KI-Bewerbungsfoto: Wie viele von 100 Fotos brauchbar sind? Die Wahrheit über die Keeper-Rate

Was die Keeper-Rate bedeutet

Keeper-Rate = die Fotos, die Sie tatsächlich verwenden ÷ die Gesamtzahl der gelieferten Fotos. Mit diesem Maßstab werden hier alle Tools gemessen, AIHeadshotNow eingeschlossen.

Eine kuriose Eigenheit der Branche: Fast alle Anbieter verkaufen nach Liefermenge (100 Bilder, 120 Bilder …), aber kaum jemand spricht freiwillig über die eigene Keeper-Rate. Der Grund ist simpel – auf der Route „allgemeines Modell plus Feintuning“ ist Ausschuss systemisch: Das Modell wurde nie darauf trainiert, dass „jedes Bild wie Sie aussehen und jedes Bild sitzen muss“. Die Streuung bleibt zwangsläufig hoch.

Erfahrene Reddit-Nutzer sagen es direkt: Rechnen Sie mit einem Drittel brauchbarer Fotos. Das ist aber keine technische Grenze, sondern das Ergebnis einer gewählten technischen Route – auf einer anderen Route sieht die Keeper-Rate völlig anders aus. Genau darum geht es im Folgenden.

Messwerte: die Branchenrealität in einer Tabelle

Wir haben öffentlich zugängliche Praxistests und Nutzerrückmeldungen in einer Tabelle zusammengeführt. Zwei Hinweise: Erstens arbeiten die Tests mit unterschiedlichen Stichproben und Maßstäben – die Zahlen zeigen eine Richtung. Zweitens veröffentlicht kaum ein Tool eine offizielle Keeper-Rate; alle Angaben unten stammen aus unabhängigen Quellen.

Zwei Aussagen verdienen eigene Hervorhebung: HeadshotPro schreibt es auf der eigenen Erstattungsseite unverblümt – die meisten Fotos werden keine Keeper sein, in jeder Bestellung stecken einige seltsame Bilder. Was der Anbieter dort sagt, ist ehrlicher als jede Marketingseite. Und die von Aragon AI beworbenen 90–95 % sind eine Eigenangabe ohne unabhängige Prüfung – mit Abschlag lesen.

Die 4 typischen Ursachen für Ausschuss

Wer verstehen will, warum Ausschuss entsteht, versteht auch, warum er sich beseitigen lässt. Die in der Community am häufigsten genannten Fehlerbilder fallen in vier Gruppen:

• Ähnlichkeitsdrift — Das Ergebnis sieht aus wie ein weit entfernter Verwandter: Die Proportionen stimmen, aber Ausdruck und Knochenbau weichen ab. Die häufigste Ausschussursache; die Wurzel ist eine zu schwache Identitätsbindung des Modells.
• Umgeschriebene Frisur — Langhaarige bekommen einen Bob, Kurzhaarige bekommen Längen, Glatzköpfige erhalten Haar. Besonders Frauen mit langen Haaren sind betroffen; mehrere Tests benennen das Problem namentlich.
• Merkmalsverschmutzung — Aus dem Nichts taucht ein Muttermal oder eine Sommersprosse auf, oder die Brillenreflexe sitzen falsch. Auf Trustpilot berichten Nutzer, dass bei rund 70 % der gelieferten Fotos Muttermale an seltsamen Stellen auftauchen.
• Same-face-Syndrom — 100 Fotos mit nahezu identischem Ausdruck, nur der Winkel variiert leicht; kein einziges Bild hat Leben.

Die Gemeinsamkeit aller vier Ursachen: Es sind Folgeerscheinungen einer zu schwachen Identitätsmodellierung. Das Modell hat nicht wirklich gelernt, wer Sie sind – es landet daher zufällig zwischen „ein bisschen wie Sie“ und „ein bisschen nicht wie Sie“. Das ist die mathematische Wurzel der niedrigen Keeper-Rate.

Der AIHeadshotNow-Ansatz: Identitätsbindung direkt in der Architektur

AIHeadshotNow geht nicht den alten Weg „allgemeines Modell feintunen“, sondern hat für den einen Anwendungsfall „professionelles Kopfporträt“ von Grund auf einen eigenen Engine trainiert – die ProfessionalHeadshot Engine (komplette Spezifikationen auf der Technikseite von AIHeadshotNow). Die Antworten auf die vier Ausschussursachen folgen eins zu eins und liegen in der Architektur:

Zwei Punkte verdienen Vertiefung. Erstens: IdentityNet braucht nur 1–3 Selfies. Klassische Tools verlangen 10–25 Fotos – im Kern ein Datenhaufen als Ersatz für schwache Identitätsmodellierung. Das 2048-dimensionale Identitäts-Embedding wurde genau dafür entworfen, aus sehr wenigen Beispielen stabil zu extrahieren, wer Sie sind; weniger Upload-Aufwand und strengere Identitätsbindung verbessern sich gleichzeitig. Zweitens: Die Cosine-Ähnlichkeit von > 0,98 ist eine harte Vorgabe, kein Slogan – jedes Bild eines Durchlaufs wird an denselben Identitätsanker gebunden. Das drückt direkt die zwei größten Ausschussquellen: Ähnlichkeitsdrift und Merkmalsverschmutzung.

Dazu kommen die Poren-Level-Rekonstruktion des Texture Refiner und die physikalische Relichtung. Die Produktzusage von AIHeadshotNow lässt sich in einem Satz fassen: Jedes Bild wird so generiert, dass es sofort verwendbar ist – nicht erst 100 Bilder stapeln, um 20 herauszusuchen. Ob das stimmt, müssen Sie uns nicht glauben: Die 3 Bilder gratis testen laufen über exakt dieselbe Pipeline wie die Bezahlversion – Sie messen die Keeper-Rate selbst.

Reputation der wichtigsten Tools im Vergleich

Aus den langfristigen Rückmeldungen auf Reddit und Trustpilot ergibt sich für die Keeper-Rate folgendes Bild:

Ein Blick auf die Spalte „Nötige Uploads“ genügt, um die Routen zu unterscheiden: Je mehr Fotos ein Tool verlangt, desto klarer kompensiert es fehlende Identitätsinformationen mit Datenmasse. AIHeadshotNow drückt die Uploads auf 1–3 und die Wartezeit auf rund 3 Minuten, weil die Identitätsmodellierung bereits in der Architektur erledigt ist.

6 Schritte für eine bessere Auslese

Egal welches Tool: Diese Routine hebt den Anteil der sofort verwendbaren Bilder noch einmal an:

1. Erwartungen steuernBei Tools der allgemeinen Route mit 20–40 % Keeper-Rate kalkulieren; bei einem Tool mit eigenem Engine (etwa AIHeadshotNow) dürfen Sie von vornherein verlangen, dass jedes Bild sitzt.
2. Erste GrobsichtungAlles sofort löschen, was auf den ersten Blick falsch ist: Frisur, verzogene Gesichtszüge, anatomische Fehler.
3. Risikozonen vergrößernHaaransatz, Brille, Zähne, Logo am Kragen – diese vier Stellen liefern bei klassischen Tools die meisten Ausschussbilder.
4. Nach Szenen gruppierenKandidaten nach Ausdruck und Szene gruppieren, pro Gruppe die besten 1–2 behalten – so wählen Sie nicht zehnmal dasselbe Gesicht.
5. Fremdblick einholenAn Freunde oder Familie schicken: Ob der erste Blick wie Sie wirkt, sagt ihr Bauchgefühl zuverlässiger als Ihr drittes Hinsehen.
6. Weniger ist mehrAm Ende genügen 3–5 Bilder. Für LinkedIn brauchen Sie ein gutes Foto – nicht zwanzig mittelmäßige.

Echte Kosten: gerechnet pro brauchbarem Foto

Nach Liefermenge zu vergleichen ist die Rechnung, die die Branche gern sieht. Entscheidend ist aber der Preis pro brauchbarem Foto:

Die komplette Preisliste von AIHeadshotNow: Basic $29/30 Bilder, Standard $39/50 Bilder, Pro $59/90 Bilder – Einmalkauf, Credits ein Jahr gültig, kein Abo, keine versteckten Gebühren für erneutes Generieren. Zusammen mit den 3 Gratisbildern liegt Ihre Entscheidungskostenlinie bei null: erst gratis die Keeper-Rate messen, dann für Ergebnisse zahlen.

Häufige Fragen

Das Fazit in einem Satz: Zahlen Sie nicht für Liefermenge, sondern dafür, dass jedes Bild brauchbar ist. Der Keeper-Rate-Abstand ist kein Betriebsproblem, sondern ein Routenproblem – messen Sie selbst einmal nach mit den 3 Gratisbildern von AIHeadshotNow, die Antwort fällt eindeutig aus.