Als ich Kartenbilder für meine Blogartikel brauchte, stellte sich eine praktische Frage: Welches KI-Bildmodell liefert bessere Ergebnisse für eine markenkonsistente Website — Google Gemini oder Runway? Keine Theorie, sondern ein echter Test mit identischem Prompt und identischer Farbvorgabe auf beiden Modellen.
Der Test: Was wurde verglichen
Für einen Artikel über Agent-ready-Websites ließ ich das Kartenbild mit zwei Modellen generieren:
- Gemini nano-banana-pro (Google,
gemini-3-pro-image) - Runway gen-4 (Runways eigenes Modell)
Beide Modelle erhielten denselben Auftrag: ein Premium-Rendering im fotorealistischen 3D-Stil, mit Glas- und Metalloberflächen, Studiobeleuchtung — und eine exakte, per Hex-Code definierte Markenfarbvorgabe: Dunkelblau #1d4ed8, Türkis #0e9f8e und ein cremefarbener Hintergrund #f7f4ef.
Ergebnis von Gemini nano-banana-pro
Gemini lieferte auf Anhieb genau den geforderten cremefarbenen Hintergrund und die passende Blau-Türkis-Kombination. Der Stil ist abstrakt, klar und passt gut zu einer editorialen Ästhetik im Stripe- oder Linear-Stil.
Ergebnis von Runway gen-4 — zwei Versuche
Die erste Runway-Generierung war beeindruckend realistisch — Materialstruktur und Lichtreflexionen wirken fast wie ein Produktfoto. Der Hintergrund wurde jedoch beige/sandfarben statt cremefarben, und die Farbwelt driftete von der Markenvorgabe ab.
Auch mit explizitem Hex-Code und dem Verbot „NOT beige, NOT khaki“ im Prompt blieb der Hintergrund beim zweiten Versuch erneut beige.
Vergleich in der Tabelle
| Kriterium | Gemini nano-banana-pro | Runway gen-4 |
|---|---|---|
| Fotorealismus | gut | hervorragend |
| Farbtreue (Hex-Vorgabe) | präzise, auf Anhieb korrekt | zweimal ignoriert |
| Stilpassung zur Website | abstrakt, editorial, passt gut | eher wie ein Produktfoto |
| Konsistenz über mehrere Generierungen | stabil | instabil bei Farben |
| Kosten | niedriger (ca. 0,03–0,15 $/Bild je nach Modell) | höher |
Warum ich bei Gemini geblieben bin
Entscheidend war nicht die reine Bildqualität, sondern die Markenkonsistenz: In einer Blog-Kartenreihe müssen alle Bilder dieselbe Farbwelt einhalten, sonst wirkt die Liste uneinheitlich. Der Fotorealismus von Runway gen-4 ist beeindruckend, aber solange die Farbvorgabe nicht zuverlässiger eingehalten wird — oder eine nachträgliche Farbkorrektur in den Workflow eingebaut wird — bleibt Gemini nano-banana-pro meine erste Wahl für Blog-Kartenbilder.
Update: Automatisiert vs. manuell promptet — was der Test wirklich zeigt
Eine wichtige Präzisierung im Nachhinein: Was oben beschrieben wurde, war eigentlich kein reiner „Gemini vs. Runway“-Vergleich, sondern der Vergleich zweier unterschiedlicher Workflows:
- Automatisierte, API-/MCP-verbundene Generierung — so entstand dieser Artikel: mit einer einzigen Anweisung, direkt über ein verbundenes Tool (einen MCP-Server), ohne manuellen Zwischenschritt. Das ist schnell, günstig und ideal für Batch-Arbeit — etwa eine ganze Reihe von Blog-Kartenbildern auf einmal.
- Manuelles, einzeln ausformuliertes Prompten — das habe ich zusätzlich getestet: einzeln in der jeweils eigenen Oberfläche von Gemini, ChatGPT und Runway, jeweils mit dem Screenshot des bestehenden Blog-Kartenbilds hochgeladen und mit einem detaillierten, individuellen Prompt darum gebeten, daraus ein Kartenbild zu erzeugen.
Interessante Entdeckung dabei: Auch über die eigene Oberfläche von Runway lief im Hintergrund das nano-banana-Modell — technisch also derselbe Motor, den wir auch direkt per API erreichen konnten. Der Unterschied: Über die Runway-Oberfläche kostete das Ganze deutlich mehr Credits — also deutlich mehr — als der direkte Weg über die Gemini-API.
Meine Schlussfolgerung: Die schnelle, automatisierte API-/MCP-basierte Generierung ist die richtige Wahl, wenn viele Bilder schnell und günstig erzeugt werden müssen — genau der Fall bei Blog-Kartenbildern. Wer dagegen bei einem einzelnen, besonders wichtigen Bild das bestmögliche, detailreichste Ergebnis will, sollte Bild für Bild einzeln und ausführlich prompten — entweder direkt in der Oberfläche des jeweiligen Tools, oder indem man den detaillierten Prompt separat formuliert und gezielt an Claude Code übergibt. Das ist langsamer und teurer, gibt aber deutlich mehr kreative Kontrolle.
Ein praktischer Tipp: Der Qualitätsunterschied bei den manuellen Tests kam vermutlich nicht in erster Linie von der Oberfläche selbst, sondern davon, dass diese Versuche mit einem Referenzbild (dem Screenshot der bestehenden Karte) und mehreren Feinschliff-Runden liefen. Nicht die Oberfläche ist der eigentliche Hebel — sondern Iteration und Referenzbild. Bei einem einzelnen, besonders wichtigen Visual (z. B. einem Hero-Bild) lohnen sich 2-3 Feinschliff-Runden mit Referenzbild, auch per API. Bei Serieninhalten (wie Blog-Kartenbildern) bleibt der schnelle, einstufige automatisierte Weg die richtige Wahl.
Wenn dich praktische, unaufgeregte Tests rund um KI-Sichtbarkeit interessieren, lies auch meinen Artikel GEO für Anfänger: Wie du in der Ära der KI-Suche sichtbar wirst oder llms.txt: Wie Websites für KI-Suchsysteme sichtbar werden — dort behandle ich verwandte Themen mit demselben praxisnahen, ehrlichen Ansatz.
Über diesen Test und weitere praktische KI-Erkenntnisse schreibe ich auch auf meinem LinkedIn-Profil — wenn du an solchen praxisnahen KI-Tests interessiert bist, folge mir dort gerne.
👉 Wenn Sie Unterstützung bei SEO, GEO oder KI-Sichtbarkeit möchten, schreiben Sie mir gerne eine kurze Nachricht oder werfen Sie einen Blick in meine Referenzen und Projekte – rund um SEO, GEO und messbare digitale Sichtbarkeit.
Konzept & Inhalt: Andras Pinter – Freelancer für SEO, GEO & Online-Marketing