Warum KI-Videos immer noch Schwierigkeiten haben, kreative Vorgaben zu verstehen
Ein Kreativdirektor kann sich einen Rohschnitt ansehen und sagen, dass er zu kühl, zu langsam oder nicht hochwertig genug wirkt, und ein erfahrener Cutter wird in der Regel verstehen, dass dies keine wörtliche Anweisung ist. Es kann bedeuten, den Rhythmus zu ändern, eine intimere Darstellung auszuwählen, visuelle Unruhe zu reduzieren oder eine Einstellung eine halbe Sekunde länger zu halten. Ein KI-Videosystem kann all das jedoch nicht zuverlässig allein aus dem Geschmack ableiten, weshalb das zentrale Problem bei generativen Videos nicht einfach die Bildqualität, sondern die Kommunikation ist. Die Modelle sind zwar zunehmend in der Lage, aus Text, Bildern oder Referenzclips filmische Bewegungen, synthetische Dialoge, visuelle Effekte und kurze Sequenzen zu erzeugen, doch müssen Kreative nach wie vor emotionale, kontextbezogene und teilweise intuitive Ideen in explizite Anweisungen zu Thema, Handlung, Schauplatz, Kamera, Beleuchtung, Dauer und Tonfall umsetzen.
Wenn diese Umsetzung fehlschlägt, liefert die Technologie möglicherweise Filmmaterial, das zwar professionell wirkt, aber dennoch unbrauchbar bleibt. Ein Produkt bewegt sich falsch, das Gesicht eines Sprechers verändert sich von einer Einstellung zur nächsten, die Kamerabewegung wirkt künstlich oder ein Markenfilm ist zwar visuell beeindruckend, vermittelt aber nicht die beabsichtigte Botschaft. Das Ergebnis ist nicht unbedingt ein Versagen der technischen Umsetzung. Es ist ein Versagen der kreativen Abstimmung.
Eine Video-Vorgabe ist eigentlich ein Produktionsbriefing
„Text-to-Video“ wird oft so dargestellt, als würde der Nutzer eine Idee beschreiben und im Gegenzug einen fertigen Film erhalten. In der Praxis gleicht eine nützliche Eingabeaufforderung jedoch eher einem komprimierten Produktionsbriefing, da sie das Hauptthema, die Handlung, die Umgebung, die Kameraposition, die Objektiveigenschaften, die Bewegung, die Beleuchtung, den visuellen Stil und die emotionale Stimmung festlegen muss. Wenn neben dem Bild auch Ton erzeugt wird, muss der Ersteller möglicherweise auch Dialoge, Umgebungsgeräusche, Musik und den zeitlichen Ablauf einzelner Ereignisse festlegen.
In den offiziellen Richtlinien von Google für Veo wird empfohlen, Bildausschnitt, Kamerabewegung, Stil, Beleuchtung, Charaktere und Schauplatz zu beschreiben, anstatt sich auf einen vagen narrativen Satz zu verlassen. Veo 3.1 kann zudem Videos mit Ton generieren, was die kreativen Möglichkeiten erweitert, aber auch eine weitere Ebene hinzufügt, die kohärent inszeniert werden muss.
“Erstelle ein elegantes Video, in dem eine Frau ein Hotel betritt” lässt fast jeden bedeutenden Entscheidung für das Modell. Eine produktionsreife Version wäre präziser:
Dieser Detaillierungsgrad garantiert zwar nicht das richtige Ergebnis, schränkt jedoch den Interpretationsspielraum ein und gibt dem Modell so etwas, das einer Regieanweisung näherkommt.
Das Modell kennt den Kontext des Erstellers nicht
Menschliche Mitarbeiter sammeln im Laufe eines Projekts Wissen an. Sie verstehen die Sensibilitäten des Kunden, das Kampagnenziel, frühere kreative Entscheidungen und das Material, das bereits verworfen wurde. Ein Videomodell sieht in der Regel nur die Informationen, die in der aktuellen Generation bereitgestellt werden, es sei denn, das Produkt ermöglicht einen dauerhaften Projektkontext oder Referenzmaterial. Es weiß nicht automatisch, dass “modern” eher redaktionelle Zurückhaltung als futuristische Grafiken bedeutet oder dass “selbstbewusst” nicht aggressiv wirken sollte.
Aus diesem Grund können scheinbar einfache Anforderungen so unterschiedliche Ergebnisse hervorbringen. Begriffe wie „anspruchsvoll“, „authentisch“, „dynamisch“ oder „filmisch“ beschreiben eher weit gefasste ästhetische Kategorien als genaue Produktionsanweisungen. Ein besser strukturierter Arbeitsablauf unterscheidet drei Ebenen: das Kommunikationsziel, das kreative System und die Umsetzungsanweisung. Die erste Ebene legt fest, was der Zuschauer verstehen, fühlen oder tun soll. Die zweite definiert die visuelle Welt, den Darstellungsstil und den Rhythmus, die diese Reaktion hervorrufen sollen. Die dritte beschreibt, was in einer bestimmten Einstellung konkret zu sehen sein und geschehen soll.
Bei einer Kampagne im Bereich Public Affairs könnte das Ziel beispielsweise darin bestehen, einen politischen Sprecher kompetent und zugänglich erscheinen zu lassen. Das kreative System könnte dabei auf natürliches Tageslicht, realistische öffentliche Schauplätze und eine ruhige, direkte Vortragsweise setzen. Die Generierungsanweisung würde dann eine konkrete Einstellung beschreiben, anstatt das Modell aufzufordern, “den Politiker vertrauenswürdig wirken zu lassen”. KI kann zwar visuelle Hinweise darstellen, die mit Vertrauen assoziiert werden, aber sie kann nicht bestimmen, ob ein Publikum der Person tatsächlich vertrauen wird.
Konsistenz ist nach wie vor ein Produktionsproblem
Ein gelungener Fünf-Sekunden-Clip wird nicht automatisch zu einem gelungenen 60-Sekunden-Film, da längere Inhalte Kontinuität in Bezug auf Figuren, Objekte, Kleidung, Schauplätze, Beleuchtung und Bewegung erfordern. Eine Person, die in einer Einstellung überzeugend wirkt, kann in der nächsten mit einem anderen Gesicht, einem anderen Alter oder einer anderen Körperform erscheinen, während sich bei einem Produkt die Proportionen oder das Etikett ändern können und die räumlichen Beziehungen zwischen den Personen instabil werden können.
Aktuelle Plattformen versuchen, diesem Problem zu begegnen, indem sie den Kreativen mehr referenzbasierte Kontrolle geben. Mit „Gen-4 References“ von Runway können Nutzer Merkmale, Stile, Figuren und Objekte aus einem oder mehreren Bildern in neue Generationen übertragen. Adobe ermöglicht es Kreativen in ähnlicher Weise, die Videogenerierung anhand von Bildern und – in einigen Arbeitsabläufen – anhand definierter Start- und Endbilder zu steuern. Die Firefly-Tools des Unternehmens werden zunehmend für die Erstellung von Kurzclips, B-Roll-Material, Produktanimationen und visuellen Elementen eingesetzt, die anschließend in einen umfassenderen Bearbeitungsprozess integriert werden können.
In der Praxis bedeutet dies, dass Kreative aufhören sollten, jeden Clip als eigenständige Eingabe zu behandeln. Ein besser durchdachter Prozess sieht vor, dass vor Beginn der Generierung ein Referenzpaket erstellt wird, das genehmigte Charakterbilder, Produktansichten, Kleidung, Farbpalette, Kamerastil, Drehorte sowie Beispiele für inakzeptable Ergebnisse enthält. Das System erhält somit visuelle Anhaltspunkte, anstatt erwartet zu werden, dieselbe Welt immer wieder anhand von Textbeschreibungen neu zu erschaffen.
Redaktion und Texterstellung sind unterschiedliche Fähigkeiten
Bei der traditionellen Videobearbeitung geht man von bereits aufgezeichnetem Material aus. Der Cutter entscheidet, was aufgenommen wird, wie das Material strukturiert wird und wie Timing, Ton und Betonung gesteuert werden. Beim generativen Video kommt eine vorgelagerte Aufgabe hinzu, da das Material erst erstellt oder umgestaltet werden muss. Diese Tätigkeiten überschneiden sich zwar, sollten jedoch nicht miteinander verwechselt werden.
Ein Modell kann eine visuell ansprechende Einstellung generieren, ohne zu verstehen, ob diese die Handlung voranbringt, und es kann mehrere plausible Varianten erstellen, ohne zu wissen, welche davon die Kommunikationsstrategie unterstützt. Deshalb ist KI derzeit am nützlichsten, wenn sie spezifische Lücken innerhalb eines herkömmlichen Arbeitsablaufs schließt. Ein Kommunikationsteam könnte sie nutzen, um eine stimmungsvolle Eröffnungsszene zu gestalten, ein Storyboard vor dem Produktionsauftrag zu visualisieren, ein Produktbild für soziale Medien anzupassen oder eine Nebenszene zu ergänzen, deren Dreharbeiten unverhältnismäßig teuer wären.
Die Technologie verliert an Zuverlässigkeit, wenn sie aufgefordert wird, alle redaktionellen Entscheidungen auf einmal zu treffen. “Mach aus diesem Drehbuch einen eindrucksvollen Markenfilm” ist zu weit gefasst, da das Tool gleichzeitig die narrative Hierarchie, die visuelle Identität, die Bildgestaltung, die schauspielerische Leistung, das Tempo und die Reaktion des Publikums interpretieren muss. Die professionelle Vorgehensweise besteht darin, die Arbeit in einzelne Phasen zu unterteilen und der KI nur den Teil zuzuweisen, den sie zuverlässig ausführen kann.
Die kreative Ausrichtung hängt nach wie vor von der Auswahl ab
Die KI-Generierung verändert den Ort, an dem kreative Arbeit stattfindet. Es wird zwar weniger Zeit für die Gestaltung eines einzelnen Effekts aufgewendet, dafür kann jedoch mehr Zeit für die Auswahl, das Aussortieren und die Verfeinerung von Möglichkeiten genutzt werden, wodurch die eigene Urteilsfähigkeit an Bedeutung gewinnt statt an Bedeutung zu verlieren.
Ein Kreativer kann 20 technisch überzeugende Aufnahmen produzieren und dennoch keinen zusammenhängenden Film vorweisen, weil jemand entscheiden muss, ob das Filmmaterial zum Markenimage passt, emotional angemessen und für die Erzählung sinnvoll ist. Diese Person muss auch die Befugnis haben, die Produktion zu stoppen, sobald die Idee funktioniert. Unbegrenzte Variationsmöglichkeiten können zu einer eigenen Ineffizienz führen, wenn Teams einfach weiter experimentieren, weil jede neue Option kostengünstig ist, und dabei die schwierigere Entscheidung darüber vermeiden, was das Projekt eigentlich aussagen soll.
Ein strukturierter Prozess legt daher bereits vor Beginn der Produktion die Genehmigungskriterien fest. Das Team sollte sich darauf einigen, was visuell einheitlich bleiben muss, welche emotionale Reaktion angestrebt wird, welche Details aus rechtlichen oder sachlichen Gründen nicht verhandelbar sind, was einen Clip unbrauchbar machen würde und wer die endgültige kreative Entscheidungsgewalt hat. Diese Entscheidungen verhindern, dass die Produktion zu einem endlosen Hin und Her bei der Auswahl der Optionen wird.
Die Bearbeitung natürlicher Sprache verbessert sich
Die Schnittstelle zwischen Kreativschaffenden und Software wird zunehmend dialogorientiert, sodass Nutzer Änderungen per Sprachbefehl anfordern können, anstatt jeden Einzelbild manuell bearbeiten zu müssen. Adobe hat Firefly um präzisere Bearbeitungsfunktionen und die Steuerung von Kamerabewegungen erweitert, während Sora von OpenAI Text-, Bild- und Videoeingaben sowie das Remixen und Überblenden von vorhandenem Material unterstützt.
Dadurch werden anspruchsvolle Videoarbeiten zugänglicher, doch die Steuerung über Sprachbefehle sollte nicht mit einem Verständnis auf menschlichem Niveau verwechselt werden. “Mach es dramatischer” kann zwar den Kontrast, die Bewegung oder den Maßstab verändern, ohne jedoch die Kommunikation zu verbessern, während “Lass den Sprecher autoritärer wirken” zu einem Ausdruck oder einer Körperhaltung führen könnte, die steif wirkt.
Die Nutzer müssen weiterhin die gewünschte sichtbare Änderung angeben. Anstatt das System aufzufordern, “dieses Bild hochwertiger wirken zu lassen”, könnte der Ersteller ihm beispielsweise anweisen, die Kamerabewegung zu reduzieren, störende Elemente im Hintergrund zu entfernen, die Bewegung des Motivs zu verlangsamen, die Lichter abzuschwächen und das Endergebnis eine weitere Sekunde lang einzufrieren. Die zweite Version kommuniziert über editierbare Variablen statt über abstrakte Geschmacksvorstellungen.
Der Ton schafft eine weitere Ebene der Inszenierung
Durch die Einbindung von generiertem Ton werden Videosysteme zwar nützlicher, ihre Steuerung wird jedoch auch schwieriger. Veo 3.1 kann Videos mit Ton generieren, Runway bietet Workflows, die Referenzmaterial, Bewegung und synchronisierten Ton kombinieren, und zu den Tools von Adobe gehören KI-Synchronisation und Videoübersetzung in mehrere Sprachen.
Für Unternehmen ergeben sich daraus konkrete Möglichkeiten in den Bereichen Lokalisierung, Schulungen, Produktvorführungen und Social-Media-Inhalte. Ein Unternehmen kann ein Quellvideo für mehrere Märkte anpassen, ohne die gesamte Produktion neu erstellen zu müssen, doch Lokalisierung ist mehr als nur sprachlicher Austausch. Ein Satz, der auf Englisch natürlich klingt, kann für das gleiche visuelle Timing auf Deutsch zu lang sein, während eine direkt amerikanische Sprechweise im Schweizer Unternehmenskontext übertrieben wirken kann. Lippenbewegung, Pausen, Formalität und kultureller Tonfall beeinflussen die Glaubwürdigkeit.
KI kann eine Stimme übersetzen und nachahmen, doch muss ein Kommunikationsfachmann vor Ort dennoch entscheiden, ob das Ergebnis für das Publikum angemessen klingt.
Marken- und Rechtsrisiken müssen in die Produktion einbezogen werden
Generative Videos können Menschen, Produkte und Situationen erschaffen, die nie existiert haben. Das bedeutet, dass die Überprüfung und die Rechteverwaltung Teil des Produktionsprozesses werden müssen und nicht erst als abschließende rechtliche Prüfung erfolgen dürfen. Die Teams sollten klären, ob das Modell das Bildnis einer realen Person verwenden darf, ob generiertes Material einer Kennzeichnung bedarf und ob die Plattform die beabsichtigte kommerzielle Nutzung zulässt. Stimmklonung, synthetische Sprecher und realistische Darstellungen von Persönlichkeiten des öffentlichen Lebens erfordern eine besonders strenge Genehmigung.
Adobe positioniert sein Firefly-Videomodell als für den kommerziell unbedenklichen Einsatz konzipiert und integriert „Content Credentials“ in sein generatives Ökosystem; dennoch muss jedes Unternehmen die jeweiligen Assets, Modelle, Rechtsordnungen und Verträge im Einzelfall prüfen. Die Tatsache, dass eine Plattform ein Bild generieren kann, bedeutet nicht, dass ein Unternehmen dieses auch veröffentlichen sollte.
Kommunikationsabteilungen in Unternehmen sollten das erstellte Filmmaterial zudem auf unbeabsichtigte sachliche Behauptungen überprüfen. Eine synthetisch erzeugte Fabrikszenen könnte unsicheres Verhalten zeigen, ein Bild aus dem Gesundheitswesen könnte einen unmöglichen Eingriff darstellen und ein Video aus dem öffentlichen Sektor könnte architektonische Elemente, Uniformen oder demografische Hinweise enthalten, die den dargestellten Ort falsch wiedergeben. Visuelle Plausibilität ist nicht gleichbedeutend mit sachlicher Richtigkeit.
Eine bessere Arbeitsweise
Der effizienteste KI-Videoprozess beginnt bereits vor dem Verfassen der Eingabeanweisung. Das Team sollte zunächst das Kommunikationsziel in einem Satz definieren und anschließend ein kurzes visuelles Briefing erstellen, das Zielgruppe, Tonfall, Stil, Kulisse und Einschränkungen umfasst. Der Film kann dann in einzelne Einstellungen unterteilt werden, wobei entschieden wird, welche davon gedreht, lizenziert, generiert oder aus vorhandenem Material erstellt werden sollen.
Jede generierte Einstellung sollte das Motiv und die Handlung, den Ort und die Zeit, den Bildausschnitt und die Kamerabewegung, die Beleuchtung und den visuellen Stil, die Dauer und das Tempo sowie Kontinuitätshinweise und verbotene Elemente festlegen. Anstatt das gesamte Konzept immer wieder neu zu schreiben, sollten die Kreativen mehrere kontrollierte Variationen erstellen, festhalten, welche Vorgabe, welches Modell und welche Referenzelemente zu jedem genehmigten Clip geführt haben, und das ausgewählte Material anschließend in eine Schnittumgebung übertragen, wo Tempo, Ton, Übergänge und Erzählung als Gesamtwerk beurteilt werden können.
Diese Dokumentation ist wichtig, da generative Ergebnisse unter Umständen schwer reproduzierbar sind. Ein Team, das nicht erklären kann, wie ein freigegebenes Asset entstanden ist, könnte später Schwierigkeiten haben, es zu überarbeiten.
Die eigentliche Chance liegt in einer besseren Kommunikation zwischen den Menschen
KI-Videotools werden oft als Mittel beschrieben, um technische Hürden zwischen einer Idee und einem fertigen Film zu beseitigen. Sie bauen zwar einige Hürden ab, decken aber auch Schwächen im Auftragsprofil auf. Wenn sich ein Team nicht darauf einigen kann, wie „glaubwürdig“, „modern“ oder „menschlich“ aussehen soll, wird die KI diese strategische Unklarheit nicht beseitigen. Sie wird lediglich verschiedene Interpretationen davon generieren.
Die Organisationen, die diese Systeme erfolgreich einsetzen, werden nicht diejenigen sein, die die ausgefeiltesten Eingabeaufforderungen verwenden. Es werden vielmehr jene sein, die ihre Ziele klar formulieren, frühzeitig visuelle Entscheidungen treffen und der Technologie eine klar abgegrenzte Rolle zuweisen. Generative Videotechnik wird immer besser darin, genau das zu produzieren, was von ihr verlangt wird. Die verbleibende Herausforderung besteht darin, ob die Menschen, die sie in Auftrag geben, genau wissen, was sie vermitteln wollen.
