KI-Video und Social-Media-Workflow: Leitfaden für Assets

Warum KI-Video kein Tool-Problem, sondern ein Prozessproblem ist

Die meisten Teams, die mit KI-generiertem Video starten, kaufen zuerst Werkzeuge und definieren danach den Ablauf. Das führt fast immer zum gleichen Ergebnis: spektakuläre Einzeltests, aber keine Serie, die man verlässlich ausspielen kann. Der Engpass liegt selten im Modell. Er liegt in den Übergaben – zwischen Idee und Skript, zwischen Skript und Bild, zwischen Bild und Bewegung, zwischen Bewegung und Ton, und schließlich zwischen Rohmaterial und Plattform.

Wer diese fünf Übergaben explizit macht, produziert plötzlich zehn Clips in der Zeit, in der vorher ein Clip entstanden ist. Der Grund ist unspektakulär: Jede Übergabe ist ein Ort, an dem Informationen verloren gehen. Ein Skript, das keine Szenenbeschreibung enthält, zwingt die Person am Videotool zu raten. Ein Bild ohne definierten Look zwingt die Schnittperson zu Farbkorrektur, die nie vollständig gelingt. Eine Ausspielung ohne Hook-Varianten zwingt das Marketing zu Blindflug.

Dieser Leitfaden beschreibt deshalb keinen Werkzeugkasten, sondern eine Pipeline. Die konkreten Produkte wechseln im Halbjahresrhythmus, die Struktur bleibt. Sie funktioniert für Solo-Creator genauso wie für ein Team von fünf Personen mit Redaktionsplan, und sie skaliert, sobald Sie Assets in Serie produzieren statt einzeln.

Die Bausteine einer modernen KI-Video-Pipeline

Eine belastbare Pipeline besteht aus vier Ebenen, die aufeinander aufbauen. Jede Ebene hat ein eigenes Qualitätsziel und eine eigene Fehlerquelle. Wer die Ebenen trennt, kann Fehler isoliert beheben, statt den ganzen Clip neu zu bauen.

Text- und Skriptebene

Hier entsteht die Idee in Worten: Hook, Kernaussage, Beleg, Abschluss. Ein nützliches Format ist ein Skript von 90 bis 150 Wörtern für einen Clip von 20 bis 45 Sekunden. Sprechen Sie das Skript laut und messen Sie die Zeit. Geschriebene Sprache ist immer kürzer als gesprochene.

Auf dieser Ebene entscheiden Sie auch, ob überhaupt Sprache vorkommt. Viele kurze Clips funktionieren besser ohne Voice-over, weil sie dann in jeder Umgebung stumm konsumierbar sind. Der Text lebt dann in den Untertiteln und in den ersten zwei Sekunden.

Bild- und Szenenebene

Jetzt wird jede Szene zu einer visuellen Beschreibung: Ort, Tageszeit, Lichtstimmung, Kameraabstand, Blickrichtung, Kleidung, Requisiten. Diese Beschreibungen sind später die Grundlage für Prompt-Templates. Je präziser die Beschreibung, desto weniger Zufall im Ergebnis.

Ein häufiger Fehler ist, Szenen als Handlung zu beschreiben statt als Bild. „Sie wirkt gestresst" ist keine Bildbeschreibung. „Nahaufnahme, Schultern sichtbar, Blick nach unten auf ein Smartphone, hartes Deckenlicht, Unschärfe im Hintergrund" ist eine.

Bewegungs- und Videoebene

Bewegung ist der teuerste Teil der Kette, weil Bildmodelle billiger und schneller sind als Videomodelle und weil Videoläufe häufiger wiederholt werden müssen. Deshalb gilt eine Grundregel: Erst alle Bilder, dann alle Bewegungen. Wenn Sie Clip für Clip komplett fertigstellen, bezahlen Sie den Bewegungsschritt für Szenen, die Sie später streichen.

Für kurze Social-Assets sind ein bis drei bewegte Momente pro Clip meist ausreichend. Statische Einstellungen mit langsamer Zoom- oder Schwenkbewegung wirken oft hochwertiger als komplexe Kamerafahrten, weil die KI dort weniger Fehler macht.

Audio-, Musik- und Untertitelebene

Musik, Voice-over und Untertitel bestimmen, ob ein Clip professionell wirkt. Achten Sie darauf, dass Voice-over und Untertitel nicht denselben Inhalt doppelt erzählen. Eine gute Arbeitsteilung: Die Stimme liefert Kontext und Pointe, die Untertitel tragen die Kernaussage in drei bis fünf Wörtern pro Einblendung.

Lautheit ist ein unterschätzter Punkt. Wenn die Musik die Stimme überdeckt oder die Stimme den Musikbett-Pegel überschreitet, wirkt der Clip billig, obwohl jedes Einzelbild gut ist. Eine einfache Faustregel: Musik sechs bis zwölf Dezibel unter der Stimme, und ein „Ducking" in der Schnittsoftware aktivieren.

Vom Briefing zum Prompt: So entsteht ein wiederverwendbares Template

Prompts sind keine Magie, sondern Verträge. Ein guter Prompt sagt dem Modell, was sichtbar sein soll, wie es aussieht und was nicht passieren darf. Wenn Sie diesen Vertrag einmal sauber formulieren, können Sie ihn für jede Szene wiederverwenden und nur die variablen Teile austauschen.

Die vier Pflichtfelder jedes Briefings

1. Zielgruppe und Kontext: Wer sieht den Clip, wo und mit welcher Erwartung?
2. Kernaussage: Ein Satz, der auch dann verständlich bleibt, wenn der Ton aus ist.
3. Hook: Die ersten zwei Sekunden, als eigenständige Zeile formuliert.
4. Call to Action: Was soll nach dem Clip passieren – speichern, kommentieren, klicken, abonnieren?

Fehlt eines dieser Felder, entsteht ein Clip, den niemand ablehnen kann, weil niemand weiß, wofür er gedacht war. Genau das ist das teuerste Ergebnis im Content-Prozess.

Anatomie eines guten Video-Prompts

Ein brauchbares Prompt-Schema hat fünf Blöcke: Subjekt, Umgebung, Kamera, Licht und Stil. Beispiel: „Junge Frau, Mitte zwanzig, im Bus sitzend, Blick auf Smartphone, mittlere Nahaufnahme aus Schulterhöhe, kaltes Morgenlicht durch Fenster, dokumentarischer Look, leichte Filmkörnung."

Zwei Dinge sind hier wichtig. Erstens: Keine Wertungen, nur Beobachtbares. „Schön" oder „emotional" sind für Modelle keine verwertbaren Angaben. Zweitens: Konsistenz in der Reihenfolge. Wenn Block drei immer die Kamera beschreibt, können Sie Prompts schneller prüfen und Fehler schneller finden.

Ausschlusslisten und Negativ-Prompts

Viele Modelle erlauben Negativangaben. Nutzen Sie sie sparsam, aber konsequent für wiederkehrende Störfaktoren: verzerrte Hände, doppelte Gesichter, lesbare Schrift im Bild, Wasserzeichen, unruhiger Bildhintergrund, überladene Details.

Eine Ausschlussliste ist ein lebendes Dokument. Jedes Mal, wenn ein Fehler auftritt, ergänzen Sie einen Eintrag. Nach zwanzig Clips haben Sie eine Liste, die Ihre Trefferquote dauerhaft verbessert.

Konsistenz über Serien hinweg: Figuren, Marke und Farbwelt

Ein einzelner Clip kann zufällig gut aussehen. Eine Serie muss wiedererkennbar sein. Wiedererkennung entsteht nicht durch ein Logo, sondern durch wiederholte visuelle Entscheidungen.

Referenzbilder und Figurenbögen

Wenn eine Figur in mehreren Clips vorkommt, erzeugen Sie zuerst drei bis fünf Referenzbilder aus verschiedenen Winkeln und speichern sie in einem Ordner. Jede spätere Szene referenziert diese Bilder statt einer neuen Textbeschreibung. So bleibt das Gesicht stabil, und der Aufwand sinkt, weil Sie nicht jede Szene neu beschreiben müssen.

Legen Sie außerdem eine kurze Figurenkarte an: Alter, Kleidung, Frisur, typische Haltung, ein wiederkehrendes Detail wie eine Brille oder eine bestimmte Jacke. Diese Karte gehört ins Briefing, nicht in den Kopf einzelner Teammitglieder.

Farb-, Licht- und Typografie-Regeln

Definieren Sie zwei bis drei Farben und eine Lichtstimmung, die in allen Clips wiederkehren. Dasselbe gilt für Schriftarten und Untertitelstil: Position, Größe, Farbe, Kontur. Wenn diese Regeln einmal festgelegt sind, kann jede Person im Team Einblendungen erstellen, ohne das Markenbild zu verwässern.

Asset-Bibliothek und Namenskonventionen

Eine Bibliothek ohne Namensregeln ist ein Datenfriedhof. Ein einfaches Schema reicht: Kampagne, Datum, Szene, Version, Status. Beispiel: sommerkampagne_szene03_v2_final. So finden Sie Material wieder, statt es neu zu generieren.

Format-Engineering: Ein Master, viele Ausspielungen

Die meiste Arbeit steckt im ersten Schnitt. Danach sollte jedes weitere Format ein Export sein, keine neue Produktion.

Seitenverhältnisse und Safe Zones

Produzieren Sie den Master idealerweise in 16:9 und leiten Sie hochkant 9:16 sowie quadratisch 1:1 daraus ab. Wichtig ist die Platzierung der zentralen Bildinhalte: Halten Sie Gesichter und Text innerhalb eines gedachten Sicherheitsrahmens, damit keine Plattform-Overlays wichtige Details verdecken.

Prüfen Sie jede Ausspielung einmal wirklich auf dem Zielgerät. Ein Untertitel, der am Desktop sauber sitzt, kann auf dem Smartphone hinter der Bedienoberfläche verschwinden.

Hook-Varianten systematisch testen

Generieren Sie pro Clip zwei oder drei Hooks. Sie müssen nur die erste Einstellung und die erste Untertitelzeile austauschen. So entsteht ein Testaufbau, der tatsächlich aussagekräftig ist, weil sich nur eine Variable ändert.

Notieren Sie die Ergebnisse in einer einfachen Tabelle: Hook-Typ, Veröffentlichungszeit, Aufrufe nach 24 Stunden, Abschlussrate. Nach zehn Clips sehen Sie Muster, die kein Bauchgefühl liefert.

Untertitel, die wirklich gelesen werden

Kurze Zeilen, hoher Kontrast, konstante Position. Vermeiden Sie dekorative Schriften und animierte Übergänge bei jedem Wortwechsel. Zwei bis drei Wörter pro Einblendung sind ein guter Richtwert, ebenso eine Standzeit von mindestens 0,8 Sekunden.

Batch-Produktion: ein realistischer Tagesablauf in vier Blöcken

Der größte Effizienzgewinn entsteht nicht durch schnellere Tools, sondern durch Bündelung gleichartiger Arbeit. Rechnerisch ist der Wechsel zwischen Tätigkeiten teurer als die Tätigkeit selbst.

Block 1: Recherche und Ideenpool

Sammeln Sie zwanzig Ideen, bevor Sie eine produzieren. Notieren Sie pro Idee den Hook und die Kernaussage. Werfen Sie alles weg, was sich nicht in einem Satz sagen lässt.

Block 2: Generierung

Jetzt entstehen alle Bilder und alle bewegten Einstellungen in einem Durchgang. Starten Sie mehrere Läufe parallel, wenn das Werkzeug es erlaubt, und prüfen Sie in Stapeln statt einzeln. Verwerfen Sie früh und ohne Bedauern: Ein mittelmäßiger Clip kostet später mehr Zeit als ein neuer Lauf.

Block 3: Schnitt und Nachbearbeitung

Hier werden Bild, Bewegung, Musik und Untertitel zusammengeführt. Arbeiten Sie mit Vorlagen-Projekten in Ihrer Schnittsoftware, inklusive Farbkorrektur-Ebene, Audio-Kette und Untertitelstil. Dann ist der Schnitt für Clip zwei bis zehn deutlich schneller als für Clip eins.

Block 4: Prüfung und Ausspielung

Zum Schluss eine feste Checkliste und das Einplanen der Veröffentlichung. Dieser Block ist kurz, aber er darf nicht entfallen – ungeprüftes Material ist der häufigste Grund für peinliche Korrekturen nach dem Posten.

Entscheidungskriterien: Zeit, Budget und Qualität in Balance

Wenn Sie zwischen Werkzeugen oder Ansätzen wählen, entscheiden Sie nicht nach Ausprobieren, sondern nach Kriterien. Diese fünf Fragen sortieren die meisten Optionen schnell:

• Kontrolle: Kann ich eine Bewegung wiederholen, ohne die ganze Szene neu zu erzeugen?
• Konsistenz: Bleibt die Figur über mehrere Läufe erkennbar dieselbe?
• Auflösung und Formate: Bekomme ich hochkant und quer in ausreichender Qualität?
• Nachbearbeitbarkeit: Liefert das Werkzeug Ebenen, Masken oder zumindest saubere Exporte?
• Rechtliche und organisatorische Passung: Sind Nutzungsrechte, Teamzugänge und Ablage geklärt?

Praktisch heißt das: Für schnelle, stilisierte Konzeptclips genügt ein leichtes Werkzeug. Für markengeführte Serien mit wiederkehrenden Figuren brauchen Sie Referenzbild-Steuerung und reproduzierbare Einstellungen. Und wenn Ihr Material in klassischen Schnitt weiterverarbeitet wird, ist die Exportqualität wichtiger als jede Zusatzfunktion.

Typische Fehler und wie Sie sie vermeiden

Zu viel pro Clip. Ein Clip mit fünf Aussagen hat keine. Kürzen Sie auf eine Kernaussage und einen Beleg.

Zu späte Musik-Entscheidung. Wird die Musik erst im Schnitt gewählt, zerbricht der Rhythmus. Wählen Sie die Tonspur vor dem finalen Schnitt.

Unklare Hook-Verantwortung. Wenn alle am Hook arbeiten, arbeitet niemand daran. Legen Sie fest, wer den Hook schreibt und wer ihn freigibt.

Generieren ohne Aktenlage. Ohne Namenskonvention und Ablage entsteht ein zweiter Produktionslauf für Material, das bereits existiert.

KI-Look durch Übertreibung. Zu viele Effekte, zu viele Bewegungen, zu viel Glanz. Weniger Bewegung und natürliches Licht wirken glaubwürdiger.

Kein Stopp-Kriterium. Ohne Regel, wann ein Clip gut genug ist, wird endlos optimiert. Definieren Sie: maximal drei Läufe pro Szene, danach Szene neu denken.

Qualitätskontrolle vor der Veröffentlichung

Eine Checkliste mit zwölf Punkten, die in zwei Minuten erledigt ist:

1. Ist der Hook in den ersten zwei Sekunden sichtbar und verständlich?
2. Funktioniert der Clip ohne Ton?
3. Sind alle Untertitel korrekt geschrieben, inklusive Namen und Fachbegriffen?
4. Ist die Stimme deutlich lauter als die Musik?
5. Sind Hände, Gesichter und Hintergründe frei von sichtbaren Artefakten?
6. Ist kein ungewollter Text oder Wasserzeichen im Bild?
7. Passt der Clip zum festgelegten Farb- und Lichtlook?
8. Ist die Schriftgröße auf dem Smartphone lesbar?
9. Liegt der Call to Action im letzten Drittel und ist er eindeutig?
10. Stimmen Seitenverhältnis und Auflösung für die Zielplattform?
11. Sind Musik- und Bildrechte geklärt?
12. Ist der Clip nach Ihrer Namenskonvention abgelegt und versioniert?

FAQ

Wie lang sollte ein KI-generierter Social-Clip sein?

Für die meisten Formate funktionieren 20 bis 45 Sekunden am besten. Unter 15 Sekunden brauchen Sie eine sehr starke Pointe, über 60 Sekunden sinkt die Abschlussrate deutlich, sofern der Inhalt nicht klar in Kapitel gegliedert ist.

Muss ich für jede Szene ein eigenes Bild generieren?

Nein. Wiederverwendung ist ein Qualitätsmerkmal. Wenn eine Einstellung funktioniert, nutzen Sie sie in mehreren Clips mit unterschiedlichem Text. Das spart Zeit und stärkt die Wiedererkennung.

Wie viele Läufe pro Szene sind sinnvoll?

Drei. Der erste Lauf ist Exploration, der zweite Korrektur, der dritte Feinschliff. Danach liegt das Problem meist im Prompt oder in der Szenenidee, nicht im Modell.

Kann ich KI-Video ohne eigene Stimme produzieren?

Ja, mit synthetischer Stimme oder komplett stumm mit Untertiteln. Achten Sie bei synthetischen Stimmen auf natürliche Pausen und darauf, dass Betonung nicht monoton wirkt. Ein Test mit Kopfhörern zeigt Schwächen schneller als Lautsprecher.

Wie verhindere ich, dass alle Clips gleich aussehen?

Variieren Sie bewusst drei Dinge: Einstellungsgröße, Lichtstimmung und Erzählperspektive. Wenn diese drei über eine Serie hinweg wechseln, wirkt sie abwechslungsreich, obwohl Farbwelt und Figuren konstant bleiben.

Was mache ich, wenn die Qualität für die Marke nicht reicht?

Dann kombinieren Sie generative Elemente mit realem Material. KI eignet sich hervorragend für Hintergründe, Übergänge, abstrakte Szenen und Motion-Grafiken. Für Gesichter und Hände in Nahaufnahme ist echtes Material oft die sicherere Wahl.

Wie organisiere ich die Zusammenarbeit im Team?

Drei Rollen genügen: Konzept und Text, Generierung und Schnitt, Freigabe und Ausspielung. Jede Rolle braucht ein eigenes Dokument – Briefing, Prompt-Sammlung, Checkliste. Alles andere führt zu Rückfragen, die den Ablauf verlangsamen.

Der eigentliche Gewinn liegt nicht darin, dass ein Werkzeug ein Video erzeugen kann. Er liegt darin, dass Sie den Weg von der Idee bis zur Veröffentlichung so oft gegangen sind, dass er vorhersehbar wird. Vorhersehbarkeit ist der Punkt, an dem Content-Produktion aufhört, ein Glücksspiel zu sein, und anfängt, ein Prozess zu werden, den man planen, messen und verbessern kann.