Follow-up: KI und Schriftgestaltung: Eindrücke von der Font Tech & AI Conference – Design Tagebuch

Gastbeitrag von Gabor Farkasch

Vor wenigen Wochen habe ich an dieser Stelle über KI-Werkzeuge in der Schriftgestaltung geschrieben und die „Font Tech & AI“-Konferenz angekündigt. Vom 8. bis 10. Oktober 2026 habe ich mir die Vorträge und Panels angeschaut, und hier ist eine Zusammenfassung der wichtigsten Meinungen, Ideen und Ansätze.

Warum KI-Schriftgenerierung je nach Schriftsystem ganz unterschiedlich funktioniert

Wie praxisnah KI-gestützte Schriftgenerierung schon heute sein kann, zeigte der Vortrag von Zizhan Chen und Junyi Yu über die Arbeit bei der chinesischen Foundry TrionesType. Ihre Projektzahlen sprechen für sich: die Schrift Zhuque Fangsong, über 6.000 Zeichen, noch rasterbasiert; die Schrift Sart Sans, eine Superfamily mit über 27.000 Zeichen, bereits mit strichbasierter Vektorgenerierung; die Schrift Carbon Serif, 4.000 Zeichen, inzwischen mit einem multimodalen Modell, alle Schriften generiert in 30 bis 40 Tagen. Drei Projekte, mehrere Jahre Iteration, und eine klare Entwicklungslinie von reiner Bildgenerierung hin zu echter Vektorarbeit. Ihr Fazit war fast schon nüchtern pragmatisch: „More time for design. Less time on repetitive work.“ Dazu haben sie mit Foreglow ein eigenes Plug-in für Glyphs 3 gebaut, das Formen organisch transformiert – als Werkzeug für den Designer gedacht, nicht als Ersatz für ihn. Diese Größenordnung erklärt auch, warum Generierung hier so viel naheliegender ist: Bei einem Zeichensatz mit Zehntausenden Glyphen, die sich zudem aus wiederkehrenden Komponenten zusammensetzen (dazu später mehr), ergibt Unterstützung durch KI schlicht ökonomisch Sinn – bei einer lateinischen Schrift mit kaum mehr als 1.000+ Glyphen sieht das ganz anders aus.

Warum das so ist, und warum sich das nicht einfach aufs Lateinische übertragen lässt, hat niemand so genau vorgerechnet wie Simon Cozens, britischer Schriftingenieur, Autor und einer der Kuratoren der Konferenz. In seinem Vortrag „Glyphs generation is harder than you think“ und in seinem begleitenden Aufsatz „The State of AI Font Generation“ zeichnet er nach, wie sich die KI-gestützte Schriftgenerierung technisch entwickelt hat. Vektorbasierte Ansätze hält er für die eigentliche Baustelle: Es gibt kaum gute Metriken, um Vektorkonturen überhaupt automatisiert zu vergleichen, weshalb die meisten Modelle am Ende doch wieder Rasterbilder erzeugen und erst danach vektorisieren.

Cozens trainiert selbst ein eigenes Modell, nach einem Ansatz, den er „many-shot“ nennt: nicht aus wenigen Buchstaben viele Zeichen generieren, sondern aus vielen vorhandenen Glyphen die eine oder zwei fehlenden ergänzen. Sein Testfall: Google-Fonts-Schriften, denen das Rupie-Zeichen (₹), das indische Währungszeichen, fehlt. Das Ergebnis war unterschiedlich und nur teilweise befriedigend.

Seine Erklärung dafür hat nichts mit Qualität oder kulturellem Vorsprung zu tun, sondern schlicht mit der Form der Zeichen selbst. Ein typisches chinesisches Schriftzeichen lässt sich fast immer in einem gleich großen Quadrat anordnen und setzt sich aus einer Anzahl wiederkehrender Komponenten zusammen. Cozens vergleicht das mit einer Schaufensterpuppe, die immer dieselbe Haltung hat, aber unterschiedliche Kleidung trägt: Das Skelett eines Zeichens bleibt über verschiedene Schriften hinweg stabil, nur der Stil – die „Kleidung“ – wechselt. Genau das macht chinesische, koreanische und japanische Zeichen (CKJ) für KI-Modelle so gut generierbar, wie bei TrionesType zu sehen. Durch die quadratische Grundform und das Prinzip wiederkehrender Komponenten in der chinesischen Schrift fällt zudem die zeitraubende Arbeit an Kerning und Spacing weitgehend weg.

Bei lateinischer Schrift ist das umgekehrt: Hier ist der Stil selbst das Skelett, und die Buchstaben sind nicht aus denselben wiederkehrenden Bausteinen zusammengesetzt, sondern unterscheiden sich von Schrift zu Schrift, teilweise grundlegend. Es sind sozusagen Schaufensterpuppen in jeweils unterschiedlicher Haltung und zugleich noch mit unterschiedlicher Kleidung. Vieles davon beruht zudem auf reiner Konvention: Ein einstöckiges und ein zweistöckiges „a“ gelten für uns als derselbe Buchstabe, einfach weil wir es so gelernt haben – nach der Logik eines chinesischen Zeichensystems wären es tatsächlich zwei verschiedene Zeichen mit unterschiedlichem Aufbau. Dasselbe gilt etwa für das „g“. Hinzu kommt ein rein technisches Problem: Trainingsmodelle brauchen einheitliche Bildgrößen, lateinische Buchstaben beanspruchen aber ganz unterschiedlich viel Raum und lassen sich, anders als bei CKJ, nicht zuverlässig in ein Quadrat packen – jede Glyphe muss deshalb zusätzlich auf die breitesten, höchsten und tiefsten Zeichen des Alphabets angepasst werden, damit ein Modell sie überhaupt sauber verarbeiten kann. Stilübertragung wird dadurch im Lateinischen ungleich schwerer, unabhängig davon, wie gut das jeweilige Modell trainiert ist. Cozens’ Fazit, zugespitzt auf einer Folie seines Vortrags: „Consistency is what makes it good. Unpredictability is what makes it interesting.“ KI kann bislang nur das eine oder das andere liefern, nie beides zugleich – dabei braucht Schriftgestaltung genau diese Kombination.

Seine Prognose zum Zeithorizont, aus dem Aufsatz: Modelle wie UTDesign und FontDiffuser zeichnen bereits brauchbare lateinische Buchstaben, lösen aber weder Vektorisierung noch Spacing oder Kerning – aus seiner Sicht die eigentlich harten Probleme des lateinischen Schriftentwurfs. Seine Schätzung, komplette, professionell nutzbare lateinische KI-Schriften lägen noch drei bis vier Jahre entfernt, teilt er ausdrücklich mit dem Hinweis, dass er selbst kein chinesischer Designer sei und entsprechend voreingenommen sein könnte. Bei CKJ, wo der Zeichensatz um ein Vielfaches größer ist und sich die Zeichen strukturell leichter in ein Modell fassen lassen, bezeichnet er KI-gestützte Schriftgenerierung dagegen bereits heute als produktionsreif – ziemlich genau das, was TrionesType in ihrem Vortrag schon vorgeführt hat.

Wie wenig gelöst selbst die vermeintlich einfachere Teilaufgabe bislang ist, zeigte auch Toshi Omagari in seinem „AI test drive“: Er hat mehrere Font-Generatoren tatsächlich durchprobiert und kommt zu einem nüchternen Schluss: KI kann bislang schlicht keine sauberen Bézierkurven zeichnen, und ein Font-Generator müsste Menschen gleichzeitig in Kreativität, Qualität und Erschwinglichkeit schlagen, um wirklich relevant zu werden. Das schafft bisher keiner der getesteten Kandidaten.

Runebender und die Grenzen von OpenType selbst

Eine Perspektive, die die Sache noch einmal weitet, lieferte Eli Heuer. Heuer ist KI/ML-Engineer und entwickelt Runebender, einen freien, quelloffenen Fonteditor, in den er KI nicht als fertige Zauberfunktion einbaut, sondern als Baukasten: Ein Node-Editor erlaubt es, einzelne KI-Bausteine frei miteinander zu verknüpfen und nicht-destruktiv in den eigenen Zeichenworkflow einzubinden – etwa um aus einer Skizze oder einem Scan automatisch Vektorkonturen abzuleiten oder um zwischen verschiedenen Entwurfsstufen einer Schrift automatisch zu interpolieren. Mit img2bez arbeitet er zudem an einem eigenen Raster-zu-Vektor-Autotracer, der gezeichnete oder gescannte Formen direkt in editierbare Kurven übersetzt.

In seinem Vortrag „Nastaʿliq Distilled: Post-OpenType Neural Network Fonts“ zeigte er, woran er gerade arbeitet: eine Nastaʿliq-Schrift, einen perso-arabischen Schriftstil. Bei Nastaʿliq verändert sich die Form eines Buchstabens je nach Nachbarbuchstaben, ist also kontextabhängig, und Buchstaben werden teils übereinander gestapelt statt, wie im Lateinischen, einfach nebeneinander angeordnet. Ein Kalligraf kann dabei Wörter stapeln, Striche verlängern und die Position von Buchstaben und Punkten anpassen, um Schwarz- und Weißraum auszubalancieren. Statt diese unzähligen Kontextregeln von Hand in ein klassisches OpenType-Feature-Set zu gießen, trainiert Heuer ein kleines neuronales Netz darauf, aus seinen eigenen kalligrafischen Vorlagen zu lernen, wie sich eine Form je nach Nachbarbuchstabe und Position im Wort verändern muss. Das Modell übernimmt damit eine Aufgabe, für die man klassisch Hunderte handgeschriebene Ersetzungsregeln bräuchte. Weil sich Nastaʿliq kaum sinnvoll in ein lateinisch geprägtes, auf linear aufgereihte und kontextunabhängige Glyphen ausgelegtes OpenType-Gerüst pressen lässt, sieht er darin den eigentlichen Nutzen von KI an dieser Stelle: nicht als Ersatz für Gestaltung, sondern als neues Werkzeug für ein Problem, für das es bislang schlicht kein passendes Dateiformat gab.

Magie in FontLab 9

Wie Profi-Werkzeuge selbst mit KI umgehen, zeigte Adam Twardoch für FontLab in „Rough magic & gentle spiriting“. Er stellte die kommende Version FontLab 9 vor und unterschied dabei zwei Arten von Hilfe: „Rough magic“ erzeugt alles auf einmal und fragt nichts, „gentle spiriting“ dagegen ist eine unsichtbare Helferhand, die bei lästigen Teilaufgaben unterstützt. FontLab 9 setzt konsequent auf Letzteres: Es wird keine bild- oder textgenerierten Fonts geben, dafür einen Assistenten namens Aidus – benannt nach dem venezianischen Renaissance-Drucker Aldus Manutius, kombiniert mit „AI“. Man arbeitet mit Aidus in natürlicher Sprache, indem man ein eigenes Modell über einen MCP-Server einbindet. Dazu kommen handfestere Neuerungen wie Neural Kerning, das Kerning-Paare vorschlägt, und ein Stem-Shifting-Tool, mit dem sich Strichstärken verändern und anpassen lassen. Die KI-Komponente selbst bleibt vorerst in der Beta-Version.

KI als Lehrer, nicht als Zeichner

Eine Perspektive, die in meinem ersten Artikel komplett fehlte: Was, wenn KI gar nicht für professionelle Schriftgestalter:innen gedacht ist, sondern für die, die es erst werden wollen? Genau das verfolgt ein Team aus Rijeka um Marko Bralic, Sebastijan Žamarija, Amra Levak und Damir Bralić mit SandroAI. Ihr Ausgangspunkt: Buchstaben verbessern sich am schnellsten, wenn eine erfahrene Schriftgestalterin oder ein erfahrener Schriftgestalter draufschaut und sagt, was nicht funktioniert und warum. SandroAI soll diese Lücke schließen, ohne selbst zu zeichnen: Der Mensch entwirft, das Tool sucht per regelbasierten und KI-gestützten Prüfungen nach typischen Anfängerfehlern und erklärt sie. Ihr Schlusssatz trifft für mich den Kern der ganzen Debatte: „What a typeface should be, and why it should look like no other, can only come from the person drawing it. […] That makes AI a way into typography, not a way around it.“

Die Rechtslage: Die eigentliche Unsicherheit liegt nicht in der Technik

Der materialreichste Beitrag der Konferenz war für mich keiner über Technik, sondern über Recht. Tom Broster und Ben Prangell von ASENDA LAW zeichneten in „Legal and copyright“ ein globales Bild, das in der öffentlichen Debatte bislang kaum vorkommt. Dabei entscheidet es am Ende vielleicht mehr als jede technische Fähigkeit. Allein in den USA laufen derzeit 148 Urheberrechtsklagen gegen KI-Unternehmen (Stand 8. Oktober 2026), im Fall Bartz v. Anthropic kam es zu einem Vergleich über rund 1,5 Milliarden US-Dollar, und ein erstes Berufungsgericht hat KI-Training explizit nicht als Fair Use eingestuft. Zu Schriften selbst hat noch kein Gericht direkt geurteilt. Font-Rechteinhaber müssen sich also an Fällen aus den Bereichen Bücher, Bilder, News und Musik orientieren. Drei Fragen entscheiden dabei praktisch jeden Fall: Darf überhaupt zum Training kopiert werden, eine Frage, die in den USA, der EU und Großbritannien unterschiedlich beantwortet wird; „enthält“ ein trainiertes Modell die Originalwerke, worüber sich zum Beispiel Großbritannien und Deutschland bereits uneinig sind; und wem gehört ein rein KI-generiertes Werk überhaupt – in den USA zum Beispiel niemandem, weil es dort ohne menschlichen Urheber kein Copyright gibt.

Für Schriften konkret heißt das: Das reine Aussehen einer Schrift ist in den USA urheberrechtlich gar nicht geschützt, in Großbritannien nur eingeschränkt, in der EU dagegen klar, sofern Originalität vorliegt. Die beiden Anwälte empfehlen Foundries und Schriftgestalter:innen deshalb, ihre Lizenzen zu überarbeiten: Diese sollten Training, Fine-Tuning, Font-Synthese und das Hochladen von Schriften in KI-Tools ausdrücklich und explizit abdecken.

Fazit

Mein erster Artikel endete mit der These, die Schriftgestalter-Szene stehe technischen Umbrüchen historisch offen gegenüber, bleibe aber bei Werkzeugen, die die eigentliche Autorenschaft ersetzen wollen, so skeptisch wie jede andere Kreativdisziplin. Nach dieser Konferenz würde ich das nicht zurücknehmen, aber ergänzen: Die Grenze verläuft längst nicht mehr nur zwischen Produktionswerkzeug und Formgenerator, sondern auch zwischen Schriftsystemen und zwischen Rechtsräumen.

Generierte lateinische Schriften sind heute noch nicht relevant, und bei chinesischen, koreanischen und japanischen Schriftsystemen ist KI schon heute von echtem Nutzen – nicht, weil die eine Kultur weiter wäre als die andere, sondern weil die Schriftsysteme selbst unterschiedlich auf diese Technik reagieren. KI lernt trotzdem dazu, auf beiden Seiten. Die Konsequenz daraus ist nicht, die Augen zu verschließen, sondern sich rechtzeitig zu fragen, wie man damit umgehen will, bevor die Frist abgelaufen ist – technisch, gestalterisch, rechtlich und, wie sich zeigte, vor allem auch ökologisch und ethisch. Denn diese Fragen lassen sich nicht von ihren ökologischen und ethischen Kosten trennen. Simon Cozens machte aus seiner eigenen Position keinen Hehl: Er lehnt den Einsatz von KI aus Umwelt- und ethischen Gründen grundsätzlich ab – und trainiert trotzdem weiter eigene Modelle, gerade weil er die Technik verstehen will, bevor sie unkontrolliert über das Feld hereinbricht. Der Energie- und Wasserverbrauch beim Training großer Modelle, die Frage, mit wessen Schriften diese Modelle überhaupt trainiert wurden und ob die ursprünglichen Gestalter:innen dem je zugestimmt haben, und die Sorge, dass KI-Werkzeuge gerade jüngeren oder wirtschaftlich schwächeren Schriftgestalter:innen die Existenzgrundlage entziehen könnten – all das wurde auf der Konferenz seltener auf der Bühne verhandelt als in den Gesprächen am Rand, dafür umso intensiver auf typo.social, der Mastodon-Instanz der Type-Community. Wer über KI in der Schriftgestaltung spricht, kommt auf Dauer um diese Fragen ebenso wenig herum wie um die rechtlichen.

Genau das war der eigentliche Wert dieser Konferenz: keine fertigen Antworten, aber die Gewissheit, dass noch Zeit bleibt, die richtigen Fragen zu stellen, und dass diese Zeit nicht unbegrenzt ist.

***

Gabor Farkasch ist Founding Design Lead bei rightflow. Seit 2025 ist er Mitgründer von xounds, einer Audio-Plattform. Zuvor hat er bei der taz gearbeitet und dort an der Neuentwicklung der wochentaz mitgewirkt. Weitere Stationen waren unter anderem bei der Freitag, rethink und BUREAU Mario Lombardo. Er gestaltet Produkte und Markenidentitäten. Weitere Informationen und Kontakt: gaborfarkasch.de

Quellen