Ein Modell bewertete ein sichtbar falsches Rot mit 0,97 als markengerecht. Diese Zahl änderte, was ich baute.

Ich erinnere mich an die genaue Zahl, weil sie mich peinlich berührte. 0.968. Ein generisches Ähnlichkeitsmodell betrachtete ein Festtags-Asset, dessen Hero-Rot sichtbar, offensichtlich falsch war, und bewertete es mit 0,97 als markengerecht. Auf einer Skala, auf der 1,0 perfekt bedeutet, sagte es mir, dieses Creative sei so gut wie freigegeben.

Am Anfang dieses Projekts hatte ich angenommen, das schwierige Problem sei das Gegenteil. Ich dachte, die interessante Arbeit an vertrauenswürdigen KI-Inhalten bestehe darin, die Generierung besser zu machen, ein Modell darauf zu trainieren, exakt das Rot der Marke zu treffen, Prompts so lange zu schärfen, bis die Ausgabe richtig aussah. Ich baute die Brand Fidelity Firewall, eine Demo eines Vorversand-Gates, das jedes KI-generierte Kampagnen-Asset bestehen muss, bevor es ausgeliefert wird. Und ich griff immer wieder zum Modell als Richter. Das Modell war das Letzte, dem ich diese Aufgabe hätte anvertrauen sollen.

Das ist die Geschichte davon, wie eine falsche Zahl alles umordnete. Wenn Sie die fertige Version bei einer Live-Charge entscheiden sehen wollen, läuft sie unter veriprajna.com/de/demos/brand-fidelity-firewall-pruftor-vor-der-auslieferung-fur-ki-inhalte. Aber die Demo ist der leichte Teil zum Anschauen. Der Teil, den es wert ist aufzuschreiben, ist, was nötig war, um das Modell nicht mehr um eine Arbeit zu bitten, die es nicht leisten kann.

Zuerst habe ich das Falsche gebaut

Ich fing dort an, wo die meisten anfangen: bei einem Ähnlichkeitswert. Der Instinkt ist vernünftig. Man hat ein Brand Book und ein generiertes Asset und will eine einzige Zahl, die sagt, wie nah sie beieinanderliegen. Jedes KI-Ästhetik-Tool am Markt liefert diese Zahl, und sie fühlt sich wie Governance an. Das ist keine Governance. Das ist ein Bauchgefühl mit Dezimalpunkt.

Um die Demo ehrlich zu halten, erfand ich eine Fake-Marke zum Testen, weil ich die Kreativarbeit einer echten Firma nicht durch einen Proof of Concept jagen würde. Die Marke heißt "Lumiere," ein synthetisches Premium-Haus mit dem Slogan "Quiet luxury, since 1984." Ihre Primärfarbe ist Lumiere Crimson, Pantone PMS 484, Hex #9E2B25, mit einer Toleranz von 3,0 pro Farbe. Alles Downstream misst sich an diesem Brand Book. Es ist eine erfundene Marke, aber die Pixel und die Specs sind echt — die einzige Weise zu prüfen, ob ein Check wirklich funktioniert.

Dann komponierte ich eine Charge von zwölf Festtags-Assets, wieder synthetisch, flache Layouts, damit jeder Check echte Pixel misst statt fotografischem Rauschen. Die Firewall selbst generiert nichts. Sie nimmt vorab generierte Assets entgegen und entscheidet, was sicher ausgeliefert werden kann; die zwölf sind Test-Fixtures, die ich geschrieben habe, um die Checks zu üben. Elf davon waren in Ordnung. Eines, das Asset mit der Bezeichnung a08, hatte ein Hero-Rot, das jeder Art Director vom anderen Ende des Raums aus markieren würde. Es entsprach #9D2E0B über rund 46 Prozent seiner Fläche. Das ist ein anderes Rot. Nicht subtil anders. Falsch.

Und der Ähnlichkeitswert liebte es.

Eine Zahl, die Ihr Rot nicht vom Rot eines Wettbewerbers unterscheiden kann, misst nicht Ihre Marke. Sie misst Luminanz und zuckt mit den Schultern.

Warum er es liebte, lohnt sich zu verstehen, denn das ist das ganze Argument. Die generische Baseline, die ich nutzte, ist ein echter perzeptueller Hash, ein DCT-basierter pHash, dieselbe Technikfamilie, mit der Content-Plattformen Near-Duplicate-Bilder erkennen. Er ist absichtlich so gebaut, dass er gegenüber Farbe robust ist. Ihm geht es um Struktur und Luminanz, damit er dasselbe Foto nach einer Umfärbung oder einer Kompressionsrunde wiedererkennt. Genau diese Robustheit will man für Deduplizierung — und genau sie macht ihn als Markenrichter nutzlos. Er sah ein korrekt komponiertes Layout mit einem hineingegossenen falschen Rot und sah ein korrekt komponiertes Layout. 0.968. Es wäre freigegeben worden.

Was sieht ein Ähnlichkeitswert eigentlich?

Ich lasse diesen Screenshot offen, wenn ich das Leuten erkläre, weil das Panel es klarer sagt als ich. Links das markenfremde Asset. Rechts die Lesart der Firewall.

Die Lücke zwischen diesen beiden Zahlen ist das gesamte Produkt. 7,12 gegen eine Toleranz von 3,0. Das ist der Farbunterschied gemessen in CIEDE2000, dem wahrnehmungsbezogenen Farbdifferenzmaß nach ISO- und CIE-Standard, geschrieben ΔE00. Es ist keine Ähnlichkeitsvermutung und nichts, was ich erfunden habe. Es ist die Zahl, auf die sich die Farbwissenschaftswelt bereits für die Frage geeinigt hat: "wie unterschiedlich wirken diese beiden Farben für ein menschliches Auge." Ein ΔE00 von 7,12 gegen eine Toleranz von 3 ist ein Hard Fail. Der Ähnlichkeitswert 0,97 und das ΔE00 7,12 betrachten dieselben Pixel und widersprechen sich vollständig — und nur eines von beiden misst das, was eine Marke wirklich interessiert.

Als ich diese beiden Ablesungen zum ersten Mal nebeneinander legte, hörte ich auf, überhaupt noch über Generierung nachzudenken. Es spielte keine Rolle, wie gut der Generator war. Ein perfekter Generator erzeugt immer noch Assets, die gegen eine exakte Spec gemessen werden müssen, und ein Ähnlichkeitsmodell ist strukturell unfähig, diese Messung zu leisten. Das Problem war nie, besseres Creative zu machen. Das Problem war zu wissen, was sicher ausgeliefert werden darf.

Ich will bei einer Sache präzise sein, weil hier oft überverkauft wird. Ich habe hier kein CLIP laufen lassen. CLIP ist die Metrik, die viele "KI-Markenscoring"-Pitches nennen, und sie echt einzusetzen ist ein dokumentierter Drop-in — aber sie schleppt eine ungefähr zwei Gigabyte große Abhängigkeit mit und demonstriert denselben Fehlgriff, den ein pHash kostenlos zeigt. Die Baseline in der Demo ist also ein ehrlicher Perceptual-Hash-Platzhalter für den generischen Ähnlichkeitsansatz, nicht CLIP im Kostüm. Der Punkt hält in beiden Fällen. Ähnlichkeit, wie auch immer berechnet, kann Ihr Pantone-Rot nicht von einem falschen unterscheiden. Farbwissenschaft kann es.

Ich versuchte, das Modell zum Richter zu machen. Es antwortete flüssig — und lag falsch.

Zu dieser Einsicht kam ich nicht elegant. Eine Weile war ich überzeugt, die richtige Architektur sei, ein fähiges Vision-Language-Modell den Schiedsrichter spielen zu lassen. Zeig ihm das Asset, zeig ihm das Brand Book, lass es entscheiden. Modelle sind gut darin, Bilder zu beschreiben. Sicherlich könnte eines mir sagen, ob ein Asset markengerecht ist.

Das konnte es nicht, und die Art des Scheiterns hat mich verstört. Es scheiterte nicht laut. Es scheiterte höflich und selbstsicher. Ich reichte ihm das markenfremde Rot, und es produzierte einen flüssigen, plausiblen Absatz darüber, wie die Komposition die zurückhaltende Ästhetik der Marke ehre — und landete bei Freigabe. Dann reichte ich ein korrektes Asset und bekam einen ebenso flüssigen Absatz, der manchmal ein erfundenes Problem markierte. Die Urteile waren Prosa, und Prosa ist genau das, was man nicht zwischen einem falschen Rot und einer ausgelieferten Kampagne haben will.

Darunter sitzt echte Kosten — deshalb konnte ich es nicht als Demo-Kuriosum abtun. Verbraucher haben den Unterschied einzupreisen begonnen. Die Hälfte sagt, sie bevorzuge Marken, die GenAI-Inhalte meiden, laut Gartner im März 2026. Ein Drittel stellt die Interaktion mit einer Marke ein, sobald Inhalte als KI entlarvt sind, laut Adobes Digital-Trends-Bericht 2026. Smartly.io fand 2025, dass gemessenes Vertrauen in eine Anzeige von 48 Prozent auf 13 Prozent fällt, wenn sie von gemeinsam erstellt zu vollständig KI wechselt. Der Coca-Cola-KI-Festtagsspot — siebzigtausend generierte Clips — wurde öffentlich als seelenlos bezeichnet. Bei Cannes 2025 sah der DM9-Skandal zwölf Auszeichnungen wegen KI-gefälschtem Footage aberkannt. Wenn der Nachteil so konkret ist, ist eine Governance-Schicht, die selbstsichere Absätze statt beweisbarer Messungen produziert, keine Absicherung. Sie ist eine Haftung mit guten Manieren.

Wenn das, was zwischen einem falschen Asset und einer Live-Kampagne steht, zu allem überredet werden kann, ist es kein Gate. Es ist ein Vorschlag.

Also hörte ich auf, das Modell zum Richter machen zu wollen. Das war die Wende. Alles, was ich danach baute, geht davon aus, dass das Modell die am wenigsten vertrauenswürdige Komponente im System ist — nicht die klügste.

Warum Farbwissenschaft, und nicht ein besserer Prompt?

Ich machte den Farbcheck zum harten, unbestreitbaren Kern, und ich will erklären, warum ich ihm auf eine Weise vertraue, der ich dem Modell nie vertraut habe. CIEDE2000 ist keine Heuristik, die ich getunt habe, bis die Demo gut aussah. Es ist eine veröffentlichte Formel mit Referenztestdaten, und ich validierte meine Implementierung gegen die Sharma et al. reference color pairs. Es gibt einen Unit-Test, test_ciede2000_matches_sharma, und er besteht als einer von fünf bestandenen Tests in der Suite. Das zählt mehr, als es klingt. Es bedeutet: Die 7,12 ist nicht meine Meinung darüber, wie falsch das Rot ist. Es ist eine reproduzierbare Messung, die ein Colorimetrist gegen ein Lehrbuch prüfen könnte.

Das ist der Unterschied zwischen einer Zahl, die ich vor einem skeptischen Brand Director verteidigen kann, und einer Zahl, für die ich mich entschuldigen muss. Wenn ein Ähnlichkeitsmodell 0,97 sagt und jemand fragt warum, lautet die ehrliche Antwort: "das Modell empfand es so." Wenn ΔE00 7,12 gegen eine Toleranz von 3 sagt, lautet die Antwort: "hier sind die beiden Farben in CIELAB, hier die Standardformel, hier die Referenzvalidierung, und hier überschreitet 7,12 die 3." Eine dieser Antworten übersteht eine Legal Review. Die andere übersteht bis zur ersten harten Frage.

Ein Urteil, das ich auf eine veröffentlichte Formel zurückführen kann, übersteht eine Legal Review. Ein Urteil, das ich nur als Intuition eines Modells erklären kann, übersteht bis zur ersten harten Frage.

Ich lernte auch, vorsichtig zu sein, wo die Farbe gemessen wird. Das ganze Bild zu beurteilen ließe ein winziges korrektes Logo den Durchschnitt zurück in die Toleranz ziehen, während die riesige falsche Hero-Region ausgeliefert wird. Der Check beurteilt deshalb gezielt die dominante gesättigte Hero-Region — so wird das markenfremde Rot erwischt, selbst wenn ein echtes-Crimson-Logo in der Ecke sitzt und perfekt korrekt ist. Das Gate schaut dorthin, wohin das menschliche Auge zuerst schaut.

Das Gate muss langweilig sein

Irgendwann unterwegs machte ich mir eine Regel: Was entscheidet, muss langweilig sein. Langweilig heißt deterministisch, schlichter Code, außerhalb jedes Modells, testbar und reproduzierbar. In dem Moment, in dem eine Entscheidung von der Laune eines Modells abhängt, ist sie nicht mehr auditierbar — und ein auditierbares Urteil ist der gesamte Wert.

Also ist das Gate genau das. Bei jedem Hard Fail setzt es BLOCK, bei den Fällen, die ein Mensch wirklich selbst tragen muss, FLAG, und sonst PASS. Es gibt eine unit-getestete Invariante, die mir wichtiger ist als jedes einzelne Feature, test_gate_invariant_no_hard_fail_passes: kein Asset mit einem Hard Fail wird jemals als PASS oder FLAG zurückgegeben. Es kann nicht durchrutschen. Das ist eine Eigenschaft, die man beweisen kann — kein Verhalten, auf das man hofft.

Farbe ist nicht der einzige Hard Block, und ich habe bewusst einen zweiten gebaut, der mit Farbe nichts zu tun hat, um zu beweisen, dass das Gate kein Ein-Trick-Farbmesser ist. Asset a09 hat ein perfektes Crimson, ΔE00 von 0,00, tot auf Lumiere Crimson. Und das Gate blockiert es trotzdem.

Der dritte Hard Block ist regulatorisch, und er ist der mit echten Daten. Wenn KI-Inhalte in einen Markt ausgeliefert werden, der eine maschinenlesbare KI-Inhalts-Offenlegung verlangt, und die Offenlegung fehlt, ist das ein Hard Block — egal wie gut die Pixel sind. Asset a10 ist ein sauberes, markengerechtes Layout auf dem Weg in die EU ohne Artikel-50-Label. Die Offenlegungspflicht nach Artikel 50 des EU AI Act ist durchsetzbar am 2. August 2026, mit Strafen bis zu 15 Millionen Euro oder 3 Prozent des Umsatzes. New Yorks SB-8420A gilt ab dem 9. Juni 2026. Kaliforniens CAITA kommt im August 2026. Die Section 5 der FTC sitzt darüber. Ein fehlendes Pflichtlabel ist keine Stilnotiz. Es ist eine Strafe, die darauf wartet, und das Gate behandelt es so.

Bei der vollen Zwölf-Asset-Demo-Charge kommt die Aufteilung auf sieben PASS, drei BLOCK, zwei FLAG. Das ist eine Auto-Clear-Rate von 58,3 Prozent bei dieser spezifischen festen Charge, und ich sage "diese spezifische Charge" absichtlich, weil es ein berechnetes Ergebnis auf zwölf synthetischen Assets ist — kein Versprechen über Ihre Produktionspipeline.

Die beiden FLAG-Fälle sind die, auf die ich am stolzesten bin, weil sie die Fälle sind, in denen ein ehrliches System sagt: "Ich weiß es nicht, ein Mensch muss entscheiden." Asset a11 enthält ein KI-generiertes Menschengesicht, also geht es an eine Person zur Authentizitäts-Freigabe, statt in ein PASS oder BLOCK hineingeblufft zu werden. Das ist das NielsenIQ-Negative-Halo-Risiko — der Befund, dass KI-generierte Gesichter die Markenwahrnehmung nach unten ziehen können — und kein Call, den Code allein treffen sollte. Asset a12 zielt auf Japan, einen Markt außerhalb der Abdeckung des Brand Books, also sind die Offenlegungsregeln unbekannt und es geht an Legal statt fälschlich freigegeben zu werden. Ein Gate, das nie Unsicherheit zugibt, ist nicht rigoros. Es ist rücksichtslos.

Wofür das Modell weiterhin gut ist

Ich habe das Modell nicht rausgeworfen, und ich will ehrlich sagen, wo es gelandet ist, denn "wir haben die KI entfernt" wäre eine Lüge und auch Verschwendung. Das Vision-Language-Modell steckt weiter in der Pipeline. Es hat nur keine Stimme. Es schreibt eine Advisory Note — ein Provider-austauschbarer Call — und ist rein informativ. Es enthält sich sauber, wenn kein Key da ist oder es fehlerhaft endet, und ändert nie ein PASS, ein FLAG oder ein BLOCK.

Das Modell darf so flüssig und selbstsicher sein, wie es will. Es kann trotzdem kein falsches Rot ausliefern.

Lesen Sie diese Advisory Note neben dem Urteil, und Sie sehen die gesunde Arbeitsteilung, die ich wollte. Das Gate hatte bereits BLOCK gesagt, kraft 7,12 gegen 3,0. Das Modell liefert die menschliche Farbe, das Warum-es-zählt, den Satz, den ein Brand Director wirklich lesen will. Das ist genuin nützlich. Es ist Kontext, kein Urteil. Das deterministische Gate entscheidet. Das Modell berät nur. Sobald ich das Modell auf diesen Platz setzte, hörte ich auf, nervös zu sein. Seine Flüssigkeit wurde aus einem Risiko zu einem Feature, weil diese Flüssigkeit jetzt unter einem Urteil sitzt, das es nicht verschieben kann.

Jedes freigegebene Asset exportiert ein Brand Fidelity Certificate — JSON plus druckbares HTML — mit den Messungen pro Check, der Provenance, welche Elemente KI versus Mensch waren, dem Offenlegungsstatus pro Markt, dem Gate-Ergebnis, dem Modell und der Version sowie einem Zeitstempel. Ich sollte vorsichtig sein, was dieses Dokument ist. Es ist ein ablegbares Evidence-Artefakt, ein reproduzierbarer Beleg dessen, was gemessen und entschieden wurde. Es ist keine rechtliche Zertifizierung und keine Rechtsberatung. Es "EU AI Act certified" zu nennen wäre genau die Art selbstsicherer Übertreibung, die dieses ganze Projekt ablehnt.

Generierung war nie der Engpass

Ich komme immer wieder zu dem Moment mit 0,968 zurück, weil er mein Gefühl umdrehte, wo das schwierige Problem liegt. Ich hatte angenommen, dass mit besseren Generatoren das Vertrauensproblem schrumpfen würde. Dieses Bauen überzeugte mich vom Gegenteil. Ein besserer Generator produziert ein falsches Rot schneller und in höherem Volumen. Er sagt Ihnen nicht, dass das Rot falsch ist. Nichts an Modellqualität berührt die Frage, ob ein Asset PMS 484 trifft und ein Artikel-50-Label trägt — und das sind die Fragen, die entscheiden, was sicher ausgeliefert werden darf.

Die unbequeme Version davon, die ich angefangen habe laut zu sagen, lautet: Der wichtigste Teil eines Trustworthy-AI-Content-Stacks enthält fast keine KI. Der Farbcheck ist eine Formel einer Normungsstelle. Der Freiraum-Check ist Geometrie. Der Offenlegungs-Check ist eine Rules Engine, gemappt auf datierte Gesetze. Das eine Modell im System darf nichts entscheiden. Das fühlte sich seltsam an zu bauen, bis ich mich erinnerte, dass der ganze Punkt war, das Urteil beweisen zu können — und einen Absatz kann man nicht beweisen.

Sie können das fertige Gate selbst laufen lassen und zusehen, wie es das Rot erwischt unter veriprajna.com/de/demos/brand-fidelity-firewall-pruftor-vor-der-auslieferung-fur-ki-inhalte. Was ich lieber mitgeben würde, ist die Frage, die es mir hinterlassen hat. Wenn Ihre Governance-Schicht mit einem selbstsicheren Satz dazu überredet werden kann, ein falsches Rot freizugeben — hat sie jemals irgendetwas gesteuert? Oder haben Sie nur schneller generiert und die Geschwindigkeit Strategie genannt?

Und wenn Sie lieber zuschauen, als mich es beschreiben zu hören: Hier läuft das ganze Gate von Ende zu Ende.

Ich glaube nicht, dass diese Frage leichter wird, wenn die Modelle besser werden. Ich glaube, sie wird schärfer.