Warum KI-Bildgeneratoren deine Markenfarben verfehlen

Der Prompt schien wasserdicht. Du hast die Szene beschrieben und dann den Akzent direkt aus deinen Richtlinien ergänzt — #9A3B2C, Zeichen für Zeichen kopiert — und der Generator lieferte ein wirklich gutes Bild: richtige Stimmung, richtige Komposition und ein Akzent, der … fast deine Farbe ist. Eine Spur zu orange. Du generierst neu, den hex-Code wiederholt, diesmal in Großbuchstaben. Das nächste Bild ist ebenfalls gut, und der Akzent ist in die andere Richtung gewandert, hin zu einem staubigen Rosa. Nichts an dem Bild ist falsch außer dem einen Wert, den du am präzisesten angegeben hast.

KI-Bildgeneratoren verfehlen Markenfarben, weil ein nackter hex-Code ein schwacher Prompt-Kanal ist: Diese Modelle haben Assoziationen zwischen Wörtern und Bildern gelernt, kein Farbmanagement — ein exakter Wert wird also nur unzuverlässig eingehalten. Die Methode, die funktioniert, kombiniert einen beschreibenden Farbnamen mit dem hex-Code — „tiefes, gedämpftes Ziegelrot, etwa #9A3B2C” — wobei der Name lenkt und der hex-Code fixiert; ergänzt ein Referenzbild dort, wo Präzision zählt; und behandelt einen kleinen Korrekturdurchgang in der Nachbearbeitung als Teil des Arbeitsablaufs. In diesem Artikel geht es um das Ein-Farben-Problem, den schwierigsten Fall; es gehört zum größeren Arbeitsablauf in unserem Leitfaden zu KI und Designsystemen.

Warum kann das Modell nicht einfach den hex-Code verwenden?

Weil im Inneren eines Bildgenerators nichts Werte nachschlägt. Ein generatives Bildmodell erzeugt Bilder aus statistischen Assoziationen zwischen den Wörtern eines Prompts und den Bildern, die diese Wörter im Training beschrieben haben. „Ziegelrot” taucht in Millionen von Bildunterschriften auf, verknüpft mit Millionen von Bildern, die tatsächlich Ziegelrottöne enthalten — ein starkes, gut gelerntes Signal. #9A3B2C steht so gut wie nie in einer Bildunterschrift, und wo hex-Zeichenketten im Trainingstext vorkommen, sind sie selten eng an die Pixel daneben gebunden. Für das Modell ist der Farbname eine asphaltierte Straße und der hex-Code ein schwacher Trampelpfad. Generatoren treffen einen geforderten hex-Wert oft ungefähr — die Ziffern tragen durchaus etwas Signal — aber „ungefähr, mit Streuung” ist genau das, was eine Markenvorgabe nicht dulden kann.

Der Fehltreffer hat eine zweite, physikalische Ebene. Generatoren rendern Szenen, und Szenen haben Licht und Material. Dieselbe nominelle Oberflächenfarbe wirkt unter Fensterlicht wärmer und im Schatten kühler; eine matte Wand und eine glasierte Tasse driften auseinander, selbst wenn beide technisch „korrekt” sind. Kein Generator ist ein Farbmanagementsystem — deine Markenfarbe durchläuft simuliertes Licht, bevor sie bei dir ankommt. Designer im Druckbereich kennen eine Variante dieser Lektion bereits: Eine Markenfarbe war noch nie eine einzige absolute Zahl über alle Medien hinweg, weshalb das Übersetzen einer Druckfarbe auf einen Bildschirm eine Frage des Urteils ist und keine Formel.

Was funktioniert besser als ein nackter hex-Code?

Ein Paar: ein beschreibender Farbname plus der hex-Code. Tiefes, gedämpftes Ziegelrot, etwa #9A3B2C. Der Name übernimmt die Lenkung, weil er auf visuelle Konzepte abbildet, die das Modell wirklich gelernt hat; der hex-Code fixiert die Nachbarschaft und schließt die Terracotta- und Bordeauxrot-Töne aus, die „Ziegelrot” allein zulassen würde. Sogar das Wort etwa leistet ehrliche Arbeit — es verlangt nach dem, was das Modell tatsächlich liefern kann. OpenAIs Prompting-Leitfaden für seine Bildmodelle weist in dieselbe Richtung: Konkrete, beschreibende visuelle Sprache ist der Kanal, auf den diese Systeme reagieren.

Der Name muss beschreibend sein, damit er funktioniert. „Brand Rust 500” bedeutet deinem Designsystem etwas und dem Modell nichts; „tiefes, gedämpftes Ziegelrot” ist eine Formulierung, die die Trainingsdaten ihm beigebracht haben. Damit zeigt sich die stille Voraussetzung der ganzen Technik: Du kannst nur dann mit Farbnamen prompten, wenn jeder Ton in deiner Palette einen hat. Öffne eine Palette im Scale Composer und lies den Namen und den Wert des Akzents nebeneinander — eine Palette, in der jeder Ton einen menschenlesbaren Namen und einen hex-Wert trägt, ist fertiges Prompt-Vokabular.

Funktionieren negative Prompts bei Farbe?

Schlecht, bei Generatoren mit natürlicher Sprache. Modelle der gpt-image- und Veo-Klasse achten stärker auf die Substantive in einem Prompt als auf die logischen Operatoren darum herum — verbietest du eine Farbe, hast du diese Farbe soeben in den Arbeitskontext des Modells gesetzt. „Nicht orange” führt oft zu mehr Orange; „keine Lilatöne” lädt Lila geradezu ein. Die Lösung ist strukturell, nicht nachdrücklich: Beschreibe den gewünschten Zustand positiv. Statt „nicht orange” schreibe „kühler als Terracotta, ins Braune gehend”. Der Parameter --no bei Midjourney und Stable Diffusion ist eine echte Ausnahme — eigene Syntax, anders verarbeitet als Fließtext — aber selbst dort besteht das Handwerk darin, ihn sparsam einzusetzen und die positive Beschreibung das Gewicht tragen zu lassen.

Was ist mit Schwarz-Weiß mit einem einzigen Markenakzent?

Selektive Farbe — eine monochrome Szene mit einem einzigen farbigen Element — ist eine bekannte Schwachstelle, und der Grund für das Scheitern lässt sich verallgemeinern. Ein Prompt beschreibt das ganze Bild; das Modell hat keinen Mechanismus, um eine Anweisung auf ein einzelnes Objekt einzugrenzen. Schreibe „der Schal ist das einzige warme Element”, und du hast eine Aussage über alles andere getroffen — das Modell kommt dem womöglich nach, indem es die gesamte Szene abkühlt. Die Formulierung, die funktioniert, beschreibt die Beziehung des Akzents statt seiner Ausschließlichkeit: „ein Schal in tiefem, gedämpftem Ziegelrot, dezente Wärme, etwas wärmer als alles ringsum”. Selbst dann rechne mit Durchsickern — ein leicht getöntes „Schwarz-Weiß”, ein zweites Objekt, das sich den Akzent ausleiht — und plane es ein. Das ist der deutlichste Fall, in dem das Referenzbild und der Korrekturdurchgang keine Notlösungen mehr sind, sondern der Plan.

Wie nah ist nah genug?

Das hängt davon ab, wo das Bild landet, und genau das bestimmt den Arbeitsablauf. Für Stimmungs- und Kampagnenbilder landet das Name-plus-hex-Paar meist von allein im akzeptablen Bereich. Wo Präzision zählt — Produktaufnahmen, UI-Mockups, alles in der Nähe des Logos — ergänze ein Referenzbild: Bild-Eingaben tragen die Farbe selbst statt einer Beschreibung von ihr und sind der stärkste Genauigkeitskanal, den diese Systeme bieten. Und wenn die Marke einen exakten Treffer verlangt, ist der letzte Schritt die Nachbearbeitung. Eine selektive Farbtonkorrektur ist eine kleine, lokale Bearbeitung, wenn die generierte Farbe bereits nah dran ist — und genau das erkaufen dir die ersten beiden Schritte. Den Korrekturdurchgang als Versagen zu werten ist der Fehler; es ist dieselbe Finishing-Disziplin, die die Druckproduktion schon immer hatte.

Die Technik lässt sich auf eine Zeile eindampfen: benenne sie, fixiere sie, referenziere sie, korrigiere sie. Und sie beruht auf einer Palette, in der jeder Ton bereits einen Namen hat — Lichter und Mitteltöne genauso wie der Akzent, denn das Begleitproblem zu einem Akzent, der danebengeht, ist ein Hintergrund, der abdriftet — weshalb das Prompten mit einer vollständigen Palette eine eigene Technik ist. Lade eine vollständige Palette und lies sie als Prompt-Vokabular — jeder Ton benannt und fixiert, vom warmen Elfenbein-Licht bis zum Ziegel-Akzent, das Rohmaterial für jede Technik in diesem Hub.