KI-Video-Workflow: Leitfaden von der Idee bis zur Auslieferung

Warum ein stabiler Workflow wichtiger ist als das beste Modell

Wer heute ein KI-Video produzieren möchte, hat selten ein Werkzeugproblem, sondern ein Prozessproblem. Die Auswahl an generativen Videomodellen wächst schneller, als ein einzelnes Team sie testen kann, und fast jedes Modell liefert in einer kurzen Demo beeindruckende Ergebnisse. Im echten Projekt entscheidet jedoch nicht das Modell über die Qualität, sondern die Kette aus Konzept, Referenzmaterial, Konsistenzkontrolle, Ton und Nachbearbeitung. Ein mittelmäßiges Modell in einem disziplinierten Workflow schlägt fast immer ein Spitzenmodell in einem chaotischen.

Die tragenden Säulen eines solchen Workflows lassen sich in sechs Punkten zusammenfassen:

Kreative Vorgaben: Eine kurze schriftliche Definition von Zielgruppe, Tonalität, Bildsprache und Format verhindert, dass jede Szene neu verhandelt wird.
Prompt-Standards: Ein festes Satzschema für Prompts sorgt dafür, dass Ergebnisse reproduzierbar bleiben und nicht vom Zufall abhängen.
Referenzmaterial: Konsistente Figur, konsistente Umgebung und konsistenter Look brauchen visuelle Anker, nicht nur Adjektive.
Versionskontrolle: Jede brauchbare Einstellung bekommt eine klare Dateibenennung, damit gute Ergebnisse nicht in einem Ordner mit zweihundert Clips verschwinden.
Prüfprozess: Eine feste Checkliste für Artefakte, Text im Bild, Anatomie und Bewegung spart deutlich mehr Zeit als das spätere Nachbessern.
Dokumentation: Parameter, Seeds und Modellversionen werden notiert, sonst ist ein gelungener Shot nicht wiederholbar.

Teams, die diese Punkte ernst nehmen, reduzieren Nacharbeit spürbar. Der zweite Effekt ist noch wertvoller: Sie bauen eine wiederverwendbare Bibliothek auf, bestehend aus Figuren, Sets, Stimmprofilen und Look-Vorlagen, die jedes neue Projekt beschleunigt. Aus einzelnen Videos wird so eine Produktionslinie statt einer Abfolge von Einzelversuchen.

Die fünf Phasen einer KI-Videoproduktion im Überblick

Wer KI-Video zum ersten Mal in einem bezahlten Projekt einsetzt, neigt dazu, sofort mit der Generierung zu beginnen. Der bessere Einstieg ist eine klare Phasenstruktur. Sie ist nicht starr, aber sie macht sichtbar, wo ein Projekt gerade hängt.

Phase	Ziel	Typische Ergebnisse	Häufigstes Risiko
Konzept und Skript	Geschichte und Aussage festlegen	Treatment, Szenenblatt, Voice-over-Text	Unklare Aussage, die später nicht mehr zu retten ist
Visuelle Entwicklung	Look und Bildsprache definieren	Stil-Referenzen, Farbpalette, erste Testbilder	Zu viele Stile gleichzeitig
Generierung und Iteration	Szenen materialisieren	Shot-Bibliothek, Varianten, Auswahl	Zu wenige Alternativen pro Einstellung
Ton und Schnitt	Rhythmus und Verständlichkeit	Vertonung, Musik, Schnittfassung	Bild und Ton erzählen unterschiedliche Dinge
Prüfung und Auslieferung	Qualität sichern	Freigabefassung, Exportvarianten	Format- und Loudness-Fehler kurz vor Abgabe

Wichtig ist die Rückkopplung: Nach der ersten Schnittfassung fallen fast immer Lücken im Skript auf, und nach der Vertonung ändert sich oft das Timing einzelner Einstellungen. Planen Sie deshalb bewusst eine Iterationsschleife zwischen Generierung und Schnitt ein, statt sie als Ausnahme zu behandeln. Wer diese Schleife einplant, verliert keine Zeit, sondern gewinnt Übersicht.

Ein praktischer Tipp für den Einstieg: Begrenzen Sie die erste Fassung auf fünf bis acht Einstellungen mit je drei bis fünf Sekunden. Diese Länge lässt sich in einem Arbeitstag vollständig durchlaufen, inklusive Ton und Prüfung. Wer stattdessen mit einem Dreiminüter beginnt, lernt vor allem, wie viele Fehler sich über zwanzig Einstellungen hinweg addieren.

Phase eins: Konzept, Skript und visuelle Referenz

Vom Briefing zum Szenenblatt

Ein KI-Video braucht ein präziseres Szenenblatt als eine klassische Produktion, weil jede Einstellung einzeln beschrieben werden muss. Bewährt hat sich eine Tabelle mit fünf Spalten: Einstellungsnummer, Dauer, Bildinhalt, Kamerabewegung, Ton. Diese Tabelle ist später gleichzeitig die Arbeitsliste für die Generierung und die Checkliste für den Schnitt.

Halten Sie die Einstellungen kurz. Generierte Bewegung verliert ab etwa acht bis zehn Sekunden meist an Stabilität, Details zerfallen, Proportionen driften. Drei bis fünf Sekunden pro Einstellung sind ein robustes Arbeitsmaß; längere Passagen entstehen besser aus mehreren kurzen Einstellungen, die im Schnitt verbunden werden.

Eine Prompt-Struktur, die sich wiederholen lässt

Zufällig formulierte Prompts führen zu zufälligen Ergebnissen. Ein festes Schema hilft:

Motiv: Wer oder was ist zu sehen, inklusive Kleidung, Material und Alter.
Aktion: Was passiert genau, in einer überschaubaren Zeitspanne.
Kamera: Perspektive, Brennweite, Bewegung, Höhe.
Licht: Tageszeit, Richtung, Qualität, Kontrast.
Stil: Realismus, Filmkorn, Farbpalette, Referenzepoche.
Format: Seitenverhältnis, Bildrate, gewünschte Schärfentiefe.

Dieselbe Reihenfolge bei jedem Prompt macht Ergebnisse vergleichbar. Wenn eine Einstellung nicht funktioniert, ändern Sie genau eine Variable, nicht drei. So lernen Sie, welcher Teil des Prompts das Ergebnis tatsächlich steuert.

Referenzbilder als Anker

Beschreibende Worte sind mehrdeutig, Bilder sind es nicht. Legen Sie für jedes Projekt drei bis fünf Referenzbilder fest: eine Figur, eine Umgebung, ein Lichtsetup, eine Farbstimmung. Diese Referenzen gehören in ein eigenes Verzeichnis und werden bei jeder Einstellung mitgeliefert. Der Effekt ist meist größer als jede weitere Prompt-Feinjustierung.

Phase zwei: Bild- und Videogenerierung mit klaren Vorgaben

Text-zu-Video oder Bild-zu-Video

Text-zu-Video eignet sich für offene Einstellungen: Landschaften, Atmosphäre, abstrakte Übergänge, Establishing Shots. Bild-zu-Video ist die bessere Wahl, sobald eine Figur, ein Produkt oder ein konkretes Set wiedererkennbar bleiben muss. Der Grund ist einfach: Das Startbild legt Komposition, Proportion und Look fest, das Modell füllt nur noch die Bewegung.

Eine pragmatische Aufteilung für Werbe- und Erklärformate: etwa zwei Drittel der Einstellungen als Bild-zu-Video mit vorab freigegebenem Referenzbild und ein Drittel als Text-zu-Video für Umgebung und Übergänge.

Die Parameter, die wirklich zählen

Nicht jede Einstellung im Werkzeug ist relevant. Erfahrungsgemäß beeinflussen diese Werte das Ergebnis am stärksten:

Länge: kurz halten, lieber mehrere Takes als ein langer Durchlauf.
Bewegungsintensität: niedrig beginnen, dann erhöhen; zu viel Bewegung erzeugt Geisterbilder.
Seed: notieren, sobald eine Einstellung brauchbar ist, denn Seeds sind die Grundlage für reproduzierbare Varianten.
Bildrate: konsistent über das gesamte Projekt, sonst wirkt der Schnitt unruhig.
Auflösung: in der Zielauflösung oder höher generieren, nicht später hochskalieren.
Kamerabewegung: eine Bewegung pro Einstellung, nicht zwei gleichzeitig.

In Serien arbeiten, nicht in Einzelversuchen

Ein verbreiteter Anfängerfehler ist die Suche nach dem einen perfekten Prompt. Produktiv ist das Gegenteil: Formulieren Sie einen Prompt, generieren Sie sechs bis zehn Varianten, wählen Sie zwei aus, notieren Sie Seed und Parameter. Aus diesen beiden entstehen durch kleine Änderungen weitere Varianten. So wächst pro Einstellung eine kleine Auswahl, aus der der Schnitt schöpfen kann.

Legen Sie außerdem fest, wer auswählt. Wenn Generierung und Auswahl in derselben Person liegen, bleibt oft das technisch beeindruckendste Bild statt des erzählerisch passenden. Eine zweite Meinung, selbst eine schnelle, verbessert die Trefferquote deutlich.

Phase drei: Konsistenz über Szenen hinweg sichern

Konsistenz ist der Punkt, an dem KI-Videos professionell oder amateurhaft wirken. Sie betrifft drei Ebenen: Figur, Stil und Umgebung.

Figurenkonsistenz

Definieren Sie eine Figurenkarte: Gesichtsform, Frisur, Kleidung, Accessoires, Körperhaltung, Stimme. Diese Karte enthält Referenzbilder aus mehreren Winkeln, etwa frontal, Halbprofil, Profil und Rückansicht. Bei jedem Auftritt wird dieselbe Karte verwendet. Wo das Werkzeug es unterstützt, hilft zusätzlich ein auf die Figur trainiertes Modell oder ein Referenzmodus mit stabiler Identität.

Praktische Regeln: Eine Figur nicht im Profil einführen, wenn später frontale Nahaufnahmen nötig sind. Details wie Brillen oder Narben nur verwenden, wenn sie in jeder Einstellung konsistent erzeugt werden können. Ein nicht durchgehaltenes Detail fällt dem Publikum stärker auf als ein fehlendes.

Stil- und Farbkonsistenz

Ein Projekt braucht eine kleine Stildefinition: zwei bis drei Grundfarben, eine Lichtrichtung, ein Kontrastniveau, eine Entscheidung zu Filmkorn und Schärfentiefe. Diese Definition gehört in ein einseitiges Dokument, das alle Beteiligten kennen. Bei der Nachbearbeitung sorgt eine gemeinsame Farbkorrektur dafür, dass unterschiedlich generierte Einstellungen zusammenwachsen. Ein leichtes Korn und eine identische Gradationskurve glätten Unterschiede zwischen Modellen und Arbeitssitzungen zuverlässig.

Umgebung und Requisiten

Sets sollten ebenfalls als Referenz existieren, nicht nur als Beschreibung. Wenn eine Szene in einem Café spielt, definieren Sie Tische, Fensterlicht, Wandfarbe und Requisiten einmal und verwenden Sie dieselben Referenzen in allen Einstellungen. Achten Sie besonders auf wiederkehrende Gegenstände: Tassen, Logos, Fahrzeuge, Möbel. Solche Objekte sind die klassischen Konsistenzbrecher und sollten in der Prüfliste weit oben stehen.

Phase vier: Ton, Schnitt und Erzählrhythmus

Stimme und Sprachsynchronisation

Für Voice-over gilt dasselbe Prinzip wie für Bilder: ein festes Stimmprofil, einmal festgelegt, dann durchgehalten. Achten Sie auf Sprechtempo, Pausenlänge und Betonung. Bei Dialogszenen ist die Lippensynchronisation die kritischste Stelle. Wenn sie nicht überzeugend gelingt, ist es oft besser, die Figur abgewandt zu zeigen oder auf Voice-over zu wechseln, statt eine halb passende Bewegung zu erzwingen.

Planen Sie eine Tonfassung vor dem finalen Bildschnitt. Wenn Sprache zuerst steht, bestimmt sie das Timing und erspart das mühsame Kürzen von Bildern auf eine bereits fertige Tonspur.

Musik und Klangdesign

Musik trägt bei KI-Videos mehr als in klassischen Produktionen, weil sie Brüche im Bildmaterial überdeckt. Wählen Sie ein Thema mit klarer Struktur und setzen Sie Akzente an den Schnittpunkten. Raumatmosphäre wie Wind, Hall oder Stadtgeräusche macht generierte Bewegung glaubwürdiger. Ein häufiger Fehler ist eine durchgehend laute Musikbett-Ebene: Sie lässt kurze Bildfehler hervortreten, statt sie zu kaschieren.

Schnittrhythmus

Schneiden Sie auf Bewegung, nicht auf Standbilder. Wenn sich eine Figur dreht oder eine Kamera schwenkt, liegt der Schnittpunkt natürlich im Bewegungsfluss. Halten Sie Einstellungen mit stabiler Bewegung länger, kürzen Sie instabile Passagen. Ein bewährter Richtwert: Dialog- und Erklärformate schneiden eher langsam, Social-Clips deutlich schneller, aber selten unter eine Sekunde pro Einstellung.

Phase fünf: Qualitätskontrolle, Export und Auslieferung

Die Prüfliste vor der Freigabe

Prüfen Sie jede Einstellung in der finalen Auflösung, nicht in der Vorschau. Typische Fehlerquellen:

Anatomie: Hände, Finger, Zähne, Ohren und Schuhwerk sind die häufigsten Problemzonen.
Text im Bild: Schilder, Logos und Bildschirminhalte sind meist unbrauchbar und sollten ersetzt oder vermieden werden.
Morphing: Übergänge, in denen sich Objekte auflösen oder ineinanderfließen.
Flimmern: Helligkeitsschwankungen und Rauschen, besonders in dunklen Flächen.
Bewegungskontinuität: Blickrichtung, Achsensprung, Fahrtrichtung von Fahrzeugen.
Ton: Lautheit, Aussprache, harte Schnitte, ungewollte Stille.
Untertitel: Zeilenlänge, Lesegeschwindigkeit, Position in allen Formaten.

Versionierung und Dateibenennung

Ein Schema wie projekt_szene_einstellung_version erleichtert die Arbeit erheblich. Behalten Sie generierte Rohclips und freigegebene Fassungen getrennt. Löschen Sie Rohmaterial erst, wenn die Auslieferung abgeschlossen ist, denn ein späterer Änderungswunsch ist der Normalfall, nicht die Ausnahme.

Export und Zielformate

Eine Auslieferung umfasst heute meist mehrere Seitenverhältnisse: 16:9 für Web und Präsentation, 9:16 für Kurzformate, gelegentlich 1:1 oder 4:5 für Feeds. Generieren Sie nicht für jedes Format neu, sondern planen Sie den sicheren Bildbereich bereits bei der Komposition und im Prompt ein. Für die Ausgabe eignen sich H.264 oder H.265 für die Verteilung und ein ProRes- oder vergleichbares Master für die Archivierung. Prüfen Sie Lautheit und Untertitel für jede Variante separat.

Modell- und Werkzeugauswahl: Entscheidungskriterien statt Hype

Neue Videomodelle erscheinen in hoher Frequenz, und jede Ankündigung verspricht einen Sprung. Für die Praxis ist nicht entscheidend, welches Modell gerade die schönsten Beispiele zeigt, sondern welches die Anforderungen Ihres Formats erfüllt. Bewerten Sie Kandidaten nach diesen Kriterien:

Kriterium	Frage, die Sie beantworten sollten
Stilkontrolle	Wie genau lässt sich ein definierter Look reproduzieren?
Figurenkonsistenz	Bleibt eine Figur über mehrere Einstellungen identisch?
Bewegung	Wie stabil sind Bewegung und Kamera bei drei bis acht Sekunden?
Steuerbarkeit	Gibt es Referenzbilder, Seeds, Masken, Kameraparameter?
Länge und Auflösung	Reichen die maximalen Werte für das Zielformat?
Durchsatz	Wie viele brauchbare Einstellungen entstehen pro Arbeitsstunde?
Aufwand pro verwertbarer Sekunde	Nicht Listenpreis, sondern Arbeit bis zur Freigabe.
Lizenz und Nutzungsrechte	Dürfen die Ergebnisse kommerziell verwendet werden?
Integration	Passt die Ausgabe in den bestehenden Schnitt- und Tonprozess?

Die wichtigste Kennzahl ist die letzte Zeile in der Praxis: der Aufwand pro verwertbarer Sekunde. Ein Werkzeug, das doppelt so lange für eine brauchbare Einstellung braucht, ist teuer, auch wenn sein Preis niedrig erscheint. Umgekehrt kann ein Werkzeug mit höherem Preis günstiger sein, wenn es weniger Nacharbeit erzeugt.

Arbeiten Sie bewusst mit zwei bis drei Modellen statt mit einem einzigen: eines für Realismus, eines für stilisierten Look, eines für schnelle Entwürfe. Legen Sie fest, welches Modell welche Aufgabe übernimmt, damit die Auswahl nicht bei jeder Einstellung neu diskutiert wird. Diese Zuordnung gehört in das Projektbriefing, nicht in den Kopf einer einzelnen Person.

Typische Fehler und wie man sie vermeidet

Zu lange Einstellungen generieren. Alles über zehn Sekunden zerfällt meist. Lösung: in kurze Einstellungen aufteilen und im Schnitt verbinden.
Zu viele Variablen gleichzeitig ändern. Dann ist nicht nachvollziehbar, was gewirkt hat. Lösung: eine Änderung pro Durchlauf.
Ohne Referenzbilder arbeiten. Beschreibungen sind mehrdeutig, Bilder nicht. Lösung: Bildreferenzen für Figur, Set und Licht.
Seeds nicht dokumentieren. Ein gelungener Shot lässt sich nicht wiederholen. Lösung: Seed und Parameter im Dateinamen oder in einer Projektliste festhalten.
Ton zuletzt planen. Nachträglich aufgezwungene Sprache zerstört das Timing. Lösung: Voice-over vor dem Feinschnitt.
Text im Bild erzeugen lassen. Schilder und Bildschirme bleiben unzuverlässig. Lösung: Flächen freihalten und Text in der Nachbearbeitung einsetzen.
Ein Format für alle Kanäle. 16:9 nach 9:16 zu beschneiden kostet Bildinhalt. Lösung: sicheren Bereich früh einplanen.
Nur eine Person prüft. Wer generiert, ist betriebsblind. Lösung: kurze zweite Freigabe vor dem finalen Export.
Rechte ignorieren. Nutzungsbedingungen ändern sich. Lösung: Lizenzfragen vor Projektbeginn klären, nicht danach.
Qualität mit Auflösung verwechseln. 4K rettet keine schwache Komposition. Lösung: erst Inhalt und Dramaturgie, dann Technik.

FAQ: häufige Fragen zum KI-Video-Workflow

Wie lang sollte ein erstes KI-Video sein?
Fünf bis acht Einstellungen mit insgesamt 20 bis 40 Sekunden. Diese Länge lässt sich vollständig durchlaufen, inklusive Ton und Prüfung, und zeigt bereits alle typischen Probleme eines größeren Projekts.

Brauche ich für jede Einstellung ein eigenes Modell?
Nein. Zwei bis drei Modelle mit klar getrennten Aufgaben reichen. Wichtiger als die Anzahl ist, dass die Aufgabenverteilung einmal festgelegt und dokumentiert wird.

Wie verhindere ich, dass meine Figur in jeder Szene anders aussieht?
Mit einer Figurenkarte aus mehreren Referenzbildern, einem stabilen Stimmprofil und möglichst wenigen wechselnden Details. Wo das Werkzeug ein Training auf die Figur erlaubt, ist das der zuverlässigste Weg.

Ist Bild-zu-Video immer besser als Text-zu-Video?
Nicht immer. Für Landschaften, Atmosphäre und Übergänge ist Text-zu-Video oft schneller. Sobald Wiedererkennbarkeit gefordert ist, ist Bild-zu-Video die bessere Wahl.

Wie gehe ich mit unbrauchbaren Händen um?
Einstellung kürzen, einen Bildausschnitt wählen, der Hände aus dem Bild nimmt, oder die Aktion ändern. Nachbearbeitung ist möglich, aber selten wirtschaftlich.

Wie viele Durchläufe sollte ich pro Einstellung einplanen?
Planen Sie sechs bis zehn Generierungen und zwei bis drei Auswahlrunden ein. Wer weniger plant, produziert Nacharbeit im Schnitt.

Was gehört in ein Projektarchiv?
Referenzbilder, Figurenkarten, Prompt-Liste mit Seeds, Rohclips, Tonfassungen, Schnittprojekt und Master-Export. Ohne diese Bestandteile ist eine spätere Änderung aufwendig und teuer.