KI-Videoproduktion 2026. Der Stand nach dem Sora-Aus.

Was am 26. April passiert ist — und warum es die Branche sortiert hat

Sora war das Produkt, das KI-Video in den Massenmarkt getragen hat. Im September 2025 gestartet, weniger als sechs Monate später vorbei: Am 24. März 2026 verabschiedete sich OpenAI in einem kurzen Post, am 26. April 2026 gingen Web und App aus, die API folgt am 24. September 2026. Der Grund ist unspektakulär und lehrreich zugleich — der Betrieb kostete rund eine Million Dollar am Tag und hatte insgesamt etwa 2,1 Millionen Dollar eingespielt. Dazu Urheberrechts- und Deepfake-Probleme und ein geplatzter Disney-Deal.

Für dich als Unternehmen ist daran nur eines wichtig: Ein Tool ist keine Strategie. Wer 2025 seine Produktion an ein einzelnes Consumer-Produkt gehängt hat, stand im April ohne Pipeline da. Genau deshalb arbeitet niemand, der davon lebt, mit einem Modell. Man arbeitet mit einer Kette — und tauscht darin einzelne Glieder aus, wenn ein besseres kommt.

Die eigentliche Nachricht: Die Phase „irgendein Generator, ein Prompt, fertiges Video" ist vorbei. Was 2026 professionell aussieht, entsteht in vier bis sechs Werkzeugen und wird danach in einer echten Schnittsoftware zusammengesetzt. Wer das überspringt, sieht aus wie ein Prompt.

Die Ökonomie: warum 5.000 € KI-Produktion kein billiger Ersatz ist

Ein professioneller Imagefilm kostet in Deutschland zwischen 3.000 und 50.000 €, die meisten Unternehmen landen bei 5.000 bis 15.000 €. Nach Format gestaffelt: Firmenporträt etwa 4.000–7.000 €, Unternehmensfilm 7.000–18.000 €, Marken-Imagefilm 11.000–31.000 €. In diesen Zahlen stecken Dinge, die mit dem fertigen Film wenig zu tun haben: Drehtage, Location-Miete, Team vor Ort, Darsteller ab 300–1.000 € pro Person und Tag, Drohne 500–1.000 €, Reisezeit, Wetterrisiko, Nachdreh.

Der ehrliche Teil: KI ist nicht in jedem Fall die bessere Wahl. Echte Menschen, echte Halle, echtes Produkt in echten Händen — dafür gibt es keinen Ersatz, und der Dreh ist dann jeden Euro wert. KI gewinnt dort, wo es keine Bilder gibt: Orte, die zu teuer sind, Situationen, die man nicht inszenieren kann, Produkte, die noch nicht existieren, Serien von zwanzig Varianten statt eines Films.

Der Modellvergleich, Stand August 2026

Die Rangfolge ändert sich alle paar Monate. Was sich nicht ändert: Für Werbung, die bezahlt wird, ist Text-zu-Video praktisch tot. Man baut zuerst das Bild — kontrolliert, in der richtigen Bildsprache — und animiert dann dieses Bild. Alles andere ist Glücksspiel mit Rechenzeit.

Seedance 2.5 ist der eigentliche Sprung des Jahres. Vorgestellt am 23. Juni 2026 auf der Volcano-Engine-Konferenz, überspringt ByteDance die Versionen 2.1 bis 2.4 und liefert etwas, das vorher niemand konnte: 30 Sekunden am Stück, mit Szenenwechseln und Tempowechseln innerhalb einer einzigen Generation, ohne Zusammenschneiden. Dazu 4K-fähige Ausgabe, bis zu 50 Referenzen, mitgenerierter Ton und deutlich besserer Lippensync. Wer schon einmal versucht hat, aus zwölf Fünf-Sekunden-Clips eine Geschichte zu schneiden, weiß, warum das ein anderes Arbeiten ist.

• Bild zuerst — Flux 2 oder Midjourney. Flux kommt von Black Forest Labs, und die sitzen in Freiburg im Breisgau: im Dezember 2025 mit 300 Mio. $ bei 3,25 Mrd. $ Bewertung finanziert, Modelle im Einsatz bei Adobe, Canva, Meta, Microsoft und ElevenLabs. Flux 2 kann Text im Bild, mehrere Referenzbilder gleichzeitig und 4K. Für Fotorealismus die erste Wahl, für Kinolicht Midjourney.
• Animation — Seedance 2.5 für ganze Szenen, Kling für Physik und Mimik, Veo für Szenen mit Ton, Runway wenn die Kamera etwas Bestimmtes tun muss.
• Konsistenz — Referenzen statt Hoffnung. Dieselbe Figur, dasselbe Produkt, dasselbe Licht über mehrere Clips bekommt man über Referenzbilder und feste Prompt-Bausteine, nicht über Nachgenerieren.
• Upscale und Frame-Interpolation zum Schluss, nicht zwischendurch. Alles, was vor dem Schnitt hochskaliert wird, ist doppelte Rechenzeit für nichts.

Wie ich Referenzen finde: Bevor ein einziger Prompt entsteht, sammle ich reale Aufnahmen — Werbespots, Musikvideos, Dokumentarfilme —, die das Gefühl treffen, das der Kunde meint aber nicht benennen kann. Aus zehn Ausschnitten wird ein Moodboard mit drei Entscheidungen: Lichtrichtung, Objektiv, Bewegungstempo. Diese drei Sätze stehen dann in jedem Prompt der Produktion. Deshalb sehen die Clips zusammengehörig aus — nicht weil das Modell konsistent wäre, sondern weil die Vorgabe es ist.

Ton ist die Hälfte des Films — und rechtlich die gefährlichere Hälfte

Bild kann man verzeihen, Ton nicht. Ein durchschnittliches Bild mit gutem Sprecher, sauberem Raumton und passender Musik wirkt professionell. Ein exzellentes Bild mit Roboterstimme wirkt wie ein Testrender. Für Deutsch führt bei synthetischen Stimmen praktisch kein Weg an ElevenLabs vorbei — Betonung, Pausen und Emotion sind dort auf einem Niveau, das im Werbekontext trägt.

Der Markt sortiert sich hier gerade neu: Warner hat sich Ende 2025 mit Suno geeinigt, Universal mit Udio — beide Richtung lizenzierte Modelle. Gleichzeitig laufen die Verfahren von Sony und Universal gegen Suno weiter, nach der Beweisaufnahme wurde der Streitwert von 560 auf über 61.000 Aufnahmen ausgeweitet. Solange das nicht abgeschlossen ist, gilt für Kundenprojekte in Deutschland: Stimme ja, Musik mit Lizenz.

• Sprecher synthetisch — sauber, wenn es gekennzeichnet ist (dazu gleich mehr)
• Stimme einer realen Person geklont — nur mit schriftlicher Einwilligung, immer
• Musik aus lizenzierter Bibliothek oder komponiert — unproblematisch
• Musik aus einem Musikgenerator im Werbefilm — im Moment das teuerste Sparen des Jahres

Ruhmeshalle und Schandmauer: was Marken damit gewonnen und verloren haben

Zwei Fälle aus derselben Technologie, mit entgegengesetztem Ausgang — und beide erklären mehr über den Unterschied zwischen Produktion und Prompt als jedes Argument.

Die Rechtslage seit dem 2. August — und warum sie dich betrifft, auch wenn du nichts baust

Am 2. August 2026 ist Artikel 50 der KI-Verordnung (EU) 2024/1689 wirksam geworden: die Transparenzpflichten. Das ist nicht der ganze AI Act — die schweren Hochrisiko-Regeln hat der Digital Omnibus auf Dezember 2027 und August 2028 verschoben. Die Transparenz blieb unangetastet, und mit ihr die Befugnis zu sanktionieren. Deutschland war vorbereitet: Das KI-MIG gilt seit dem 29. Juli 2026, Marktaufsicht ist die Bundesnetzagentur, die dafür einen kostenlosen KI-Service-Desk betreibt.

Die wichtigste Unterscheidung zuerst, weil sie in fast jeder Meldung falsch steht: Du bist nicht „Anbieter" von KI, sondern Betreiber. Das technische Maschinenmarkieren — Wasserzeichen, signierte Metadaten — ist Pflicht der Modellhersteller. Deine Pflicht ist das sichtbare Offenlegen für Menschen. Das ist genau eine Pflicht, und sie wird mit einem Label erledigt.

Der Test für „Deepfake" hat drei Bedingungen gleichzeitig: Es ähnelt realen Personen, Objekten oder Orten; diese könnten existieren; und es wirkt wie eine echte Aufnahme. Die Kommission hat das mit Beispielen unterlegt: Ein fotorealistisches Porträt einer erfundenen Person ist ein Deepfake — weil es diese Person geben könnte. Ein Drache am Steuer ist keiner. Täuschungsabsicht spielt keine Rolle; ihr Fehlen befreit nicht.

Und jetzt der Teil, den deutsche Unternehmen wirklich fürchten sollten — nicht das Bußgeld. Der Rahmen von bis zu 15 Mio. € oder 3 % des weltweiten Umsatzes zielt auf andere Größenordnungen. Das realistische Risiko im deutschen Markt ist die Abmahnung: Juristen ordnen Art. 50 überwiegend als Marktverhaltensregelung ein, womit ein Verstoß über § 3a UWG von Wettbewerbern oder Verbänden privat verfolgt werden kann — und über § 5 UWG zusätzlich als Irreführung. Rechtsprechung gibt es noch keine; die Norm ist wenige Tage alt. Das ist kein Grund zur Entwarnung, sondern der Grund, warum gerade jetzt Vorsicht billiger ist als später Recht zu bekommen.

Eine rote Linie, unabhängig von Kennzeichnung: synthetische Testimonials. Ein KI-„Kunde", der ein Produkt lobt und als echte Bewertung präsentiert wird, ist Irreführung nach § 5 UWG — mit Label nicht besser. Das machen wir nicht, auch wenn ein Kunde ausdrücklich danach fragt.

Wem gehört ein KI-Video? Die Antwort entscheidet, ob du ein Asset kaufst oder nur eine Datei

Nach deutschem Urheberrecht entsteht Schutz nur an einer persönlichen geistigen Schöpfung. Ein Ergebnis, das allein durch Eingabe eines Prompts entsteht, erreicht diese Schwelle nach herrschender Auffassung nicht — an einem rohen Generatorausgang hat niemand ein Urheberrecht. Für dich als Auftraggeber heißt das etwas Unangenehmes: Wenn dir jemand rohe Dateien aus einem Generator liefert, kaufst du kein geschütztes Werk. Jeder darf denselben Clip nachbauen, und du kannst niemandem etwas verbieten.

Schutz entsteht dort, wo Schöpfungshöhe hinzukommt — durch die Auswahl, Anordnung und Bearbeitung des Materials. Also genau in dem Teil, den man nicht sieht: Schnittrhythmus, Farbkorrektur, Tongestaltung, Komposition der Szenen, Typografie. Ein Film, der in Premiere aus fünfzig Generationen, drei Tonspuren und einer Farbkorrektur entsteht, ist ein bearbeitetes Werk mit identifizierbarer menschlicher Handschrift. Das ist kein Nebeneffekt der Postproduktion — es ist der Grund, warum es sie gibt.

Wie ich arbeite — und warum niemals rohe Dateien rausgehen

Ich bin Heidar Rudyi, Creative Director in Freiburg im Breisgau. Bei BH Agency habe ich die KI-Videoproduktion mit aufgebaut: über 1.500 produzierte Videos, rund 500 Millionen Aufrufe, im YouTube-Wachstum ein Portfolio von 16 Milliarden Aufrufen über 200+ Kanäle. Das ist keine Referenzliste zum Angeben, sondern der Grund, warum ich weiß, wo KI-Video bricht: nicht im Modell, sondern zwischen den Clips.

Deshalb bekommt kein Kunde jemals einen Generator-Export. Jedes Projekt läuft durch Premiere Pro: Auswahl aus dem Vielfachen des Gebrauchten, Schnittrhythmus, Farbkorrektur über alle Szenen hinweg, Sounddesign, Sprachmischung, Untertitel. Das ist die Arbeit, die aus Material einen Film macht — und juristisch aus einem ungeschützten Generat ein bearbeitetes Werk mit Rechten, die ich dir übertragen kann.

• Referenzen vor Prompts. Erst suche ich reale Aufnahmen, die das Gefühl treffen, das du meinst. Daraus werden drei Festlegungen — Lichtrichtung, Objektiv, Bewegungstempo —, die in jedem Prompt des Projekts stehen.
• Bild vor Bewegung. Jede Szene beginnt als Standbild in der endgültigen Bildsprache. Erst wenn das Bild sitzt, wird animiert. Text-zu-Video kommt in Kundenprojekten nicht vor.
• Overshoot statt Nacharbeit. Für sechs verwendete Einstellungen entstehen vierzig. Verwerfen ist billiger als Reparieren.
• Ton getrennt gebaut. Stimme, Atmo, Musik, Effekte — vier Spuren, nie ein mitgeneriertes Gesamtpaket. Musik nur lizenziert.
• Kennzeichnung ab Werk. Die Labels sind Teil der Auslieferung, nicht eine Frage danach. Dazu ein Absatz im Angebot, der Art. 50 Abs. 4 und die Rechteübertragung regelt.
• Abmahnsicher heißt prüfbar. Keine synthetischen Testimonials, keine geklonten Stimmen ohne schriftliche Einwilligung, keine KI-Musik in bezahlter Werbung.

Und der ehrlichste Satz zum Schluss dieses Kapitels: Nicht jedes Projekt gehört in die KI. Wenn deine Halle, deine Leute und dein Produkt die Geschichte sind, dann drehen wir. KI ist das Werkzeug für alles, was es nicht zu filmen gibt — oder was in zwanzig Varianten gebraucht wird, bevor der Dreh überhaupt geplant wäre.