Erzeugung von 3D-Objekten für Spiele, AR und E-Commerce

Ein produktionsreifes 3D-Modell von Hand zu erstellen, kostet Stunden bis Tage an Facharbeit, weshalb nur ein Bruchteil der Produktkataloge oder Requisitenbibliotheken für Spiele in 3D vorliegt. Generative 3D-Modelle machen aus einem Text-Prompt oder einem bis wenigen Fotos in Sekunden bis Minuten ein texturiertes Netz. Das Ergebnis ist meist ein guter Ausgangspunkt (Prototypen, Hintergrundobjekte, Nischenprodukte) und kein fertiges Hauptobjekt, sodass Nachbearbeitung und Prüfung durch Menschen Teil des Ablaufs bleiben.

Problem & Nutzen

• Heute: 3D-Objekte entstehen durch Modellieren in Blender/Maya/ZBrush, CAD-Konvertierung, Photogrammetrie oder Auslagerung. Kosten und Durchlaufzeit begrenzen, wie viele Artikel eine AR-/3D-Ansicht erhalten und wie viele Requisiten sich ein kleines Spieleteam leisten kann.
• KI-Nutzen: schnelle Iteration vom Konzept zum Netz, rasches Greyboxing und Requisitenbibliotheken, 3D-/AR-Ansichten für Nischenartikel im Katalog sowie Varianten (Farbe, Material) ohne neue Fotoshootings.
• Belege für den Nutzen: Plattformanbieter berichten, dass interaktive 3D-/AR-Ansichten auf Produktseiten Interaktion und Konversion steigern können (Shopify dokumentiert 3D-Modelle und AR für Produkte [4]; Apple und Google bieten AR Quick Look und Scene Viewer [5]). Solche Zahlen stammen von den Anbietern und variieren je Kategorie; messen Sie mit einem eigenen A/B-Test. Eine unabhängige, allgemeine Steigerungszahl wird hier nicht behauptet.

Varianten

• Erzeugung von Spiel- und Indie-Requisiten: Text/Bild-zu-Netz für Hintergrundobjekte, Kitbashing, Konzept- Blockouts; Spiel-Engines (Unity, Unreal, Godot) importieren GLB/FBX. Dialoge, Level und NPCs → GEN-013.
• E-Commerce- / AR-Produktbetrachter: Foto-zu-3D für Produkte, ausgeliefert als GLB (Web, <model-viewer>) und USDZ (iOS AR Quick Look) [5]. Für die genaue Erfassung realer Objekte stattdessen Scannen verwenden → GEN-025.
• Figuren- und Avatar-Elemente: automatisches Rigging und Animation erzeugter Figuren → GEN-022.
• Produktideen: frühe Formstudien vor dem CAD → GEN-014. Erzeugte Netze sind kein CAD (keine parametrische, toleranzgenaue Geometrie) und dürfen nicht für die Fertigung verwendet werden.
• Synthetische Trainingsdaten: erzeugte 3D-Objekte, in Szenen gerendert, für Bildverarbeitungsmodelle → GEN-020, ROBO-010.
• Privat / Hobby: 3D-Druck von Figuren, eigene Spiele-Mods, AR-Vorschauen für Dekoration.
• Erzeugung begehbarer 3D-Welten und Umgebungen (aufkommende Variante): Generative Weltmodelle erzeugen begehbare Szenen aus Text, Bildern oder Video. World Labs hat sein Produkt Marble Ende 2025 vorgestellt (dauerhafte, exportierbare 3D-Welten, u. a. Gaussian Splats und Netze) [7], und Google DeepMinds Genie 3 ist ein interaktives Weltmodell in Echtzeit, das als Forschungsvorschau vorliegt [8]. Belege aus der Produktion sind noch dünn: nutzen Sie es für Previsualisierung, Level-Blockouts und Moodboards, nicht für ausgelieferte Inhalte. Verwandt: GEN-013 (Spielinhalte), GEN-025 (erfassungsbasierte Szenen), ROBO-010 (Simulation für das Training von Robotern). Es kann zu einem eigenen Anwendungsfall aufgewertet werden, sobald produktive Einsätze existieren.

So funktioniert es

1. prompt / product photos / concept art
2. (optional) image generation or clean-up: isolate object, neutral background, multi-view synthesis
3. 3D generation model (image/text-to-3D: latent 3D diffusion/flow or multi-view reconstruction)
4. mesh extraction + PBR texture synthesis (albedo, normal, roughness/metallic)
5. automatic post-processing: retopology / decimation, UV unwrap, LODs, texture compression
6. QA: automated checks (poly budget, watertightness, scale, material sanity) + human review in DCC tool
7. export (GLB/USDZ/FBX)
8. engine, CDN, PIM/DAM or e-commerce platform

• Kernmodelle: Die meisten aktuellen Systeme erzeugen aus einem oder mehreren Bildern ein latentes 3D-Modell (strukturierte Voxel-/Latent-Darstellung oder Mehransichtsbilder, die ins 3D gehoben werden); Text-zu-3D läuft in der Regel zuerst über ein erzeugtes Bild. Die Erzeugung von Textur/PBR ist in vielen Pipelines eine eigene Stufe.
• Mensch-in-der-Schleife (Human-in-the-Loop): Künstler prüfen Geometrie, Topologie und Materialtreue; im E-Commerce müssen die Produkt- verantwortlichen bestätigen, dass Farbe, Proportionen, Logos und Merkmale zum realen Produkt passen (Risiko irreführender Darstellung).

Datenaufbereitung

Die 3D-Erzeugung braucht Eingangsmaterial guter Qualität: Produktfotos aus mehreren Winkeln, Konzeptzeichnungen, CAD-Daten oder vorhandene Netze, Markenstilrichtlinien und technische Vorgaben (Polygonbudget, Texturgröße, Format wie glTF/USDZ). In einem KMU liegen diese im PIM oder ERP (Artikelstammdaten), auf Dateiservern, bei Lieferanten oder auf den Laufwerken von Fotografen. Typische Lücken sind uneinheitliche Fotohintergründe, fehlende Ansichten, keine Zuordnung von SKU zu Bild, fehlende Maße, unklare Bildrechte und nicht festgelegte Zielvorgaben.

Schritte der Aufbereitung: (1) ein Pilotsortiment von 20 bis 50 Artikeln auswählen; (2) die Fotografie vereinheitlichen (neutraler Hintergrund, gleichmäßige Beleuchtung, mehrere Winkel), eventuell mit einem einfachen Drehteller; (3) Bilder den SKUs zuordnen und Maße und Materialien aus ERP/PIM ergänzen (PREP-005 für die Extraktion, PREP-010 für die Verschlagwortung); (4) Zielvorgaben je Kanal festlegen (Web-Betrachter, AR, Spiel-Engine); (5) Rechte mit Lieferanten und Fotografen klären; (6) vorbildliche Modelle für die Qualitätssicherung sammeln (PREP-016). Werkzeuge: Hintergrundentfernung, Blender für die Bereinigung, ein DAM. Anteil am Aufwand: etwa 25 bis 35 Prozent, bestimmt durch Fotografie und Qualität der Stammdaten. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil gehostete Bild-zu-3D-Dienste und E-Commerce-Betrachter brauchbare Objekte zu Preisen pro Objekt liefern und der Selbstbetrieb HW3 erfordert.
• Großunternehmen: Weg B, weil Kataloge mit Tausenden SKUs eine API-Anbindung an PIM-/DAM-Pipelines und einheitliche technische Vorgaben brauchen.
• Entwickler: Weg C, weil offene Bild-zu-3D-Modelle (Klasse TripoSR, TRELLIS) auf eigenen GPUs ohne Gebühren pro Objekt in Pipelines integriert werden können.
• Privat: Weg A, weil gehostete Werkzeuge für Hobby-Spiele und AR-Projekte genügen, da HW3 selten verfügbar ist.

Weg A — Kaufen (Standardsoftware)

• Generative 3D-Plattformen: Meshy, Tripo (Tripo3D), Rodin (Hyper3D / Deemos), Luma (Genie), Sloyd (parametrische Spiel-Requisiten), Scenario und Layer für Pipelines der Spielegrafik; Adobe-Substance-3D-Werkzeuge für Texturierung und Materialien. Die meisten Anbieter sitzen in den USA/Asien; prüfen Sie die Bedingungen zur Datenverarbeitung in der EU. EU: Sloyd (Schweden).
• 3D-/AR-Auslieferung im E-Commerce: Shopify-3D-Modelle und AR [4], Apple AR Quick Look und Google Scene Viewer [5], dazu 3D-Plattformen wie Sketchfab (Hosting/Betrachter).
• Wählen Sie A, wenn: geringes Volumen, keine strengen Anforderungen an die visuelle Treue, Ergebnisse binnen Tagen nötig sind.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Meshy, Tripo und Rodin bieten REST-APIs für Text/Bild-zu-3D mit GLB/FBX/USDZ-Ausgabe; Orchestrierung mit n8n, Warteschlangen (asynchrone Aufträge) und Webhooks. Verwenden Sie zuerst ein Bildmodell (z. B. FLUX, Gemini Image, GPT Image), um saubere Mehransichts- oder freigestellte Produktdarstellungen zu erzeugen, und ein VLM, um das Ergebnis mit den Quellfotos abzugleichen.
• Nachbearbeitung mit Blender im Headless-/Python-Modus (Dezimieren, UV, LOD) und glTF-Werkzeugen (gltf-transform, gltfpack, Draco-/meshopt-Kompression, KTX2-Texturen).
• Wählen Sie B, wenn: Sie eine Stapelpipeline im Katalogmaßstab mit PIM-/DAM-Anbindung brauchen.

Weg C — Selbst betreiben (Open Source)

• Modelle mit offenen Gewichten: Tencent Hunyuan3D (2.x inkl. Texturerzeugung) [1], Microsoft TRELLIS (strukturierte 3D-Latents) und Nachfolger [2], Stable Fast 3D / Stable Point Aware 3D (Stability AI) [3], TripoSR. Prüfen Sie jede Lizenz (mehrere haben Einschränkungen nach Gebiet, Größe oder kommerzieller Nutzung; die Hunyuan3D-Lizenz schließt in einigen Veröffentlichungen die EU/UK/Südkorea aus, daher vor dem Einsatz in der EU prüfen).
• Aufbau: PyTorch + CUDA, ComfyUI-3D-Knoten, Blender zur Nachbearbeitung, gltf-transform.
• Hardware: HW2 (24 GB) betreibt die meisten Bild-zu-3D-Modelle mit reduzierter Auflösung; HW3 ist komfortabel für hochauflösende Geometrie plus Texturerzeugung und Stapeldurchsatz.
• Wählen Sie C, wenn: geistiges Eigentum oder Daten im Haus bleiben müssen (unveröffentlichte Produkte) oder das Volumen die API-Kosten hoch macht.

Weg D — Eigenes Training

Feintuning (LoRA oder vollständig) auf einer lizenzierten, hauseigenen Bibliothek von Objekten in einheitlichem Stil (z. B. die Art Direction eines Spiels oder die Produktkategorie einer Marke). Erfordert Hunderte bis Tausende saubere, korrekt lizenzierte Netze mit Texturen. Lohnt sich nur für Studios mit stabilem Stil und Entwicklungskapazität.

Stand der Technik (2026)

• Bild-zu-3D-Modelle erzeugen in Sekunden bis Minuten brauchbare texturierte Netze, wobei PBR-Materialien zunehmend Standard sind. Modelle mit offenen Gewichten (Hunyuan3D, TRELLIS-Familie) kommen bei Einzelobjekten kommerziellen Diensten nahe [1][2].
• Grenzen und Fehlerbilder: falsche oder halluzinierte Rückseiten aus einer einzelnen Ansicht, dünne oder hohle Strukturen, Verzerrung von Text/Logos, uneinheitlicher Maßstab, unordentliche, triangulierte Topologie, die für Animation/Verformung ungeeignet ist, eingebackene Beleuchtung in Texturen und keine technischen Toleranzen. Hartflächige Präzisionsteile und markenbezogene Verpackungen brauchen weiterhin CAD oder Scannen.
• Weltmodelle: Marble [7] und Genie 3 [8] zeigen Erzeugung auf Szenenebene; Konsistenz über lange Bahnen, Szenenmaßstab, Kollision/Physik und Bearbeitbarkeit sind offene Probleme.
• Standards: glTF 2.0 (Khronos) und OpenUSD (Alliance for OpenUSD) sind die Austauschformate [6].

Gemeinsame Bausteine & Kombinationen

• Gleicher Aufbau (3D-Erzeugung + Bilderzeugung + 3D-Bildverarbeitung): GEN-001 (Produktbilder und Renderings), GEN-025 (erfassungsbasiertes 3D), GEN-014 (Produktideen), GEN-009 (Architekturvisualisierung), GEN-022 (Rigging und Animation).
• Hardware: Ein HW3-GPU-Server kann Bilderzeugung und 3D-Erzeugung gemeinsam betreiben.
• Nachgelagert: GEN-013 Spielinhalte, ROBO-010 Simulation und digitale Zwillinge, GEN-020 synthetische Daten.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage; Abonnement oder guthabenbasierte Preise pro Erzeugung.
• Weg B: 1-3 Monate für eine Katalogpipeline mit Qualitätssicherung und Integration.
• Weg C: 2-4 Monate inkl. Modellbewertung, Lizenzprüfung und Blender-Automatisierung; GPU-Server.
• Kennzahlen: Anteil der erzeugten Objekte, die ohne Nacharbeit angenommen werden, Künstlerstunden pro Objekt, Kosten pro Objekt, Zeit bis zur Veröffentlichung einer SKU in 3D, Interaktion und Konversion mit 3D-/AR-Ansicht (A/B), Rückgabequote bei 3D-fähigen Produkten, Fehlerquote bei der Qualitätssicherung der Produkttreue.

Menschen & Veränderung

Binden Sie die Geschäftsleitung für den Business Case ein, die E-Commerce- oder Produktleitung als Prozessverantwortliche sowie die 3D-Künstler, Fotografen und Marketingmitarbeitenden, die die Ergebnisse prüfen. Die IT wird für die PIM-/DAM-Anbindung gebraucht und in Weg C für GPU-Hardware (HW3); Recht für Bildrechte; Lieferanten, wenn deren Produktdaten oder CAD-Dateien verwendet werden.

Betriebsrat: in den meisten Fällen nein, da das Ergebnis Produktinhalt ist und keine Mitarbeiterüberwachung; §87 Abs. 1 Nr. 6 BetrVG greift nur, wenn die Plattform individuelle Leistung protokolliert. §90 Abs. 1 Nr. 3 BetrVG verlangt rechtzeitige Unterrichtung, wenn sich die Rollen interner 3D-Künstler durch KI ändern. Datenschutz: normalerweise keine personenbezogenen Daten; beziehen Sie den/die Datenschutzbeauftragte(n) nur ein, wenn Bilder Personen zeigen, und schließen Sie mit Cloud-Anbietern einen AVV (Art. 28 DSGVO) ab.

KI-Kompetenz: Fördern Sie die Kompetenz der Beschäftigten nach Art. 4 der KI-Verordnung (AI Act) mit einem praxisnahen Workshop zu Qualitätsprüfungen bei Bild-zu-3D, Netzbereinigung und Lizenzbedingungen (GUIDE-006). Beginnen Sie mit einer Pilotgruppe von zwei oder drei Künstlern an einem Produktsortiment, messen Sie Zeit pro Objekt und Nacharbeitsquote im Vergleich zur manuellen Modellierung und entscheiden Sie dann über Go oder No-Go (GUIDE-009). Kommunizieren Sie, dass KI erste Entwürfe liefert und die Künstler die Qualitätskontrolle behalten; jedes Objekt wird auf Formtreue geprüft, da ein falsches 3D-Modell Kunden über ein Produkt täuschen kann. Typische Sorgen sind Arbeitsplatzverlust für Künstler und Artefakte in der Geometrie; begegnen Sie ihnen mit Umschulung hin zu Prüf- und Veredelungsarbeit und indem nur freigegebene Modelle veröffentlicht werden. Siehe GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise begrenztes Risiko. Art. 50 Abs. 2 verpflichtet Anbieter generativer Systeme, synthetische Ausgaben maschinenlesbar zu kennzeichnen; Betreiber deepfake-ähnlicher Inhalte müssen diese offenlegen (Art. 50 Abs. 4). Reine 3D-Requisiten sind selten Deepfakes, fotorealistische Avatare realer Personen könnten es sein. Für die gewöhnliche Erzeugung von Objekten gilt kein Verbot nach Art. 5; die Erzeugung von Abbildern realer Personen ohne Einwilligung ist zu vermeiden [9].
• Urheberrecht und Lizenzierung: Herkunft der Trainingsdaten und Eigentum an den Ergebnissen unterscheiden sich je Anbieter; bevorzugen Sie Anbieter mit Bedingungen für kommerzielle Nutzung und Freistellung von Schutzrechtsansprüchen; bewahren Sie Aufzeichnungen zu Prompts und Quellbildern auf. Die Verwendung geschützter Entwürfe als Eingabe (Wettbewerbsprodukte, Markenfiguren) kann Design-/Urheber- und Markenrechte verletzen. Der EU-Widerspruch gegen Text- und Data-Mining (DSM-Richtlinie Art. 4) und die Urheberrechtspflichten der KI-Verordnung für KI-Modelle mit allgemeinem Verwendungszweck betreffen die Modellanbieter.
• DSGVO: meist keine personenbezogenen Daten; sie greift, wenn Fotos Personen oder Gesichter enthalten oder Avatare realen Personen ähneln. Prüfen Sie die Bedingungen der Anbieter zu Verarbeitung und Datenspeicherung.
• Verbraucherrecht: 3D-/AR-Produktansichten müssen das Produkt zutreffend darstellen (UWG-Richtlinie, irreführende Darstellung); kennzeichnen Sie erzeugte Darstellungen, wo sie täuschen könnten.
• Gegenmaßnahmen: Treueprüfung durch Menschen gegen das reale Produkt, Lizenzinventar je Modell, Herkunfts- metadaten (C2PA, wo unterstützt), keine Nutzung erzeugter Netze für CAD/Fertigung.

Erste Schritte

1. 20 Produkte oder Requisiten aus einfachen und schwierigen Kategorien wählen (spiegelnd, transparent, dünn, mit Marke).
2. Sie durch 2 kommerzielle Dienste und 1 Modell mit offenen Gewichten laufen lassen; Geometrie, Textur und Polygonkosten vergleichen.
3. Abnahmekriterien (Polygonbudget, Checkliste zur Treue) und einen automatisierten glTF-Validierungsschritt festlegen.
4. Pilot auf einigen Produktseiten mit A/B-Test oder in einem Prototyp-Level für Spiele durchführen.
5. Vor dem Skalieren Lizenzen und Kennzeichnung nach der KI-Verordnung prüfen; zwischen Kauf, API und Selbstbetrieb entscheiden.

Quellen

1. Tencent Hunyuan3D (GitHub) - https://github.com/Tencent-Hunyuan/Hunyuan3D-2.1
2. Microsoft TRELLIS (GitHub) - https://github.com/microsoft/TRELLIS
3. Stability AI Stable Fast 3D - https://github.com/Stability-AI/stable-fast-3d
4. Shopify Help Center - 3D models and AR for products - https://help.shopify.com/en/manual/products/product-media/3d-models
5. Apple Developer - AR Quick Look - https://developer.apple.com/augmented-reality/quick-look/
6. Khronos Group - glTF 2.0 specification - https://www.khronos.org/gltf/
7. World Labs - Marble - https://www.worldlabs.ai/blog/marble-world-model
8. Google DeepMind - Genie 3 - https://deepmind.google/discover/blog/genie-3-a-new-frontier-for-world-models/
9. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. Meshy API documentation - https://docs.meshy.ai/