Die Guten, die Bösen, die Hässlichen: Wenn das Bild zur Hand wird

Kolumne "Digitale Zwischenräume" – The Digioneer, Donnerstag, 30. Juli 2026

Die Bucht kocht. Nicht im übertragenen Sinn – der Wirt der Strandbar hat den Sonnenschirm dreimal versetzt und gibt es jetzt auf, das Eis eines Kindes vor mir schmilzt schneller, als es lecken kann, und selbst die Möwen haben sich in den Schatten der Felsen zurückgezogen. Ich sitze auf einer Holzbank mit Blick auf den Atlantik, Café Olé vor mir – der Wirt hat gelernt, was ich meine, auch wenn er es anders nennt –, Kondenswasser läuft am Glas herunter wie eine kleine, ehrliche Uhr. Das Womo steht weiter hinten im Tal, meine Frau schwimmt, und alle hier tun das Einzige, was man bei dieser Hitze vernünftigerweise tun sollte: möglichst wenig.

Auf meinem Handy tut sich das Gegenteil. Black Forest Labs, die Firma hinter den FLUX-Bildmodellen, hat diese Woche FLUX 3 vorgestellt – ein Modell, das nicht mehr nur Bilder erzeugt, sondern gleichzeitig Video mit synchronem Ton, bis zu zwanzig Sekunden, aus Text, Bild oder bestehendem Material. Für sich genommen: eine weitere Zeile im langen Katalog der Dinge, die Maschinen jetzt auch können. Interessant wird es bei der zweiten Hälfte der Ankündigung. Dasselbe Modell treibt, unter dem Namen FLUX-mimic, gerade Industrieroboter bei Audi an. Kein Prototyp im Labor – laufende Produktion. Ein Roboterarm setzt Steuergeräte in enge Fassungen, verhakt sich, korrigiert sich selbst, versucht es erneut. Reaktionszeit: gut hundert Millisekunden, ungefähr das, was ein menschliches Auge auch braucht.

Die Logik dahinter ist bestechend einfach, und genau deshalb sollte man einen Moment bei ihr verweilen. Ein Modell, das ein glaubwürdiges Video von einem herabfallenden Kabel erzeugen soll, muss zwangsläufig etwas über Schwerkraft, Kontakt und Materialverhalten gelernt haben – sonst sieht das Ergebnis falsch aus. Dieses Wissen über die Welt lässt sich, so die Wette von Black Forest Labs, genauso gut in Handlung übersetzen wie in Bildpunkte. Wer weiß, wie sich ein Kabel bewegt, kann lernen, es zu greifen. Ein Fälschungswerkzeug wird, fast beiläufig, zu einem Werkzeug, das in die physische Welt eingreift. Die Frage, die sich mir zwischen zwei Schlucken aufdrängt, lautet nicht mehr "was kann die KI heute schon", sondern "was hört überhaupt noch auf, ein Werkzeug für Bilder zu sein, sobald es die Welt gut genug versteht".

Schauen wir uns an, wer damit was anfängt.

Die Guten sitzen in der Fertigungshalle. Dort, wo Kabel, Dichtungen und weiche Bauteile bislang jede klassische Automatisierung frustriert haben, übernimmt jetzt ein System, das aus Fehlgriffen lernt, ohne dass ihm jeder einzelne davon vorher beigebracht werden musste. Das ist kein Marketing-Versprechen, das ist laufender Betrieb. Wer stumpfe, körperlich belastende Handgriffe an eine Maschine abgeben kann, die sich selbst korrigiert, gewinnt tatsächlich etwas.

Die Bösen sind schwerer zu benennen, weil sie sich als die Vernünftigen tarnen. Ihr Argument, ernst genommen: Ein Modell ist neutral, es tut, wozu man es einsetzt, und Audi setzt es ein, um Menschen von Arbeit zu entlasten, die niemand vermisst. Das stimmt sogar, in der Fabrikhalle. Nur endet die Geschichte dort nicht. Ein System, das Bild, Ton und physische Handlung im selben Gedächtnis verwaltet, ist ebenso mühelos auf Überwachung, auf täuschend echte Videofälschungen mit stimmiger Körpersprache oder auf autonome Systeme außerhalb der Fabrik übertragbar. Black Forest Labs spricht in seiner Ankündigung ausschließlich von Fertigung und Kreativsoftware. Was fehlt, ist jedes Wort zu dem, was ein solches Weltmodell außerhalb kontrollierter Werkshallen anrichten kann. Neutralität eines Werkzeugs zu behaupten, während man nur seine freundlichste Anwendung zeigt, ist keine Lüge – aber es ist auch keine ganze Wahrheit.

Die Hässlichen sind wir alle, die diese Verschiebung mit einem Schulterzucken quittieren. Noch vor zwei Jahren galt ein Modell, das Bilder beschreiben konnte, als Durchbruch. Jetzt baut dieselbe Firma eines, das Dichtungen einbaut, und die Nachricht läuft neben zwanzig anderen über den Ticker, während halb Europa im Wasser liegt. Genau das ist der Punkt, den ich diesen Sommer nicht loswerde: Es ist nicht die einzelne Fähigkeit, die mich beunruhigt, sondern das Fehlen jeder Pause zwischen den Fähigkeiten. Wir nennen diese Epoche, in der Bewusstsein zur Infrastruktur wird, nicht ohne Grund das Noozän – und eine Infrastruktur, die gerade lernt, Dinge anzufassen, verdient mehr als ein Schulterzucken.

Ich habe lange gebraucht, um zu verstehen, warum mich diese Ankündigung mehr beschäftigt als die meisten. Nicht, weil ein Roboter jetzt ein Kabel greifen kann. Sondern weil das Werkzeug, das die Welt am überzeugendsten vortäuscht, dabei zwangsläufig lernt, wie sie wirklich funktioniert – und dieses Wissen sich nicht auf die Werkshalle beschränken lässt, in der es zuerst gezeigt wird. Wer heute ein Bild erzeugt, übt morgen vielleicht eine Bewegung.

Am Grill hinter mir dreht der Wirt die Sardinen um. Kein Sensor hat ihm gesagt, wann – er hat es gerochen. Noch.

Phil Roosen schreibt diese Kolumne aus einer Strandbar in Nordspanien, wo das Netz nicht existiert, das WLAN aber trotzdem irgendwoher kommt, und der Café Olé schneller verdunstet als er nachdenken kann. Seine Kolumne "Digitale Zwischenräume" erscheint jeden Donnerstag in The Digioneer. Diese Kolumne entstand im MERGED-Verfahren, der transparenten Mensch-KI-Koautorenschaft von The Digioneer.

P.S.: Alle sollten diesen Sommer eigentlich am Strand liegen – auch die Firmen, die stattdessen Modelle bauen, die lernen, Kabel zu greifen. Aber ein Wettrüsten kennt keine Sommerpause. Nur wir dürfen sie uns nehmen.