Drei KI-Video-Werkzeuge, ein Prompt: was dabei herauskam

Es gibt zu KI-Video viele Meinungen und wenig Material, an dem man sie prüfen könnte. Deshalb haben wir es umgekehrt gemacht: ein Prompt, drei Werkzeuge, gleiche Einstellungen, und alle drei Ergebnisse ungeschnitten auf dieser Seite. Sie können sich die Clips ansehen und selbst entscheiden, ob das für Ihren Betrieb reicht.

Vorweg das Ergebnis in einem Satz: Das teuerste Werkzeug hat die Aufgabe am vollständigsten erfüllt, das günstigste war ein Drittel so teuer und lieferte 80 Prozent davon, und das dritte sah am echtesten aus, ignorierte aber die halbe Anweisung.

Warum Betriebe überhaupt über KI-Video nachdenken

Der häufigste Grund ist banal: Ein Drehtag kostet Geld und einen Tag Betriebsablauf. Für ein Stimmungsbild von zehn Sekunden ist das schwer zu rechtfertigen, und genau deshalb existieren diese zehn Sekunden in den meisten Betrieben einfach nicht.

Dazu kommt die Variantenfrage. Wer Anzeigen schaltet, braucht fünf Videos statt einem, um herauszufinden, welches funktioniert. Fünf Varianten zu drehen ist für die meisten Mittelständler unbezahlbar. Fünf Varianten zu erzeugen kostet Minuten.

Der dritte Grund wird selten genannt und ist der praktischste: Vorvisualisierung. Bevor ein echter Drehtag bezahlt wird, lässt sich die geplante Szene erzeugen und in der Runde zeigen. Diskussionen über Bildausschnitt und Stimmung finden dann vor dem Drehtag statt.

Der Testaufbau

Alle drei Clips entstanden über dieselbe Oberfläche, mit identischem Prompt und identischen Einstellungen: fünf Sekunden, 720p, 16:9, Ton eingeschaltet. Der Prompt war bewusst so gebaut, dass er die bekannten Schwachstellen trifft — Hände, ein Gegenstand, der die Form behalten muss, eine Kamerabewegung und eine Person, die über fünf Sekunden gleich aussehen soll.

Der Prompt im Wortlaut: „Interior of a small German metalworking workshop, warm daylight through high windows. A woman in her thirties in a work jacket picks up a small machined metal part from a workbench, turns it in her hands and holds it up toward the camera. Slow push-in. Realistic documentary style, natural workshop ambience." Englisch, weil alle drei Modelle auf englische Anweisungen zuverlässiger reagieren. Das ist selbst schon ein Befund.

Seedance 2.5: 35 Credits

Seedance hat als einziges Werkzeug die komplette Anweisung umgesetzt: Die Frau nimmt das Teil auf, dreht es in den Händen, hebt es zur Kamera, und die Kamera fährt währenddessen von der Totalen bis in die Großaufnahme. Das Licht ist warm, wie angefordert. Die Werkstatt sieht nach einer deutschen Werkstatt aus und nicht nach einer amerikanischen Garage.

Der Fehler liegt beim Gegenstand. In der Bildmitte ist das Teil ein kleiner Würfel, am Ende ein runder Flansch mit Bohrungen. Für ein Stimmungsbild fällt das niemandem auf. Für ein Produktvideo ist der Clip damit unbrauchbar.

Kling 3.0: 10 Credits

Für ein Drittel des Preises liefert Kling die Handlung ebenfalls: aufnehmen, drehen, zur Kamera halten. Die ersten vier Sekunden sind sauber, ohne sichtbare Artefakte. Wer nur das Vorschaubild sieht, würde den Preisunterschied nicht vermuten.

In der letzten Sekunde bricht es zusammen. Die Hand, die den Ring hält, hat Finger, die so nicht zusammengehören, und am unteren Bildrand erscheint eine weitere Hand, die zu niemandem gehört. Das ist der klassische Fehler, und er tritt genau dort auf, wo das Bild am größten ist.

Dazu kommt eine Abweichung, die leichter zu übersehen ist: Angefordert war warmes Tageslicht. Geliefert wurde das kühle, flache Licht, das man aus Stockvideos kennt.

Grok 1.5: 22,5 Credits

Fotografisch gewinnt Grok deutlich. Die Arbeitsjacke hat Gebrauchsspuren, das Gesicht hält auch der Großaufnahme stand, und an der Wand hängt eine Werkstofftafel mit der korrekt geschriebenen deutschen Beschriftung „WERKSTOFFE". Lesbarer deutscher Text im Bild war bis vor Kurzem die zuverlässigste Methode, ein erzeugtes Video zu erkennen.

Inhaltlich fällt der Clip durch. Das Teil liegt von der ersten Sekunde an in ihren Händen; das Aufnehmen vom Werktisch kommt nicht vor. Und die angeforderte Kamerafahrt findet praktisch nicht statt. Das lässt sich messen: Der mittlere Bildunterschied von Einzelbild zu Einzelbild liegt bei Grok bei 0,0019, bei Seedance und Kling bei 0,0034 beziehungsweise 0,0032. Es passiert rund 45 Prozent weniger im Bild.

Die drei nebeneinander

Welches war das beste

Für diese Aufgabe Seedance 2.5. Es ist das einzige Werkzeug, aus dem ein verwendbarer Clip kam, ohne dass man den Prompt umbauen muss. Es war zugleich mit 35 Credits das teuerste, dreieinhalbmal so teuer wie Kling.

Diese Antwort gilt für diese eine Aufgabe. Wer ein ruhiges, fotorealistisches Porträt braucht und keine Kamerafahrt, bekommt bei Grok das bessere Bild für zwei Drittel des Preises. Wer zehn Varianten einer Idee durchprobieren will, bevor er sich festlegt, fährt mit Kling am günstigsten und kann die misslungenen einfach wegwerfen.

Die betriebliche Lehre daraus ist die eigentliche: Es gibt kein bestes Werkzeug, es gibt ein passendes je Aufgabe. Wer sich auf eines festlegt, bezahlt das entweder mit Geld oder mit Ergebnissen.

Was KI-Video heute schon trägt

Stimmungsbilder und Übergänge, also alles, was eine Aussage bebildert, ohne selbst eine Aussage zu sein. Ein Blick in eine Werkstatt, eine Hand an einer Maschine, Licht durch ein Fenster. Hier ist das Ergebnis heute von einer Stockaufnahme kaum zu unterscheiden und deutlich besser auf die eigene Aussage zugeschnitten.

Zweitens der Anzeigentest. Fünf Varianten einer Eröffnungssekunde zu erzeugen und laufen zu lassen, ist für den Werbeerfolg wertvoller als ein perfektes Video, von dem niemand weiß, ob es wirkt.

Drittens Vorvisualisierung und viertens der Hintergrund hinter einem freigestellten Produktfoto. In beiden Fällen ist das erzeugte Material Arbeitsmittel und keine Behauptung über die Wirklichkeit.

Was es nicht trägt

Alles, was ein reales Produkt zeigen soll. Der Formwechsel im Seedance-Clip ist dafür das Lehrbuchbeispiel: Ein Teil, das innerhalb von fünf Sekunden seine Geometrie ändert, taugt für kein Produktvideo, und das Problem lässt sich mit einem besseren Prompt nur verringern.

Ebenso wenig trägt es eine durcherzählte Handlung über mehrere Minuten mit gleichbleibenden Personen. Die Clips sind kurz, und jeder Schnitt ist eine neue Gelegenheit, dass die Person anders aussieht.

Und es trägt keine Aussage über den eigenen Betrieb. Eine erzeugte Person in erzeugter Arbeitskleidung in einer erzeugten Werkstatt ist keine Aufnahme aus Ihrem Haus. Wer sie so einsetzt, riskiert mehr als einen Imageschaden.

Für künstlich erzeugte Bild-, Ton- und Videoinhalte sieht die KI-Verordnung eine Kennzeichnung vor. Welche Form im Einzelfall nötig ist, hängt vom Inhalt und vom Einsatzzweck ab; dieser Abschnitt ersetzt keine Rechtsberatung. Verordnung (EU) 2024/1689 im Volltext (EUR-Lex).

Was danach kommt, kostet mehr Zeit als das Erzeugen

Alle drei Clips haben einen Tonspur-Eintrag, und keiner davon ist sendefähig. Ton, Untertitel und die Ausgabe in mehreren Seitenverhältnissen sind der Teil, der über die Brauchbarkeit entscheidet, und er lässt sich nicht erzeugen.

Realistisch sieht der Ablauf so aus: zehn Minuten erzeugen, zwei Stunden daraus etwas machen. Wer die zwei Stunden nicht einplant, hat am Ende fünf schöne Clips und kein Video.

Wo das im Lehrplan steht

Diese Strecke ist der Baustein KI-Videoproduktion und Social Content der Maßnahme Anwendungsorientierte Digitalisierung: 125 Unterrichtseinheiten über sechs Wochen, 1.307,50 € je Teilnehmer, einzeln buchbar und einzeln förderfähig. Behandelt werden Skript, Aufnahme mit einfachem Gerät, der Weg vom Bild zur Bewegung, Schnitt, Vertonung, Untertitel und die Ausgabe in mehreren Formaten.

Der dazugehörige Bildbaustein ist KI-Bildgenerierung und visuelles Marketing mit demselben Umfang. Welche Kombination für Ihren Betrieb sinnvoll ist, hängt davon ab, was Sie tatsächlich produzieren wollen.

Wenn Sie wissen wollen, ob sich die beiden Bausteine für Ihren Betrieb rechnen, sprechen Sie uns an. Im Erstgespräch klären wir Bildungsziel, Umfang und Förderweg.