Bildbearbeitung: Wie lassen sich 1.000 Produktbilder mit KI bearbeiten?
Mit einem durchdachten KI-Workflow lassen sich selbst große Bildmengen ohne professionelles Shooting vereinheitlichen. Wir zeigen, wie das in der Praxis funktioniert und was dabei wirklich zählt.
Auf einen Blick
- Batch-Bildbearbeitung mit KI spart gegenüber manueller Bearbeitung bis zu einer Stunde pro Bild
- Der Workflow bei dotfly. kombiniert Nano Banana (KI-Bildbearbeitung) und n8n (Automatisierung)
- Präzises Prompt-Engineering ist der wichtigste Erfolgsfaktor
Referenzbilder können KI verwirren und Produkte verfälschen, gut formulierte Textprompts liefern oft bessere Ergebnisse
Automatisierung ersetzt keine Qualitätskontrolle, sie macht sie effizienter
Alle Prompt-Varianten sollten manuell dokumentiert werden, weil KI-Tools keine eigene Verlaufsspeicherung haben
Inhaltsverzeichnis
1.000 Bilder, kein Shooting
Ein Fachhändler im Medizinbereich wollte seinen Onlineshop neu aufstellen. Das Problem: Hunderte von Produkten, alle Bilder von verschiedenen Herstellern geliefert, in unterschiedlichen Formaten, mit unterschiedlicher Belichtung, auf unterschiedlichen Hintergründen. Kein eigenes Produktshooting, keine einheitliche Bildsprache.
Früher hätte das bedeutet: Bild für Bild in Photoshop. Freistellen, Hintergrund anlegen, Schatten setzen, Farben angleichen. Mindestens eine Stunde pro Bild. Bei dieser Menge wäre das schlicht kein gangbarer Weg gewesen.
Die Lösung kam aus unserem Team. Unsere Designerin und unser Backend-Entwickler haben gemeinsam einen Workflow entwickelt, der genau dieses Problem löst: effizient, automatisiert und trotzdem qualitätssicher.
Dabei war von Anfang an klar: Das Ziel ist nicht, Produktbilder grundlegend zu verändern, sondern sie behutsam zu vereinheitlichen. Der Grad zwischen kreativer Optimierung und dem Erhalt des Originals ist schmal, und das Urheberrecht setzt dabei klare Grenzen.
Welche Tools haben wir genutzt?
Für die Batch-Bildbearbeitung haben wir Nano Banana eingesetzt, das die KI-gestützte Bildbearbeitung übernimmt.
Bilder werden freigestellt, mit einem einheitlichen Hintergrund versehen und mit einem konsistenten Schatten ausgestattet. Für die Automatisierung des Gesamtprozesses haben wir n8n genutzt. Aktuell testen wir außerdem einen neuen Workflow direkt in Figma, der diesen Prozess noch weiter vereinfachen könnte. Was sich in der Praxis bewährt, werden wir hier ergänzen. Beide Tools greifen ineinander, sodass eine große Bildmenge in einem Durchlauf bearbeitet werden kann.
Das Ergebnis: Statt einer Stunde pro Bild läuft der Prozess im Batch. Was vorher Tage oder Wochen gedauert hätte, ist jetzt in einem Bruchteil der Zeit erledigt.
Warum ist Prompt-Engineering der entscheidende Faktor?
KI-Bildbearbeitung funktioniert nur so gut wie die Prompts, die dahinterstecken. Das klingt simpel, hat uns aber in der Praxis einiges an Überzeugungsarbeit gekostet. Denn KI kann stark übertreiben: Aus einer dünnen medizinischen Kontaktlinse wurde plötzlich ein glitzerndes Kristallobjekt. Aus einem schlichten Latexhandschuh etwas kaum Wiederzuerkennendes. Für einen Fachhändler im Medizinbereich, wo präzise Produktdarstellung keine Kür, sondern Pflicht ist, war das natürlich nicht akzeptabel.
Ein weiterer Grund, warum der Prompt so entscheidend ist: KI betrachtet jedes Bild isoliert. Sie hat keinen Blick für den Gesamtzusammenhang, kann nicht einschätzen, wie ein Bild im Verhältnis zu den anderen wirkt, und bringt keinerlei Kontext aus vorherigen Bildern mit. Jedes Produktbild wird also von Null an neu bewertet und bearbeitet.
Das bedeutet: Ohne einen präzisen, konsistenten Prompt entsteht kein einheitliches Ergebnis, egal wie gut das Ausgangsmaterial ist.
Unsere Designerin hat deshalb intensiv an den Prompts gearbeitet, sukzessive angepasst und jede Variante dokumentiert. Denn hier liegt eine oft unterschätzte Eigenheit dieser Tools: Es gibt keine Prompt-Historie. Wer einen Prompt in Nano Banana, Figma oder Photoshop ändert, verliert den vorherigen. Wer das nicht selbst in die Hand nimmt und systematisch archiviert, verliert im schlimmsten Fall Stunden an Arbeit und muss von vorne anfangen.
Bei dotfly. haben wir alle Prompt-Varianten in einem gemeinsamen Archiv gesammelt und nachvollziehbar dokumentiert, welche Änderungen zu welchen Ergebnissen geführt haben. Das ist kein Luxus, sondern Grundlage für reproduzierbare Qualität.
Warum sind Referenzbilder oft keine gute Idee?
Intuitiv klingt es sinnvoll, der KI ein Referenzbild mitzugeben, damit sie weiß, in welche Richtung es gehen soll. In der Praxis hat sich für dieses Projekt das Gegenteil gezeigt.
Referenzbilder können die KI in eine Richtung ziehen, die das eigentliche Produkt verfremdet. Besonders bei sensiblen Produktkategorien wie Medizinprodukten führte das dazu, dass die KI das Referenzprodukt stärker gewichtete als das eigentliche Ausgangsbild. Präzise, beschreibende Textprompts ohne visuelles Vorbild lieferten hier zuverlässigere und kontrolliertere Ergebnisse.
Das ist keine allgemeingültige Regel, aber eine wichtige Erkenntnis für Projekte, bei denen Produkttreue entscheidend ist.
Warum bleibt Qualitätskontrolle unverzichtbar?
Automatisierung bedeutet nicht, die Augen zu schließen. Jedes bearbeitete Bild wurde in einer strukturierten Excel-Tabelle erfasst, ebenfalls mit KI-Unterstützung erstellt, damit unser Kunde Bild für Bild sichten und freigeben konnte. Was nicht stimmte, wurde manuell nachbearbeitet.
Ein KI-Batch-Workflow ist kein Autopilot. Er ist ein smartes Werkzeug, das großen Aufwand erheblich reduziert. Die menschliche Kontrolle am Ende ist dabei kein Zeichen von Schwäche, sondern Teil eines professionellen Prozesses. Gerade im Medizinbereich, wo fehlerhafte Produktdarstellungen rechtlich relevant werden können, ist das schlicht notwendig.
Was hat der Workflow konkret gebracht?
Was früher mindestens eine Stunde pro Bild gekostet hätte, läuft heute im Batch durch. Der Onlineshop hat einen einheitlichen visuellen Auftritt ohne eigenes Produktshooting, der Kunde hat eine transparente Qualitätskontrolle im Prozess und dotfly. hat dokumentiertes Prozesswissen aufgebaut, das direkt in künftige Projekte einfließt.
Denn das ist ein Nebeneffekt, der oft vergessen wird: Wer solche Workflows einmal sorgfältig aufbaut und dokumentiert, hat nicht nur für dieses Projekt gewonnen. Er hat ein wiederverwendbares Fundament für alle ähnlichen Herausforderungen danach.
Klingt das nach einem Problem, das ihr auch kennt?
Wenn ihr einen Online-Shop mit vielen Produkten betreibt und das Bildmaterial nicht einheitlich ist, lohnt sich das Gespräch. Wir schauen uns eure Situation gerne an und sagen euch offen, ob und wie ein KI-Workflow für euch Sinn macht.
Jetzt kostenloses Beratungsgespräch vereinbaren
FAQs
Häufige Fragen zur KI-Bildbearbeitung
Bei manueller Bildbearbeitung muss man realistisch mit mindestens einer Stunde pro Bild rechnen, für Freistellen, Hintergrund, Schatten und Qualitätskontrolle. Mit einem gut eingerichteten KI-Batch-Workflow läuft derselbe Prozess für viele Bilder gleichzeitig durch. Die genaue Zeitersparnis hängt vom Projektumfang und der Qualität des Ausgangsmaterials ab.
Für dieses Projekt haben wir Nano Banana für die KI-gestützte Bildbearbeitung und n8n für die Prozessautomatisierung eingesetzt. Welche Toolkombination für ein Projekt sinnvoll ist, hängt von den Anforderungen und dem vorhandenen Bildmaterial ab.
Grundsätzlich ja, aber die Herausforderungen sind unterschiedlich. Besonders bei Produkten, bei denen Form und Material präzise dargestellt werden müssen, wie im Medizin- oder Technikbereich, braucht es sorgfältig ausgearbeitete Prompts und eine konsequente Qualitätskontrolle.
In den meisten Fällen bei einem kleinen Teil der Bilder. KI-Ergebnisse sind nicht automatisch fehlerfrei. Ein strukturierter Kontrollprozess, idealerweise mit klarem Freigabe-Workflow für den Kunden, ist fester Bestandteil eines professionellen Setups.
Das hängt von der Anzahl der Bilder, der Ausgangsmaterialqualität und dem gewünschten Ergebnis ab. Wir schauen uns das Projekt erst an und machen dann ein transparentes Angebot.
