ChatGPT Images 2.5: Lokale Bearbeitung und Skizzen revolutionieren die Bildgestaltung

ChatGPT Images 2.5 präsentiert sich nicht als bloßes ästhetisches Upgrade. In einem am 8. September 2026 veröffentlichten Thread gliedert OpenAI die Ankündigung in drei Beiträge: das Modell und seine vier Versprechen, die Sketch-Funktion und anschließend die Formatvorlagen. Der erste Post erreichte in den Stunden nach seiner Veröffentlichung mehr als 1,8 Millionen Aufrufe und 13.700 „Gefällt mir“-Angaben.

Die vier Versprechen des Modells sind eine schnellere Generierung, eine höhere visuelle Wiedergabetreue, die Erhaltung von Details über mehrere Bearbeitungsschritte hinweg und Änderungen mittels gezielter Kommentare. Geschwindigkeit ist das Argument, das sich am leichtesten vermarkten lässt. Für Kreativ-, Produkt- und Marketingteams liegt die interessanteste Veränderung jedoch an anderer Stelle: OpenAI will die OpenAI-Bildgenerierung zu einem Werkzeug für iterative Bearbeitung machen, das sowohl durch natürliche Sprache als auch durch Zeichnungen gesteuert wird. Es geht nicht mehr nur darum, ein überzeugendes Bild zu erzeugen, sondern ein bestimmtes Element zu korrigieren, ohne die gesamte Szene neu zu gestalten.

Post 1, ChatGPT Images 2.5

https://x.com/OpenAI/status/2097394956457623964

In diesem ersten Beitrag fasst OpenAI ChatGPT Images 2.5 in vier Schwerpunkten zusammen:

• eine schnellere Bildgenerierung;
• eine verbesserte Wiedergabetreue für natürlichere und besser erkennbare Bilder;
• konsistente Details nach mehreren Bearbeitungsschritten;
• Retuschen per Kommentar, sodass nur das angeforderte Element geändert wird.

Das zentrale Versprechen ist die Erhaltung des Bildes während der Bearbeitung, nicht nur eine Steigerung der visuellen Qualität.

Vier Versprechen, aber nicht alle sind gleich wichtig

Das Geschwindigkeitsversprechen entspricht einer unmittelbaren Erwartung. In einem kreativen Workflow ermöglicht ein schneller bereitgestelltes Bild mehr aufeinanderfolgende Iterationen und eine direkte Reaktion auf Kundenwünsche, ohne das Gespräch zu unterbrechen. Der Thread von OpenAI nennt jedoch weder eine durchschnittliche Generierungsdauer noch einen methodischen Vergleich oder eine Leistungskennzahl.

Dieselbe Vorsicht ist bei der Wiedergabetreue geboten. OpenAI spricht von „natürlicheren“ und „besser erkennbaren“ Bildern. Diese Formulierung bezieht sich vor allem auf ein Versprechen hinsichtlich der Darstellung: weniger künstliche Beleuchtung, konsistentere Texturen und eine bessere Erkennbarkeit von Referenzobjekten oder -personen. Der Post enthält weder Benchmarks noch Erfolgsquoten oder quantifizierte Beispiele für Gesichtstreue oder Prompt-Konformität.

Das Fehlen solcher Kennzahlen macht die Ankündigung nicht uninteressant. Es schränkt lediglich ein, welche Schlussfolgerungen sich daraus ziehen lassen. ChatGPT Images 2.5 kündigt eine Produktverbesserung an, keinen unabhängigen Leistungsnachweis.

Das eigentliche historische Problem: Jede Retusche kann den Rest beeinträchtigen

Der substanziellste Punkt ist das Versprechen konsistenter Details über mehrere Änderungen hinweg. Dies ist eine der kostspieligsten Schwächen von Bildgenerierungsmodellen. Die Aufforderung, ein Objekt zu verschieben oder ein Gesicht anzupassen, führt häufig zu einer umfassenderen Neugenerierung als beabsichtigt.

Das Ergebnis ist Fachleuten vertraut:

1. Eine Figur verliert ihre charakteristischen Merkmale;
2. eine Marke oder ein Logo verändert sich geringfügig;
3. Licht, Schatten oder Hintergrund werden neu interpretiert;
4. die Proportionen eines Produkts verändern sich;
5. die ursprünglich freigegebene Komposition gerät aus dem Gleichgewicht.

Bei einer gelegentlichen Nutzung können solche Abweichungen akzeptabel sein. Bei einer Kampagne, einem Produktentwurf oder einer Serie von E-Commerce-Visuals werden sie jedoch schnell zum Hindernis. Jede lokale Korrektur löst dann eine neue Phase der Qualitätskontrolle aus oder macht es sogar erforderlich, mit dem Prompt von vorn zu beginnen.

Deshalb ist die Konsistenz von KI-Bildern ehrgeiziger als eine bloße Steigerung des Fotorealismus. Sie zielt auf die Kontinuität des Assets über verschiedene Versionen hinweg ab. Die Qualität eines Bildes bemisst sich nicht mehr nur an seiner ersten Darstellung, sondern auch an seiner Fähigkeit, einer Reihe aufeinanderfolgender Änderungswünsche standzuhalten.

Vom globalen Prompt zur Bildbearbeitung per Kommentar

OpenAI stellt außerdem „comment-based edits“ vor, also eine Bildbearbeitung per Kommentar. Der Begriff ist wichtig, da er auf einen Wechsel der Interaktionsweise hindeutet.

Im traditionellen Modell formuliert der Nutzer einen vollständigen Prompt und schreibt ihn bei jeder Änderung neu. Selbst wenn ein Bild als Referenz dient, bleibt die Anweisung häufig global: „Erstelle die Szene mit einer roten Tasse neu“, „Behalte die Figur bei, aber ändere die Umgebung“. Die KI muss dann selbst entscheiden, was unverändert bleiben soll und was neu interpretiert werden darf.

Die Bearbeitung per Kommentar zielt auf einen Ansatz ab, der eher einer Retusche entspricht:

• das vorhandene Bild wird zum Arbeitsdokument;
• ein bestimmter Bereich wird ausgewählt;
• der Nutzer gibt an, was er ändern möchte;
• das Modell soll die nicht betroffenen Elemente beibehalten.

Der potenzielle Vorteil liegt im Übergang von der Neugenerierung zur gezielten Korrektur.

Für Designberufe ist das eine wichtige Entwicklung. Sie bringt das Modell näher an eine Arbeitsweise mit Ebenen, Masken oder selektiver Retusche. Sprache wird zu einem Bearbeitungsbefehl und ist nicht mehr nur eine Anweisung zur Generierung.

Warum diese Konsistenz technisch so schwer zu gewährleisten ist

Wer versteht, warum dieses Problem so lange ungelöst blieb, kann das Versprechen besser einschätzen. Ein Diffusionsmodell speichert ein Bild nicht als Zusammenstellung bearbeitbarer Objekte. Es arbeitet in einem latenten Raum, einer komprimierten Darstellung, in der der visuelle Inhalt nicht in benannte und unabhängige Elemente unterteilt ist.

Drei Mechanismen erklären die bei jeder Retusche auftretende Abweichung.

Der erste ist die Neukodierung. Um ein vorhandenes Bild zu bearbeiten, lässt das Modell es erneut durch seinen Encoder laufen und rekonstruiert anschließend eine Ausgabe. Dieser Durchlauf ist nie vollkommen neutral: Mikrotexturen, Körnung und feine Konturen werden neu interpretiert. Wiederholt man den Vorgang zehnmal, summieren sich die Abweichungen, wie bei der Kopie einer Kopie.

Der zweite ist das globale Aufmerksamkeitsfeld. Moderne Diffusionsarchitekturen lassen jede Bildregion mit allen anderen interagieren. Dadurch entstehen Szenen mit stimmiger Beleuchtung und Perspektive, zugleich führt dies aber auch dazu, dass sich eine lokale Anweisung ausbreitet. Wird die Farbe eines Objekts geändert, verändern sich die umliegenden Reflexionen, dadurch die Lichtbalance und damit wiederum der Hintergrund.

Der dritte ist das Fehlen einer persistenten Identität. Das Modell weiß nicht, dass ein Gesicht von einer Version zur nächsten dasselbe Gesicht ist. Es reproduziert eine Verteilung plausibler Merkmale. Nichts garantiert, dass es exakt dieselben erneut erzeugt.

Die klassische technische Antwort auf dieses Problem ist maskiertes Inpainting: Die Pixel außerhalb des ausgewählten Bereichs werden fixiert, und nur der Bereich innerhalb der Maske wird neu generiert. Das ist effektiv, hat aber zwei bekannte Einschränkungen. Übergänge an den Maskenrändern bleiben sichtbar, wenn Beleuchtung oder Textur voneinander abweichen. Und da dem Modell der fixierte Kontext vorenthalten wird, erzeugt es bisweilen Inhalte, die lokal korrekt, aber mit der Szene nicht stimmig sind.

Das Versprechen einer konsistenten Bearbeitung über mehrere Versionen hinweg setzt daher voraus, beides zu erreichen: das Vorhandene zu bewahren und zugleich genügend Kontext beizubehalten, damit sich die Retusche harmonisch einfügt. Es handelt sich um eine Abwägung, nicht um einen Schalter, und genau daran wird sich die tatsächliche Zuverlässigkeit messen lassen.

Dieses Versprechen muss sich noch in schwierigen Situationen bewähren: bei einer Figur, die auf mehreren Bildern erscheint, einer Produktserie aus verschiedenen Blickwinkeln, strengen Markenrichtlinien oder einem Motiv, das Text enthält. Der Post erhebt im Übrigen keinen Anspruch auf perfekte Konsistenz. Er kündigt eine Verbesserung an, ohne deren Bedingungen oder Erfolgsquote zu nennen.

Post 2, Sketch in ChatGPT

Die von OpenAI im zweiten Post des Threads vorgestellte Sketch-Demonstration.

https://x.com/OpenAI/status/2097394958516781301

Im weiteren Verlauf des Threads wird Sketch ChatGPT vorgestellt. OpenAI erklärt, dass manche Ideen leichter zu zeichnen als zu beschreiben sind, und lädt die Nutzer anschließend dazu ein, direkt in ChatGPT zu zeichnen und das Tool mit „@ Sketch“ aufzurufen.

Sketch ersetzt die natürliche Sprache nicht, sondern ergänzt sie um eine räumliche Präzision, die sich nur schwer in Text fassen lässt.

Warum die Skizze eine Einschränkung des Prompts überwindet

Text kann eine Absicht beschreiben. Eine genaue Position, eine Form, einen zu retuschierenden Bereich oder eine geometrische Beziehung zwischen mehreren Elementen beschreibt er weit weniger effektiv.

Nehmen wir alltägliche Anforderungen, die sich jedoch nur schwer eindeutig formulieren lassen:

• ein Objekt im Bild um einige Zentimeter nach rechts verschieben;
• nur ein einziges Blütenblatt einer komplexen Blüte verändern;
• einen Schatten verlängern, ohne das Motiv zu verändern;
• angeben, welches von mehreren Produkten die Farbe wechseln soll;
• ein Logo neu positionieren, ohne das Layout zu beeinträchtigen;
• die genaue Position eines hinzuzufügenden Elements einzeichnen.

In solchen Fällen kann der Nutzer einen äußerst detaillierten Prompt schreiben. Dennoch bleibt er der Interpretation durch das Modell ausgesetzt. Ein Pfeil, ein Kreis oder eine schraffierte Fläche verringert die Mehrdeutigkeit. Die Zeichnung liefert Positionsinformationen, der Text vermittelt die Absicht.

Das ist der Kern des Vorschlags: Sprache dient dazu, zu erklären, was zu tun ist, die Skizze präzisiert, wo und wie eingegriffen werden soll.

Die Skizze löst auch ein Kodierungsproblem

Für diese Komplementarität gibt es einen tieferliegenden Grund. Eine textuelle Anweisung durchläuft einen Textencoder, der sie in einen semantischen Raum projiziert. Diese Projektion erfasst Konzepte gut, Koordinaten hingegen schlecht. „Links von der Vase, leicht nach hinten versetzt“ wird zu einem Bedeutungsvektor, nicht zu einer Position.

Eine Skizze hingegen gelangt über denselben Kanal wie das Bild in das Modell: als Pixelraster, dessen einzelne Bereiche jeweils einem Bereich der Ausgabe entsprechen. Die räumliche Zuordnung ist direkt und muss nicht den Flaschenhals der Sprache passieren. Deshalb kann ein grobes Gekritzel einen sorgfältig formulierten Absatz übertreffen, wenn es darum geht, einen Bereich zu kennzeichnen.

Eine Entscheidung für die Benutzeroberfläche ebenso wie für das Modell

Die implizite Positionierung zielt auf eine in die Konversationsoberfläche integrierte Kreativumgebung ab. Nutzer müssten nicht mehr von einem Bildgenerator zu einem Editor und anschließend zu einem Messenger wechseln, um einem Kollegen die Korrekturen zu erklären.

Der Workflow könnte folgendermaßen aussehen:

1. einen ersten Entwurf generieren;
2. die zu korrigierenden Elemente kommentieren;
3. einen Bereich visuell annotieren;
4. @ Sketch aufrufen;
5. eine Retusche anfordern;
6. iterieren und dabei die zuvor getroffenen Entscheidungen beibehalten.

Diese Integration ist strategisch. Das Bildmodell wird weniger zu einem isolierten Werkzeug als vielmehr zu einer Funktion, die in eine produktionsorientierte Konversation eingebettet ist. Für OpenAI liegt das Differenzierungsmerkmal daher nicht nur in der Qualität des Endergebnisses, sondern auch in der Zugänglichkeit des Korrekturprozesses.

Post 3, die Formatvorlagen

https://x.com/OpenAI/status/2097394960366456951

Der letzte Beitrag des Threads ist der unauffälligste und wahrscheinlich der aufschlussreichste hinsichtlich der Positionierung. OpenAI kündigt darin Vorlagen für gängige Formate wie Poster oder Merch an, denen Nutzer anschließend ihre Botschaft, Designelemente oder ihren Stil hinzufügen können.

Eine Vorlage löst weder das Rendering noch die Platzierung: Sie gibt den Rahmen vor.

Das ist eine dritte Problemkategorie, die sich von den beiden vorherigen unterscheidet. Ein Poster hat erwartete Abmessungen, Ränder, eine Lesereihenfolge, einen Titelbereich und Druckanforderungen. Merch hat bedruckbare Flächen und Kontrastgrenzen. Dabei handelt es sich um Fachkonventionen, die Nutzer ohne Designkenntnisse nicht formulieren können, oft weil sie nicht einmal wissen, dass es sie gibt. Kein Prompt und auch keine Skizze kann sie sichtbar machen.

In der Gesamtschau deckt der Thread somit drei Ebenen der Unterstützung ab:

1. Das Modell übernimmt das Rendering;
2. die Skizze übernimmt die Platzierung;
3. die Vorlage übernimmt den Rahmen.

Damit geht auch eine deutliche Erweiterung der Zielgruppe einher. Die ersten beiden Posts richten sich an Menschen, die bereits wissen, was sie erreichen wollen. Der dritte richtet sich an diejenigen, die nicht wissen, wo sie anfangen sollen. Der Thread gibt weder an, wie viele Vorlagen es gibt und welche, noch ob sie über die Inhalte hinaus anpassbar sind.

Was sich daraus ergibt

Im Wettbewerb mit anderen Bildmodellen versucht OpenAI weniger, eine rein ästhetische Revolution zu versprechen, als vielmehr einen besser kontrollierbaren Workflow. Der Wettbewerb entscheidet sich nicht allein an der Schönheit eines ersten Bildes. Entscheidend ist die Fähigkeit, dieses Bild nach zehn oder zwanzig Korrekturen in ein nutzbares Endprodukt zu verwandeln.

Für professionelle Anwender wird der Wert von ChatGPT Images 2.5 von der Stabilität der Iterationen abhängen, nicht nur von der Geschwindigkeit des ersten Ergebnisses.

Wie Design- und Produktteams davon profitieren können

Wenn die Versprechen in realen Anwendungsfällen eingehalten werden, lassen sich mehrere Aufgaben flüssiger erledigen:

• Marketing: Varianten eines Kampagnenmotivs erstellen, ohne das Produkt, das Logo oder den freigegebenen Bildausschnitt zu verändern.
• E-Commerce: Lokal eine Farbe, ein Accessoire oder eine Kulisse ändern und dabei die Produktdarstellung beibehalten.
• UX und Produkt: Schnell Illustrationen und Mock-ups erstellen und anschließend anhand von Feedback ein bestimmtes Element korrigieren.
• Verlagswesen: Die Komposition eines Motivs anpassen, ohne die Generierung vollständig neu starten zu müssen.
• Charaktererstellung: Konsistente Merkmale über mehrere Anpassungen von Ausdruck, Kleidung oder Kulisse hinweg beibehalten.
• Art-Direktion: Lange und ungenaue Anweisungen durch eine visuelle Annotation in Verbindung mit einer textlichen Anfrage ersetzen.

Geschwindigkeit verkürzt die Wartezeit. Wiedergabetreue kann die wahrgenommene Qualität erhöhen. Doch die Fähigkeit, Details zu bewahren, senkt vor allem die versteckten Kosten der Iteration. Im professionellen Umfeld entscheiden häufig gerade diese Kosten darüber, ob ein KI-Tool tatsächlich Einzug in den Workflow hält oder auf die Explorationsphase beschränkt bleibt.

Die vom Thread offengelassenen Fragen

Die Ankündigung bleibt hinsichtlich der praktischen Voraussetzungen für die Nutzung sehr unvollständig. Der Thread gibt nicht an:

• welche Abonnements Zugriff auf ChatGPT Images 2.5 bieten werden;
• ob Sketch ChatGPT für alle verfügbar oder bestimmten Tarifstufen vorbehalten ist;
• ob diese Funktionen über eine API angeboten werden;
• welche Preise, Kontingente oder Generierungslimits gelten werden;
• in welchen Fällen Figuren und Kompositionen nach mehreren Überarbeitungen tatsächlich erhalten bleiben;
• ob Benchmarks die angekündigten Verbesserungen bei Wiedergabetreue und Konsistenz messen werden;
• wie mit moderationsbedingten Blockierungen von als legitim erachteten Anfragen umgegangen wird.

Dieser letzte Punkt ist für Organisationen von Bedeutung. Eine Bearbeitungsfunktion kann technisch leistungsfähig sein und sich dennoch nur schwer in einen Produktionsprozess integrieren lassen, wenn Moderationsregeln Anfragen ohne verwertbare Begründung blockieren. Nutzer berichten weiterhin von langen Bearbeitungszeiten und einer zu aggressiven Moderation. Der Thread enthält weder eine offizielle Antwort noch detaillierte Richtlinien zu diesem Thema.

Das Wichtigste

ChatGPT Images 2.5 sollte nicht nur als schnelleres oder fotorealistischeres Modell verstanden werden. Sein wichtigstes Versprechen ist die kontrollierte Bearbeitung: einen Bereich ändern, den Rest beibehalten und den Vorgang anschließend wiederholen, ohne das ursprüngliche Asset zu beeinträchtigen.

Die Funktionen Sketch ChatGPT und die Templates ergänzen dieses Ziel auf logische Weise. Der Text beschreibt die Absicht, die Skizze präzisiert die Position und das Template liefert den Rahmen. Zusammen ermöglichen sie eine Form der dialogbasierten Bildbearbeitung, die eher einem interaktiven Kreativwerkzeug als einem Bildgenerator für den einmaligen Gebrauch entspricht.

Der Thread lässt die entscheidenden Fragen jedoch unbeantwortet: Verfügbarkeit, API, Preise, Kontingente, Moderation und die tatsächliche Zuverlässigkeit nach mehreren Bearbeitungsschritten. Auf dem Papier ist das Versprechen überzeugend. Es muss sich jedoch erst bei komplexen Szenen, unter Markenvorgaben und in Workflows bewähren, in denen Konsistenz kein Bonus, sondern eine Voraussetzung ist.