Wer die Bedeutung dieser Kategorie verstehen will, sollte sich vor Augen führen, wie Unternehmensvideos traditionell entstehen. Ein Erklärvideo für ein neues Produkt, eine Schulung zu Arbeitssicherheit oder eine Begrüßungsbotschaft der Geschäftsführung erfordern bislang Drehbuch, Sprecher oder Mitarbeitende vor der Kamera, Licht, Ton, Schnitt und Abstimmungsschleifen. Jede inhaltliche Änderung – ein neuer Preis, ein geänderter Prozessschritt, eine zusätzliche Sprache – bedeutet im Zweifel einen Nachdreh. Für viele mittelständische Unternehmen war Video deshalb ein Medium für seltene, aufwendige Anlässe, nicht für den laufenden Betrieb.
KI-Avatar-Plattformen wie HeyGen drehen diese Logik um. Das Video entsteht aus einem Text, ähnlich wie eine Präsentation aus Folien. Änderungen werden im Skript vorgenommen, das Video wird neu gerendert. Eine weitere Sprache ist im Idealfall eine Frage von Minuten statt Wochen. Damit wird Video zu einem pflegbaren Inhalt – vergleichbar mit einer Wissensdatenbank oder einem Handbuch –, der regelmäßig aktualisiert werden kann. Genau das macht die Technologie für Schulung, Vertrieb und internationale Kommunikation so interessant.
Hinter einem Avatar-Video stehen mehrere KI-Bausteine, die zusammenspielen. Ein Sprachsynthese-Modell erzeugt aus dem Text eine natürlich klingende Stimme – entweder eine vorgefertigte Stimme aus einer Bibliothek oder eine geklonte Stimme einer realen Person. Ein Video-Modell erzeugt daraus Gesichtsbewegungen, insbesondere die Mundbewegungen, die zu den gesprochenen Lauten passen, sowie Mimik, Kopfbewegungen und in neueren Generationen auch Gestik. Bei der Videoübersetzung kommen Spracherkennung, maschinelle Übersetzung und Stimmübertragung hinzu: Das Original wird transkribiert, übersetzt, mit der nachgebildeten Stimme neu gesprochen und das Gesicht im Video an die neue Tonspur angepasst.
Das Ergebnis ist in guten Fällen erstaunlich überzeugend. Es bleibt aber synthetisch: Bei genauer Betrachtung, bei ungewöhnlichen Wörtern, Fachbegriffen oder emotionalen Passagen können Unstimmigkeiten auftreten. Die Qualität hängt stark von Ausgangsmaterial, Sprache und Avatar-Typ ab und entwickelt sich mit jeder Modellgeneration weiter. Konkrete Qualitätsaussagen sollten deshalb immer am eigenen Material getestet werden.
Angesprochen sind Geschäftsführung, Marketing- und Vertriebsverantwortliche, Personal- und Weiterbildungsabteilungen sowie IT- und Datenschutzverantwortliche in mittelständischen Unternehmen. Sie müssen keine Videoprofis sein. Nach der Lektüre sollten Sie einschätzen können, wofür sich HeyGen eignet, wo die Grenzen liegen, wie sich die Plattform von Alternativen unterscheidet und welche rechtlichen sowie organisatorischen Fragen vor dem ersten produktiven Video geklärt sein müssen.
Wir gehen herstellerneutral vor. Konkrete Preise, Anzahlen von Avataren, Stimmen oder unterstützten Sprachen sowie Nutzerzahlen nennen wir bewusst nicht, weil sich diese Angaben in kurzen Abständen ändern und nur beim Anbieter verlässlich zu prüfen sind. Stattdessen beschreiben wir Fähigkeiten qualitativ und geben Orientierung für eine fundierte Entscheidung.
Grundsätzlich lässt sich das Angebot in vier Ebenen denken. Eine Einstiegsstufe dient zum Ausprobieren, meist mit Wasserzeichen, begrenzter Videolänge und eingeschränkten Funktionen. Creator- beziehungsweise Pro-Stufen richten sich an Einzelpersonen und kleine Teams, die regelmäßig Videos produzieren. Team- oder Business-Stufen ergänzen gemeinsame Arbeitsbereiche, Markenvorlagen, Rollen und Freigaben. Die Enterprise-Ebene schließlich adressiert größere Organisationen mit individuellen Verträgen, Single Sign-on, erweiterten Datenschutz- und Sicherheitszusagen sowie dediziertem Support. Die API wird in der Regel separat und nutzungsbasiert angeboten.
Im Markt für KI-Avatar-Videos hat sich HeyGen als einer der sichtbarsten Anbieter etabliert, besonders bei Marketing- und Content-Teams sowie in sozialen Medien. Die Plattform ist für eine zugängliche Oberfläche, eine hohe Taktung neuer Funktionen und vor allem für ihre Videoübersetzung bekannt, die viral verbreitete Beispiele hervorgebracht hat. Im Vergleich dazu positionieren sich manche Wettbewerber stärker als Unternehmenswerkzeug für Schulung und interne Kommunikation, mit Schwerpunkt auf Governance und Compliance. HeyGen bedient beide Welten, kommt aber erkennbar aus der Richtung schneller, kreativer Content-Produktion.
Für die Entscheidung im Mittelstand ist diese Herkunft relevant. Eine Plattform, die viele Funktionen schnell ausrollt, bietet häufig früh Zugang zu Neuerungen – bringt aber auch die Notwendigkeit mit sich, Funktionsstände, Nutzungsbedingungen und Datenschutzhinweise regelmäßig neu zu prüfen. Was heute gilt, kann sich mit der nächsten Produktversion ändern.
HeyGen tritt als Unternehmen mit Sitz in den USA auf. Für die datenschutzrechtliche Bewertung ist das der zentrale Ausgangspunkt: Verarbeitung bei einem US-Anbieter bedeutet in der Regel einen Drittlandtransfer und die Anwendbarkeit US-amerikanischer Rechtsvorschriften auf den Anbieter. Darüber hinaus empfehlen wir, die Eigentümer- und Investorenstruktur sowie die Standorte von Entwicklungs- und Support-Teams beim Anbieter zu prüfen. Gerade bei Plattformen, die Gesichts- und Stimmdaten verarbeiten, sollten Unternehmen wissen, wer Zugriff auf Daten haben kann, wo Unterauftragsverarbeiter sitzen und welche Rechtsordnungen darauf einwirken können. Diese Informationen finden sich typischerweise in der Liste der Unterauftragsverarbeiter, im Vertrag zur Auftragsverarbeitung und in Sicherheitsdokumentationen, die Enterprise-Kunden anfordern können.
HeyGen bietet verschiedene Arten von Avataren, die sich in Aufwand, Qualität und rechtlicher Sensibilität unterscheiden:
Neuere Modellgenerationen erweitern die Ausdrucksmöglichkeiten: natürlichere Gestik, Emotionen, die zum Text passen, oder Avatare, die sich in unterschiedlichen Umgebungen und Perspektiven darstellen lassen. Wie weit diese Funktionen im eigenen Anwendungsfall tragen, lässt sich nur im Test beurteilen. Erfahrungsgemäß wirken Avatare in ruhigen, sachlichen Formaten am überzeugendsten; bei emotionalen, humorvollen oder sehr dynamischen Inhalten fällt das Synthetische eher auf.
Für die Tonspur stehen eine Bibliothek synthetischer Stimmen in vielen Sprachen und Akzenten sowie die Möglichkeit zur Verfügung, eine eigene Stimme zu klonen. Teilweise lassen sich auch Stimmen externer Sprachsynthese-Anbieter einbinden. Für deutschsprachige Inhalte ist die Qualität gängiger Stimmen inzwischen gut, aber nicht fehlerfrei: Aussprache von Fachbegriffen, Produktnamen, Abkürzungen und Zahlen sollte immer geprüft und bei Bedarf über Aussprachehilfen oder phonetische Schreibweisen korrigiert werden. Auch Betonung und Sprechtempo lassen sich in gewissem Umfang steuern.
Das Klonen der eigenen Stimme ist besonders sensibel. Eine Stimme ist ein persönliches Merkmal, das eine Person identifiziert. Wer die Stimme von Mitarbeitenden klont, braucht eine klare, freiwillige und dokumentierte Einwilligung, eine Zweckbindung und eine Regelung für den Fall, dass die Person das Unternehmen verlässt. Mehr dazu in Kapitel 9 und im Grundlagenartikel zum Voice-Cloning.
Der Editor arbeitet szenenbasiert. Pro Szene werden Avatar, Hintergrund, Text, Medien und Einblendungen festgelegt. Vorlagen beschleunigen wiederkehrende Formate wie Produktvorstellungen, Schulungsmodule oder Social-Media-Clips. In höheren Stufen lassen sich Markenelemente wie Logos, Farben und Schriften hinterlegen, sodass Videos konsistent im Corporate Design erscheinen. Untertitel können automatisch erzeugt und angepasst werden, was für Barrierefreiheit und für das Abspielen ohne Ton – etwa in sozialen Netzwerken oder im Intranet – wichtig ist.
Häufig genutzt wird auch der Import vorhandener Inhalte: Aus Präsentationen, Dokumenten oder Webseiten können Skripte oder Szenenentwürfe abgeleitet werden. KI-gestützte Skriptassistenten helfen beim Formulieren. Hier gilt dieselbe Vorsicht wie bei jedem generativen Textwerkzeug: Inhalte müssen fachlich geprüft werden, bevor sie in einem Video mit dem Gesicht einer realen Person veröffentlicht werden.
Die Videoübersetzung nimmt ein bestehendes Video – etwa eine Ansprache der Geschäftsführung, ein Produkt-Demo oder einen Schulungsclip – und erzeugt daraus eine Fassung in einer anderen Sprache. Dabei wird der gesprochene Text erkannt und übersetzt, die Stimme der Sprecherin oder des Sprechers in der Zielsprache nachgebildet und die Lippenbewegung an die neue Tonspur angepasst. Für Zuschauende entsteht der Eindruck, die Person spreche die Zielsprache selbst.
Der Nutzen für international tätige Mittelständler liegt auf der Hand: Ein einmal gedrehtes Video lässt sich für Vertriebspartner, Tochtergesellschaften oder Kunden in anderen Ländern aufbereiten, ohne Synchronsprecher und ohne Nachdreh. Typischerweise lassen sich Übersetzungen vor dem Rendern prüfen und korrigieren, Fachbegriffe festlegen oder Glossare hinterlegen – der Umfang solcher Kontrollmöglichkeiten ist beim Anbieter zu prüfen. Wir empfehlen dringend, jede Übersetzung von einer muttersprachlichen Person freigeben zu lassen. Maschinelle Übersetzung macht Fehler, und ein Fehler wirkt besonders irritierend, wenn ihn scheinbar die reale Person selbst ausspricht.
Interaktive Avatare – teils auch als Streaming- oder Live-Avatare bezeichnet – gehen über vorproduzierte Videos hinaus. Sie reagieren in Echtzeit auf Fragen von Nutzerinnen und Nutzern, etwa auf einer Website, in einem Schulungsportal oder in einer Videokonferenz. Technisch wird dafür ein Sprachmodell oder eine Wissensbasis angebunden, die die Antworten erzeugt; der Avatar spricht sie mit Stimme und Mimik aus. Spracheingaben werden erkannt, sodass ein Dialog entsteht.
Einsatzszenarien sind etwa ein digitaler Ansprechpartner für häufige Produktfragen, ein Trainingspartner für Vertriebsgespräche, der Einwände simuliert, oder ein Onboarding-Begleiter für neue Mitarbeitende. Die Qualität eines solchen Systems hängt allerdings weniger vom Avatar ab als von der dahinterliegenden Wissensbasis und deren Pflege. Ein interaktiver Avatar, der falsche oder erfundene Antworten gibt, schadet dem Vertrauen mehr als ein schlichter Chatbot, weil er menschlicher wirkt. Zudem gelten hier besonders klare Transparenzpflichten: Nutzer müssen erkennen können, dass sie mit einem KI-System interagieren. Latenz, Kosten pro Gesprächsminute und Verfügbarkeit deutscher Sprache sind im Pilot zu prüfen.
Über die Programmierschnittstelle lassen sich Videos ohne Benutzeroberfläche erzeugen: Ein System übergibt Skript, Avatar, Stimme und Vorlage, die Plattform rendert das Video und meldet die Fertigstellung zurück. Das eröffnet zwei wichtige Muster. Erstens die Automatisierung wiederkehrender Videos, etwa wöchentliche Produkt-Updates aus einem Produktinformationssystem oder Schulungsclips aus einer Wissensdatenbank. Zweitens die Personalisierung in großer Zahl: Aus einer Vorlage entstehen hunderte Varianten, in denen der Avatar etwa den Namen des Empfängers, dessen Unternehmen oder ein passendes Produkt nennt.
Personalisierte Vertriebsvideos klingen verlockend, verlangen aber Augenmaß. Die Verarbeitung von Namen und Firmendaten der Empfänger ist eine Verarbeitung personenbezogener Daten, die eine Rechtsgrundlage braucht, und unaufgeforderte Werbeansprache unterliegt in Deutschland strengen wettbewerbsrechtlichen Grenzen. Zudem wirkt Massenpersonalisierung schnell beliebig, wenn sie nur den Namen austauscht. Sinnvoll ist sie dort, wo ein echter inhaltlicher Bezug besteht – etwa ein individuelles Angebotsvideo nach einem Erstgespräch oder ein Onboarding-Video für einen neuen Kunden.
Für API-Projekte gilt: Kosten entstehen nutzungsabhängig, meist über Guthaben oder Kontingente. Bevor eine Pipeline in Betrieb geht, sollten Volumen, Fehlerbehandlung, Freigabeprozesse und Speicherorte der erzeugten Videos geklärt sein.
HeyGen lässt sich auf mehreren Wegen in Prozesse einbinden. Der einfachste ist der Export: Videos werden als Datei heruntergeladen oder als Link geteilt und dann in Zielsystemen wie LMS, CMS oder Videoplattformen eingebunden. Für Schulungsinhalte ist zu prüfen, welche Exportformate und Untertiteldateien verfügbar sind und ob sich Videos in Lernpaketen nutzen lassen. Der zweite Weg sind vorgefertigte Integrationen mit verbreiteten Plattformen, etwa Design-, Marketing- oder CRM-Werkzeugen. Welche Integrationen aktuell angeboten werden und in welchem Umfang sie funktionieren, ändert sich häufig und ist beim Anbieter zu prüfen.
Der dritte Weg führt über Automatisierungsplattformen wie Zapier, Make oder n8n. Damit lassen sich Abläufe bauen, in denen etwa ein neuer Eintrag im CRM ein Video auslöst, das anschließend per E-Mail versendet oder in einem Ordner abgelegt wird. Der vierte und flexibelste Weg ist die direkte Nutzung der API durch eigene Entwicklung oder einen Dienstleister.
In der Praxis wird HeyGen selten allein eingesetzt. Skripte entstehen mit Unterstützung von Sprachmodellen, Übersetzungen werden mit spezialisierten Übersetzungsdiensten wie DeepL vorbereitet oder gegengeprüft, hochwertige Stimmen kommen gegebenenfalls von spezialisierten Sprachsynthese-Anbietern wie ElevenLabs, und für Schnitt oder Social-Media-Aufbereitung werden weitere Werkzeuge genutzt. Jede zusätzliche Komponente erweitert die Möglichkeiten – aber auch die Zahl der Stellen, an denen Daten verarbeitet werden. Für jede Komponente sind Auftragsverarbeitung, Serverstandort und Datenweitergabe gesondert zu prüfen.
Unsere Empfehlung: Beginnen Sie mit einem schlanken Aufbau aus wenigen, gut dokumentierten Bausteinen. Erst wenn Nutzen und Freigabeprozesse etabliert sind, lohnt sich die Erweiterung zu einer automatisierten Pipeline.
Ein oft unterschätzter Punkt ist die Verwaltung der erzeugten Videos. Werden Videos nur in der Plattform gespeichert, entsteht eine Abhängigkeit – bei Kündigung oder Tarifwechsel sind Inhalte möglicherweise nicht mehr zugänglich. Zudem müssen Videos mit Avataren realer Personen gelöscht oder ersetzt werden können, wenn eine Einwilligung widerrufen wird. Wir empfehlen deshalb, freigegebene Videos samt Skript, Version, Freigabedatum und verwendetem Avatar im eigenen System zu archivieren und eine Übersicht zu führen, in welchen Kanälen welche Videos mit welchem Avatar veröffentlicht sind.
Synthesia gilt als direkter Hauptwettbewerber. Beide Plattformen erzeugen Avatar-Videos aus Text, beide bieten eigene Avatare und Mehrsprachigkeit. Synthesia hat seine Herkunft in Europa und adressiert seit Langem stark Unternehmenskunden mit Schulungs- und Kommunikationsbedarf; Governance, Moderation und Freigabeprozesse stehen dort traditionell im Vordergrund. HeyGen ist häufig schneller bei neuen kreativen Funktionen und hat insbesondere bei der Videoübersetzung einen starken Ruf. Colossyan konzentriert sich deutlich auf Lernvideos mit didaktischen Elementen wie Szenarien und Interaktionen. Für ein Unternehmen mit hohen Compliance-Anforderungen kann eine Plattform mit europäischer Verankerung und EU-Hosting-Optionen die bessere Ausgangslage bieten – ob und in welcher Form EU-Hosting verfügbar ist, muss beim jeweiligen Anbieter geprüft werden.
Tavus versteht sich stärker als Entwicklerplattform. Im Vordergrund stehen personalisierte Videos über API und Konversations-Avatare, die sich in eigene Anwendungen einbetten lassen. Wer ein eigenes Produkt mit Avatar-Funktion bauen will, findet dort einen technisch orientierten Baukasten. D-ID ist bekannt für die Animation von Porträtfotos und sprechende Köpfe, inzwischen ebenfalls mit Agenten- und Echtzeitfunktionen. HeyGen liegt dazwischen: Es bietet eine vollständige Oberfläche für Fachanwender und zugleich eine API für Entwickler. Für Mittelständler, die sowohl Fachabteilungen als auch einzelne Automatisierungen bedienen wollen, ist diese Kombination attraktiv.
KI-Avatare ersetzen nicht jede Videoproduktion. Für Imagefilme, Employer-Branding-Kampagnen, emotionale Kundengeschichten oder hochwertige Werbespots bleibt die klassische Produktion überlegen, weil Authentizität, echte Orte und echte Menschen im Mittelpunkt stehen. Ein Recruiting-Video, in dem echte Auszubildende von ihrem Alltag erzählen, wirkt glaubwürdiger als jeder Avatar. Die Stärke von HeyGen liegt dort, wo viele, häufig aktualisierte oder mehrsprachige Inhalte benötigt werden. In der Praxis bewährt sich eine Kombination: hochwertige Kernvideos klassisch produziert, Varianten, Übersetzungen und Wissensinhalte mit KI erzeugt.
Im Betrieb bewährt sich eine klare Rollenteilung. Redakteurinnen und Redakteure erstellen Skripte und Videos, Fachverantwortliche prüfen die inhaltliche Richtigkeit, Muttersprachlerinnen und Muttersprachler geben Übersetzungen frei, und eine verantwortliche Stelle achtet auf Markenkonformität und Kennzeichnung. Besonders wichtig: Die Person, deren Avatar verwendet wird, sollte nachvollziehen können, in welchen Videos sie scheinbar auftritt, und bei Inhalten, die sie nicht vertreten möchte, ein Mitspracherecht haben. Das ist nicht nur rechtlich sinnvoll, sondern schützt auch das Vertrauensverhältnis.
Zugänge sollten personalisiert und über zentrale Anmeldung verwaltet werden, sofern die gewählte Stufe das unterstützt. Gemeinsam genutzte Konten erschweren die Nachvollziehbarkeit und sollten vermieden werden. Wer Avatare realer Personen verwalten darf, sollte auf wenige Berechtigte beschränkt sein.
Avatar-Videos werden von Mitarbeitenden und Kunden unterschiedlich aufgenommen. Manche schätzen die Effizienz und die Mehrsprachigkeit, andere empfinden synthetische Personen als unpersönlich oder sogar irritierend. Testen Sie die Akzeptanz früh mit echten Zielgruppen und holen Sie Feedback ein. Transparenz hilft: Ein offener Hinweis, dass ein Video mit KI erzeugt wurde, wird meist besser aufgenommen als der Versuch, das Synthetische zu verbergen. Für die Qualitätssicherung empfiehlt sich eine kurze Checkliste – Aussprache, Zahlen, Fachbegriffe, Lippensynchronität, Untertitel, Kennzeichnung, Freigabe –, die vor jeder Veröffentlichung abgehakt wird.
Im Vertrieb ist der größte Nutzen meist nicht die Massenpersonalisierung, sondern die Fähigkeit, Erklärungen konsistent und jederzeit verfügbar zu machen. Ein kurzes Video, das ein Angebot erläutert oder ein komplexes Produkt vorstellt, entlastet den Außendienst und erreicht auch Entscheider, die beim Termin nicht dabei waren. Mehrsprachige Fassungen öffnen Türen zu Partnern im Ausland. Wichtig ist, dass Kundinnen und Kunden nicht getäuscht werden: Ein Avatar, der so tut, als hätte der Vertriebsleiter persönlich ein Video aufgenommen, kann bei Entdeckung Vertrauen kosten. Ein offen gekennzeichnetes KI-Video wird dagegen meist akzeptiert.
Im Recruiting helfen Avatar-Videos, Informationen zu Bewerbungsprozess, Benefits oder Ausbildungswegen in mehreren Sprachen bereitzustellen – ein echter Vorteil bei der Gewinnung internationaler Fachkräfte. Für die emotionale Arbeitgebermarke sollten aber echte Menschen sprechen. Die Kombination aus authentischen Kernvideos und KI-gestützten Informationsvideos ist hier oft die beste Lösung.
Den klarsten wirtschaftlichen Nutzen sehen wir in Schulung und Produktdokumentation. Produzierende Unternehmen mit mehrsprachigen Belegschaften müssen Unterweisungen in verständlicher Form bereitstellen; Maschinenbauer müssen Kunden in vielen Ländern die Bedienung ihrer Anlagen erklären. Hier ändern sich Inhalte regelmäßig, und jede Änderung in jeder Sprache nachzudrehen, ist kaum finanzierbar. Mit Avatar-Videos und Videoübersetzung wird aus einer deutschen Vorlage ein mehrsprachiges Angebot, das sich bei Änderungen zentral aktualisieren lässt.
Realistisch bleiben muss man bei sicherheitsrelevanten Inhalten. Eine fehlerhafte Übersetzung in einer Sicherheitsunterweisung kann ernsthafte Folgen haben. Fachliche und sprachliche Freigaben sind hier unverzichtbar, und rechtlich vorgeschriebene Unterweisungen ersetzen KI-Videos nicht automatisch – sie können sie ergänzen. Klären Sie mit Fachkräften für Arbeitssicherheit, welche Inhalte sich eignen.
Für den Einstieg empfehlen wir einen Anwendungsfall mit überschaubarem Risiko und spürbarem Nutzen: etwa eine Serie kurzer Software-Erklärvideos für interne Nutzer oder die Übersetzung eines bestehenden Produktvideos in zwei Exportsprachen. Beides lässt sich mit Stock-Avataren oder mit einer einzelnen, gut dokumentierten Einwilligung umsetzen und liefert schnell Erfahrungswerte zu Qualität, Aufwand und Akzeptanz.
Konkrete Preise nennen wir nicht, weil sie sich häufig ändern und beim Anbieter zu prüfen sind. Qualitativ setzen sich die Kosten aus mehreren Elementen zusammen: einer Abonnementgebühr je nach Stufe und Nutzerzahl, Kontingenten für Videominuten oder Guthaben, Zusatzkosten für hochwertige Avatare, Videoübersetzung oder interaktive Avatare sowie nutzungsabhängigen API-Kosten. Enterprise-Konditionen werden individuell verhandelt.
Hinzu kommen interne Aufwände: Skripterstellung, fachliche und sprachliche Prüfung, Freigaben, Einwilligungsmanagement, Archivierung und gegebenenfalls Integrationsentwicklung. Ein realistischer Vergleich stellt diese Gesamtkosten den Kosten klassischer Produktion und Übersetzung gegenüber. Bei vielen, häufig aktualisierten und mehrsprachigen Videos fällt der Vergleich meist deutlich zugunsten der KI aus; bei wenigen, hochwertigen Einzelvideos oft nicht.
Bei der Nutzung von HeyGen werden personenbezogene Daten in der Regel an einen Anbieter in den USA übermittelt. Ein solcher Transfer kann auf das EU-US-Datenschutzrahmenwerk gestützt werden, sofern der Anbieter zertifiziert ist, oder auf Standardvertragsklauseln mit ergänzender Bewertung. Ob eine Zertifizierung besteht, welcher Mechanismus genutzt wird und wo die Server tatsächlich stehen, ist beim Anbieter zu prüfen. Unabhängig vom Transfermechanismus bleibt das Thema Datensouveränität: US-Anbieter unterliegen US-Recht, das unter bestimmten Voraussetzungen Behördenzugriffe ermöglicht. Zudem sollten Sie – wie in Kapitel 2 beschrieben – die Eigentümer- und Investorenstruktur sowie die Standorte von Entwicklungs- und Supportteams beim Anbieter prüfen.
Klären Sie außerdem, ob hochgeladene Videos, Stimmproben und Skripte für das Training von Modellen verwendet werden und ob sich das vertraglich ausschließen lässt. Für Unternehmen mit hohen Anforderungen an Datenhoheit sind Anbieter mit EU-Hosting und restriktiver Datennutzung die DSGVO-konformere Option – etwa europäisch verankerte Plattformen mit vertraglich zugesicherter Verarbeitung in der EU und ausgeschlossenem Training auf Kundendaten. Für besonders sensible Fälle kommen auch selbst betriebene Open-Source-Komponenten für Sprachsynthese und Lippensynchronisation infrage, die allerdings deutlich mehr technischen Aufwand erfordern und qualitativ nicht immer mithalten.
Wer eine reale Person als Avatar abbildet oder ihre Stimme klont, berührt das Recht am eigenen Bild, das allgemeine Persönlichkeitsrecht und den Datenschutz. Gesichts- und Stimmdaten, die zur eindeutigen Identifizierung verarbeitet werden, können als biometrische Daten und damit als besondere Kategorie personenbezogener Daten gelten. In der Praxis bedeutet das: Ohne ausdrückliche, informierte und dokumentierte Einwilligung der betroffenen Person sollte kein eigener Avatar und keine geklonte Stimme entstehen. Die Einwilligung sollte Zweck, Kanäle, Dauer, Art der Inhalte und die Möglichkeit des Widerrufs klar beschreiben.
Im Arbeitsverhältnis ist besondere Vorsicht geboten, weil die Freiwilligkeit einer Einwilligung wegen des Abhängigkeitsverhältnisses kritisch geprüft wird. Mitarbeitende dürfen keine Nachteile haben, wenn sie ablehnen. Zu regeln ist auch, was beim Ausscheiden geschieht: Der Avatar einer ehemaligen Mitarbeiterin, die weiterhin in Kundenvideos auftritt, kann rechtlich und menschlich problematisch werden. Wir empfehlen eine schriftliche Vereinbarung, gegebenenfalls eine angemessene Vergütung, eine Beteiligung des Betriebsrats und einen definierten Prozess zur Löschung von Avatar und Stimmmodell beim Anbieter. Für externe Personen – Kundinnen, Partner, Schauspieler – gelten vergleichbare Anforderungen, ergänzt um vertragliche Nutzungsrechte.
Die europäische KI-Verordnung sieht Transparenzpflichten für KI-generierte oder manipulierte Bild-, Ton- und Videoinhalte vor, die realen Personen ähneln und fälschlich als echt erscheinen können – sogenannte Deepfakes. Wer solche Inhalte einsetzt, muss nach diesen Regeln offenlegen, dass sie künstlich erzeugt oder verändert wurden. Für Systeme, die direkt mit Menschen interagieren, wie interaktive Avatare, gilt zusätzlich, dass Nutzer über die Interaktion mit einem KI-System informiert werden müssen. Nach aktuellem Stand gelten diese Pflichten seit August 2026; Details, Ausnahmen und etwaige Übergangsregelungen sowie Leitlinien der Behörden sollten Sie fortlaufend prüfen.
Praktisch empfehlen wir eine klare, sichtbare Kennzeichnung im Video oder im unmittelbaren Umfeld – etwa ein Hinweis im Vorspann, in der Einblendung oder im Begleittext – sowie eine interne Regel, dass kein Avatar-Video ohne Kennzeichnung veröffentlicht wird. Das entspricht nicht nur der Rechtslage, sondern schützt auch die Glaubwürdigkeit des Unternehmens.