Künstliche Intelligenz erzeugt inzwischen nicht nur schicke Bilder, sondern auch Videos – von Avataren im Kundensupport bis zu vollständig synthetischen Clips. Doch wo überzeugt dieser Content wirklich, und wann bleiben echte Menschen unverzichtbar? Im Gespräch mit Podcast-Host Florian Gipser gibt Georg Neumann, Grafikdesigner, Dozent und Mitgründer des KI-Marketing-Bootcamps, einen fundierten Einblick in den aktuellen Stand der Technik. Neumann beschäftigt sich bereits seit 2022 mit generativer KI und schult heute Marketing- und Designagenturen im Umgang mit Bild- und Videogenerierung.

Der Aufwand hinter guten KI-Videos wird unterschätzt

Viele Unternehmen gehen davon aus, dass sich Schulungs-, Produkt- oder Kundenvideos künftig einfach per KI erzeugen lassen. Neumann widerspricht dieser Vereinfachung: Zwar könne man technisch unkompliziert KI-Videos erstellen, doch gerate man dabei schnell ins sogenannte Uncanny Valley – jenen unheimlichen Effekt, der bei schlecht produzierten Avataren entsteht.

Wenn KI-Videos schlecht produziert sind, dann wirken die auf die Zuschauer auch zunehmend negativ, weil sie dann unheimlich wirken.

Schlechte Avatare schadeten damit eher dem Markenaufbau. Wer die KI-Route gehen wolle, müsse ordentlich Zeit und Budget investieren, um ein überzeugendes Ergebnis zu erzielen.

Wann KI überzeugt – und wann echte Menschen unersetzlich sind

Der Einsatz ist stark vom jeweiligen Use Case abhängig. Für trockene Erklärungen, etwa das Vorstellen eines Software-Features im B2C-Umfeld, könne ein Avatar durchaus Sinn ergeben. Sobald es jedoch um Verkauf, Vertrauensaufbau und Emotionen gehe, rät Neumann zu echten Menschen oder zumindest zu hybriden Ansätzen.

Besonders im First-Level-Support sieht er sinnvolle Anwendungsfälle – auch wegen der Mehrsprachigkeit. Sobald Vertrauen aufgebaut werden solle, ende der Nutzen jedoch abrupt. Als typische Praxisbeispiele nennt er:

  • internes Onboarding und Erklärvideos, etwa für Datenschutzschulungen
  • mehrsprachige interne Kommunikation
  • interaktive Videoavatare im Kundensupport, die live in Videoform antworten

Kritisch sieht Neumann dagegen den Bereich User-generated Content im Marketing: Vollständig KI-generierte Werbeclips, etwa in der Kosmetikbranche, seien aus seiner Sicht letztlich Deepfakes und eigentlich kennzeichnungspflichtig – ein Thema, das derzeit noch häufig unter den Tisch gekehrt werde.

Rasante Entwicklung: Lange Clips und konsistente Bilder

Was vor einem halben Jahr noch ein Albtraum war, funktioniert heute deutlich besser. Neumann verweist auf neue Modelle, die auch längere Sequenzen mit Lippensynchronisierung ermöglichen – aus einem Startbild und einer Audiospur lassen sich damit mittlerweile sehr lange Videos generieren, teils sogar mit mehreren Sprechern. Solche Modelle laufen teilweise als Open-Source-Software lokal, benötigen dann aber erhebliche Hardwareleistung: Erst ab rund 24 Gigabyte Videospeicher mache die Videogenerierung Spaß, entsprechende Grafikkarten kosteten aktuell ab etwa 2.500 Euro.

Auch bei der Bildgenerierung ist die Konsistenz deutlich gestiegen. Neumann hebt Googles Modell hervor, das intern den Arbeitstitel "Nano Banana" trägt. Damit lasse sich eine Figur oder Person über verschiedene Szenen hinweg konsistent darstellen – etwa indem man ein Porträt als Referenz und zusätzlich eine Stilreferenz vorgibt. Bildbearbeitung funktioniere inzwischen so einfach, dass man im Bild auf eine Stelle klickt und beschreibt, was geändert werden soll.

Kreativprojekte: Musikvideos und Maskottchen mit KI

Am Beispiel eines animierten Maskottchens zu einem Kinderlied skizziert Neumann einen typischen Workflow: Zunächst wird per ChatGPT ein Storyboard entwickelt, dann werden Startbilder mit Bild-KI generiert und anschließend animiert. Zu beachten sei die aktuelle technische Grenze von rund fünf bis zehn Sekunden pro Clip, die man mit vielen Cuts umplanen müsse.

Der Kostenvorteil ist erheblich: Während ein klassisch produziertes Musikvideo im 3D-Rendering schnell 50.000 bis 80.000 Euro kosten könne, seien mit KI-Unterstützung hochwertige Ergebnisse im Bereich von etwa 8.000 bis 20.000 Euro realisierbar.

Perfekte Fälschungen – eine Frage von Monaten

Auf die Frage, wann KI vollständig überzeugende, von echten Menschen nicht mehr unterscheidbare Videos hervorbringt, ist Neumann eindeutig: Das sei keine Zukunftsmusik mehr, sondern eine Frage von Monaten. Der entscheidende nächste Schritt sei die gekoppelte Generierung von Ton und Video, kombiniert mit Modellen, die Emotionen und Intonation im Text besser verstehen.

Damit wächst die Kehrseite. Neumann warnt vor missbräuchlichen Szenarien – etwa gefälschten Videobotschaften vermeintlicher Vorgesetzter, die Mitarbeitende zu Überweisungen verleiten. Die einzelnen Techniken zum Klonen von Stimme, Aussehen und Sprechstil existierten bereits und würden zunehmend kombiniert. Rechtlich und ethisch bewege man sich dabei in einem "wilden Westen", insbesondere im Umgang mit verstorbenen Personen. Als positives Gegenbeispiel nennt er die Neuverfilmung von Pumuckl, bei der die Stimme mit den Hinterbliebenen abgestimmt wurde.

Datenschutz als zentrale Hürde im Unternehmen

Bei mehrsprachigen Schulungsvideos funktioniere die automatische Übersetzung samt neuer Lippensynchronisierung erstaunlich gut. Das zentrale Thema sei jedoch der Datenschutz: Rechte betroffener Mitarbeitender müssten abgetreten, die Nutzungsbedingungen der Plattformen geprüft und der Umgang mit hochgeladenem Material klar geregelt werden. Bei sensiblen internen Inhalten rät Neumann zur Vorsicht – hier gebe es oft keine ausreichende Datensicherheit, weshalb manche Projekte gestoppt würden. Im Marketing sei die Lage entspannter, da Kundendaten sich anonymisieren ließen.

Ausblick auf die nächsten Monate

Für die nächsten 6 bis 12 Monate erwartet Neumann vor allem den Durchbruch interaktiver Videoavatare, die im Kundensupport oder am Messestand zugänglicher und günstiger werden. Bild- und Videogenerierung würden monatlich besser und leichter bedienbar – wer strategisch damit arbeiten wolle, müsse am Ball bleiben. Bemerkenswert sei der Wettbewerb zwischen den USA und China, wodurch das frühere US-Monopol aufbreche. Aus Europa hebt er Anbieter wie Black Forest Labs mit dem Modell Flux sowie Mistral als datenschutzfreundliche Alternative hervor.

Das Fazit fällt differenziert aus: Bei sensiblen und authentischen Inhalten, bei denen es um Vertrauen und Emotionen geht, spielt KI vorerst keine große Rolle. In der reinen Informationsvermittlung und im First-Level-Support wird sie dagegen zu einem ernstzunehmenden Werkzeug für Unternehmen.