Warum KI-Videoerstellung jetzt ein Handwerk ist
Generative Videomodelle liefern längst mehr als beeindruckende Kurzclips. Sie erzeugen verwertbares Rohmaterial für Werbespots, Erklärvideos, Musikvideos und Social-Kampagnen. Der eigentliche Wandel liegt nicht in spektakulären Einzelbeispielen, sondern in der Zuverlässigkeit: Figuren bleiben über mehrere Einstellungen hinweg erkennbar, Kamerabewegungen lassen sich beschreiben, und Referenzbilder steuern Stil sowie Bildaufbau deutlich präziser als noch vor kurzer Zeit. Damit verschiebt sich der Engpass. Die Frage lautet nicht mehr „Kann ein Modell diese Szene erzeugen?“, sondern „Wie organisiere ich zwanzig oder fünfzig Clips so, dass daraus eine Geschichte mit Haltung entsteht?“
Genau hier trennt sich Experiment von Produktion. Wer planlos generiert, sammelt hübsche Fragmente und verbringt anschließend Stunden in der Nachbearbeitung, um Brüche zu kaschieren. Wer einen Workflow hat, produziert schneller, günstiger und vor allem wiederholbar.
Die Einsatzfelder unterscheiden sich dabei deutlich. Ein Social-Clip lebt von Tempo, Kontrast und einer klaren ersten Sekunde. Ein Erklärvideo braucht Verständlichkeit, ruhige Bildfolgen und sauberen Ton. Ein Musikvideo darf assoziativ arbeiten und mit Stilbrüchen spielen. Ein Prototyp oder Previsualisierung für eine klassische Produktion wiederum muss vor allem eines: die Bildidee überzeugend transportieren, nicht perfekt aussehen. Wer sein Projekt früh in eine dieser Kategorien einordnet, trifft später jede Entscheidung leichter – von der Schnittfrequenz bis zur Frage, ob ein Sprecher nötig ist.
Dieser Leitfaden beschreibt einen Ablauf Schritt für Schritt, von der ersten Idee bis zur exportfertigen Fassung, inklusive Modellauswahl, Konsistenztechniken, Ton und den Fehlern, die Projekte regelmäßig ausbremsen.
Die Bausteine eines stabilen KI-Video-Workflows
Ein belastbarer Ablauf besteht aus fünf Phasen. Jede Phase endet mit einem greifbaren Ergebnis, das die nächste trägt. Wird eine Phase übersprungen, rächt sich das später fast immer als Nacharbeit.
Konzept und Treatment
Ein Treatment von einer Seite genügt in den meisten Fällen: Kernaussage in einem Satz, Zielgruppe, Format (Seitenverhältnis, Ziellänge), Tonfall und zwei bis drei Referenzfilme. Dazu gehört eine realistische Einschätzung des Aufwands. Rechenzeit, Iterationen und Nachbearbeitung sind keine Nebensache, sondern ein fester Block im Zeitplan. Wer für einen 60-Sekunden-Spot hundert Einstellungen plant, wird nicht in zwei Tagen fertig. Wer achtzehn Einstellungen plant und sechs davon verwerfen kann, arbeitet entspannt.
Referenzen und Stilbibel
Die Stilbibel ist die wichtigste Datei im Projekt. Sie hält Farbpalette, Lichtsetzung, Objektivgefühl, Materialität, Bewegungssprache und verbotene Elemente fest. Dazu kommen Referenzbilder als Stills, nicht als Clips, weil Standbilder klare und wiederholbare Vorgaben liefern. Ebenso wichtig ist ein festes Prompt-Vokabular. Wenn dieselbe Lichtsituation einmal als „weiches Seitenlicht“ und einmal als „soft key light from the left“ beschrieben wird, erzeugt das Modell zwei unterschiedliche Welten.
Generierung in kleinen Chargen
Pro Einstellung zwei bis vier Varianten, dann weiter. Große Chargen mit dreißig Versionen desselben Shots fühlen sich produktiv an, führen aber zu Entscheidungsmüdigkeit – und am Ende wird doch die erste Version genommen. Feste Seeds und eine unveränderte Prompt-Basis machen Varianten tatsächlich vergleichbar. Bei Kamerabewegungen gilt: eine Bewegung pro Einstellung. Wer gleichzeitig schwenkt, zoomt und die Figur laufen lässt, bekommt meist ein instabiles Ergebnis mit verzerrten Details.
Auswahl und Kennzeichnung
Ein Dateiname wie szene03_shot02_v2_seed11847 ist unspektakulär, rettet aber Abende. Zusätzlich lohnt ein kurzer Prompt-Log: Welcher Text erzeugte welches Ergebnis, welcher Seed wurde verwendet, welches Referenzbild war aktiv? Ohne diese Notizen ist eine Nachgenerierung Wochen später reines Raten.
Postproduktion und Ausgabe
Erst schneiden, dann veredeln. Ausgabeformate für 16:9, 9:16 und 1:1 gehören von Anfang an in die Planung, weil Bildkomposition, Bildunterschriften und Textplatzierung sonst komplett neu gebaut werden müssen.
Auch bei einer Einzelperson lohnt es sich, diese fünf Phasen gedanklich als Rollen zu trennen: Regie und Dramaturgie, Bildgestaltung und Prompting, Ton sowie Schnitt und Freigabe. Wer alles gleichzeitig macht, neigt dazu, sich in Details zu verlieren, während die Geschichte noch nicht steht.
Von der Idee zum Treatment und Storyboard
Eine Aufgabe pro Einstellung
Jede Einstellung braucht einen Grund: Information, Emotion, Rhythmus oder Übergang. Einstellungen ohne Aufgabe fallen im Schnitt ohnehin heraus – und kosten vorher Rechenzeit. Wer vor dem Generieren notiert, was eine Einstellung leisten soll, trifft später schnellere Entscheidungen.
Storyboard aus generierten Standbildern
Standbilder entstehen deutlich schneller und günstiger als Videoclips. Ein Storyboard aus zwölf bis zwanzig generierten Stills zeigt früh, ob Stil, Figuren, Perspektiven und Proportionen zusammenpassen. Fehler, die hier auffallen, kosten Minuten. Dieselben Fehler nach der Videogenerierung kosten Stunden oder einen halben Produktionstag.
Animatic vor der Videoproduktion
Stills in der geplanten Reihenfolge zusammenlegen, grobe Dauer vergeben, Musik darunter und das Timing prüfen. Ein Animatic aus unbewegten Bildern verrät erstaunlich viel: ob eine Pointe zu spät kommt, ob ein Übergang funktioniert, ob eine Einstellung zu kurz ist. Erst danach lohnt sich die Videogenerierung.
Die Einstellungsliste als Arbeitsdokument
Eine einfache Tabelle reicht: Nummer, Beschreibung, Bildausschnitt, Kamerabewegung, geschätzte Dauer, Ton und Status. Diese Liste wird zum zentralen Steuerungsinstrument, weil sie zeigt, welche Einstellungen noch fehlen und welche bereits abgenommen sind. Ohne sie entsteht schnell das Gefühl, fast fertig zu sein, obwohl die Hälfte der Übergänge noch nicht existiert.
Modellauswahl: Entscheidungskriterien statt Modelljagd
Die Modelllandschaft wächst schneller, als Teams sie testen können. Neue Versionen erscheinen im Wochenrhythmus, und jede Beispielgalerie sieht spektakulär aus. Für die tägliche Arbeit zählt etwas anderes: Passt das Modell zu meiner konkreten Aufgabe? Ein Modell, das in Demos glänzt, kann bei ruhigen Dialogszenen schwächeln, und umgekehrt.
Prüfszenen statt Demo-Reels
Ein eigenes Testset aus fünf bis sieben Szenen liefert belastbare Aussagen: Nahaufnahme eines sprechenden Gesichts, eine gehende Figur im Gegenlicht, Hände, die ein Objekt halten, eine langsame Kamerafahrt durch einen Raum, eine Szene mit lesbarem Text, eine Figur, die die Emotion wechselt, und eine kurze Interaktion zweier Figuren. Pro Modell einmal durchlaufen, Ergebnisse nebeneinanderlegen. Diese Stunde investiert sich in jedem Projekt zurück.
Die Bewertungsmatrix
Sinnvolle Kriterien: Bewegungstreue und Physik, Kontrolle über Kamera und Bildausschnitt, Charakterkonsistenz bei Referenzbildern, Detailqualität bei Händen und Schrift, maximale Clip-Länge, Geschwindigkeit pro Iteration, Prompt-Verständnis und Lizenzbedingungen für kommerzielle Nutzung. Diese Kriterien lassen sich mit Punkten von eins bis fünf bewerten; die Summe macht Modellwechsel zu einer sachlichen statt einer Bauch-Entscheidung.
Wann ein Wechsel sinnvoll ist
Nie mitten in einer laufenden Produktion, wenn Konsistenz gefragt ist. Ein Modellwechsel verändert Physik, Farbanmutung und Gesichtszüge. Besser am Projektende testen, Ergebnisse dokumentieren und beim nächsten Projekt umstellen.
Spezialisierte Modelle gezielt einsetzen
Manche Modelle sind auf Anime-Ästhetik, 3D-Render-Optik, Produktaufnahmen, Lip-Sync oder Bewegungstransfer spezialisiert. Sie schlagen Allrounder im jeweiligen Feld und funktionieren als Ergänzung, nicht als Ersatz: Hauptszenen im Basismodell, Spezialaufgaben im Spezialisten.
Kosten und Aufwand nüchtern einordnen
Kosten entstehen über Abonnements, Rechenzeit oder nutzungsbasierte Abrechnung – und indirekt über Arbeitszeit. Der zweite Punkt wird oft unterschätzt. Ein günstigeres Modell, das doppelt so viele Iterationen braucht, ist in der Praxis teurer. Wer den Aufwand pro fertiger Einstellung misst, statt nur den Preis pro Generierung, trifft die wirtschaftlichere Wahl.
Konsistenz über mehrere Szenen sichern
Konsistenz ist der teuerste Teil jeder KI-Produktion. Sie entsteht nicht durch ein einzelnes gutes Modell, sondern durch wiederholbare Vorgaben.
Referenzbilder und Figurenbögen
Zwei bis vier Referenzbilder pro Figur: frontal, Halbprofil, Ganzkörper und einmal in der Kleidung der jeweiligen Szene. Je klarer die Merkmale (Haarfarbe, Frisur, Brille, Kleidung, Alter), desto stabiler die Ergebnisse. Wer eine Figur erst nach zehn generierten Szenen als Referenz hinterlegt, darf vieles neu machen.
Bild-zu-Video, Startframe und Endframe
Die zuverlässigste Technik: Erst ein Bild erzeugen, das exakt den gewünschten Bildausschnitt und die Lichtsituation zeigt, dann daraus Video generieren. Wo Start- und Endframe unterstützt werden, lassen sich Übergänge planen und Zwischenbewegungen steuern. Das reduziert Zufall erheblich.
Licht, Farbe und Objektiv konstant halten
Ein Prompt-Gerüst im Projekt festhalten hilft:
[Figur] in [Umgebung], weiches Seitenlicht, 35 mm, flache Schärfentiefe,
entsättigte Palette, ruhige Kamera, keine Texte im Bild
Solche Bausteine sorgen dafür, dass alle Einstellungen aus derselben Welt zu stammen scheinen.
Kontinuitätsliste führen
Neben Figuren gibt es Requisiten, Tageszeiten, Wetter und Kleidung. Eine kurze Kontinuitätsliste verhindert Klassiker wie die Kaffeetasse, die zwischen zwei Einstellungen die Farbe wechselt, oder die Jacke, die plötzlich verschwindet. Diese Liste ist auch bei kurzen Projekten sinnvoll, weil sie beim Generieren als Checkliste dient.
Übergänge lieber in der Post bauen
Modelle erzwingen Übergänge selten sauber. Harte Schnitte, Blenden, Whip-Pans oder Überlagerungen gehören in die Schnittsoftware, wo sie präzise und wiederholbar sind.
Ton, Sprache und Sounddesign
Stimme und Lip-Sync
Für Entwürfe und Animatics reicht synthetische Sprachausgabe. Für finale Fassungen lohnt sich bei Marken- und Unternehmensfilmen eine echte Sprecherstimme. Beide Wege profitieren davon, dass der Text vor der Videoerzeugung final steht – nachträglich das Timing zu ändern, kostet zusätzliche Durchläufe.
Atmosphäre, Geräusche, Foley
Generierte Clips sind stumm und wirken ohne Klang flach. Drei Ebenen genügen meist: eine Raum-Atmosphäre, einzelne Geräusche für sichtbare Aktionen und eine Musikspur. Ambience über alle Einstellungen hinweg hält eine Szene zusammen; ein Bruch in der Ambience fällt Zuschauern sofort auf, auch wenn sie ihn nicht benennen können.
Dialogtiming und Pausen
Sprechpassagen brauchen Luft. Wer Sätze ohne Pausen aneinanderreiht, erzeugt Hektik und macht Betonungen unhörbar. Ein bis zwei Sekunden Stille vor einer wichtigen Aussage wirken stärker als jede Klangverstärkung.
Musik zuerst, Schnitt danach
Musik bestimmt das Tempo. Wer zuerst schneidet und dann Musik sucht, baut sich eine aufwendige Anpassungsrunde. Besser: Musik auswählen, Beats markieren, dann Schnittlängen anpassen.
Postproduktion: Schnitt, Farbe, Upscaling
Schnitt
Zuerst die Geschichte, dann die Schönheit. Der erste Durchgang sortiert nur Reihenfolge und Aussage; erst im zweiten wird auf Details, Kürze und Rhythmus optimiert. Auffällige Clips, die nichts erzählen, gehören aussortiert – auch wenn sie technisch beeindruckend sind.
Farbkorrektur und Vereinheitlichung
Jeder Clip kommt mit eigener Farbanmutung. Eine gemeinsame LUT, angeglichener Kontrast und eine leichte Filmkörnung lassen unterschiedliche Modelle optisch verschmelzen. Werkzeuge wie DaVinci Resolve bieten dafür kostenlose Node-Workflows, die für die meisten Projekte ausreichen.
Upscaling und Export
Ausgabeauflösungen und Varianten früh festlegen. Upscaling-Werkzeuge glätten Kanten, können aber Artefakte verstärken, wenn Quellmaterial unsauber ist. Deshalb gilt: erst problematische Einstellungen neu generieren, dann hochskalieren. Für Social-Kampagnen lohnt es sich, Untertitel und Text separat zu halten, damit sie pro Format neu gesetzt werden können.
Versionierung und Freigaben
Fassungen brauchen Namen: v1, v2, freigabe_kunde, final_export. Wer Fassungen nur mit Datum versieht, verliert die Übersicht. Zusätzlich hilft eine kurze Freigabenotiz, was sich geändert hat und wer zugestimmt hat – besonders, wenn mehrere Personen beteiligt sind.
Typische Fehler und Gegenmaßnahmen
- Modellwechsel mitten im Projekt. Konsistenz bricht sofort. Gegenmaßnahme: ein Basismodell pro Projekt festlegen.
- Keine Stilbibel. Jede Einstellung wirkt, als stamme sie aus einem anderen Film. Gegenmaßnahme: Referenzen und Prompt-Gerüst vorab dokumentieren.
- Zu lange Clips planen. Modelle verlieren bei langen Einstellungen Details, Gesichter und Proportionen. Gegenmaßnahme: kürzere Einstellungen, mehr Schnitte.
- Ton vergessen. Zuschauer brechen nach wenigen Sekunden ab, wenn nichts zu hören ist. Gegenmaßnahme: drei Klangebenen planen.
- Keine Kennzeichnung. Nachgenerierung wird unmöglich. Gegenmaßnahme: Dateinamen-Schema plus Prompt-Log.
- Perfektion in der ersten Einstellung. Zeit wird an der falschen Stelle verbrannt. Gegenmaßnahme: alle Einstellungen erst grob, dann gezielt nacharbeiten.
- Rechte unklar. Lizenzbedingungen, Musik, Stimmen und Personendarstellungen müssen vor der Veröffentlichung geprüft sein.
- Kein Publikumstest. Drei Personen, drei Fragen, frühes Feedback verhindern teure Fehlentscheidungen.
Auffällig ist, dass fast alle diese Fehler organisatorisch sind und nicht technisch. Die meisten Probleme entstehen nicht, weil ein Modell etwas nicht kann, sondern weil Vorgaben fehlen, Entscheidungen zu spät fallen oder Ergebnisse nicht auffindbar sind. Genau deshalb lohnt sich der unspektakuläre Teil der Arbeit mehr als jeder neue Prompt-Trick.
Praxisbeispiel: 60-Sekunden-Spot in fünf Tagen
Tag 1: Treatment, Stilbibel, Storyboard aus rund achtzehn Stills und ein Animatic. Am Ende steht eine Einstellungsliste mit Dauer und Tonbedarf.
Tag 2: Referenzbilder und Figuren festlegen, Testgenerierungen für Licht und Kamera, die ersten vier Einstellungen. Der Tag dient vor allem dazu, Stilfehler früh zu finden.
Tag 3: Restliche Einstellungen generieren, Varianten auswählen, sortieren, Lücken identifizieren. Am Abend sollte ein vollständiger Rohschnitt möglich sein.
Tag 4: Ton, Sprache, Musik, Rohschnitt und Feedback von zwei bis drei Personen. Hier zeigt sich, ob der Animatic-Plan getragen hat.
Tag 5: Feinschnitt, Farbangleich, Upscaling, Exportvarianten und Qualitätskontrolle auf dem Smartphone, nicht nur am großen Monitor.
Realistisch ist dieses Tempo nur mit vorbereiteten Referenzen und wenigen Iterationen pro Einstellung. Wer den Testlauf an Tag 2 überspringt, verliert an Tag 3 und 4 deutlich mehr Zeit.
Häufige Fragen
Wie viele Iterationen brauche ich pro Einstellung?
Für ruhige Einstellungen reichen oft zwei bis vier. Bei komplexen Bewegungen, Interaktionen oder Händen sind es schnell acht bis zwölf. Wird es deutlich mehr, lohnt sich ein anderes Modell oder eine vereinfachte Bildidee.
Kann ich KI-Clips mit echtem Filmmaterial mischen?
Ja, wenn Farbtemperatur, Körnung und Schärfentiefe angeglichen werden. Ein einheitliches Farbprofil über allem hilft; außerdem sollten Schnittlängen und Bewegungstempo zusammenpassen.
Brauche ich einen Sprecher?
F ar Entwürfe nicht. Für Kundenfilme, Erklärvideos und alles, was eine Markenstimme braucht, ist eine menschliche Aufnahme meist die bessere Investition.
Wie gehe ich mit Text im Bild um?
Generierter Text ist unzuverlässig. Logos, Schilder und Untertitel gehören in die Nachbearbeitung, nicht in den Prompt.
Welche Hardware ist sinnvoll?
Cloudbasierte Werkzeuge brauchen kaum lokale Rechenleistung; lokale Lösungen profitieren von einer aktuellen Grafikkarte mit viel Speicher. Entscheidend ist weniger die Hardware als die Organisation der Dateien.
Wie verhindere ich, dass alles nach KI aussieht?
Unnatürlich perfektes Licht, zu glatte Haut, schwebende Kamerafahrten und fehlende Geräusche sind die häufigsten Ursachen. Weniger Kamerabewegung, mehr Schnitte, echte Raumakustik und eine dezente Körnung wirken meist stärker als jeder Stil-Prompt.
Wann lohnt sich KI-Video nicht?
Bei dokumentarischen Szenen mit echten Protagonisten, bei komplexen Dialogszenen mit präzisem Timing und bei allem, was eine glaubwürdige, unbequeme Realität zeigen soll. Dort bleibt klassische Produktion im Vorteil.
Wie fange ich an, wenn ich noch nie ein Video produziert habe?
Mit einem 15-Sekunden-Clip, einer Figur und drei Einstellungen. Dieses Mini-Projekt durchläuft alle fünf Phasen und zeigt sehr schnell, wo die eigenen Schwächen liegen – meist im Ton oder in der Konsistenz, nicht in der Generierung.
KI-Videoerstellung ist kein Zufallsgenerator, sondern eine Disziplin aus Vorbereitung, klaren Vorgaben und Nachbearbeitung. Wer Treatment, Stilbibel und Prüfszenen ernst nimmt, produziert Ergebnisse, die nicht nach Experiment aussehen – sondern nach Produktion.
