Bild und Video mit KI: der Ablauf, der im Betrieb hält

Die Frage kommt fast immer in dieser Form: Welche geförderte Fortbildung deckt Bildgenerierung und Video zusammen ab? Bei der Deutschen Mitarbeiterförderung sind das zwei Bausteine der Maßnahme Anwendungsorientierte Digitalisierung — Baustein 6 für Bildgenerierung und visuelles Marketing, Baustein 7 für Videoproduktion und Social Content, je 125 Unterrichtseinheiten. Wer beide belegt, arbeitet 250 Unterrichtseinheiten an genau dieser Strecke.

Interessanter als die Kursfrage ist, woran die Sache im Betrieb scheitert. Fast nie am ersten Bild. Das erste Bild sieht meistens gut aus, und genau das führt in die Irre.

Das erste Bild ist einfach, das zweite ist die Arbeit

Ein einzelnes Motiv aus Midjourney, Firefly oder einem der anderen Werkzeuge zu bekommen, dauert Minuten. Schwierig wird es, wenn dasselbe Motiv noch einmal gebraucht wird: dieselbe Person, dieselbe Umgebung, dieselbe Lichtstimmung, nur aus einem anderen Winkel. Dafür gibt es in den Werkzeugen Mechanismen mit Referenzbildern und festen Parametern, und mit denen umzugehen ist der eigentliche Lernstoff.

Für Betriebe ist das der Punkt, an dem Bildgenerierung von einer Spielerei zu einem Arbeitsmittel wird. Eine Anzeigenkampagne braucht sechs Motive, die zusammengehören. Eine Produktseite braucht fünf Bilder, die dasselbe Produkt zeigen.

Wie ein Bildprompt aufgebaut ist

Ein Bildprompt besteht aus vier Teilen, und die Reihenfolge ist nicht beliebig: Motiv, Bildausschnitt, Licht, Stil. Das Motiv ist, was zu sehen ist. Der Bildausschnitt entscheidet, ob es eine Totale, eine Halbnahe oder eine Detailaufnahme wird. Das Licht trägt die Stimmung. Der Stil legt fest, ob es wie ein Foto, eine Illustration oder ein Rendering aussieht.

Die meisten unbrauchbaren Ergebnisse entstehen, weil einer dieser vier Teile fehlt und das Werkzeug ihn selbst ergänzt. Wer das Licht nicht angibt, bekommt das Licht, das in den Trainingsdaten am häufigsten vorkam.

Produktbilder: wo die Grenze verläuft

Hier ist eine klare Linie nötig. Ein Produkt, das verkauft wird, muss so abgebildet sein, wie es ist. Ein erzeugtes Bild, das ein reales Produkt zeigt, das es so nicht gibt, ist im besten Fall eine Enttäuschung bei der Lieferung und im schlechteren eine irreführende Werbung.

Was gut funktioniert, ist alles drumherum: die Szene, in der das freigestellte Produktfoto steht, der Hintergrund, die Anwendungssituation, Stimmungsbilder für Anzeigen. Die Trennung zwischen beidem sauber zu ziehen, gehört in jede Schulung, die ihr Geld wert ist.

Vom Bild zur Bewegung

KI-Video funktioniert heute am zuverlässigsten als Weg vom Bild zur Bewegung: Man erzeugt ein Standbild, das stimmt, und lässt daraus eine kurze Sequenz werden. Das ist deutlich kontrollierbarer, als eine Szene direkt aus Text erzeugen zu lassen.

Die Grenzen sind dabei ehrlich zu benennen. Die Clips sind kurz. Über mehrere Sequenzen hinweg dieselbe Person gleich aussehen zu lassen, ist aufwendig. Und was in der Sequenz passiert, lässt sich nur begrenzt steuern. Für Stimmungsbilder, Übergänge und kurze Aufmerksamkeitsmomente reicht das. Für eine durcherzählte Handlung reicht es nicht.

Was danach kommt, entscheidet über die Wirkung

Der häufigste Fehler bei KI-Videos ist, dass die Arbeit nach dem Generieren aufhört. Ein Clip ohne Ton wirkt wie ein Platzhalter. Ohne Untertitel sieht ihn die Mehrheit gar nicht, weil in sozialen Netzwerken ohne Ton geschaut wird. Und ein Video, das nur im Hochformat existiert, fehlt überall dort, wo quer gespielt wird.

Diese drei Schritte — Vertonung, Untertitel, Ausgabe in mehreren Formaten — kosten zusammen mehr Zeit als das Generieren selbst und entscheiden darüber, ob das Ergebnis benutzbar ist.

Nutzungsrechte und Kennzeichnung

Zwei Punkte sind vor der ersten Veröffentlichung zu klären. Erstens die Nutzungsrechte: Ob und wie erzeugte Bilder gewerblich verwendet werden dürfen, regeln die Bedingungen des jeweiligen Anbieters, und einige erlauben das erst ab einem bezahlten Tarif. Zweitens die Kennzeichnung künstlich erzeugter Inhalte, die die KI-Verordnung für Bild-, Ton- und Videoinhalte vorsieht.

Dieser Abschnitt ersetzt keine Rechtsberatung. Welche Kennzeichnung im Einzelfall nötig ist, hängt vom Inhalt und vom Einsatzzweck ab. Verordnung (EU) 2024/1689 im Volltext (EUR-Lex).

Was die beiden Bausteine abdecken

Baustein 6 behandelt Bildprompts, Serien mit gleichbleibendem Look, Produktbilder, Nachbearbeitung, Nutzungsrechte und die Kennzeichnung. Baustein 7 behandelt Skript, Aufnahme mit einfachem Gerät, Avatare und synthetische Stimmen mit ihren Grenzen, Schnitt, Untertitel und die Ausgabe in mehreren Formaten.

Jeder Baustein umfasst 125 Unterrichtseinheiten über sechs Wochen und kostet 1.307,50 € je Teilnehmer. Beide sind einzeln zugelassen und damit einzeln förderfähig; gebucht werden müssen sie nicht zusammen.

Welche Kombination aus Bausteinen zu Ihrer Aufgabe passt, klären wir im Erstgespräch — zusammen mit dem Förderweg.