Von der Idee zum fertigen KI-Clip: der komplette Workflow

Ein fertiger Clip wirkt wie ein einzelnes Ergebnis. Tatsächlich ist er das Produkt von dutzenden kleiner Entscheidungen: Was wird erzählt, wie lange, in welcher Reihenfolge, mit welcher Bildsprache, welchem Klang, welchem Tempo – und wann ist er gut genug zum Veröffentlichen? Generative Videomodelle haben den sichtbarsten Teil dieser Kette drastisch verkürzt: das Erzeugen bewegter Bilder. Die Arbeit davor und danach haben sie nicht ersetzt. Genau dort entscheidet sich, ob ein Projekt in zwei Stunden oder in zwei Wochen fertig wird.

Dieser Leitfaden beschreibt einen vollständigen Weg von der Idee bis zum ausgelieferten Clip. Im Zentrum steht keine einzelne Plattform, sondern eine Methode, die sich an wechselnde Modelle, Formate und Teamgrößen anpassen lässt. Die Beispiele stammen aus Werbeclips, Erklärvideos, Social-Media-Kurzformaten und internen Präsentationen – also aus Situationen, in denen nicht Perfektion, sondern Verlässlichkeit zählt.

Warum nicht das Modell, sondern die Reihenfolge entscheidet

Wer regelmäßig Videos produziert, kennt das Muster: Ein neuer Generator erscheint, die Demos sehen spektakulär aus, und die eigene Produktionskette wird sofort umgebaut. Zwei Wochen später erscheint der nächste Generator. Was dabei verloren geht, ist nicht technisches Wissen, sondern Rhythmus. Ein Clip entsteht aus einer Entscheidungskette, und diese Kette wird nicht dadurch besser, dass an einer Stelle ein anderes Modell rechnet.

Ein nützliches Maß ist die Entscheidungsdichte. Rechne pro Einstellung mit etwa einem Dutzend Festlegungen: Was ist zu sehen? Welche Bewegung findet statt? Welche Einstellungsgröße und welcher Winkel? Welche Lichtstimmung? Welche Figur, welches Outfit? Wie lang ist die Einstellung? Welcher Ton begleitet sie? Wie wird geschnitten? In welcher Auflösung wird ausgegeben? Bei zwölf Einstellungen sind das rund 140 Festlegungen. Wenn die Hälfte davon erst während der Generierung entsteht, ist der Zeitplan nicht planbar – und der teuerste Teil der Produktion wird das Nachjustieren.

Drei Hebel machen den Unterschied:

Artefakte statt Erinnerung: Konzept, Szenenplan, Prompt-Vorlagen, Referenzbilder, Rohmaterial und Schnittprojekt existieren als Dateien, nicht als Idee im Kopf.
Feste Reihenfolge: Jede Phase friert eine Entscheidung ein, damit die nächste nicht ständig rückwärts arbeitet.
Wechsel nur bei konkretem Problem: Ein neues Werkzeug wird eingeführt, weil eine bestimmte Aufgabe schlecht gelöst wird – nicht, weil es neu ist.

Dazu kommt Reproduzierbarkeit. Zu jedem gelungenen Shot gehören Prompt, Startbild, Zahlenwert für den Zufallsstart und Modellversion. Ohne diese vier Angaben lässt sich ein Ergebnis nicht wiederholen, und ein Wiederholungsversuch wird zum Ratespiel.

Drei Perspektiven, die auch im Solo-Projekt bleiben

Jedes Video braucht unabhängig von der Teamgröße drei Blickwinkel: die Erzählung (Was passiert und warum?), das Bild (Wie sieht es aus und wie bewegt es sich?) und den Schnitt (In welcher Reihenfolge und in welchem Tempo wird erzählt?). Im Solo-Projekt wechselt man zwischen diesen Rollen. Wer sie bewusst trennt und nicht gleichzeitig schreibt, generiert und schneidet, trifft bessere Entscheidungen und erkennt Fehler früher. Ein einfacher Trick: Nach jeder Phase zehn Minuten Pause und danach nur prüfen, nicht verändern.

Phase 1: Konzept, Format und Machbarkeit

Der Ein-Seiten-Brief

Ein Einfall ist noch kein Projekt. Vor der ersten Generierung sollten sechs Zeilen stehen:

Kernaussage in einem Satz.
Zielgruppe und Anlass.
Plattform und Seitenverhältnis.
Ziellänge in Sekunden.
Ton und Stil (ruhig, erklärend, humorvoll, sachlich).
Handlungslogik: Was ist im ersten Bild zu sehen, was im letzten?

Ein Beispiel: „22 Sekunden. Werbung für einen nachhaltigen Kaffeebecher. Zielgruppe Berufstätige zwischen 25 und 40, Ausspielung vertikal. Ruhiger, warmer Ton. Erstes Bild: dampfender Becher auf der Küchenbank. Letztes Bild: Becher in einer Tasche, Tür fällt ins Schloss.“ Aus diesen sechs Zeilen lässt sich ableiten, welche Einstellungen gebraucht werden – und welche nicht.

Länge und Ereignisdichte realistisch wählen

Für KI-Produktionen hat sich eine Regel bewährt: so wenige Ereignisse wie möglich, so viele Bilder wie nötig. Ein 20-Sekunden-Clip mit drei Einstellungen und einer klar erkennbaren Bewegung funktioniert fast immer besser als ein 60-Sekunden-Konzept mit zehn Schauplätzen. Der Grund ist praktisch: Jeder neue Schauplatz, jedes neue Outfit und jede zusätzliche Figur erzeugt Konsistenzarbeit – und Konsistenz ist der aufwendigste Teil der Produktion.

Als Orientierung: Ein ruhiges Erklärvideo trägt etwa 2,5 bis 3,5 Sekunden pro Einstellung, ein schnelles Social-Format 1 bis 2 Sekunden. Ein 30-Sekunden-Clip braucht also zwischen acht und zwanzig Einstellungen, je nach Tempo. Wer das früh festlegt, plant realistisch; wer es beim Schnitt merkt, generiert nach.

Machbarkeit in drei Kategorien

Vor dem Generieren lohnt eine ehrliche Einschätzung:

Zuverlässig: einzelne Personen oder Objekte, mittlere und nahe Einstellungen, langsame Kamerabewegungen, Natur, Architektur, Stimmungsbilder, abstrakte Formen, Voiceover über Bildern, Produktaufnahmen ohne Interaktion.
Machbar mit Aufwand: kurze Dialoge, Handinteraktionen, einfache Ortswechsel, Bewegung durch einen Raum, Texte im Bild.
Riskant: Gruppen mit mehreren Personen, präzise Lippen- und Textgleichheit, komplexe Choreografie, Spiegelungen, klare Markenzeichen, Hände bei feinen Arbeiten.

Die riskanten Elemente lassen sich fast immer verlagern. Texte, Logos, Grafiken, Zahlen und Diagramme gehören ohnehin in die Nachbearbeitung – das spart einen kompletten Iterationszyklus und liefert exakte Typografie statt zufälliger Zeichen.

Phase 2: Szenenplan und Prompt-Bausteine

Der Szenenplan als Produktionsvertrag

Der Szenenplan ist das wichtigste Dokument des Projekts. Jede Zeile enthält Nummer, Dauer, Bildinhalt, Kamerabewegung, Ton, Prompt-Vorlage, Referenz und Status. Ein kleines Beispiel:

#	Dauer	Bild	Kamera	Ton
1	3 s	Becher dampft auf Küchenbank, Morgenlicht	langsame Fahrt nach vorn	Atmo, leiser Beat
2	4 s	Hände heben den Becher, Fenster im Hintergrund	statisch, leichte Handkamera	Beat setzt ein
3	3 s	Person tritt nach draußen, Tür fällt ins Schloss	Schwenk nach rechts	Beat, Türgeräusch
4	5 s	Becher in der Seitentasche, Schrittfolge	Fahrt mit, von hinten	Beat, Straßenatmo

Ein Storyboard muss nicht gezeichnet werden. Ein Raster mit sechs Feldern und groben Skizzen oder Referenzbildern erfüllt denselben Zweck und kostet einen Bruchteil der Zeit. Entscheidend ist, dass offene Fragen vor der Generierung beantwortet sind und nicht währenddessen.

Prompt-Architektur in fünf Bausteinen

Prompts werden dann gut, wenn sie systematisch aufgebaut sind:

Subjekt: wer oder was, mit zwei bis drei Merkmalen.
Handlung: genau eine sichtbare Bewegung.
Kamera: Einstellungsgröße, Winkel, Bewegung.
Licht und Farbe: Tageszeit, Lichtquelle, Palette.
Technik und Stil: Material, Objektivwirkung, Gesamtstimmung.

Dazu kommt eine Negativliste: keine zusätzlichen Personen, kein Text im Bild, keine schnellen Schnitte, kein Wechsel der Lichtrichtung. Die Bausteine werden zu Vorlagen – einmal definiert, pro Einstellung nur noch die Variablen ändern. Viele Modelle arbeiten mit englischen Prompts zuverlässiger; das ist in Ordnung, solange das Vokabular konsistent bleibt. Ein Beispiel für die Bausteine eins bis fünf: „eine Frau, Ende dreißig, dunkle kurze Haare, grauer Wollmantel – sie hebt langsam eine Tasse vom Tisch – mittlere Einstellung, leicht von unten, langsame Fahrt nach vorn – warmes Morgenlicht von rechts, gedämpfte Brauntöne – ruhige Werbefilmästhetik, weiches 50-mm-Objektiv.“

Wichtig: Pro Prompt eine Bewegung und ein Ort. Zwei Bewegungen in einem Satz führen fast immer dazu, dass das Modell eine davon erfindet.

Dialog, Voiceover oder Texttafel

Diese Entscheidung beeinflusst Aufwand und Ausfallquote erheblich. Lippenbewegungen passend zur Sprache zu bringen, bleibt der riskanteste Teil jeder KI-Videoproduktion. Zuverlässiger ist Voiceover über Bildern: Die Bilder zeigen Handlung, die Stimme trägt die Information. Noch robuster sind Texttafeln und Untertitel, weil sie in der Nachbearbeitung entstehen und jederzeit korrigierbar sind.

Für die Planung hilft eine einfache Rechnung: Ruhiges Sprechtempo liegt bei etwa 130 bis 150 Wörtern pro Minute. Ein 30-Sekunden-Clip trägt also rund 70 Wörter Sprechtext. Wer mehr erzählen will, braucht mehr Zeit – oder muss kürzen. Kürzen ist fast immer die bessere Entscheidung.

Phase 3: Look, Keyframes und Konsistenz

Look-Test statt Look-Diskussion

Der Look wird schneller mit Bildern festgelegt als mit Worten. Vor der Videogenerierung lohnen drei bis fünf Standbilder pro Szene. Diese Keyframes legen Farbwelt, Outfit, Lichtstimmung und Komposition fest und werden später zu Start- oder Endbildern. Ein Look-Test pro Projekt genügt; ihn pro Szene zu wiederholen, kostet Zeit ohne Erkenntnisgewinn. Typische Testfragen: Wirken die Hauttöne natürlich? Passt die Lichtrichtung zur Tageszeit? Ist der Hintergrund ruhig genug, damit Bewegung sichtbar wird?

Figurenkonsistenz über eine Merkmalskarte

Konsistenz ist das größte Qualitätsthema in KI-Video. Drei Hebel helfen:

Charakterblatt: zwei bis drei Ansichten, Merkmale in genau einer Formulierung und immer in derselben Reihenfolge.
Prompt-Disziplin: dieselben Wörter für dieselbe Sache. Aus „kurzen dunklen Haaren“ darf in der nächsten Einstellung nicht „schwarzer Bob“ werden.
Nahaufnahmen: Gesichter und Hände in Nahaufnahme sind meist konsistenter als Ganzkörperaufnahmen und wirken zudem stärker.

Wenn eine Figur über mehrere Szenen hinweg nicht stabil bleibt, ist die günstigste Reaktion fast immer: weniger Szenen mit dieser Figur, mehr Referenzbilder, mehr Nähe – und im Zweifel neu generieren statt retuschieren.

Orte, Requisiten und Kontinuitätsachse

Kontinuität entsteht nicht nur bei Personen. Achte auf die Blickrichtung (eine Achse, die nicht gesprungen wird), die Lichtseite (Licht von rechts bleibt rechts), die Tageszeit und das Wetter. Ein Wechsel der Bewegungsrichtung wirkt für das Publikum wie ein anderer Ort, selbst wenn das Modell dasselbe Zimmer gezeichnet hat. Requisiten sollten pro Szene notiert werden, sonst verschwindet die Tasse zwischen zwei Einstellungen.

Start- und Endbild statt Wunschdenken

Start- und Endbild sind oft wichtiger als jeder Prompt-Text: Sie geben Rhythmus vor, begrenzen die Bewegung und senken die Ausfallquote deutlich. Wo das Werkzeug es unterstützt, schafft ein fester Zahlenwert für den Zufallsstart Wiederholbarkeit – unverzichtbar, wenn ein Shot in einer Variante neu entstehen soll.

Phase 4: Generieren ohne Chaos

Aufgaben den Werkzeugtypen zuordnen

Aufgabe	Auswahlkriterium
Text zu Video	Bewegungskohärenz, maximale Länge
Bild zu Video	Kontrolle, Detailtreue
Bewegung übertragen	Genauigkeit der Pose
Auflösen und verbessern	Schärfe, Flimmerfreiheit
Lippen abstimmen	Passgenauigkeit zur Sprache
Stimme erzeugen	Klang, Intonation, Tempo

Bewertet wird immer nach denselben Kriterien: Bewegungskohärenz, Detailtreue, Artefaktfreiheit, Steuerbarkeit, Geschwindigkeit, Lizenz und Aufwand pro nutzbarer Sekunde. Diese Bewertung wird einmal pro Quartal dokumentiert – nicht häufiger, sonst entsteht ein Beschäftigungsprogramm statt einer Produktionskette.

Reihenfolge: erst Bewegung, dann Details

Die effiziente Schleife hat drei Durchgänge:

Grobdurchgang: niedrige Auflösung, kurze Prompts, nur die Bewegungsidee prüfen. Hier fallen die meisten Ideen durch – das ist gewollt.
Feindurchgang: feste Keyframes, vollständige Prompts, finale Auflösung.
Reparaturdurchgang: nur die schwachen Einstellungen, mit verändertem Winkel, kürzerer Dauer oder anderer Einstellungsgröße.

Nach jedem Durchgang wird eine Zahl notiert: der Anteil der Einstellungen, die ohne Umweg brauchbar sind. Sinkt dieser Wert, war die letzte Änderung an den Prompts die Ursache. Diese einfache Messung schlägt jedes Bauchgefühl – und macht Fortschritt sichtbar, auch wenn das Ergebnis subjektiv wirkt.

Vier bis sechs Varianten reichen

Wer zwanzig Varianten erzeugt, entscheidet später schlechter, weil zu viel Ähnliches zur Auswahl steht. Vier bis sechs Varianten pro Einstellung sind ein guter Korridor. Für die Auswahl hilft ein vierstufiges Raster:

1 – unbrauchbar: Anatomie- oder Bewegungsfehler.
2 – brauchbar: Bewegung stimmt, Detailfehler sind in der Nachbearbeitung behebbar.
3 – gut: konsistent, ruhig, direkt einsetzbar.
4 – stark: trägt eine Szene auch ohne Ton.

Alles unter 2 wird verworfen, nicht repariert. Alles über 3 kommt in eine Auswahlbibliothek für spätere Projekte.

Wann neu generieren, wann reparieren

Diese Frage entscheidet über den größten Teil des Zeitbudgets. Eine brauchbare Regel:

Neu generieren bei Fehlern in Anatomie, Anzahl der Objekte, Perspektive oder Bewegungslogik. Reparatur würde hier mehr kosten als ein neuer Durchgang.
Nachbearbeiten bei Farbtemperatur, Weichheit, Rauschen, Helligkeit, Stabilisierung und Bildausschnitt.
Nachdrehen – also eine zusätzliche Einstellung generieren – wenn dem Schnitt eine Orientierung oder ein Detail fehlt.

Phase 5: Ton zuerst denken, dann schneiden

Die Reihenfolge Sprache, Geräusche, Musik

Der Ton wird oft zuletzt geplant und bestimmt dann doch die Länge der Bilder. Besser ist die umgekehrte Reihenfolge: Voiceover zuerst legen, dann Atmosphäre und Geräusche, dann Musik. Musik unter der Stimme um etwa 15 bis 20 Dezibel absenken, damit Sprache verständlich bleibt. Für Plattformen ist eine Ziel-Lautheit um −14 LUFS ein praktikabler Wert; wer für Kino oder Präsentationen arbeitet, wählt bewusst anders.

Schnitt und Rhythmus

KI-Material ist häufig etwas zu lang, etwas zu weich in der Bewegung und zu gleichförmig im Tempo. Der Schnitt behebt das: auf den ersten Blick kürzen, Übergänge sparsam einsetzen, die ersten anderthalb Sekunden als Versprechen gestalten. Harte Schnitte funktionieren fast immer besser als aufwendige Blenden, weil sie Bewegung und Tempo erhalten. Blenden nur dort, wo ein echter Ortswechsel oder ein Zeitsprung stattfindet.

Der Ohne-Ton-Test

Ein hilfreicher Test: den Clip ohne Ton ansehen. Wenn die Handlung dann noch verständlich ist, trägt die Bildfolge. Wenn nicht, fehlt meist eine Einstellung – oft eine Orientierung (Wo sind wir?) oder ein Detail (Was ist wichtig?). Ein zweiter Test betrifft Text im Bild: Untertitel und Einblendungen prüfen, Zeilenumbrüche, Satzzeichen und Eigennamen kontrollieren. Als Orientierung für die Lesbarkeit gelten etwa 15 bis 20 Zeichen pro Sekunde; längere Zeilen zwingen zum Pausieren.

Farbe und Bildruhe

Bildseitig folgen Farbanpassung, Stabilisierung flackernder Einstellungen, sanftes Entrauschen und bei Bedarf eine Detailverbesserung. Vorsicht bei starken Filtern: Sie lassen KI-Artefakte plastikartig wirken. Weniger ist hier mehr – eine ruhige, konsistente Farbwelt wirkt professioneller als ein spektakulärer Look mit sichtbaren Fehlern.

Phase 6: Qualitätskontrolle und Auslieferung

Eine feste Prüfliste verhindert, dass ein Clip mit offensichtlichen Fehlern online geht:

Bewegung: kein Springen, keine hüpfenden Hände oder Gesichter, keine plötzlichen Richtungswechsel.
Konsistenz: Figur, Kleidung, Lichtrichtung, Tageszeit und Requisiten über alle Szenen.
Text: korrekt, gut lesbar, nicht abgeschnitten, keine zufälligen Zeichen.
Ton: Sprache klar, keine Übersteuerung, Musik blendet sauber aus, keine Knackser.
Rechte: Musik, Stimme, Referenzbilder und verwendete Marken geklärt.
Technik: Seitenverhältnis, Bildrate, Auflösung, Dateiname, Versionsnummer.

Danach entstehen die Varianten: quer, quadratisch, hoch. Statt jede Variante neu zu schneiden, lohnt ein Ausgangsschnitt mit Schutzräumen für Untertitel und Bedienelemente. Zur Auslieferung gehören außerdem Metadaten, Vorschaubild, Beschreibung und ein kurzes Szenenverzeichnis. Fünf Minuten Arbeit, die bei jeder weiteren Verwendung Stunden einsparen.

Ein Abnahmeprozess in drei Durchgängen hat sich bewährt: erst nur Bild prüfen, dann nur Ton, dann nur Technik. Wer alles gleichzeitig prüft, übersieht im Schnitt zwei Fehler pro Clip – das ist keine Nachlässigkeit, sondern normale Aufmerksamkeitsgrenze.

Zeit, Aufwand und Ressourcen planen

Faustregeln helfen bei der Kalkulation:

Auf eine Sekunde fertiges Material kommen drei bis fünf Sekunden Rohmaterial.
Auf eine Minute fertigen Film kommen je nach Schnitttiefe zwei bis fünf Stunden Arbeit.
Der größte Aufwand liegt in Iteration und Nachbearbeitung, nicht in der Generierung selbst.

Eine Beispielrechnung für einen 45-Sekunden-Clip mit acht Einstellungen: Konzept und Brief 1 Stunde, Szenenplan und Prompts 1,5 Stunden, Look-Test 2 Stunden, Generierung inklusive drei Durchgängen 4 Stunden, Schnitt und Ton 4 Stunden, Qualitätskontrolle und Export 1 Stunde. Das ergibt rund 13,5 Stunden – und macht sichtbar, dass Generierungszeit nur ein Drittel des Projekts ausmacht.

Sparhebel mit großer Wirkung:

Testdurchläufe in niedriger Auflösung.
Ein Look-Test pro Projekt statt pro Szene.
Feste Prompt-Vorlagen mit klaren Variablen.
Eine bewusste Entscheidung, welche Einstellung im Schnitt gelöst wird und welche im Generator.
Wiederverwendung von Hintergründen, Requisiten und Figurenkarten aus früheren Projekten.

Wer Aufwand senken will, arbeitet am Szenenplan – nicht an der Zahl der Varianten. Und wer merkt, dass die Nachbearbeitung mehr Zeit frisst als die Produktion, sollte über externe Hilfe nachdenken: Ein erfahrener Schnittplatz löst in einer Stunde oft, was eine weitere Generierungsstunde nur verschleiert.

Zehn wiederkehrende Fehler

Zu viel Story für die Länge: kürzen statt beschleunigen. Ein überladener Clip wirkt gehetzt und verliert Zuschauer.
Mehrere Kamerabewegungen in einem Prompt: eine Bewegung pro Einstellung.
Kein Referenzbild: der Look wird zum Konsistenzproblem.
Alles gleichzeitig generieren: erst Bewegung prüfen, dann Details, dann Auflösung.
Übergänge als Reparatur: Blenden nur bei echten Ortswechseln.
Ton zuletzt planen: Sprache bestimmt die Länge der Bilder.
Versionen ohne Namen: Dateinamen mit Projekt, Szene und Version.
Freigabe ohne Prüfliste: zwei übersehene Fehler pro Clip sind normal.
Ein Werkzeug für alle Aufgaben: Aufgabenmatrix statt Gewohnheit.
Perfektion in der Generierung: manche Probleme löst der Schnitt günstiger.

FAQ

Wie viele Einstellungen braucht ein 30-Sekunden-Clip?
Fünf bis acht für ruhige Erzählungen, zwölf bis zwanzig für schnelle Formate. Mehr Einstellungen bedeuten mehr Konsistenzrisiko und mehr Nachbearbeitung.

Soll ich in der finalen Auflösung generieren?
Nein, nicht von Anfang an. Grobe Durchgänge in niedriger Auflösung klären die Bewegung, finale Durchgänge erzeugen die Ausgabequalität. Eine Detailverbesserung am Ende ist fast immer günstiger, als jede Szene maximal zu erzeugen.

Wie lang sollte eine einzelne Einstellung sein?
Zwei bis fünf Sekunden sind ein guter Startwert. Längere Einstellungen wirken ruhiger, aber Bewegungsfehler fallen stärker auf und die Aufmerksamkeit sinkt.

Brauche ich ein Storyboard?
Ein Raster mit sechs Feldern reicht. Es geht nicht um Zeichenkunst, sondern darum, Fragen vor der Generierung zu beantworten.

Wie oft sollte ich Werkzeuge wechseln?
Nur, wenn ein konkretes Problem gelöst wird. Ein festes Quartals-Review verhindert, dass aus Produktion ein ständiges Testen wird.

Was tun, wenn eine Figur nicht konsistent bleibt?
Weniger Szenen mit dieser Figur, mehr Referenzbilder, mehr Nahaufnahmen – und im Zweifel neu generieren statt retuschieren.

Wie gehe ich mit Text im Video um?
Fast immer als Einblendung in der Nachbearbeitung. Generierter Text ist unzuverlässig und teuer zu korrigieren, besonders bei Zahlen und Eigennamen.

Warum sollte ich den Ton vor dem Bild planen?
Weil Sprache die Länge vorgibt. Wer erst Bilder generiert und dann Sprechtext einpasst, kürzt entweder den Text oder die Bilder – beides kostet Qualität.

Wie dokumentiere ich ein Projekt am besten?
Eine Tabelle pro Projekt: Szene, Prompt, Modell, Zufallsstart, Referenz, Status, Notiz. Kein zusätzliches Werkzeug, einfach dieselbe Datei weiterführen.

Wann lohnt sich externe Hilfe?
Sobald die Nachbearbeitung mehr Zeit frisst als die Produktion. Meist ist das der Punkt, an dem ein erfahrener Schnitt günstiger ist als eine weitere Generierungsstunde.

Wie vermeide ich, dass ein Clip nach KI aussieht?
Durch ruhige Kamerabewegungen, konsistente Lichtrichtung, wenige Schnitte pro Sekunde, echte Atmosphäre im Ton und eine klare Erzählabsicht. Technische Perfektion fällt weniger auf als erzählerische Klarheit.

Ein fertiger Clip ist also kein Glücksfall, sondern das Ergebnis einer Reihenfolge, die man wiederholen kann. Wer den Szenenplan ernst nimmt, den Look einmal testet, in drei Durchgängen generiert und den Ton vor dem Schnitt denkt, produziert schneller – und muss seltener erklären, warum der Clip noch nicht fertig ist.