Warum dein Screenshot schrumpft, und wie du das steuerst
Die Technik hinter Bildverstehen: Auflösungsstufen, visuelle Token, der Zuschneide-Trick, PDF-Grenzen und die fünf dokumentierten Dinge, die Bildverstehen nicht kann. Für alle, die den Hochlade-Knopf schon kennen.
Du weißt, wo die Büroklammer ist. Du lädst Screenshots hoch, bekommst brauchbare Antworten, und manchmal eben nicht. Genau um dieses "manchmal nicht" geht es hier. Es ist selten Zufall und fast nie das Modell. Es sind ein paar Mechaniken, die niemand erklärt, weil sie technisch klingen, obwohl sie im Alltag nur auf drei Gewohnheiten hinauslaufen.
Dieses Playbook setzt voraus, dass du Bilder und PDFs schon hochlädst. Es erklärt nicht das Wie, sondern das Warum dahinter, und was du daraus für deine Handgriffe ableitest. Zehn Schritte, danach verstehst du, warum ein 4K-Screenshot schlechter funktioniert als ein zugeschnittener Ausschnitt.
Schritt 1, das Modell sieht Kacheln, keine Pixel
Ein Bild wird nicht Pixel für Pixel gelesen, sondern in Kacheln von 28 mal 28 Pixeln zerlegt. Jede Kachel ist ein visuelles Token. Die Rechnung ist simpel: Breite geteilt durch 28, aufgerundet, mal Höhe geteilt durch 28, aufgerundet.
Ein Bild mit 1000 mal 1000 Pixeln ergibt also 36 mal 36, macht 1296 Token. Das ist ungefähr so teuer wie eine Seite dichter Fließtext. Bilder sind kein Gratis-Anhang, sie sind ein spürbarer Teil deines Kontexts. Wer in einem langen Gespräch zwölf Screenshots verteilt, merkt irgendwann, dass die KI den Anfang aus den Augen verliert.
Schritt 2, die zwei Auflösungsstufen
Jedes Modell hat eine Obergrenze für die längste Bildkante. Alles darüber wird vor der Verarbeitung heruntergerechnet, und zwar unter Beibehaltung des Seitenverhältnisses.
Die aktuellen Modelle ab 4.7, also auch die gesamte 5er-Generation, arbeiten mit einer längsten Kante von 2576 Pixeln und maximal 4784 visuellen Token. Ältere Modelle liegen bei 1568 Pixeln und 1568 Token. Das ist ein Faktor von rund drei.
Praktisch heißt das: dein 3840 mal 2160 Screenshot landet auf einem älteren Modell bei 1456 mal 819. Genau in diesem Moment wird die kleine Schrift in deiner Fehlermeldung zu Matsch, und das Modell fängt an zu raten statt zu lesen. Die höhere Stufe ist automatisch aktiv, du musst nichts einschalten, aber sie kostet eben auch bis zu dreimal so viele Token.
Schritt 3, der Zuschneide-Trick
Aus den ersten beiden Schritten folgt die wichtigste Gewohnheit dieses Playbooks: schneide zu, bevor du hochlädst.
Ein Ausschnitt mit 900 mal 600 Pixeln, in dem die Fehlermeldung gestochen scharf steht, schlägt einen 4K-Vollbildschirm, in dem dieselbe Meldung nach dem Herunterrechnen unlesbar geworden ist. Das fühlt sich falsch an, weil mehr Bild nach mehr Kontext aussieht. Praktisch ist es umgekehrt: du bezahlst für Bildschirmhintergrund, Taskleiste und Browser-Tabs mit Token und mit Auflösung, die deinem eigentlichen Inhalt fehlt.
Wenn du wirklich beides brauchst, lade beides. Einmal die Übersicht, einmal den scharfen Ausschnitt. Zwei gezielte Bilder schlagen ein überladenes.
Schritt 4, Format und Kompression
Verarbeitet werden JPEG, PNG, GIF und WebP. Bei animierten Bildern wird ausschließlich das erste Einzelbild ausgewertet, der Rest fällt ersatzlos weg. Wer ein animiertes GIF hochlädt und sich über die Antwort wundert, hat meist genau das übersehen.
Bei Kompression gilt eine Regel, die im Alltag oft verletzt wird: mehrfach komprimierte Bilder zerstören kleine Schrift. Ein JPEG, das schon durch zwei Messenger und ein Screenshot-Tool gelaufen ist, hat Artefakte, die aus einer 3 eine 8 machen können. Wenn Text im Bild die Hauptsache ist, nimm PNG. Wenn es um eine Szene oder ein Objekt geht, ist JPEG völlig in Ordnung und spart Übertragungszeit.
Schritt 5, die harten Obergrenzen
Drei Zahlen, an die du im Chatfenster tatsächlich stößt: maximal 8000 mal 8000 Pixel pro Bild, maximal 10 MB pro Bild, und maximal 20 Bilder pro Nachricht auf claude.ai.
Über die Programmierschnittstelle liegen die Grenzen höher, dort sind je nach Kontextfenster 100 oder 600 Bilder pro Anfrage möglich. Praktisch bremst dich vorher die Gesamtgröße der Anfrage aus, die bei 32 MB liegt. Bei anderen Anbietern gelten andere Werte. Das Prinzip ist überall gleich, die konkreten Zahlen ändern sich häufiger, als ein Playbook nachziehen kann, also schau im Zweifel in die Dokumentation des jeweiligen Anbieters.
Schritt 6, Bild zuerst, Frage danach
Der billigste Qualitätsgewinn im ganzen Playbook. Die Modelle arbeiten nachweislich besser, wenn das Bild vor dem Text steht. Also erst anhängen, dann die Frage tippen.
Funktioniert die andere Reihenfolge auch? Ja, ordentlich sogar. Aber wenn du die Wahl hast, und im Chatfenster hast du sie immer, nimm die Variante, die messbar besser läuft. Sie kostet dich exakt nichts.
Schritt 7, mehrere Bilder benennen
Sobald mehr als ein Bild im Spiel ist, gib jedem eine Bezeichnung, bevor du es anhängst. Also "Bild 1:" und dann das Bild, "Bild 2:" und dann das nächste.
Damit kannst du in der Frage und in jeder Nachfrage eindeutig zeigen: "Was ist in Bild 2 anders als in Bild 1?" Ohne Bezeichnungen landest du bei "das obere" und "das andere", und dann rätst du selbst, worauf sich die Antwort bezog. Der Vorher-Nachher-Vergleich ist einer der stärksten Anwendungsfälle überhaupt, und er lebt davon, dass beide Seiten benannt sind.
Angenehm: ältere Bilder bleiben im laufenden Gespräch verfügbar. Für eine Nachfrage musst du sie nicht erneut hochladen.
Schritt 8, ein PDF ist eine Bilderstrecke
Wenn du ein PDF hochlädst, wird jede Seite in ein Bild umgewandelt und zusätzlich der Text der Seite extrahiert. Das Modell bekommt beides. Genau deshalb kann es Diagramme und Tabellenlayouts deuten und nicht nur Rohtext wiedergeben.
Daraus folgen die Grenzen. Jede Seite kostet grob 1500 bis 3000 Token, je nach Dichte. Passwortgeschützte oder verschlüsselte Dateien werden gar nicht verarbeitet, entsperr sie vorher. Und ein dichtes Dokument mit winziger Schrift und vielen Grafiken füllt deinen Kontext lange bevor irgendeine Seitenzahl-Grenze greift. Bei einem 200-Seiten-Vertrag lädst du deshalb die relevanten Kapitel hoch, nicht den ganzen Klotz.
Zwei Handgriffe, die überproportional viel bringen: dreh schiefe Scans vorher gerade, gedrehte Seiten sind eine der zuverlässigsten Fehlerquellen. Und nenn Seitenzahlen so, wie sie im PDF-Betrachter stehen, nicht wie sie unten auf dem Papier gedruckt sind.
Schritt 9, Tabellen gehören nicht als Bild hinein
Der häufigste teure Fehler. Ein Screenshot einer Tabelle zwingt das Modell, Zahlen visuell abzulesen, und beim Ablesen aus engen Spalten passieren die meisten Verwechslungen.
Reine Textformate wie CSV, TXT oder Markdown lassen sich direkt übergeben und kommen als Zahlen an, nicht als Bild von Zahlen. Binärformate wie XLSX oder DOCX gehen über die Schnittstelle nicht direkt, die exportierst du vorher als CSV oder PDF. Der Umweg über CSV ist fast immer der bessere.
Faustregel: sobald mit den Zahlen gerechnet werden soll, gehört die Datei als Text hinein. Ein Bild reicht nur, wenn es um das Layout geht, also "erklär mir, was dieses Diagramm aussagt".
Schritt 10, die fünf dokumentierten Grenzen
Das ist der Abschnitt, der dich vor peinlichen Fehlern schützt. Alle fünf stehen so in der offiziellen Dokumentation, das ist keine Einschätzung von mir.
Personen auf Bildern werden nicht benannt, das wird aus Prinzip verweigert. Zählen ist ungefähr, besonders bei vielen kleinen Objekten, verlass dich also nie auf "wie viele sind das". Sehr kleine, unscharfe oder gedrehte Bilder unter etwa 200 Pixeln führen zuverlässig zu erfundenen Antworten. Medizinische Schnittbilder wie CT oder MRT sind ausdrücklich kein Anwendungsfall und ersetzen keine ärztliche Beurteilung.
Und der wichtigste Punkt, weil er dem verbreiteten Bauchgefühl direkt widerspricht: das Modell kann nicht erkennen, ob ein Bild selbst KI-generiert ist. Wenn du fragst, bekommst du eine Antwort, und die kann schlicht falsch sein. Benutz das niemals als Echtheitsprüfung. Wer in diese Richtung arbeitet, ist mit KI-Inhalte erkennen und kennzeichnen und für den Betrugsfall mit Dich vor KI-Betrug schützen ehrlicher bedient.
Was als nächstes
Weil Bilder Kontext kosten und Kontext endlich ist, gehört Kontext und Tokens direkt neben dieses Playbook. Dort steht, warum ein langes Gespräch mit vielen Screenshots irgendwann zäh wird.
Und weil eine sehr überzeugende Antwort auf ein Bild trotzdem falsch sein kann, gerade beim Ablesen von Zahlen aus Diagrammen, ist die Routine aus KI-Antworten faktenchecken der passende zweite Schritt. Was du grundsätzlich hochladen solltest und was nicht, steht in Datenschutz, was darf ich eingeben. Screenshots sind da der heikelste Fall, weil am Bildrand oft mehr steht, als du gerade anschaust.
Woher die Infos
Alle Zahlen zu Auflösungsstufen, visuellen Token, Formaten und Obergrenzen stammen aus der offiziellen Dokumentation zu Bildverstehen unter https://docs.claude.com/en/docs/build-with-claude/vision. Die Angaben zu Seitenverarbeitung, Token pro Seite und zu CSV gegenüber XLSX stehen unter https://docs.claude.com/en/docs/build-with-claude/pdf-support. Die fünf Grenzen in Schritt 10 sind die dort dokumentierten.
Für ChatGPT und Gemini gelten dieselben Grundprinzipien, also Bild vor Text, zuschneiden statt vollflächig, Tabellen als Text statt als Bild. Die konkreten Obergrenzen unterscheiden sich und stehen jeweils in der Dokumentation des Anbieters.