Lokale KI-Bilder sind kostenlos. Cloud-KI-Bilder sind sofort da. Ihre GPU entscheidet.

Offene Bildmodelle haben aufgeholt — und in manchen Kategorien überholt. HiDream-O1, ein 8B-Modell, das im Mai 2026 unter der MIT-Lizenz veröffentlicht wurde, rangierte kurz nach Veröffentlichung unter den besten Open-Weight-Einträgen der Text-to-Image-Arena von Artificial Analysis — bei einem Bruchteil der Größe größerer Konkurrenten. Alibabas Qwen-Image gibt lesbaren Text innerhalb von Bildern besser wieder als die meisten Cloud-Tools. Und die Editing-Modelle — Qwen-Image-Edit, FLUX Kontext — ändern mittlerweile Objekte, Hintergründe und Text in bestehenden Fotos anhand einer einfachen Sprachanweisung, lokal und kostenlos.

Auch die Cloud-Seite hat ihre eigene 2026er-Geschichte: Der Markt konsolidierte sich auf wenige ernsthafte Anbieter, die Einstiegspreise fielen auf den Bereich von 8-10 $/Monat, und kommerziell sichere Trainingsdaten wurden für Geschäftskunden zu einem echten Unterscheidungsmerkmal. Beide Türen sind wirklich gut. Die Frage ist, welche zu Ihnen passt — und anders als bei Video ist die Hardware-Hürde bei Bildern niedrig genug, dass die lokale Tür für deutlich mehr Menschen realistisch ist.

Alle drei laufen über ComfyUI (oder eine ähnliche lokale Oberfläche) auf Ihrer eigenen Maschine. Wie bei der Videogenerierung gilt: Dies sind Diffusionsmodelle, keine LLMs — sie laufen nicht in Ollama.

Die FLUX-Familie ist der Standard für ernsthafte lokale Bildarbeit. FLUX.2 [dev] (32B) führt bei Fotorealismus und hoher Auflösung und kombiniert bis zu 10 Referenzbilder, während Charakter, Produkt und Stil konsistent bleiben. FLUX.1 [schnell] erzeugt Bilder in Qualität in 1–4 Schritten mit nur 8 GB VRAM. FLUX.1 Kontext ist lokal führend beim Bearbeiten bestehender Bilder.

Lizenz — lesen Sie diesen Teil sorgfältig: Die Familie ist gespalten. FLUX.1 [schnell] steht unter Apache 2.0 — uneingeschränkt, kommerzielle Nutzung eingeschlossen. FLUX.1/2 [dev] und Kontext nutzen die nicht-kommerzielle Lizenz von Black Forest Labs — der Einsatz in einem kommerziellen Produkt erfordert eine kostenpflichtige Lizenz von BFL. „Offene Gewichte" bedeutet hier nicht „kommerziell okay".

Hardware: 8 GB (schnell), 12–16 GB (dev/Kontext), 24 GB (FLUX.2 dev, GGUF Q4).

SD 3.5 (8B Large / 2.5B Medium) ist qualitativ nicht mehr die Nummer eins, hat aber etwas, das den anderen fehlt: das umfangreichste Ökosystem in der lokalen KI. Jahrelang gesammelte Community-LoRAs (kleine Zusatzdateien, die dem Modell einen Stil, einen Charakter oder einen Produkt-Look beibringen), ControlNets und Tutorials bedeuten: Was auch immer Sie erstellen wollen, jemand hat die Bausteine dafür wahrscheinlich schon gebaut.

Hardware: 8–12 GB je nach Variante; SDXL läuft problemlos mit 8 GB.

Lizenz: Stability Community License — kommerziell kostenlos, wenn Ihr Jahresumsatz unter 1 Million US-Dollar liegt; darüber benötigen Sie eine Enterprise License. Für Freiberufler und Kleinunternehmen kein Problem, in größerem Maßstab jedoch eine echte Einschränkung.

Alibaba veröffentlichte Qwen-Image (20B) im August 2025 als Open Source unter Apache 2.0 — keine Umsatzschwellen, keine nicht-kommerziellen Klauseln, keine Gebietsspielchen. Seine Spezialität ist etwas, an dem die meisten Modelle noch scheitern: lesbarer, korrekt geschriebener Text innerhalb des Bildes, in mehreren Sprachen. Poster, Schilder, Infografiken, Thumbnails mit Überschriften — dafür ist dieses Modell gemacht.

Bonus: Qwen-Image-Edit führt präzise, promptbasierte Bearbeitungen an bestehenden Fotos durch — die Farbe eines Objekts ändern, einen Hintergrund austauschen, Text korrigieren — während alles andere erhalten bleibt.

Hardware: 8 GB (GGUF-quantisiert) bis 24 GB (volle Präzision). Lizenz: Apache 2.0 — das einzige Spitzenmodell für Bilder ohne jedes Kleingedruckte.

Veröffentlicht im Mai 2026 unter der MIT-Lizenz — noch freizügiger als Apache 2.0 — rangierte HiDream-O1 (8B) kurz nach Erscheinen unter den besten Open-Weight-Einträgen der Text-to-Image-Arena von Artificial Analysis und konkurrierte dort mit Modellen, die ein Vielfaches seiner Größe haben. Es ist jung, das Ökosystem ist noch dünn, und langfristiger Support ist unbewiesen (dieses Ranking stammt zum Zeitpunkt des Schreibens aus einer einzigen Quelle — vor Übernahme als gesichert prüfen). Doch wenn sich der Trend fortsetzt, wird diese Liste innerhalb eines Jahres neu geschrieben.

Falls unser Video-Artikel Sie von lokaler KI abgeschreckt hat, hier die gute Nachricht: Bilder sind schlicht ein deutlich leichteres Workload. Eine gebrauchte RTX 3060 12GB (ca. 250–300 €) deckt die ersten beiden Zeilen unten ab. Zum Vergleich: Bei der Videogenerierung gelten 24 GB als komfortable Einstiegsklasse.

Nicht sicher, wo Ihre Hardware einzuordnen ist? Diese Leitfäden rechnen es für Sie durch: VRAM-Rechner für exakte Anforderungen pro Modell, Wie viel VRAM brauchen Sie? für Übersichten über verschiedene Modellgrößen, Beste GPUs für lokale KI und Beste Budget-GPUs für Hardware-Empfehlungen sowie GPU vs. CPU vs. Apple Silicon für Plattformvergleiche.

Dieselbe Ehrlichkeit wie im Video-Artikel. Lokale Bildgenerierung bedeutet:

Die Einrichtung. ComfyUI oder eine ähnliche Oberfläche, Modelldateien in den richtigen Ordnern, gelegentliche Abhängigkeitsfehler. Ein Abend, keine Woche — Bild-Setups sind deutlich einfacher als Video —, aber trotzdem Ihr Abend.

Das Prompten. Kein eingebauter Prompt-Helfer, keine Stil-Presets, kein Content-Filter (volle Kontrolle — und volle Verantwortung). Sie schreiben die Prompts selbst. Unsere Leitfäden zu System-Prompts vs. User-Prompts und Prompt Engineering für lokale Modelle behandeln die Grundlagen, die sich direkt übertragen lassen.

Der Feinschliff. Upscaling, Gesichtskorrekturen, Batch-Organisation — separate Tools und Nodes, die Sie selbst auswählen. Wollen Sie einen konsistenten Charakter über 30 Bilder hinweg? Das ist LoRA-Training: machbar, dokumentiert, aber ein Projekt für sich.

Bevor Sie sich für eine Tür entscheiden, sollten Sie wissen, wofür Sie hindurchgehen. Die realistische Landkarte der Anwendungsfälle:

• Content-Seiten und Blogs: Hero-Bilder, Artikel-Illustrationen, Social-Preview-Karten.
• YouTube und Social Media: Thumbnails, Kanal-Grafiken, Post-Grafiken, Werbe-Creatives — inklusive schneller A/B-Varianten.
• E-Commerce und Marketing: Produkt-Mockups, Lifestyle-Szenen, saisonale Varianten derselben Aufnahme.
• Arbeitsmaterialien: Präsentationsgrafiken, Pitch-Deck-Grafiken, Konzept-Mockups.
• Kreativprojekte: Buchcover, Konzeptkunst, Moodboards, Print-on-Demand-Designs.
• Bearbeiten, nicht nur Erstellen: Mit Qwen-Image-Edit oder FLUX Kontext — Hintergründe austauschen, Objekte entfernen, Produktfotos umgestalten, Text in Grafiken korrigieren.

Zwei ehrliche Grenzen: KI-Bilder tun sich bei exakter Markenkonsistenz über große Stückzahlen hinweg noch schwer (lokale LoRAs helfen; Cloud-Tools holen auf), und alles, was echte Menschen, echte Produkte oder faktische Genauigkeit erfordert, braucht Fotografie statt Generierung.

Wir haben Adobe Firefly und getimg.ai ausgewählt, weil sie die beiden häufigsten Cloud-Bedürfnisse wirklich abdecken: maximale kommerzielle Sicherheit und die einfachste Brücke von lokal zu Cloud. Midjourney und ChatGPT werden ebenfalls breit für Bildgenerierung genutzt, passen aber keinem der beiden Bedürfnisse so direkt — Firefly und getimg.ai sind für diesen Vergleich die nützlicheren Empfehlungen, kein Standard.

Firefly wurde auf Adobe Stock und offen lizenzierten Inhalten trainiert — das heißt, Adobe hat es so konzipiert, dass Geschäftskunden kein Urheberrechtsrisiko erben — und integriert sich direkt in Photoshop und die übrige Creative Cloud. Wenn Kundenarbeit oder Markensicherheit Ihre Sorge ist, ist dies die Cloud-Tür. Eine kostenlose Testphase existiert, um es vor dem Kauf zu testen; kostenpflichtige Pläne starten bei $9.99/Monat für 2.000 generative Credits (Standard-Tarif). Am besten geeignet für: Profis, Agenturen und alle, deren Kunden fragen „ist das rechtlich sicher?"

Hier die Wendung, die die meisten Vergleiche übersehen: getimg.ai betreibt dieselben offenen Modelle, die Sie lokal installieren würden — FLUX und Verwandte, über 20 Modelle in einer Oberfläche — nur eben auf deren GPUs statt auf Ihrer. Kein Setup, keine VRAM-Rechnerei, kommerzielle Rechte in jedem Tarif inbegriffen. Wenn Ihnen die lokale Tür gefällt, Ihre Hardware aber nicht mitspielt, ist dies die Brücke. Die Preisgestaltung ist seit Anfang 2026 ausschließlich kostenpflichtig (der kostenlose Tarif wurde eingestellt) — Einstieg ab $8/Monat bei jährlicher Abrechnung ($10/Monat bei monatlicher Abrechnung) für 3.000 Credits; höhere Tarife skalieren von dort aus weiter. Am besten geeignet für: lokal-interessierte Nutzer ohne GPU und alle, die Vielfalt bei offenen Modellen ohne die ComfyUI-Lernkurve wollen.

(Ehrenvolle Erwähnung: Ideogram — ein Cloud-Marktführer für Text im Bild, mit einem begrenzten kostenlosen Tarif, der Bilder in einer öffentlichen Galerie veröffentlicht, und kostenpflichtigen Plänen ab etwa $20/Monat.)

Die Kurzfassung, zugeordnet zu häufigen Situationen:

Gehen Sie den lokalen Weg, wenn Sie eine GPU ab 8 GB besitzen (oder kaufen werden), regelmäßig Bilder generieren und Wert auf Privatsphäre, keine Grenzkosten und volle kreative Kontrolle legen. Qwen-Image ist die sicherste Grundlage — Apache 2.0, klassenbeste Textwiedergabe — mit FLUX für Fotorealismus (auf die je nach Variante unterschiedliche Lizenz achten) und SD 3.5 für sein unerreichtes Style-Ökosystem.

Gehen Sie den Cloud-Weg, wenn Sie in den nächsten fünf Minuten ein Ergebnis wollen, nur gelegentlich generieren oder keine GPU besitzen. Adobe Firefly ist die sichere, professionelle Wahl mit kommerziell sicheren Trainingsdaten; getimg.ai ist die Brücke für alle, die die Idee offener Modelle mögen, aber nicht die Idee, sie selbst zu installieren.

Und wenn Video als Nächstes auf Ihrer Liste steht — das ist ein anderes Hardware-Gespräch. Lesen Sie den begleitenden Artikel: Lokale KI-Videogenerierung vs. Cloud.