Generative Videomodelle sind aus dem Marketing nicht mehr wegzudenken. Der Sprung von einer beeindruckenden Demo zu einem belastbaren Produktionsprozess ist allerdings deutlich größer, als viele Teams erwarten. Wer heute mit KI-Video arbeitet, kämpft selten mit fehlenden Werkzeugen, sondern mit Inkonsistenz, unklaren Freigaben und einem Ablauf, der nach dem dritten Testclip auseinanderfällt.
Dieser Leitfaden beschreibt einen tragfähigen KI-Video-Workflow für Marketingteams: welche Bausteine wirklich gebraucht werden, wie man Modelle nach Ziel auswählt, wie Figuren und Produkte über mehrere Clips hinweg stabil bleiben, wie Freigaben organisiert werden und wo die typischen Stolperfallen liegen. Statt einer Werkzeugliste entsteht ein Prozess, den man für jede Kampagne erneut durchlaufen kann.
Warum sich der Blick auf KI-Video verschiebt
Die erste Welle der KI-Videoproduktion war von Faszination geprägt: spektakuläre Einzelclips, surreale Bewegungen, viel Staunen. Die zweite Welle dreht sich um Verlässlichkeit. Marketingteams brauchen keine Einzelstücke, sondern Serien: dieselbe Person in fünf Varianten desselben Spots, dasselbe Produkt aus drei Blickwinkeln, dieselbe Bildsprache über ein Quartal hinweg. Diese Verschiebung verändert die Anforderungen an Werkzeuge und an die Menschen, die sie bedienen.
Gleichzeitig hat sich das Verhältnis von Aufwand und Ergebnis verschoben. Was früher ein Drehtag mit Crew, Location und Nachbearbeitung war, lässt sich heute in Teilen in einer Sitzung erzeugen. Das bedeutet nicht, dass klassische Produktion verschwindet. Es bedeutet, dass die Menge an testbaren Varianten explodiert. Wer zehn statt zwei Werbemittel produzieren kann, testet anders, lernt schneller und optimiert auf Basis echter Daten statt auf Basis von Bauchgefühl.
Drei Verschiebungen prägen den Alltag besonders:
- Von der Kampagne zum Kontingent. Statt einer großen Produktion entstehen laufend kleine Serien. Planung wird zur Daueraufgabe, nicht zum Projekt mit Anfang und Ende.
- Von der Endabnahme zur Freigabe im Prozess. Wer erst am Ende prüft, produziert Ausschuss. Wer Zwischenstände prüft, korrigiert billiger.
- Von der Zielgruppe zu Segmenten. Dieselbe Kernaussage läuft in unterschiedlichen Formaten, Tonalitäten und Sprachen. Ein Master reicht dafür nicht aus.
Der eigentliche Gewinn liegt deshalb nicht in der einzelnen perfekten Szene, sondern in der Fähigkeit, konsistent viele Varianten zu erzeugen. Genau dort entscheidet sich, ob ein Team KI-Video als Spielerei oder als festen Kanal behandelt.
Der Produktionsstack: vier Schichten, die zusammenspielen
Ein KI-Videoworkflow besteht selten aus einem einzigen Werkzeug. In der Praxis hat sich ein Stack aus vier Schichten bewährt: Generierung, Audio, Nachbearbeitung und Ausspielung. Wer diese Schichten sauber trennt, kann einzelne Teile austauschen, ohne den gesamten Prozess neu zu lernen. Das ist besonders wichtig, weil sich Bild- und Videomodelle in kurzen Abständen weiterentwickeln.
Text-zu-Video, Bild-zu-Video und Video-zu-Video
Text-zu-Video eignet sich für Moodboards, Konzepttests und abstrakte Szenen. Es ist der schnellste Weg, um zu prüfen, ob eine Bildidee überhaupt trägt. Bild-zu-Video ist der wichtigste Modus für Marken: Ausgangsbilder mit Produkt, Figur oder Setting sorgen dafür, dass Look und Komposition nicht dem Zufall überlassen bleiben. Video-zu-Video wiederum hilft, vorhandenes Material umzustilisieren, Auflösung zu erhöhen oder zusätzliche Kamerawinkel zu erzeugen, ohne neu zu drehen.
Die Reihenfolge im Projekt ist entscheidend. Zuerst Standbilder, dann Bewegung. Bildfehler lassen sich mit einer neuen Generierung in Sekunden korrigieren, Bewegungsfehler kosten dagegen neue Takes und Zeit. Teams, die diesen Schritt überspringen, verwerfen am Ende deutlich mehr Material.
Audio, Stimme und Untertitel
Sprachmodelle erzeugen heute glaubwürdige Voice-overs in vielen Sprachen. Der wichtigste Hebel ist jedoch nicht die Stimme selbst, sondern das Timing: Sprechgeschwindigkeit, Pausen und Betonung müssen zur Bildlänge passen. Ein 30-Sekunden-Skript, das in 24 Sekunden gesprochen wird, wirkt gehetzt und zwingt zum Nachschneiden.
Untertitel gehören in vielen Formaten ohnehin dazu und sollten als eigener Arbeitsschritt geplant werden, nicht als Nachgedanke. Wer Untertitel erst am Ende einfügt, entdeckt oft, dass die wichtigen Wörter an ungünstigen Bildwechseln liegen. Musik und Geräuschebene werden am besten getrennt geführt, damit einzelne Elemente ausgetauscht werden können, ohne die Tonspur neu zu mischen.
Schnitt, Varianten und Ausspielung
Die letzte Schicht entscheidet über Formatvielfalt. Ein Querformat-Master, der auf Hochformat umgerechnet wird, verliert meist Wirkung, weil Bildkomposition und Textplatzierung nicht mehr stimmen. Besser ist es, jedes Format eigenständig zu generieren oder bewusst neu zu beschneiden. Eine einfache Regel: pro Kernaussage eine vertikale, eine quadratische und eine horizontale Fassung, jede mit eigener Komposition und angepasster Textmenge.
Für die Ausspielung lohnt eine einfache Dateistruktur: Kampagne, Format, Sprache, Version. Ohne diese Ordnung findet nach zwei Wochen niemand mehr die freigegebene Fassung, und im schlimmsten Fall geht eine ältere Version live.
Modellwahl nach Marketingziel
Die Modelllandschaft ist unübersichtlich, aber die Auswahl lässt sich an wenigen Fragen festmachen: Wie wichtig ist Wiedererkennbarkeit? Wie viel Kontrolle über Kameraführung wird gebraucht? Wie lang sind die Einstellungen? Und wie schnell muss eine Variante entstehen?
| Marketingziel | Kritische Anforderung | Empfohlener Ansatz |
|---|---|---|
| Produktvorstellung | Detailtreue, stabiles Licht | Bild-zu-Video mit festen Referenzbildern |
| Markenfigur oder Sprecher | Gesicht, Kleidung, Proportionen | Keyframes plus mehrere Referenzwinkel |
| Performance-Tests | Viele Varianten in kurzer Zeit | Kurze Clips, klare Prompt-Vorlagen |
| Erklärvideo | Texttreue, ruhige Kamera | Statische Einstellungen, Fokus auf Schnitt |
| Stilisierte Kampagne | Starker Look, hohe Ästhetik | Stilreferenzen und Stiltransfer |
| Lokalisierung | Konsistente Bildsprache, neue Sprache | Gleiche Bildbasis, neu vertonte Fassung |
Entscheidungskriterien jenseits der Demo
Drei Kriterien werden in Demos selten gezeigt, entscheiden aber im Alltag: Konsistenz über mehrere Clips, Aufwand pro brauchbarer Sekunde und die Frage, wie oft ein Ergebnis verworfen werden muss. Ein Modell, das spektakuläre Einzelbilder liefert, aber in achtzig Prozent der Fälle unbrauchbar ist, kostet mehr Zeit als ein unspektakuläres Modell mit hoher Trefferquote.
Ein zweites Kriterium ist die Steuerbarkeit. Manche Werkzeuge reagieren empfindlich auf Detailänderungen im Prompt, andere ignorieren sie. Für Markenarbeit ist Vorhersagbarkeit wertvoller als maximale Kreativität. Ein drittes Kriterium ist die Nachbearbeitbarkeit: Liefert das Werkzeug Material, das sich farblich und vom Kontrast her in eine bestehende Schnittkette einfügt?
Wann ein Allrounder reicht und wann Spezialisten nötig sind
Für Social-Clips mit kurzen Einstellungen reicht häufig ein einziges Allround-Modell. Sobald Markenfiguren, Produktdetails oder längere Erzählbögen dazukommen, lohnt der Wechsel zu spezialisierten Werkzeugen für Bildkonsistenz, Upscaling oder Bewegungssteuerung. Der Aufwand, zwei Werkzeuge zu kombinieren, ist meist geringer als der Aufwand, die Schwächen eines einzigen Modells zu kaschieren.
Beispielrechnung: Was eine brauchbare Sekunde wirklich kostet
Angenommen, ein Spot mit acht Einstellungen soll entstehen. In der Praxis fallen pro Einstellung drei bis fünf Versuche an, von denen einer in die Auswahl kommt. Bei einer durchschnittlichen Einstellungslänge von drei Sekunden entstehen also rund 24 finale Sekunden aus etwa 90 bis 120 Rohclips. Diese Zahl ist der eigentliche Planungswert.
Wer diesen Wert kennt, kann realistisch kalkulieren: Zeit für Prompting, Sichtung, Auswahl und Schnitt. Wird derselbe Spot später für drei weitere Formate und zwei Sprachen aufbereitet, kommt die Arbeit für Varianten hinzu, aber nicht die Konzeptarbeit. Genau hier liegt der Skalierungseffekt.
Visuelle Konsistenz: Figuren, Produkte, Markenlook
Konsistenz ist die häufigste Ursache für abgebrochene KI-Videoprojekte. Ein Clip sieht großartig aus, der nächste hat ein anderes Gesicht, eine andere Frisur, ein anderes Logo. Besonders auffällig wird das bei Kleidung und Händen, wo Modelle gern Details erfinden. Wer Konsistenz als eigenes Arbeitspaket behandelt, spart später die meiste Zeit.
Referenzbilder und Keyframes
Der zuverlässigste Ansatz ist, mit festen Referenzbildern zu arbeiten. Eine Figur wird über mehrere Aufnahmen hinweg mit denselben zwei bis drei Referenzen gefüttert, idealerweise frontal, im Profil und in einer halbnahen Einstellung. Keyframes definieren Anfang und Ende einer Szene, sodass die Bewegung dazwischen interpoliert wird, statt frei zu entstehen.
Für Produkte gilt dasselbe Prinzip. Drei Aufnahmen aus unterschiedlichen Winkeln, dazu ein Detailbild mit Textur oder Oberfläche. Diese Referenzen werden vor dem ersten Prompt in einem Ordner gesammelt und während der Produktion nicht mehr verändert. Jede Änderung mitten im Prozess erzeugt einen sichtbaren Bruch zwischen den Clips.
Stil- und Farbsteuerung
Markenlook besteht aus mehr als Farbwerten. Lichtrichtung, Kontrast, Filmkorn, Objektivcharakter und Farbtemperatur prägen den Wiedererkennungswert. Wer diese Parameter in einem kurzen Stilbriefing festhält und bei jedem Prompt erneut mitgibt, bekommt deutlich homogenere Ergebnisse als beim spontanen Formulieren.
Ein hilfreiches Vorgehen: Aus bestehendem Markenmaterial drei Referenzbilder auswählen und in Worten beschreiben, was sie gemeinsam haben. Diese Beschreibung wird zum festen Baustein jedes Prompts. Sie ist kürzer als sie klingt, etwa: weiches Seitenlicht, geringe Schärfentiefe, warme Farbtemperatur, ruhige Kameraführung.
Wo Konsistenz typischerweise bricht
Brüche entstehen meist an drei Stellen: bei schnellen Bewegungen, bei Nahaufnahmen von Gesichtern und beim Wechsel zwischen Innen- und Außenlicht. Gegenmaßnahmen sind kürzere, ruhigere Einstellungen, mehr Zwischenschnitte statt langer Fahrten und eine bewusste Reduktion der Szenenanzahl pro Clip.
Ein weiterer Bruch entsteht durch Text im Bild. Schriftzeichen werden von Modellen häufig verfremdet. Die praktikable Lösung ist, Text im Bild zu vermeiden und Beschriftungen im Schnitt als eigene Ebene darüberzulegen. Das ist schneller, sauberer und jederzeit korrigierbar.
Vom Briefing zum fertigen Clip: der Workflow in sieben Schritten
Ein reproduzierbarer Ablauf spart mehr Zeit als jedes einzelne Modell. Bewährt hat sich eine Kette, die man für jede Kampagne erneut durchläuft.
Schritt 1: Ziel und Format festlegen. Aussage, Zielgruppe, Länge und Seitenverhältnis werden vor der ersten Generierung definiert. Ohne diese Festlegung entstehen Clips, die später nicht zusammenpassen.
Schritt 2: Skript in Einstellungen zerlegen. Statt Sätze zu schreiben, entstehen acht bis zwölf Einstellungen mit klarer Funktion: Hook, Problem, Lösung, Beweis, Abschluss. Jede Einstellung bekommt eine Zeile mit dem, was zu sehen sein soll.
Schritt 3: Referenzmaterial sammeln. Produktfotos, Figurreferenzen, Stimmungsbilder und Farbpalette kommen in einen gemeinsamen Ordner. Dieser Ordner ist die wichtigste Datei im ganzen Projekt.
Schritt 4: Einzelbilder erzeugen. Zuerst Standbilder für jede Einstellung, denn Bildfehler sind billiger zu korrigieren als Bewegungsfehler. Erst wenn die Bilder stehen, geht es weiter.
Schritt 5: Animieren. Jetzt werden Clips generiert, mit festem Kontingent pro Einstellung. Nach fünf erfolglosen Versuchen wird nicht der Prompt weiter variiert, sondern die Einstellung selbst vereinfacht.
Schritt 6: Audio und Schnitt. Voice-over, Musik, Geräusche und Untertitel werden angelegt und mit dem Bild getaktet. Hier entscheidet sich, ob der Clip auch ohne Ton funktioniert.
Schritt 7: Varianten bauen und freigeben. Pro Kernaussage zwei bis drei Fassungen, danach Freigabe und Ausspielung. Die Varianten unterscheiden sich in Hook, Länge und Format, nicht in der Kernaussage.
Wichtig ist die Reihenfolge. Teams, die direkt Videos generieren, verwerfen mehr Material und verlieren den Überblick über ihre Referenzen. Wer dagegen mit Standbildern arbeitet, hat nach Schritt 4 bereits eine visuelle Geschichte, die sich im Notfall auch als Karussell oder statische Anzeige verwenden lässt.
Prompting für Video: was wirklich Wirkung zeigt
Videoprompts unterscheiden sich deutlich von Bildprompts. Sie beschreiben nicht nur ein Motiv, sondern eine Bewegung im Raum und über die Zeit. Entsprechend braucht ein guter Prompt Informationen über Handlung, Kamera, Licht und Tempo.
Aufbau eines brauchbaren Videoprompts
Eine brauchbare Struktur hat vier Teile: Motiv und Handlung, Kameraführung, Licht und Atmosphäre, Bewegungstempo. Ein Beispiel: Nahaufnahme einer Hand, die eine Flasche auf einen Steintisch stellt, langsame seitliche Kamerafahrt, weiches Seitenlicht am Morgen, ruhige Bewegung, kein Zoom. Je konkreter die Angaben zu Tempo und Kamerarichtung, desto berechenbarer das Ergebnis.
Wichtig ist Priorisierung. Wer Bewegung, Zoom, Stilwechsel und Text gleichzeitig verlangt, bekommt oft nichts davon sauber. Besser ist ein Prompt mit einer Hauptaussage und maximal zwei Nebenbedingungen.
Drei Prompt-Vorlagen für typische Aufgaben
Produktaufnahme: Ein Produkt steht auf einer neutralen Oberfläche, Kamera fährt langsam von links nach rechts, gleichmäßiges Studiolicht, keine Bewegung des Produkts, keine Hände im Bild.
Figur im Gespräch: Halbnahe Einstellung einer Person, die ruhig spricht, Kamera fest, weiches Licht von der Seite, minimaler Kopfbewegungsspielraum, neutraler Hintergrund ohne Ablenkung.
Atmosphärische Szene: Weite Einstellung einer Straße im Morgenlicht, leichte Bewegung von Blättern im Wind, statische Kamera, gedämpfte Farben, langsame Wolkenbewegung, kein Text im Bild.
Grenzen kennen: was Modelle nicht zuverlässig können
Zuverlässige Ergebnisse entstehen bei einfachen Handlungen mit klarer Bewegung. Schwierig bleiben komplexe Interaktionen, Schrift im Bild, Spiegelungen mit Logos und präzises Timing von Lippenbewegungen zu langen Sätzen. Wer diese Fälle kennt, plant sie im Schnitt ein, statt sie im Prompt zu erzwingen.
Ein häufiger Denkfehler ist, ein Modell für ein Problem verantwortlich zu machen, das eigentlich ein Drehbuchproblem ist. Wenn eine Einstellung nicht funktioniert, liegt es oft daran, dass sie zu viel in zu kurzer Zeit erklären soll. Kürzere Einstellungen mit einer Aufgabe lösen mehr als jeder Prompt-Trick.
Qualitätskontrolle und Freigabe
Ohne Prüfroutine wandert Fehlmaterial in die Ausspielung. Eine einfache Liste hilft: Sitzt die Komposition? Stimmen Farbe und Licht zur Marke? Sind Hände, Gesichter und Produktdetails plausibel? Passt die Bewegung zur Aussage? Und funktioniert der Clip auch ohne Ton? Wer diese fünf Fragen vor jeder Freigabe beantwortet, verhindert die meisten Nachbesserungen.
Zweistufige Freigabe
Sinnvoll ist ein zweistufiger Prozess. Zuerst eine technische Sichtung durch die produzierende Person, dann eine inhaltliche Freigabe durch Marketing und Markenverantwortliche. Beide Stufen sollten auf dieselbe kurze Prüfliste zurückgreifen, damit Rückmeldungen vergleichbar bleiben. Wer jede Anmerkung frei formuliert, diskutiert am Ende über Geschmack statt über Kriterien.
Zusätzlich lohnt sich ein Blick auf Konsistenz über die Serie: Sehen alle Clips aus wie aus derselben Kampagne? Erst diese Frage entscheidet, ob aus Einzelclips ein Wiedererkennungswert entsteht. Ein einfacher Test ist, die acht finalen Einstellungen nebeneinander auf einem Bildschirm zu betrachten. Fällt eine Einstellung heraus, gehört sie überarbeitet oder aussortiert.
Rechte, Datenschutz, Teamarbeit und Budget
Bei KI-Video stellen sich Fragen, die klassische Produktion so nicht kannte. Dürfen Referenzbilder realer Personen verwendet werden? Wie wird mit Gesichtern aus dem eigenen Team umgegangen? Welche Musik ist nutzbar? Und welche Werkzeuge dürfen sensible Produktfotos verarbeiten? Diese Fragen sollten vor dem ersten Projekt geklärt werden, nicht während der Ausspielung.
Eine praktikable Lösung ist ein kurzer interner Leitfaden: Welche Werkzeuge sind freigegeben, welche Daten dürfen hochgeladen werden, wer erteilt Freigaben und wie werden Ergebnisse archiviert. Dazu gehört eine einfache Namenskonvention für Dateien und Versionen, sonst geht nach zwei Wochen niemand mehr durch das Material.
Auf der Teamseite hat sich eine Rollenteilung bewährt: eine Person verantwortet Konzept und Skript, eine die Generierung und Bildauswahl, eine den Schnitt und die Ausspielung. Bei kleinen Teams lassen sich Rollen zusammenlegen, aber nicht die Reihenfolge. Die Trennung von Konzept und Umsetzung verhindert, dass die technische Machbarkeit die inhaltliche Idee dominiert.
Beim Budget ist weniger die Werkzeugfrage entscheidend als die Zeitfrage. Die größten Posten sind Konzeptarbeit, Sichtung und Variantenproduktion. Wer Sichtungszeit unterschätzt, plant zu knapp. Ein realistischer Ansatz ist, für jede finale Einstellung dieselbe Zeit für Auswahl und Prüfung einzuplanen wie für die Generierung selbst.
Häufige Fehler und Gegenmaßnahmen
Der häufigste Fehler ist, mit dem Video zu beginnen statt mit dem Bild. Wer Einstellungen zuerst als Standbilder aufbaut, spart ein Vielfaches an Zeit. Der zweite Fehler ist ein Prompt, der alles gleichzeitig will: Bewegung, Zoom, Stilwechsel und Text im Bild. Modelle reagieren auf Priorisierung deutlich besser.
Weitere typische Probleme und ihre Gegenmittel:
- Zu lange Einstellungen. Sie führen zu Qualitätsverlust und unklarer Bewegung. Gegenmittel: Einstellungen auf zwei bis vier Sekunden kürzen.
- Fehlende Referenzbilder. Köpfe und Produkte verändern sich von Clip zu Clip. Gegenmittel: fester Referenzordner, der während der Produktion nicht geändert wird.
- Fehlende Formatvarianten. Späteres Improvisieren beim Zuschnitt kostet Wirkung. Gegenmittel: Formate von Anfang an mitdenken.
- Freigaben ohne Kriterien. Diskussionen drehen sich im Kreis. Gegenmittel: dieselbe Prüfliste für alle Beteiligten.
- Übergenerierung. Fünfzig Clips für einen Zehn-Sekunden-Spot klingen produktiv, erzeugen aber Auswahlstress. Gegenmittel: festes Kontingent pro Einstellung mit klarer Abbruchregel.
- Kein Tonkonzept. Voice-over wird zu spät geplant und passt nicht zur Bildlänge. Gegenmittel: Sprechzeit vor der Generierung messen.
Ein unterschätzter Fehler ist der Verzicht auf Dokumentation. Wer nach drei Kampagnen nicht weiß, welche Referenzbilder und Prompt-Bausteine funktioniert haben, startet jedes Mal bei null. Ein kurzes Projekttagebuch mit den wichtigsten Bausteinen ist die günstigste Investition im ganzen Prozess.
FAQ und nächste Schritte
Braucht man für KI-Video spezielle Hardware? Die Generierung läuft meist in der Cloud, lokal sind vor allem Schnitt und Encoding relevant. Ein solider Rechner mit guter Grafikkarte hilft, ist aber keine Grundvoraussetzung.
Wie viele Clips pro Kampagne sind realistisch? Für einen typischen Social-Spot mit acht Einstellungen entstehen in der Praxis dreißig bis fünfzig Rohclips, aus denen acht bis zwölf finale Einstellungen werden. Bei mehreren Formaten steigt die Zahl der Ausspielungen, nicht die der Ideen.
Ersetzt KI klassische Videoproduktion? Nein, aber sie verschiebt die Grenze. Aufwendige Markenfilme bleiben Handarbeit, während Varianten, Tests und Nischenformate zunehmend automatisiert entstehen. Beide Wege ergänzen sich.
Wie geht man mit mehreren Sprachen um? Die Bildbasis bleibt gleich, geändert werden Voice-over, Untertitel und gegebenenfalls Textlängen im Bild. Wichtig ist, Sprechzeit pro Sprache neu zu messen, weil sich Satzlängen unterscheiden.
Wie lang sollte ein Clip sein? So kurz wie möglich und so lang wie nötig. Für Performance-Formate funktionieren sechs bis fünfzehn Sekunden meist besser als dreißig, weil die Aussage klarer wird und die Produktion schneller geht.
Woran erkennt man, dass ein Workflow reif ist? Wenn eine neue Kampagne ohne Erklärung durchgeführt werden kann und die Ergebnisse über mehrere Wochen konsistent bleiben. Erst dann lohnt es sich, den Prozess zu skalieren.
Der beste Einstieg ist ein klar abgegrenztes Pilotprojekt: ein Produkt, ein Format, eine Zielgruppe, feste Referenzbilder und eine Prüfliste für die Freigabe. Nach dem Pilot wird der Ablauf dokumentiert und erst dann ausgeweitet. Wer so vorgeht, behandelt KI-Video nicht als Werkzeugkasten, sondern als Produktionsprozess. Und genau diese Verlässlichkeit entscheidet darüber, ob aus einzelnen Clips eine Kampagne wird.
