„Kann meine KI mit Bildern arbeiten?" sind in Wahrheit drei Fragen mit drei verschiedenen Antworten. Kläre zuerst, welche Du meinst — sonst suchst Du den Fehler an der falschen Stelle.
Was Du willst
Geht das?
Der Weg
Der Assistent soll den Inhalt eines Bildes kennen und danach suchen können
Eine lose Bilddatei in einer Cloud-Datenquelle erfüllt standardmäßig keine dieser drei. PNG, JPG, TIFF, BMP und SVG stehen nicht auf der Liste der Formate, die eine Datenquelle einliest — sie werden beim Sync übersprungen, ohne Eintrag in der Dateiliste, ohne Fehlermeldung im Protokoll und ohne im Zähler der übersprungenen Dateien aufzutauchen. Das sieht aus wie ein Konfigurationsfehler und ist keiner. Details: Dateiformate. Ein Outpost verhält sich hier anders, siehe unten.
Bilder innerhalb von Dokumenten werden gelesen. Ein Vision-Modell sieht sich die Bilder an und schreibt, was darauf steht, als Text in den Suchindex.
Wo das Bild liegt
Wird gelesen
In einer .docx oder .pptx
Ja
In einer PDF — eingebettete Abbildungen, dazu Seiten mit als Vektorgrafik gezeichneten Zeichnungen oder Tabellen
Ja
In einer .odt
Nein — nur der Text
Was das Modell dabei tut:
Text im Bild übernimmt es wörtlich — Überschriften, Beschriftungen, Bildunterschriften, Anmerkungen, Kleingedrucktes. Zahlen, Einheiten und Symbole bleiben stehen, es wird nicht übersetzt.
Tabellen bleiben Tabellen. Eine Maßtabelle in einer technischen Zeichnung landet als Tabelle im Index, nicht als Textwurst.
Zu Fotos, Diagrammen und Zeichnungen schreibt es einen kurzen, sachlichen Satz — auch dann, wenn gar kein Text darauf steht. Die Beschreibung ist Englisch, wenn das Dokument klar englisch ist, sonst Deutsch.
Es rät nicht. Branche, Funktion, Zweck oder die Identität eines Bauteils benennt es nur, wenn sichtbarer Text das hergibt. Das ist Absicht: eine geratene Teilenummer im Index ist schlimmer als keine.
Logos, Piktogramme und sehr kleine Bilder überspringt es bewusst, ebenso Bilder, die sich im Dokument mehrfach wiederholen — etwa ein Logo in jeder Kopfzeile. Sie kosten einen Modellaufruf und liefern eine Beschreibung, nach der niemand sucht.
Rein dekorative oder leere Bilder liefern nichts. Das ist kein Fehler.
Je Datei werden bis zu 64 Bilder gelesen, in der Reihenfolge des Dokuments. Bei einem Katalog mit Hunderten Abbildungen bleiben die hinteren ungelesen.
Ein Outpost arbeitet ohne Vision-Modell. Er liest den Text in Bildern per klassischer Texterkennung — in Word- und PowerPoint-Dateien ebenso wie in eigenständigen Bilddateien (PNG, JPG, TIFF, BMP, WEBP, HEIC), die er anders als eine Cloud-Datenquelle nicht überspringt. Eine Beschreibung von Fotos, Diagrammen oder Zeichnungen entsteht dabei nicht, und auf Zeichnungen und Scans schneidet die Texterkennung deutlich schlechter ab.
Die Regel dahinter ist simpel: das Modell schreibt nur, was zu sehen ist. Danach richtet sich alles Weitere.
Ein Bild je Abschnitt, mit Überschrift und Bildunterschrift
Der Text um das Bild herum trägt die Datei — er ist es, worüber die Suche das Bild findet. „Abb. 4: Spannschiene, Modell XY, Einbaulage" macht ein Bild auffindbar, das ohne Unterschrift nur als „eine Metallschiene an schwarzem Gewebe" im Index steht.
Was das Bild identifiziert, muss im Bild oder direkt daneben stehen
Positionsnummern mit Legende, Typenschild, Maßtabelle, beschriftete Achsen. Ein Detailfoto ohne jede Beschriftung lässt sich beschreiben, aber nicht zuordnen — und das Modell soll die Zuordnung ausdrücklich nicht erraten.
Zeichnungen und Scans in ordentlicher Auflösung
Gelesen wird, was lesbar ist. Unleserliche Stellen werden als solche markiert statt geraten, und eine 96-dpi-Bildschirmkopie einer Maßtabelle verliert genau die Zahlen, wegen derer sie im Index sein soll.
Keine Sammelseiten
Zwölf Details auf einer Seite ergeben eine Beschreibung für zwölf Sachverhalte. Eine Seite je Detail liefert zwölf gezielt auffindbare Abschnitte.
Prüfen statt hoffen
Im Datenpool im Tab Testsuche eine echte Frage stellen und ansehen, aus welchem Dokument und welcher Textstelle die Treffer kommen. Das ist der einzige belastbare Nachweis, dass ein Bildinhalt wirklich im Index steht.
Der Index enthält die Beschreibung eines Bildes, nicht das Bild. Ein Assistent kann ein Detail deshalb erklären, aber nicht von sich aus zeigen. Wenn Deine Nutzer das Bild sehen sollen, ist ein Skill der Weg.
Bilder in ein Skill-Paket packen
Die Bilddateien in ein .zip, dazu eine SKILL.md, die beschreibt, wann welches Bild gezeigt wird — am besten als Tabelle „Modell / Detail → Dateiname". Grenzen: 50 MB je Paket, 20 Pakete je Assistent.
Paket am Assistenten hinterlegen
Im Assistenten-Editor im Bereich Skills per Drag & Drop hochladen. Der Bereich setzt die Code-Sandbox voraus, die standardmäßig aktiv ist.
Im System-Prompt sagen, wann er zeigt
Zum Beispiel: „Ist zu einem Detail ein Bild im Skill hinterlegt, gib es zusätzlich zur Erklärung im Chat aus."
Der Assistent bindet das Paket dann in die Sandbox ein und gibt das passende Bild als Datei-Karte in den Chat. Bei PNG, JPG, GIF und WEBP erscheint dabei ein Vorschaubild direkt im Verlauf, dazu ein Download.
Hinweis
Das lohnt sich für einen überschaubaren, gepflegten Bestand — Explosionszeichnungen, Einbaulagen, Typenschilder, alles, wo ein Satz Text die Frage nicht beantwortet. Für tausende Bilder ist es der falsche Weg: ein Skill ist eine kuratierte Beilage zum Wissen, kein zweiter Datenpool.
Jede Quellenangabe in einer Antwort lässt sich anklicken und zeigt die Fundstelle. Die Datei selbst öffnen oder herunterladen — etwa um eine Zeichnung am Original zu prüfen — geht nur, wenn die Datenquelle auf der Freigabestufe Originaldateien steht. Bei Cloud-Datenquellen ist das der Standard, solange ein Admin die Stufe nicht absenkt; bei einem Outpost ist Nur Text voreingestellt. Wo Du das einstellst und was die drei Stufen bedeuten: Quellenangaben in Antworten.
Bilder aus Confluence-Seiten. Der Confluence-Sync liest Seitentext. Ein als Anhang eingebettetes Bild landet nur als Platzhalter mit seinem Dateinamen im Index, ein per URL eingebundenes Bild hinterlässt gar nichts. Siehe Confluence.
Bilder über einen Connector in den Chat laden. Die Datei-Connectoren übergeben Dokumentformate an den Chat, keine Bildformate.
Ein Bild aus dem Index heraus anzeigen. Der Index hält Text. Das Bild selbst kommt über einen Skill in den Chat, oder über die Originaldatei am Zitat.
Was dagegen jederzeit geht: ein Bild im Chat anhängen. Praktisch alle aktuellen Flaggschiff-Modelle nehmen JPEG, PNG, GIF und WEBP als Anhang entgegen — siehe Modelle.