Der nächste Wettbewerb um AI-Videos

Am 26. Oktober hat Dream AI ein Studio für Kurzserien eingeführt, das eine neue Funktion mit ausgeprägten Merkmalen der traditionellen Filmproduktion hinzugefügt hat: das 3D-Regiepult.

Kreative können Kamerapositionen anpassen, Kamerafahrten gestalten und die Storyboards vorab visualisieren. Gleichzeitig wurden Funktionen wie die punktuelle Neuaufnahme einzelner Einstellungen, die Tonrekonstruktion sowie die Verwaltung von Charakter- und Szenenassets in denselben Arbeitsbereich integriert.

In der traditionellen Filmindustrie werden diese Schritte durch die Zusammenarbeit von Fachkräften wie Regisseuren, Kameraleuten und Cutter*innen abgeschlossen. KI-Videotools haben einst versucht, diese komplexen beruflichen Funktionen durch eine einzelne Eingabeaufforderung zu einer einmaligen automatisierten Aufgabe zu verdichten – heute geben sie die zentrale Kontrolle wieder an die Kreativen zurück.

Zwei Tage vor der Veröffentlichung dieser Funktion hat ByteDance intern gerade eine zentrale Zusammenlegung von Ressourcen für KI-Anwendungen abgeschlossen.

Berichten von 36Kr zufolge wurde die KI-Plattform für die Erstellung von Kurzserien „Xiaoyunque“ unter der Leitung von Jianying offiziell in Dream integriert. Obwohl der unabhängige Produktzugang beibehalten und das Team stabil gehalten wird, werden die Betriebsressourcen nun vollständig auf Dream ausgerichtet.

Als Xiaoyunque im März dieses Jahres den Agenten für Kurzserien vorstellte, stand die Ein-Klick-Generierung fertiger Videos im Vordergrund. Mehr als ein halbes Jahr später betont Dream nun aber Storyboards, Bearbeitungen und Zusammenarbeit.

Von dem Versuch, menschliche Eingriffe so weit wie möglich zu beseitigen, hin zur erneuten Betonung von Storyboards, Kamerapositionen und lokalen Korrekturen: Die Entwicklung der Produktform von ByteDance bildet einen aufschlussreichen Kontrast im Bereich der KI-Videos.

Das bedeutet nicht, dass KI-Videos einen Rückschritt machen. Für Nutzer*innen, die das Angebot nur gelegentlich ausprobieren, reicht eine Eingabeaufforderung, um ein kurzes Video zu generieren. Für Produktionsteams, die Arbeiten nach Vorgaben modifizieren und termingerecht liefern müssen, ist die Generierung nur ein Schritt in einem langen Prozess.

Von Xiaoyunque zu Dream passt ByteDance nicht nur die Produktarchitektur an, sondern spiegelt auch eine neue Herausforderung für die gesamte KI-Videobranche wider: Wenn die Erstellung von Bildern eine extrem niedrige Hürde darstellt, wer kann die verstreuten Generierungsfähigkeiten zu einem stabilen, lieferbaren Produktionssystem zusammenfügen?

Die Grenzen der Ein-Klick-Erstellung fertiger Videos

In der frühen Phase des Booms von KI-Videos war die „Ein-Klick-Erstellung fertiger Videos“ fast das ultimative Paradigma, das alle Produkte anstrebten.

Dieser Logik zufolge können Drehbücher, Charaktere, Storyboards und Videos vollständig automatisch durch Modelle erstellt werden – Kreative müssen nur ihre Anforderungen angeben, und Xiaoyunque ist ein typisches Beispiel dafür.

Xiaoyunque kann Drehbücher mit bis zu 100.000 Wörtern mit einem Klick analysieren und mithilfe von Modellen wie Seedance automatisch Charaktereinstellungen, Storyboard-Aufteilungen und Bildgenerierung abschließen. Im Vergleich zum traditionellen Modell, bei dem mehrere Modelle aufgerufen und manuell zusammengefügt werden, verkürzt diese Lösung die Zeit für die Erstellung des ersten Entwurfs erheblich. In stark standardisierten Szenarien wie Marketingkurzvideos und Wissenserklärungen, bei denen die Anforderungen an die narrative Kontinuität gering sind, hat die „automatische Generierung“ tatsächlich eine erstaunliche Fähigkeit zur Kostensenkung und Effizienzsteigerung gezeigt.

Ausgewähltes Kurzvideo von Xiaoyunque „Der Müllsammler der Verlorenen“

Wenn sich die Anwendungsszenarien von einzelnen Kurzvideos zu Serien mit fortlaufender Erzählung erweitern, treten die Einschränkungen der Ein-Klick-Erstellung fertiger Videos schnell zutage. Das zentrale Hindernis liegt nicht in der Schärfe einzelner Einstellungen, sondern in der logischen und visuellen Kontinuität bei der Kombination mehrerer Einstellungen.

Beispielsweise können in einem 15-sekündigen eigenständigen Bild die Bewegungen der Personen und die Lichtverhältnisse perfekt sein. Aber in einer Dutzende Folgen umfassenden Kurzserie müssen Kreative sicherstellen, dass die Gesichtsmerkmale, Kostüme, Requisiten und räumlichen Positionen der Charaktere in verschiedenen Szenen hochgradig konsistent bleiben und die Übergänge zwischen den Einstellungen der audiovisuellen Sprache entsprechen.

Im April dieses Jahres besuchte der Sender „China Voice“ des China Media Group das KI-Produktionsteam für Kurzserien der Bai Ze Filmproduktion in Shaanxi. Damals arbeitete das 20-köpfige Team an einer halbfiktionalen Kurzserie mit 60 Folgen und einer Gesamtlaufzeit von über 100 Minuten. Der Produktionsleiter Zheng Jieyi enthüllte, dass selbst mit Unterstützung von KI-Modellen bei der Arbeit verschiedener Mitarbeiter*innen häufig einfache Fehler auftraten, etwa dass eine Person in einer Folge links im Bild stand und in der nächsten ohne ersichtlichen Grund nach rechts sprang.

Um diese „Halluzinationen“ und Kontrollverluste zu beheben, musste das Team viel Zeit aufwenden, um die Positionen der Figuren im Voraus zu vereinheitlichen, und in der Nachbearbeitung umfangreiche Nachaufnahmen und Korrekturen durchführen.

Diese durch Unkontrollierbarkeit verursachten versteckten Kosten verschwinden nicht automatisch mit dem Rückgang des Preises für Rechenleistung. In der traditionellen Filmproduktion fallen Kosten für Schauspieler*innen, Drehorte und Drehzeit an. Mit der Einführung von KI werden die Kosten für die Vorproduktion stark reduziert, aber das wiederholte Generieren von Bildern bis zum gewünschten Ergebnis stellt eine völlig neue Produktionskostenquelle dar.

Die neuen Funktionen für punktuelle Neuaufnahmen und das 3D-Regiepult bei Dream versuchen genau, diese Unsicherheit zu verringern. Ersteres ermöglicht es Kreativen, einzelne Einstellungen zu bearbeiten, letzteres verlagert die Planung der Kamerapositionen nach vorne, um Verschwendung zu vermeiden, die entsteht, wenn man erst generiert und dann feststellt, dass die Einstellungen nicht den Anforderungen entsprechen.

Da auf dem Markt zahlreiche KI-Agenten für Videos von Drittanbietern auftauchen, ist der differenzierende Wettbewerbsvorteil, der ausschließlich auf der „Ein-Klick-Generierung“ beruht, leicht zu kopieren. Wenn Generierungsfähigkeit zu einem immer leichter verfügbaren Dienst wird, reicht es nicht mehr aus, ein Video mit nur einem Klick zu erstellen, um den langfristigen Wert eines Tools zu begründen.

Wer kann den Produktionsprozess von KI-Videos beherrschen?

Da die grundlegende Fähigkeit zur Videogenerierung schrittweise zu einer Infrastruktur der Branche wird, verlagert sich der Wettbewerbsfokus der KI-Videoplattformen leise.

Früher waren die zentralen Kriterien für die Auswahl eines Tools durch Nutzer*innen Bildqualität, Laufzeit und Preis. Dieser Wettbewerb um einzelne Fähigkeiten führt zu einer sehr geringen Nutzerbindung, sodass die Produkte von ByteDance unweigerlich von den früher veröffentlichten Modellen Minimax M3 und Keling herausgefordert werden.

In professionellen Filmproduktionsprozessen benötigen Kreative hingegen mehr Funktionen wie die Zerlegung von Drehbüchern, Charakterressourcen, Szenenaufbau, die Verwaltung von Requisiten in separaten Bibliotheken sowie mehrspurige Audio- und Videoschnitte.

Diese Schritte lassen sich nicht durch einen einzelnen unabhängigen API-Aufruf lösen. Wer diese verstreuten Punkte verbinden und festigen kann, wird zu einem unverzichtbaren „Arbeitsbereich für Produktivität“ für Kreative.

ByteDance richtet sich nach dieser Logik und beschleunigt seine Expansion. Im September hat Jianying Jianying Hub eingeführt, das unbegrenzte Leinwände mit einem Mehrspur-Editor kombiniert. Kreative können auf der Leinwand Drehbücher organisieren, Materialien generieren und die Ergebnisse dann in den vertrauten Schnittprozess einbringen. Die Generierungsfähigkeiten von Dream und Xiaoyunque werden zu einem Teil dieses Arbeitsbereichs.

Jianying, das ursprünglich mit Videoschnitt begann, erweitert sein Angebot nach oben hin zu Drehbüchern und Materialgenerierung, während Dream, das sich auf Generierung spezialisiert, nach unten hin zu Schnitt und Asset-Management vordringt – beide treffen sich in der Mitte des Produktionsprozesses.

Diese Produktentwicklung verändert auch den Maßstab des Wettbewerbs zwischen den Plattformen.

Keling von Kuaishou setzt auf die Verbesserung der Modellfähigkeiten. Keling 3.0 stärkt die Konsistenz von Charakteren, die Erzählung über mehrere Einstellungen hinweg und die präzise Steuerung, um bereits im Generierungsprozess spätere Korrekturen aufgrund von Charakteränderungen oder unkontrollierten Einstellungen zu reduzieren. Wenn das Modell die Absichten des Regisseurs besser versteht, können einige Probleme, die früher über externe Workflows bearbeitet werden mussten, direkt auf Modellebene gelöst werden.

Aggregationsplattformen von Drittanbietern wie LibTV konzentrieren sich darauf, durch die Zusammenführung mehrerer Modelle, unbegrenzte Leinwände und ein Skill-System Differenzierung zu schaffen. Indem sie für jeden Schritt das am besten geeignete Modell einsetzen (z. B. Modell A für Charakterdesign, Modell B für Bewegungen, Modell C für Synchronisation) und ausgereifte Produktionserfahrungen als wiederverwendbare Fähigkeiten festigen, können sie einen zusätzlichen Wert schaffen, der über einzelne Modelle hinausgeht.

Da die Kontrolle nativer Großmodelle immer stärker wird und große Technologieunternehmen ihre Workflows schrittweise ergänzen, reicht ein einfaches „Modellaggregat + Leinwand-Oberfläche“ aus, um einen ausreichend tiefen Wettbewerbsvorteil zu schaffen?

Das eigentliche ultimative Schlachtfeld liegt höchstwahrscheinlich in der Produktivisierung von digitalen Projekt-Assets und Produktionserfahrungen.

Für ein Team, das langfristig KI-Kurzserien produziert, sind exklusive 3D-Charakter-Assets, spezielle Modelle für den künstlerischen Stil, bewährte Storyboard-Vorlagen und Workflow-Standards Assets, die in nachfolgenden Projekten häufig wiederverwendet werden können. Sobald diese Assets auf einer Plattform gespeichert sind, werden die Migrationskosten für das Team extrem hoch.

Gleichzeitig werden die Erfahrungen traditioneller Filmregisseure bei der Aufteilung von Einstellungen und Techniken zur Bewegungssteuerung in standardisierte Vorlagen und Fähigkeiten umgewandelt, die von Agenten aufgerufen werden können. Das Geschäftsmodell der Tool-Plattformen wandelt sich allmählich vom Verkauf von Tokens zu einem SaaS-Modell mit Teamabonnements, Asset-Verwaltung und Mehrwert durch Zusammenarbeit.

Es ist bemerkenswert, dass Inhaltshersteller in diesem Kampf um die Kontrolle ihre Produktionsschicksale nicht vollständig an die Plattformen übergeben haben. Beispielsweise hat Mango TV die selbst entwickelte Plattform „Mango Lingchuang“ eingeführt, die Modellsteuerung, eine Bibliothek für Charakter-Assets und kollaborative Produktion tief miteinander verbindet. Für führende Inhaltshersteller ist es weitaus sicherer, ihr Kern-Know-how der Filmproduktion in ein eigenständig kontrollierbares Produktionssystem zu verwandeln, als sich ausschließlich auf externe Tools zu verlassen.

KI-Videoanbieter mit unterschiedlichen Positionierungen betreten unweigerlich denselben Weg und beteiligen sich am gesamten Lebenszyklus von Projekten – von der Planung über die Produktion bis zur endgültigen Lieferung.

Wird nach der Professionalisierung das Angebot geringer Qualität aus dem Markt gedrängt?

Der große Sprung nach vorne bei der Produktivität hält an, und die Produktionstools können sich in Filmen mit längerer Laufzeit und höherem Standard der Prüfung durch den realen Markt stellen.

Ende August dieses Jahres wurde die KI-gestützte Langserie „Die Reise zum Westen – Neue Geschichten“ auf Mango TV und Hunan Television ausgestrahlt. Die erste Staffel der Serie umfasst 30 Folgen mit einer Laufzeit von jeweils etwa 40 Minuten. Alle Bilder und Charakterdarstellungen wurden mit KI-Unterstützung erstellt. Angesichts des großen industriellen Umfangs hat Mango Lingchuang dafür 109 tief verbundene Charakter-Assets und 143 Szenen-Assets generiert, was den Produktionszyklus und die Herstellungskosten stark reduziert hat.

Wenn lange Serien die Fähigkeit von KI bestätigt haben, langfristige Produktionsaufgaben im Streaming-Bereich zu übernehmen, bringen Kinofilme die KI direkt auf die Prüfspitze der audiovisuellen Konsumhierarchie.

Am 23. Oktober wurde der erste chinesische Kino-Film, der die öffentliche Vorführgenehmigung erhielt und vollständig mit KI erstellt wurde, „Sanxingdui: Vergangene Zukunft“ offiziell veröffentlicht. Der 100-minütige Film wurde über zwei Jahre lang produziert. Ein fast 100-köpfiges Team hat sich an die Strukturen der traditionellen Filmindustrie gehalten, 17 professionelle Funktionspositionen eingerichtet und mehr als 1,2 Millionen Basisbilder iteriert. Bei einem Produktionsaufwand in Millionenhöhe hat KI einen erstaunlichen Kostenvorteil bei der Herstellung von audiovisuellen Großfilmen gezeigt.

Trotzdem hat der technische Durchbruch nicht nahtlos zu einem kommerziellen Wunder an der Kinokasse geführt.

Daten von Maoyan Professional zeigen, dass der Film bis zum Abend des 28. Oktober nach 6 Tagen Vorführzeit nur einen kumulierten Einspielergebnis von etwa 1,37 Millionen Yuan (ohne Vorpremieren) erreicht hat. Dieses Ergebnis steht in einem auffälligen Kontrast zu dem hohen Entwicklungs- und Produktionsaufwand in der Vorphase.

Dieses Phänomen ist eine Warnung für den gesamten Hype um KI-Filme. Die Technik kann Kreativen helfen, ihre Vorstellungen in den Rahmen des verfügbaren Budgets zu bringen und den aufwändigen Aufbau von realen Kulissen sowie die Lichtsteuerung zu ersparen – aber sie kann keine berührenden Geschichten für die Kreativen schreiben und auch keine emotionale Resonanz beim Publikum automatisch erzeugen.

Von den alten griechischen Dramen bis zu den heutigen KI-erstellten Videos ist der Kern der Inhaltsproduktion zu jeder Zeit die Urteilskraft über das Werk.

Dieser Widerspruch ist besonders ausgeprägt auf dem überfüllten Markt für Kurzserien. Daten von DataEye zeigen, dass allein im September 2026 die Anzahl neuer nativer KI-Serien und Comic-Serien auf Douyin 51.800 erreicht hat – ein neuer historischer Höchststand. Aber die oberen 1,46 % der neuen Top-Serien haben 64,6 % des gesamten Zuwachses an Wiedergaben im gesamten Netzwerk für sich beansprucht.

Die Explosion des Angebots aufgrund der extrem niedrigen Hürden hat nicht zu einer proportionalen Zunahme der Aufmerksamkeit des Publikums geführt. Im Gegenteil, der Inhaltsmarkt ist von einem stärkeren Matthäus-Effekt geprägt