Warum ein Screenshot nicht ausreicht
Ein Bild ist flach und verschweigt, was es nicht zeigt. Vier Dinge, die eine Seite enthält und die keine Aufnahme je zeigt – und was geschieht, wenn ein Agent das Gegenteil annimmt.
Einem Modell einen Screenshot zu geben, fühlt sich an, als gäbe man ihm Augen. Es ist eher so, als reichte man jemandem das Foto eines Zimmers und bäte ihn, die dritte Schublade zu öffnen.
Das Bild ist genau. Es ist aber auch flach, schweigt über seine eigenen Grenzen und lässt vier Dinge weg, die darüber entscheiden, ob eine Aktion gelingt.
Eins – was unterhalb des sichtbaren Bereichs liegt
Eine Aufnahme erfasst ein Fenster, kein Dokument. Auf der Rezeptübersicht dieser Website, im Standardfenster von 1280 × 720, nummeriert Set-of-Mark die 15 sichtbaren interaktiven Elemente und meldet 28 weitere außerhalb des Fensters (gemessen am 26. September 2026):
"boussole": {"som_hors_viewport": 28}
Diwall sagt das, statt es Sie selbst herausfinden zu lassen. Ohne diese Zahl schließt ein Agent, der das Bild betrachtet, die Seite enthalte fünfzehn Elemente – sie enthält dreiundvierzig, und der Agent irrt sich über die Seite, mit voller Überzeugung.
Abhilfe schafft Scrollen vor dem Handeln, aber der Punkt liegt früher: Das Bild weiß nicht, was ihm fehlt. Das JSON weiß es.
Zwei – was in der Seite steht, aber nicht auf dem Bildschirm
Ein <dialog>, der nicht geöffnet wurde, existiert im Dokument. Seine
Schaltflächen sind echt, adressierbar und unsichtbar. Ein eingeklapptes Menü
enthält seine Links. Ein Tab-Bereich enthält seinen Inhalt.
Nichts davon erscheint auf der Aufnahme, und alles ist nur einen Klick davon entfernt, zu erscheinen. Ein Agent, der nur vom Bild ausgeht, glaubt, diese Elemente gebe es nicht; ein Agent, der vom rohen Dokument ausgeht, glaubt, sie seien sofort verfügbar. Beide irren sich, in entgegengesetzte Richtungen.
Entscheidend ist, ob das Element gerendert ist, nicht, ob es vorhanden ist. Dieser Unterschied hat keine sichtbare Form.
Drei – was ein Element ist, und wohin es führt
Auf einem Screenshot sind ein Link und eine Schaltfläche mit gleichem Stil gleich. Ebenso ein deaktiviertes und ein aktives Bedienelement, wenn die Gestaltung ein dezentes Grau gewählt hat.
Die Seite kennt den Unterschied. link "Dashboard" /url: "#a" nennt die Rolle
und das Ziel – bevor irgendetwas angeklickt wird. option "production" [selected] nennt die gerade aktive Auswahl. Kein noch so genaues Betrachten
der Pixel stellt das wieder her.
Vier – ob die Seite noch dieselbe Seite ist
Eine Aufnahme ist ein Augenblick. Zwischen dem Moment, in dem sie entsteht, und dem, in dem eine Aktion läuft, kann sich ein Banner schließen, ein modales Fenster öffnen, eine Liste um vier Zeilen wachsen. Alles, was über seine Position in diesem Bild bestimmt wurde, hat sich stillschweigend verschoben.
Das ist keine Hypothese: So landet ein automatisierter Klick am häufigsten auf dem falschen Element und meldet trotzdem Erfolg. Ein Screenshot kann Sie nicht warnen, weil ein Screenshot kein Danach kennt.
Wozu dann die Aufnahme?
Für Sie.
Das Bild ist das, was ein Mensch mit einem Blick prüfen kann – das Layout, das Fehlerbanner, die Schaltfläche, die grau ist, obwohl sie blau sein sollte. Es macht einen Bericht überprüfbar statt nur glaubwürdig.
Das Modell braucht die Nummern und den Baum; Sie brauchen das Bild. Diwall liefert beides aus demselben Aufruf, weil sie verschiedene Fragen beantworten und keines das andere ersetzt.
Kurz gesagt
- Eine Aufnahme erfasst ein Fenster;
som_hors_viewportsagt Ihnen, was sie abgeschnitten hat. - Im Dokument vorhanden heißt nicht auf dem Bildschirm dargestellt.
- Rollen, Ziele und Zustände haben keine sichtbare Form.
- Ein Bild kennt kein Danach – Positionen verschieben sich stillschweigend.
- Das Bild ist für den Menschen. Die Struktur ist für das Modell.