Automatische Content-Generierung mit KI-Tools: der Workflow

Automatisierte Content-Produktion klingt nach einem Knopf, den man drückt, während man Kaffee holt. In der Praxis sieht es anders aus: Die Werkzeuge sind stark genug, um Rohmaterial, Varianten und Untertitel in Minuten zu liefern, aber sie ersetzen keine Entscheidungen. Wer Reichweite aufbauen will, muss weiterhin wissen, für wen er spricht, welches Format trägt und welche Aussage hängen bleibt. Genau darum geht es in diesem Leitfaden: um eine Arbeitsweise, bei der KI die wiederkehrenden, zeitfressenden Schritte übernimmt und Menschen die Richtung vorgeben.

Was automatisierte Content-Generierung leisten kann – und was nicht

Automatisierung in der Content-Produktion bedeutet heute nicht, dass ein System alles von der Idee bis zum Upload allein erledigt. Sie bedeutet, dass einzelne Schritte ohne manuelles Zutun wiederholbar werden. Typische Bausteine sind Transkription von Rohmaterial, automatische Untertitel, Szenenerkennung, Sprachsynthese, Bild- und Videogenerierung, Variantenbildung für verschiedene Seitenverhältnisse, Vorschläge für Vorschaubilder, Metadaten und die Auslieferung über einen Redaktionsplan.

Drei Reifegrade haben sich dabei bewährt. Im ersten Grad arbeitet KI als Assistentin: Sie liefert Entwürfe, der Mensch entscheidet. Im zweiten Grad laufen Pipelines: feste Vorlagen erzeugen aus einem Skript zuverlässig ein Video, das nur noch geprüft wird. Im dritten Grad entsteht Vollautomatisierung – sinnvoll vor allem für Nischen mit hohem Volumen und geringem Reputationsrisiko, etwa Wetterkarten, Kursdaten oder Sportstatistiken.

Die Grenzen liegen dort, wo Urteilsvermögen gefragt ist. Sprachmodelle erfinden gern Zahlen und Namen. Videomodelle verändern Hände, Logos und Schriftzüge zwischen zwei Einstellungen. Timing und Humor entstehen selten aus einer Vorlage. Auch die rechtliche Prüfung lässt sich nicht delegieren: Musiklizenzen, Persönlichkeitsrechte, Kennzeichnungspflichten und die Frage, ob Trainingsmaterial verwendet werden durfte, bleiben Verantwortung der Redaktion.

Wer diese Grenzen kennt, plant anders: nicht ein großer Automatisierungsschub, sondern mehrere kleine Automatisierungen entlang eines klaren Ablaufs. Jede einzelne davon spart Zeit und senkt die Fehlerquote, ohne die Kontrolle abzugeben.

Der Workflow in sechs Stationen

Ein Ablauf, der sich in der Praxis bewährt hat, besteht aus sechs Stationen. Zwischen ihnen liegen bewusste Prüfpunkte, an denen ein Mensch kurz innehält. Ohne diese Haltepunkte wandert ein Fehler aus der Ideenphase bis in die Veröffentlichung.

Briefing und Zieldefinition

Am Anfang steht ein Satz, der beschreibt, was die Zuschauerin nach dem Video wissen oder tun soll. Dazu kommen Zielgruppe, Kanal, Zielformat und ein messbares Ziel. Ohne diesen Satz produziert Automatisierung beliebige Masse.

Recherche und Skript

Die Recherche liefert Fakten, Beispiele und Belege. Das Skript wird danach in Szenen zerlegt, jede Szene mit einer Aufgabe: Aufmerksamkeit halten, erklären, beweisen, abschließen. Ergebnisse aus diesem Schritt sind ein Hook in höchstens neun Wörtern, eine Szenenliste mit Zeitmarken und eine Liste der Aussagen, die zwingend korrekt sein müssen.

Visuelle Produktion

Je nach Szene entsteht Material auf unterschiedlichen Wegen: Realaufnahme, Screencast, Stock, Animation oder generative Videomodelle. Wichtig ist die Entscheidung pro Szene, nicht pro Projekt – sonst sieht das Ergebnis wie eine Sammlung unverbundener Stile aus.

Audio und Stimme

Sprecheraufnahme, Sprachsynthese oder eine Mischung. Stimmlage, Sprechtempo und Pausenlänge werden einmal festgelegt und danach beibehalten, damit Wiedererkennung entsteht.

Schnitt und Variantenbildung

Hier laufen die größten Zeitgewinne. Ein Master wird geschnitten, danach entstehen automatisch Fassungen für Hochformat, Quadrat und Querformat, jeweils mit angepassten Untertiteln und Titelkarten.

Veröffentlichung und Rückkopplung

Auslieferung nach Plan, danach Auswertung. Die erste Stunde nach dem Upload liefert oft mehr Erkenntnisse als eine Woche Planung.

Ideenfindung und Skripting mit KI-Unterstützung

Ideen entstehen selten im leeren Raum. Die besten Quellen sind Kommentare, Support-Anfragen, Suchanfragen, Forenthreads und die Fragen, die im Vertrieb jeden Tag gestellt werden. Diese Sammlung wird in ein Format gegossen, das sich wiederholen lässt: eine Serie mit festen Rubriken statt einzelner Videos.

Ein bewährtes Vorgehen ist die Hook-Werkstatt. Zu einem Thema entstehen zehn Eröffnungssätze, aus denen drei ausgewählt und als Kurzfassung getestet werden. Die KI liefert die Breite, der Mensch wählt die Tonalität. Ein Prompt, der zuverlässig brauchbare Ergebnisse liefert, folgt diesem Muster:

Rolle: Redakteur für kurze Erklärvideos
Zielgruppe: Einsteiger mit wenig Vorwissen
Format: 45 Sekunden, Hochformat, Untertitel
Aufgabe: 5 Hooks mit maximal 9 Wörtern, dann ein Skript
mit 6 Szenen à 6 bis 8 Sekunden, danach ein Abschluss ohne Werbesprache
Ton: sachlich, konkret, keine Superlative
Verboten: erfundene Zahlen, Namen ohne Quelle, Floskeln wie revolutionär
Ausgabe: Tabelle mit Spalte Szene, Sprechertext, Bildidee, Dauer

Zwei Regeln verhindern die häufigsten Enttäuschungen. Erstens: Jede Zahl, jeder Name und jedes Datum wird vor der Produktion geprüft – nicht danach. Zweitens: Das Skript wird laut vorgelesen. Sätze, über die man stolpert, werden gekürzt. Ein Skript, das sich beim Lesen glatt anfühlt, wird später auch von Sprachmodellen sauber gesprochen.

Wer zusätzlich mit Serienlogik arbeitet, gewinnt doppelt. Eine feste Rubrik mit gleichem Intro, gleicher Länge und gleicher Fragestellung senkt den Produktionsaufwand pro Folge deutlich und macht es dem Publikum leicht, wiederzukommen. Automatisierung verstärkt diesen Effekt, weil Vorlagen nur einmal gepflegt werden müssen.

Visuelle Produktion: Modellwahl und Grenzen

Bei der Bildproduktion stehen mehrere Modellklassen zur Verfügung, und jede hat ein anderes Einsatzgebiet. Wer sie verwechselt, produziert teure Umwege.

• Generative Videomodelle eignen sich für Metaphern, Stimmungsbilder und abstrakte Konzepte, bei denen keine exakte Realität nötig ist.
• Bild-zu-Video mit Referenzbildern ist die erste Wahl, wenn eine Figur, ein Produkt oder ein Schauplatz über mehrere Einstellungen hinweg gleich aussehen soll.
• Avatar- und Sprecher-Systeme liefern erklärende Passagen ohne Kamera und eignen sich für wiederkehrende Formate, sofern die Bewegung natürlich bleibt.
• Stockmaterial und Motion-Graphics-Overlays sind weiterhin unschlagbar, wenn es um echte Orte, echte Geräte oder Zahlen geht.
• Screencasts und Bildschirmaufnahmen sind für Produkt- und Softwarethemen oft die glaubwürdigste Option.

Für die Auswahl zählen acht Kriterien. Maximale Cliplänge, Stabilität der Bewegung, Darstellung von Text im Bild, Steuerbarkeit von Kameraführung, Konsistenz von Gesichtern und Händen, Auflösung und Bildrate, Lizenz- und Kennzeichnungsfragen sowie die Abrechnung pro erzeugter Minute. Ein Modell, das in drei von acht Punkten schwach ist, bleibt ein Werkzeug für Einzelfälle.

In der Praxis hat sich ein Hybrid bewährt: Realaufnahmen oder Screencasts für alles Faktische, generative Bilder für Übergänge, Hintergründe und Emotionen. Diese Mischung wirkt glaubwürdig und bleibt gleichzeitig schnell produzierbar. Wichtig ist ein gemeinsamer Bildlook – also gleiche Farbstimmung, gleiche Schärfe, gleiches Korn – damit die Herkunft des Materials nicht auffällt.

Konsistenz über viele Clips sichern

Der häufigste Qualitätsverlust bei automatischer Produktion ist nicht ein schlechtes Bild, sondern das Verschwinden der Wiedererkennung. Sobald Figuren, Farben und Stimme von Clip zu Clip wechseln, wirkt selbst guter Inhalt beliebig.

Dagegen hilft eine schriftliche Charakter- und Stilbibel. Sie enthält Referenzbilder der Hauptfigur aus mehreren Perspektiven, eine feste Beschreibung in wenigen Sätzen, erlaubte Kleidung und Farben, verbotene Merkmale sowie die Stimmbeschreibung mit Sprechtempo und Tonhöhe. Bei generativen Modellen wird dazu ein fester Startpunkt gewählt, der bei jeder Szene erneut verwendet wird. Ändert man ihn, ändert sich die Figur.

Ebenso wichtig ist eine Stilbibliothek in Worten. Statt bei jeder Szene neu zu beschreiben, arbeitet man mit einem festen Set an Formulierungen für Licht, Brennweite, Bewegung und Atmosphäre. Diese Formulierungen werden nicht kreativ variiert – sie sind ein technischer Parameter.

Eine kurze Prüfliste vor jeder Veröffentlichung:

• Sieht die Hauptfigur in allen Einstellungen gleich aus?
• Sind Farbschema und Typografie identisch zum Rest der Serie?
• Ist der Ton innerhalb von etwa zwei Dezibel über alle Szenen gleich?
• Wurden Intro und Abschluss nicht versehentlich verändert?
• Ist die Stimme dieselbe wie in den vorherigen Folgen?

Wer diese fünf Punkte automatisch prüft – notfalls mit einem einfachen Vergleich der letzten Ausgabe – verhindert den größten Teil des Qualitätsverlusts.

Audio, Schnitt und Postproduktion

Audio ist der unterschätzte Hebel. Ein Video mit mittelmäßigem Bild und klarem Ton funktioniert, umgekehrt selten. Moderne Sprachsynthese erreicht bei ruhigen Erklärtexten eine Qualität, die für die meisten Formate ausreicht. Kritisch bleiben Aussprache von Eigennamen, Betonung in Fragesätzen und die Pausenlänge. Diese drei Punkte werden daher in einem eigenen Wörterbuch und einer Sprechanweisung festgehalten.

Für Musik gilt: lizenzfreie Bibliotheken mit klaren Nutzungsbedingungen, keine bekannten Melodien, keine Stücke, die im Hintergrund wichtiger Aussagen untergehen. Beim Mischen hilft eine einfache Regel: Stimme deutlich vor Musik, Musik unter der Stimme absenken, Übergänge kurz halten. Für soziale Plattformen werden integrierte Lautheit um etwa minus 14 LUFS und ein Spitzenwert knapp unter null angestrebt, damit die Plattform nicht nachregelt.

Untertitel sind Pflicht, nicht Kür. Automatisch erzeugte Untertitel müssen korrigiert werden, besonders bei Fachbegriffen, Abkürzungen und Markennamen. Ein Wörterbuch mit zwanzig bis fünfzig Begriffen spart dauerhaft Zeit.

Beim Schnitt zahlen sich Vorlagen aus. Wer in einem gängigen Schnittprogramm einmal Titel, Bauchbinden, Übergänge und Untertitelstil anlegt und als Vorlage speichert, produziert jede weitere Folge in einem Bruchteil der Zeit. Noch stärker wirkt Automatisierung, wenn Schnittmarken aus dem Skript übernommen werden: Jede Szene erhält ihre Dauer bereits im Skript, der Rohschnitt folgt dieser Vorgabe.

Distribution und Format-Diversifizierung

Reichweite entsteht nicht durch mehr Plattformen, sondern durch mehr passende Fassungen desselben Inhalts. Aus einem Hauptstück lassen sich mit geringem Aufwand mehrere Varianten gewinnen.

Ausgangsformat	Ableitung	Typische Verwendung
Querformat, 8 bis 12 Minuten	Hochformat, 45 bis 60 Sekunden	Kurzvideos, auf drei Kernaussagen gekürzt
Querformat, 8 bis 12 Minuten	Quadrat, 60 Sekunden	Feeds, Community-Beiträge
Hochformat, 45 Sekunden	Standbildserie	Karussell mit Texttafeln
Hochformat, 45 Sekunden	Audiofassung	Podcast, Newsletter-Audio
Interview oder Podcast	Zitatclip mit Untertiteln	Kurzvideo ohne neue Produktion

Für jede Ableitung wird ein eigener Hook geschrieben. Ein Kurzvideo, das mit dem Standardsatz der Langfassung beginnt, verliert in den ersten Sekunden. Ebenso wichtig ist der Abschluss: Ein klarer nächster Schritt wirkt besser als eine Aufforderung, die nach Werbung klingt.

Die Auslieferung selbst lässt sich planen. Ein Redaktionskalender mit festen Veröffentlichungstagen, einem Puffer von mindestens einer Woche und einer Serie statt Einzelstücken hält Kanäle stabil. Veröffentlichungszeiten werden nicht geraten, sondern aus den eigenen Daten abgeleitet: Wann wurde in den letzten Wochen tatsächlich am meisten gesehen? Diese zwei oder drei Zeitfenster werden beibehalten und nur bei klaren Signalen geändert.

Qualitätssicherung und typische Fehler

Qualitätssicherung ist der Teil, der in automatisierten Abläufen am häufigsten fehlt. Sie braucht nur wenige Minuten, verhindert aber die teuren Fehler.

Geprüft werden vier Bereiche. Erstens Fakten: Zahlen, Namen, Orte, Datumsangaben, Funktionsweisen. Zweitens Bildfehler: Hände, Zähne, Schrift im Bild, schwebende Objekte, plötzliche Stilwechsel. Drittens Aussage: Entspricht das Ergebnis dem Briefing, und ist die Zielgruppe erkennbar? Viertens Rechte: Musik, Bildquellen, Persönlichkeitsrechte, Kennzeichnung von KI-Inhalten und die Frage, ob eine Person oder Marke erkennbar dargestellt wird.

Die häufigsten Fehler sind erstaunlich gleichförmig:

• Alles auf einmal automatisieren, statt einen Schritt nach dem anderen.
• Kein Serienkonzept, dadurch jedes Video bei null anfangen.
• Zu langsame Freigaben, weil zu viele Personen prüfen müssen.
• Nur ein Format produzieren und dadurch Reichweite verschenken.
• Keine Kennzahlen erheben und deshalb den Ablauf nicht verbessern können.
• Vorlagen unverändert übernehmen, sodass Inhalte beliebig wirken.
• Stimme oder Figur wechseln und damit Wiedererkennung zerstören.

Ein einfacher Freigabeprozess mit einer verantwortlichen Person, einer Checkliste und einer Frist von wenigen Stunden löst mehrere dieser Punkte gleichzeitig.

Kennzahlen und Entscheidungskriterien

Automatisierung ist kein Selbstzweck. Sie muss sich an Zahlen messen lassen, und diese Zahlen sind einfach zu erheben.

Auf der Produktionsseite interessieren drei Werte: Zeit von der Idee bis zum fertigen Video, benötigte Arbeitsstunden pro fertiger Minute und Kosten pro veröffentlichtem Clip. Wer diese drei Werte vor und nach der Umstellung vergleicht, sieht sofort, ob sich der Aufwand trägt.

Auf der Reichweitenseite zählen der Anteil der Zuschauer, die nach drei Sekunden noch dabei sind, die durchschnittliche Wiedergabedauer, die Abschlussrate bei kurzen Videos, Speicherungen und Weiterleitungen sowie Kommentare. Diese Signale wiegen heute schwerer als reine Aufrufzahlen, weil sie zeigen, ob der Inhalt wirklich getragen hat.

Bei der Auswahl der Werkzeuge helfen sechs Fragen:

• Wie lange dauert es, bis ein neues Teammitglied damit arbeiten kann?
• Lassen sich Aufgaben stapelweise abarbeiten statt einzeln?
• Gibt es eine programmatische Schnittstelle für wiederkehrende Abläufe?
• Wo werden Daten verarbeitet, und passt das zu den eigenen Vorgaben?
• Wie transparent ist die Abrechnung bei steigendem Volumen?
• Wie einfach lassen sich Projekte und Vorlagen wieder exportieren?

Wer diese Fragen vor dem Vertragsabschluss beantwortet, vermeidet Lock-in und Nachbesserungen. Zwei bis drei Werkzeuge pro Ablauf reichen aus; mehr erhöhen nur die Übergabeverluste.

FAQ

Wie viel Automatisierung ist sinnvoll?

Für die meisten Teams liegt der optimale Punkt bei der wiederkehrenden Arbeit: Untertitel, Variantenbildung, Auslieferung, Transkription und erste Entwürfe. Strategie, Prüfung und Freigabe bleiben manuell. Wer den Ablauf neu aufbaut, automatisiert zuerst den Schritt mit dem höchsten Zeitanteil und dem geringsten Risiko.

Reicht ein einfaches Setup ohne teure Ausstattung?

Für erklärende Formate reicht ein Smartphone mit externem Mikrofon, Tageslicht und einem Aufnahmeplatz mit ruhiger Akustik. Der größte Qualitätssprung kommt nicht von der Kamera, sondern von Ton und Licht.

Wie verhindere ich, dass die Videos generisch wirken?

Drei Dinge helfen: eine erkennbare Stimme mit festem Tempo, ein wiederkehrendes visuelles Element wie Farbfläche oder Bauchbinde, und konkrete Details statt allgemeiner Aussagen. Beispiele aus dem eigenen Alltag sind stärker als jede Stilvorlage.

Wie oft sollte veröffentlicht werden?

Regelmäßigkeit schlägt Menge. Eine feste Serie mit zwei Veröffentlichungen pro Woche, die über Monate durchgehalten wird, bringt mehr als ein kurzer Schub mit täglichen Uploads. Der Puffer von einer Woche verhindert, dass Ausfälle sichtbar werden.

Ist KI-gestützter Content rechtlich sicher?

Das hängt vom Einzelfall ab. Zu klären sind Nutzungsrechte an Musik und Bildmaterial, Rechte abgebildeter Personen, Kennzeichnungspflichten für KI-generierte Inhalte sowie die Bedingungen der verwendeten Werkzeuge. Im Zweifel hilft eine kurze rechtliche Einschätzung mehr als jede Faustregel.

Wie starte ich in einer Woche?

Tag eins: Briefing-Satz, Zielgruppe und Serie festlegen. Tag zwei: zehn Hooks schreiben und drei auswählen. Tag drei: Skript mit Szenenliste. Tag vier: Material erzeugen oder aufnehmen. Tag fünf: Schnittvorlage anlegen und die erste Fassung fertigstellen. Tag sechs: Varianten ableiten und Untertitel korrigieren. Tag sieben: veröffentlichen und die ersten Zahlen notieren.

Fazit

Mehr Reichweite entsteht nicht durch noch ein weiteres Werkzeug, sondern durch einen Ablauf, der zuverlässig wiederholbar ist. KI übernimmt dabei die Arbeit, die niemand gern macht: Untertitel, Varianten, Auslieferung, erste Entwürfe. Menschen behalten Idee, Ton und Verantwortung. Wer klein anfängt, einen Schritt pro Woche automatisiert und jede Veröffentlichung anhand weniger Kennzahlen prüft, baut innerhalb weniger Monate eine Produktion auf, die schneller, gleichmäßiger und erkennbar eigener ist als zuvor.