Kann Künstliche Intelligenz filmischen Geschmack verstehen?

Was Maschinen über Filme wirklich lernen

Ein Empfehlungssystem kennt keine Filme. Es kennt Verhalten. Netflix beschreibt sein 2025 vorgestelltes „Foundation Model for Personalized Recommendation“ als ein Modell, das nach dem Prinzip der autoregressiven Vorhersage arbeitet – „our default approach employs the autoregressive next-token prediction objective, similar to GPT“ – und dessen primäres Ziel schlicht lautet, die nächste Titel-Interaktion vorherzusagen (Netflix Technology Blog). Trainiert wird es auf den Interaktionshistorien von mehr als 300 Millionen Nutzern und hunderten Milliarden Interaktionen (Netflix Technology Blog). Das ist keine Geschmacksbildung, sondern hochskalierte Wahrscheinlichkeitsrechnung.

Ähnlich funktioniert die Personalisierung der Titelbilder: Netflix wählt das angezeigte Artwork über sogenannte Contextual Bandits aus und optimiert dabei die Wahrscheinlichkeit eines „quality play“, gemessen als „take fraction“ (Netflix Technology Blog). Das Unternehmen personalisiert damit ausdrücklich „not just what we recommend but also how we recommend“ – und berichtet von einem „significant lift in core metrics“ (Netflix Technology Blog). YouTube wiederum trennt seine Empfehlungen seit 2016 in zwei Stufen, eine Kandidatengenerierung und ein Ranking-Modell (Google Research).

Diese Systeme sind unbestreitbar leistungsfähig. Aber sie beantworten eine andere Frage als die künstlerische. Sie messen, was oft funktioniert. Sie erklären nicht, warum ein bestimmtes Bild in einer bestimmten Geschichte emotional notwendig ist.

Von der Prognose zur Bewertung: Zahlen ohne Urteil

Der Sprung von der Empfehlung zur Bewertung ist der eigentliche Ehrgeiz der Branche. Anbieter versprechen, Erfolg schon vor dem Dreh zu erkennen. ScriptBook wirbt mit „87 % financially accurate“ und einer Greenlight-Genauigkeit von 80 Prozent allein auf Basis des Drehbuchs; das zugrunde liegende Patent nennt eine Klassifikationsgenauigkeit von bis zu 86 Prozent für Erfolg und Misserfolg (ScriptBook). Largo.ai gibt eine Greenlight-Genauigkeit von 82 Prozent an und beziffert die analysierten Filme auf über 12.000 (Largo.io). Beides sind Anbieterbehauptungen, die keiner unabhängigen Prüfung in dieser Recherche standhielten.

Die seriöse Forschung ist zurückhaltender. Eine 2024 in Scientific Reports veröffentlichte Studie erreichte mit einem um Kommentare erweiterten neuronalen Netz eine durchschnittliche Prognosegenauigkeit von 83,7 Prozent für das Box-Office; ohne die Kommentardaten fielen die Werte deutlich ab (Scientific Reports). Entscheidend ist jedoch der Gegenstand: Prognostiziert wird kommerzieller Erfolg, nicht künstlerische Qualität. Die Autoren nennen die Datenauswahl und den COVID-Effekt selbst als offene Grenzen (Scientific Reports).

Genau hier zeigt sich der blinde Fleck. Eine unabhängige Analyse von ScriptBook durch Cineuropa hält fest, dass der Zweck der Analyse nicht darin liege, „die Feinheiten eines Drehbuchs zu erfassen, sondern seinen Inhalt mit den bekannten Größen bereits veröffentlichter Filme zu vergleichen“ (Cineuropa). Im dokumentierten Fall des Films Passengers war die Box-Office-Vorhersage brauchbar, doch die schlechte kritische Aufnahme konnte das Werkzeug nicht antizipieren (Cineuropa). Die Kritik lautet: „false objectivity“ – objektive Metriken, die eine subjektive Entscheidung nur stützen, aber nicht treffen können (Cineuropa).

Der Unterschied zwischen Wirkung und Wahrhaftigkeit

Kann eine Maschine wenigstens die emotionale Wirkung messen? Teilweise. Affective-Computing-Modelle wie AttendAffectNet sagen aus Video-, Audio- und Textspuren die evozierten Emotionen eines Films voraus – allerdings nur als Dimensionen Valenz und Arousal, mit besten Korrelationswerten um 0,655 für Arousal und 0,575 für Valenz (Sensors). Das ist eine korrelative Annäherung an gemessene Reaktionen, kein Urteil über emotionale Wahrhaftigkeit. Solche Forschung skizziert, wie sich Publikumsreaktionen als Datenpunkte modellieren lassen; sie ersetzt weder ein repräsentatives Testpublikum noch ein ästhetisches Urteil, und ein produktiver Studioeinsatz genau dieses Modells ist in den geprüften Quellen nicht belegt.

Genau hier setzen Test-Screenings und Publikumsdaten an. Sie können Reaktionen clustern, Muster über Zuschauergruppen sichtbar machen und Wahrscheinlichkeiten schätzen. Doch ein Testpublikum bleibt eine Stichprobe, kein Werturteil, und verschiedene Zuschauer reagieren auf dieselbe Szene unterschiedlich. Automatisierte Trailer- und Artwork-Systeme wiederum können die Auswahl und Präsentation von Material optimieren – Netflix belegt das für die personalisierte Titelbildwahl (Netflix Technology Blog). In keiner der für diesen Beitrag geprüften Quellen findet sich jedoch ein Beleg, dass ein System eine Regiehandschrift oder die künstlerische Notwendigkeit eines Bildes versteht; dieser Satz ist als Recherchebefund und journalistische Einordnung zu lesen, nicht als grundsätzliche Behauptung über die Zukunft.

Damit lässt sich die zentrale Begriffsachse dieses Beitrags schärfen. Messbar oder prognostizierbar sind: technische Qualität, statistische Erfolgswahrscheinlichkeit, Bekanntheit, Popularität und – eingeschränkt und korrelativ – die emotionale Wirkung. Normativ, kulturell und kontextabhängig bleiben dagegen: emotionale Wahrhaftigkeit, Originalität, künstlerische Notwendigkeit und persönlicher Geschmack. Ein technisch sauberer, vertrauter, statistisch erfolgversprechender Film kann emotional leer sein. Ein zunächst irritierendes Werk kann kulturell prägend werden. Kein hier belegtes System entscheidet über diese Differenz.

Der Grund ist strukturell, nicht bloß graduell. Modelle vergleichen Neues mit dem Bekannten. Genau deshalb warnt die Forschung vor datengetriebener Gleichförmigkeit: Der klassische Befund von Fleder und Hosanagar zeigt, dass Empfehlungssysteme „selbstverstärkende Zyklen“ erzeugen können, in denen populäre Titel häufiger empfohlen, häufiger konsumiert und daraufhin noch häufiger empfohlen werden – „These cycles reduce diversity“ (INFORMS). Ein späteres Feldexperiment über 82.290 Produkte und mehr als 1,1 Millionen Nutzer bestätigt, dass kollaborative Filter die aggregierte Angebotsvielfalt senken, auch wenn die individuelle Vielfalt zugleich steigen kann (University of Pennsylvania). Ein System, das auf das Bekannte optimiert, produziert tendenziell mehr Bekanntes.

Was in der Praxis wirklich passiert

Das reale Bild ist differenzierter als beide Extreme – die euphorische Maschinengläubigkeit ebenso wie die pauschale Ablehnung. Der wohl belastbarste Praxisfall ist Cinelytic: Warner Bros. Pictures International setzt die Plattform seit 2020 zur Bewertung von Content und Talent sowie zur Steuerung von Release-Strategien ein (Business Wire). Bemerkenswert ist die Selbstbeschränkung. Firmengründer Tobias Queisser sagte gegenüber Fortune: „We don't believe that an algorithm can run a script and understand whether the story is good or will connect with humans“ – und stellte klar: „We're not in the business of forecasting hits or flops“ (Fortune). 2025 baute Cinelytic sein Portfolio durch die Übernahme von Jumpcut Media und dessen Skriptanalyse-Werkzeug ScriptSense aus; zu den genannten Kunden zählen Lionsgate und Warner Bros. (Variety).

Auf der Werkzeugebene der Post-Produktion sind solche Automatisierungen seit 2025 kommerziell verfügbar. Blackmagic Design beschreibt für DaVinci Resolve 20, dass „IntelliScript“ auf Basis eines vom Nutzer bereitgestellten Text-Skripts automatisch eine Timeline „with the best takes of user selected dialogue“ aufbaut, dass „IntelliCut“ Stille in Dialogen entfernen und per Sprechererkennung Sprecher auf getrennte Spuren legen kann und dass „Multicam SmartSwitch“ auf der Cut-Seite „automatically select angles based on who is speaking“ (Blackmagic Design). Das sind assistive Vorschläge und Automatisierungen technischer Aufgaben – ein Rohschnitt, das Kürzen von Stille, die Wahl der sprechenden Kamera. Sie begründen keine Kameraästhetik und keinen Rhythmus: nicht die dramaturgische Entscheidung, warum ein Schnitt in einer emotionalen Szene eine Sekunde zu früh oder zu spät sitzt.

Ein oft zitiertes Beispiel für die Grenze zwischen Analyse und Urteil ist der KI-gestützte Trailer, den IBM 2016 für den 20th-Century-Fox-Film Morgan entwickelte. IBM Research beschreibt das Projekt als Mensch-Maschine-Kollaboration: Multimodale Analyse von Bild, Ton, Stimmung und Szenenstruktur identifizierte zehn geeignete Momente, die anschließend von einem professionellen Filmemacher arrangiert und geschnitten wurden (IBM Research). Laut IBM-Forschungsleiter John Smith verwendete der Cutter neun der zehn vorgeschlagenen Clips, justierte deren Grenzen, setzte Übergänge und wählte die Musik – „that was a completely human process“ (VICE). Das System analysierte und schlug Momente vor; die filmische Auswahl und der finale Schnitt blieben menschlich. Als historisches Experiment illustriert der Fall das Potenzial automatisierter Traileranalyse – nicht einen autonomen filmischen Geschmack.

Gegenargumente, Grenzen und Risiken

Der stärkste Einwand gegen die Skepsis lautet: Auch menschlicher Geschmack ist gelernt, geprägt von Erfahrung, Kultur und Nachahmung. Wenn ein Modell Muster erkennt, die „funktionieren“, tut es dann etwas grundsätzlich anderes als ein erfahrener Cutter? Der belegbare Unterschied liegt weniger in der Fähigkeit zur Mustererkennung als in dem, was gemessen werden kann. Systeme optimieren auf beobachtbare Größen – Klicks, Verweildauer, Umsatz. Künstlerische Notwendigkeit, kulturelle Prägung und mutige, produktive Fehlentscheidungen sind in keiner der hier geprüften Quellen als messbare Zielgröße definiert.

Daraus folgen konkrete Risiken. Erstens die dokumentierte Gefahr der Homogenisierung durch selbstverstärkende Popularitätszyklen (INFORMS). Zweitens die „false objectivity“ von Prognosewerkzeugen, deren Zahlen Sicherheit suggerieren, wo eine kulturelle und ästhetische Entscheidung getroffen werden müsste (Cineuropa). Drittens die Verwechslung von technischer Qualität mit Wahrhaftigkeit: Ein Bild kann perfekt komponiert und dennoch belanglos sein. Zugleich wäre es falsch, KI jede Relevanz abzusprechen. Als analytisches Werkzeug – zur Risikoabschätzung, zur Automatisierung technischer Arbeit, zur Personalisierung der Distribution – ist ihr Nutzen belegt. Die Grenze verläuft nicht zwischen Mensch und Maschine, sondern zwischen dem Messbaren und dem Urteil.

Fazit: Zwischen Korrelation und Bedeutung

Ein KI-System kann lernen, welche Bilder, Geschichten oder Schnitte häufig funktionieren. Es kann Testgruppenreaktionen clustern, Wahrscheinlichkeiten schätzen und Korrelationen aufdecken, die dem menschlichen Blick entgehen. Daraus folgt nicht, dass es versteht, warum ein bestimmtes Bild in einer bestimmten Geschichte emotional notwendig ist. Geschmack ist nicht bloß Popularität, und statistische Wahrscheinlichkeit ist kein ästhetisches Urteil. Der ehrliche Stand 2026 liegt zwischen zwei bequemen Erzählungen: Die Maschine ersetzt weder die Regiehandschrift, noch ist sie irrelevant. Sie verschiebt die Frage. Nicht mehr: Was wird wahrscheinlich funktionieren? Sondern: Wer entscheidet, wenn die Daten und die Intuition auseinanderfallen – und wer trägt das kreative Risiko, wenn ein irritierendes Werk sich als das prägende herausstellt? Diese Entscheidung bleibt vorerst ein menschliches Urteil.