Ein Inbound-Video beginnt nicht mit einer Kamera, sondern mit einer Frage. Wer diese Frage kennt und sie in bewegten Bildern beantwortet, braucht weder ein großes Team noch ein Studio. Generative KI hat die Produktionskette so weit verkürzt, dass aus einem klaren Briefing innerhalb weniger Stunden ein veröffentlichungsfähiges Video wird. Entscheidend ist dabei nicht das Werkzeug, sondern die Reihenfolge der Arbeitsschritte: erst Suchintention, dann Dramaturgie, dann Technik.
Dieser Leitfaden zeigt eine belastbare Arbeitsweise für Inbound-Videos mit KI-Unterstützung – von der Themenfindung über Skript, Storyboard und Produktion bis zu Ausspielung, Messung und Iteration. Dazu kommen Kriterien für die Toolauswahl, drei Formate mit hoher Wirkung und die Fehler, die erfahrungsgemäß die meiste Zeit kosten.
Was Inbound-Videos anders macht als klassische Werbung
Klassische Werbung unterbricht. Inbound-Video wird gesucht. Diese eine Unterscheidung hat praktische Folgen für fast jede Produktionsentscheidung.
Ein Werbespot darf die Pointe bis zur zwanzigsten Sekunde aufschieben, weil er die Aufmerksamkeit schon gekauft hat. Ein Inbound-Video muss sein Versprechen sofort einlösen, weil der Zuschauer jederzeit zurück in die Suchergebnisse springen kann. Der Titel, das Vorschaubild und die ersten fünf Sekunden bilden deshalb eine Einheit: Sie müssen exakt die Frage spiegeln, die zur Suche geführt hat. Wer mit einem Markenintro beginnt, verliert genau die Zuschauer, die am besten passen.
Zweitens richtet sich die Länge nach der Frage, nicht nach dem Format. Eine Definitionsfrage ist in 75 Sekunden beantwortet; ein Vergleich dreier Vorgehensweisen braucht fünf Minuten. Künstlich gestreckte Videos senken die Abschlussrate und damit die Wahrscheinlichkeit, dass die Plattform sie weiter ausspielt.
Drittens wird anders gemessen. Klicks sagen wenig, Abschlussrate und Folgeaktion sagen viel. Ein Video mit 400 Aufrufen und 30 Newsletter-Anmeldungen ist wertvoller als eines mit 40.000 Aufrufen und keiner Reaktion.
Viertens: Inbound-Videos leben von Auffindbarkeit. Transkripte, beschreibende Dateinamen, Kapitelmarken und ein sauber formulierter Titel sind kein Zusatzaufwand, sondern Teil der Produktion. Und weil dasselbe Material in Blogartikel, Kurzvideos und Support-Artikel ausgerollt werden kann, zahlt sich jede Minute Sorgfalt mehrfach aus.
Der Funnel als Drehbuch: Welche Videos Sie wirklich brauchen
Die häufigste Fehlentscheidung ist ein Video, das alles gleichzeitig sein will: Imagefilm, Erklärung, Produktdemo und Kaufargument in vier Minuten. Besser ist eine Serie, in der jedes Stück genau eine Aufgabe hat.
| Phase | Leitfrage des Zuschauers | Format | Richtlänge | Wichtigster Indikator |
|---|---|---|---|---|
| Aufmerksamkeit | Was ist hier überhaupt das Problem? | Erklärvideo, Begriffsklärung | 60–120 s | Abschlussrate |
| Orientierung | Welche Wege gibt es, und welcher passt zu mir? | Vergleich, Methode, Checkliste | 3–6 min | Wiedergabezeit, Kommentare |
| Entscheidung | Warum sollte ich es so machen? | Demo, Kundenstimme, Ablauf | 2–5 min | Klicks auf nächsten Schritt |
| Nutzung | Wie wende ich das konkret an? | Tutorial, Onboarding, FAQ | 90 s–4 min | Tickets, Wiederaufrufe |
Drei Kriterien helfen bei der Auswahl, welches Thema zuerst dran ist. Erstens: Gibt es eine messbare Nachfrage, also Suchvolumen, wiederkehrende Support-Fragen oder Vertriebseinwände? Zweitens: Lässt sich das Thema visuell zeigen, oder wäre ein Text besser geeignet? Drittens: Verändert sich die Antwort über die Zeit, oder bleibt sie stabil? Stabile Themen lohnen sich als Serie, schnell veraltende Themen eher als kurze Ergänzung.
Praktisch bewährt hat sich ein Produktionsrhythmus von einem Kernvideo pro Monat plus drei bis fünf kurzen Ableitungen. Diese Ableitungen entstehen nicht aus Zufall, sondern aus derselben Aufnahme: eine starke Passage als Kurzvideo, eine Definition als Standbild mit Voice-over, eine Checkliste als Karussell, das Transkript als Artikelgrundlage.
Der Produktionsworkflow in fünf Phasen
Der folgende Ablauf funktioniert unabhängig davon, ob am Ende eine reale Kamera oder ein generatives Modell zum Einsatz kommt. Die Reihenfolge ist wichtiger als das Werkzeug.
Phase 1: Recherche und Suchintention
Sammeln Sie echte Formulierungen, nicht Ihre Wunschbegriffe. Quellen sind Suchanfragen, Fragen in Support-Tickets, Vertriebsnotizen, Kommentare unter bestehenden Videos und Themenvorschläge aus dem Team. Ein Sprachmodell hilft beim Clustern: Aus fünfzig Notizen entstehen so fünf Themenblöcke mit jeweils einer Kernfrage. Formulieren Sie diese Kernfrage als Satz, den ein Mensch laut sagen würde – dieser Satz wird später der Video-Titel und die erste Zeile des Skripts.
Phase 2: Skript und Storyboard
Ein Inbound-Skript besteht aus vier Teilen: Versprechen (eine Zeile), Kontext (zwei bis drei Sätze), Kern (drei bis fünf Schritte) und Abschluss (eine klare nächste Handlung). Lassen Sie das Modell ruhig eine Rohfassung schreiben, bearbeiten Sie sie aber laut lesend nach. Sätze, über die Sie stolpern, werden im Video zu Stolpersteinen.
Parallel entsteht das Storyboard – nicht als Kunstwerk, sondern als Liste. Pro Szene notieren Sie: Einstellung, Bildinhalt, Text-Einblendung, gesprochene Zeile, Dauer. Diese Tabelle ist später die Grundlage für jede Generierung und verhindert, dass Szenen visuell auseinanderlaufen.
Phase 3: Bildproduktion
Hier entscheidet sich, ob das Video billig oder eigenständig wirkt. Zwei Vorgehensweisen haben sich etabliert: vollständig generierte Szenen für abstrakte Themen und erklärende Grafiken, oder generierte Hintergründe und B-Roll kombiniert mit real aufgenommenen Sprecher-Szenen. Bei rein generierten Videos lohnt es sich, jeden Bildprompt mit einer Beschreibung des gewünschten Lichts, der Perspektive und des Energielevels zu versehen – sonst wechselt die Anmutung von Szene zu Szene.
Phase 4: Ton, Untertitel, Varianten
Die Tonspur trägt in erklärenden Videos mehr Verständlichkeit als das Bild. Sprechen Sie entweder selbst ein oder nutzen Sie eine synthetische Stimme, die zur Marke passt. Untertitel sind Pflicht, nicht Kür: Ein großer Teil der Zuschauer schaut zunächst ohne Ton. Prüfen Sie die Untertitel auf Zeilenlänge, Lesetempo und korrekte Fachbegriffe – automatische Transkription stolpert zuverlässig über Produktnamen.
Phase 5: Veröffentlichung und Iteration
Laden Sie mit beschreibendem Dateinamen hoch, mit vollständigen Metadaten, Kapitelmarken und Transkript. Planen Sie nach zwei Wochen eine Auswertung ein. Drei Fragen genügen: An welcher Stelle bricht die Abschlussrate ein? Welche Kommentare wiederholen sich? Welches verwandte Thema wurde am häufigsten nachgefragt? Die Antworten sind der Fahrplan für die nächste Produktion.
Toolauswahl: Welche Bausteine Sie wirklich brauchen
Es ist verlockend, für jeden Arbeitsschritt ein anderes Werkzeug zu abonnieren. Sinnvoller ist ein schlanker Stack aus vier Kategorien, den Sie auch in einem Jahr noch überblicken.
Recherche und Textarbeit
Ein Sprachmodell für Clustering, Skriptrohfassung und Varianten. Wichtig sind hier nicht die Funktionen, sondern zwei Eigenschaften: Sie müssen eigenes Material hochladen dürfen, und Sie sollten Tonfallvorgaben dauerhaft speichern können. Achten Sie darauf, dass Sie nicht jeden Text von Null beginnen – ein gepflegter Markenton-Prompt spart pro Video mehrere Stunden.
Bild- und Videogenerierung
Der Markt ist unübersichtlich, und die Qualitätsunterschiede sind groß. Bewerten Sie Modelle anhand von vier Kriterien: Konsistenz über mehrere Szenen hinweg, Umgang mit Text im Bild, Verhalten bei Nahaufnahmen von Personen und Geschwindigkeit bei Iterationen. Testen Sie jedes Kandidatenmodell mit demselben dreiteiligen Testprojekt, bevor Sie sich binden. Wichtig: Nicht die Zahl der verfügbaren Modelle ist ein Qualitätsmerkmal, sondern die Frage, ob Sie ein Modell gezielt für eine Aufgabe austauschen können, ohne das Projekt neu aufzusetzen.
Sprachausgabe und Audio
Prüfen Sie drei Dinge: Aussprache von Eigennamen und Fachbegriffen, natürliche Pausen an Satzgrenzen und die Möglichkeit, einzelne Abschnitte neu zu erzeugen, ohne das ganze Video neu zu vertonen. Ein zweiter Punkt, der oft vergessen wird: die Musik. Ruhige, tiefe Texturen funktionieren bei Erklärvideos besser als treibende Beats, weil sie die Stimme nicht maskieren.
Schnitt, Untertitel und Ausspielung
Für den letzten Schritt reicht meist ein einfaches Schnittwerkzeug mit Untertitelfunktion und Export in mehreren Seitenverhältnissen. Ein 16:9-Video und eine daraus abgeleitete vertikale Fassung sollten aus derselben Zeitleiste stammen – sonst entsteht doppelte Arbeit und die Fassungen laufen inhaltlich auseinander.
Markenkonsistenz und Wiedererkennbarkeit
Konsistenz entsteht nicht durch ein Logo in der Ecke, sondern durch wiederkehrende Entscheidungen. Definieren Sie vor der ersten Produktion einen kleinen Satz von Regeln und halten Sie ihn schriftlich fest:
- Farbwelt: zwei Hauptfarben plus eine Akzentfarbe, in jeder Szene sichtbar.
- Bildsprache: eine Lichtstimmung, eine Perspektivpräferenz, kein Wechsel zwischen fotorealistisch und illustrativ innerhalb eines Videos.
- Typografie: eine Schrift für Titel, eine für Einblendungen, feste Größenverhältnisse.
- Tempo: feste Schnittfrequenz pro Format, zum Beispiel ein Schnitt alle drei Sekunden im Kurzvideo.
- Ansprache: Sie oder Du, einheitlich über alle Videos hinweg.
Diese Regeln lassen sich als Textbaustein in Bildprompts und Skriptvorgaben einfügen. Das ist der eigentliche Hebel generativer Produktion: Nicht ein einzelnes perfektes Video, sondern zehn Videos, die erkennbar zusammengehören. Serien wirken außerdem in der Ausspielung besser, weil Zuschauer mehrere Teile ansehen und die Plattform das als Signal wertet.
Audio und Stimme: der unterschätzte Hebel
In Testreihen zeigt sich immer wieder dasselbe Muster: Wird nur das Bild verbessert, steigt die Abschlussrate kaum. Wird die Tonspur verbessert, steigt sie deutlich. Drei Maßnahmen wirken sofort.
Erstens: Kürzere Sätze. Geschriebene Sprache ist dichter als gesprochene. Wer einen Blogabsatz einfach vorliest, spricht zu schnell und verliert die Zuschauer in der Mitte.
Zweitens: Betonungspausen. Nach jedem Kernargument eine halbe Sekunde Stille. Das klingt zunächst ungewohnt, gibt dem Gehirn aber Zeit, und genau in diesen Pausen passieren oft die Einblendungen.
Drittens: saubere Lautstärkehierarchie. Stimme deutlich vor Musik, Musik deutlich vor Atmosphäre, Soundeffekte nur bei Übergängen. Ein einfacher Kompressor auf der Stimme plus manuelles Absenken der Musik unter jeder Sprechpassage bringt mehr als jedes zusätzliche Effektpaket.
Bei synthetischen Stimmen lohnt sich die Investition in eine Stimmprobe: Erzeugen Sie denselben Satz mit fünf Kandidaten und hören Sie sie in zufälliger Reihenfolge an. Die Stimme, die Sie nach zwei Minuten noch ertragen würden, ist die richtige.
Drei Formate mit hoher Wirkung
Das 90-Sekunden-Erklärvideo
Struktur: Problem in einem Satz, drei Schritte, ein Beispiel, eine Handlungsaufforderung. Es funktioniert, weil es eine Suchfrage vollständig beantwortet, ohne zu werben. Häufiger Fehler: zu viele Schritte. Wer vier statt drei Schritte unterbringt, verliert das Tempo und damit den Abschluss.
Der Vergleich in Serienform
Statt zwei Wege in einem langen Video gegenüberzustellen, machen Sie pro Weg ein eigenes Video und verlinken sie gegenseitig. Vorteile: kürzere Produktionszeit, klarere Suchintention, mehr Einstiegspunkte. Der Vergleich selbst gehört in eine kurze Übersicht, die beide Videos einbettet. Häufiger Fehler: eine Empfehlung, die offensichtlich von Anfang an feststand. Wer ehrlich benennt, für wen die Alternative besser ist, gewinnt Vertrauen.
Das Onboarding-Video als Support-Ersatz
Ein vier Minuten langes Video, das die ersten fünf Handlungen nach dem Kauf zeigt, senkt den Support-Aufwand spürbar. Es wird selten gesucht, aber oft wiederholt angesehen – deshalb lohnen Kapitelmarken und eine Version mit Untertiteln in jeder unterstützten Sprache. Häufiger Fehler: ein Video, das den Funktionsumfang zeigt statt den ersten sinnvollen Ablauf.
Messen, Testen und Iterieren
Für Inbound-Videos reichen fünf Kennzahlen: Abschlussrate, durchschnittliche Wiedergabezeit, Klicks auf die nächste Handlung, Kommentarqualität und – bei erklärenden Videos – die Zahl der Support-Anfragen zum Thema. Alles andere ist Kontext.
Testen Sie immer nur eine Variable pro Durchlauf: Titel, Vorschaubild, Länge oder Einstieg. Wer gleichzeitig Titel, Tonspur und Schnitt ändert, lernt nichts. Bewährt hat sich ein Rhythmus von zwei Wochen: Die erste Woche liefert Daten, die zweite produziert die nächste Variante. Nach drei Durchläufen haben Sie belastbare Erkenntnisse für Ihren Kanal statt allgemeiner Regeln aus fremden Fallstudien.
Eine Ausnahme vom Regelwerk: Kurzvideos brauchen oft mehr Iterationen als lange Videos, weil der Einstieg über Sieg oder Niederlage entscheidet. Produzieren Sie hier bewusst mehrere Fassungen desselben Inhalts mit unterschiedlichen ersten drei Sekunden.
Typische Fehler und wie Sie sie vermeiden
Der perfekte Einstieg wird zu spät gesucht. Wer erst nach der Produktion über Titel und Vorschaubild nachdenkt, produziert am Publikum vorbei. Formulieren Sie Titel und Kernfrage vor dem Skript.
Zu viele Werkzeuge, zu wenig Wiederholung. Jede neue Plattform kostet Einarbeitung. Zwei gut beherrschte Werkzeuge schlagen fünf halb verstandene.
Generierte Bilder ohne Regieanweisung. Ohne Angaben zu Licht, Perspektive und Energie wirkt jedes Video wie eine Sammlung zufälliger Aufnahmen.
Untertitel als Nachgedanke. Sie sind ein eigenständiger Lesetext und sollten wie eine Textfassung lektoriert werden.
Keine Wiederverwertung. Wer ein Video einmal verwendet, verschenkt den größten Effizienzvorteil generativer Produktion: Transkript, Kurzfassung, Standbild und Artikel aus demselben Material.
Erfolg an Aufrufen messen. Aufrufe belohnen Neugier, nicht Relevanz. Prüfen Sie stattdessen, ob die richtigen Menschen den nächsten Schritt gehen.
FAQ
Brauche ich für Inbound-Videos eine Kamera?
Nicht zwingend. Erklärende Themen lassen sich vollständig generativ umsetzen, solange Bildsprache und Ton markenkonsistent bleiben. Sobald Vertrauen und persönliche Glaubwürdigkeit entscheidend sind – etwa bei Beratungsleistungen – wirkt eine reale Aufnahme meist stärker. Eine gute Mischung ist ein aufgenommener Sprecher plus generierte Grafiken und B-Roll.
Wie lang sollte ein Inbound-Video sein?
So lang wie nötig, um die Frage vollständig zu beantworten, und nicht länger. Als Orientierung: Begriffsklärungen 60 bis 120 Sekunden, Methoden und Vergleiche drei bis sechs Minuten, Tutorials 90 Sekunden bis vier Minuten. Wenn ein Video über sechs Minuten hinausgeht, prüfen Sie, ob es eigentlich zwei Videos sind.
Wie stelle ich sicher, dass mehrere Szenen zusammenpassen?
Arbeiten Sie mit einem festen Beschreibungssatz für Licht, Farbwelt, Perspektive und Tempo, den Sie in jeden Bildprompt kopieren. Legen Sie zusätzlich Referenzbilder an, die Sie als Stilvorlage verwenden. Am Ende hilft eine einfache Kontrollfolie mit allen Szenen nebeneinander – Inkonsistenzen fallen dort sofort auf.
Was mache ich, wenn die synthetische Stimme unnatürlich klingt?
Erhöhen Sie die Pausen an Satzgrenzen, kürzen Sie Schachtelsätze und erzeugen Sie lange Absätze in Teilstücken neu. Oft liegt das Problem nicht an der Stimme, sondern an der Satzstruktur. Wenn es danach noch unnatürlich wirkt, wechseln Sie das Werkzeug, bevor Sie weiter optimieren.
Lohnt sich die Produktion für Nischenthemen?
Ja, oft mehr als für breite Themen. Wenige, aber hochrelevante Zuschauer erzeugen mehr Folgeaktionen als viele unentschlossene. Nischenthemen haben zudem den Vorteil, dass sie visuell präziser und damit glaubwürdiger erklärt werden können.
Wie oft sollte ich veröffentlichen?
Ein Kernvideo pro Monat plus drei bis fünf kurze Ableitungen ist ein Rhythmus, der sich dauerhaft halten lässt. Kontinuität wirkt stärker als Frequenz: Ein verlässlicher Monatsrhythmus über ein Jahr bringt mehr als drei Videos in einer Woche und danach Stille.
Woran erkenne ich, dass ein Video überarbeitet werden sollte?
An einem dieser drei Signale: Die Abschlussrate fällt in der ersten Minute stark ab, die Kommentare drehen sich um ein Missverständnis, das im Video nicht vorkommt, oder die Support-Anfragen zum Thema steigen trotz des Videos. In allen drei Fällen lohnt eine gezielte Neufassung statt eines völlig neuen Themas.
Muss ich jedes Video mehrsprachig produzieren?
Nur für Märkte, in denen Sie tatsächlich aktiv sind. Ausgangssprache plus Untertitel ist ein guter erster Schritt, weil es kostengünstig ist und die Lesbarkeit erhöht. Eine vollständige Synchronisation lohnt sich erst, wenn Nachfrage und Vertriebspräsenz in der Zielsprache gesichert sind – sonst entstehen viele Fassungen ohne Publikum.
Fazit: Erst die Frage, dann die Technik
Die Werkzeuglage verändert sich schnell, die Arbeitsweise nicht. Wer mit einer echten Suchfrage beginnt, daraus ein knappes Skript und ein szenisches Storyboard ableitet und Konsistenzregeln schriftlich festhält, produziert Inbound-Videos, die auch nach dem nächsten Werkzeugwechsel funktionieren. Generative KI verkürzt dabei vor allem die Schritte zwischen Idee und Rohschnitt – sie ersetzt aber weder die Themenwahl noch das Lektorat, und genau dort entscheidet sich, ob ein Video gefunden wird und ob es etwas bewirkt.
