Warum generisches Auto-Tagging scheitert – und wie du mit einer eigens trainierten KI in deiner Bibliothek voller Produktfotos und -videos jedes Produkt wiederfindest.
Stand: September 2026
Die meisten DAM-Systeme und Foto-Clouds werben mit „KI-Tagging“. Dahinter steckt ein generisches Bilderkennungsmodell, meist nur eine dünne Schicht über der Vision-API eines Drittanbieters wie Google Vision, AWS Rekognition oder einem Open-Source-Modell wie CLIP. Solche Modelle sind mit Milliarden Bildern aus dem offenen Internet trainiert und erkennen allgemeine Begriffe: Auto, Strand, Frau, Laptop, Pizza.
Für die private Fotosammlung ist das praktisch. Für ein Unternehmen ist es so gut wie nutzlos.
Generisches Auto-Tagging ist nicht neu. Die Technik ist rund 15 Jahre alt. Anfang der 2010er-Jahre war sie ein echter Durchbruch: Ein Computer schaut sich ein Foto an und sagt „Das ist ein Hund“. Seit zehn Jahren sind die Ergebnisse aber kaum besser geworden. Gewachsen ist nur die Zahl der Anbieter, die es fürs Häkchen in der Vergleichstabelle mitliefern. Oft wird es noch als „KI-gestützt“ beworben, als wäre es neu. Das ist es nicht. Und für jedes Unternehmen, dessen Team Fotos nach konkreten Produktnamen sucht, hat es nie funktioniert.
Ein Beispiel: Eine Modemarke sucht „die Jacke Aurora Shell in Storm Blue aus dem SS26-Lookbook“. Über generische Tags findet sie dieses Foto nie. Die generische KI hat es mit Jacke, Outdoor, blau, Person, Berg getaggt. Technisch stimmt das alles. Es hilft nur gar nicht, denn jede andere Jacke in der Bibliothek trägt dieselben Tags. Du brauchst keine beliebige blaue Jacke, sondern genau diese blaue Jacke. Generische KI kann die Jacken nicht auseinanderhalten.
Mit der Größe wächst das Problem. 500 Fotos kannst du noch von Hand durchsehen. Eine Bibliothek mit 50.000 Fotos und generischen Tags ist schlimmer als eine ganz ohne Tags: Die Tags erwecken den Eindruck, man könne gezielt suchen – und kosten alle nur Zeit.
Generische KI stößt bei Details schnell an ihre Grenze. Hund erkennt sie, Aussiedoodle nicht. Stuhl erkennt sie, Herman Miller Aeron nicht. Müsli erkennt sie, die SKU deines Knuspermüslis in der neuen Weihnachtsverpackung nicht. Fast jeder Unternehmenskatalog ist feiner unterteilt, als ein öffentliches Bilderkennungsmodell unterscheiden kann. Die Grenze ist also schon am ersten Tag erreicht.
Generische KI taggt ähnliche Bilder außerdem uneinheitlich. Dasselbe Produkt, aus verschiedenen Blickwinkeln fotografiert, bekommt oft ähnliche, aber nicht identische Begriffe: Shirt auf dem einen Foto, Oberteil auf dem nächsten, Bluse auf dem dritten. Keines dieser Tags ist falsch. Doch wer nach „Shirt“ sucht, findet nur ein Drittel der passenden Fotos.
Was tun Teams, wenn generische KI nicht funktioniert? Aufgeben und von Hand taggen. Jemand aus Design oder Marketing, manchmal auch eine Aushilfe, sitzt vor einer Tabelle und tippt zu jedem Foto das richtige Tag ein. Bei einem Katalog mit 5.000 SKUs und 20 Fotos pro SKU sind das 100.000 Tagging-Entscheidungen. Selbst bei einer Minute pro Foto ist ein Mensch damit ein ganzes Jahr beschäftigt. In der Praxis macht das kein Team. Stattdessen hört das Tagging irgendwann auf, die Bibliothek verkommt, und die Suche heißt dann: „Frag Sarah, die hat die Fotos gemacht.“
Custom AI Tagging ist etwas grundlegend anderes. Statt Fotos durch ein vortrainiertes Allzweckmodell zu schicken, lernt ein Modell deine echten Produkte kennen – anhand von Fotos aus deinem eigenen Katalog. Die KI lernt, wie jedes deiner Produkte aussieht, und vergibt bei jedem neuen Upload das richtige Tag.
Im Kern geht es um Produkte. Eine Modemarke lässt die KI auf jedes Produkt im Katalog trainieren, ein Möbelverleih auf jedes Stück im Mietbestand, ein Hardwarehersteller auf jede SKU – auch auf optisch ähnliche Varianten. Ab dann bekommt jedes neue Foto in der Bibliothek echte Produktnamen als Tags statt generischer Synonyme.
Beim Custom AI Tagging stehen in der Praxis Produkte im Mittelpunkt. Der Ansatz funktioniert aber auch darüber hinaus. Eine Hochschule lässt ein eigenes Modell auf bestimmte Gebäude ihres Campus trainieren. Eine Eventfirma lässt es auf bestimmte Locations trainieren, ein Sportverein auf seine Stadien oder Trainingsanlagen. Infrage kommt alles, was immer gleich aussieht und was dein Team über den Namen finden muss. Dieser Guide konzentriert sich vor allem auf Produkte, denn dort liegt der größte Nutzen. Die anderen Einsatzfelder solltest du trotzdem im Hinterkopf behalten.
Custom AI Tagging heißt nicht, Tag-Optionen von Hand in ein Dropdown-Menü einzutragen. Das ist Metadatenverwaltung. Die hat jedes DAM – und trotzdem muss dort ein Mensch taggen.
Es ist auch kein Auto-Tagging auf Stichwortbasis, bei dem das System Dateinamen oder Beschreibungen ausliest und den Text in Tag-Felder kopiert. Das klappt, solange die Dateinamen sauber sind. Meistens sind sie es nicht – dann scheitert es.
Custom AI Tagging ist ein Modell, das sich den Inhalt eines neuen Fotos oder Videos ansieht und das richtige Produkt erkennt. Beim Taggen selbst ist kein Mensch beteiligt.
Ein wichtiger Punkt: Custom AI Tagging ist nicht eine Aufgabe, sondern eine ganze Reihe von Aufgaben, die sehr unterschiedlich schwer sind. Zwei Stühle auseinanderzuhalten, die verschieden aussehen, ist einfach. Bei zwei fast identischen Tischen kann das richtig schwierig werden. Elektronikgeräte tragen oft Text direkt auf dem Produkt (Modellnummern, Logos, Etiketten), den ein gut gebautes Tagging-System nutzen kann. Bei Mode kommt es auf Stoffstruktur und Silhouette an. Mietequipment hat oft Seriennummern und Markenlogos, die weiterhelfen.
Ein durchdachtes Produkt für Custom AI Tagging nutzt je nach Problem andere Techniken. Für verschiedene Fälle kommen verschiedene KI-Modelle zum Einsatz. Steht die Kennung als Text auf dem Produkt, kommt Texterkennung (OCR) dazu. Eine Plattform, die jeden Katalog gleich behandelt, schneidet überall dort schlechter ab, wo dieser eine Ansatz nicht passt.
Um das zu beurteilen, musst du die Technik nicht verstehen. Wichtig ist nur: Frag jede Plattform, die infrage kommt, wie sie mit deiner Kategorie umgeht. Ein Anbieter, der erklären kann, warum Mode anders getaggt werden muss als Elektronik, leistet echte Entwicklungsarbeit. Ein Anbieter, der sagt: „Unsere KI macht das alles gleich“, eher nicht.
Ein eigenes Bilderkennungsmodell pro Kunde zu trainieren und zu betreiben, ist teuer. Dafür braucht es Infrastruktur und ML-Fachleute. Dazu kommt ein Produktteam, das bereit ist, eine Funktion zu bauen – auch wenn viele kleinere Kunden sie nie nutzen. Die meisten DAM-Anbieter haben es sich leichter gemacht: eine generische Vision-API anschließen, „KI-Tagging“ draufschreiben, fertig. Oft verkaufen sie die 15 Jahre alte Technik bis heute als Vorzeigefunktion.
Eigens trainierte Bilderkennungsmodelle gibt es durchaus – außerhalb der DAM-Welt. Cloud-Anbieter wie AWS, Google und Azure bieten alle entsprechende Dienste an. Das sind aber Entwickler-Tools: Ein Engineering-Team muss sie einbinden, warten und betreiben. Ein eigenes KI-Modell direkt im DAM ist etwas anderes. Damit arbeitet das Team, dem die Fotobibliothek tatsächlich gehört – ob Marketing, Operations oder Events.
Soweit wir wissen, ist Tagbox.io derzeit das einzige DAM, das Custom AI Tagging als fertige Funktion anbietet. Dein Team nutzt sie selbst und muss keine Entwickler-API anbinden.
Der Ablauf ist einfacher, als die meisten denken. Er besteht aus vier Schritten.
Am Anfang steht nur eine Liste mit allem, was die KI erkennen soll. Bei den meisten Marken ist das der Produktkatalog: jede SKU, jede Produktlinie, jede Variante und jedes Modell, nach dem du suchen willst. Eine Hochschule listet vielleicht ihre Campusgebäude auf, eine Eventfirma ihre Locations.
Bei Produkten kannst du die Liste weiter gliedern, etwa nach Farbvariante, Saison, Aufnahmeart oder Kampagne. Im Kern bleibt sie einfach: Das sind die Dinge, die die KI erkennen muss.
Für jeden Punkt auf der Liste lieferst du Beispielfotos. Bei heutigen Systemen sind 25 bis 50 Beispiele pro Punkt üblich. In schwierigen Fällen, etwa bei sehr ähnlichen Produkten im Katalog, können es bis zu 100 werden. Die Technik entwickelt sich schnell: Die nächste Modellgeneration senkt die Zahl bei den meisten Tags auf nur noch fünf Beispiele.
Bei weniger eindeutigen oder optisch vielfältigen Tags wie „Lifestyle-Foto“ oder „Packshot“ nimmst du eher das obere Ende der Spanne. So deckst du die Bandbreite ab, die das Modell zum Verallgemeinern braucht.
Das Sammeln der Beispielfotos ist der einzige Schritt mit echter Handarbeit. Für die meisten Teams ist das ein einmaliger Aufwand von etwa einem Arbeitstag – ein Bruchteil dessen, was es kostet, die gesamte bestehende Bibliothek von Hand zu taggen.
Auf Basis deiner Beispiele trainiert die Plattform ein eigenes Modell. Das übernimmt in der Regel das Team des Anbieters bei der Einrichtung, nicht du selbst. Das gesamte Projekt dauert meist zwei bis vier Wochen: von der Produktliste über Training und Prüfung bis zum Livegang. Die Dauer hängt davon ab, wie viele Punkte auf der Liste stehen und wie sauber die ersten Trainingsdaten sind.
Bei den meisten ernstzunehmenden Anbietern ist das kein Self-Service. Damit ein eigenes KI-Modell gut funktioniert, braucht es Zusammenarbeit: festlegen, was dazugehört, die ersten Ergebnisse prüfen, falsche Tags korrigieren und die Genauigkeit an Fotos testen, die bewusst nicht ins Training eingeflossen sind. Wer verspricht, dass ein eigenes Modell fünf Minuten nach dem Upload läuft, verspricht zu viel.
Sobald das Modell live ist, prüft es jedes neu hochgeladene Foto automatisch und vergibt passende Tags. Außerdem läuft es rückwirkend über die bestehende Medienbibliothek und taggt auch ältere Inhalte. So zahlt sich der Aufwand für alles aus, was du schon hast, nicht nur für künftige Uploads.
Ab dann gilt: Wer fotografiert, lädt eine Serie Produktfotos hoch, und nach wenigen Sekunden trägt jedes Foto die richtigen Tags für Produkt, Farbvariante, Saison und Aufnahmeart – ganz ohne Handarbeit. Wer im Retail-Marketing nach „Aurora Shell Storm Blue Packshot“ sucht, bekommt genau diese Fotos. Nicht 200 beliebige Fotos von blauen Jacken.
Kataloge verändern sich: Neue Produkte kommen dazu, neue Kampagnen starten, neue SKUs ersetzen alte. Ein System für Custom AI Tagging lässt sich deshalb schrittweise nachtrainieren oder um Tags erweitern. Für die neue SS27-Kollektion reichen zum Beispiel ein paar zusätzliche Beispiele. Nach dem Nachtraining erkennt das Modell die Kollektion, und der Rest des Katalogs bleibt unberührt.
Ja. Das Training muss nicht auf Englisch laufen. Ein Händler aus Deutschland kann seine eigene KI auf deutsche Produkt- und Kategorienamen trainieren lassen, und die Tags erscheinen dann auch auf Deutsch. Das ist wichtiger, als es klingt: Muss ein internationales Team mit einer Taxonomie auf Englisch arbeiten, steht zwischen Fotobibliothek und den Menschen, die sie nutzen, dauerhaft eine Übersetzungsebene.
Fotos lassen sich überfliegen. Du öffnest einen Ordner mit 500 Produktfotos und findest das richtige in ein paar Minuten, wenn es sein muss. Mühsam, aber machbar.
Video lässt sich nicht überfliegen. In einem 60-minütigen Eventmitschnitt ist ein Kundenprodukt vielleicht zwei Sekunden lang zu sehen. In einem Launch-Video taucht eine bestimmte SKU vielleicht erst in Minute 38 auf. Eine Keynote blendet nach 22 Minuten eine Folie mit Logo ein. Ohne Suche hilft nur eins: alles ansehen. Bei Hunderten oder Tausenden Videos wird so die ganze Bibliothek unbrauchbar. Nicht mühsam, sondern unbrauchbar.
Genau hier zeigt Custom AI Tagging seinen größten Nutzen. Läuft das Modell auch über Videos, findest du in jedem Video jede Stelle, an der ein Produkt zu sehen ist. Du spulst nicht mehr stundenlang durch Material und hoffst auf den richtigen Moment. Du suchst nach dem Produktnamen und siehst jeden Clip, in dem es vorkommt – mit Zeitstempel.
Für Marken mit vielen Produkten ist das inzwischen Pflicht. Auf Social Media läuft fast alles über Video. Produktdemos und Unboxings sind Video. Marketing-Reels, TikTok-Content, YouTube Shorts, Launch-Mitschnitte, Kundenstimmen – alles Video. Bei einer Tagging-Plattform, die nur Standbilder versteht, bleibt ein großer und wachsender Teil deiner Bibliothek unsichtbar.
Für Events, Verleihfirmen und alle, die lange Formate produzieren, zählt Video noch mehr. Nimm „eine 90-Sekunden-Einstellung unseres neuen Lounge-Aufbaus von der Markenaktivierung in Berlin“. Findest du sie in einem vierstündigen Eventmitschnitt, kannst du das Material wiederverwenden. Findest du sie nicht, musst du alles neu drehen.
Unterm Strich: Wenn dein Custom AI Tagging nur bei Fotos funktioniert, hast du die leichtere Hälfte des Problems gelöst und die schwierige liegen gelassen.
Custom AI Tagging kann mehr, als Produkte für den Onlineshop automatisch zu taggen. Diese Bereiche zeigen, wo es den Arbeitsalltag von Teams wirklich verändert.
Das ist der klassische Anwendungsfall. Eine Marke mit Tausenden SKUs und wöchentlichen Fotoshootings hat eine exponentiell wachsende Medienbibliothek: Packshots, Lifestyle-Fotos, Kampagnenbilder, Social-Media-Content, nutzergenerierte Inhalte, Standbilder aus Videos. Ohne Custom AI Tagging ist jede neue Datei praktisch unsichtbar, sobald sie in der Bibliothek landet.
Mit Custom AI Tagging bekommt jedes Foto automatisch den echten Produktnamen, die Farbvariante, die Saison und die Aufnahmeart. Das Marketingteam hat für die nächste Kampagne in Sekunden „alle Lifestyle-Fotos in Storm Blue aus SS26“ zusammen. Das Social-Media-Team findet „alle Detailaufnahmen der Linie Aurora“, ohne jemanden zu fragen. Und wer die Produktdetailseiten betreut, findet zum Launch die Hauptbilder per SKU.
Dazu kommt: Die Bibliothek bleibt geordnet, während sie wächst. Verdoppelt eine Marke ihren Katalog, braucht sie dafür nicht doppelt so viele Leute im Content-Team.
Ideal für: Mode | Schuhe | Beauty und Hautpflege | Wohnen und Haushalt | Möbel | Accessoires | Multi-Brand-Marktplätze
Für Eventverleiher steht und fällt alles mit dem Angebot. Die Anfrage lautet: „So was wie eure Lounge von der Markenaktivierung in Berlin letztes Jahr, nur mit den Messing-Beistelltischen“ – und im Vertrieb muss jemand schnell Referenzfotos finden. Ohne Custom AI Tagging heißt das: sich durch verschachtelte Ordner mit Tausenden Eventfotos wühlen.
Custom AI Tagging löst das: Die KI lernt jedes Stück im Mietbestand kennen – bestimmte Sofas, Bars, Bühnenelemente, Lounge-Möbel, Beistelltische und so weiter. Danach taggt sie neue Eventfotos automatisch mit den Produkten im Bild. Der Vertrieb findet Referenzfotos in Sekunden. Das Designteam baut Moodboards aus echten vergangenen Events. Und das Marketing bekommt ein mitwachsendes Archiv an Referenzprojekten, sortiert nach Produkt statt nach Event.
Ein Beispiel aus der Praxis: Blueprint Studios, eine Eventproduktions- und Verleihfirma aus San Francisco. Das Unternehmen ordnet mit Custom AI Tagging seinen Bestand an Eventmöbeln und Deko – über Tausende Eventfotos hinweg. Die Tags des Teams für bestimmte Lounge-Möbel, Bar-Stile und Produktfamilien landen automatisch auf jedem neuen Eventfoto. Vertrieb und Design finden passende Referenzbilder für neue Angebote in Sekunden, statt Ordner zu durchforsten.
Ideal für: Verleih von Eventmöbeln und Deko | Hochzeits- und Partyverleih | Zelte und Bühnenbau | Produktion von Firmenevents | Gestaltung von Locations
Gemeint sind Produktkataloge, bei denen es auf die exakte Teilenummer ankommt: Leiterplatten-Layouts, Bauteile, Baugruppenvarianten, Industriemaschinen, Laborgeräte, Kfz-Teile. Die fotografierten Objekte sehen sich zum Verwechseln ähnlich – ein Rack voller gleich aussehender Server, zehn Varianten derselben Leiterplatte. Generische KI kann sie nicht auseinanderhalten.
Genau hier zählt auch der Text auf dem Produkt am meisten. Modellnummern, Seriennummern und Markenetiketten sind oft das deutlichste Unterscheidungsmerkmal. Custom AI Tagging, das OCR mit visueller Erkennung kombiniert, taggt solche Kataloge weit genauer als ein System, das nur auf die Form achtet.
Das zahlt sich aus: Entwicklungs- und Produktteams finden das richtige Referenzbild über SKU oder Teilenummer. Die technische Dokumentation zeigt automatisch die richtige Variante. Und das Marketing verschickt kein Datenblatt mehr mit dem Foto des falschen Modells.
Ideal für: Elektronikhersteller | Maschinen und Anlagen | Kfz-Teile | Laborgeräte und wissenschaftliche Instrumente | Halbleiter und Bauteile
Events profitieren auf zwei Arten von Custom AI Tagging. Erstens: Logoerkennung für Sponsoren. Eine Konferenz mit 20 Sponsoren produziert Tausende Fotos. Jeder Sponsor will innerhalb von 48 Stunden nach dem Event eine kuratierte Auswahl mit seiner Marke. Eine eigene KI lernt Logo, Standdesign oder Markenzeichen jedes Sponsors kennen. Dann stellt sie die Fotosets pro Sponsor automatisch aus der allgemeinen Eventbibliothek zusammen. Was früher drei Tage Sortierarbeit von Hand war, läuft jetzt automatisch.
Zweitens: wiederkehrende Elemente über alle Events hinweg. Bestimmte Bühnenelemente, Vorlagen für die Beschilderung oder Aufbauten für Markenaktivierungen bekommen bei jedem Event des Unternehmens dieselben Tags. So entsteht ein durchsuchbares Archiv aller bisherigen Aufbauten.
Besonders gut passen Sportevents. Übertragungs- und Sponsorenrechte verlangen genaues Wissen: Wann und wo taucht welches Sponsorenlogo auf, in jeder Minute des Materials? Eine eigene KI liefert diese Informationen automatisch, vor allem bei Videos.
Ideal für: Konferenzen mit mehreren Sponsoren | Sportevents mit Werbeflächen | Messen | Firmenevents mit Aktionsständen | Preisverleihungen
Lebensmittelmarken haben ein ähnliches Problem wie die Modebranche: Es kommt aufs Detail an. Generische KI taggt alles als Essen, Schüssel oder Teller. Damit findest du nichts wieder. Eine eigene KI lernt die echten SKUs, Produktlinien, Verpackungsvarianten und Rezeptstile kennen. So wird die ganze Content-Bibliothek tatsächlich durchsuchbar.
Dazu kommen oft Motive, die an eine Kampagne gebunden sind: Weihnachtsverpackungen, limitierte Sorten, regionale Varianten. Mit Custom AI Tagging findest du sie auch lange nach Kampagnenende – und wenn die Kampagne zurückkommt, ist das Shooting von vor zwei Jahren sofort wieder da.
Ideal für: Snacks und abgepackte Lebensmittel | Getränkemarken mit mehreren Produktlinien | Restaurantketten | Kochboxen und D2C-Marken | Beauty- und Pflegeprodukte
Agenturen fotografieren im Auftrag ihrer Kund:innen. Die Bibliothek ist nach Kund:innen geordnet, doch innerhalb jedes Kundenordners gilt dieselbe Detailtiefe bis auf Produktebene. Wird für jeden Kundenbestand ein eigenes Modell trainiert, entsteht aus der gemeinsamen Agenturbibliothek eine Reihe von Kundenarchiven, in denen das Team alles findet.
Noch ein Anwendungsfall: Dateien nach Rechten, Freigabestatus oder Verwendung markieren – für Social freigegeben, von PR freigegeben, rechtlich geprüft. Hängen diese Markierungen davon ab, was auf dem Foto zu sehen ist (eine bestimmte Person, ein geschütztes Markenelement), kann eine eigene KI sie automatisch setzen – und das Rechtemanagement ist keine Handarbeit mehr.
Ideal für: Kreativagenturen | Produktionsfirmen | Content-Agenturen mit mehreren Kundenbibliotheken
Für die meisten Marken mit mehr als 10.000 Fotos ist Custom AI Tagging die einzige wirtschaftlich sinnvolle Option. Manuelles Tagging wächst nicht mit. Generische KI wird fünfzehn Jahre nach ihrem Durchbruch noch immer als Vorzeigefunktion verkauft – und liefert Tags, die nicht einmal den Speicherplatz wert sind, den sie belegen. Nur eine eigene KI bringt die Detailtiefe deines Geschäfts mit der Größe deiner Bibliothek zusammen.
Ein eigens trainiertes Modell muss nicht im DAM bleiben. Über eine API lässt sich dasselbe Modell auch außerhalb des DAM nutzen. So sorgt das Tagging, das in ein paar Wochen für deinen Katalog entstanden ist, für Suche und Ordnung auf allen Plattformen, die dein Team schon nutzt.
Ein paar Beispiele aus der Praxis:
Die Bibliothek im DAM wird zur Single Source of Truth. Das Modell, das auf dieser Bibliothek trainiert wurde, wird zu einem Wert, der in deinem ganzen Stack wirkt. Genau deshalb lohnt sich ein DAM, das Custom AI Tagging mit API anbietet – statt einer abgeschlossenen DAM-Funktion oder einer reinen Entwickler-API: Du bekommst eine fertige Oberfläche und die Reichweite über alle Plattformen.
Nicht jedes „KI-Tagging“, das als maßgeschneidert beworben wird, ist es auch. Die folgenden Fragen zeigen, worauf du in der Praxis achten solltest – und wo Vorsicht geboten ist.
Ist es eine DAM-Funktion oder ein Entwickler-Tool?
AWS, Google und Azure bieten alle APIs für eigene Bilderkennung an. Diese Dienste sind leistungsstark, aber keine Plattformen für Fotoverwaltung. Integration, Wartung und die Oberfläche fürs Marketingteam bleiben an dir oder deinem Entwicklerteam hängen. Für die meisten Marken ist Custom AI Tagging direkt im DAM die richtige Wahl – kein Entwickler-Tool, das sich als DAM ausgibt.
Wird das Modell wirklich mit deinen Daten trainiert – oder ist es ein geteiltes Modell mit Stichwortfilter?
Ein echtes eigenes Modell lernt deine visuellen Muster. Ein Stichwortfilter blendet nur Tags aus, die nicht auf deiner Liste stehen. Er funktioniert also nur mit Begriffen, die das generische Modell ohnehin schon kennt.
Wie geht der Anbieter mit deiner Produktkategorie um?
Frag direkt nach: „Wie taggt ihr Produkte wie unsere?“ Kann ein Anbieter erklären, warum Mode anders getaggt wird als Industrieteile? Oder wie sein System Text auf Elektronikprodukten auswertet? Dann steckt echte Entwicklungsarbeit dahinter. Lautet die Antwort „Unsere KI macht das alles gleich“, steckt keine dahinter.
Wie viele Trainingsbeispiele braucht es pro Produkt?
Systeme, die mit 25–50 Beispielen pro Artikel auskommen, sind heute Stand der Technik. Verlangt ein System Tausende, wälzt der Anbieter die Kosten auf dich ab.
Lässt sich das Modell schrittweise nachtrainieren und um neue Produkte ergänzen?
Kataloge ändern sich. Muss das Modell für jedes neue Produkt komplett von vorn trainiert werden, wächst das System nicht mit.
Wie lange dauert die Einrichtung?
Für ein ernsthaftes Projekt mit eigener KI sind zwei bis vier Wochen realistisch. Dauert es deutlich länger, erledigt der Anbieter als Dienstleistung, was längst eine Standardfunktion sein sollte. Geht es deutlich schneller, verspricht er zu viel.
Mit welcher Genauigkeit kann ich rechnen?
Gut trainierte Modelle erreichen meist über 90 % Genauigkeit. Der Wert in der Praxis hängt davon ab, wie klar sich die Artikel optisch unterscheiden – und von der Qualität der Trainingsdaten und der Fotos, die getaggt werden.
Funktioniert es neben Fotos auch mit Videos?
Für die meisten produktlastigen Unternehmen ist das inzwischen ein K.-o.-Kriterium. Taggt ein System nur Fotos, bleibt ein großer und wachsender Teil deiner Bibliothek unsichtbar.
Welche Sprachen unterstützt die Plattform?
Eine eigene KI, die mit englischen Tags trainiert wurde, nützt nur, wenn dein Team auf Englisch arbeitet. Mehrsprachige Marken brauchen eine Plattform mit sprachübergreifender Suche. So findet jedes Team die Tags in seiner eigenen Sprache.
Gibt es eine API?
Soll dasselbe trainierte Modell auch die Suche in deinem E-Commerce-Backend, PIM, in der Marketing-Automation oder in internen Tools übernehmen, ist API-Zugriff Pflicht. Ohne API bleibt der Wert des Modells in einer einzigen Plattform eingeschlossen.
Was, wenn die KI danebenliegt?
Prüfe zwei Dinge. Erstens: Bei den meisten Plattformen korrigierst du Tags direkt in der Oberfläche. Diese Korrekturen fließen beim nächsten Nachtrainieren als Trainingsdaten ein. Zweitens: Die KI sollte ein Tag nur oberhalb einer Konfidenzschwelle vergeben. So landen unsichere Treffer nie stillschweigend im System.
Wie steht es um den Datenschutz?
Seriöse Plattformen trainieren jedes Kundenmodell getrennt. Deine Trainingsbeispiele und das daraus entstandene Modell fließen nicht in die Modelle anderer Kunden ein.
Was, wenn ich noch keine getaggten Beispiele habe?
Die meisten Anbieter helfen dir beim Erstellen. Gute Startpunkte: Exportiere Produktbilder, die in deinem E-Commerce-Backend (Shopify, Magento, eigenes PIM) schon beschriftet sind. Nutze die Liefertabelle deines letzten Fotoshootings. Oder frag beim Shooting-Team nach, wie die Dateien sortiert sind.
Custom AI Tagging ist kein kleiner Produktivitätsgewinn. Davon hängt ab, ob eine Medienbibliothek mit jedem Zuwachs wertvoller wird – oder mit jedem Zuwachs verfällt.
Taggt eine Marke vom ersten Tag an richtig, findet sie SKU, Farbvariante und Lifestyle-Foto auch sechs Jahre später noch. Die Bibliothek wird zum echten Wert: ein durchsuchbares Archiv der visuellen Markengeschichte. Marketing, Social Media, Vertrieb, PR und Kundenservice greifen in Sekunden darauf zu. Und weil dasselbe Modell auch Videos taggt und per API in jedem Tool bereitsteht, wirkt dieser Wert überall, wo dein Team arbeitet.
Eine Marke ohne Tagging – oder nur mit generischen KI-Tags – landet da, wo die meisten Teams landen: eine Festplatte voller Fotos, das ganze Wissen im Kopf einer einzigen Person und jede Woche ein neues Shooting für Bilder, die es längst gibt. Nur findet sie niemand.
Die Technik dahinter gibt es seit Jahren. Durchgesetzt hat sie sich trotzdem nicht. Kaum eine Plattform hat sie so gebaut, dass sie auch für Unternehmen ohne Konzerngröße und eigenes Entwicklerteam funktioniert. Das ändert sich gerade. Für produktlastige Unternehmen – Handel, Verleih, Hardware, Events, Lebensmittel und die Agenturen, die für sie arbeiten – wird Custom AI Tagging vom Luxus für Konzerne zur praktischen Notwendigkeit.
Teil der Guide-Reihe von Tagbox.io rund um die Medienbibliothek.
Weitere Guides: DAM-Software im Vergleich · Die besten DAMs für E-Commerce · Die besten DAMs für Videoanalyse · Die besten günstigen DAMs · DAM-Migration: der Guide
Mehr zum Thema: Eigene Bilder für KI-Content nutzen – lass die KI deine Fotos finden und für dich einsetzen.
