Das Folgeergebnis erreichte Präsentationsqualität. Die verbleibenden Fehler wurden kleiner und spezifischer — einzelne übergriffige Details statt fundamentaler Missverständnisse.

Innerhalb von drei Monaten entwickelte sich die Technologie von einem interessanten Experiment zu einem produktionsreifen Werkzeug. Diese Geschwindigkeit setzt sich fort.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Das semantische Bildverständnis ermöglicht neue Arbeitsweisen. Die Systeme lassen sich gezielt kombinieren und können mit verschiedenen Aufgaben in der Bilderstellung integriert werden.

Ein typischer Workflow könnte mit einer Handzeichnung oder einem Screenshot aus dem BIM-Modell beginnen. Die Vorlage wird in Flux Playground hochgeladen. Das System generiert daraus ein erstes Arbeitsmodell mit korrekter räumlicher Interpretation.

Das Arbeitsmodell geht an Midjourney. Dort entsteht eine atmosphärisch aufgewertete Darstellung, häufig in Vogelperspektive. Midjourney ergänzt dramatische Lichtstimmung und gestalterische Qualität.

Die Vogelperspektive wird in Nano Banana weiterbearbeitet. Spezifische Änderungen erfolgen per natürlicher Sprache: sommerliches Abendlicht, mehr Grün, Schneebedeckung, nächtliche Stimmung. Das System versteht die Anforderungen und modifiziert gezielt.

Natürliche Sprache als Interface für Bildbearbeitung verändert die Arbeit grundlegend. Statt technischer Parameter werden Absichten formuliert. „Mehr Grün" statt Farbwerte. „Abendlicht" statt Beleuchtungswinkel. Die Kommunikation erfolgt in fachlicher Sprache, nicht in Softwarekommandos.

Die Kombination der Systeme nutzt deren jeweilige Stärken. Flux für räumliche Präzision, Midjourney für gestalterische Qualität, Nano Banana für gezielte Anpassungen. Der Workflow wird flexibel an die Aufgabenstellung angepasst.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Der direkte Vergleich zu den KI-Modellen mit semantischem Bildverständnis zeigt bei Midjourney den grundlegenden Paradigmenwechsel: Während Midjourney den Prompt als starre Bildbeschreibung versteht, arbeiten die anderen Systeme mit einem ausgeprägten semantischen Verständnis. Sie erkennen und interpretieren nicht nur das Bild, sondern können gezielt auf Teilbereiche eingehen, Varianten erzeugen und im freien Dialog mit dem Nutzer auf Änderungswünsche reagieren. Die Steuerung erfolgt nicht mehr allein über einen initialen Prompt, sondern über iterative, dialogische Interaktion.

Dennoch bleibt Midjourney in unseren Arbeitsprozessen dort unverzichtbar, wo es um die finale ästhetische Veredelung geht. Seine Stärken – dramatische Lichtstimmungen, atmosphärische Qualität und der kreative Umgang mit Vorgaben – machen es zum bevorzugten Werkzeug für die künstlerische Aufwertung. Doch gerade dort, wo technische Präzision, gezielte Änderungen oder Datenschutz entscheidend sind, stoßen klassische Prompt-Systeme an ihre Grenzen.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Die urheberrechtliche Situation bei KI-generierten Bildern ist komplex und weitgehend ungeklärt. Nach derzeitigem Verständnis kann für mit ChatGPT, Gemini, Flux oder Midjourney erstellte Bilder kein Urheberrecht reklamiert werden. KI-Systeme erzeugen Bilder auf Basis statistischer Verarbeitung von Trainingsdaten. Die Schöpfungshöhe, die für urheberrechtlichen Schutz erforderlich wäre, wird dem menschlichen Promptgeber in der Regel nicht zuerkannt.

Die rechtliche Diskussion dreht sich um zwei zentrale Fragen. Erstens: Können KI-generierte Werke überhaupt urheberrechtlich geschützt sein? Die meisten Rechtsordnungen setzen menschliche Schöpfung voraus. Zweitens: Wer wäre Urheber – der Promptgeber, der Systembetreiber oder niemand? Diese Fragen sind international unterschiedlich bewertet und in keiner Jurisdiktion abschließend geklärt.

Midjourney schafft zusätzliche Komplexität durch seine offene Struktur. Alle generierten Bilder sind öffentlich zugänglich, sofern kein privater Modus genutzt wird. Jede Bildgenerierung trägt zur offenen Bilddatenbank bei und wird für das Training zukünftiger Modelle verwendet. Geheimhaltung sensibler Projekte ist nicht möglich.

Für kommerzielle oder vertrauliche Projekte empfiehlt sich der Einsatz geschlossener Systeme mit klaren Nutzungsbedingungen. Lokale Installationen wie ComfyUI oder Invoke bieten volle Kontrolle über Bilder und Daten. Die Nutzung bleibt beim Anwender, eine Verwendung für fremde Modelltrainings ist ausgeschlossen.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Adobe Firefly ist als Plugin in Photoshop integriert und ermöglicht InPainting, generatives Füllen und Outpainting direkt in der Ebenenstruktur. Seit der Öffnung für externe Modelle lassen sich neben Firefly auch Flux und Nano Banana Pro einbinden. Das ermöglicht unterschiedliche Bildsprachen für unterschiedliche Aufgaben – alles innerhalb einer bekannten Oberfläche.

Wir haben Firefly für drei verschiedene Aufgaben getestet: das Entfernen einer Baggerschaufel aus einer Baustellenaufnahme, das Einfügen einer Rasenfläche in ein Foto und die Visualisierung von Skizzen über Flux und Nano Banana. Die ersten beiden Aufgaben hat das System zuverlässig gelöst. Die Skizzenvisualisierung über externe Modelle lieferte brauchbare Vorstudien, keine druckfertigen Ergebnisse.

Firefly arbeitet mit klar lizenzierten Trainingsdaten. Das ist für den kommerziellen Einsatz relevant und ein Unterschied zu vielen anderen Systemen.

Geeignet für: Fotobereinigung, Ergänzung natürlicher Elemente, Skizzentransformation mit externen Modellen. Einschränkungen: Präzise technische Details, regelmäßige Muster, konstruktive Fassadenelemente. Lizenzierung: Adobe Commercial License – für kommerzielle Projekte verwendbar.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet März 2026.

Stable Diffusion unterscheidet sich fundamental von kommerziellen Systemen. Der Code ist offen zugänglich. Jeder kann das Modell herunterladen, lokal betreiben und für eigene Zwecke anpassen. Diese Offenheit führte zu einer explosionsartigen Entwicklung spezialisierter Anwendungen.

Die technische Grundlage bildet ein Diffusionsmodell. Bilder entstehen durch iterative Verfeinerung aus zufälligem Rauschen. Der Prozess ist rechenintensiv, aber präzise steuerbar. Jeder Parameter lässt sich exakt definieren. Das Ergebnis ist reproduzierbar.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Zahlreiche spezialisierte Werkzeuge nutzen Stable Diffusion als Bildgenerator. Visoid für architektonische Visualisierungen, Krea für Echtzeit-Generierung, diverse ControlNet-Implementierungen – alle basieren auf Stable Diffusion. Das Modell liefert die Rechenleistung, die Anwendungen bieten die Benutzeroberfläche.

Diese Arbeitsteilung ermöglicht Innovation. Entwickler konzentrieren sich auf spezifische Anwendungsfälle. Die Bildgenerierung übernimmt das bewährte Stable-Diffusion-Modell. Architekten erhalten Werkzeuge wie Visoid, die präzise auf ihre Bedürfnisse zugeschnitten sind, ohne dass ein neues Bildgenerationsmodell entwickelt werden muss.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Stable Diffusion erfordert leistungsstarke Hardware. Eine dedizierte Grafikkarte mit ausreichend Videospeicher ist notwendig. Für viele Anwender bleibt lokale Installation eine technische Hürde. Cloud-Dienste bieten Alternativen: Virtuelle Rechner mit vorinstalliertem Stable Diffusion werden stundenweise gemietet.

Die Bedienung unterscheidet sich grundlegend von intuitiven Systemen wie ChatGPT. Kein einfacher Dialog, sondern technische Parameter. Kein semantisches Verständnis, sondern präzise Steuerung. Die Einarbeitungszeit ist erheblich. Der Gewinn liegt in der Kontrolle.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

ControlNet erweiterte Stable Diffusion um geometrische Steuerung. Die Kombination aus offenem Modell und geometrischer Kontrolle schuf neue Möglichkeiten. Handskizzen werden zu detaillierten Visualisierungen. Fotografien zu stilisierten Darstellungen. Die räumliche Struktur bleibt erhalten.

ControlNet funktioniert ausschließlich mit Stable Diffusion. Kommerzielle Systeme wie Midjourney bieten keine vergleichbare Schnittstelle. Die technische Offenheit von Stable Diffusion ermöglichte diese Entwicklung erst.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Stable Diffusion erlaubt Training spezialisierter Varianten. LoRAs (Low-Rank Adaptations) passen das Modell für spezifische Stilrichtungen an. Form-Finder von Ismail Seleit optimiert für architektonische Darstellungen. Andere LoRAs für spezifische Materialien, Epochen oder Darstellungsweisen.

Diese Spezialisierung wäre mit geschlossenen Systemen unmöglich. Die Open-Source-Natur ermöglicht Community-getriebene Entwicklung. Architekten, Designer und Visualisierer entwickeln Werkzeuge für ihre spezifischen Anforderungen.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Komplexe Bildgenerierungs-Workflows basieren auf Stable Diffusion. ComfyUI, Invoke, X-Figura – alle nutzen Stable Diffusion als Recheneinheit. Die Workflow-Systeme organisieren mehrere Generierungsschritte, steuern Parameter und verketten Prozesse. Stable Diffusion liefert die eigentliche Bildberechnung (siehe Kapitel C.2.7).

Diese Workflows erreichen Präzision, die mit einfachen Prompt-Systemen unerreichbar bleibt. Materialien ändern ohne Geometrie zu beeinflussen. Beleuchtung anpassen ohne Objekte zu verschieben. Iterative Verfeinerung mit exakter Kontrolle jedes Schritts.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Stable Diffusion läuft auf eigener Hardware. Keine Datenübertragung an externe Server. Vollständige Kontrolle über generierte Bilder. Keine Verwendung für fremde Modelltrainings. Für vertrauliche Projekte entscheidend.

Geschlossene Systeme wie Midjourney verarbeiten alle Bilder auf ihren Servern. Prompts sind öffentlich einsehbar. Bilder trainieren zukünftige Modelle. Für kommerzielle oder sensible Projekte problematisch. Stable Diffusion bietet die Alternative.

Stable Diffusion entwickelt sich kontinuierlich weiter. Neuere Versionen verbessern Qualität und Geschwindigkeit. Die Community trägt bei durch Optimierungen, Spezialisierungen und neue Anwendungen. Während semantische Systeme wie ChatGPT und Flux die öffentliche Wahrnehmung dominieren, bleibt Stable Diffusion das Fundament für spezialisierte, kontrollierte und datenschutzkonforme Bildgeneration.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Veras ist ein KI-gestütztes Visualisierungstool von Chaos, das als Plugin direkt in gängige BIM-/CAD-Programme (Revit, SketchUp, Rhino, Vectorworks, ArchiCAD, Forma) eingebunden wird. Es erzeugt aus 3D-Modellen, 2D-Bildern oder Handskizzen innerhalb von Sekunden fotorealistische Renderings und kurze Animationen. Die Steuerung erfolgt über Textprompts und Schieberegler – etwa für Geometrietreue, Materialstärke und Prompteinfluss. Die zugrundeliegende BIM-Geometrie bleibt dabei unverändert.

Auflösungen bis 4K sind möglich, Bilder-zu-Video-Konvertierung ist integriert. Die Verarbeitung erfolgt cloudbasiert. Veras eignet sich primär für die frühe Entwurfsphase, Ideenfindung und schnelle Kundenpräsentationen – nicht als Ersatz für finale Renderings.

KI generiert mit Claude, Januar 2026 – ergänzt mit KI-gestützter Web-Recherche.

Typus.AI ist eine browserbasierte SaaS-Plattform aus Köln zur KI-gestützten Architekturvisualisierung. Über Plugins für Revit, ArchiCAD, Rhino und SketchUp werden 3D-Modelle, Viewports, Grundrisse, Fotos oder Skizzen an die Web-App übertragen. Das Tool generiert daraus in unter 60 Sekunden fotorealistische Visualisierungen, wobei die ursprüngliche Geometrie und Texturzuweisung erhalten bleiben. Materialien lassen sich über einen integrierten Katalog anpassen. Eine Besonderheit ist das kreative Upscaling bis 13K Auflösung.

Typus.AI richtet sich an Architekten und Planer, die ohne externe Rendering-Dienstleister schnell präsentationsfähige Visualisierungen benötigen – vor allem für Fassaden und Außenansichten.

KI generiert mit Claude, Januar 2026 – ergänzt mit KI-gestützter Web-Recherche.

PeliCAD ist eine cloudbasierte Visualisierungsplattform (RWTH-Aachen-Ausgründung), die 3D-CAD-/BIM-Daten im IFC-Format verarbeitet und KI-gestützt in kontextbezogene Renderings überführt. Das zentrale Unterscheidungsmerkmal ist die automatische Erzeugung eines texturierten Umgebungsmodells: Nach Eingabe einer Adresse generiert die Plattform das reale Bauumfeld inklusive Nachbarbebauung und Gelände. Designvorgaben erfolgen über Textprompts oder Moodboard-Bilder, die Geometrie des Modells bleibt erhalten.

Über das Speckle-Plugin ist eine Live-Anbindung an Revit, ArchiCAD, Rhino und weitere Planungssoftware möglich. Laut Anbieter entstehen hochwertige Visualisierungen in etwa 30 Minuten – ohne lokale GPU oder Rendering-Kenntnisse. Das Tool eignet sich besonders für Machbarkeitsstudien, Bürgerbeteiligungen und frühe Projektphasen.

Verweis: Yannic Schwarz.

KI generiert mit Claude, Januar 2026 – ergänzt mit KI-gestützter Web-Recherche.

Snaptrude ist eine browserbasierte Konzeptentwurfsplattform, die den Weg vom Raumprogramm bis zum exportfähigen BIM-Modell in einem Werkzeug abbilden möchte. Eine genauere Darstellung der Funktionsweise findet sich in Kapitel C.3.3.4. Bestandteil dieser Lösung ist auch eine integrierte KI-Visualisierung, so dass sich schnell erste Konzepte visualisieren lassen.

KI generiert mit Claude, Januar 2026 – ergänzt mit KI-gestützter Web-Recherche.

ComfyUI stellt Workflows als grafische Diagramme dar. Einzelne Knoten repräsentieren Arbeitsschritte. Verbindungen zeigen den Datenfluss. Das Interface erinnert an visuelle Programmierung.

Verschiedene Bildgenerationsmodelle lassen sich einbinden – Stable Diffusion in unterschiedlichen Versionen, Flux, spezialisierte LoRAs. Jeder Knoten bietet zahlreiche Einstellungsmöglichkeiten. Die Lernkurve ist steil.

ComfyUI war ursprünglich nur lokal installierbar. Leistungsstarke Hardware mit dedizierter Grafikkarte und ausreichend Videospeicher war erforderlich. Mittlerweile existiert eine cloudbasierte Lösung. Das System läuft im Browser. Die Hardware-Hürde entfällt.

Die Einarbeitungszeit beträgt mehrere Wochen. ComfyUI eignet sich nicht für gelegentliche Nutzung. Es erfordert kontinuierliche Beschäftigung und technisches Verständnis. Die Investition lohnt sich für komplexe, wiederkehrende Rendering-Aufgaben.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Invoke übersetzt Workflow-Prinzipien in eine Photoshop-ähnliche Benutzeroberfläche. Die Arbeitsweise basiert auf Ebenen. Einzelne Bildbereiche werden farbig markiert. Jeder Bereich erhält eigene Prompts und Parameter.

Ein typischer Workflow: Der Hintergrund erhält einen Prompt für Landschaft. Die mittlere Ebene einen Prompt für Gebäude. Der Vordergrund einen Prompt für Vegetation. Die Komposition entsteht schrittweise. Änderungen an einzelnen Ebenen beeinflussen andere nicht.

Invoke wurde von Adobe übernommen. Die Integration in die Adobe Creative Cloud ist absehbar. Die Technologie fließt vermutlich in Photoshop ein. Die Entwicklung als eigenständiges Produkt wird möglicherweise eingestellt.

Die Einarbeitung dauert mehrere Wochen. Weniger komplex als ComfyUI, aber anspruchsvoller als einfache Prompt-Systeme. Die Ebenen-Metapher erleichtert den Zugang für Photoshop-Nutzer.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

X-Figura übersetzt Workflow-Arbeitsweise in eine intuitivere grafische Benutzeroberfläche. Das System ist zugänglicher als ComfyUI, bietet aber ähnliche Möglichkeiten. Verschiedene Bildgenerationsmodelle lassen sich kombinieren. Workflow-Schritte werden in verständlicher Umgebung dargestellt.

X-Figura befindet sich in der Beta-Phase. Das System entwickelt sich kontinuierlich. Die Benutzerfreundlichkeit steht im Vordergrund — für diejenigen gedacht, die komplexe Workflows nutzen wollen ohne programmierähnliche Interfaces beherrschen zu müssen.

Die Balance zwischen Zugänglichkeit und Funktionsumfang macht X-Figura interessant. Nicht so mächtig wie ComfyUI, aber deutlich einfacher zu erlernen. Nicht so intuitiv wie Midjourney, aber deutlich kontrollierbarer.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Low-Rank Adaptations – kurz LoRAs – sind kleine, aufgesetzte Gewichtspakete, die ein bestehendes Bildgenerierungsmodell gezielt umprogrammieren, ohne es vollständig neu zu trainieren. Man trainiert eine LoRA auf einem eigenen Bilddatensatz und koppelt sie dann an ein Basismodell. Das Modell lernt dadurch einen spezifischen Stil, eine Materialsprache, eine Gebäudetypologie. LoRAs sind modellunabhängig einsetzbar: Sie laufen auf Stable Diffusion, SDXL und Flux gleichermaßen, und mehrere LoRAs lassen sich kombinieren, um die Bildgenerierung präzise zu steuern.

Ismail Seleit hat diesen Ansatz für architektonische Bildgenerierung konsequent weiterentwickelt. Unter dem Namen Form-Finder hat er – neben seiner regulären Büroarbeit, in seiner Freizeit, über wenige Monate – eine Zahl architektonischer Bildwelten erzeugt, die in ihrer Breite und Qualität bemerkenswert ist. Wir haben ihn beim AI in Practice Summit in London erlebt: ein junger Architekt, der durch gezielte Manipulation von Bildmodellen in kurzer Zeit mehr ungewöhnliche architektonische Visionen generiert hat als viele etablierte Büros in Jahren. Das wirft eine ernsthafte Frage auf: Wer prägt heute noch die visuellen Maßstäbe – und wie bewahren wir in dieser Bilderflut die Fähigkeit zur Auswahl und Kritik?

Im Architects Network hatten wir in einem zweitägigen Kurs nachvollziehen können, wie Ismail Seleit mit ComfyUI und gezielter Bildmanipulation mittels aufgabenspezifischer LoRAs einen gänzlich neuen Ansatz architektonischer Formfindung entwickelt hat. Auf Basis eines Projektnarrativs und eigener Referenzbilder entsteht ein Workflow, der projektspezifisch weiterentwickelt wird und bis zur Übertragung von Bild zu Modell führen kann.

Verweis: Ismail Seleit.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Workflow-Rendering-Systeme bieten entscheidende Vorteile für vertrauliche Projekte. ComfyUI läuft lokal oder auf gemieteten Servern mit Eigentumsgarantie. Bilder verbleiben im eigenen Besitz. Keine Verwendung für fremde Modelltrainings. Keine öffentliche Einsehbarkeit.

Der Gegensatz zu Midjourney ist deutlich. Alle Midjourney-Bilder sind öffentlich (außer im teuren Private-Modus). Jede Generierung trainiert zukünftige Modelle. Prompts sind einsehbar. Für sensible Projekte ungeeignet.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Workflow-Rendering erfordert Spezialisierung. Nicht jeder Mitarbeiter kann oder will diese Systeme beherrschen. Die Empfehlung: Einen Mitarbeiter als KI-Spezialisten ausbilden.

Dieser Spezialist testet neue Werkzeuge, entwickelt Workflows, schult Kollegen und ist Ansprechpartner für komplexe Visualisierungsaufgaben. Der Zeitaufwand: Regelmäßig, aber nicht Vollzeit. Etwa ein Tag pro Woche für kontinuierliche Weiterbildung und Workflow-Entwicklung.

Workflow-Rendering eignet sich nicht für alle Aufgaben. Wiederkehrende Rendering-Aufgaben mit gleicher Struktur profitieren von vordefinierten Workflows. Maximale Kontrolle bei Präsentationen für anspruchsvolle Kunden rechtfertigt den Aufwand. Vertrauliche Projekte erfordern lokale Kontrolle statt Cloud-Dienste.

Für schnelle Moodboards, erste Entwurfsstudien oder einfache Präsentationen sind semantische Systeme wie ChatGPT oder Flux besser geeignet. Für finale, kontrollierte Renderings mit reproduzierbaren Ergebnissen führt kein Weg an Workflow-Systemen vorbei.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Krea ist eine browserbasierte KI-Kreativsuite, die Bild-, Video- und 3D-Generierung sowie Bearbeitung und Upscaling in einer einzigen Plattform bündelt. Das Besondere an Krea ist nicht ein einzelnes Eigenmodell, sondern die Integration der führenden Drittanbietermodelle – darunter Flux, Googles Veo 3, Runway Gen-4, Ideogram, Imagen 4 und das hauseigene Krea-1-Modell – unter einer gemeinsamen, vereinfachten Benutzeroberfläche. Nutzer wählen je nach Aufgabe das passende Modell, ohne zwischen mehreren Plattformen wechseln zu müssen.

Für die Architekturpraxis besonders relevant sind zwei Funktionen: das Realtime Rendering und der Enhancer. Das Realtime-Canvas erzeugt Bildvorschauen in unter 50 Millisekunden – Skizzen, geometrische Formen oder Stichworte werden beim Eintippen unmittelbar in fotorealistische Ausgaben überführt. Das ermöglicht ein exploratives, skizzennahes Arbeiten, das anderen KI-Bildgeneratoren fremd ist. Der Enhancer skaliert Bilder auf bis zu 22K Auflösung hoch und schließt dabei sieben verschiedene Upscaling-Modelle ein, unter anderem Topaz Photo AI und Topaz Gigapixel.

Darüber hinaus bietet Krea LoRA-Finetuning: Aus wenigen eigenen Referenzbildern lassen sich angepasste Modelle trainieren, die konsistent einen bestimmten Architekturstil, ein Material oder ein Büroprojekt reproduzieren. Die Gratisversion erlaubt erste Tests; produktiver Einsatz setzt ein kostenpflichtiges Abonnement voraus.

KI generiert mit Claude, Januar 2026 – ergänzt mit KI-gestützter Web-Recherche.

Für die gesamte Technologie und deren Anwendung gibt es kein Curriculum und auch keine Lehrbücher. Die Entwicklung ist so schnelllebig, dass jede Manifestation überholt ist, sobald sie niedergeschrieben und veröffentlicht worden ist.

Im Kern geht es darum, sich Fertigkeiten anzueignen, indem wir von denjenigen lernen, die diese bereits besitzen. Formal betrachtet: Eine Sprache lernt man, indem man sie spricht. In vielen Belangen ist der erforderliche Ansatz aber um ein Vielfaches einfacher und direkter: So, wie uns irgendwann mal jemand zum Zeitvertreib beigebracht hat, auf zwei Fingern einen lauten Pfiff zu produzieren.

In unseren beruflichen Kontext übertragen lautet die Empfehlung an die Geschäftsführung: Geben Sie Ihrer Belegschaft die Zeit und den Raum, sich auf virtuellen Spielplätzen frei zu bewegen – und dort zu lernen, wie das neue Handwerk funktioniert.

Ismail Seleits Kurs bei Architect Network war genau das. Dringende Empfehlung: Machen Sie Raum für Spiel und Experiment. Lassen Sie die Mitarbeitenden in Ihrem Büro an derartigen Veranstaltungen teilnehmen, auch wenn auf den ersten Blick kein nachweislich messbarer Mehrwert zu erkennen ist.

KI generiert mit Claude, Januar 2026 – ergänzt mit KI-gestützter Web-Recherche.

Runway ist eine cloudbasierte Plattform für KI-gestützte Videogenerierung aus New York. Das Kernprodukt sind die Modelle der Gen-Familie. Sie unterstützen Text-zu-Video, Bild-zu-Video und Video-zu-Video-Workflows. Clips entstehen in bis zu 4K-Auflösung und können auf bis zu 26 Sekunden verlängert werden. Besonderes Merkmal ist die präzise Kamerasteuerung: Nutzer können Bewegungsrichtung, Intensität und Handheld-Effekte gezielt einstellen. Keyframe-Kontrolle erlaubt es, Anfangs-, Mittel- und Endframe einer Sequenz vorzugeben.

Runway kooperiert nachweislich mit Architekturbüros, darunter KPF, die das System für interne Rendering-Workflows und Animationen von Entwurfsmodellen einsetzen. Für die Architekturpraxis relevant sind vor allem die Kamerakontrollen und die Möglichkeit, Renderbilder in bewegte Sequenzen zu überführen.

KI generiert mit Claude, Januar 2026 – ergänzt mit KI-gestützter Web-Recherche.

Kling ist ein KI-Videogenerator des chinesischen Technologieunternehmens Kuaishou. Die aktuelle Version unterstützt Text-zu-Video, Bild-zu-Video sowie strukturierte Mehr-Szenen-Generierung mit bis zu sechs Shots pro Clip. Videos werden in Auflösungen bis 1080p bei 48 Bildern pro Sekunde erzeugt; einzelne Clips können auf bis zu drei Minuten verlängert werden – deutlich länger als bei den meisten Konkurrenzprodukten.

Ab Kling 2.6 werden Audio und Video in einem einzigen Durchgang erzeugt; Sprache, Umgebungsgeräusche und Musik entstehen synchron zum Bildinhalt. Für Architekturanwendungen interessant sind vor allem die Kamerasteuerung, die Motion-Brush-Funktion für gezielte Bewegungssteuerung einzelner Bildbereiche sowie die Möglichkeit, Massenmodelle und Renderings zu animierten Sequenzen weiterzuentwickeln. Einschränkungen bestehen bei der Verfügbarkeit in Europa sowie in Bezug auf Datenschutz, da Verarbeitung auf chinesischen Servern stattfindet.

KI generiert mit Claude, Januar 2026 – ergänzt mit KI-gestützter Web-Recherche.

Veo ist Googles Modell für KI-gestützte Videogenerierung, entwickelt bei Google DeepMind. Das Modell basiert auf einer Latent-Diffusion-Transformer-Architektur, die Video- und Audiodaten in einem gemeinsamen Latenzraum verarbeitet. Dadurch entsteht Audio – Dialoge, Soundeffekte, Umgebungsgeräusche – synchron mit dem Bild in einem einzigen Generierungsschritt.

Videos werden in bis zu 1080p-Auflösung erzeugt; durch aufeinanderfolgende Clips lassen sich Sequenzen von bis zu 60 Sekunden zusammensetzen. Alle generierten Videos werden mit SynthID, Googles KI-Wasserzeichen-Standard, gekennzeichnet. In unabhängigen Vergleichstests zeigt Veo bei visueller Qualität, physikbasierter Bewegung und Prompt-Treue derzeit die stärksten Ergebnisse unter den verfügbaren Modellen. Für Architekturanwendungen relevant sind insbesondere die physikalisch korrekte Darstellung von Licht, Materialität und Bewegung.

KI generiert mit Claude, Januar 2026 – ergänzt mit KI-gestützter Web-Recherche.

Midjourney veröffentlichte sein erstes Videomodell als reines Bild-zu-Video-System: Nutzer laden ein bestehendes Bild hoch – oder verwenden ein zuvor in Midjourney generiertes – und animieren es in einen fünfsekündigen Clip. Durch mehrfache Verlängerung sind maximal 21 Sekunden möglich. Zwei Animationsmodi stehen zur Wahl: automatisch, bei dem das System selbst eine Bewegungslogik ableitet, und manuell, bei dem Kamerabewegung und Subjektbewegung per Textprompt beschrieben werden.

Das Modell priorisiert stilistische Konsistenz mit Midjourney-typischer Bildästhetik über technische Kontrollierbarkeit; der Output wirkt eher künstlerisch-traumartig als fotorealistisch. Verglichen mit Runway, Kling oder Veo ist das Modell in Auflösung, Länge und Steuerungsmöglichkeiten deutlich eingeschränkt. Für die Architekturpraxis ist das Tool in seinem aktuellen Stand vor allem für stilistische Animationen von gerenderten Bildern geeignet, nicht für präzise Entwurfsvisualisierungen.

KI generiert mit Claude, Januar 2026 – ergänzt mit KI-gestützter Web-Recherche.

Für schnelle Entwurfsstudien und Moodboards: Midjourney liefert ästhetisch ansprechende Bilder mit dramatischer Lichtstimmung. Sofort einsetzbar ohne Einarbeitung. Einschränkung: Keine präzise geometrische Kontrolle.

Für gezielte Bildmanipulation: ChatGPT oder Flux verstehen Bildinhalte und ermöglichen gezielte Änderungen per Dialog. „Leere das Büro", „Ändere die Fassade", „Mach es Abend" funktionieren zuverlässig. Flux bietet besseres Preis-Leistungs-Verhältnis, ChatGPT ist für viele bereits vorhanden.

Für maximale Kontrolle: Workflow-Rendering mit ComfyUI oder X-Figura ermöglicht präzise Steuerung aller Parameter. Einarbeitung: Mehrere Wochen. Lohnt sich für wiederkehrende komplexe Rendering-Aufgaben und vertrauliche Projekte.

Für vertrauliche Projekte: Lokale Systeme auf Basis von Stable Diffusion garantieren Datenschutz und Eigentumsrechte. Kommerzielle Cloud-Systeme trainieren Modelle mit Nutzerdaten.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Die Mindestausstattung umfasst drei Komponenten.

Midjourney: Bewährte Grundausstattung für ästhetische Visualisierungen. Gratis-Account nicht ausreichend für ernsthaftes Arbeiten.

Nano Banana oder ChatGPT: Semantisches Bildverständnis für gezielte Manipulation. ChatGPT oft bereits vorhanden, Flux bietet großzügigen Gratis-Bereich. Credit-System ermöglicht kosteneffiziente Nutzung.

Spezialisierung optional: Workflow-Rendering gerne bei konkretem und vertiefendem Bedarf. Einen Mitarbeiter als entsprechenden Spezialisten ausbilden, anstatt alle im Büro an der gleichen Technik zu schulen.

Empfohlene Kennzeichnung der mit KI generierten Bilder: „Hergestellt von [Büroname] mit [KI-System]". Beispiel: „Hergestellt von seg Architekten mit Midjourney." Transparenz schafft Vertrauen und dokumentiert den Prozess.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.

Die Entwicklung verläuft rasant. Kurzfristig: Weitere Verbesserung der räumlichen Interpretation, präzisere Materialdarstellung, vereinfachte Benutzerführung. Mittelfristig: Integration in CAD-Workflows, automatisierte Variantenstudien, Echtzeitvisualisierung während der Planung.

Die zentrale Herausforderung verschiebt sich von „Wie generiere ich Bilder?" zu „Wie gehe ich strukturiert mit dem Bildüberfluss um?" Klare Kriterien und Variantenbegrenzung werden entscheidend. Der Einstieg sollte zeitnah erfolgen. Die Technologie ist produktionsreif.

KI generiert mit Claude, Januar 2026 – redaktionell bearbeitet Februar 2026.