Als Genmo Mochi 1 vorstellte, wurde das Modell ausdrücklich als Forschungsvorschau bezeichnet. Diese Einordnung ist bis heute hilfreich: Mochi 1 ist kein fertiges Kreativprodukt mit Bedienoberfläche, Vorlagenbibliothek und Kundenservice, sondern ein technischer Baustein. Wer ihn produktiv nutzen will, braucht entweder das gehostete Angebot von Genmo oder eigene Kompetenz in Machine Learning, GPU-Infrastruktur und Bildbearbeitung. Gleichzeitig zeigt die Veröffentlichung, wie sich der Markt verändert hat: Generative Videomodelle sind nicht mehr ausschließlich ein Thema für wenige große Technologiekonzerne mit geschlossenen Diensten, sondern auch als offene Modelle verfügbar, die sich prüfen, nachvollziehen und unter eigener Kontrolle betreiben lassen.
Für mittelständische Unternehmen im DACH-Raum ist das vor allem aus einem Grund relevant: Datenhoheit. Wer Prompts, Produktbeschreibungen, interne Skizzen oder unveröffentlichte Designs nicht an einen Cloud-Dienst außerhalb der EU übermitteln möchte, hatte bei generativer Video-KI lange kaum Alternativen. Ein offenes Modell wie Mochi 1 verändert diese Ausgangslage, weil die gesamte Verarbeitung im eigenen Rechenzentrum oder bei einem europäischen Cloud-Anbieter stattfinden kann. Der Preis dafür ist technischer Aufwand – und die Erkenntnis, dass ein offenes Modell nicht automatisch dieselbe Bildqualität liefert wie die neuesten geschlossenen Dienste großer Anbieter.
Der Begriff „Open Source“ wird bei KI-Modellen oft unscharf verwendet. Bei Mochi 1 hat Genmo die trainierten Modellgewichte und den Code für die Ausführung des Modells veröffentlicht. Das bedeutet: Jeder kann das Modell herunterladen, ausführen, untersuchen und im Rahmen der Lizenz verändern und weitergeben. Nicht im selben Umfang offen ist in der Regel der Trainingsprozess selbst – insbesondere die vollständigen Trainingsdaten, mit denen das Modell gelernt hat. Fachleute sprechen deshalb häufig von „Open-Weight-Modellen“. Für Unternehmen ist diese Unterscheidung wichtig, weil sie bei Fragen zu Urheberrecht und Trainingsdaten eine Rolle spielt, auf die wir im Datenschutzkapitel eingehen.
Die permissive Lizenz ist dabei ein zentrales Argument. Viele offene Videomodelle werden unter eigenen Community-Lizenzen veröffentlicht, die kommerzielle Nutzung, bestimmte Einsatzzwecke oder sogar ganze Regionen einschränken. Eine Lizenz wie Apache 2.0 kennt solche Einschränkungen nicht und ist in Rechts- und Einkaufsabteilungen gut bekannt. Wichtig ist allerdings: Maßgeblich ist immer die Lizenzdatei der konkreten Version und der Quelle, aus der Sie das Modell beziehen. Abgeleitete Modelle, Feintuning-Varianten aus der Community oder spätere Versionen können anderen Bedingungen unterliegen. Für das gehostete Angebot von Genmo gelten ohnehin dessen Nutzungsbedingungen, nicht die Modelllizenz.
Angesprochen sind Geschäftsführung, Marketing- und Produktverantwortliche, IT-Leitung, Datenschutzbeauftragte sowie technische Teams in mittelständischen Unternehmen, die verstehen möchten, ob und wie ein offenes Videomodell wie Mochi 1 in ihre Strategie passt. Wir erklären die Technik so weit wie nötig, ohne tief in die Forschung einzusteigen. Nach der Lektüre sollten Sie einschätzen können, welche Zugangswege es gibt, welche Aufgaben Mochi 1 realistisch übernehmen kann, wo die Unterschiede zu HunyuanVideo und zu geschlossenen Diensten wie Sora, Veo, Runway, Kling und Pika liegen und welche organisatorischen, technischen und rechtlichen Fragen vor einem Einsatz zu klären sind.
Wir arbeiten herstellerneutral und bewusst zurückhaltend mit Zahlen. Modellgröße, maximale Auflösung, Cliplänge, Bildrate, Generierungszeiten und Hardwareanforderungen hängen von Version, Einstellungen und eingesetzten Werkzeugen ab und ändern sich durch Community-Optimierungen laufend. Auch die Konditionen des gehosteten Angebots von Genmo sind in Bewegung. Statt Werte zu nennen, die schnell veralten oder nicht belastbar sind, beschreiben wir Fähigkeiten qualitativ und markieren, wo Sie in der Modelldokumentation oder beim Anbieter prüfen sollten. Unser Ziel ist eine belastbare Entscheidungsgrundlage, kein Datenblatt.
Die permissive Lizenz ist einer der wichtigsten Gründe, warum Mochi 1 in Unternehmen überhaupt in Betracht kommt. Sie erlaubt nach ihrem Wortlaut die Nutzung, Veränderung und Weitergabe des Modells – auch für kommerzielle Zwecke – und enthält keine Beschränkungen nach Branche, Unternehmensgröße oder Region. Trotzdem empfehlen wir, die Lizenz nicht als pauschal geklärt abzuhaken. Prüfen Sie für jede eingesetzte Version die Lizenzdatei im offiziellen Repository und auf der Modellplattform, dokumentieren Sie Version und Bezugsquelle und halten Sie fest, ob Sie zusätzlich Komponenten Dritter verwenden – etwa Text-Encoder, Erweiterungen, Workflows oder feingetunte Varianten aus der Community –, die eigenen Lizenzen unterliegen können.
Ebenso wichtig ist die Trennung zwischen Modelllizenz und Nutzungsbedingungen. Wer Videos über das gehostete Angebot von Genmo oder über eine Inferenzplattform erzeugt, schließt einen Vertrag mit diesem Anbieter. Dessen Bedingungen regeln, wem die Ergebnisse gehören, ob Eingaben zur Modellverbesserung genutzt werden, welche Inhalte untersagt sind und wie mit Daten umgegangen wird. Diese Regeln können deutlich von der Modelllizenz abweichen. Eine permissive Lizenz des Modells sagt zudem nichts darüber aus, ob die erzeugten Inhalte Rechte Dritter verletzen – diese Verantwortung bleibt beim Anwender.
Genmo positioniert Mochi 1 als leistungsfähiges offenes Basismodell, das die Lücke zwischen geschlossenen Spitzenmodellen und der offenen Forschung verkleinern soll. Im Vordergrund standen bei der Veröffentlichung die Qualität der Bewegungen und die Treue zur Textbeschreibung, also wie genau das Modell umsetzt, was im Prompt beschrieben ist. Genmo hat eigene Vergleichsergebnisse veröffentlicht; wie belastbar solche Herstellerangaben für Ihren Anwendungsfall sind, sollten Sie in eigenen Tests mit Ihren Motiven prüfen. Unabhängig davon ist Mochi 1 im Markt als ernstzunehmende offene Option etabliert, an der sich andere offene Modelle messen lassen müssen.
Für Unternehmen heißt das: Mochi 1 konkurriert weniger mit fertigen Kreativwerkzeugen um die Gunst der Marketingabteilung, sondern ist eine Grundlage, auf der eigene oder partnergestützte Lösungen gebaut werden. Wie bei anderen offenen Modellen hängt der Nutzen stark davon ab, was darum herum entsteht – Bedienoberfläche, Prompt-Vorlagen, Nachbearbeitung, Freigabeprozess und gegebenenfalls ein feingetuntes Modell, das Ihre Bildsprache kennt.
Die Steuerung von Mochi 1 erfolgt ausschließlich über Sprache. Ein guter Prompt beschreibt nicht nur das Motiv, sondern auch Umgebung, Tageszeit, Lichtstimmung, Materialien, Kameraperspektive und die Art der Bewegung – etwa eine langsame Kamerafahrt um ein Objekt, eine Nahaufnahme von Wassertropfen auf einer Oberfläche oder eine Totale über eine Landschaft im Morgennebel. Das Modell wurde nach Angaben von Genmo besonders darauf ausgelegt, solchen Beschreibungen genau zu folgen und realistische Bewegungen zu erzeugen. In der Praxis bedeutet das: Wer präzise und strukturiert formuliert, erhält deutlich verwertbarere Ergebnisse als mit knappen Stichworten. Prompts funktionieren nach unserer Erfahrung bei vielen Videomodellen in englischer Sprache zuverlässiger; ob deutsche Prompts für Ihren Zweck ausreichen, sollten Sie testen.
Für Unternehmen ist die Prompt-Arbeit eine eigene Kompetenz, die aufgebaut werden muss. Bewährt haben sich Prompt-Vorlagen mit festen Bausteinen für Bildsprache, Licht und Kameraführung, die für jedes neue Motiv nur noch ergänzt werden. So entsteht ein wiedererkennbarer Stil, und Ergebnisse werden vergleichbar. Ein Prompt-Logbuch, in dem gelungene und misslungene Formulierungen samt Einstellungen festgehalten werden, beschleunigt das Lernen im Team erheblich.
Mochi 1 erzeugt kurze Clips, keine Filme. Längere Sequenzen entstehen durch Schnitt mehrerer Clips, wobei Figuren, Produkte und Umgebungen von Clip zu Clip nicht automatisch gleich aussehen. Diese fehlende Konsistenz ist eine der größten praktischen Hürden generativer Videomodelle – besonders, wenn ein bestimmtes Produkt exakt dargestellt werden soll. Ein reines Text-zu-Video-Modell kennt Ihr Produkt nicht; es erfindet eine plausible Variante. Für originalgetreue Produktdarstellungen ist deshalb entweder Fine-Tuning, eine Kombination mit echtem Bildmaterial oder ein Werkzeug mit Bild-zu-Video-Funktion nötig. Ob und in welcher Form Bild-zu-Video oder Bildvorgaben für Mochi 1 verfügbar sind – etwa über Community-Erweiterungen –, sollten Sie für die jeweilige Version prüfen.
Weitere typische Schwächen teilt Mochi 1 mit anderen Videomodellen: lesbarer Text im Bild gelingt selten zuverlässig, Hände, Gesichter in Bewegung und komplexe Interaktionen mehrerer Personen zeigen häufig Artefakte, und physikalische Abläufe wirken mitunter traumhaft statt realistisch. Logos und Markenzeichen sollten grundsätzlich nicht vom Modell erzeugt, sondern in der Nachbearbeitung eingefügt werden. Und: Das Modell erzeugt nach unserem Kenntnisstand Video ohne Tonspur. Musik, Sprecher und Geräusche kommen aus anderen Quellen – etwa aus lizenzierten Bibliotheken, eigenen Aufnahmen oder separaten Audio-KI-Werkzeugen.
Die erzeugten Clips werden als Videodateien ausgegeben und anschließend in gängigen Schnittprogrammen weiterverarbeitet. Typische Nachbearbeitungsschritte sind Farbkorrektur, Zuschnitt auf das Zielformat, Hochskalierung mit separaten Werkzeugen, Ergänzung von Ton und Text sowie die Kombination mit echten Aufnahmen. Gerade bei offenen Modellen lohnt es sich, die gesamte Kette als Arbeitsablauf zu denken: Prompt, Generierung, Auswahl, Nachbearbeitung, Prüfung und Freigabe. Die Auswahl ist dabei nicht zu unterschätzen – häufig werden mehrere Varianten erzeugt, von denen nur eine oder wenige verwendbar sind.
Zur Qualitätssicherung gehört eine Sichtprüfung jedes Clips Bild für Bild auf Artefakte, verzerrte Objekte, unpassende Details und ungewollte Ähnlichkeiten mit realen Personen, Marken oder geschützten Werken. Legen Sie Kriterien fest, ab wann ein Clip veröffentlicht werden darf, und dokumentieren Sie, welche Version, welcher Prompt und welche Einstellungen zu einem Ergebnis geführt haben. Diese Dokumentation hilft nicht nur bei der Reproduzierbarkeit, sondern auch bei Fragen zur Kennzeichnung und zu Rechten.
Mochi 1 gehört zur Familie der Diffusionsmodelle, die auch bei Bildgeneratoren verbreitet sind. Vereinfacht gesagt lernt ein solches Modell im Training, Rauschen schrittweise aus verrauschten Videos zu entfernen. Bei der Erzeugung beginnt es mit reinem Rauschen und formt daraus über viele Rechenschritte ein Video, wobei die Textbeschreibung die Richtung vorgibt. Genmo hat für Mochi 1 eine Transformer-Architektur entwickelt, die Text- und Videoinformationen asymmetrisch verarbeitet und einen Großteil der Rechenleistung auf die visuelle Darstellung konzentriert. Ein vorgeschalteter Video-Autoencoder verdichtet Videos zudem räumlich und zeitlich in eine kompakte Darstellung, sodass das eigentliche Modell nicht auf einzelnen Pixeln, sondern in diesem verdichteten Raum rechnet.
Für die Praxis sind drei Folgen dieser Architektur relevant. Erstens ist Videogenerierung rechenintensiv: Jeder Clip erfordert viele Durchläufe eines großen Modells über eine große Datenmenge – die Generierung dauert deshalb deutlich länger als bei Bildern und verlangt leistungsstarke GPUs. Zweitens gibt es Stellschrauben, mit denen Qualität und Geschwindigkeit gegeneinander abgewogen werden können, etwa die Zahl der Rechenschritte oder die Stärke, mit der das Modell dem Prompt folgt. Drittens lässt sich das Modell, weil Code und Gewichte vorliegen, gezielt optimieren – zum Beispiel durch Speicher sparende Ausführungsvarianten, die die Community entwickelt hat.
Die vielleicht interessanteste Möglichkeit für Unternehmen ist das Fine-Tuning. Genmo hat Werkzeuge veröffentlicht, mit denen sich Mochi 1 über sogenannte LoRA-Adapter anpassen lässt. Dabei wird nicht das gesamte Modell neu trainiert, sondern ein kleiner Zusatz, der dem Modell einen bestimmten Stil, ein wiederkehrendes Motiv oder eine Bildsprache beibringt. Der Aufwand an Daten und Rechenzeit ist im Vergleich zu einem vollständigen Training gering; trotzdem sind leistungsfähige GPUs und Erfahrung in der Datenaufbereitung nötig. Welche Werkzeuge aktuell gepflegt werden und welche Hardware sie voraussetzen, sollten Sie im offiziellen Repository prüfen.
Denkbare Anwendungen sind ein Adapter, der die Bildsprache Ihrer Marke kennt – bestimmte Farbwelten, Lichtstimmungen, Materialien –, ein Adapter für wiederkehrende Umgebungen wie Werkhalle oder Showroom oder ein Adapter für eine Produktkategorie. Entscheidend ist die Qualität der Trainingsdaten: Sie müssen in ausreichender Menge vorliegen, inhaltlich sauber beschrieben sein und – ganz wesentlich – Ihnen rechtlich zur Verfügung stehen. Wer Fine-Tuning mit Aufnahmen betreibt, auf denen Mitarbeitende oder Kunden erkennbar sind, verarbeitet personenbezogene Daten und braucht dafür eine Rechtsgrundlage. Wer fremdes Bildmaterial einsetzt, muss die Nutzungsrechte für diesen Zweck klären.
Weil Mochi 1 lokal oder in einer selbst kontrollierten Cloud läuft, lässt es sich in automatisierte Abläufe einbinden. Ein Skript kann aus einer Liste von Prompts über Nacht viele Varianten erzeugen, ein Workflow kann strukturierte Daten – etwa Produktmerkmale oder Kampagnenthemen – in Prompt-Vorlagen einsetzen, und eine interne Weboberfläche kann Fachabteilungen den Zugang ermöglichen, ohne dass diese mit Kommandozeilen arbeiten müssen. In grafischen Werkzeugen wie ComfyUI lassen sich Generierung, Hochskalierung und weitere Bearbeitungsschritte als wiederverwendbare Workflows zusammenstellen.
Mit Automatisierung wächst allerdings auch die Verantwortung. Je mehr Clips automatisch entstehen, desto wichtiger werden Prüfschritte, Freigaben und Protokolle. Eine Pipeline, die ungeprüft generierte Videos veröffentlicht, ist weder qualitativ noch rechtlich zu empfehlen. Sinnvoll ist eine klare Trennung: Die Maschine erzeugt Varianten, ein Mensch wählt aus, prüft und gibt frei. Protokolle mit Prompt, Version, Einstellungen, Zeitstempel und freigebender Person schaffen Nachvollziehbarkeit – auch im Hinblick auf Transparenz- und Dokumentationspflichten.
Ausgangspunkt ist das offizielle Code-Repository von Genmo sowie die Bereitstellung der Modellgewichte auf einer gängigen Modellplattform. Dort finden sich Code zur Ausführung, Hinweise zur Hardware, Lizenzinformationen und – je nach Stand – Werkzeuge für Fine-Tuning. Darüber hinaus wurde Mochi 1 in verbreitete Open-Source-Bibliotheken für Diffusionsmodelle integriert, wodurch sich das Modell mit vertrauten Programmierschnittstellen ansprechen lässt. Für technische Teams ist das ein wichtiger Vorteil: Sie müssen keine Speziallösung pflegen, sondern können auf etablierte Bausteine und eine aktive Entwicklergemeinschaft zurückgreifen.
Wichtig für den Unternehmenseinsatz ist eine bewusste Versionsstrategie. Offene Modelle und die Bibliotheken drumherum entwickeln sich schnell; Aktualisierungen können Ergebnisse verändern oder Abhängigkeiten brechen. Legen Sie deshalb fest, welche Version von Modell und Bibliotheken produktiv eingesetzt wird, beziehen Sie Gewichte nur aus vertrauenswürdigen Quellen, prüfen Sie Prüfsummen und halten Sie eine Testumgebung vor, in der neue Versionen geprüft werden, bevor sie in den Betrieb gehen.
Für Kreative ohne Programmierkenntnisse sind grafische Oberflächen der wichtigste Zugang. Werkzeuge wie ComfyUI erlauben es, Generierungsschritte als Knoten zu verbinden und daraus wiederverwendbare Workflows zu bauen – etwa Generierung, Bildverbesserung, Hochskalierung und Export in einem Ablauf. Die Community hat dafür Erweiterungen entwickelt, die Mochi 1 einbinden und teils Speicher sparend ausführen. Solche Erweiterungen sind praktisch, aber nicht immer von gleicher Qualität und Pflegeintensität wie offizielle Komponenten. Prüfen Sie Herkunft, Lizenz und Aktualität jeder Erweiterung, bevor sie in einem Unternehmensumfeld eingesetzt wird.
Die dritte Ebene des Ökosystems ist die Infrastruktur. Mochi 1 kann auf eigenen GPU-Servern im Unternehmen, bei einem europäischen Cloud- oder Hosting-Anbieter mit GPU-Instanzen oder über spezialisierte Inferenzplattformen betrieben werden, die das Modell als Dienst anbieten. Für die Datenschutzbewertung ist entscheidend, wer die Infrastruktur betreibt und wo sie steht: Eigene Hardware und EU-Anbieter mit Rechenzentren in der EU bieten die beste Ausgangslage; bei internationalen Inferenzplattformen gelten ähnliche Prüfpunkte wie beim gehosteten Genmo-Angebot. Bei Cloud-Anbietern lohnt außerdem ein Blick auf die Verfügbarkeit geeigneter GPU-Klassen, die in Spitzenzeiten knapp sein kann.
Für die Weiterverarbeitung binden sich generierte Clips in bestehende Werkzeuge ein: Schnittprogramme, Medienablagen und Digital-Asset-Management-Systeme, Redaktionspläne für soziale Netzwerke. Ein eigener Dienst mit interner Programmierschnittstelle kann Mochi 1 zudem für andere Anwendungen im Unternehmen verfügbar machen – etwa für ein Produktinformationssystem oder ein internes Kreativportal. Damit wird ein offenes Modell zu einer Plattformkomponente, die mehrere Abteilungen nutzen können.
HunyuanVideo ist ein offenes Videomodell des chinesischen Technologiekonzerns Tencent und damit der naheliegendste Vergleichspartner für Mochi 1. Beide Modelle lassen sich herunterladen, selbst betreiben und anpassen, beide werden in verbreitete Bibliotheken und grafische Werkzeuge eingebunden, und beide verlangen leistungsfähige GPUs. Unterschiede zeigen sich in Ergebnisqualität für bestimmte Motive, in Funktionsumfang und Erweiterungen sowie vor allem in der Lizenz. HunyuanVideo wird unter einer eigenen Community-Lizenz veröffentlicht, die nach unserem Kenntnisstand Einschränkungen enthält – unter anderem territoriale, die den Einsatz in der EU betreffen können. Prüfen Sie die Lizenzbedingungen der jeweils eingesetzten Version sorgfältig und ziehen Sie im Zweifel Ihre Rechtsberatung hinzu.
Für Unternehmen in der EU ist die permissive Lizenz von Mochi 1 deshalb ein gewichtiges Argument, selbst wenn ein anderes offenes Modell bei bestimmten Motiven sichtbar bessere Ergebnisse liefert. Unser Rat: Vergleichen Sie offene Modelle nicht nur nach Bildqualität, sondern nach einem Kriterienbündel aus Lizenz, Ökosystem, Hardwarebedarf, Fine-Tuning-Möglichkeiten und Pflege durch den Herausgeber. Ein modellagnostischer Aufbau erlaubt es, mehrere offene Modelle parallel zu testen und je nach Aufgabe einzusetzen, sofern die Lizenzen das zulassen.
Sora von OpenAI und Veo von Google stehen für die geschlossenen Videomodelle großer Technologiekonzerne. Sie werden ausschließlich als Dienst über Apps, Weboberflächen oder Programmierschnittstellen angeboten und sind eng in die Ökosysteme ihrer Anbieter eingebunden. Ihre Stärken liegen in Bedienkomfort, hoher Bildqualität und laufender Weiterentwicklung; je nach Version bieten sie zusätzliche Funktionen wie Bildvorgaben oder Ton. Dafür gibt es keine Möglichkeit, die Modelle selbst zu betreiben, ihre Gewichte zu prüfen oder sie frei mit eigenen Daten anzupassen. Die Datenverarbeitung erfolgt in der Infrastruktur des Anbieters; Konditionen, Regionen und Unternehmensverträge sind jeweils beim Anbieter zu prüfen.
Die Abgrenzung ist damit klar: Wer schnell beeindruckende Clips ohne Technikaufwand braucht und mit der Datenverarbeitung beim Anbieter leben kann, findet bei Sora oder Veo meist das ausgereiftere Produkt. Wer Datenhoheit, Unabhängigkeit und Anpassbarkeit priorisiert oder vertrauliche Inhalte verarbeitet, kommt an offenen Modellen wie Mochi 1 kaum vorbei. Viele Unternehmen werden beides nutzen – gehostete Dienste für unkritische Kreativaufgaben, offene Modelle für sensible oder stark angepasste Anwendungen.
Runway, Kling und Pika verbinden eigene, geschlossene Videomodelle mit einer Kreativplattform. Runway ist stark auf professionelle Kreative und Postproduktion ausgerichtet und bietet zahlreiche Werkzeuge rund um die Generierung, etwa zur Bearbeitung bestehender Videos. Kling stammt vom chinesischen Unternehmen Kuaishou und hat mit realistischen Bewegungen und Bild-zu-Video-Funktionen viel Aufmerksamkeit erhalten; hier sind Konzernbezug und Datenflüsse besonders sorgfältig zu prüfen. Pika setzt auf schnelle, spielerische Effekte und eine niedrige Einstiegshürde für Social-Media-Inhalte.
Gegenüber diesen Plattformen ist Mochi 1 das rohere Werkzeug: keine fertigen Effekte, keine Vorlagen, keine integrierte Bearbeitung. Dafür bietet es, was keine dieser Plattformen bietet – die Möglichkeit, das Modell selbst zu kontrollieren. Für die Mehrzahl der Marketingaufgaben ohne besonderen Schutzbedarf sind die Kreativplattformen bequemer; für souveräne, wiederholbare und anpassbare Video-KI im eigenen Haus ist Mochi 1 die passendere Grundlage.
Videomodelle gehören zu den rechenintensivsten KI-Anwendungen. Für einen komfortablen, produktiven Betrieb von Mochi 1 sind leistungsstarke Rechenzentrums-GPUs mit viel Grafikspeicher realistisch; Genmo hat bei der Veröffentlichung auf hohe Anforderungen hingewiesen, und die Community hat seitdem Speicher sparende Varianten entwickelt, mit denen das Modell auch auf kleinerer Hardware lauffähig sein kann – meist um den Preis deutlich längerer Generierungszeiten. Welche Hardware für Ihre Anforderungen an Qualität, Geschwindigkeit und Menge ausreicht, lässt sich seriös nur im Test ermitteln. Wir raten davon ab, ohne einen solchen Test in Hardware zu investieren.
Ein pragmatischer Weg ist deshalb ein Pilot in der EU-Cloud: GPU-Instanzen werden stunden- oder tageweise gemietet, das Modell wird eingerichtet, und an realen Anwendungsfällen wird gemessen, wie lange ein Clip dauert, wie viele Varianten nötig sind und welche Qualität erreicht wird. Erst wenn das Nutzungsvolumen feststeht und dauerhaft hoch ist, lohnt sich die Frage, ob eigene Hardware wirtschaftlicher ist. Für viele mittelständische Unternehmen bleibt die bedarfsgerechte Nutzung von GPU-Instanzen bei einem europäischen Anbieter die sinnvollere Lösung.
Am Anfang steht die Zieldefinition: Welche Clips sollen entstehen, für welche Kanäle und Zwecke, in welcher Menge und mit welchem Schutzbedarf? Daraus ergibt sich, ob ein gehosteter Test ausreicht oder ob gleich ein Self-Hosting-Pilot sinnvoll ist. Parallel entsteht eine kurze Richtlinie für generative Video-KI: zulässige Motive, verbotene Inhalte (etwa reale Personen ohne Einwilligung, Marken Dritter, irreführende Darstellungen), Kennzeichnungsregeln, Freigabeprozess und Dokumentation. Datenschutzbeauftragte und – bei Beteiligung von Beschäftigtendaten – der Betriebsrat werden früh eingebunden.
Im Pilot werden zwei bis drei klar umrissene Anwendungsfälle umgesetzt, etwa Stimmungsbilder für Social-Media-Posts, Visualisierungen für eine Messepräsentation oder Varianten für ein Produktkonzept. Gemessen werden Generierungszeit, Anteil verwertbarer Clips, Nachbearbeitungsaufwand und Kosten pro verwendbarem Clip. Auf dieser Grundlage wird entschieden, ob und in welcher Form Mochi 1 in den Regelbetrieb geht – und ob Fine-Tuning einen Mehrwert bringt.
Im laufenden Betrieb braucht es eine verantwortliche Person für Modell und Infrastruktur, eine Versionsstrategie mit Testumgebung, Zugriffsrechte für Nutzer, Protokollierung der Generierungen sowie regelmäßige Überprüfung von Lizenz- und Rechtslage. Neue Modellversionen oder Community-Erweiterungen sollten nicht automatisch produktiv gehen, sondern zunächst getestet werden. Und schließlich lohnt ein halbjährlicher Blick auf den Markt: Offene Videomodelle entwickeln sich so schnell, dass eine regelmäßige Neubewertung zum Betrieb dazugehört.
Viele mittelständische Unternehmen wissen, dass Bewegtbild in sozialen Netzwerken besser funktioniert als statische Bilder, haben aber weder Zeit noch Budget, für jeden Beitrag zu drehen. Generierte Clips können hier eine Lücke schließen: ein atmosphärischer Hintergrund für ein Zitat, eine bewegte Szene zum Thema eines Fachbeitrags, eine stimmungsvolle Einleitung für ein Recruiting-Video, das ansonsten echte Mitarbeitende zeigt. Für einen Maschinenbauer kann das etwa eine Sequenz sein, die eine Industrieumgebung im Morgenlicht zeigt; für einen Lebensmittelhersteller eine Nahaufnahme von Zutaten in Bewegung; für einen Hersteller von Gartengeräten eine sommerliche Gartenszene.
Bei der Produktvisualisierung ist die Erwartungshaltung entscheidend. Mochi 1 kann Anwendungswelten und Atmosphäre erzeugen, aber ohne Anpassung nicht Ihr konkretes Produkt originalgetreu darstellen. Bewährt hat sich die Kombination: Das echte Produkt wird fotografiert oder gefilmt, die generierten Clips liefern Umgebung und Stimmung, und im Schnitt entsteht daraus ein stimmiges Ganzes. Wer weiter gehen will, kann mit Fine-Tuning auf eine Produktkategorie experimentieren – sollte aber jedes Ergebnis kritisch auf technische Richtigkeit prüfen, denn ein falsch dargestelltes Detail kann im B2B-Umfeld die Glaubwürdigkeit kosten. Auch wettbewerbsrechtlich ist Vorsicht geboten: Generierte Darstellungen dürfen keine Produkteigenschaften suggerieren, die das reale Produkt nicht hat.
Ein unterschätzter Anwendungsfall ist das Prototyping. Bevor ein Imagefilm gedreht, ein Messestand gebaut oder eine Kampagne beauftragt wird, lassen sich mit generierten Clips bewegte Entwürfe erstellen, über die alle Beteiligten sprechen können. Statt abstrakter Beschreibungen oder statischer Moodboards sieht die Geschäftsführung, wie sich eine Idee anfühlen könnte. Gerade bei unveröffentlichten Produkten oder vertraulichen Kampagnen ist der Betrieb im eigenen Setup ein klarer Vorteil: Weder Prompts noch Entwürfe verlassen das Unternehmen.
Das Fine-Tuning ist der Bereich, in dem Mochi 1 sich am deutlichsten von gehosteten Diensten abhebt. Ein Unternehmen mit einem ausgeprägten visuellen Auftritt kann einen Adapter trainieren, der Farbwelt, Licht und Materialien kennt, sodass generierte Clips nicht mehr nach generischem KI-Material aussehen. Voraussetzung sind ausreichend eigenes, rechtlich unbedenkliches Bild- und Videomaterial, technische Kompetenz oder ein Partner sowie die Bereitschaft, mehrere Iterationen einzuplanen. Für einen ersten Pilot empfehlen wir, Fine-Tuning erst dann anzugehen, wenn die Grundfunktionen erprobt sind und klar ist, welcher Mehrwert erwartet wird.
Mochi 1 ist kein Knopf, auf den man drückt, um fertige Werbevideos zu erhalten. Der häufigste Fehler ist, ein offenes Videomodell mit einem fertigen Kreativprodukt zu verwechseln und nach wenigen Versuchen enttäuscht aufzugeben. Erfolgreiche Projekte starten mit einer klaren Fragestellung, einem technischen Verantwortlichen, einem kleinen Budget für GPU-Zeit und der Bereitschaft, Prompt-Kompetenz aufzubauen. Wer nach einem Pilot feststellt, dass die Ergebnisse für die gewünschten Zwecke reichen und der Datenhoheitsgewinn den Aufwand rechtfertigt, kann den Einsatz schrittweise ausbauen. Wer feststellt, dass ein gehosteter Dienst für unkritische Inhalte genügt, hat ebenfalls eine wertvolle Erkenntnis gewonnen.
Dass die Modellgewichte frei verfügbar sind, heißt nicht, dass Mochi 1 kostenlos ist. Die Kosten verschieben sich von Lizenzgebühren hin zu Infrastruktur und Personal. GPU-Zeit ist der größte technische Kostenfaktor: Jede Generierung beansprucht leistungsfähige Hardware, und da meist mehrere Varianten nötig sind, um einen verwendbaren Clip zu erhalten, zählt am Ende der Preis pro verwertbarem Ergebnis, nicht pro Generierung. Hinzu kommen Einrichtung und Pflege der Umgebung, die Arbeitszeit für Prompting, Auswahl und Nachbearbeitung sowie gegebenenfalls Fine-Tuning.
Eine ehrliche Wirtschaftlichkeitsrechnung vergleicht deshalb drei Varianten: klassische Produktion beziehungsweise Stock-Material, gehostete Dienste und Self-Hosting. Bei geringem Volumen und unkritischen Inhalten ist ein gehosteter Dienst oft günstiger. Bei hohem Volumen, vertraulichen Inhalten oder dem Wunsch nach Fine-Tuning kann Self-Hosting wirtschaftlich und strategisch sinnvoller sein – insbesondere, wenn die GPU-Infrastruktur ohnehin für andere KI-Anwendungen genutzt wird. Ein Pilot in der EU-Cloud liefert die Zahlen, die für diese Entscheidung nötig sind.
Genmo ist ein US-Unternehmen. Wer das gehostete Angebot nutzt, übermittelt Prompts und gegebenenfalls hochgeladene Inhalte an dessen Infrastruktur, die nach unserem Kenntnisstand nicht auf die EU beschränkt ist. Den genauen Serverstandort, eingesetzte Unterauftragsverarbeiter und die Rechtsgrundlage für den Drittlandtransfer sollten Sie beim Anbieter prüfen – etwa, ob eine Zertifizierung nach dem EU-US Data Privacy Framework besteht oder Standardvertragsklauseln vereinbart werden. Auch mit solchen Grundlagen bleibt der Drittlandbezug zu bewerten, einschließlich möglicher Zugriffe durch US-Behörden.
Solange nur allgemeine, nicht personenbezogene Prompts verarbeitet werden – etwa die Beschreibung einer Landschaft –, ist das Datenschutzrisiko überschaubar. Sobald jedoch personenbezogene Daten ins Spiel kommen, etwa Namen in Prompts oder hochgeladene Bilder mit erkennbaren Personen, braucht es eine saubere Vertragsgrundlage, in der Regel einen Auftragsverarbeitungsvertrag. Prüfen Sie zudem, ob der Anbieter Eingaben und Ergebnisse zur Verbesserung seiner Modelle verwendet und wem die Rechte an den erzeugten Videos zustehen. Für vertrauliche Inhalte – unveröffentlichte Produkte, interne Strategien, Kundendaten – empfehlen wir das gehostete Angebot nicht.
Der große Vorteil eines offenen Modells liegt darin, dass sich diese Fragen weitgehend auflösen, wenn Mochi 1 im eigenen Verantwortungsbereich läuft. Auf eigener Hardware im Unternehmen verlassen Prompts, Trainingsdaten und Ergebnisse das Haus nicht. In einer EU-Cloud bei einem europäischen Anbieter mit Rechenzentren in der EU bleibt die Verarbeitung im Geltungsbereich der DSGVO; mit dem Hoster wird ein Auftragsverarbeitungsvertrag geschlossen, und Unterauftragnehmer sowie mögliche Zugriffsrechte aus Drittstaaten sind auch hier zu prüfen. Damit ist Self-Hosting die datenschutzfreundlichere und souveränere Option – nicht automatisch rechtskonform, aber mit deutlich besserer Ausgangslage und voller Kontrolle über Versionen, Protokolle und Löschung.
Self-Hosting bringt allerdings eigene Pflichten mit sich. Sie verantworten die Sicherheit der Umgebung, Zugriffsrechte, Protokollierung, Datensicherung und Löschung. Modellgewichte und Erweiterungen sollten nur aus vertrauenswürdigen Quellen bezogen und auf Integrität geprüft werden, da manipulierte Dateien ein Sicherheitsrisiko darstellen können. Und auch im eigenen Rechenzentrum gilt: Werden personenbezogene Daten verarbeitet, etwa beim Fine-Tuning mit Aufnahmen von Beschäftigten, braucht es eine Rechtsgrundlage, Informationspflichten und gegebenenfalls eine Datenschutz-Folgenabschätzung.
Die europäische KI-Verordnung sieht Transparenzpflichten für KI-generierte oder manipulierte Bild-, Audio- und Videoinhalte vor. Wer sogenannte Deepfakes erzeugt – Inhalte, die realen Personen, Gegenständen, Orten oder Ereignissen merklich ähneln und fälschlicherweise als echt erscheinen könnten –, muss offenlegen, dass sie künstlich erzeugt oder verändert wurden. Für generierte Videoclips, die in der Außenkommunikation eingesetzt werden, ist eine Kennzeichnung deshalb in aller Regel empfehlenswert und kann rechtlich geboten sein. Konkrete Anforderungen, Fristen und Ausnahmen – etwa für erkennbar künstlerische oder kreative Werke – klären Sie bitte mit Ihrer Rechtsberatung. Unabhängig davon verlangt die Verordnung von Unternehmen, die KI einsetzen, ein angemessenes Maß an KI-Kompetenz bei den Beschäftigten.
Darüber hinaus sind Persönlichkeitsrechte zu beachten. Videos, die reale, erkennbare Personen darstellen oder ihnen nachempfunden sind, dürfen nur mit deren Einwilligung erstellt und veröffentlicht werden; das gilt insbesondere für Fine-Tuning auf das Aussehen einer Person. Im Arbeitsverhältnis ist die Freiwilligkeit einer Einwilligung besonders sorgfältig zu prüfen. Beim Urheberrecht stellen sich zwei Fragen: Erstens, ob generierte Ergebnisse geschützte Werke, Figuren oder Marken Dritter erkennbar nachbilden – das sollte bei der Prüfung jedes Clips ausgeschlossen werden. Zweitens, ob und in welchem Umfang an rein KI-generierten Inhalten überhaupt eigene Schutzrechte entstehen; das ist rechtlich nicht abschließend geklärt und beeinflusst, wie gut Sie Ihre generierten Inhalte gegen Übernahme schützen können. Zu den Trainingsdaten von Mochi 1 liegen nicht alle Details offen; auch das gehört zur Risikoabwägung.
Unabhängig vom Betriebsmodell bleibt das Unternehmen für den rechtmäßigen Einsatz verantwortlich. Dazu gehören ein Eintrag im Verzeichnis von Verarbeitungstätigkeiten, sofern personenbezogene Daten verarbeitet werden, eine dokumentierte Lizenzprüfung, eine Richtlinie für zulässige Inhalte und Kennzeichnung, ein Freigabeprozess sowie die Schulung der Beteiligten. Ein sauber dokumentiertes Vorgehen schützt nicht nur vor rechtlichen Risiken, sondern auch die Glaubwürdigkeit Ihrer Kommunikation.