Storytelling und Shot-Design mit KI meistern: Workflow-Guide

Warum KI-gestütztes Storytelling gerade jetzt den Unterschied macht

Die Engstelle der Videoproduktion hat sich verschoben. Ein ansprechendes Einzelbild zu erzeugen ist kein Kunststück mehr – die eigentliche Herausforderung ist die Klammer zwischen den Bildern. Warum schaut jemand weiter? Welche Einstellung trägt welche Information? Wo entsteht Spannung, wo darf das Publikum durchatmen? Genau in dieser dramaturgischen Mitte ist KI inzwischen ein echter Produktionsfaktor geworden, nicht bloß ein Generator für hübsche Fragmente.

Wer KI wie einen Bildautomaten behandelt, bekommt eine Sammlung schöner Momente ohne Zusammenhang. Wer KI dagegen als Assistenz in einem strukturierten dramaturgischen Prozess einsetzt, bekommt Sequenzen, die tragen. Der Unterschied liegt nicht im Werkzeug, sondern in der Reihenfolge der Arbeitsschritte: erst Struktur, dann Einstellung, dann Bild, dann Bewegung, dann Ton.

KI kann in diesem Prozess drei klar getrennte Rollen einnehmen:

• Dramaturgische Assistenz: Sie hilft, Prämissen zu schärfen, Szenen zu ordnen, Wendepunkte zu prüfen und Kürzungspotenzial aufzudecken.
• Storyboard-Assistenz: Sie übersetzt Szenen in Einstellungslisten und Beschreibungen, inklusive Einstellungsgröße, Perspektive, Lichtstimmung und Bewegung.
• Konsistenzverwaltung: Sie merkt sich Referenzen für Figuren, Kleidung, Locations, Requisiten und Tageszeiten, damit Einstellung 1 und Einstellung 40 noch zusammenpassen.

Diese drei Rollen sollten auch organisatorisch getrennt bleiben. Wer gleichzeitig über Struktur und Pixel diskutiert, verliert Zeit und produziert teure Nacharbeit.

Story-Struktur zuerst: Figur, Ziel, Konflikt, Szenenblatt

Bevor irgendein Prompt für ein Bild entsteht, braucht das Projekt eine tragfähige Struktur. Das klingt selbstverständlich, wird aber in der Praxis fast immer übersprungen – besonders bei kurzen Formaten, wo man glaubt, Struktur spare man sich. Kurze Formate brauchen Struktur sogar dringender, weil jeder Sekundenbruchteil zählt.

Prämiise in einem Satz

Formuliere die Geschichte in einem einzigen Satz: Wer will was, warum geht es nicht, was steht auf dem Spiel? Dieser Satz ist später das Korrektiv für jede Einstellung. Wenn eine Einstellung nichts zu diesem Satz beiträgt, ist sie ein Kandidat für die Schnittliste – und zwar bevor sie produziert wird.

Szenenblatt statt Fließtext

Ein Szenenblatt ist ein Übergabedokument, kein Kunstwerk. Es enthält pro Szene:

• Ort und Zeit, inklusive Tageszeit und Wetterstimmung
• Figuren, die physisch anwesend sind, mit ihrer jeweiligen Absicht
• Dramaturgische Funktion: Was ändert sich in dieser Szene?
• Einstieg und Ausstieg: Welches Bild beginnt, welches beendet die Szene?
• Geschätzte Dauer: grobe Sekundenangabe, nicht die fertige Schnittlänge

Der Vorteil eines solchen Blattes ist, dass KI-Systeme es zuverlässig weiterverarbeiten können. Aus einem gut gepflegten Szenenblatt lassen sich Shot-Listen, Bildbeschreibungen und Dialogpassagen ableiten, ohne dass bei jedem Zwischenschritt interpretiert werden muss.

Wendepunkte und Kürzungsdisziplin

Markiere in der Struktur zwei bis drei Wendepunkte. Bei einem 30-Sekunden-Clip ist der erste Wendepunkt idealerweise vor Sekunde 5 erreicht, bei einem drei Minuten langen Erklärvideo nach 20 bis 30 Sekunden. Alles, was vor dem ersten Wendepunkt passiert, ist Einleitung und muss extrem kurz sein. Ein häufiger Fehler in KI-gestützten Produktionen ist, dass die Einleitung aus ästhetischen Gründen zu lang wird – weil schöne Bilder natürlich verlockend sind.

Shot-Design mit KI planen

Shot-Design ist Handwerk, das sich gut in Regeln fassen lässt – und Regeln sind genau das, womit KI-Systeme zuverlässig arbeiten. Vier Dimensionen solltest du für jede Einstellung festlegen.

Einstellungsgrößen und ihre dramaturgische Funktion

Die Einstellungsgröße entscheidet, wie nah das Publikum an einer Figur dran ist – und damit über Identifikation oder Distanz.

• Weit: etabliert Ort, Größe, Isolation. Gute Eröffnung, schlechter Dauerzustand.
• Halbnah: Standard für Dialog und Handlung, zeigt Körper und Gestik.
• Nah: Emotion, Reaktion, Entscheidung.
• Detail: Information – ein Objekt, eine Hand, ein Blick auf ein Display.

Eine brauchbare Faustregel: Wechsel nicht zwischen zwei benachbarten Größen, sondern springe bewusst. Ein Schnitt von halbnah zu nah wirkt oft flach, ein Schnitt von weit zu nah wirkt dagegen wie ein Akzent.

Achse und Blickrichtung

Die 180-Grad-Regel bleibt auch in KI-Produktionen gültig. Wenn zwei Figuren miteinander sprechen, liegt die Verbindungslinie zwischen ihnen fest, und alle Kameras bleiben auf einer Seite. Andernfalls wirkt es, als hätten beide plötzlich die Seite gewechselt. KI-Generatoren halten diese Regel nicht von selbst ein – du musst die Blickrichtung ausdrücklich in jede Einstellungsbeschreibung schreiben, etwa „schaut nach rechts aus dem Bild“.

Lichtlogik und Farbe

Licht ist das stärkste Werkzeug, um Kontinuität zu erzeugen oder zu zerstören. Definiere pro Location eine Lichtsituation: Hauptlichtrichtung, Qualität (hart oder weich), Farbtemperatur, Kontrastverhältnis. Wenn du diese vier Werte in jedem Prompt wiederholst, bleiben Einstellungen über verschiedene Generierungen hinweg zusammen. Wechsle die Lichtsituation nur, wenn die Geschichte es verlangt – etwa beim Übergang von Tag zu Nacht oder von Sicherheit zu Bedrohung.

Kamerabewegung versus Motivbewegung

Bewegung sollte eine Aufgabe haben. Eine langsame Fahrt nach vorn bedeutet Annäherung, ein Mitziehen bedeutet Begleitung, eine Handkamera bedeutet Unsicherheit. Wenn du für jede Einstellung nur eine Bewegungsart festlegst, wirkt die Sequenz ruhig und kontrolliert. Mehrere Bewegungen pro Einstellung sind der schnellste Weg zu einem chaotischen Ergebnis.

Konsistenz über viele Einstellungen hinweg

Konsistenz ist die härteste Anforderung in der KI-Videoproduktion. Sie ist kein einzelner Trick, sondern ein Verwaltungsproblem.

Figurenkonsistenz

Lege für jede Hauptfigur ein Referenz-Set an: ein frontales Porträt, ein Dreiviertelprofil, eine Totale, eine Nahaufnahme mit neutraler Mimik. Notiere zusätzlich die Merkmale, die sich nicht ändern dürfen – Frisur, Brille, Kleidungsfarbe, auffällige Accessoires. Diese Liste gehört in jede Bildbeschreibung, auch wenn sie redundant erscheint. Redundanz ist hier kein Stilfehler, sondern Qualitätssicherung.

Locations, Requisiten und Tageszeit

Dasselbe gilt für Orte. Ein Büro um 9 Uhr und ein Büro um 17 Uhr sind zwei unterschiedliche Lichtsituationen und müssen entsprechend beschrieben werden. Requisiten sind besonders tückisch: eine Tasse auf dem Tisch ist in einer Einstellung links, in der nächsten rechts – und schon liest das Publikum unbewusst einen Sprung. Führe eine simple Requisitenliste mit Position.

Zwischenprüfung vor jeder neuen Einstellung

Etabliere einen festen Prüfschritt: Passt die Einstellung zur Achse? Stimmt die Lichtrichtung mit der vorherigen Einstellung überein? Ist die Figur im gleichen Zustand wie zuvor? Diese drei Fragen kosten zehn Sekunden und sparen oft eine komplette Neugenerierung.

Der Workflow in sieben Schritten

Ein Ablauf, der sich in der Praxis bewährt hat, besteht aus sieben Schritten. Die Reihenfolge ist wichtiger als das Tempo.

1. Prämisse und Zielplattform festlegen. Format, Länge, Seitenverhältnis und Zielgruppe bestimmen alles Weitere.
2. Sequenzgliederung schreiben. Drei bis sechs Szenen, jeweils mit dramaturgischer Funktion und Wendepunkt.
3. Szenenblatt ausarbeiten. Ort, Figuren, Absicht, Ein- und Ausstiegsbild, grobe Dauer.
4. Shot-Liste ableiten. Pro Szene drei bis acht Einstellungen mit Größe, Perspektive, Bewegung und Licht.
5. Referenzframes erzeugen. Für jede Figur und jeden Ort ein stabiles Referenzbild, das als Grundlage für alle weiteren Bilder dient.
6. Einstellungen generieren und animieren. Erst Variationen prüfen, dann eine auswählen, dann Bewegung ergänzen.
7. Ton, Schnitt und Feinjustierung. Dialog, Geräusche, Musik, Rhythmus und Übergänge.

Der wichtigste Rat zu diesem Ablauf: Arbeite Schritt 4 vollständig durch, bevor du mit Schritt 5 beginnst. Die Versuchung ist groß, sofort Bilder zu erzeugen. Aber eine unvollständige Shot-Liste ist der Hauptgrund für Nacharbeit.

Dialog, Stimme und Tonrhythmus

Dialog in KI-Videos hat zwei Probleme: Er klingt oft zu gleichförmig, und er ist oft zu lang. Beides lässt sich lösen.

Schreibe Dialog kürzer als du denkst. Gesprochene Sätze verlieren ihre Wirkung, wenn sie länger als etwa zwölf Wörter sind. Teile lange Informationen auf mehrere kurze Repliken auf, und lass Pausen zu. Eine Pause ist billiger als eine zusätzliche Einstellung und wirkt oft stärker.

Achte auf den Wechsel der Sprecherperspektive. Wenn Figur A spricht, zeige sie üblicherweise in der Über-die-Schulter-Perspektive von B aus – und umgekehrt. Das ist das klassische Dialog-Muster und es funktioniert auch dann, wenn die Einstellungen einzeln generiert werden.

Beim Ton gilt eine einfache Hierarchie: Stimme vor Musik vor Atmosphäre. Die Stimme muss immer verständlich bleiben; Musik trägt Emotion, darf aber nie in den Sprachbereich drängen. Atmosphäre – Raumklang, leises Brummen, entfernte Geräusche – macht Bilder glaubhaft, kostet aber nichts in der Dramaturgie, weil sie nur selten bewusst auffällt.

Pacing und Übergänge: der unsichtbare Regisseur

Pacing entsteht nicht im Bild, sondern im Schnitt – auch wenn die Bilder einzeln erzeugt wurden. Drei Regeln helfen:

Kürzer heißt intensiver. Einstellungen von zwei bis drei Sekunden wirken schnell, Einstellungen von sechs bis acht Sekunden wirken ruhig. Wenn du eine ruhige Passage zu einem Abschluss führen willst, kürze zur Ruhe hin – nicht umgekehrt.

Übergänge brauchen einen Grund. Harte Schnitte sind der Standard. Weiche Übergänge, Wischer oder Zooms sollten nur an dramaturgisch markanten Stellen auftauchen, sonst nutzen sie sich ab.

Reim auf Bildern statt auf Worten. Der wirksamste Übergang verbindet zwei Einstellungen durch eine visuelle Ähnlichkeit: dieselbe Form, dieselbe Bewegung, dieselbe Farbe. Ein solcher Übergang braucht keine Schnitttechnik, er entsteht aus der Bildkomposition – und genau das ist etwas, das du bei der Planung der Shot-Liste bereits berücksichtigen kannst.

Plane mindestens zwei bewusste Übergänge pro Sequenz: einen in die Steigerung hinein und einen aus der Steigerung heraus. Das gibt der Sequenz einen merklichen Rhythmus, auch wenn das Publikum ihn nicht benennen kann.

Typische Fehler und wie du sie vermeidest

Die meisten Probleme in KI-gestützten Videoproduktionen sind wiederkehrend. Diese Liste deckt die häufigsten ab:

• Zu viele Details im ersten Prompt. Ein Prompt mit acht Merkmalen erzeugt selten das gewünschte Ergebnis. Reduziere auf drei bis vier priorisierte Merkmale.
• Keine Referenzen. Ohne Referenzbilder driftet die Figur bereits nach drei Einstellungen sichtbar.
• Zu viele Einstellungen. Eine Sequenz mit 30 Einstellungen für 60 Sekunden wirkt hektisch. Weniger Einstellungen, die länger stehen, wirken professioneller.
• Fehlende Kontinuitätsprüfung. Prüfe immer mindestens Achse, Licht und Requisiten zwischen benachbarten Einstellungen.
• Einheitliches Tempo. Wenn jede Einstellung gleich lang ist, wirkt selbst guter Content monoton.
• Ton als Nachgedanke. Wenn Dialog und Musik erst am Ende angepasst werden, muss oft neu geschnitten werden.
• Struktur erst nach den Bildern. Das ist der teuerste Fehler. Er kostet nicht nur Zeit, sondern oft das ganze Projekt.

Ein praktischer Gegencheck: Zeige einer Person, die nicht am Projekt beteiligt ist, die ersten zehn Sekunden. Wenn sie nicht sagen kann, wer die Hauptfigur ist und was sie will, fehlt es an Struktur – nicht an Bildqualität.

Tool-Kategorien und Auswahlkriterien

Beim Aufbau einer Pipeline lohnt es, Werkzeuge nach Funktion statt nach Marke zu bewerten. Vier Kategorien sind relevant:

Text- und Strukturassistenz. Systeme, die beim Gliedern, Kürzen und Umformulieren von Szenen und Dialogen helfen. Wichtig sind hier Nachvollziehbarkeit und die Fähigkeit, mit langen Kontexten umzugehen.

Bildgenerierung. Entscheidend sind Konsistenz über mehrere Durchläufe, Steuerbarkeit von Perspektive und Licht sowie die Möglichkeit, Referenzbilder mitzugeben.

Bewegung und Animation. Hier zählt, wie gut das System kurze, kontrollierte Bewegungen liefert, ohne das Motiv zu verzerren. Kleinere Bewegungen sind fast immer die bessere Wahl.

Ton und Sprachausgabe. Achte auf natürliche Betonung, Pausensetzung und die Möglichkeit, einzelne Abschnitte neu zu erzeugen, ohne die ganze Spur zu ersetzen.

Als Auswahlkriterien haben sich fünf Fragen bewährt: Kann ich Referenzen wiederverwenden? Wie teuer ist eine Neugenerierung? Wie viel Kontrolle habe ich über Perspektive und Licht? Lässt sich der Ton abschnittsweise bearbeiten? Und wie gut lassen sich Ergebnisse exportieren und in ein Schnittprogramm überführen?

FAQ

Brauche ich zwingend ein Storyboard, wenn ich mit KI arbeite?

Eine formale Skizze ist nicht nötig, eine Shot-Liste schon. Sie kann als Tabelle vorliegen und muss nicht gezeichnet werden. Entscheidend ist, dass Einstellungsgröße, Perspektive, Bewegung und Licht vor der Generierung feststehen. Ohne diese vier Angaben wird jede Einstellung zum Zufallsergebnis.

Wie viele Einstellungen braucht ein einminütiges Video?

Für ruhige, erzählende Inhalte sind 12 bis 18 Einstellungen ein guter Richtwert, für schnelle Social-Formate 20 bis 28. Mehr Einstellungen bedeuten nicht mehr Qualität, sondern mehr Übergänge – und damit mehr Fehlerquellen.

Wie verhindere ich, dass meine Figur zwischen Einstellungen ihr Gesicht verändert?

Arbeite mit einem festen Referenz-Set und beschreibe unveränderliche Merkmale in jedem Prompt erneut. Halte zusätzlich die Lichtsituation konstant. Die meisten Identitätswechsel entstehen durch wechselndes Licht und wechselnde Kamerawinkel, nicht durch das Modell selbst.

Was mache ich, wenn eine Einstellung einfach nicht funktioniert?

Ändere zuerst eine Variable, nicht alle. Häufig liegt das Problem in der Perspektive oder in einer zu komplexen Handlung innerhalb einer Einstellung. Zerlege die Einstellung in zwei einfachere und prüfe, ob das Ergebnis besser wird.

Ist KI-Dialog für erzählerische Videos geeignet?

Ja, wenn er kurz bleibt. Geschriebene Sprache ist dichter als gesprochene. Kürze jede Replik um etwa ein Drittel, wenn du sie laut liest, und plane bewusste Pausen ein. Diese Pausen sind oft der Unterschied zwischen professionell und amateurhaft.

Wie gehe ich mit mehrsprachigen Fassungen um?

Plane Sprache von Anfang an als austauschbare Spur. Halte Dialogzeilen kurz und vermeide Wortspiele, die sich nicht übersetzen lassen. Wenn Text im Bild vorkommt, sollte er als separater Layer entstehen, damit er pro Sprache ersetzt werden kann, ohne das Bild neu zu erzeugen.

Fazit: Struktur schlägt Werkzeug

KI-gestütztes Geschichtenerzählen ist kein Wettbewerb um den spektakulärsten Prompt, sondern ein Handwerksprozess. Die Reihenfolge – Prämisse, Sequenz, Szenenblatt, Shot-Liste, Referenzen, Generierung, Ton – bleibt stabil, egal welche Werkzeuge du verwendest. Wer diese Reihenfolge einhält, produziert schneller, korrigiert billiger und erhält Ergebnisse, die über eine ganze Sequenz hinweg zusammenpassen.

Beginne beim nächsten Projekt mit einer einzigen Seite: Prämisse, drei Szenen, je drei Einstellungen, Lichtsituation und eine Figur mit vier Merkmalen. Produziere diese neun Einstellungen vollständig durch, inklusive Ton und Schnitt. Danach weißt du mehr über deine Pipeline als nach zwanzig Testgenerierungen – und du hast bereits ein fertiges Stück Video, das du zeigen kannst.