Warum KI-generierte Videos noch lange nicht automatisch Film sind

Der Sprung vom Clip zur Szene ist kein gradueller Schritt

Die Bildqualität hat große Fortschritte gemacht, das ist unbestritten. OpenAI beschreibt Sora 2 als „big leap forward in controllability“, das „intricate instructions spanning multiple shots“ befolgen könne, „while accurately persisting world state“ (OpenAI, „Sora 2 is here“). Google DeepMind bescheinigt seinem Modell im technischen Bericht sogar einen „bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles“ (Veo 3 Technical Report). Wer solche Clips zum ersten Mal sieht, gewinnt leicht den Eindruck, das Filmemachen sei damit weitgehend gelöst.

Es ist aber genau dieser Eindruck, der in die Irre führt. Ein Film ist keine Aneinanderreihung schöner Einzelbilder, sondern eine Kette kontrollierter Entscheidungen, die über Dutzende Einstellungen, Szenen und Produktionsphasen hinweg zusammenpassen müssen. Eine Figur muss in der nächsten Einstellung dieselbe Figur sein, der Blick in die richtige Richtung gehen, damit ein Schuss-Gegenschuss funktioniert, und eine Requisite darf zwischen Totaler und Nahaufnahme nicht verschwinden. Diese Anforderungen klingen banal, sind aber der eigentliche Kern des Handwerks – und genau hier stoßen generative Modelle an eine höhere Schwelle als die reine Bildqualität.

Man kann fünf Stufen unterscheiden, die oft verwechselt werden: der beeindruckende Demo-Clip, die kontrollierbare Filmszene, der wiederholbare Produktionsprozess, der vollständige Film und die langfristig erzählte Serie. Jede stellt strengere Anforderungen an Konsistenz und Steuerbarkeit als die vorige; ein Modell, das die erste glänzend meistert, sagt fast nichts über die fünfte aus.

Kontinuität ist die eigentliche Prüfung, nicht die Auflösung

Der Fortschritt bei der Konsistenz ist real und verdient Anerkennung. Runway bewirbt Gen-4 damit, „consistent characters, locations and objects across scenes“ zu erzeugen – und zwar „with just a single reference image of your characters“ (Runway, „Introducing Runway Gen-4“). Referenz- und Character-Conditioning haben das Feld verändert: Man kann eine Figur festlegen und aus verschiedenen Perspektiven neu abrufen. The Verge fasst die Ankündigung nüchtern zusammen: Gen-4 solle „enhanced ‚continuity and control‘“ bieten, während KI-Videos „often face challenges in sustaining coherent storytelling“ (The Verge).

Die Forschung zeigt jedoch, wie tief das Problem sitzt. Ein aktueller Überblick zur Steuerbarkeit hält fest, dass „text prompts alone are often insufficient to express complex, multi-modal, and fine-grained user requirements“ – deshalb würden Zusatzsignale wie Kamerabewegung, Tiefenkarten und Körperpose überhaupt erst erforscht (Ma et al., „Controllable Video Generation: A Survey“). Ein zweiter Survey zur räumlich-zeitlichen Konsistenz benennt die typischen Fehlerklassen offen: „subject swapping“, „object teleportation“, „unnatural jumping“. Und für lange Formate gilt: „Existing generation models typically struggle to effectively capture such long-range dependencies, lacking the dynamic modeling and spatiotemporal memory capabilities required for complex and extended-duration relationships“ (Survey: Spatiotemporal Consistency in Video Generation).

Konkret werden die Anforderungen, sobald man auf die Feinheiten schaut. Kostüm- und Requisitenkontinuität verlangt, dass ein Objekt über Takes hinweg exakt gleich bleibt – doch der Konsistenz-Survey führt „subject swapping“ und „object teleportation“ als typische Fehler auf (Survey: Spatiotemporal Consistency in Video Generation). Bei Körperbewegung und Anatomie ist Sora 2 nach Anbieterangabe „more physically accurate“ und lässt einen verfehlten Wurf am Brett abprallen statt teleportieren, räumt aber ein, „far from perfect“ zu sein (OpenAI, „Sora 2 is here“); die Forschung verlangt hier „motion trajectory … conforms to physical laws“ (Survey: Spatiotemporal Consistency in Video Generation). Für Dialogszenen liefern Sora 2 und Movie Gen nach Anbieterangaben natives, synchronisiertes Audio; OpenAI nennt für Sora 2 ausdrücklich „synchronized dialogue and sound effects“, was Lippensynchronität deutlich verbessert (OpenAI; Meta, „Movie Gen“). Ob Betonung, Timing und emotionale Färbung einer Zeile aber präzise regiebar sind, ist damit nicht gesagt – die Modellberichte belegen die Synchronität, nicht die Feinsteuerung der Sprechleistung. Am deutlichsten zeigt sich die Grenze bei emotionaler Feinheit und kontrollierbaren Schauspielentscheidungen: In „Here“ trugen die realen Darsteller „every single one of the character performance moments“, und der Versuch mit Doubles scheiterte, weil „it wasn't the soul of the actor that was there“ (befores & afters, „‚Here‘: A test with Tom Hanks“).

Dazu kommt die filmsprachliche Dimension, die selten mitgedacht wird. Wenn der Veo-3-Bericht dem Modell einen „bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles“ bescheinigt (Veo 3 Technical Report), ist das der Punkt: Häufige dramatische Schnitte oder Kamerawinkel sind noch keine präzise Regie. Schuss-Gegenschuss, Match-on-Action, die Handlungsachse, saubere Eyelines und der Rhythmus einer Sequenz leben von kontrollierbarer Coverage und wiederholbaren Einstellungen, nicht von attraktiven Zufallsschnitten. Ein Generator, der schöne Winkel wählt, ersetzt also keine Regie, die denselben Winkel bewusst und reproduzierbar über mehrere Einstellungen durchhält.

Genau das trennt die technischen Kategorien voneinander. Text-to-Video erzeugt aus einer Beschreibung, Image-to-Video animiert ein Startbild, Video-to-Video transformiert bestehendes Material, World Models tragen Zustände über die Zeit, Shot Extension verlängert Clips – und klassische VFX- und Compositing-Workflows bleiben der Rahmen, in dem generierte Elemente kontrolliert und rechtssicher zusammengefügt werden. Adobes Generative Extend etwa verlängert eine Aufnahme „up to two seconds for video and ten seconds for audio“ und kennzeichnet generierte Bilder stets, „so you know exactly where the original footage ends and created frames begin“ (Adobe, „Generative Extend“). Das ist ein präzises Schnittwerkzeug – und zugleich eine Erinnerung daran, dass wir hier von Sekunden reden, nicht von Szenen. Auch Metas Movie Gen dokumentiert für sein größtes Modell „a generated video of 16 seconds at 16 frames-per-second“ in „1080p HD“ mit „synchronized audio“ (Meta, „Movie Gen“). Beeindruckend – aber ein Spielfilm besteht aus Tausenden solcher Bausteine, die alle zueinander passen müssen.

Ein reales Beispiel zeigt: KI verschiebt die Arbeit, sie ersetzt sie nicht

Wer glauben möchte, KI nehme dem Set die Arbeit ab, sollte die Produktion von „Here“ studieren – ausdrücklich als hybrides Beispiel aus maschinellem Lernen und klassischem VFX zur Performance-Bearbeitung, nicht als ein per Text-to-Video erzeugter Film. Für Robert Zemeckis' Film verantworteten Metaphysic und VFX-Supervisor Kevin Baillie „53-character minutes of full-face replacement“ über vier Hauptdarsteller, teils in Einstellungen „up to four minutes“ Länge (befores & afters, „‚Here‘: A test with Tom Hanks“). Klassische CGI war keine Option: „It was obvious that there was no way we could use traditional CGI methods to do this“, so Baillie – zu teuer, zu langsam, mit Risiko der Uncanny Valley.

Der entscheidende Punkt ist, wie viel spezialisierte Handarbeit die KI erforderte. Für jeden Schauspieler wurden mehrere neuronale Netze auf kuratierte Datensätze trainiert – Tom Hanks „at 18, at 30, at 45“ –, wobei Ingenieure „identity leak“ aktiv bekämpfen mussten, damit nicht „Tom's brother or cousin“ erschien. Auch Blickachsen waren ein Dauerthema, weil die Netze „magnetically“ in die Kamera zu schauen neigten; Grenzfälle wie ein Kuss mussten mit klassischen Tricks „backstopped“ werden. Baillies Fazit ist deutlich: „All these limitations of the AI tools, they need traditional visual effects teams who know how to do this stuff to backstop them and help them succeed“ (befores & afters).

Vor allem aber blieb die Performance menschlich. Wired und Variety dokumentieren den Kern: Ein Echtzeit-System auf zwei Monitoren erlaubte den Schauspielern, ihr verjüngtes Spiel sofort zu prüfen und zu justieren – ein Werkzeug für Kreative, kein Ersatz für sie (Wired, „The $50 Million Movie ‚Here‘“; Variety). „Here“ beweist, dass KI in der Produktion ankommt – und wie viel iterativer, hochspezialisierter Aufwand nötig bleibt, damit ein Ergebnis trägt.

Gegenargumente, Grenzen und Risiken

Man kann berechtigt einwenden, dass sich die Grenzen 2025/2026 verschoben haben – und das stimmt. Netflix setzte für die Serie „El Eternauta“ erstmals generative KI in einer Originalproduktion ein; laut Co-CEO Ted Sarandos entstand die VFX-Sequenz eines Gebäudeeinsturzes „10 times faster than it could have been completed with traditional VFX tools and workflows“ (The Guardian). Diese Zahl ist eine Anbieterangabe des Konzerns und bezieht sich auf eine einzelne Sequenz. Bezeichnend ist zudem, wie sie zustande kam: Netflix' Einheit Eyeline nutzte nach eigener Darstellung keine hauseigene Modelltechnik, sondern „commercially available video diffusion models under enterprise licenses“ – eingebettet in eine klassische VFX-Pipeline (TheWrap).

Auch das Festival-Bild trügt leicht. Runways AI Film Festival wuchs von „merely 300 submissions“ 2024 auf „6,000 entries“ 2025, und Jacob Adlers „Total Pixel Space“ gewann den Grand Prix (The Hollywood Reporter; Runway AIFF Screening Room). Doch die gezeigten Arbeiten waren „varying in quality“, oft „dream-like, experimental“, geprägt durch „constraints on sound and the portrayal of real people“ (The Hollywood Reporter).

Bleiben die harten Grenzen. Steuerbarkeit ist nicht gleich Kontrolle: Auch ein als „more controllable“ beworbenes Modell folgt Vorgaben nicht perfekt, und feine Anweisungen können abdriften – OpenAI räumt für Sora 2 selbst ein, es sei „far from perfect“ und mache „plenty of mistakes“ (OpenAI, „Sora 2 is here“). Der Veo-3-Bericht nennt „small hallucinations that mark videos as clearly fake“ (Veo 3 Technical Report). Editierbarkeit, Versionskontrolle und Reproduzierbarkeit – für jede Produktion überlebenswichtig – sind bei reinen Generatoren kaum gegeben; „Here“ löste sie erst durch eigens gebaute Nuke-Werkzeuge und „neural animators“. Und die rechtliche Verwertbarkeit variiert stark: Adobe wirbt damit, „only trained on content where Adobe has permission … never on Adobe users' content“ (Adobe), während Runways Vorgängermodell wegen Training auf „scraped YouTube videos and pirated films“ kritisiert wurde (The Verge). Dass OpenAI laut eigener Seite „as of April 26, 2026, the Sora product is no longer available“ vermeldet, betrifft das Konsumentenprodukt (die Sora-App) und nicht zwingend das zugrunde liegende Modell oder dessen API-Verfügbarkeit; es erinnert dennoch daran, wie wenig Produktionssicherheit ein Konsumentenprodukt bietet (OpenAI).

Fazit: Spektakel ist eine Fähigkeit, Kontrolle ist eine andere

Die ehrliche Bilanz ist weder Euphorie noch Ablehnung. Referenzbilder, Kamerakontrolle, native Tonspuren und Shot-Extension-Werkzeuge haben aus flackernden Kuriositäten ernsthafte Produktionsbausteine gemacht. Sie sparen Zeit, öffnen Budgets und erweitern das Erzählbare – „El Eternauta“ und „Here“ zeigen das konkret. Aber sie verschieben die eigentliche Schwelle nicht: Ein guter Film entsteht nicht dort, wo ein Bild schön ist, sondern dort, wo tausend Entscheidungen über Einstellungen, Szenen und Monate hinweg zueinander passen und wiederholbar bleiben. Genau das – Charakterkonsistenz, Blickachsen, Anschluss, kontrollierbares Schauspiel, saubere Versionsstände – ist die höhere Schwelle, die generative Modelle noch nicht allein überschreiten. Die interessante Frage für die nächsten Jahre lautet deshalb nicht, ob KI schöne Videos macht. Das kann sie längst. Die Frage ist, ob sie lernt, kontrolliert zu erzählen. Bis dahin gilt: Ein beeindruckender Clip ist ein Versprechen, kein Film.