KI-Regieassistent: Bessere Storyboards für Videos erstellen

Warum visuelle Vorproduktion über Erfolg oder Misserfolg entscheidet

Kaum ein Videoprojekt scheitert an der Kamera. Es scheitert an der Vorbereitung. Wer schon einmal am Set gestanden hat, während drei Abteilungen gleichzeitig eine Frage beantwortet haben wollten, kennt den Unterschied zwischen einer Produktion mit Shot-Plan und einer, die improvisiert. Ein Storyboard ist dabei kein künstlerisches Luxusprodukt, sondern ein Übersetzungsinstrument: Es verwandelt Sprache in Bilder, Absichten in Reihenfolgen und Budgets in Entscheidungen.

Genau an dieser Schnittstelle setzt die neue Generation KI-gestützter Regieassistenz an. Sie ersetzt nicht die Idee, aber sie ersetzt die mühsame Fleißarbeit zwischen Idee und Drehplan. Ein Skript liegt als Text vor – daraus müssen Szenen, Einstellungen, Bildinhalte, Kamerapositionen, Lichtstimmungen und Übergänge werden. Manuell bedeutet das Stunden bis Tage pro Minute fertigen Materials. Mit einem assistierten Workflow lässt sich derselbe Schritt deutlich schneller erledigen und, wichtiger noch, konsistent.

Der eigentliche Gewinn ist nicht Geschwindigkeit allein, sondern die Möglichkeit, Varianten zu prüfen, bevor Geld ausgegeben wird. Ein Shot, der im Board nicht funktioniert, kostet nichts. Ein Shot, der erst beim Rendern oder am Set scheitert, kostet Zeit, Nerven und Budget. Dieser Leitfaden zeigt, wie ein KI-Regieassistent in einen realen Produktionsablauf eingebettet wird: von der Skriptanalyse über die Szenenzerlegung bis zum fertigen Shot-Plan, inklusive Prompt-Mustern, Konsistenzstrategien, Werkzeugkategorien und den typischen Fehlern.

Was ein KI-Regieassistent leisten kann – und was nicht

Ein Regieassistent ist begrifflich präzise gewählt. Er ersetzt nicht die Regie, sondern übernimmt strukturierende, wiederholende und dokumentierende Arbeit. Genau diese Arbeit ist es, die in kleinen Teams chronisch liegen bleibt, weil alle gleichzeitig kreativ und administrativ arbeiten müssen.

Typische Stärken:

• Zerlegung von Text in Einheiten. Ein Skriptabsatz wird in Szenen, Beats und einzelne Einstellungen aufgeteilt. Die KI erkennt Ortswechsel, Zeitwechsel, Sprecherwechsel und dramaturgische Wendepunkte.
• Vorschläge für Bildinhalte. Zu jeder Einstellung entstehen Beschreibungen, die als Bildprompt weiterverwendet werden können.
• Kamera- und Lichtvorschläge. Aus der Stimmung einer Szene werden Brennweite, Kamerahöhe, Bewegung und Lichtsetzung abgeleitet.
• Konsistenzdokumentation. Figuren, Kleidung, Requisiten und Farbwelten werden als Referenzanker festgehalten, damit sie über viele Shots hinweg gleich bleiben.
• Variantenbildung. Derselbe Beat lässt sich in mehreren visuellen Interpretationen ausspielen, um sie zu vergleichen.

Typische Grenzen:

• Dramaturgie bleibt Handarbeit. Ob eine Szene emotional trägt, entscheidet kein Modell. Die KI liefert Material, nicht Urteil.
• Kontextlücken. Ohne klare Vorgaben erfindet das System Details, die später nicht zusammenpassen.
• Kein Ersatz für Continuity-Denken. Requisitenlogik, Blickrichtungen und Achsenverhältnisse müssen weiterhin bewusst geprüft werden.
• Prompt-Abhängigkeit. Die Qualität des Outputs korreliert fast linear mit der Qualität der Vorgaben.

Wer diese Grenzen kennt, nutzt den Assistenten richtig: als Beschleuniger für Struktur und Dokumentation, nicht als Autorität in Geschmacksfragen.

Der Workflow in sieben Schritten

Der folgende Ablauf funktioniert für Erklärvideos, Kurzfilme, Werbespots und Social-Media-Serien gleichermaßen. Die Reihenfolge ist entscheidend, weil jeder Schritt die Eingabe für den nächsten bildet.

1. Skript normalisieren

Vor jeder Analyse steht die Bereinigung. Szenenüberschriften vereinheitlichen, Sprecher kennzeichnen, Regieanweisungen von Dialog trennen. Ein Skript mit inkonsistenten Formatierungen produziert inkonsistente Ergebnisse. Faustregel: Wenn ein menschlicher Assistent verwirrt wäre, ist das Modell es auch.

2. Szenen in Shots zerlegen

Jetzt wird jede Szene in Beats und dann in Einstellungen übersetzt. Ein nützlicher Richtwert: pro dramaturgischem Beat eine Einstellung, pro Minute fertigem Video etwa acht bis fünfzehn Einstellungen, je nach Genre. Action braucht mehr, Dialog weniger.

3. Shot-Karten füllen

Jede Einstellung bekommt eine Karte mit festen Feldern: Ort, Zeit, Figur(en), Handlung, Bildinhalt, Kamera, Licht, Dauer, Übergang. Diese Struktur ist der wichtigste Teil des ganzen Systems. Sie zwingt zur Entscheidung und macht Lücken sichtbar.

4. Konsistenzanker definieren

Bevor Bilder entstehen, werden Referenzen festgelegt: Gesichtsmerkmale, Frisur, Kleidung, Farbpalette, Materialästhetik, Objektivcharakter. Diese Anker werden wörtlich in jeden Prompt übernommen. Wer hier spart, zahlt später mit Nacharbeit.

5. Kamerabewegung und Objektiv festlegen

Statisch, Schwenk, Fahrt, Kran, Handkamera – jede Bewegung hat dramaturgische Bedeutung. Zusätzlich: Brennweite, Blende, Perspektive. Diese Parameter gehören in die Shot-Karte, nicht in die Nachbearbeitung.

6. Sequenz auf Pacing prüfen

Jetzt wird das Board als Abfolge gelesen. Wo zieht sich etwas? Wo fehlt ein Reaktionsshot? Wo springt die Blickrichtung? Der Shot-Plan wird hier zum Schnittplan.

7. Übergabe an die Generierung

Erst am Ende entstehen die finalen Prompts für Bild- oder Videomodelle. Jede Einstellung hat zu diesem Zeitpunkt bereits einen festen Zweck, eine feste Dauer und eine feste visuelle Sprache.

Szenenanalyse: Wie aus Text filmische Einheiten werden

Die eigentliche Intelligenzleistung liegt in der semantischen Zerlegung. Ein Modell liest einen Absatz wie „Mira betritt die leere Werkstatt, findet die Lampe kaputt und beschließt, trotzdem weiterzuarbeiten“ und erkennt darin mehrere filmische Momente: Ankunft, Entdeckung, Reaktion, Entscheidung. Aus einem Satz werden vier Einstellungen mit unterschiedlicher emotionaler Funktion.

Gute Assistenten liefern dabei nicht nur eine Aufteilung, sondern auch eine Begründung. Diese Begründung ist der wertvollste Teil, weil sie Widerspruch ermöglicht. Wenn der Vorschlag lautet „Hier ein Close-up, weil die Entscheidung internalisiert ist“, kann man bewusst widersprechen und stattdessen eine Totale wählen – und hat damit eine echte Regieentscheidung getroffen statt einer zufälligen.

Achten Sie bei der Analyse auf drei Signale:

• Zeitmarker: „später“, „am nächsten Morgen“, „währenddessen“ erzeugen neue Einstellungen oder neue Szenen.
• Raummarker: Ortswechsel verlangen mindestens einen Establishing-Shot.
• Emotionsmarker: innere Wendungen brauchen einen sichtbaren Ausdruck, also Gesicht, Körper oder Objekt.

Wer diese drei Marker im Skript markiert, bekommt eine Zerlegung, die auch ohne KI nachvollziehbar bleibt.

Konsistenz über mehrere Shots: Figuren, Stil und Ausstattung

Konsistenz ist der häufigste Grund, warum KI-Videos amateurhaft wirken. Eine Figur, die in Einstellung drei ein anderes Gesicht hat als in Einstellung zwölf, zerstört die Illusion schneller als jede unscharfe Textur.

Es gibt drei Ebenen der Konsistenz, die getrennt verwaltet werden müssen:

1. Identität. Gesichtsform, Alter, Frisur, Augenfarbe, markante Merkmale. Diese Liste wird als Textbaustein gespeichert und wortgleich wiederverwendet.
2. Ausstattung. Kleidung, Accessoires, Requisiten, Fahrzeuge, Waffen, Werkzeuge. Jede Änderung der Ausstattung muss dramaturgisch begründet sein.
3. Welt. Farbpalette, Lichtstimmung, Wetter, Architektur, Texturqualität, Filmkorn oder Grading-Look.

Ein bewährter Trick: Formulieren Sie ein „Serien-Setup“ aus zwei bis drei Sätzen, das jede Einstellung eröffnet. Beispiel: „Ruhige, leicht entsättigte Farbwelt, weiches Seitenlicht von links, 35-mm-Anmutung, staubige Luft.“ Dieser Satz bleibt über alle Shots identisch und stabilisiert den Look, ohne die Handlung einzuschränken.

Zusätzlich hilft es, Referenzbilder zu nummerieren und in der Shot-Karte auf die Nummer zu verweisen. So entsteht eine dokumentierte Kette statt einer Sammlung lose verbundener Bilder.

Bildsprache präzise beschreiben: Kamera, Licht, Brennweite

Vage Prompts erzeugen vage Bilder. Der schnellste Qualitätssprung entsteht durch präzise Bildsprache. Statt „dramatische Szene“ besser: „Nahaufnahme, 85 mm, Blende 1.8, hartes Gegenlicht durch Jalousien, Figur im linken Drittel, Blick nach rechts aus dem Bild.“

Ein brauchbares Prompt-Schema für Shot-Karten:

Motiv → Einstellungsgröße → Objektiv/Blende → Kamerawinkel → Licht → Farbwelt → Stimmung → Technische Ästhetik → Ausschlüsse

Ein Beispiel in dieser Reihenfolge: „Frau mittleren Alters in dunkelblauer Arbeitsjacke, halbnahe Einstellung, 50 mm, Blende 2.0, leichte Untersicht, weiches Fensterlicht von rechts, kühle Blau-Grau-Palette, angespannt und konzentriert, leichte Filmkörnung, keine Texte im Bild, keine zusätzlichen Personen.“

Die Ausschlüsse am Ende sind kein Detail. Sie verhindern die häufigsten Störungen: eingebrannte Schriftzüge, zusätzliche Hände, doppelte Requisiten, unpassende Logos.

Ein weiterer Hebel ist die Dauer. Eine Einstellung, die drei Sekunden dauern soll, braucht einen anderen Bildaufbau als eine, die acht Sekunden trägt. Deshalb gehört die geschätzte Dauer immer in die Shot-Karte – sie beeinflusst, wie viel visuelle Information das Bild enthalten darf.

Werkzeugkategorien im Vergleich

Nicht jedes Werkzeug löst dasselbe Problem. Die folgende Übersicht hilft bei der Auswahl, ohne sich an ein einzelnes Produkt zu binden.

Kategorie	Hauptaufgabe	Stärke	Schwäche
Planungs- und Board-Tools	Skript zu Shot-Liste	Struktur, Dokumentation	liefern keine finalen Bilder
Text-zu-Bild-Modelle mit Referenzfunktion	Figuren- und Stilkonsistenz	visuelle Kontrolle	Prompt-Feinjustierung nötig
Bild-zu-Video-Modelle	Bewegung und Animatik	schnelle Previsualisierung	Bewegungslogik begrenzt
Schnitt- und Animatik-Tools	Timing prüfen	Pacing-Erkenntnis vor dem Dreh	kein Ersatz für echtes Material

Die praktikabelste Kombination für die meisten Teams: ein Planungstool für Struktur und Shot-Karten, ein Bildmodell mit Referenzfunktion für Boards und Animatik, ein einfaches Schnittprogramm für die Timing-Vorschau. Erst danach kommt die eigentliche Produktion.

Typische Fehler und wie man sie vermeidet

Zu frühe Detailverliebtheit. Wer in der ersten Einstellung drei Stunden in die Textur investiert, hat danach keine Kraft für die Dramaturgie. Erst Struktur, dann Politur.

Fehlende Blickrichtungslogik. Figur A schaut nach links, Figur B ebenfalls nach links – die Achse ist gebrochen. Im Board markieren, wo die Achse verläuft.

Ein Prompt für alle Einstellungen. Ohne Variation wirkt die Sequenz wie ein Standbild mit Schnitten. Jede Einstellung braucht eine eigene visuelle Funktion.

Zu viele Figuren pro Bild. Modelle verlieren bei Gruppen an Konsistenz. Aufteilen in Einzel- und Zweiershots.

Kein Reaktionsshot. Reaktionen transportieren Emotion stärker als Handlung. Mindestens eine Reaktion pro Beat einplanen.

Ignorierte Ortslogik. Ein Establishing-Shot pro neuem Ort verhindert Orientierungsverlust, besonders bei kurzen Formaten.

Unklare Outfit-Änderungen. Wenn eine Figur die Jacke wechselt, muss das dramaturgisch begründet und dokumentiert sein.

Keine Ausschlussliste. Ohne Negativangaben schleichen sich Schriftzüge, Wasserzeichen und Doppelgliedmaßen ein.

Beispielprojekt: 90 Sekunden Erklärvideo

Als konkretes Beispiel: ein 90-sekündiges Erklärvideo für eine Produktidee, Zielgruppe Fachpublikum, drei Schauplätze, zwei Figuren.

Ausgangslage: 320 Wörter Skript, keine visuelle Planung, zwei Tage Zeit.

Schritt 1 – Struktur. Das Skript wird in fünf Szenen geteilt: Problem, Ausgangslage, Wendepunkt, Lösung, Ausblick. Jede Szene bekommt einen Zeitrahmen.

Schritt 2 – Zerlegung. Aus fünf Szenen entstehen 14 Einstellungen. Verteilung: Problem 3, Ausgangslage 3, Wendepunkt 3, Lösung 3, Ausblick 2. Durchschnittliche Dauer 6,4 Sekunden.

Schritt 3 – Anker. Zwei Figuren werden definiert, plus ein Serien-Setup-Satz für die Farbwelt. Beide Figuren erhalten je drei Referenzbilder.

Schritt 4 – Shot-Karten. Jede der 14 Einstellungen erhält Motiv, Größe, Objektiv, Winkel, Licht, Dauer und Übergang. Zwei Establishing-Shots, fünf halbnahe, vier nahe, drei Detailaufnahmen.

Schritt 5 – Animatik. Die 14 Karten werden zu einer bewegten Vorschau montiert, mit provisorischer Musik. Ergebnis: Szene drei wirkt zu lang, insgesamt fehlen zwei Sekunden.

Schritt 6 – Korrektur. Einstellung 8 wird um 1,5 Sekunden gekürzt, ein Reaktionsshot in Szene vier ergänzt. Neue Gesamtlänge: 89 Sekunden.

Schritt 7 – Übergabe. Die finalen Prompts entstehen aus den Shot-Karten, jeweils mit Konsistenzanker und Ausschlussliste.

Der entscheidende Punkt: Die einzige kreative Krise trat in Schritt 5 auf, im Animatik – nicht nach dem Dreh. Genau dafür existiert der ganze Aufwand.

Checkliste vor der Freigabe des Shot-Plans

• Jede Szene hat einen klar benannten Zweck.
• Jede Einstellung hat eine Funktion (Information, Emotion, Orientierung, Übergang).
• Figurenkonsistenz ist als Textbaustein hinterlegt und in jeder Karte referenziert.
• Farbe, Licht und Textur folgen einem dokumentierten Serien-Setup.
• Blickrichtungen und Achsen sind geprüft.
• Dauer pro Einstellung ist geschätzt und in Summe plausibel.
• Übergänge sind definiert, nicht implizit gelassen.
• Ausschlusslisten sind vorhanden.
• Es existiert mindestens ein Reaktionsshot pro emotionalem Beat.
• Der Shot-Plan ist für eine dritte Person ohne Rückfragen verständlich.

Der letzte Punkt ist der härteste Test. Wenn jemand anderes den Plan lesen und die Szene nachbauen kann, ist er fertig.

FAQ

Brauche ich einen KI-Regieassistenten, wenn ich nur kurze Social-Videos mache?
Bei sehr kurzen Formaten reicht oft eine einfache Shot-Liste. Sobald aber eine Serie mit wiederkehrenden Figuren entsteht, zahlt sich die Konsistenzdokumentation sofort aus.

Ersetzt der Assistent ein echtes Storyboard mit gezeichneten Panels?
Nein, aber er liefert die Vorstufe. Viele Teams gehen heute direkt von Shot-Karten zu generierten Referenzbildern über und überspringen die Zeichnung. Das ist schnell, verlangt aber mehr Kontrolle bei der Bildsprache.

Wie viele Referenzbilder pro Figur sind sinnvoll?
Drei bis fünf aus unterschiedlichen Winkeln und Lichtsituationen. Mehr hilft selten, verwirrt aber auch nicht.

Warum sehen meine Sequenzen trotz Planung unruhig aus?
Meist fehlt eine ruhige Einstellung als Anker. Wenn jede Einstellung Bewegung und Wechsel enthält, hat das Auge keinen Ruhepunkt. Bewusst Statik einplanen.

Wie gehe ich mit Dialogszenen um?
Shot-Reverse-Shot mit festen Achsen, plus gelegentliche Zweier-Einstellung. Reaktionsshots sind hier wichtiger als Sprechershots.

Kann ich den Workflow auf Werbespots mit echten Dreharbeiten übertragen?
Ja, sogar besonders gut. Der Shot-Plan wird zum Drehbuch für die Crew: Kamerapositionen, Objektive und Lichtstimmungen sind bereits durchdacht und können vor Ort schneller umgesetzt werden.

Wie verhindere ich Stilbruch zwischen Einstellungen?
Durch den Serien-Setup-Satz, der wortgleich wiederholt wird, und durch eine feste Reihenfolge der Prompt-Bausteine. Beides reduziert Streuung deutlich.

Was ist der wichtigste einzelne Tipp?
Schreiben Sie die Dauer jeder Einstellung auf. Dieser eine Wert verändert Bildaufbau, Schnittrhythmus und Pacing mehr als jedes Stilwort.

Fazit: Struktur schlägt Zufall

Die Werkzeuge haben sich verändert, nicht die Grundregel: Wer vor dem ersten Bild weiß, was er zeigen will, produziert besser. Ein KI-Regieassistent macht diese Vorarbeit schneller, dokumentierter und überprüfbarer. Er liefert keine Ideen, aber er bewahrt sie davor, im Chaos unterzugehen.

Der praktikabelste Einstieg ist unspektakulär: Skript normalisieren, Szenen zerlegen, Shot-Karten füllen, Konsistenzanker festhalten, Timing prüfen. Wer diese fünf Schritte beherrscht, kann jedes Modell und jede Plattform nutzen, die später dazukommt – denn die Struktur bleibt gleich, während sich die Generatoren weiterentwickeln.