Aus einer Stelle 20 Motive: KI in der Kreation
· 3 Min. Lesezeit
Kurz gesagt
- Welches Anzeigenmotiv zieht, lässt sich nicht vorhersagen — auch nicht mit Erfahrung. Deshalb laufen mehrere parallel.
- KI übernimmt in der Kreation die Menge: Varianten, Zuschnitte, Untertitel, Textfassungen. Nicht die Auswahl.
- Der Rohstoff bleibt echtes Material aus dem Betrieb. Stockfotos werden im Feed erkannt und schaden.
- Nach vier bis sieben Tagen entscheidet die Kampagne: Was nicht zieht, wird abgeschaltet, was zieht, bekommt mehr Budget.
- Der ehrliche Teil: Ein Teil unserer Motive fällt in jedem Durchlauf durch. Das ist kein Fehler, sondern der Zweck des Aufbaus.
Bei einer Recruiting-Kampagne ist die naheliegende Frage: „Welches Bild sollen wir nehmen?" Die ehrliche Antwort lautet: Das weiß niemand vorher — auch wir nicht, nach über tausend Kampagnen.
Was man stattdessen tun kann, ist die Frage anders zu stellen: nicht welches, sondern wie viele. Und genau an dieser Stelle ist künstliche Intelligenz tatsächlich nützlich.
Warum Vorhersagen hier nicht funktionieren#
Wir haben oft erlebt, dass das Motiv, auf das im Betrieb alle gesetzt haben, nach vier Tagen die schwächste Variante war. Und dass ein Bild, das niemand mochte — unscharf, schnell mit dem Handy gemacht, Küche im Hintergrund unaufgeräumt — die beste Reaktion brachte.
Der Grund liegt in der Umgebung. Im Feed steht deine Anzeige zwischen Urlaubsfotos und Videos von Freunden. Was dort auffällt, ist nicht das Professionellste, sondern das Echteste. Ein Hochglanzbild sieht aus wie Werbung und wird als Werbung übersprungen.
Da man das nicht zuverlässig vorhersagen kann, bleibt nur eines: mehrere Varianten bauen und messen.
Was die Maschine übernimmt#
Zuschnitte. Ein Motiv braucht mehrere Formate — quadratisch für den Feed, hochkant für Stories und Reels. Das ist mechanische Arbeit und vollständig automatisierbar.
Textvarianten. Aus einem Aufhänger fünf Fassungen, die dieselbe Aussage unterschiedlich zuspitzen. Nützlich, solange der Inhalt vorgegeben ist — was ein Modell nicht kann, steht in KI-generierte Anzeigentexte.
Untertitel für Videos. Der Ton ist im Feed fast immer aus. Untertitel sind deshalb keine Barrierefreiheitsmaßnahme, sondern Voraussetzung — und sie automatisch zu erzeugen und zu setzen, funktioniert inzwischen zuverlässig.
Bildbearbeitung in Menge. Zuschneiden, Text einsetzen, Markenfarben anlegen, alles in einheitlichem Look. Wir haben dafür einen eigenen Renderer gebaut, der ein Motiv in Sekundenbruchteilen erzeugt — bei zwanzig Motiven in fünf Formaten ist das der Unterschied zwischen einem Nachmittag und einer Minute.
Vorschläge für Bewerberfragen. Aus einer Stellenbeschreibung fachliche Fragen für das Formular ableiten. Auswählen muss ein Mensch.
Was ein Mensch übernimmt#
Die Argumente (wie du sie findest). Ein Modell weiß nicht, dass in deiner Küche seit 2019 vier von sechs Leuten geblieben sind. Diese Angaben kommen aus dem Betrieb, und sie sind das, was die Anzeige trägt.
Das Rohmaterial. Fotos und Videos aus dem echten Betrieb. Nicht, weil generierte Bilder technisch schlecht wären, sondern weil sie im Feed als generiert erkannt werden — und ein Arbeitsplatz, der nicht echt aussieht, ist kein Argument. Dazu kommt: Ein Kandidat, der im Vorstellungsgespräch eine andere Küche vorfindet als in der Anzeige, ist ein Kandidat, der absagt.
Die Auswahl vor dem Start. Aus dem, was erzeugt wurde, das aussortieren, was fachlich falsch oder peinlich ist. Ein Modell prüft das nicht.
Die Entscheidung nach dem Test. Was bleibt, was fliegt, wohin geht das Budget.
Wie der Test abläuft#
- Mehrere Motive und Texte parallel starten. In der Regel eine zweistellige Zahl an Kombinationen.
- Vier bis sieben Tage laufen lassen. Vorher liegen zu wenig Einblendungen vor, um Unterschiede von Zufall zu trennen.
- Abschalten, was nicht zieht. Das ist der Schritt, der am meisten bringt und am meisten Überwindung kostet — auch weil oft das Lieblingsmotiv des Betriebs dabei ist.
- Budget umschichten auf das, was funktioniert.
- Nachlegen. Aus dem, was zieht, entstehen neue Varianten in dieselbe Richtung.
Der Punkt, den wir Kunden gegenüber offen sagen: Ein erheblicher Teil der Motive fällt in jedem Durchlauf durch. Das ist kein Zeichen schlechter Arbeit, sondern der Zweck des Aufbaus. Wer nur ein Motiv baut, hat keine Fehlversuche — und erfährt auch nie, ob es das beste war.
Warum Kampagnen dadurch über Zeit günstiger werden#
Ein Nebeneffekt, der in der Kostendiskussion oft fehlt: In den ersten Tagen verbraucht auch das Budget der schwachen Varianten. Danach fließt alles in das, was wirkt.
Dasselbe gilt über mehrere Kampagnen hinweg. Ein Betrieb, für den wir zum dritten Mal eine Küchenstelle bewerben, startet nicht bei null — es ist bekannt, welche Argumente und welche Bildsprache in diesem Haus funktionieren. Das ist der Teil des Aufbaus, der bleibt.
Häufige Fragen
Erzeugt ihr Anzeigenbilder mit KI?
Wir verwenden KI für Zuschnitte, Textelemente, Untertitel und Varianten — das Rohmaterial sind echte Fotos und Videos aus dem Betrieb. Vollständig generierte Motive setzen wir nicht ein, weil sie im Feed als unecht erkannt werden.
Wie viele Motive braucht eine Kampagne?
Als Startpunkt eine zweistellige Zahl an Kombinationen aus Motiv und Text. Weniger liefert keine Vergleichsbasis, deutlich mehr verteilt das Budget zu dünn, um in wenigen Tagen Unterschiede zu erkennen.
Woran erkennt man, dass ein Motiv funktioniert?
Nicht an Klicks allein, sondern daran, wie viele Bewerbungen daraus entstehen. Ein Motiv mit hoher Klickrate und wenigen Bewerbungen hat meist eine Erwartung geweckt, die die Anzeige nicht hält.
Muss ich als Betrieb selbst Fotos machen?
In der Regel ja, und das ist kein Nachteil: Handyaufnahmen aus dem echten Betrieb funktionieren im Feed häufig besser als professionelle Bilder. Wichtig sind Menschen im Bild, nicht leere Räume.
Geschrieben von
Dipl.-Ing. Dr. techn. Gerhard Reisinger
Promovierter Automatisierungsforscher (TU Wien), davor Fraunhofer Austria. Baut seit 2022 Recruiting-Kampagnen und die KI dahinter.
- Dissertation TU Wien 2022 — „Entwicklung eines Vorgehensmodells zur automatisierten Informationsversorgung visueller Werkerführungssysteme"
- 318 Zitationen, h-Index 6 (Google Scholar, Stand 30.07.2026)
- Wissenschaftlicher Mitarbeiter, Fraunhofer Austria — MMAssist II, Pilotfabrik Industrie 4.0 der TU Wien