Eine Welt, viele Folgen

Kurz gefasst: Teil 1 endete mit einer unbequemen Frage — wenn an einem Nachmittag praktisch jeder einen KI-Werbespot bauen kann, wozu dann noch jemand wie ich? Hier ist die Antwort. Sie steht nicht im ersten Clip, sondern im zweiten: Folge 2 mit denselben Figuren, derselben Wohnung, demselben Licht — und dann die ganze Staffel, konsistent über hunderte Einstellungen. Das Generieren einzelner Bilder ist Stangenware geworden. Eine ganze Welt über Folgen konsistent zu halten, ist es nicht. Genau dafür baue ich ein System — und ich sage ehrlich, wie jung es noch ist. Die Kurzformel des Artikels: Tools generieren. Ein System produziert.

---

Der Wert ist der zweite Clip

Fangen wir dort an, wo Teil 2 aufgehört hat. Ein einzelner Spot — selbst ein gut inszenierter wie der KLECKO-Spot — ist nicht der eigentliche Wert. Den ersten baust du heute mit etwas Geduld und den richtigen Werkzeugen. Der Wert ist der zweite: dieselben zwei Schwestern, dieselbe Wohnung mit der Wand, die es vorher dreimal nicht gab, dasselbe Morgenlicht, dasselbe Produkt — eine Folge weiter. Und dann Folge drei, vier, eine ganze Staffel.

Das ist der Punkt, an dem aus einem netten Gag echtes Handwerk wird. Denn ab dem zweiten Clip stellt sich eine Frage, die ein einzelnes schönes Bild nie beantworten muss: Ist das noch dieselbe Welt? Tools generieren ein Bild. Eine Serie zu produzieren heißt, hunderte Bilder so zu erzeugen, dass sie zusammen eine Welt ergeben. Das ist kein Generierungs-Problem. Das ist ein System-Problem.

Warum ein Bildmodell keine Welt kennt

In Teil 2 habe ich erzählt, wie mein Bildmodell für eine Szene dreimal hintereinander eine neue, bequem platzierte Wand erfunden hat. Für ein einzelnes Bild ist das egal. Über eine Serie hinweg ist es tödlich: In dem Moment, in dem die Wand in Folge 2 woanders steht, zerbricht die Illusion.

Noch unbequemer wurde es bei der Qualitätskontrolle. Ich habe ein starkes Sprachmodell als Review-Instanz auf die Storyboards angesetzt — und selbst das erkannte grobe Kontinuitätsbrüche nicht: Figuren bemalten Wände, die im Raum gar nicht existierten; im geplanten Schnitt waren Wände mal bemalt, mal leer. Eine Prüfung Bild für Bild fängt so etwas nicht. Jedes einzelne Bild ist für sich plausibel — der Bruch entsteht erst im Verhältnis der Bilder zueinander. Die KI denkt an viel, aber nicht an alles. Konsistenz über eine ganze Welt ist nichts, was ein Bildmodell nebenbei mitliefert. Man muss sie ihm aufzwingen.

Der tragende Kern: das konsistente Startbild

Wie zwingt man Konsistenz auf? Der Hebel sitzt früher, als die meisten denken — nicht im Video, sondern im Startbild.

Jede Bild-zu-Video-Strecke braucht zuerst ein Startbild: das eine Bild, aus dem die Bewegung entsteht. Und genau hier entscheidet sich die Konsistenz. Über Multi-Image-Referenzmodelle wie Nano Banana 2 oder GPT Image 2 lassen sich Startbilder erzeugen, die sich an feste Referenzen halten — an Character-Sheets (die Figur in mehreren Ansichten), Prop-Sheets (das Produkt, die Requisiten) und Hintergründe als Panorama-Grundriss. Bestimmte Bereiche im Prompt werden dabei nicht jedes Mal neu erfunden, sondern gelockt und wiederholt.

Das ist die Grundlogik, mit der Konsistenz im Video überhaupt entsteht — der tragende Kern. Nicht ein magischer Konsistenz-Schalter, sondern eine konsequent durchgehaltene Referenz-Disziplin: erst die Welt definieren, dann jedes Startbild aus dieser Welt ableiten.

Das System ist eine Organisationsschicht

Bei einem 30-Sekunden-Spot kannst du diese Referenz-Disziplin noch von Hand halten — neun Keyframes, ein Grundriss, zwei Figuren. Bei einer Serie nicht mehr. Hunderte Einstellungen, dutzende Charaktere, Locations, Requisiten, und jede Figur nicht in einem Outfit, sondern in vielen, über Szenen und Folgen hinweg. Genau da kippt Handarbeit in Chaos.

Also baue ich die Schicht, die genau das organisiert. Mein Tool ist in seinem Kern ein Organisationshelfer: Es benennt Dinge automatisch und sauber. Es ordnet Referenzen im korrekten Kontext der korrekten Szene zu — es weiß, welche Figur in einer Szene mitspielt und welche nicht, und zieht von selbst das richtige Character-Sheet, den richtigen Ort, den richtigen Hintergrund heran. Es begleitet die Erstellung der Orte, der Hintergründe, der Figuren. Und es managt mehrere Outfits pro Figur automatisch mit — denn in einer echten Produktion hat eine Figur eben nicht „plus ein Outfit", sondern viele.

Wer einmal klassisch Film gemacht hat, weiß, wie komplex das ist: Kostüm, das Casting der Figuren, Location-Scouting, Bühnenbild, Szenenbild. All diese Gewerke vereint das System sinnvoll sortiert in einer Oberfläche, in verschiedenen Tabs. Es ersetzt das Handwerk nicht — es gibt ihm eine Bühne, auf der man bei hunderten Assets noch den Überblick behält.

Nur die logische Folge

Das Verblüffende daran: Es ist nichts Neues. Es ist genau die Abfolge, in der Film schon immer entstanden ist. Rohkonzept und Treatment, dann das Drehbuch, ein erweitertes Filmkonzept, in irgendeiner Form eine Shotlist, ein Storyboard — und dann ging man mit dieser Liste in die Produktion, hatte am Ende Clips und hat sie geschnitten. So wurde vor dreißig Jahren gearbeitet, und so wird heute gearbeitet.

Neu ist nur, womit die einzelnen Stufen gefüllt werden. Ich habe die Vorteile eines Sprachmodells und die kreative Arbeit mit diesem klassischen Produktionssystem verbunden. Die KI-Produktion von Video hat alles verändert — aber die Reihenfolge, in der eine Geschichte zu Bildern wird, ist dieselbe geblieben. Und genau diese Reihenfolge sauber und durchgängig abzubilden, kann auf dem Markt aktuell kein Werkzeug in dieser Form. Das ist meine Erfahrung, kein Laborvergleich — aber ich habe lange gesucht.

Allein ein Teil davon hat das Tool schon gerechtfertigt: die Storyboard-Arbeit. Halbautomatisch, konsistent aus dem Drehbuch abgeleitet, sortierbar — und als Dokument, das man dem Kunden zur Freigabe und für die konzeptionelle Abstimmung übergeben kann. Regie- und Story-Arbeit sind im Film zutiefst visuell getrieben. Ein vernünftiges Storyboard zu sehen, in dem man sortieren und entscheiden kann, ist kein Beiwerk — das ist der halbe Job.

Die Disziplin, die das Ganze trägt

Damit aus Organisation Produktion wird, braucht es Disziplin an drei Stellen — und die kenne ich aus dem echten Set:

Eine gelockte Stil-Handschrift statt Stil-Drift. Eine einmal definierte Regie- und Optik-Handschrift wird über jeden Shot konsequent durchgereicht, statt dass die Bildsprache über dreißig Einstellungen langsam auseinanderläuft. Visuelle Konsistenz ist keine Glückssache, sondern eine festgehaltene Vorgabe.

Freigabe-Gates wie am echten Set. Treatment, Filmkonzept, Storyboard sind Stufen, die der Kunde freigibt, bevor es weitergeht. Das macht eine KI-Produktion planbar und auditierbar — kein „die KI hat einfach durchproduziert", sondern nachvollziehbare Schritte mit einem Schloss an jeder Tür.

Durchgängig vom Briefing bis zum render-fertigen Prompt. Aus der Shotlist fallen am Ende fertige Bild-, Video- und Audio-Prompts, die direkt in die Render-Werkbank gehen — eine Naht weniger zwischen Kreation und Produktion. Und weil ein Workflow format-adaptiv bleibt, wird aus demselben Projekt der Spot, der Cutdown, die längere Fassung.

Was selbst das beste Werkzeug nicht löst

Ich habe mir die Werkzeug-Seite genau angeschaut — unter anderem higgsfields Oberfläche, die seit Ende April über einen offenen Standard auch von KI-Agenten gefahren werden kann. Die Breite ist beeindruckend: Bild-, Video- und Audio-Generierung, Upscaling, Reframing, Motion-Control, Werkzeuge für Figuren-Referenzen. Vieles davon ist hervorragend, und ich nutze solche Werkzeuge gern.

Aber jedes einzelne dieser Werkzeuge arbeitet auf der Shot-Ebene. Es macht ein Bild besser, einen Clip länger, eine Bewegung sauberer. Keines davon trägt einen Kanon — eine Welt-Bibel, Figuren mit fester Identität, erzwungene Kontinuität — über eine ganze Serie. Das ist kein Vorwurf, im Gegenteil: So ein Werkzeug ist kein Konkurrent, sondern eine andere Schicht. Es kann sogar ein Werkzeug innerhalb meiner Pipeline sein, gerade für unkomplizierte Einzelshots.

Und genau das ist die Pointe der ganzen Serie. Die Generierungs-Schicht wird zur Stangenware — sie ist es längst. Selbst der beste Werkzeugkasten der Welt löst das Serien-Problem nicht, weil er auf der falschen Ebene sitzt. Tools generieren. Ein System produziert.

Die ehrliche Schwäche

Jetzt der Teil, den die meisten weglassen würden. Ich nicht.

Diese Serien-Suite ist jung. Bisher sind nur wenige Spots wirklich komplett durch die Pipeline gelaufen. Video-Generierung kostet aktuell viele Tokens, und eine gute Produktion kostet viel Zeit — beides bremst die Zahl der Durchläufe. Die ehrlichsten Tests liefen in echten Kundenprojekten, und genau die kann ich nicht zeigen: Sie stehen unter NDA.

Und damit hier kein falscher Eindruck entsteht: Der KLECKO-Spot aus Teil 1 und 2 ist selbst kein Beweis für diese Suite. Den habe ich direkt über das MCP gebaut und die Konsistenz von Hand zusammengehalten — Sheets, gelockter Grundriss, „erfinde keine Wände". KLECKO hat das Prinzip bewiesen. Die Suite ist die Maschine, die dieses Prinzip automatisiert, damit es nicht bei einem 30-Sekunden-Spot endet, sondern auf eine Staffel skaliert. Künftig werde ich kleine Werbespots — ein „KLECKO 2000" der nächsten Generation — bewusst über die eigene Pipeline fahren, statt von Hand. Das ist Vision mit Fundament, nicht Vision ohne Boden. Aber es ist eine Baustelle, und so nenne ich sie auch.

Warum ich das überhaupt baue

Mein Antrieb ist nüchterner, als es klingt. Es geht mir um Selbstorganisation, Zeitersparnis und Übersicht. Ich will schneller und sicherer produzieren, mein internes Management — bis hinunter zu sauberen Dateinamen — übersichtlich halten und im überfüllten Markt konkurrenzfähig bleiben. Nebenbei: die Token-Kosten senken und eine vernünftige grafische Oberfläche schaffen, damit die ganze Komplexität bedienbar bleibt.

Und ja, ich baue das als Vibecoder: Konzept, Architektur und Systematik kommen von mir, der Code von der KI. Mein Vorsprung liegt nicht in der Tastatur, sondern in dem, was ich aus sechzehn Jahren Film und CGI mitbringe — zu wissen, in welcher Reihenfolge eine Welt entsteht und an welcher Stelle sie auseinanderfällt, wenn niemand aufpasst.

Fazit: der Wert wandert

Die Generierung ist die Stangenware geworden. Der Wert wandert zu dem, was schwer bleibt: eine ganze Welt über Folgen konsistent zu halten. Das ist kein neuer Trick — es ist altes Produktionshandwerk, neu verdrahtet mit Sprachmodell und KI-Video. Wer den ersten Clip baut, hat ein Werkzeug bedient. Wer den zwanzigsten Clip derselben Welt baut, ohne dass sie zerbricht, hat ein System.

Mal ehrlich: Sicher fühlt sich das nicht an. Der Markt ist endlich und überflutet, die Modelle werden besser. Aber genau deshalb verschiebt sich der Engpass — vom Herstellen zum Zusammenhalten. Und das Zusammenhalten ist Regie über Zeit. Das braucht es einfach noch.

Ausblick

Damit endet „Vom Klecks zur Serie". Der Bogen war einfach: ein Clip, den heute jeder bauen kann (Teil 1) — die Konsistenz-Wand, an der die Vollautomatik scheitert (Teil 2) — und das System, das diese Wand über eine ganze Staffel hält (Teil 3). Was bleibt, ist kein Werkzeug-Tipp, sondern eine Haltung: Die Werkzeuge werden austauschbar. Das System, das sie zu einer konsistenten Welt zusammenbindet, ist der eigentliche Wert — und der wird gebaut, nicht generiert.

---

Jens Fehrmann macht AI-gestützte Video- und Serienproduktion in Real- und 2D-Stil — echte Produktionen mit AI als Pipeline-Komponente, für Agenturen, Produktionsfirmen, Marken und Creator. Neue Produktionsformen zuerst im Einsatz, zuverlässig geliefert. Auf dem Fundament von 16 Jahren Film und CGI, aus Dresden.

---

Quellen

Dieser Werkstattbericht beruht in der Substanz auf eigenen Produktionsdaten und eigener Entwicklungsarbeit — der KLECKO-Produktion vom 25. Juni 2026, den Referenz- und Asset-Ständen, und dem laufenden Aufbau meiner Serienproduktions-Pipeline. Diese internen Belege sind nicht öffentlich verlinkbar. Die Aussage, dass die Suite bisher nur wenige Durchläufe hatte und Kundentests unter NDA stehen, ist eine ehrliche Selbstauskunft, kein Außenbeleg.

Die wenigen externen Begriffe sind Standard-Werkzeuge bzw. öffentlich bekannt: Nano Banana 2 und GPT Image 2 als Multi-Image-Referenzmodelle, MCP (Model Context Protocol) als offener Standard, über den ein KI-Agent Werkzeuge anspricht, und higgsfield als KI-Bild/-Video-Plattform mit offiziellem MCP (seit dem 30. April 2026). Der Vergleich bezieht sich auf öffentlich verfügbares Wissen über diese Werkzeuge, nicht auf Interna.

KI-Kennzeichnung: Das Titelbild dieses Artikels ist KI-generiert (abstrakt, illustrativ). Die Making-of-Bilder sind Screenshots aus dem Arbeitsstand bzw. KI-generierte Produktions-Standbilder und illustrieren den Prozess.

---

Weiterdiskutieren?

Diesen Werkstattbericht gibt's auch als Post auf LinkedIn — komm rüber und kommentier öffentlich; da entsteht meist die beste Diskussion. Lieber unter vier Augen? Schreib mir direkt — du erreichst mich, kein Team.