Generative Videomodelle gehören in vielen Teams zum Alltag: Aus einem Prompt, ein paar Referenzbildern und einer Tonspur entsteht in Minuten ein Werbespot, ein Erklärvideo oder eine komplette Szene. Was dabei oft fehlt, ist das Bewusstsein dafür, dass in solchen Workflows ständig personenbezogene Daten, Markenrechte und kreative Leistungen Dritter verarbeitet werden. Datenschutz ist deshalb keine Prüfung am Projektende, sondern eine Designentscheidung am Anfang.
Weil Modelle und Anbieter schnell wechseln, hilft es wenig, sich auf einen einzelnen Dienst zu verlassen. Wer einen wiederholbaren, dokumentierten Prozess aufsetzt, kann Werkzeuge austauschen, ohne die Compliance zu verlieren. Dieser Leitfaden erklärt, welche Rechtsfragen wirklich relevant sind, wie ein sicherer Produktionsworkflow aussieht, welche technischen Maßnahmen etwas bringen und welche Fehler sich in der Praxis häufen.
Warum das Thema schnell zur Chefsache wird
Der stärkste Treiber ist die Qualität der Ergebnisse. Gesichter, Stimmen und Gesten wirken in aktuellen Modellen so überzeugend, dass Zuschauer nicht mehr zuverlässig unterscheiden können, was echt ist. Sobald eine generierte Figur einer realen Person ähnelt – oder auch nur so wirkt – ist das Persönlichkeitsrecht berührt, unabhängig davon, ob eine Absicht bestand.
Der zweite Treiber ist der Input. Prompts enthalten häufig echte Namen, Kundendaten, interne Produktbezeichnungen oder vertrauliche Strategien. Referenzbilder stammen aus Fotoshootings mit Mitarbeitenden, aus Archivmaterial oder von Stock-Plattformen mit eingeschränkten Lizenzen. Jede dieser Quellen bringt eigene Pflichten mit.
Der dritte Treiber ist Vertrauen. Ein einziges Video mit problematischem Inhalt – eine verzerrte Darstellung, ein ungewolltes Deepfake, ein falsch zitierter Markenauftritt – kann Beschwerden, Plattformsperren und Vertragsstrafen auslösen. Der Aufwand für Prävention ist fast immer kleiner als der Aufwand für Schadensbegrenzung.
Viertens entwickelt sich die Regulierung weiter: Transparenzpflichten, Kennzeichnungspflichten für synthetische Inhalte und Dokumentationsanforderungen an KI-Systeme werden schrittweise verbindlicher. Wer heute sauber arbeitet, muss morgen weniger nachbessern.
Der rechtliche Rahmen in Europa
Drei Regelwerke greifen ineinander: Datenschutzrecht, Urheber- und Persönlichkeitsrecht sowie die Vorgaben für den Betrieb von KI-Systemen. In der Praxis ist entscheidend, welche Rolle ein Team einnimmt – als Verantwortlicher für die Datenverarbeitung, als Auftragsverarbeiter oder als reiner Nutzer einer Plattform.
Personenbezogene Daten stecken tiefer im Workflow als gedacht
Personenbezogene Daten sind nicht nur Namen und Adressen. Ein Gesicht, eine Stimme, eine Gangart oder ein charakteristischer Stil können identifizierbar sein. Schon die Beschreibung „Marketingleiterin mit Brille und rotem Mantel, wie im letzten Kampagnenvideo“ kann eine Person bestimmbar machen.
Prüfenswert sind deshalb alle Stationen: Prompt-Datenbanken, Referenzbilder, hochgeladene Rohvideos, Stimmaufnahmen, Kommentare im Projektmanagement, Freigabe-Threads und die generierten Ergebnisse selbst. Häufig liegt das größte Risiko nicht im Modell, sondern in der Ablage daneben.
Zweckbindung, informierte Einwilligung und Löschfristen
Wer Material von echten Personen verwendet, braucht eine Rechtsgrundlage: Einwilligung, Vertrag oder berechtigtes Interesse. Die Einwilligung muss informiert sein, also den Einsatz in generativen Systemen ausdrücklich umfassen – eine allgemeine „Nutzung für Werbung“ genügt selten.
Ebenso wichtig ist die Zweckbindung. Material, das für eine interne Schulung erhoben wurde, darf nicht ohne Weiteres in eine Kampagne wandern. Und jede Verarbeitung braucht ein Ende: Definieren Sie Aufbewahrungsfristen für Rohmaterial, Zwischenstände und Exporte und löschen Sie automatisiert, statt auf manuelle Ordnung zu hoffen.
Urheberrecht, Persönlichkeitsrecht und Marken
Bei KI-Video entstehen drei typische Reibungspunkte. Erstens der Stil: Wenn ein Ergebnis erkennbar an einen lebenden Künstler oder ein geschütztes Werk angelehnt ist, drohen Unterlassungsansprüche. Zweitens die Marke: Logos, Produktformen und geschützte Zeichen dürfen nicht beiläufig ins Bild geraten. Drittens das Persönlichkeitsrecht, etwa bei nachgestellten Szenen über reale Menschen.
Sauber wird es durch Nachweise: Woher stammt das Referenzmaterial, welche Lizenz gilt, wer hat zugestimmt, was wurde bewusst ausgeschlossen? Diese Fragen lassen sich in einem kurzen Projektblatt dokumentieren, das bei jeder Produktion mitläuft.
Risikoklassen: Welche Projekte wirklich sensibel sind
Nicht jedes Projekt braucht denselben Aufwand. Eine einfache Einteilung hilft bei der Ressourcenplanung und verhindert, dass entweder alles überprüft oder gar nichts geprüft wird.
Niedriges Risiko: abstrakte Animationen, Landschaften, Produktanimationen ohne Personen, fiktive Figuren ohne Vorbild, interne Moodboards, Hintergrund-Loops für Präsentationen.
Mittleres Risiko: Szenen mit Statisten oder Mitarbeitenden, Sprecherstimmen, Werbespots mit Markenbezug, Schulungsvideos mit wiedererkennbaren Personen, Testimonials mit Freigabe.
Hohes Risiko: Nachbildungen realer Personen, politische oder journalistische Inhalte, medizinische oder finanzielle Aussagen, Kinderdarstellungen, Inhalte mit rechtlich heiklen Themen, alles, was ohne Kennzeichnung veröffentlicht wird.
Ordnen Sie jedes Projekt vor Produktionsstart ein. Die Einstufung bestimmt, wie viele Freigaben nötig sind, ob eine Rechtsprüfung eingeschaltet wird und ob Ergebnisse zusätzlich zertifiziert werden müssen. Ein nützlicher Zusatztest: Fragen Sie sich, ob eine betroffene Person das Ergebnis als „über mich“ lesen würde. Wenn ja, steigt die Klasse automatisch.
Ein weiteres Kriterium ist die Reichweite. Ein internes Video für zwanzig Personen verursacht selten einen Reputationsschaden; die gleiche Szene auf einer öffentlichen Plattform kann in Stunden millionenfach gesehen werden. Reichweite multipliziert sowohl Risiko als auch Pflichten. Deshalb lohnt es sich, die Risikoklasse nicht nur nach Inhalt, sondern auch nach geplanter Verbreitung zu bestimmen.
Ein sicherer Produktionsworkflow in vier Phasen
Der Unterschied zwischen einem sauberen und einem riskanten Projekt liegt selten im Modell, sondern im Ablauf. Ein belastbarer Workflow besteht aus vier klar getrennten Phasen – und jede Phase endet mit einem überprüfbaren Ergebnis.
Phase 1 – Minimierung vor dem ersten Prompt
Bevor jemand eine Prompt-Datei öffnet, sollte feststehen, welche Daten überhaupt gebraucht werden. Fragen Sie: Brauchen wir echte Gesichter, oder reicht eine stilisierte Figur? Muss der echte Kundenname im Prompt stehen, oder genügt „mittelgroßer Einzelhändler in Süddeutschland“?
Arbeiten Sie mit internen Platzhaltern und ersetzen Sie sensible Angaben systematisch. Jede Information, die nie in ein Modell gelangt, muss später auch nicht gelöscht, erklärt oder verteidigt werden. Diese Phase kostet zehn Minuten und spart im Streitfall Wochen.
Ein praktisches Hilfsmittel ist eine dreispaltige Liste: Information, die unbedingt nötig ist; Information, die durch eine Abstraktion ersetzt werden kann; Information, die entfernt wird. Dieses Dokument ist gleichzeitig der Nachweis, dass Minimierung stattgefunden hat.
Phase 2 – Referenzmaterial und Prompts kontrollieren
Referenzbilder und Stimmproben gehören in einen eigenen, zugriffsbeschränkten Bereich – nicht in einen allgemeinen Cloud-Ordner. Benennen Sie Dateien neutral, entfernen Sie Metadaten wie GPS-Koordinaten und Aufnahmedatum, sofern sie nicht benötigt werden, und führen Sie eine Quellenliste mit Lizenzangabe.
Prompts selbst sind Projektwissen. Versionieren Sie sie in einem Repository mit klarer Rechtevergabe, statt sie per Chat zu verteilen. So bleibt nachvollziehbar, welche Anweisung zu welchem Ergebnis geführt hat – hilfreich bei Freigaben und bei Haftungsfragen.
Bewährt hat sich ein Namensschema, das Projekt, Szene und Version enthält, aber keine Personennamen. Beispiel: kampagne-herbst/szene-03/v04. Wer diese Regel einmal einführt, findet Material später in Sekunden wieder – und verhindert, dass Klarnamen in Dateipfaden landen.
Phase 3 – Speicherung, Zugriff und Protokollierung
Rohmaterial, Zwischenergebnisse und finale Exporte haben unterschiedliche Lebensdauern. Trennen Sie sie in getrennten Speichern mit eigenen Fristen. Zugriff sollte rollenbasiert sein: Wer schneidet, muss nicht zwingend die Rohaufnahmen aller Mitwirkenden sehen.
Protokollieren Sie Uploads, Generierungen, Exporte und Löschungen. Ein solches Protokoll ist bei einer Anfrage von Betroffenen oder bei einer Prüfung Gold wert. Wichtig ist, dass die Protokolle selbst keine sensiblen Inhalte im Klartext enthalten – also besser IDs und Zeitstempel als vollständige Prompt-Texte.
Denken Sie auch an die weniger sichtbaren Kopien: lokale Browser-Caches auf Arbeitsrechnern, automatische Backups, Sync-Ordner auf privaten Geräten und Screenshots in Abstimmungs-Chats. Diese Nebenkopien sind in Audits die häufigste Ursache für Überraschungen.
Phase 4 – Freigabe, Kennzeichnung, Löschung
Vor der Veröffentlichung braucht es eine dokumentierte Freigabe: Wer hat geprüft, welche Punkte wurden kontrolliert, welche Bedenken wurden wie ausgeräumt? Kennzeichnen Sie synthetische Inhalte dort, wo es sinnvoll oder verlangt ist, und halten Sie die Kennzeichnung konsistent über alle Kanäle – Website, Social Video, Präsentation, Werbemittel.
Zum Abschluss gehört ein Löschlauf: Rohmaterial entfernen, Stimmproben entfernen, temporäre Dateien und Cache-Verzeichnisse bereinigen. Planen Sie diesen Schritt als Aufgabe mit Datum ein, sonst bleibt er liegen. Ein einfacher Trick: Legen Sie die Löschung als Kalendereintrag an, sobald das Projekt startet.
Technische Maßnahmen mit echtem Nutzen
Verschlüsselung, Datenresidenz und Zugriffstrennung
Verschlüsselung bei Übertragung und Speicherung ist Standard, aber sie löst nur einen Teil des Problems. Prüfen Sie, in welchen Regionen Daten verarbeitet und gespeichert werden, besonders wenn Mitwirkende in der EU ansässig sind. Trennen Sie Produktions-, Test- und Kundensysteme, damit ein Fehler in einer Umgebung nicht alle Daten betrifft.
Sinnvoll ist außerdem eine Trennung nach Sensibilität: Ein Workspace für Projekte mit echten Personen, einer für unkritische Inhalte. So muss nicht jedes Experiment dieselben strengen Regeln befolgen, und der strenge Pfad bleibt übersichtlich.
Nicht-destruktive Anpassung statt dauerhafter Datensammlung
Wenn ein Modell auf den eigenen Stil oder ein wiederkehrendes Gesicht abgestimmt werden soll, ist ein dauerhaft trainiertes Modell mit gespeicherten Trainingsdaten nicht die einzige Option. Nicht-destruktive Ansätze, bei denen Anpassungen pro Projekt erfolgen und danach verworfen werden, reduzieren die Angriffsfläche erheblich. Entscheidend ist die Frage: Bleibt das Material nach dem Projekt im System, oder verschwindet es mit dem Auftrag?
Für wiederkehrende Formate – etwa eine animierte Markenfigur – kann eine dauerhafte Anpassung sinnvoll sein. Dann sollte sie aber ausdrücklich beschlossen, dokumentiert und mit einer festen Löschfrist versehen werden. Der Unterschied zwischen „ist eben so entstanden“ und „wurde bewusst entschieden“ ist im Streitfall erheblich.
Wasserzeichen und Provenienz-Metadaten
Provenienz-Signale dokumentieren, wie ein Inhalt entstanden ist, und machen die Herkunft für Plattformen und Prüfstellen nachvollziehbar. Wasserzeichen können sichtbar oder unsichtbar sein; für Werbekampagnen reicht oft eine sichtbare Kennzeichnung im Abspann, für journalistische Formate ist mehr Transparenz nötig. Wichtig ist, dass Metadaten beim Encoding nicht verloren gehen – testen Sie Export-Pipelines einmal bewusst darauf.
Ein einfacher Test: Exportieren Sie ein Video durch Ihre gesamte Kette und prüfen Sie anschließend, ob die Metadaten noch vorhanden sind. Wird das Material unterwegs komprimiert, skaliert oder in ein anderes Format gewandelt, verschwinden Zusatzinformationen schneller als erwartet.
Tool-Auswahl: Entscheidungskriterien statt Marketingversprechen
Bei generativen Videowerkzeugen – von Sora über Kling und Veo bis Runway und Luma – sind die Unterschiede bei Datenschutzfunktionen oft größer als bei der Bildqualität. Fragen, die sich vor der Auswahl lohnen:
- Wird Ihr Material zum Training verwendet, und lässt sich das abschalten?
- Wo werden Daten gespeichert und verarbeitet?
- Gibt es eine Löschfunktion, und wie schnell greift sie?
- Können Sie Nutzerrollen trennen?
- Existieren Exportfunktionen mit Provenienz-Metadaten?
- Gibt es dokumentierte Sub-Prozessoren?
- Wie transparent ist die Änderungshistorie der Bedingungen?
- Können Sie pro Projekt getrennte Arbeitsbereiche anlegen?
Bewerten Sie die Antworten schriftlich und vergleichen Sie sie mit den eigenen Risikoklassen. Ein Werkzeug mit perfekter Bildqualität, aber intransparenter Datenhaltung ist für Projekte mit echten Personen ungeeignet – für abstrakte Animationen aber völlig ausreichend.
Die beste Strategie ist meist eine Kombination: ein strikt kontrollierter Pfad für sensible Produktionen und ein offenerer Pfad für unkritische Inhalte. Wichtig ist, dass die Zuordnung nicht dem Zufall überlassen bleibt. Definieren Sie schriftlich, welches Projekt in welchen Pfad gehört, und machen Sie den Wechsel zwischen den Pfaden zu einer bewussten Entscheidung.
Drei Praxisbeispiele im Vergleich
Beispiel A: Abstrakte Produktanimation. Ein Softwareunternehmen erstellt eine animierte Erklärung seiner Datenbank-Architektur. Keine Personen, keine Marken Dritter, keine Stimmaufnahmen. Risikoklasse niedrig. Der Ablauf: Prompt-Versionierung, Generierung im offenen Pfad, keine Einwilligungen nötig, Kennzeichnung als KI-generiert freiwillig. Aufwand: wenige Stunden, überwiegend kreativ.
Beispiel B: Erklärvideo mit Mitarbeitenden. Ein Unternehmen lässt drei Mitarbeitende als Avatare auftreten. Risikoklasse mittel. Hier braucht es eine spezifische Einwilligung, die generative Nutzung, Dauer und Kanäle nennt, eine Zugriffsbeschränkung auf das Referenzmaterial, eine feste Löschfrist für die Stimmproben und eine dokumentierte Freigabe vor Veröffentlichung. Der Mehraufwand liegt bei etwa einem halben Arbeitstag – und verhindert, dass ein späterer Jobwechsel zum Problem wird.
Beispiel C: Nachbildung einer bekannten Person. Ein Spot, in dem eine prominente Stimme zu hören ist. Risikoklasse hoch. Erforderlich sind eine ausdrückliche, schriftliche Vereinbarung mit Reichweite und Laufzeit, eine Prüfung durch die Rechtsabteilung, eine klare Kennzeichnung und eine Regelung, was nach Ablauf der Vereinbarung mit dem Material geschieht. Ohne diese Schritte ist das Projekt nicht veröffentlichungsfähig – unabhängig davon, wie gut das Ergebnis aussieht.
Die drei Beispiele zeigen denselben Grundsatz: Der Aufwand wächst mit der Nähe zu realen Personen. Wer diese Linie einmal internalisiert hat, trifft die meisten Entscheidungen intuitiv richtig.
Typische Fehler und wie man sie vermeidet
Fehler 1: Datenschutz erst bei der Veröffentlichung prüfen. Lösung: Risikoeinstufung vor Produktionsstart.
Fehler 2: Referenzbilder aus dem Freigabe-Chat in das Modell laden. Lösung: eigener, kontrollierter Medienpool mit klaren Zugriffsrechten.
Fehler 3: Annehmen, dass Anbietereinstellungen automatisch für Datenschutz sorgen. Lösung: eigene Konfiguration prüfen, insbesondere Trainingsnutzung und Speicherdauer.
Fehler 4: Keine Löschfristen definieren. Lösung: Fristen pro Datenkategorie festlegen und automatisieren.
Fehler 5: Kennzeichnung vergessen. Lösung: Kennzeichnung als festen Schritt in die Publishing-Checkliste aufnehmen.
Fehler 6: Keine Dokumentation. Lösung: einseitiges Projektblatt mit Quellen, Lizenzen, Einwilligungen und Freigaben.
Fehler 7: Verantwortlichkeiten unklar. Lösung: eine Person benennen, die Freigaben erteilt und haftet.
Fehler 8: Material in privaten Sync-Ordnern. Lösung: nur freigegebene Speicherorte zulassen und private Geräte aus dem Prozess heraushalten.
Fehler 9: Einwilligung zu pauschal formulieren. Lösung: generative Nutzung, Modelltypen, Kanäle und Laufzeit ausdrücklich benennen.
Fehler 10: Änderungen der Anbieterbedingungen ignorieren. Lösung: quartalsweise prüfen und im Projektblatt vermerken.
Viele dieser Fehler entstehen nicht aus Nachlässigkeit, sondern aus Zeitdruck. Deshalb hilft es, die wichtigsten Schritte als Vorlage anzulegen: Ein Projektblatt, eine Einwilligungsvorlage, eine Publishing-Checkliste. Wer diese drei Dokumente einmal erstellt hat, braucht bei jedem neuen Projekt nur noch auszufüllen.
FAQ: häufige Fragen zu KI-Video und Datenschutz
Sind KI-generierte Videos immer personenbezogene Daten? Nein. Rein abstrakte Inhalte ohne Bezug zu Personen fallen nicht darunter. Sobald aber eine reale Person erkennbar, nachahmbar oder bestimmbar ist, greifen die üblichen Pflichten.
Reicht eine Einwilligung im Vertrag? Nur wenn sie klar, informiert und spezifisch ist. Pauschale Formulierungen sind angreifbar. Besser: separate Einwilligung für die generative Nutzung, mit Widerrufsmöglichkeit.
Darf ich Mitarbeitende als Referenz für Figuren nutzen? Mit Einwilligung ja – aber begrenzen Sie Zweck und Dauer und machen Sie klar, dass die Daten in ein Modell eingehen. Sinnvoll ist eine Regelung für den Fall, dass die Person das Unternehmen verlässt.
Was passiert mit Prompts und Referenzen nach dem Projekt? Das bestimmen Sie. Definieren Sie Fristen, automatisieren Sie Löschungen und dokumentieren Sie den Vorgang.
Muss jedes KI-Video gekennzeichnet werden? Nicht überall gleich streng, aber Transparenz ist die sicherste Grundhaltung. Kennzeichnen Sie synthetische Inhalte sichtbar oder über Metadaten, wo es sinnvoll ist.
Wie gehe ich mit Beschwerden um? Halten Sie Projektblätter, Einwilligungen und Protokolle bereit. Schnelle, nachvollziehbare Antworten entschärfen die meisten Fälle.
Wie lange sollte ich Rohmaterial aufbewahren? So kurz wie möglich und so lange wie nötig. Üblich sind klare Fristen pro Kategorie: Rohmaterial kurz, finaler Export länger, Prompts mittelfristig. Wichtiger als die genaue Zahl ist, dass die Frist dokumentiert und technisch durchgesetzt wird.
Was mache ich, wenn ein Modell unerwartet eine reale Person ähnlich darstellt? Veröffentlichung stoppen, Material sichern, Vorfall dokumentieren, betroffene Person informieren, falls erforderlich. Danach prüfen, ob ein anderer Seed, ein anderes Referenzbild oder ein anderes Werkzeug das Problem vermeidet.
Brauche ich für rein interne Videos dieselben Regeln? Nicht dieselben, aber verwandte. Auch intern gilt Zweckbindung, und interne Verteilung ist selten so begrenzt, wie sie scheint. Ein internes Video kann schnell in einer Präsentation bei Kunden landen.
Kurze Checkliste für den Projektstart
- Risikoklasse festgelegt und dokumentiert
- Datenminimierung durchgeführt, Ersatzbegriffe definiert
- Rechtsgrundlage und Einwilligungen geklärt
- Referenzmaterial in geschütztem Bereich, Quellen und Lizenzen erfasst
- Prompts versioniert, Zugriffsrechte vergeben
- Aufbewahrungsfristen pro Datenkategorie definiert
- Löschlauf als Aufgabe eingeplant
- Kennzeichnung und Freigabe vor Veröffentlichung geregelt
- Verantwortliche Person benannt
Fazit
Datenschutz bei KI-Video ist kein Hindernis für Kreativität, sondern eine Frage der Arbeitsorganisation. Wer Daten minimiert, Zugriffe trennt, Fristen definiert und Ergebnisse kennzeichnet, kann mit generativen Modellen arbeiten, ohne bei jeder Kampagne zu zittern.
Die Technik wird sich weiterentwickeln, die Grundsätze bleiben: so wenig Daten wie möglich, so viel Transparenz wie nötig und ein dokumentierter Prozess, der auch beim nächsten Modellwechsel trägt. Wer heute einen sauberen Workflow aufsetzt, kann morgen jedes neue Werkzeug ausprobieren – ohne das Rad jedes Mal neu zu erfinden.
