Technisch basieren die meisten aktuellen Text-zu-Video-Modelle auf sogenannten Diffusionsverfahren, häufig kombiniert mit Transformer-Architekturen. Vereinfacht gesagt lernt das Modell während des Trainings, aus zufälligem Rauschen schrittweise ein sinnvolles Bild zu formen – und bei Video nicht nur ein einzelnes Bild, sondern eine zeitlich zusammenhängende Folge von Bildern. Der Text-Prompt steuert dabei, was entstehen soll. Die eigentliche Schwierigkeit liegt in der zeitlichen Dimension: Ein Gesicht soll von Bild zu Bild dasselbe bleiben, eine Kaffeetasse darf nicht plötzlich verschwinden, eine Hand soll fünf Finger behalten, und Bewegungen sollen physikalisch plausibel wirken. Genau an diesen Stellen unterscheiden sich die Modelle bis heute spürbar.
Neben dem reinen Text-zu-Video-Modus bieten fast alle Plattformen weitere Betriebsarten an. Bei Image-to-Video dient ein Standbild als Ausgangspunkt, das animiert wird – für Unternehmen oft der wichtigere Modus, weil sich damit eigene Produktfotos, Illustrationen oder Markenbilder kontrolliert in Bewegung setzen lassen. Bei Video-to-Video wird ein vorhandenes Video im Stil verändert oder umgestaltet. Hinzu kommen Funktionen zur Verlängerung von Clips, zur Steuerung der Kamera, zur Bearbeitung einzelner Bildbereiche und – bei einigen Anbietern – zur Erzeugung von passendem Ton. Wenn in diesem Artikel von Text-to-Video die Rede ist, meinen wir dieses ganze Spektrum generativer Videowerkzeuge.
Der Markt bewegt sich in einem Tempo, das klassische Softwareauswahl überfordert. Neue Modellversionen erscheinen in kurzen Abständen, Funktionen wandern von der Beta in den Standard und wieder hinaus, Preismodelle ändern sich, und Ranglisten in Fachforen sind nach wenigen Wochen überholt. Hinzu kommt, dass öffentliche Demo-Videos sorgfältig ausgewählt sind – sie zeigen, was ein Modell im besten Fall kann, nicht, was es im Durchschnitt liefert. Ein belastbarer Vergleich muss deshalb auf stabilen Kriterien beruhen, die auch nach dem nächsten Modell-Update gelten, und auf eigenen Tests mit Prompts, die Ihre tatsächlichen Anwendungsfälle abbilden.
Wir vergleichen bewusst qualitativ. Sie finden hier keine Benchmark-Punktzahlen, keine Ranglistenplätze, keine Angaben zu maximalen Clip-Längen, Auflösungen oder Parameterzahlen und keine Preise. Diese Werte ändern sich zu schnell, um in einem Wissensartikel verlässlich zu sein, und sie sagen oft wenig über die Eignung im eigenen Kontext aus. Stattdessen beschreiben wir Anbietergruppen, charakteristische Stärken, Zugangswege und Rahmenbedingungen – und geben Ihnen ein Bewertungsraster an die Hand, mit dem Sie die jeweils aktuellen Versionen selbst prüfen können. Alle konkreten Angaben sind unmittelbar vor einer Entscheidung beim jeweiligen Anbieter zu verifizieren.
Bildqualität und Ästhetik beschreiben, wie scharf, detailreich und stimmig ein Video wirkt: Lichtführung, Texturen, Farben, Schärfentiefe und die Vermeidung typischer KI-Artefakte wie wabernder Hintergründe oder verschwimmender Kanten. Hier liegen die Spitzenmodelle inzwischen eng beieinander, Unterschiede zeigen sich vor allem im Stil – manche Modelle wirken eher filmisch, andere eher fotorealistisch oder werblich glatt.
Zeitliche Konsistenz ist die anspruchsvollste Dimension. Bleiben Gesichter, Kleidung, Logos und Objekte über die Dauer des Clips stabil? Verändert sich die Umgebung unmotiviert? Behalten Figuren ihre Identität, wenn sie sich drehen oder kurz aus dem Bild verschwinden? Eng damit verbunden ist die Bewegungs- und Physikplausibilität: Fließt Wasser glaubwürdig, fallen Gegenstände nach unten, greifen Hände tatsächlich zu? Gerade bei Menschen in Aktion und bei Interaktionen zwischen Objekten zeigen sich nach wie vor deutliche Unterschiede.
Steuerbarkeit und Prompt-Treue meint, wie genau das Modell umsetzt, was im Prompt steht – Anzahl und Anordnung von Objekten, Kamerabewegung, Stimmung, Stil – und wie gut sich das Ergebnis über Referenzbilder, Start- und Endbild oder Kamerasteuerung lenken lässt. Für Unternehmen ist diese Dimension oft wichtiger als die reine Bildqualität, weil sie über den Ausschuss entscheidet. Die vierte Dimension ist Audio: Einige Anbieter erzeugen inzwischen synchronen Ton – Umgebungsgeräusche, Effekte, teils auch Sprache – direkt mit dem Bild, andere liefern stumme Clips, die nachvertont werden müssen. Die fünfte Dimension ist Länge und Erweiterbarkeit: Wie lang sind einzelne Clips typischerweise, lassen sie sich verlängern, und wie gut gelingt der Übergang zwischen Segmenten? Konkrete Längen und Auflösungen ändern sich mit jeder Version und sind beim Anbieter zu prüfen.
Neben der Qualität der Ergebnisse entscheiden betriebliche Faktoren über die Eignung im Unternehmen. Dazu gehören die Zugangswege (Web-Oberfläche, API, Cloud-Marktplatz, Self-Hosting), die Nutzungsrechte an den erzeugten Videos und die Frage, ob kommerzielle Nutzung in der gewählten Tarifstufe erlaubt ist, die Datenverarbeitung – werden Prompts und hochgeladene Bilder zum Training verwendet, wo werden sie gespeichert, gibt es einen Auftragsverarbeitungsvertrag? –, die Kennzeichnung der Ergebnisse durch Wasserzeichen oder Herkunftsnachweise, die Teamfunktionen wie gemeinsame Arbeitsbereiche, Rollen und zentrale Abrechnung sowie die Stabilität des Angebots: Wie oft ändern sich Modelle und Konditionen, wie lange bleiben Versionen verfügbar, wie verlässlich ist der Dienst?
Das Raster funktioniert am besten, wenn Sie jedes Kriterium für Ihren Anwendungsfall gewichten und anschließend jedes getestete Werkzeug auf einer einfachen, intern festgelegten Skala bewerten – etwa von „unbrauchbar“ über „mit Nacharbeit nutzbar“ bis „direkt verwendbar“. Wichtig ist, dass mehrere Personen unabhängig voneinander bewerten, idealerweise ohne zu wissen, welches Video von welchem Werkzeug stammt. So vermeiden Sie, dass Markenbekanntheit oder persönliche Vorlieben das Ergebnis verzerren. Ausschlusskriterien wie fehlende kommerzielle Nutzungsrechte oder ein für Ihre Daten inakzeptabler Rechtsraum sollten vorab geprüft werden: Ein Werkzeug, das daran scheitert, muss gar nicht erst in den Qualitätstest.
Ein weiterer Tipp aus der Praxis: Bewerten Sie nicht nur das beste Ergebnis, sondern die Trefferquote. Wie viele Versuche braucht es im Schnitt, bis ein brauchbarer Clip entsteht? Ein Modell, das in der Spitze etwas schwächer ist, aber verlässlicher liefert, kann im Alltag deutlich wirtschaftlicher sein als eines, das gelegentlich brilliert und oft danebenliegt.
Die erste Stufe ist der strukturierte Prompt. Gute Prompts beschreiben Motiv, Handlung, Umgebung, Kameraperspektive und -bewegung, Licht, Stil und Stimmung in einer festen Reihenfolge. Viele Plattformen bieten zusätzlich negative Prompts, Stilvorlagen oder eine automatische Prompt-Erweiterung an, die kurze Eingaben anreichert – praktisch für Einsteiger, aber für reproduzierbare Ergebnisse oft hinderlich, weil die Erweiterung selbst variiert.
Die zweite Stufe sind Bildreferenzen. Ein Startbild legt Komposition, Farben und Motiv fest, ein Endbild das Ziel der Bewegung. Referenzbilder für Figuren, Produkte oder Stile helfen, die Konsistenz über mehrere Clips hinweg zu sichern. Für Unternehmen ist dieser Weg zentral: Wer ein eigenes Produktfoto als Startbild verwendet, bekommt das eigene Produkt – und nicht eine KI-Interpretation davon. Die dritte Stufe ist die Kamera- und Bewegungssteuerung: Einige Plattformen erlauben es, Kamerafahrten, Zoom, Schwenks oder die Bewegungsrichtung einzelner Objekte gezielt vorzugeben, teils über Pfeile oder Pinsel direkt im Bild. Die vierte Stufe ist die Bearbeitung vorhandener Clips: Bildbereiche austauschen, Objekte entfernen, Stil übertragen, Clips verlängern oder Übergänge erzeugen.
Interessant für Unternehmen wird Text-to-Video, wenn sich Abläufe wiederholen lassen: Produktvideos für einen ganzen Katalog, Varianten einer Kampagne für verschiedene Zielgruppen oder Kanäle, Visualisierungen für eine Reihe von Schulungsmodulen. Dafür braucht es Funktionen, die über die Weboberfläche hinausgehen. Dazu zählen Vorlagen und gespeicherte Stile, die Einstellungen konserviert, Seed-Werte, mit denen sich Ergebnisse annähernd reproduzieren lassen, Stapelverarbeitung mehrerer Prompts sowie eine API, über die sich Generierungen aus eigenen Systemen anstoßen lassen.
Bei offenen Modellen ist der Automatisierungsspielraum am größten. In Umgebungen wie ComfyUI lassen sich ganze Produktionsketten als Workflow abbilden: Prompt aus einer Tabelle lesen, Produktbild laden, Video erzeugen, hochskalieren, mit Logo und Untertitel versehen und im Zielverzeichnis ablegen. Zusätzlich lassen sich offene Modelle mit eigenen Daten nachtrainieren, etwa mit leichtgewichtigen Anpassungsverfahren wie LoRA, um einen bestimmten Stil oder ein Produkt verlässlicher darzustellen. Der Preis dafür ist technischer Aufwand – und die Verantwortung für Qualitätssicherung und Lizenzkonformität liegt vollständig beim eigenen Haus.
Die Weboberfläche ist der Standardzugang aller proprietären Anbieter. Sie eignet sich für kreative Einzelarbeit, Experimente und kleine Teams, bietet aber nur begrenzte Möglichkeiten zur Automatisierung und zur zentralen Kontrolle. Die Programmierschnittstelle ermöglicht es, Generierungen aus eigenen Anwendungen, Content-Management-Systemen oder Automatisierungswerkzeugen anzustoßen. Umfang, Verfügbarkeit und Konditionen der APIs unterscheiden sich erheblich und ändern sich häufig – manche Funktionen der Weboberfläche sind per API nicht verfügbar und umgekehrt.
Der dritte Weg führt über Cloud-Plattformen und Modell-Marktplätze. Veo ist etwa über Vertex AI in Google Cloud verfügbar, was Unternehmen bekannte Vertrags-, Abrechnungs- und Sicherheitsstrukturen bietet. Daneben gibt es Aggregatoren und Inferenzdienste, die mehrere Video-Modelle hinter einer einheitlichen Schnittstelle anbieten; das erleichtert Vergleiche und Wechsel, schiebt aber einen weiteren Dienstleister in die Datenkette. Der vierte Weg ist das Self-Hosting offener Modelle auf eigenen GPU-Servern oder bei einem europäischen Hoster – mit voller Kontrolle über Daten und Versionen.
Für viele Unternehmen entscheidet die Anbindung an vorhandene Werkzeuge über die Akzeptanz. Generative Videofunktionen tauchen zunehmend direkt in Schnittprogrammen, Design-Plattformen und Präsentationswerkzeugen auf, teils mit Modellen verschiedener Anbieter unter der Haube. Das senkt die Einstiegshürde, verschleiert aber manchmal, welches Modell und welcher Anbieter tatsächlich verarbeiten – ein Punkt, den Datenschutz und Einkauf kennen sollten. Ebenso relevant sind Automatisierungsplattformen und Low-Code-Werkzeuge, über die sich API-basierte Generierung mit Tabellen, Freigabeprozessen und Social-Media-Planung verbinden lässt.
Sora hat das Thema Text-to-Video bei seiner Vorstellung in die breite Öffentlichkeit gebracht. OpenAI betont das Weltverständnis des Modells, also die Fähigkeit, längere, zusammenhängende Szenen mit plausibler Physik und mehreren Akteuren zu erzeugen. Neuere Versionen kombinieren Bild und Ton und sind stark auf eine Consumer-App und soziales Teilen ausgerichtet. Für Unternehmen sind die Bedingungen der Zugangswege, die Verfügbarkeit einer API und die Datenschutzregelungen des jeweiligen Tarifs vor dem Einsatz genau zu prüfen.
Veo von Google gilt als eines der qualitativ stärksten Modelle, insbesondere bei filmischer Bildsprache, Lichtführung und nativ erzeugtem Ton. Sein großer Vorteil für Unternehmen ist die Einbettung in Google Cloud: Über Vertex AI lässt sich Veo mit Regionenwahl, Zugriffssteuerung und Unternehmensbedingungen nutzen, was die datenschutzrechtliche Bewertung gegenüber reinen Consumer-Diensten erleichtert. Runway wiederum punktet weniger mit einem einzelnen Modell als mit seiner Werkzeugumgebung: Bearbeitung, Bewegungssteuerung, Stilübertragung und Teamfunktionen machen es zu einer Art Kreativstudio. Luma Dream Machine verbindet eine besonders zugängliche Oberfläche mit ästhetisch ansprechenden, oft filmisch wirkenden Ergebnissen und flexiblen Kamerabewegungen. Pika positioniert sich als schnelles, unterhaltsames Werkzeug mit Effekten und Vorlagen, das besonders für kurze Social-Media-Formate interessant ist, weniger für anspruchsvolle Produktionen.
Kling hat sich mit überzeugender Bewegungsdarstellung, realistischen Menschen in Aktion und einem breiten Funktionsumfang – von Bildreferenzen über Kamera- und Bewegungssteuerung bis zu Lippensynchronisation und Effekten – einen festen Platz in vielen Vergleichen erarbeitet. Hailuo von MiniMax überzeugt in Anwendertests häufig mit ausdrucksstarken Bewegungen und guter Umsetzung des Prompts; MiniMax bietet zudem Sprach- und Musikmodelle, was kombinierte Workflows erleichtert. Beide Plattformen sind technisch klar konkurrenzfähig – die Einschränkungen liegen im Rechtsrahmen, nicht in der Qualität.
Bei den offenen Modellen hat Hunyuan Video gezeigt, dass frei verfügbare Gewichte eine Qualität erreichen können, die lange proprietären Diensten vorbehalten war. Achtung: Die Lizenzen der Hunyuan-Familie enthalten nach unserem Kenntnisstand Einschränkungen für bestimmte Regionen, die je nach Version auch die EU betreffen können – das ist vor jedem Einsatz im Wortlaut zu prüfen. Wan von Alibaba bietet ein breites Spektrum an Varianten, darunter kleinere Modelle, die auch auf weniger leistungsstarker Hardware laufen, und wird von gängigen Werkzeugen gut unterstützt. Mochi von Genmo verfolgt einen offenen Forschungsansatz mit einer vergleichsweise freizügigen Lizenz und eignet sich gut als Basis für eigene Anpassungen. Für alle offenen Modelle gilt: Der Abstand zu den Spitzenmodellen schwankt von Generation zu Generation, und der Bedienkomfort hängt stark von der gewählten Werkzeugumgebung ab.
Grundlage jeder Auswahl ist ein eigenes Testset. Stellen Sie eine überschaubare Sammlung von Prompts zusammen, die Ihre realen Anwendungsfälle abdeckt: ein Produkt in Bewegung, eine Person bei einer typischen Tätigkeit, eine Szene in Ihrem Umfeld – Werkhalle, Büro, Baustelle, Feld –, eine abstrakte Visualisierung, eine Szene mit Text oder Logo im Bild und ein bewusst schwieriger Fall mit mehreren interagierenden Objekten. Ergänzen Sie Image-to-Video-Tests mit eigenen Produktfotos oder Markenbildern, denn hier zeigt sich, wie treu ein Modell Vorlagen umsetzt.
Jeder Prompt wird auf jedem Kandidaten mehrfach generiert, damit Sie nicht nur Glückstreffer bewerten. Dokumentieren Sie Datum, Modellversion, Einstellungen und alle Ergebnisse. Die Bewertung erfolgt mit dem Raster aus Kapitel 03, möglichst verblindet und durch mehrere Personen aus Marketing, Fachabteilung und gegebenenfalls Recht. Halten Sie zusätzlich den Aufwand fest: Wie viele Versuche, wie viel Nachbearbeitung, wie viel Wartezeit? Das Testset bleibt erhalten und wird bei jedem relevanten Modell-Update oder jedem neuen Kandidaten erneut durchlaufen – so entsteht über die Zeit eine belastbare Entscheidungsgrundlage statt einer Momentaufnahme.
Gute Prompts sind Arbeit – und damit wertvolles Unternehmenswissen. Eine zentrale Prompt-Bibliothek sammelt erprobte Vorlagen mit Beispielergebnissen, Einstellungen, verwendeten Referenzbildern und Hinweisen, für welches Modell sie entwickelt wurden. Sinnvoll ist eine Gliederung nach Anwendungsfällen, etwa Produktszene, Imagefilm-B-Roll, Schulungsvisualisierung oder Social-Media-Clip, sowie eine Stilrichtlinie, die Kameraperspektiven, Lichtstimmung, Farbwelt und No-Gos Ihrer Marke festhält. Wichtig: Prompts sind nicht beliebig zwischen Modellen übertragbar. Was bei einem Anbieter hervorragend funktioniert, muss beim nächsten angepasst werden. Die Bibliothek sollte deshalb Versionen je Modell vorsehen und bei Modellwechseln mit dem Testset neu validiert werden.
Wer offene Video-Modelle selbst betreibt, sollte die Anforderungen realistisch einschätzen. Videogenerierung gehört zu den rechenintensivsten KI-Anwendungen überhaupt. Je nach Modell, Variante, Auflösung und Clip-Länge werden leistungsstarke Rechenzentrums-GPUs mit viel Grafikspeicher benötigt; kleinere Modellvarianten und Optimierungsverfahren wie Quantisierung oder Speicherauslagerung können die Anforderungen senken, oft auf Kosten von Geschwindigkeit oder Qualität. Konkrete Hardwareanforderungen nennen die Projekte in ihrer Dokumentation – sie sollten mit einem eigenen Probelauf verifiziert werden.
Für den Mittelstand sind drei Betriebsmodelle verbreitet: eigene GPU-Server im Rechenzentrum, gemietete GPU-Instanzen bei einem europäischen Cloud- oder Hosting-Anbieter und gemanagte Plattformen, die offene Modelle in einer europäischen Umgebung bereitstellen. Gemietete Kapazität bei einem EU-Hoster ist für den Einstieg meist der pragmatischste Weg: keine Investition, volle Kontrolle über das Modell, Daten im europäischen Rechtsraum. Zum Betrieb gehören außerdem eine Werkzeugumgebung wie ComfyUI oder eine eigene Pipeline, Zugriffsschutz, Protokollierung, Updates der Software-Abhängigkeiten und eine Person, die sich verantwortlich kümmert.
So vielseitig die Werkzeuge sind, es gibt Bereiche, in denen generierte Videos ungeeignet oder riskant sind. Dazu gehören exakte technische Darstellungen – die korrekte Montage eines Bauteils, die Bedienung einer realen Maschine oder sicherheitsrelevante Abläufe. Ein Modell, das plausibel aussehende, aber falsche Handgriffe zeigt, kann hier echten Schaden anrichten. Ebenso heikel sind Markenzeichen und Text im Bild: Logos, Schriftzüge und Produktbeschriftungen werden oft verfälscht und sollten nachträglich im Schnitt ergänzt werden. Und schließlich reale Personen: Die Erzeugung erkennbarer Personen ohne deren Einwilligung ist rechtlich und ethisch problematisch, ganz unabhängig davon, ob das Werkzeug es technisch zulässt.
Für den Start empfiehlt sich ein eng umrissenes Pilotprojekt. In der ersten Woche werden Anwendungsfall, Erfolgskriterien und Ausschlusskriterien festgelegt und zwei bis drei Kandidaten ausgewählt, darunter idealerweise ein proprietärer Dienst mit Unternehmensbedingungen und ein offenes Modell. In der zweiten Woche läuft das Testprotokoll mit eigenem Testset. In der dritten Woche entsteht ein echtes Produkt – etwa eine Social-Media-Serie oder ein illustriertes Schulungsmodul – inklusive Schnitt, Ton und Kennzeichnung. In der vierten Woche werden Aufwand, Qualität und Akzeptanz ausgewertet und eine Entscheidung über Werkzeug, Richtlinie und Betriebsmodell getroffen. Dieser Takt ist bewusst kurz: In einem Markt, der sich so schnell bewegt, ist ein früher, sauber dokumentierter Erfahrungswert mehr wert als eine monatelange Marktstudie.
Text-to-Video verändert die Zusammenarbeit zwischen Marketing, Fachabteilungen, Agenturen und Videoproduktionen. Es entstehen neue Aufgaben: Prompts entwickeln und pflegen, Ergebnisse kuratieren, Rechte und Kennzeichnung prüfen. Kreative Kompetenz bleibt dabei unverzichtbar – ein gutes Auge für Bildsprache, Dramaturgie und Marke entscheidet über die Qualität mehr als das Werkzeug. Transparenz gegenüber Mitarbeitenden und Kunden schafft Vertrauen: Wer offen kommuniziert, wo KI-generierte Bilder eingesetzt werden, vermeidet den Eindruck der Täuschung. Wo Mitarbeitende als Vorlage oder Motiv dienen, sind Einwilligungen einzuholen und gegebenenfalls der Betriebsrat einzubinden.
Die Kosten pro generiertem Clip sind nur ein Teil der Rechnung. Entscheidend ist der Ausschuss: Wenn für einen verwendbaren Clip mehrere Versuche nötig sind, vervielfachen sich die effektiven Kosten. Hinzu kommen Nachbearbeitung im Schnitt, Vertonung, Lizenzen für Musik und Stimmen, die Pflege der Prompt-Bibliothek, Schulung und Freigabeprozesse. Ein ehrlicher Vergleich setzt deshalb die Gesamtkosten eines fertigen Videos ins Verhältnis zu einer klassischen Produktion oder zu lizenziertem Stock-Material. In vielen Fällen ist der wirtschaftliche Vorteil groß – aber nicht überall, und nicht ohne eingespielten Prozess.
Bei US-Anbietern steht der Drittlandtransfer im Mittelpunkt. Werden personenbezogene Daten verarbeitet – etwa Fotos von Mitarbeitenden als Bildreferenz oder Prompts mit Namen –, ist zu prüfen, auf welcher Grundlage die Übermittlung erfolgt, ob der Anbieter einen Auftragsverarbeitungsvertrag anbietet, ob Eingaben zum Training verwendet werden und ob eine Verarbeitung in einer EU-Region möglich ist. Unternehmenszugänge über große Cloud-Plattformen bieten hier in der Regel deutlich bessere Voraussetzungen als Consumer-Apps. Auch mit EU-Region bleibt der Anbieter jedoch US-Recht unterworfen, was in die Bewertung einzubeziehen ist.
Bei chinesischen Cloud-Diensten wie Kling und Hailuo ist das Risikoprofil deutlich höher. Für Datenübermittlungen nach China existiert kein Angemessenheitsbeschluss der EU-Kommission; chinesische Gesetze können Unternehmen zur Zusammenarbeit mit staatlichen Stellen und zur Herausgabe von Daten verpflichten, und Betroffenenrechte sind dort nur schwer durchsetzbar. Auch wenn einzelne Anbieter internationale Versionen mit eigenen Bedingungen betreiben, bleibt unklar, wie wirksam diese Trennung im Ernstfall ist. Wir empfehlen deshalb, über die Cloud-Dienste chinesischer Anbieter keine personenbezogenen Daten, keine vertraulichen Produktinformationen und keine unveröffentlichten Designs zu verarbeiten. Wer die technische Qualität chinesischer Forschung nutzen möchte, findet mit offenen Modellen wie Wan oder – nach sorgfältiger Lizenzprüfung – Hunyuan Video einen deutlich besseren Weg: Self-Hosting der offenen Gewichte auf eigener Infrastruktur oder bei einem europäischen Hoster. Dann fließen keine Daten an den Hersteller, und die Verarbeitung bleibt vollständig in Ihrem Verantwortungsbereich.
Die europäische KI-Verordnung sieht Transparenzpflichten für synthetische Inhalte vor. Anbieter generativer Systeme sollen ihre Ausgaben maschinenlesbar als künstlich erzeugt markieren, und wer Deepfakes – also realistisch wirkende, künstlich erzeugte oder manipulierte Bild-, Ton- oder Videoinhalte, die echte Personen, Orte oder Ereignisse zu zeigen scheinen – veröffentlicht, muss dies grundsätzlich offenlegen. Für Unternehmen heißt das: Legen Sie fest, wie KI-generierte Videos gekennzeichnet werden, etwa durch einen Hinweis im Video, in der Beschreibung oder durch Herkunftsnachweise in den Metadaten, und entfernen Sie vorhandene Wasserzeichen oder Herkunftsmarkierungen nicht. Die Pflichten werden schrittweise wirksam; Details und Fristen sollten Sie im aktuellen Stand prüfen.
Beim Urheberrecht sind zwei Seiten zu beachten. Erstens die Eingabeseite: Referenzbilder, Musik oder Videos Dritter dürfen nur verwendet werden, wenn die Rechte dafür vorliegen, und Prompts, die gezielt geschützte Figuren, Marken oder den Stil bestimmter lebender Künstler nachahmen, bergen Risiken. Zweitens die Ausgabeseite: Rein KI-generierte Inhalte genießen in Deutschland nach herrschender Auffassung mangels menschlicher Schöpfung in der Regel keinen urheberrechtlichen Schutz – Wettbewerber könnten sie also unter Umständen übernehmen. Die vertraglichen Nutzungsrechte, die Anbieter je nach Tarif einräumen, unterscheiden sich zudem erheblich. Prüfen Sie diese vor kommerzieller Nutzung.