KI-Videos erstellen: Der komplette Workflow für Content-Teams

Warum KI-Video heute ein Produktionsprozess ist – und kein Einzelereignis

Wer zum ersten Mal ein generatives Videomodell testet, erlebt denselben Moment: kurzer Prompt, ein Klick, und nach wenigen Sekunden liegt ein Clip vor, der aussieht, als hätte ein Kamerateam gedreht. Das ist beeindruckend – und verführerisch. Es legt den Denkfehler nahe, Videoproduktion bestehe künftig aus einer einzigen Eingabe.

In der Praxis ist ein Clip ein Bauteil, kein Produkt. Sobald aus dem Experiment ein wiederkehrendes Format wird – ein wöchentliches Erklärvideo, ein Produktlaunch, eine Kampagne mit zwanzig Varianten – verschiebt sich die Arbeit. Dann entscheidet nicht mehr die spektakulärste Generierung über das Ergebnis, sondern die Reproduzierbarkeit: dieselbe Figur, dasselbe Produkt, derselbe Look über mehrere Einstellungen hinweg.

Deshalb hilft es, KI-Video als Pipeline zu betrachten:

• Konzeptebene: Botschaft, Zielgruppe, Drehbuch, Shotlist.
• Generierungsebene: Modellwahl, Prompt-Design, Referenzbilder, Iterationen.
• Finish-Ebene: Auswahl, Schnitt, Ton, Farbanpassung, Untertitel, Export.

Die eigentliche Generierung macht selten mehr als ein Viertel der Gesamtzeit aus. Der Rest ist Auswahl, Ausschuss, Nachbearbeitung und Abstimmung. Teams, die das früh akzeptieren, planen realistisch: Sie kalkulieren Ausschussquoten ein, halten Zeit für Variantenvergleiche frei und definieren vorab, wie viele Iterationen eine Einstellung bekommt, bevor eine andere Bildidee getestet wird.

Ein zweiter Denkfehler betrifft die Qualität. „Sieht gut aus“ ist kein Abnahmekriterium. Produktionsreif wird ein Clip erst, wenn er drei Prüfungen besteht: inhaltlich (transportiert er die Botschaft?), technisch (Bildstand, Artefakte, Ton) und markenseitig (Look, Farbwelt, Typografie). Diese Prüfungen laufen besser getrennt als gleichzeitig.

Drittens: KI-Video ersetzt kein Handwerk, es verschiebt es. Kamera, Licht und Bühnenbild werden zu Prompt-Bausteinen. Dramaturgie, Rhythmus und Ton bleiben Aufgabe des Menschen – und werden wichtiger, weil Bewegtbild jetzt billig ist. Wenn jeder Shot in Minuten entsteht, ist Auswahl die knappe Ressource.

Die Bausteine einer tragfähigen KI-Video-Pipeline

Briefing und Drehbuch

Am Anfang steht kein Modell, sondern ein Satz: Wen erreicht das Video, und was soll nach dem Ansehen anders sein? Daraus entsteht ein Skript in Szenen, nicht in Shots. Erst danach wird zerlegt. Ein Skript von 150 Wörtern Sprechtext ergibt ungefähr 60 Sekunden Video – diese Faustregel verhindert, dass später gekürzt werden muss.

Storyboard und Shotlist

Ein Storyboard aus groben Skizzen oder Referenzbildern kostet wenig und spart viel Generierungszeit. Die Shotlist enthält pro Einstellung: Dauer, Bildgröße, Kamerabewegung, Motiv, Lichtstimmung und Ton. Wer diese Liste vor der ersten Generierung ausfüllt, generiert anschließend zielgerichtet statt suchend.

Referenz-Assets als Fundament

Stilreferenzen, Charakterbögen, Produktfotos, Farbpaletten, Logos. Diese Dateien sind der stärkste Konsistenzhebel überhaupt, denn alles, was als Bild existiert, lässt sich als Referenz verwenden. Ein Team, das mit einem sauberen Referenzordner arbeitet, erkennt seine eigenen Videos nach zwei Wochen noch als zusammengehörig.

Generierung in Runden

Nicht „so lange, bis es passt“, sondern in Iterationen mit klaren Variablen. Runde eins: Bildidee und Komposition. Runde zwei: Bewegung und Kamerafahrt. Runde drei: Details, Material, Licht. Zwischen den Runden wird jeweils nur ein Faktor geändert, sonst lässt sich nicht lernen, was gewirkt hat.

Ton und Stimme

Sprachaufnahme, Musikbett, Effekte. Bei generierter Stimme gilt: Aussprache prüfen, Betonung nachschärfen, Tempo an den Schnitt anpassen. Eigennamen und Fachbegriffe vorher in eine Sprechliste schreiben, sonst wird jeder zweite Take zur Korrekturschleife.

Schnitt und Finish

Erst hier entsteht Wirkung. Bewährte Reihenfolge: Auswahl, Grobschnitt nach Ton, Feinschnitt nach Musik, Farbanpassung, Untertitel, Formatexporte. Zwei übergreifende Elemente gehören ebenfalls dazu: eine Asset-Ablage mit klarer Benennung und ein Freigabeprozess mit definierten Rollen. Ohne beides verliert man bei der dritten Version den Überblick.

Modellwahl: sieben Entscheidungskriterien statt Hype

Die Modelllandschaft verändert sich schnell. Statt einer Rangliste hilft ein Kriterienraster, das unabhängig von Markennamen funktioniert.

Kriterium	Prüffrage	Typische Einsatzgebiete
Bewegung und Physik	Bleiben Körper, Stoffe und Flüssigkeiten plausibel?	Action, Sport, Produkt in Bewegung
Stilkonsistenz	Sieht Einstellung fünf noch wie Einstellung eins aus?	Serien, Markenfilme, Figuren
Kontrolle	Lassen sich Start- und Endbild vorgeben?	Übergänge, präzise Kamerafahrten
Detailtreue	Wie stehen Hände, Text, kleine Objekte dar?	Nahaufnahmen, Verpackungen, Screens
Länge und Format	Wie lang ist ein Clip, welche Seitenverhältnisse gibt es?	Reels, YouTube, Display
Audio	Gibt es Ton, Lippensynchronität, Geräusche?	Sprechervideos, Interviews
Rahmenbedingungen	Lizenz, Verfügbarkeit, Wartezeit, Wiederverwendbarkeit	Agenturarbeit, Kundenprojekte

Bewegung und Physik

Bewegung ist die härteste Disziplin. Prüfen Sie mit einem Testshot, der genau die Bewegung enthält, die Sie brauchen – ein Sprung, ein Schwung Haar, Wasser im Glas. Was hier scheitert, wird auch im fertigen Projekt scheitern.

Stilkonsistenz über viele Einstellungen

Erzeugen Sie drei Einstellungen desselben Motivs hintereinander und vergleichen Sie Licht, Farbtemperatur und Objektivwirkung. Modelle, die hier stabil bleiben, sparen später Stunden in der Farbanpassung.

Kontrolle durch Anfangs- und Endbilder

Wenn sich ein Clip zwischen zwei definierten Bildern interpolieren lässt, wird Planung möglich. Diese Funktion ist der Unterschied zwischen Zufall und Regie.

Text, Hände und kleine Details

Text im Bild ist weiterhin eine Schwachstelle. Verpackungen mit Kleingedrucktem, Schilder, Displays: entweder meiden, im Schnitt digital ersetzen oder in der Nachbearbeitung als Grafik einblenden.

Länge, Auflösung, Seitenverhältnis

Kurze Clips lassen sich leichter in Serie produzieren und besser kontrollieren. Für Social-Formate ist Hochformat Pflicht; für Präsentationen und Websites Querformat. Ein Modell, das nur ein Format liefert, erzwingt später Beschnitt und damit Bildverlust.

Audio und Lippensynchronität

Wenn Menschen sprechen, ist Mundbewegung das erste, was Zuschauer bemerken – auch unbewusst. Testen Sie einen Satz mit harten Konsonanten; wenn die Lippen wandern, bleibt nur Voice-over oder eine andere Bildidee.

Rahmenbedingungen

Kommerzielle Nutzung, Weiterverarbeitung, Speicherung, Teamzugriff. Diese Fragen klärt man vor dem ersten Projekt, nicht danach.

Prompting für Video: Was wirklich zählt

Von der Idee zum Shot

Ein Videoprompt beschreibt keine Geschichte, sondern eine Einstellung. Vier Bausteine genügen meist: Motiv (wer oder was), Handlung (was passiert), Kamera (Bildgröße, Bewegung, Objektiv) und Licht (Stimmung, Richtung, Tageszeit). Beispiel: „Nahaufnahme einer Hand, die eine Keramiktasse auf einen Holztisch stellt, langsame Kamera von rechts, warmes Morgenlicht durch ein Fenster, weicher Schattenwurf.“

Kurz gegen ausführlich

Kurze Prompts erzeugen oft die freiesten, aber unberechenbarsten Bilder. Lange Prompts liefern Kontrolle, verlieren aber manchmal an Leuchtkraft. Praktikabel ist ein Mittelweg: fünfzig bis neunzig Wörter, klar strukturiert, ohne Widersprüche.

Bild-zu-Video als Konsistenzanker

Der zuverlässigste Trick für wiederkehrende Motive: ein Referenzbild generieren oder fotografieren und daraus animieren. Damit bleiben Gesicht, Kleidung, Produktfarbe und Umgebung stabil. Für jede Figur gehört genau ein Referenzbild in den Asset-Ordner – nicht drei, sonst streut das Modell.

Negativanweisungen und Wiederholbarkeit

Formulieren Sie, was nicht vorkommen soll: keine zusätzlichen Personen, kein Text im Bild, keine schnelle Fahrt, kein Blitzlicht. Notieren Sie außerdem, welche Einstellungen zu einem guten Ergebnis geführt haben – inklusive Zufallswert, falls das Tool einen anbietet. Gute Prompts sind Dokumente, nicht Wegwerfnotizen.

Iterationsschleifen mit klaren Variablen

Ein Beispiel aus der Praxis: Ein Produktclip wirkte flach. Iteration eins erhöhte nur den Kontrast im Licht, Iteration zwei änderte die Kameradistanz, Iteration drei wechselte die Tageszeit. Nach drei Runden war die Ursache klar – die Distanz, nicht das Licht. Wer mehrere Faktoren gleichzeitig ändert, findet die Ursache nie.

Workflow-Beispiel: ein 30-Sekunden-Clip in fünf Tagen

Tag 1 – Konzept. Zielgruppe, Kernbotschaft, ein Satz pro Szene. Ergebnis: Skript mit fünf Szenen und ungefähr 70 Wörtern Sprechtext. Parallel: Referenzbilder für Figur und Produkt sammeln.

Tag 2 – Storyboard und Tests. Neun Einstellungen skizzieren. Dann drei Testshots generieren, die die schwierigsten Bewegungen abdecken: eine Handbewegung, eine Kamerafahrt, ein Detail. Diese Tests entscheiden über die Modellwahl.

Tag 3 – Produktion. Alle Einstellungen in zwei bis drei Varianten generieren. Aussortieren, Best-of-Liste anlegen, Lücken markieren. Zeitpuffer einplanen: Rechnen Sie mit dreißig bis vierzig Prozent Ausschuss.

Tag 4 – Ton und Grobschnitt. Voice-over aufnehmen, Musik suchen, Grobschnitt nach Ton. Erst jetzt zeigt sich, welche Einstellungen zu kurz oder zu lang sind – ein Shot, der als Einzelbild perfekt wirkt, kann im Rhythmus kippen.

Tag 5 – Feinschnitt und Finish. Schnitt nach Musik, Farbanpassung für eine einheitliche Bildwelt, Untertitel, Export in allen benötigten Formaten, Qualitätskontrolle auf mehreren Geräten.

Wichtig: Die Generierung liegt an einem einzigen Tag. Alles andere ist Organisation, Auswahl und Handwerk. Wer die fünf Tage anders verteilt, verbringt Tag vier und fünf mit Nachgenerieren.

Konsistenz über Szenen: Figuren, Orte, Produkte

Figuren

Ein Referenzbild, eine präzise Beschreibung und eine feste Reihenfolge der Merkmale (Alter, Frisur, Kleidung, Accessoire). Vermeiden Sie wechselnde Adjektive für dasselbe Merkmal – „dunkelhaarig“ und „schwarzhaarig“ erzeugen zwei Personen.

Orte

Ein Ort braucht drei Konstanten: Architektur, Lichtstimmung und Farbtemperatur. Notieren Sie sie als feste Prompt-Formel und ändern Sie nur, was sich dramaturgisch ändern muss (Tageszeit, Wetter).

Produkte und Verpackungen

Produkte sind heikel, weil sie detailgenau sein müssen. Zwei Wege: komplett generieren (nur mit sehr guter Detailtreue sinnvoll) oder das echte Produkt in ein generiertes Umfeld setzen und per Maskierung und Compositing zusammenführen. Der zweite Weg ist langsamer in der Vorbereitung, aber zuverlässiger im Ergebnis.

Farbe, Licht, Objektiv

Definieren Sie eine Hausregel: zum Beispiel warmes Keylight von links, 35-mm-Anmutung, entsättigte Schatten. Diese Regel gehört in jeden Prompt und in die Farbanpassung. So wirkt eine Szene aus zehn verschiedenen Generierungen wie aus einem Dreh.

Teamarbeit, Freigaben und Versionierung

Sobald mehr als eine Person an einem Projekt arbeitet, entscheidet der Prozess über die Qualität. Bewährt hat sich eine klare Rollenteilung: Konzept und Skript, Generierung, Schnitt und Ton, Freigabe. Jede Rolle hat ein eigenes Abnahmekriterium.

Für die Ablage gilt: Ordner pro Projekt, Unterordner für Skript, Referenzen, Rohclips, Auswahl, Exporte. Dateinamen enthalten Szene, Einstellung, Version und Datum, etwa s02_e04_v03_2026-01-14. Diese Disziplin wirkt bürokratisch, rettet aber jedes größere Projekt.

Freigaben sollten asynchron und schriftlich erfolgen. Ein Kommentar wie „Shot 4 wirkt flach“ ist brauchbar, wenn er ergänzt wird: flacher als was? Referenzieren Sie immer eine konkrete Einstellung als Maßstab. So werden aus Geschmacksdiskussionen überprüfbare Aufgaben.

Zwei Freigabeschleifen sind ein guter Standard: eine nach dem Grobschnitt, eine vor dem Export. Alles dazwischen ist Teamarbeit, nicht Abstimmung.

Typische Fehler und Gegenmaßnahmen

• Zu viele Varianten ohne Auswahlkriterien. Gegenmaßnahme: Vor der Generierung festlegen, welches Merkmal das Beste entscheidet.
• Zu lange Clips generieren. Gegenmaßnahme: kurz generieren, im Schnitt strecken oder mit Zwischenschnitten arbeiten.
• Menschen mit Sprache in Nahaufnahme. Gegenmaßnahme: Voice-over, Rückansichten oder Hände im Bild.
• Stilbruch zwischen Szenen. Gegenmaßnahme: feste Prompt-Formel und einheitliche Farbanpassung.
• Text im Bild verlassen. Gegenmaßnahme: Grafik im Schnitt setzen, nie generieren lassen.
• Kein Tonkonzept. Gegenmaßnahme: Musik und Sprechtext vor der Generierung skizzieren, nicht danach.
• Ausschuss nicht eingeplant. Gegenmaßnahme: Zeitpuffer von einem Drittel.
• Referenzen nicht gesichert. Gegenmaßnahme: Referenzordner als Pflichtbestandteil jedes Projekts.

Qualitätssicherung, Ausgabeformate und Skalierung

QA-Checkliste

Prüfen Sie in dieser Reihenfolge: Botschaft verständlich ohne Ton? Bildstand ruhig, keine flackernden Details? Hände, Augen, Zähne plausibel? Tonpegel gleichmäßig, Sprache klar? Untertitel korrekt und gut lesbar? Anfang und Ende in drei Sekunden verständlich? Erst wenn alle Punkte stehen, wird exportiert.

Formate

Planen Sie Exporte früh: Hochformat für Kurzvideo, Querformat für Website und Präsentation, quadratisch für Feeds. Untertitel gehören in eine separate Datei, damit sie sich schnell korrigieren lassen. Ein Master in höchster Qualität bleibt unangetastet in der Ablage.

Skalierung

Serienproduktion funktioniert nur mit Vorlagen. Entwickeln Sie für jedes Format ein Prompt-Gerüst, eine Shotlist-Vorlage und eine Tonregel. Nach drei Ausgaben steht die Produktionszeit meist bei der Hälfte – nicht, weil die Modelle besser werden, sondern weil die Variablen bekannt sind.

FAQ

Wie viele Iterationen pro Einstellung sind normal?
In der Praxis drei bis sechs. Danach ist meist nicht das Modell das Problem, sondern die Bildidee. Dann hilft es, die Einstellung neu zu denken – andere Perspektive, anderes Licht, anderer Ort.

Brauche ich für KI-Video Schnittkenntnisse?
Ja, und sie sind der wichtigste Hebel. Ein mittelmäßiger Clip kann durch guten Rhythmus, Ton und Untertitel überzeugen. Umgekehrt rettet kein Modell einen schlechten Schnitt.

Wie verhindere ich, dass Figuren zwischen Einstellungen ihr Gesicht ändern?
Mit einem Referenzbild pro Figur, einer stabilen Beschreibung und möglichst Bild-zu-Video statt reiner Textgenerierung. Ändern Sie zwischen den Einstellungen nie mehrere Merkmale gleichzeitig.

Eignen sich KI-Videos für lange Formate?
Als Bausteine ja, als durchgehende Generierung selten. Bewährt ist die Mischung: generierte Einstellungen für Atmosphäre und B-Roll, reale Aufnahmen oder Screenshots für Fakten, Diagramme und Aussagen.

Wie gehe ich mit rechtlichen Fragen um?
Klären Sie Nutzungsrechte, Persönlichkeitsrechte und Kennzeichnungspflichten vor der Veröffentlichung. Bei Personen, Marken und Musik gilt dieselbe Sorgfalt wie bei klassischer Produktion.

Woran erkenne ich, dass ein Projekt zu groß wird?
Wenn die Shotlist mehr als zwanzig Einstellungen umfasst und die Referenzen nicht mehr gepflegt werden. Teilen Sie das Projekt dann in zwei Teile oder reduzieren Sie die Szenen.

Welche Rolle spielt Ton für die Wahrnehmung?
Eine größere, als die meisten erwarten. Stimme, Musik und Effekte bestimmen Tempo und Emotion. Planen Sie Ton ab Tag eins, nicht als letzten Schritt.

Wie starte ich mit kleinem Budget?
Mit einem Format, einer Figur und einer festen Prompt-Formel. Erst wenn dieser eine wiederkehrende Clip zuverlässig gelingt, lohnt die Erweiterung auf weitere Szenen und Kanäle.