Ein dunkler Schnittplatz: auf dem Monitor ein Raster vieler fast gleicher Videobilder, eines davon hell hervorgehoben. Links eine warme Schreibtischlampe.

Woran KI-Video heute noch scheitert

KI-Video scheitert nicht an der Auflösung. Es scheitert an acht konkreten Stellen, und die kann man vorher prüfen. Wer sie kennt, weiß nach fünf Minuten, ob sein Vorhaben mit einem Werkzeug machbar ist.

Über die Schwächen von KI-Video schreibt selten jemand unbefangen. Wer Videos verkauft, hat einen Grund, sie zu übertreiben. Wer Werkzeuge verkauft, hat einen Grund, sie zu verschweigen. Was hier steht, ist der Stand von August 2026 und wird sich ändern — an welchen Stellen zuerst, steht weiter unten.

Wo das Bild bricht

Die folgenden vier Probleme betreffen das erzeugte Bild selbst. Sie treten unabhängig vom Werkzeug auf, weil sie in der Bauart der Modelle begründet sind.

Hände in Bewegung

Beim Standbild ist die Hand kein großes Thema mehr. Ein einzelnes erzeugtes Bild von Fingern, die ein Werkstück führen, hält heute jeder Prüfung stand — das Bild unter diesem Absatz ist selbst erzeugt und beweist es.

Im Video ist das anders. Über zwei Sekunden hinweg muss dieselbe Hand in jedem einzelnen Bild dieselbe Hand bleiben, mit derselben Anzahl Finger, demselben Griff, derselben Narbe. Genau dort bricht es: Finger verschmelzen, Griffe rutschen ins Leere, ein Daumen wandert auf die falsche Seite.

Für Videos aus Handwerk, Produktion und Pflege ist das der häufigste Ausschlussgrund — dort ist die arbeitende Hand oft das Motiv, und sie steht nicht still.

Zwei Hände setzen ein Werkstück in eine Maschine ein. Die Finger sind ölverschmiert, am Daumen klebt ein Pflaster. — Dieses Bild ist mit KI erzeugt, und es hält stand: zehn Finger, ein plausibler Griff, Öl unter den Nägeln. Als Standbild ist die Hand gelöst. Setzen Sie dieselbe Szene in Bewegung, und es fällt auseinander.

Text im Bild

Schrift im erzeugten Bild ist bis heute unzuverlässig. Ein Firmenname auf einem Schild wird zu einer ähnlich aussehenden Buchstabenfolge, ein Logo bekommt zusätzliche Bögen, eine Beschriftung auf einer Maschine ergibt keinen Sinn.

Der übliche Ausweg: Text nicht erzeugen lassen, sondern hinterher im Schnitt darüberlegen. Das funktioniert gut, solange der Text nicht Teil des gefilmten Gegenstands sein muss.

Berührung und Physik

Wo zwei Dinge einander berühren, wird es schwierig. Flüssigkeit, die eingegossen wird. Stoff, der fällt. Ein Gegenstand, der abgestellt wird und dabei Gewicht hat. Modelle erzeugen, wie so etwas aussieht, ohne zu wissen, wie es sich verhält — das Ergebnis wirkt oft eine Spur zu leicht, zu langsam, zu geschmeidig.

Der Anschluss zwischen zwei Einstellungen

Das ist das unterschätzte Problem. Ein einzelner Clip kann gut sein. Zwei Clips derselben Person hintereinander sind es selten: Die Frisur sitzt anders, der Kragen hat eine andere Farbe, der Raum hat plötzlich ein Fenster mehr.

Ein Video besteht aber nicht aus einem Clip, sondern aus zwanzig. Deshalb sehen KI-Videos in Einzelbildern besser aus als in voller Länge — und deshalb lohnt es sich, vor der Entscheidung nicht die Beispielclips der Anbieter anzusehen, sondern ein fertiges Video von jemandem, der damit gearbeitet hat.

Vier Stellen, an denen erzeugtes Video kippt. Wer sein Motiv daran prüft, weiß vorher Bescheid.

Wo der Inhalt nicht stimmen kann

Die nächsten drei Grenzen sind grundsätzlicher. Sie verschwinden auch dann nicht, wenn die Bildqualität weiter steigt.

Menschen, die es wirklich gibt

Ihr Werkstattleiter kann nicht in einem erzeugten Clip auftreten. Es gibt Werkzeuge, die aus Aufnahmen einer Person einen Avatar bauen — dafür braucht es aber deren Einwilligung, eine Aufnahme unter kontrollierten Bedingungen, und das Ergebnis ist als Avatar erkennbar.

Wer echte Mitarbeitende zeigen will, muss sie filmen. Das ist keine technische Hürde, sondern der Kern der Sache: Der Wert liegt genau darin, dass es diese Menschen gibt.

Ihr Produkt, nicht ein ähnliches

Ein Modell erzeugt einen Gegenstand, der Ihrem ähnelt. Die Naht sitzt anders, der Radius stimmt nicht, das Logo ist verrutscht. Bei einem Stimmungsbild ist das gleichgültig. Bei einem Produktvideo ist es ein Problem, denn Sie zeigen etwas, das der Kunde so nicht bekommt.

Ihr Ort

Ein Modell kann erfinden, wie eine Werkstatt in Hamburg aussehen könnte. Es kann nicht zeigen, wie Ihre aussieht. Sobald jemand den Ort kennt oder wiedererkennen soll, hilft nur eine Kamera.

Deutsche Lippen

Bei Avataren und übersetzten Videos ist die Lippensynchronität im Deutschen schwächer als im Englischen — die Modelle sind überwiegend auf englischem Material trainiert. Für interne Schulungen reicht es meist, für die Startseite oft nicht.

Seit August 2026 neu: Kennzeichnungspflicht

Die europäische KI-Verordnung verlangt seit dem 2. August 2026, dass künstlich erzeugte oder bearbeitete Bild- und Tonhinhalte als solche erkennbar gemacht werden. Wer ein KI-Video veröffentlicht, muss es also kennzeichnen.

Das ist kein Grund, auf KI zu verzichten — aber es ändert die Rechnung. Ein Video, unter dem „mit KI erzeugt“ steht, wirkt anders als eines ohne diesen Hinweis, besonders dort, wo es um Vertrauen geht. Wie die Kennzeichnung im Einzelfall aussehen muss, klären Sie mit jemandem, der das rechtlich beurteilen kann. Ich bin kein Anwalt.

Was sich ändern wird und was nicht

Die vier Bildprobleme oben verschwinden nacheinander, und man kann dabei zusehen. Beim Standbild sind Hände bereits erledigt — vor zwei Jahren waren sie das sicherste Erkennungsmerkmal, heute nicht mehr. Text im Bild fällt als Nächstes. In Bewegung und über mehrere Einstellungen hinweg dauert es länger, aber auch das ist lösbar. Wer heute aus diesen Gründen ablehnt, sollte in einem Jahr neu hinsehen.

Die drei inhaltlichen Grenzen bleiben. Nicht weil die Technik zu schwach wäre, sondern weil sie die falsche Frage beantwortet: Ein Modell erzeugt Plausibles. Wo es auf Echtes ankommt, ist plausibel das Gegenteil von brauchbar.

Das ist die Trennlinie, an der sich alles auf dieser Seite entlanghangelt — und der Grund, warum die Frage nicht lautet, ob KI Video kann.

Wenn Ihr Vorhaben auf der anderen Seite liegt

Für Drehs in Hamburg empfehle ich Main Picture. Ich kenne die Leute dort und bekomme nichts dafür, wenn Sie anfragen.

Unsicher, auf welcher Seite Sie stehen? Der Video-Entscheider fragt sieben Dinge ab und sagt es Ihnen.

Häufige Fragen

Kann KI inzwischen einen kompletten Imagefilm erzeugen?

Technisch ja, sinnvoll nein. Ein Imagefilm zeigt Ihr Unternehmen, und ein Modell kann nur zeigen, wie ein Unternehmen aussehen könnte. Für Kulissen, Übergänge und Stimmungsbilder innerhalb eines gedrehten Films ist KI dagegen brauchbar.

Woran erkenne ich, dass ein Video mit KI erzeugt wurde?

Achten Sie auf Hände in Bewegung, auf Schrift im Bild und auf den Übergang zwischen zwei Einstellungen. Dort sitzen die Fehler zuerst. Wenn dieselbe Person in zwei Clips leicht anders aussieht, ist die Sache klar.

Muss ich KI-Videos kennzeichnen?

Seit dem 2. August 2026 verlangt die europäische KI-Verordnung, dass künstlich erzeugte Bild- und Toninhalte als solche erkennbar sind. Wie die Kennzeichnung im Einzelfall aussehen muss, sollten Sie rechtlich prüfen lassen.

Wie lang darf ein KI-erzeugter Clip sein?

Die meisten Modelle liefern wenige Sekunden am Stück. Längere Videos entstehen daraus durch Aneinanderreihen, und genau dabei entsteht das Anschlussproblem: Zwei Clips derselben Person passen selten zusammen.

Kann ich meine Mitarbeitenden als Avatar zeigen?

Ja, mit ihrer Einwilligung und einer Aufnahme unter kontrollierten Bedingungen. Das Ergebnis bleibt aber als Avatar erkennbar und fällt vor allem bei deutscher Sprache auf, weil die Lippenbewegung schwächer sitzt als im Englischen.