Das Bild ist erkannt. Seine Aufgabe noch nicht. Das Bild ist erkannt. Seine Aufgabe noch nicht.

Die Datei ist dieselbe. Die fehlende Information nicht.

Die Medienbibliothek kennt ein Produktfoto: einen schwarzen Laufschuh in Seitenansicht. Die Website kennt mindestens drei Einsätze. Auf der Produktdetailseite hilft das Bild, Form und Sohle einzuschätzen. In einer Kategorieübersicht steht es neben Modellname, Farbe und Kurzbeschreibung. An einer dritten Stelle öffnet ein Klick auf das Foto eine Rundumansicht.

Für ein Bildmodell bleiben die Pixel weitgehend gleich. Der passende Alt-Text ändert sich trotzdem. Auf der Produktseite kann eine sichtbare Besonderheit relevant sein. In der Übersicht wäre dieselbe Beschreibung womöglich nur eine Wiederholung. Beim verlinkten Bild zählt vor allem, was nach der Aktivierung geschieht.

Damit liegt die eigentliche Aufgabe nicht in der automatischen Bildbeschreibung. Sie liegt in der Zuordnung: Welche Funktion erfüllt dieses Bild genau an dieser Stelle? Erst danach lässt sich entscheiden, ob ein Satz, ein leeres Alt-Attribut, eine Funktionsbezeichnung oder eine ausführliche Textalternative gebraucht wird.

Der Alt-Text entsteht aus der Seitenfunktion

Bildmodelle können Gegenstände, Farben, Personen, räumliche Beziehungen und sichtbaren Text erkennen. Diese Fähigkeiten beantworten die Frage: Was ist abgebildet? Ein Alt-Text muss eine andere Frage beantworten: Was fehlt einer Person, die dieses Bild an dieser Stelle nicht wahrnimmt?

Die W3C-Entscheidungshilfe zum Alt-Attribut ↗ ordnet Bilder deshalb nach ihrer Funktion. Dekorative oder vollständig redundante Bilder erhalten ein leeres Alt-Attribut. Einfache informative Bilder brauchen eine knappe Beschreibung ihrer relevanten Aussage. Bei verlinkten Bildern oder Bildschaltflächen soll die Alternative das Ziel oder die ausgelöste Aktion vermitteln. Komplexe Grafiken benötigen ihre wesentlichen Informationen zusätzlich an anderer Stelle auf der Seite.

Der Seitenkontext ist damit kein optionaler Zusatz für ein Vision-Modell. Benötigt werden mindestens der Komponententyp, der benachbarte Text, ein mögliches Linkziel und die beabsichtigte Handlung. Bei Produkt- oder Editorialbildern kommen Seitentyp, Bildunterschrift und strukturierte Daten hinzu.

Auch ein automatischer Barrierefreiheitscheck löst diese Bedeutungsfrage nicht. Die W3C-Hinweise für eine erste Prüfung der Web-Barrierefreiheit ↗ unterscheiden ausdrücklich zwischen dem maschinell erkennbaren Fehlen eines Alt-Attributs und der nur im Kontext beurteilbaren Qualität seines Inhalts. alt="" ist eine bewusste Ausgabe. Ein fehlendes Attribut ist ein anderer Zustand.

Vier Bildklassen, vier Wege

Für große Bildbestände muss nicht jede Datei mit derselben Prüftiefe beginnen. Die folgende Einteilung übersetzt die funktionale Logik der W3C-Hinweise in ein vorsichtiges Betriebsmodell. Sie ist keine offizielle W3C-Regel für den Automationsgrad.

Die menschliche Entscheidung muss dabei nicht für jedes Bild neu stattfinden. Eine Redaktion kann etwa einmal festlegen, dass ein bestimmtes Gestaltungselement stets dekorativ ist oder dass ein wiederkehrendes Lupensymbol die Produktansicht öffnet. Die geprüfte Komponentenlogik darf diese Entscheidung anschließend reproduzieren.

Problematisch wird es, wenn eine automatische Bildbeschreibung diese Ebene überspringt und für jede Datei zwanghaft einen Satz erzeugt. Mehr Text bedeutet dann nicht mehr Zugänglichkeit. Screenreader geben womöglich Informationen aus, die bereits unmittelbar daneben stehen oder für die Aufgabe der Seite keine Rolle spielen.

Derselbe Schuh, drei richtige Lösungen

Redaktionelles Beispiel, keine Kundenauswertung: Auf der Produktdetailseite nennt der sichtbare Text bereits Modell, Farbe und Preis. Das Foto zeigt zusätzlich eine helle, stark profilierte Sohle. Ist dieses Merkmal für die Produktauswahl relevant, könnte der Alt-Text lauten: „Schwarzer Laufschuh in Seitenansicht mit heller, stark profilierter Sohle.“

In einer Kategorieübersicht steht dasselbe Foto direkt neben Produktname, Farbe und einer Beschreibung, die alle entscheidenden Merkmale bereits enthält. Liefert das Bild dort keine zusätzliche Information, ist alt="" plausibel. Der Satz von der Produktdetailseite wäre nicht genauer, sondern doppelt.

Dient das Foto allein als Bedienelement, um eine Rundumansicht zu öffnen, braucht es eine funktionale Bezeichnung wie „360-Grad-Ansicht des schwarzen Laufschuhs öffnen“. Eine Beschreibung der sichtbaren Sohle ließe offen, was nach dem Aktivieren geschieht.

Ein zentral gespeicherter Alt-Text pro Asset kann diese Unterschiede nicht abbilden. Die Alternative gehört nicht allein zur Bilddatei. Sie gehört zur Verbindung aus Asset, Platzierung und Aufgabe.

Erst routen, dann formulieren

Ein produktiver Ablauf beginnt daher nicht mit einem Textfeld, sondern mit einer kleinen Zahl belastbarer Entscheidungen.

1. Kontext bereitstellen: Zur Bilddatei kommen Seitentyp, Überschrift, Bildunterschrift, benachbarter Text, Komponententyp, Linkziel und verfügbare Produkt- oder Artikeldaten.
2. Bildrolle bestimmen: Das System unterscheidet dekorative, informative, funktionale und komplexe Verwendungen. Bei Mehrdeutigkeit wechselt der Fall in die redaktionelle Prüfung.
3. Ausgabeweg wählen: Das Ergebnis kann ein leeres Attribut, ein Textentwurf, eine funktionale Bezeichnung oder der Auftrag für eine ausführliche Alternative sein. Nicht jeder Weg endet in einem generierten Satz.
4. Quellen trennen: Sichtbare Merkmale stammen aus dem Bild. Produktname, Material oder technische Daten stammen aus strukturierten Informationen. Identität, Emotion oder Ursache werden nicht aus dem Motiv hinzuerfunden.
5. In der echten Verwendung prüfen: Die Redaktion beurteilt den Text in der Seite oder Komponente, nicht isoliert in der Medienbibliothek.

Auch die Oberfläche beeinflusst die Qualität. Eine 2021 veröffentlichte Untersuchung im PowerPoint-Kontext arbeitete mit zwölf sehenden Autorinnen und Autoren sowie sechs blinden oder sehbehinderten Screenreader-Nutzenden. In diesem begrenzten Versuchsaufbau waren die fertigen Alt-Texte schlechter bewertet, wenn die Schreibenden einen automatischen Vorschlag überarbeiteten, statt mit einem leeren Feld zu beginnen. Die Studie zu Werkzeugen für hochwertige Alt-Texte ↗ beschreibt zugleich die kleine Stichprobe und den Bedarf an breiteren Feldstudien.

Der Befund ist kein allgemeiner Beweis gegen KI-Vorschläge. Er macht jedoch ein Ankerproblem sichtbar: Ein vorhandener Satz wirkt schnell wie ein Qualitätsstandard, obwohl ihm gerade der entscheidende Kontext fehlt. Ein gutes Interface zeigt die automatische Bildbeschreibung deshalb als Hypothese. Es fragt nicht nur nach Übernahme oder Bearbeitung, sondern nach der Rolle des Bildes und dem möglichen Informationsverlust.

Der Screenreader-Test beginnt nicht in der Medienbibliothek

Der Alt-Text kann sprachlich sauber sein und in der Seite dennoch stören. Entscheidend ist die Ausgabe in der vollständigen Komponente. Ein Screenreader-Test sollte deshalb mindestens diese Fragen beantworten:

• Wird bereits sichtbarer oder vorgelesener Text unnötig wiederholt?
• Verschwindet ein dekoratives Bild mit leerem Alt-Attribut wie beabsichtigt aus der Ausgabe?
• Ist bei einem verlinkten Bild das Ziel verständlich, bevor die Aktion ausgelöst wird?
• Bleibt bei einem Diagramm oder einer Karte die entscheidende Information außerhalb des Bildes zugänglich?
• Ist die Komponente auch per Tastatur in sinnvoller Reihenfolge erreichbar und bedienbar?

Wiederkehrende Komponenten sollten nicht nur beim Aufbau, sondern nach relevanten Änderungen erneut geprüft werden. Dazu gehören neue Templates, geänderte Linklogiken, andere Bildquellen oder ein neues Modell für automatische Vorschläge. Wo Bilder Entscheidungen, journalistische Aussagen oder sensible Informationen tragen, sollten Screenreader-Nutzende in die Evaluation einbezogen werden.

Ein technischer Status kann diese Prüfung vorbereiten, aber nicht ersetzen. Warum ein bestandener Check noch keine inhaltliche Freigabe begründet, vertieft der Beitrag „Grün ist ein Zustand, keine Freigabe“.

Bild-SEO ist kein zweiter Textauftrag

Für Suchmaschinen entsteht kein separates Alt-Text-Regelwerk. Google erklärt in seiner am 2. März 2026 aktualisierten Dokumentation, dass Alt-Text gemeinsam mit Computer-Vision-Verfahren und dem Seiteninhalt genutzt wird, um das Thema eines Bildes zu verstehen. Zugleich empfiehlt Google nützliche, kontextbezogene Angaben und warnt vor Keyword-Füllung. Die Empfehlungen von Google für Bild-SEO ↗ stützen damit keine zusätzliche SEO-Beschreibung, die an der tatsächlichen Bildfunktion vorbeischreibt.

Ein Keyword gehört nur dann in den Alt-Text, wenn es den relevanten sichtbaren Inhalt natürlich bezeichnet. Bei einem dekorativen Bild macht ein Suchbegriff aus einem korrekten leeren Attribut keine bessere Lösung. Bei einem funktionalen Bild darf die Suchabsicht nicht die verständliche Aktion verdrängen.

Auch die Prozessmessung sollte nicht einfach erzeugte Sätze zählen. Aussagekräftiger sind fehlende Attribute, bewusst leere Ausgaben, Korrekturen nach Bildklasse und die Gründe für eine Eskalation. Ein hoher Automationsgrad kann sinnvoll sein. Eine hohe Zahl formulierter Beschreibungen ist für sich genommen kein Qualitätsmerkmal.

Die Freigabe hängt am möglichen Informationsverlust

Automatisierung ist am belastbarsten, wenn die Rolle des Bildes bereits durch eine geprüfte Komponente feststeht. Dekorative Elemente können dann konsequent ein leeres Alt-Attribut erhalten. Funktionale Bilder können ihre zugängliche Bezeichnung aus der Aktion beziehen. Für einfache informative Bilder kann ein Modell einen Entwurf liefern, sofern der Seitentyp eng begrenzt ist und Stichproben vorgesehen sind.

Eine kontextbezogene Prüfung bleibt verpflichtend, wenn das Bild eine redaktionelle Behauptung trägt, komplexe Informationen vermittelt oder mehrdeutige beziehungsweise sensible Merkmale zeigt. Das betrifft insbesondere Diagramme, Karten, Screenshots, textreiche Motive und Darstellungen von Personen. Maßgeblich ist nicht, wie überzeugend der automatisch erzeugte Satz klingt. Maßgeblich ist, was eine falsche, fehlende oder redundante Aussage für die Nutzung der Seite verändert.

Vor der Entscheidung hilft eine einfache Gegenprobe: Entfernen Sie das Bild gedanklich. Fehlt danach nichts, ist Schweigen wahrscheinlich präziser. Wird eine Handlung unverständlich, braucht die Komponente eine funktionale Bezeichnung. Geht eine relevante Aussage verloren, muss sie knapp beschrieben oder bei komplexen Bildern vollständig an anderer Stelle zugänglich werden.

Das Bild war längst erkannt. Die eigentliche Qualität zeigt sich erst darin, ob das System erkennt, wann es beschreiben, schweigen, eine Funktion benennen oder die Entscheidung weitergeben muss.