KI-Regisseur: Storytelling für Videos planen und umsetzen

Regie ist eine Entscheidung, kein Werkzeug

Ein einzelner, gut formulierter Prompt liefert heute erstaunliche Einzelbilder. Was dabei fast immer fehlt, ist Regie: die Entscheidung, welche Einstellung wann zu sehen ist, wie lange sie dauert, aus welcher Perspektive erzählt wird und welche Information sie dem Publikum gibt. Genau hier trennt sich ein hübscher Clip von einem Film. Regie ist deshalb kein Werkzeug, das man auswählt, sondern eine Rolle, die man ausfüllt – unterstützt von Modellen, klaren Regeln und einer belastbaren Arbeitsstruktur.

Wer mit der Technik beginnt und die Geschichte später sucht, produziert meist eine Sammlung zusammenhangloser Szenen: jede für sich beeindruckend, in der Summe ohne Aussage. Die Reihenfolge lautet immer: Absicht, Struktur, Bildsprache, Bewegung, Ton. Technik steht am Ende dieser Kette, nicht am Anfang.

Dieser Leitfaden beschreibt einen vollständigen Ablauf in sieben Schritten, ergänzt um Entscheidungskriterien, zwei durchgerechnete Praxisbeispiele, eine Fehlerliste und einen FAQ-Teil für die Fragen, die im Alltag immer wieder auftauchen. Er richtet sich an Solo-Creator ebenso wie an kleine Teams, die regelmäßig Video produzieren – für Social Media, Produktkommunikation, Erklärformate oder Kurzfilm.

Drei Grundsätze ziehen sich durch den gesamten Text. Erstens: Jede Einstellung braucht eine Funktion. Zweitens: Konsistenz entsteht durch Vorgaben, nicht durch Zufall. Drittens: Varianten sind keine Verschwendung, sondern der eigentliche Kern der Auswahl. Wer diese drei Sätze beherzigt, spart unterm Strich mehr Zeit, als jede Abkürzung je einsparen könnte.

Der Workflow im Überblick: sieben Schritte von der Idee zum Film

Bevor Details folgen, lohnt der Blick auf die Gesamtstrecke. Die sieben Schritte sind bewusst so sortiert, dass jeder Schritt den nächsten vorbereitet – und dass Fehler früh auffallen, wo Korrekturen noch günstig sind.

Absicht klären: Plattform, Zielgruppe, eine einzige Kernaussage, gewünschte Handlung des Publikums am Ende.
Struktur bauen: Logline, Beat-Sheet, Reihenfolge der Beats.
Look entwickeln: Referenzbilder für Figur, Schauplatz und Requisiten; Farbanker und Stilvorgaben.
Szenenbuch schreiben: pro Einstellung Funktion, Bildinhalt, Kamera, Licht, Dauer.
Produzieren: fokussierte Prompts, mehrere Varianten pro Einstellung, Protokollierung.
Zusammenfügen: Rohschnitt ohne Musik, dann Ton, dann Farbkorrektur.
Prüfen und ausgeben: Qualitätsdurchlauf, Export in allen Zielformaten, Ablage der Projektdateien.

Wichtig ist die Blockarbeit innerhalb von Schritt 5. Alle ruhigen Einstellungen hintereinander, dann alle bewegten, dann alle Detailaufnahmen. Jeder Wechsel zwischen Arbeitsweisen kostet Einarbeitung: Parameter, Prompt-Aufbau, Beurteilungskriterien ändern sich. Wer ständig hin und her springt, verliert pro Tag schnell eine Stunde nur an Umstellung.

Ebenso wichtig ist die Reihenfolge der Prüfung. In niedriger Auflösung beurteilt man Bildstand, Bewegung und Kadrierung deutlich besser als in voller Auflösung, wo Details den Blick binden. Eine Grobprüfung im Vorschaumodus und eine Feinprüfung in Endauflösung sind zwei verschiedene Arbeitsschritte, nicht einer.

Schritt 1 und 2: erzählerische Absicht und Beat-Sheet

Die meisten misslungenen KI-Videos scheitern nicht an der Technik, sondern an einer unklaren Absicht. Bevor irgendetwas generiert wird, stehen deshalb drei Sätze: Wer will was, woran scheitert die Person oder die Sache, und was hat sich am Ende verändert? Aus dieser Logline ergibt sich fast automatisch, welche Bilder gebraucht werden – und welche nicht.

Von der Logline zum Beat

Ein Beat ist ein Wendepunkt der Handlung oder der Stimmung, keine Einstellung. Ein brauchbares Grundgerüst für Kurzformate hat sechs Beats:

Ausgangslage: Wer, wo, in welcher Stimmung?
Störung: Was gerät aus dem Tritt?
Erster Versuch: Wie reagiert die Figur?
Rückschlag: Was macht es schlimmer?
Neuer Blick: Welche Information oder Einsicht ändert alles?
Konsequenz: Wie sieht die Welt danach aus?

Erst wenn diese sechs Beats in einem Satz pro Beat stehen, werden sie in Einstellungen übersetzt. Der häufigste Anfängerfehler ist, jeden Beat in genau einen Clip zu pressen. Besser ist eine flexible Zuordnung: ein Beat kann zwei Einstellungen brauchen, ein anderer gar keine eigene, weil er im Ton oder im Text miterzählt wird.

Szenenkarten mit fünf Feldern

Für jede geplante Einstellung gibt es eine Karte mit fünf Feldern:

Feld	Frage	Beispiel
Funktion	Was leistet der Shot für die Geschichte?	Zeigt, dass die Figur die Orientierung verliert
Bildinhalt	Was ist konkret zu sehen?	Hände am Lenker, Stadtplan auf dem Display
Kamera	Perspektive und Bewegung	Halbnah von hinten, langsame Vorwärtsfahrt
Licht	Richtung, Qualität, Farbe	Spätes Seitenlicht, warm, weiche Schatten
Dauer	Wie lang im Schnitt?	Drei Sekunden

Das Feld „Funktion“ ist das wichtigste. Steht dort nichts Sinnvolles, wird die Einstellung gestrichen – auch wenn sie im Rohmaterial schön aussieht. Diese eine Regel verhindert mehr Langeweile als jede Schnitttheorie.

Text und Sprache getrennt planen

Gesprochener Text gehört in die Vertonung, Text im Bild gehört in die Montage. Modelle neigen dazu, Schriftzeichen zu verformen, Wortmarken zu erfinden und Zahlen zu verdrehen. Planen Sie deshalb von Anfang an: Welche Information trägt Sprache, welche trägt Grafik, welche trägt Musik? Wer das trennt, muss später nicht retten, was nicht zu retten ist.

Schritt 3: Look-Entwicklung mit verbindlichen Referenzbildern

Der Look entsteht nicht während der Videogenerierung, sondern davor. Ausgangspunkt sind zwei bis fünf Standbilder, die als verbindliche Vorgabe dienen – nicht als Inspiration, sondern als Referenz, an der jede weitere Entscheidung gemessen wird.

Was ins Referenzset gehört

Figur: Gesicht bei neutralem Licht, Ganzkörper in Standardhaltung, eine Nahaufnahme mit sichtbarer Textur.
Schauplatz: eine Totale, die den Raum erklärt, und eine Detailaufnahme, die Material und Farbe zeigt.
Requisite: das wichtigste Objekt allein auf neutralem Hintergrund.

Zu jedem Referenzbild notieren Sie eine kurze, wortgleiche Beschreibung. Diese Beschreibung wird später in jeden Prompt kopiert, unverändert. Variationen in der Formulierung erzeugen Variationen im Bild – aus einer kleinen Umformulierung wird schnell ein anderes Gesicht.

Drei Farbanker

Definieren Sie drei Farben: eine Hintergrund- oder Umgebungsfarbe, einen Haut- beziehungsweise Materialton und eine Akzentfarbe. Diese drei Anker machen aus einer Sammlung von Shots eine zusammenhängende Sequenz. Wenn ein Shot farblich ausschert, liegt es fast immer an einem verschobenen Anker – und nicht an der Kameraarbeit.

Stil-Lock statt Stil-Mix

Wählen Sie einen Hauptstil und höchstens einen sekundären Einfluss. Wer Fotorealismus, Anime und Aquarell in einem Projekt mischt, erzeugt visuelles Rauschen, das keine Montage rettet. Der Stil-Lock benennt konkrete Größen: Brennweite, Lichtrichtung, Kontrastumfang, Korn, Sättigung. „Cinematisch“ als einziges Stilwort steuert praktisch nichts, weil es für jedes Modell etwas anderes bedeutet.

Schritt 4: Modellwahl als Regieentscheidung

Die Auswahl eines Modells ist keine Geschmacksfrage, sondern eine Regieentscheidung. Jedes Modell verhält sich wie ein Werkzeug: das eine ist ein Weitwinkel, das andere ein Tele, das eine ein Stativ, das andere eine Handkamera. Ihre Aufgabe ist, jeder Einstellung das Werkzeug zu geben, das ihre Funktion am besten erfüllt.

Drei Grundtypen und ihre Stärken

Text-zu-Video: stark bei schnellem Prototyping und ungewöhnlichen Bildern; schwächer bei exakter Kontrolle über Details.
Bild-zu-Video: stark bei definiertem Look und Produktaufnahmen, weil das Startbild den Rahmen setzt; schwächer bei komplexen Bewegungen über die Bildgrenze hinaus.
Video-zu-Video und Bewegungstransfer: stark, wenn eine vorhandene Bewegung, eine Choreografie oder ein Kamerarhythmus erhalten bleiben soll.

In einem Projekt arbeiten oft zwei bis drei Modelle parallel: eines für ruhige, detailreiche Einstellungen, eines für Bewegung, eines für Standbilder und Referenzen. Mehr Modelle erhöhen den Abstimmungsaufwand überproportional, weil sich Bildstand, Farbwelt und Bewegungscharakter unterscheiden.

Fünf Entscheidungskriterien

Bewegungskompetenz: Wie glaubwürdig trägt das Modell Läufe, Sprünge, Kämpfe, Verkehr, Wasser?
Physiktreue: Bleiben Objekte stabil, verschwinden Finger, kollabieren Räume, schweben Requisiten?
Prompt-Treue: Wie genau folgt das Modell mehrteiligen Anweisungen mit Reihenfolge?
Cliplänge: Reicht die erzeugte Dauer für den geplanten Schnitt, oder muss gestückelt werden?
Stilkontrolle: Lässt sich ein Referenzbild zuverlässig halten – über mehrere Generierungen hinweg?

Ergänzend zählen Auflösung, Seitenverhältnis, Wiederholbarkeit über feste Startwerte und die Möglichkeit, Anfangs- und Endbild vorzugeben. Wer diese Kriterien vor dem Projekt notiert, entscheidet später in Sekunden statt in Stunden.

Splitting statt Superprompt

Ein verbreiteter Irrtum ist, alles in einen Prompt zu packen. Besser ist Splitting: erst eine ruhige Etablierung, dann eine Detailaufnahme, dann eine Bewegungsaufnahme – jeweils als eigener Prompt. Kurze, klar fokussierte Anweisungen liefern stabilere Ergebnisse als überladene Sätze, deren Teile sich widersprechen. Ein Prompt mit „handgeführte Kamera“ und „stabil auf Stativ“ beschreibt zwei Filme gleichzeitig.

Schritt 5 und 6: Konsistenz, Kamera und Licht

Konsistenz ist die härteste Aufgabe. Ein Publikum verzeiht einen ungewöhnlichen Schnitt, aber es verzeiht nicht, wenn dieselbe Figur in jeder Einstellung anders aussieht. Konsistenz entsteht aus drei Vorgaben: einer Charakterbeschreibung, einem Referenzbild und einer Prüfroutine.

Die Charakterbeschreibung als Vertrag

Legen Sie für jede Hauptfigur ein Kurzprofil an: Alter, Körperbau, Frisur, Haarfarbe, einprägsames Detail wie Narbe, Brille oder Jacke, Grundfarben der Kleidung. Halten Sie diesen Text wortgleich. Praktisch bewährt hat es sich, die Beschreibung in einer Textdatei zu führen und per Kopie einzufügen – nicht neu zu tippen. Kleine Abweichungen wie „dunkelblonde Haare“ statt „dunkelblond“ verändern das Ergebnis sichtbar.

Die schwierigste Einstellung zuerst

Beginnen Sie mit dem Shot, der am meisten leisten muss: die Figur in Nahaufnahme, bei Bewegung, im Hauptlicht. Dient dieser Shot als Anker, richten sich alle weiteren daran aus. Wer zuerst die einfachen Einstellungen produziert, stellt später fest, dass der wichtigste Shot nicht in die Umgebung passt.

Kamera in konkrete Begriffe übersetzen

Statt „schöne Kamerafahrt“ formulieren Sie: langsame Vorwärtsbewegung auf Augenhöhe, Stativ, 50 Millimeter, Motiv zentriert. Alternativen sind Schwenk, Kranfahrt, Handkamera mit leichtem Wackeln, Aufstieg per Drohne, Nahaufnahme mit Fokusziehen. Jede Bewegung braucht einen Grund: Sie führt zu einer Information hin oder von ihr weg. Bewegung ohne Grund wirkt nach kurzer Zeit beliebig.

Licht als Stimmungsregler

Beschreiben Sie Richtung, Qualität und Farbe: weiches Seitenlicht, harte Mittagssonne, Neon von links, Kerzenlicht mit warmem Abfall, bewölktes Diffuslicht. Licht entscheidet stärker über die Wirkung als jede Auflösungssteigerung. Behalten Sie außerdem Tageszeit und Lichtrichtung über benachbarte Einstellungen bei – ein Sprung von Gegenlicht zu Frontlicht ohne erzählerischen Grund liest das Publikum als Fehler, nicht als Entscheidung.

Schritt 7: Ton, Montage und Ausgabeformate

Sound ist kein Nachgedanke. Planen Sie Ambiente, Bewegungssound und Musikrichtung bereits im Szenenbuch. Ein Schnitt auf einen Tonakzent – ein Türschlag, ein Atemzug, ein Bass-Einsatz – wirkt oft stärker als jede Kamerafahrt.

Drei Ton-Ebenen

Sprache: separat erzeugen und nachbearbeiten; nie hoffen, dass die Lippenbewegung im Video ausreicht.
Geräusche: Schrittgeräusche, Stoff, Wind, Maschinen. Sie erden die Bilder und kaschieren kleine Unstimmigkeiten.
Musik: erst nach dem Rohschnitt einsetzen. Musik, die zu früh liegt, verdeckt Schnittprobleme, statt sie zu lösen.

Montage als letzte Regieinstanz

Erst im Schnitt entsteht Rhythmus. Kürzen Sie großzügig: Die ersten und letzten Sekunden eines generierten Clips sind oft die instabilsten. Arbeiten Sie mit einer neutralen Schnittsoftware, legen Sie Farbkorrektur und Ton auf getrennte Spuren, und halten Sie eine Version ohne Musik bereit, um den Schnitt ehrlich zu prüfen.

Rechnen Sie mit 8 bis 15 Einstellungen pro Minute. Wer bei einem 30-Sekunden-Clip vierzig Einstellungen plant, erzeugt Flackern statt Erzählung. Für Erklärformate mit ruhigem Tempo sind 6 bis 10 Einstellungen pro Minute realistisch.

Ausgabeformate von Anfang an mitdenken

Ein Hochformat für Kurzvideo, ein Querformat für Webseite oder Präsentation und eine stille Version für stumme Autoplay-Umgebungen sind drei verschiedene Schnitte, nicht drei Exporte desselben Schnitts. Planen Sie beim Dreh des Szenenbuchs, welche Bildinhalte im Hochformat verloren gehen, und kadrieren Sie entsprechend mit Sicherheitsrand.

Zwei durchgerechnete Beispiele

Beispiel A: 45-Sekunden-Produktfilm

Ein Werkzeughersteller will ein neues Küchenmesser zeigen. Zielgruppe sind Hobbyköche, Plattform ist eine Produktseite mit automatischer Wiedergabe ohne Ton.

Die Absicht: Das Messer soll als präzise und ruhig wahrgenommen werden. Die Logline: Eine Köchin bereitet in wenigen Minuten eine Mahlzeit zu und merkt, wie viel leichter die Arbeit mit dem richtigen Werkzeug wird. Sechs Beats: leere Arbeitsfläche, erste Zutat, Stocken beim Schneiden, Werkzeugwechsel, fließende Bewegung, fertiges Gericht.

Daraus entstehen acht Einstellungen: eine Totale der Küche, eine Detailaufnahme der Klinge im Licht, eine Nahaufnahme der Hand am Griff, eine Aufnahme des Schnitts in Zeitlupe, eine Halbtotale der Bewegung, eine Detailaufnahme der angerichteten Zutaten, eine Totale des fertigen Tellers, eine Endkarte mit stillem Logo. Look: weiches Seitenlicht von rechts, dunkle Holzarbeitsfläche, ein einziger warmer Akzent im Hintergrund.

Produktion: Das Modell für Bild-zu-Video übernimmt alle ruhigen Einstellungen mit dem Referenzbild der Klinge; die Zeitlupenaufnahme kommt aus einem zweiten Modell mit hoher Bewegungskompetenz. Fünf Varianten pro Einstellung, Auswahl nach Funktion. Text im Bild wird nicht generiert, sondern in der Montage gesetzt. Ton: nur Geräusche und eine ruhige Musik, keine Sprache – passt zur stummen Wiedergabe.

Ergebnis: Acht Einstellungen in 45 Sekunden, zwei Modelle, ein Referenzset, klare Farbanker.

Beispiel B: dreiminütiger Kurzfilm

Eine Fahrradkurierin will eine letzte Lieferung vor Sonnenuntergang schaffen, verliert die Route und entdeckt einen Ort, den sie seit Jahren gemieden hat. Das ist eine tragfähige Logline, weil sie Ziel, Hindernis und Veränderung in einem Satz enthält.

Zwölf Beats werden zu achtzehn Einstellungen. Das Referenzset umfasst drei Bilder der Hauptfigur, zwei des Schauplatzes und eines des Pakets. Drei Farbanker: Asphaltgrau als Umgebung, warme Hauttöne, ein oranger Akzent für Sonnenlicht und Rücklichter. Die schwierigste Einstellung – Gesicht in Nahaufnahme im Gegenlicht – wird zuerst produziert und dient als Maßstab.

Der Schnittrhythmus folgt der Dramaturgie: In der ersten Minute lange Einstellungen mit viel Umgebung, in der zweiten kürzere mit steigender Frequenz, in der letzten ruhige Einstellungen mit viel Himmel. Musik setzt erst nach Minute eins ein. Sprache existiert nur in vier kurzen Sätzen, separat vertont. Der Rest wird über Geräusche, Blickrichtungen und Kadrierung erzählt.

Solche Projekte brauchen Disziplin bei der Archivierung: Pro Shot werden Prompt, Variantennummer, verwendetes Modell, Referenzbild und Auswahlgrund notiert. Ohne diese Notizen sind Nachdrehs nach einer Woche kaum möglich.

Typische Fehler, Qualitätskontrolle und Zeitplanung

Die wiederkehrenden Fehler ähneln sich projektübergreifend. Wer sie kennt, vermeidet sie mit einer einzigen Checkliste.

Zu viele Einstellungen pro Minute. Kurzformate vertragen weniger, als man denkt.
Modell vor Geschichte wählen. Ergibt schöne, aber bedeutungslose Bilder.
Charakterbeschreibung umformulieren. Jede Variante verändert das Gesicht.
Ohne Referenzset arbeiten. Der Look driftet unbemerkt.
Text im Bild generieren lassen. Fast immer fehlerhaft, besser nachträglich setzen.
Musik zu früh einsetzen. Kaschiert Schnittprobleme.
Nur eine Variante produzieren. Eine einzelne Generierung ist Glücksspiel, keine Entscheidung.
Auflösung über Wirkung stellen. Licht und Kadrierung schlagen Pixel.
Nichts protokollieren. Nach drei Tagen ist die exakte Formulierung verloren.

Vier Fragen zur Freigabe eines Shots

Erfüllt der Shot seine Funktion? Ist die Bewegung glaubwürdig? Passt er farblich und räumlich zum Nachbarschnitt? Bleibt die Figur erkennbar dieselbe? Vier Ja bedeuten Freigabe. Ein Nein bedeutet: neu generieren oder die Funktion auf eine andere Einstellung verteilen.

Realistische Ausschussquote

Planen Sie 50 bis 70 Prozent Ausschuss ein. Hände, Augen und Textilien sind die häufigsten Gründe. Wer mit jeder Generierung ein Ergebnis erwartet, plant zu knapp und produziert zu wenige Varianten – und wählt am Ende nicht, sondern nimmt das Erstbeste.

Grobe Zeitplanung für ein 60-Sekunden-Video

Konzept, Logline, Beats: zwei bis drei Stunden
Referenzbilder und Look: zwei bis vier Stunden
Szenenbuch: ein bis zwei Stunden
Generierung: der größte Block, oft ein bis drei Arbeitstage
Schnitt, Ton, Farbkorrektur: drei bis sechs Stunden
Qualitätsdurchlauf und Export: ein bis zwei Stunden

Der Generierungsblock ist der einzige, der schwer planbar bleibt. Puffern Sie dort großzügig und arbeiten Sie in thematischen Blöcken, damit Ausfälle nicht den ganzen Tag kosten.

FAQ

Wie viele Modelle brauche ich wirklich?

Für die meisten Projekte reichen zwei bis drei: eines für ruhige, detailreiche Einstellungen, eines für Bewegung und eines für Standbilder und Referenzen. Jedes weitere Modell bringt einen eigenen Bildstand und eine eigene Farbwelt mit, die anschließend angeglichen werden müssen. Der Aufwand wächst schneller als der Nutzen.

Was tun, wenn die Figur zwischen Einstellungen springt?

Reduzieren Sie auf eine Einstellung pro Beat, stabilisieren Sie das Referenzbild und halten Sie die Beschreibung wortgleich. Prüfen Sie außerdem, ob die schwierigste Einstellung tatsächlich zuerst entstanden ist; wenn nicht, produzieren Sie sie neu und richten Sie die übrigen daran aus.

Lohnt sich ein Storyboard auf Papier?

Ja, gerade am Anfang. Grobe Skizzen klären Kadrierung und Reihenfolge schneller als jede Textbeschreibung. Sie müssen nicht schön sein, nur eindeutig: Pfeile für Bewegung, ein Strich für die Horizontlinie, ein Kasten für das Motiv.

Wie lang sollte ein einzelner Clip sein?

So kurz wie möglich, so lang wie nötig. Drei bis fünf Sekunden decken die meisten Schnitte ab. Längere Takes sind nur sinnvoll, wenn eine Bewegung oder ein Dialog durchgehen muss – und auch dann schneidet man die Ränder später meist ab.

Brauche ich separates Tonwerkzeug?

Nicht zwingend, aber die Qualität steigt deutlich. Getrennte Ebenen für Sprache, Geräusche und Musik lassen sich präziser mischen und später leichter austauschen – etwa wenn eine Version ohne Sprache gebraucht wird.

Woran erkenne ich, dass mein Prompt überladen ist?

Wenn beim Nachlesen Begriffe auftauchen, die sich widersprechen, oder wenn mehr als drei Themen gleichzeitig beschrieben werden. Streichen Sie alles, was für diesen einen Shot nicht entscheidend ist, und verteilen Sie den Rest auf weitere Einstellungen.

Wie gehe ich mit wiederkehrenden Schauplätzen um?

Legen Sie für jeden Schauplatz ein eigenes Referenzbild plus Farbanker an. Wiederkehrende Orte profitieren stärker von Referenzen als Figuren, weil das Publikum Raummerkmale sehr genau wiedererkennt – eine verschobene Fensterfront fällt sofort auf.

Was mache ich mit Material, das nicht ins Konzept passt?

Bewahren Sie es in einem separaten Ordner auf. Gute, aber funktionslose Shots sind später oft die Rettung, wenn eine Einstellung ausfällt. Wichtig ist nur, dass sie nicht ins Hauptverzeichnis wandern und dort für Verwirrung sorgen.

Checkliste für den Alltag

Vor der Produktion: Absicht, Logline, Beats, Referenzbilder, Farbanker, Szenenkarten. Während der Produktion: fokussierte Prompts, mehrere Varianten, wortgleiche Figurenbeschreibung, Blockarbeit, Protokoll pro Shot. Nach der Produktion: Rohschnitt ohne Musik, Ton in drei Ebenen, Farbkorrektur, Endkontrolle auf Text im Bild, Export in allen Zielformaten und klare Ablage.

Wer diese Reihenfolge einhält, produziert nicht nur schneller, sondern erzählt. Genau darin liegt der Unterschied zwischen einem Werkzeug und einer Regie: Werkzeuge erzeugen Bilder, Regie erzeugt Bedeutung. Und Bedeutung ist das Einzige, was ein Publikum erinnert, wenn es den Ton längst ausgeschaltet hat.