KI-Label wird für Produktbilder zum Conversion-Risiko

Eine am 8. September 2026 veröffentlichte t3n-Analyse zu einem Experiment der Hochschule Hannover zeigt ein für den Onlinehandel relevantes Problem: Nicht zwingend KI-generierte Produktbilder selbst schwächen die Kaufabsicht, sondern der Hinweis darauf. In dem Experiment bewerteten 163 Teilnehmende Produktbilder aus vier Kategorien. Das Label „KI-generiert“ senkte demnach Produkteinstellung und Kaufabsicht, während die tatsächliche Bildquelle isoliert keinen vergleichbaren Nachteil zeigte.

Label wirkt stärker als Bildherkunft

Laut t3n kombinierten die Forschenden klassische und KI-generierte Produktbilder mit korrekt und falsch gesetzten „KI-generiert“-Hinweisen. Geprüft wurden Kaffee und Schokolade als genussorientierte Produkte sowie Jacke und Rucksack als eher nützliche Produkte. Entscheidend ist die Versuchsanordnung: Auch ein konventionelles Foto konnte fälschlich ein KI-Label tragen, während ein KI-Bild ohne Hinweis erscheinen konnte.

Das berichtete Ergebnis trennt damit Bildursprung und Labelwirkung. Ohne Label machte die Herkunft des Bildes für die Produkteinstellung keinen nachweisbaren Unterschied; bei der Kaufabsicht lagen KI-Bilder laut Bericht sogar leicht vorn. Mit Label sanken dagegen Produkteinstellung und Kaufabsicht unabhängig davon, ob das Bild tatsächlich per KI erzeugt war. Die Effektstärke, Signifikanz und Übertragbarkeit auf weitere Sortimente lassen sich aus der t3n-Zusammenfassung allein nicht abschließend prüfen, weil der Primäraufsatz in der Recherche nicht separat zugänglich war.

Transparenz wird zur UX-Frage

Für Händler ist der Befund mehr als eine akademische Beobachtung. KI-Fotoproduktion verspricht niedrigere Bildkosten, schnellere Kampagnen und mehr Varianten für Marktplätze, Social Commerce oder personalisierte Landingpages. Gleichzeitig kann ein generisches Label wie ein Warnsignal wirken: Kundinnen und Kunden erfahren zwar, dass KI im Spiel ist, aber nicht, ob nur der Hintergrund synthetisch ist, ob ein Model generiert wurde oder ob Form, Farbe und Material des Produkts verändert sind.

Gerade auf Produktdetailseiten ist diese Unschärfe teuer, weil Bilder Erwartungen an Passform, Größe, Oberfläche und Lieferinhalt setzen. Händler sollten Kennzeichnung deshalb nicht nur als Pflichtfeld behandeln, sondern als Teil der Produktkommunikation testen: Was wurde erzeugt, was ist unverändert, und worauf kann sich der Kunde verlassen?

AI Act verschiebt die Kennzeichnung in den Pflichtprozess

Die EU-Kommission hat am 20. Juli 2026 Leitlinien zu den Transparenzpflichten unter Artikel 50 veröffentlicht. Danach gelten diese Pflichten seit dem 2. August 2026 für bestimmte Anbieter und Betreiber von KI-Systemen; betroffen sind unter anderem Regeln zur Kennzeichnung beziehungsweise Offenlegung bestimmter KI-generierter oder manipulierter Inhalte in klarer, unterscheidbarer und zugänglicher Form, wie die EU-Kommission erläutert.

Wichtig bleibt die Abgrenzung: Die kurze Schonfrist bis zum 2. Dezember 2026 ist keine pauschale Verschiebung aller Transparenzpflichten. Der AI Act Service Desk nennt sie nur für bestimmte Markierungs- und Erkennungspflichten nach Artikel 50 Absatz 2 bei KI-Systemen, die vor dem 2. August 2026 bereits in Verkehr gebracht wurden. Welche konkrete Pflicht für welches Bild, welches Tool und welche Shop-Rolle gilt, sollten Händler juristisch prüfen lassen. Dieser Text ersetzt keine Rechtsberatung.

Was Händler jetzt testen sollten

Die operative Konsequenz ist nicht, Hinweise möglichst klein zu verstecken. Das wäre rechtlich riskant und kann Vertrauen zusätzlich beschädigen, wenn Kundinnen und Kunden die Kennzeichnung später entdecken. Sinnvoller ist ein Testprogramm für verständliche Transparenz: „KI-generiert“ gegen präzisere Varianten wie „Hintergrund KI-generiert, Produkt unverändert“ oder „KI-generierte Anwendungsillustration“. Solche Formulierungen sind keine bestätigte Best Practice, aber eine direkt aus dem Studienbefund ableitbare Hypothese.

Gemessen werden sollte nicht nur die Conversion. Relevant sind auch Klicks auf weitere Bilder, Verweildauer auf Produktdetails, Kundenzufriedenheit, Supportkontakte und Retouren. Ein Label, das kurzfristig weniger abschreckt, aber mehr Missverständnisse über Farbe, Größe oder Material erzeugt, verschiebt Kosten nur in Logistik und Service.

Für Händler mit vielen KI-Assets entsteht damit eine Governance-Aufgabe. Kreativteams müssen dokumentieren, welche Bildelemente synthetisch sind. PIM- oder DAM-Systeme brauchen Felder für Bildquelle, Bearbeitungstiefe und Freigabestatus. Frontend-Teams müssen Kennzeichnung, Tooltip oder Bildunterschrift so einbauen, dass sie mobil sichtbar bleibt und den Kaufprozess nicht unnötig unterbricht. Die Debatte passt zu früheren etailment-Themen rund um KI-Bildproduktion im Fashionhandel und zur Frage, wie Plattformen mit KI-Kennzeichnung umgehen.

Der nächste belastbare Prüfpunkt ist der vollständige Studienaufsatz der Hochschule Hannover. Bis dahin spricht der Befund gegen harte Budgetentscheidungen allein auf Basis niedriger Produktionskosten. Händler sollten KI-Bilder weiter testen, die Kennzeichnung aber als eigenständigen UX- und Vertrauensfaktor behandeln.