Regie statt Knopfdruck

Kurz gefasst: Teil 1 endete mit einer Wand — genauer: mit einer Wand, die mein Bildmodell dreimal hintereinander an der falschen Stelle erfunden hat. Und mit der Frage, wozu es bei all der Tool-Magie überhaupt noch jemanden wie mich braucht. Hier ist die Antwort. Der KLECKO-Spot ist vollständig mit KI produziert — aber er ist nicht von KI inszeniert worden. Aus einem Kind wurden zwei, weil Beziehung interessanter ist als Handlung. Aus „Schokoladenflut" wurden exakt zwei Kilogramm, weil ein Produkt eine Menge hat. Aus 17 Sekunden wurden 30, weil Rhythmus keine technische Zahl ist. Rund 16 solcher Eingriffe stecken im Spot — und dazu mein ehrlichstes Eingeständnis: In diesem Pipeline-Test habe ich jede Menge Anschlussfehler bewusst stehen lassen. Meine These nach diesem Tag: Je leichter das Bildermachen wird, desto wichtiger wird das Filmwissen. KI braucht mehr davon, nicht weniger.

---

Die Wand, die es nicht gab

Fangen wir genau dort an, wo Teil 1 aufgehört hat.

Der fünfte Storyboard-Frame sollte zeigen, wie die beiden Kinder mit der Creme an einer Wand malen. Die erste Generierung erfand dafür kurzerhand eine neue Wand. Der zweite Versuch bekam zusätzlich den späteren Schlussframe als Referenz — und erfand trotzdem erneut eine bequem platzierte Fläche. Technisch waren beide Bilder brauchbar. Filmisch waren sie falsch.

Meine Reaktion war kein längerer, poetischerer Prompt. Es war Reverse Engineering: Der spätere Frame 9 wurde zur alleinigen Architektur- und Kamerareferenz. Zusätzliche Raumbilder habe ich entfernt, damit das Modell keine Ansichten mischt. Türöffnung, Wandkante, Sichtachse, Möbelabstände — gesperrt. Und die Anweisung unmissverständlich: Die Handlung passt sich dem Raum an, nicht der Raum der Handlung. Erfinde keine Wände. Erst die dritte Fassung saß.

Mal ehrlich, was in dem Moment in mir vorging, war zwiespältig. Ich sag's, wie's war:

„Mein erster Reflex war genervt — warum merkst du das nicht selber? Eine Sekunde später kam der zweite Gedanke: ok, gut, ein Mensch wird also doch noch gebraucht."

Genau das ist der Kern. KI-Bildmodelle behandeln Räume wie elastische Kulissen. Braucht eine Handlung eine Wand, erfinden sie eine. Ist eine Kameraachse unbequem, verschieben sie eine Tür. Für ein einzelnes Bild bleibt das unbemerkt. Im Film zerstört es die Kontinuität. Deshalb musste die Wohnung wie ein realer Drehort behandelt werden — mit einem verbindlichen Grundriss aus einem auf 21:9 erweiterten Panorama: Wo ist die Küche, welche Wand existiert wirklich, wo kommt das Licht her. Das Panorama war nicht das größere Bild. Es war die räumliche Wahrheit der Produktion.

Aus einem Kind wurden zwei

Die erste Fassung des Treatments hatte ein dreijähriges Kind. Während der Entwicklung habe ich zwei Schwestern daraus gemacht, drei und fünf.

Das klingt nach einer Casting-Nuance, war aber eine dramaturgische Entscheidung. Ein einzelnes Kind verursacht Chaos. Zwei Kinder entwickeln gemeinsam eine Idee: ein Blick, der das Spiel eröffnet; die Ältere, die im ersten Klecks eine Möglichkeit erkennt; die Jüngere, die begeistert folgt; gegenseitiges Anstacheln; ein verschwörerischer Schlussblick. Die KI hatte diese Verbesserung nicht vorgeschlagen. Sie entstand aus einer einzigen Überlegung: Was ist vor der Kamera interessanter? Regie heißt hier, nicht eine Aktion zu beschreiben, sondern Beziehungen zu inszenieren.

Fotorealistisch ist noch nicht glaubwürdig

Ein frühes Location-Sheet war technisch sauber, wirkte aber wie eine Architekturvisualisierung: zu perfekte Flächen, zu glatte Materialien, eine zu unbewohnte Wohnung.

Mein Eingriff war ein verbindlicher Realismus-Lock — natürliche Haut, Babyhaare, echte Stofffasern, altersgerechte Proportionen, kleine Gebrauchsspuren, leicht unperfekte Möbelstellungen, Morgenlicht, keine Plastikhaut, kein CGI-Look. Das Wort „fotorealistisch" hätte dafür nicht gereicht. Ein Bild kann fotografisch detailliert und trotzdem vollkommen künstlich wirken. Filmischer Sachverstand zeigt sich oft in kleinen Unperfektheiten: in einer Stofffalte, einer Wandstruktur, einer Lichtkante. Genau die muss man wollen — das Modell schlägt sie nicht von selbst vor.

Kontrolle statt Knopfdruck: neun Bilder, zwei Kilo, ein Glas

Drei Entscheidungen aus derselben Familie — sie alle sagen Nein zum bequemen Default.

Neun Einzelbilder statt eines 3×3-Buttons. Ein erster Test sollte alle neun Storyboard-Beats in einem einzigen Gesamtbild erzeugen. Effizient — aber nicht präzise: Ist in so einem Raster ein Moment falsch, verschiebt eine Korrektur die anderen gleich mit. Also neun separate Keyframes, je eine klare Handlung, dieselben Figuren-, Produkt- und Raumreferenzen, jedes Bild einzeln bewertet, erst danach montiert. Aus einer Modellinterpretation wurde eine kontrollierbare Shotliste. Klassische Vorproduktion.

Zwei Kilo bleiben zwei Kilo. Die Geschichte sollte absurd werden, fast alles in der Wohnung voller KLECKO. Ein früher Schlussframe löste das als Schokoladenflut — der Boden stellenweise zentimeterdick. Spektakulär, aber falsch: Das Glas enthält exakt 2000 Gramm. Also eine Mengenregie — wenige dicke Ausgangskleckse, viele dünne Löffellinien, Finger­abdrücke, lange Reifenbahnen des Spielzeugautos, flache Sofaschlieren. Das Chaos entsteht nicht durch unmögliche Masse, sondern durch maximale Reichweite.

Der Füllstand wurde zum Requisit. Das Glas durfte nicht in jeder Einstellung wieder voll sein. Also habe ich seinen Zustand über die Geschichte geführt: am Anfang voll, nach dem ersten Klecks drei Viertel, beim Malen halb, nach den Reifenspuren unter einem Drittel, vor dem Finale fast leer, am Ende transparent ausgeschabt. Eine hochauflösende Chaos-Referenz sah erstklassig aus — und flog trotzdem raus, weil das Glas darauf noch voll wirkte. Nicht das technisch aufwendigste Bild gewinnt, sondern das, das die Geschichte korrekt weitererzählt.

Was im Schnitt noch fehlte

Kinderlachen ist keine Tonspur, sondern Performance. Die ersten Videofassungen entstanden ohne nativen Ton, weil Schnitt und Mischung in Resolve geplant waren. Bei der Sichtung war klar: Das Lachen ist Teil der Inszenierung — eine untergelegte Soundbibliothek hätte die Bewegung nie exakt getroffen. Also ein zweiter Videopass mit denselben Bildern als Referenz: synchrones Kichern, Schritte, Löffel, klebrige Handabdrücke, die kurze Stille beim Auftreten der Eltern, die trockene Schlusszeile.

Und 17 Sekunden sind noch kein 30-Sekunden-Spot. Nach dem ersten Rohschnitt lagen rund 17 Sekunden Handlung vor. Die Geschichte funktionierte, das Format nicht. Statt den Film künstlich zu strecken, habe ich zusätzliche Einstellungen gedreht: ein Detail beim Malen, ein Handabdruck, heimliches Naschen, ein Schokopunkt auf der Nase, ein kleiner High-Five. Der Packshot bekommt am Ende sechs volle Sekunden — Logo, Produkt und Claim bleiben lange genug stehen, um gelesen und erinnert zu werden. Filmlänge ist eben keine technische Zahl. Dreißig Sekunden müssen rhythmisch gefüllt sein.

Die ehrliche Schwäche: Anschlussfehler, die ich stehen ließ

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

Dieser Spot ist kein makelloser Hochglanz-Render — und das mit Absicht. Es war ein Pipeline-Test: Ich habe pro Bild und Clip oft nur den ersten oder zweiten Versuch genommen, kein Cherry-Picking aus zwanzig Läufen. Das Ergebnis ist ehrlich, aber unperfekt. Es gibt Anschlussfehler.

„Die KI schlägt den Menschen genau dann, wenn der Mensch keine Zeit hat — oder sich keine nimmt. Viele Bilder haben unlogische Anschlüsse: Kleckse an einer Wand, die in einem Shot schon da waren, sind im nächsten weg. Lauter kleine Anschlussfehler, die man ohne Sorgfalt übersieht. Die KI denkt an vieles — aber nicht an alles."

Das ist kein Widerspruch zur These, das ist der Beweis dafür. Das Modell optimiert das einzelne Bild auf Wirkung. Ob diese Wirkung innerhalb der Welt des Films möglich bleibt — ob der Klecks von Shot 4 in Shot 5 noch da ist — fragt es nicht. Diese Frage ist Regie. Und sie kostet genau das, was ich im Test bewusst nicht investiert habe: Zeit und Sorgfalt, Einstellung für Einstellung.

Was die Automation richtig gut konnte

Damit das klar ist: Das hier ist keine Abrechnung mit KI. Im Gegenteil — die Automation war enorm hilfreich. Modelle und Parameter zentral angesprochen, Referenzbilder zwischen den Werkzeugen weitergereicht, Varianten in Minuten, Outpainting und Upscaling, die die Location stabilisierten, Prompts und Jobs protokolliert, Storyboard-Streifen automatisch gebaut, Videojobs parallel gestartet. Der Agent hat sogar mitsortiert und schwache Varianten verworfen.

Diese ganze Produktionsorganisation lief über einen agentischen Stack — und ehrlich gesagt nicht über meine Hände am Code, sondern über Codex und die MCP-Schicht, die die Gewerke zu einer steuerbaren Pipeline verbunden haben. Genau so soll es sein: Ich gebe die Richtung vor und entscheide, das System führt aus. Aber Organisation ist nicht Regie. Jemand musste sagen: Das ist nicht dieselbe Wohnung. Diese Wand existiert nicht. Das Glas darf nicht wieder voll sein. Das Lachen fehlt. Der Rhythmus trägt noch keine 30 Sekunden.

Selbst ein gesperrter Claim braucht Tonregie

Eine letzte Kleinigkeit, die alles zusammenhält. Für die Endcard habe ich Logo, Produkt und Claim als feste Start- und Endbilder übergeben. Der Prompt verbot ausdrücklich einen gesprochenen Claim. Trotzdem las das Modell den sichtbaren Satz in der ersten Fassung leise vor. Visuell brauchbar, regielich falsch. Ein zweiter Pass verlangte ausschließlich nonverbale Geräusche — Whoosh, Glas-Klick, Pops.

Der Satz, der für mich daraus bleibt, klingt fast wie aus einem ganz anderen Maschinenraum: Ein als „fertig" gemeldeter Generierungsjob ist noch keine abgenommene Einstellung. Erst Sichtung und Tonkontrolle machen daraus verwendbares Filmmaterial.

Fazit: KI braucht mehr Filmwissen, nicht weniger

Je leichter es wird, Bilder zu erzeugen, desto wichtiger wird die Fähigkeit, sie zu beurteilen. Man muss weiterhin Dramaturgie verstehen, Figurenbeziehungen, Casting, Einstellungsgrößen, Achsen und Raumkontinuität, Lichtführung, Requisitenkontinuität, Production Design, Mengen- und Bewegungslogik, komödiantisches Timing, Sounddesign, Werberhythmus, Packshot. KI senkt die technische Schwelle zur Bilderzeugung — und erhöht zugleich die Menge an Material, über das entschieden werden muss. Der Engpass verschiebt sich vom Herstellen zum Auswählen, Korrigieren und Inszenieren.

„Es ist gut zu merken, dass die Kreativität des Menschen stärker ist als jede KI — aktuell. Die wichtigen Entscheidungen — Story, Slogan, Shot — habe ich getroffen und geändert. Ich habe Regie geführt. Das braucht es einfach noch."

Und damit ich nicht abhebe, gleich die ehrliche Kehrseite: Sicher fühle ich mich deswegen nicht. Die KI wird immer besser, der Bereich füllt sich, der Markt ist endlich und überflutet. Seinen Platz darin zu finden heißt: mehr leisten als andere und sich spezialisieren. Die Regie-Ebene ist meine Spezialisierung — aber sie ist kein Freifahrtschein, sondern eine Aufgabe, die ich jeden Tag neu verteidigen muss.

Ausblick: der Wert, der bleibt

Und genau da setzt Teil 3 an. Denn ein einzelner Spot — selbst ein gut inszenierter — ist nicht der eigentliche Wert. Der Wert ist der zweite Clip. Folge 2 mit denselben Kindern, derselben Wohnung, demselben Produkt, demselben Licht — und dann die ganze Staffel, konsistent über hunderte Einstellungen. Das ist der Punkt, an dem aus „nettem Gag" ein echtes Handwerk wird. Ich will eine komplette Serienproduktions-Suite bauen, die genau das trägt.

Teil 3 nächsten Freitag: warum Skalierung — nicht der Einzel-Clip — das eigentliche Können ist, und was davon bleibt, wenn das Generieren selbst zur Stangenware geworden ist.

---

Quellen

Dieser Werkstattbericht beruht in der Substanz auf eigenen Produktionsdaten — der Regie-Dokumentation, den Prompts, den Storyboard- und Asset-Ständen der KLECKO-Produktion vom 25. Juni 2026. Diese internen Belege sind nicht öffentlich verlinkbar; die genannten Eingriffe (zwei statt ein Kind, der dreifache Wand-Versuch, die 2000-Gramm-Mengenregie, der geführte Füllstand, der zweite Ton-Pass, 17 → 30 Sekunden, sechs Sekunden Packshot) stammen aus diesem Log.

Die wenigen externen Begriffe sind Standard-Werkzeuge: Seedance 2.0 als Videomodell, ElevenLabs für Stimme und Musik, DaVinci Resolve für Schnitt und Mischung, MCP (Model Context Protocol) als offener Standard, über den ein KI-Agent Werkzeuge anspricht.

KI-Kennzeichnung: Der KLECKO-Spot selbst ist vollständig KI-generiert und als solcher gekennzeichnet (Parodie, erfundene Marke, kein echtes Produkt). Die Making-of-Bilder in diesem Artikel sind KI-generierte Produktions-Standbilder bzw. Screenshots aus dem Arbeitsstand — sie illustrieren den Prozess.

---

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.

---

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.