Um einzuordnen, was Veo leistet, lohnt sich ein kurzer Blick auf die klassische Videoproduktion. Ein einfaches Produktvideo für eine Messe oder einen Onlineshop erfordert bislang ein Drehbuch, einen Drehtag, Licht und Kamera, gegebenenfalls Sprecherinnen und Sprecher, einen Schnittplatz und mehrere Abstimmungsrunden. Für mittelständische Unternehmen ist das oft ein Projekt mit Vorlauf von Wochen und einem Budget, das man sich nur für wenige Formate im Jahr leistet. Entsprechend selten wird Bewegtbild eingesetzt – obwohl Video in sozialen Netzwerken, auf Produktseiten und im Vertrieb nachweislich mehr Aufmerksamkeit erzeugt als statische Bilder.
Ein Videogenerierungsmodell wie Veo verschiebt diese Gleichung. Statt eine Szene aufwendig zu drehen, wird sie beschrieben oder aus einem vorhandenen Foto heraus animiert. Statt einer einzigen Version entstehen in kurzer Zeit mehrere Varianten, aus denen das Team auswählt. Das ersetzt nicht jede Produktion – echte Kundenstimmen, reale Fertigungsabläufe oder präzise technische Demonstrationen bleiben Aufgabe der Kamera. Aber für Stimmungsbilder, Konzeptvisualisierungen, Social-Media-Clips, Storyboards und erste Entwürfe ist der Aufwand drastisch geringer geworden. Hinter diesem Sprung steht eine Modellarchitektur, die Bilder und Bewegungen gemeinsam lernt und dabei physikalische Plausibilität, Lichtverhältnisse und Kamerabewegungen erstaunlich gut nachbildet.
Videogenerierungsmodelle wie Veo basieren nach allem, was öffentlich bekannt ist, auf sogenannten Diffusionsverfahren in Kombination mit Transformer-Architekturen. Vereinfacht gesagt lernt das Modell aus sehr großen Mengen von Videos, wie sich Bildinhalte über die Zeit verändern: wie Wasser fließt, wie Stoff fällt, wie Licht über eine Oberfläche wandert oder wie sich eine Kamera um ein Objekt bewegt. Bei der Erzeugung startet das Modell gewissermaßen mit Rauschen und verfeinert es Schritt für Schritt zu einer Bildfolge, die zur Beschreibung passt. Ein Sprachverständnis-Baustein übersetzt dabei die Eingabe in eine Form, die das Videomodell steuert – deshalb profitieren Ergebnisse stark von präzisen, filmisch formulierten Anweisungen.
Wichtig für die Praxis: Veo „weiß“ nicht, wie Ihr Produkt aussieht, und kennt keine internen Details Ihres Unternehmens. Es erzeugt plausible Bilder auf Basis dessen, was es gelernt hat, und auf Basis der Bilder, die Sie ihm mitgeben. Ein exakt maßstabsgetreues Abbild einer Maschine mit allen Beschriftungen ist deshalb schwieriger als eine stimmungsvolle Szene, in der das Produkt eine Nebenrolle spielt. Diese Unterscheidung zwischen „atmosphärisch überzeugend“ und „technisch exakt“ zieht sich durch alle Einsatzszenarien.
Der Beitrag richtet sich an Geschäftsführung, Marketing- und Kommunikationsverantwortliche, IT-Leitung und Datenschutzbeauftragte in mittelständischen Unternehmen im DACH-Raum. Technische Vorkenntnisse sind nicht nötig. Nach der Lektüre sollten Sie einschätzen können, wofür sich Veo eignet, welcher Zugangsweg zu Ihrem Anspruch an Datenschutz und Kontrolle passt, wie sich Veo von Sora, Runway, Kling oder Luma unterscheidet und welche organisatorischen, rechtlichen und kostenseitigen Fragen vor einem produktiven Einsatz zu klären sind.
Wir arbeiten herstellerneutral und bewusst zurückhaltend mit konkreten Werten. Maximale Cliplängen, Auflösungen, Bildraten, Seitenverhältnisse, Kontingente und Preise ändern sich bei Veo mit jeder Modellgeneration und unterscheiden sich zudem zwischen Gemini App, Flow, API und Vertex AI. Statt Angaben zu nennen, die bald überholt sind, beschreiben wir Fähigkeiten qualitativ und sprechen von der „aktuellen Veo-Generation“. Alle konkreten Spezifikationen sollten Sie unmittelbar vor einer Entscheidung beim Anbieter prüfen.
Die ersten Veo-Versionen konzentrierten sich auf stumme Videoclips mit hoher Bildqualität und überzeugender Kameraführung. Spätere Generationen haben die Steuerbarkeit verbessert, die physikalische Plausibilität erhöht und – als markanter Schritt – die native Audiogenerierung eingeführt: Bild und Ton entstehen in einem gemeinsamen Durchgang, sodass Schritte, Motorengeräusche oder Dialoge zum Geschehen passen. Parallel hat Google schnellere Varianten veröffentlicht, die günstiger und für Entwürfe oder hohe Stückzahlen gedacht sind. Die genauen Bezeichnungen und Unterschiede wechseln regelmäßig; maßgeblich ist stets die aktuelle Modellübersicht des Anbieters.
Für den Unternehmenseinsatz lassen sich im Wesentlichen fünf Kanäle unterscheiden. Die Gemini App bietet Veo für Endnutzerinnen und Endnutzer an, meist gebunden an kostenpflichtige Abonnements mit begrenzten Kontingenten. Sie ist ideal zum Ausprobieren, aber für Firmendaten nur unter einem Unternehmenskonto mit geprüften Bedingungen sinnvoll. Flow ist ein von Google speziell für Filmschaffende entwickeltes Werkzeug, das Veo mit Bildmodellen und Gemini kombiniert: Szenen werden geplant, Figuren und Objekte über Referenzen konsistent gehalten, Clips aneinandergereiht und verlängert. Für Marketingteams, die mehr als Einzelclips brauchen, ist Flow oft der komfortabelste Einstieg.
Die Gemini API mit Google AI Studio erlaubt Entwicklern, Veo programmatisch aufzurufen – etwa um Videos automatisch aus Produktdaten zu erzeugen. Hier ist zwischen kostenlosem Testkontingent und kostenpflichtiger Nutzung zu unterscheiden, weil die Datennutzungsregeln abweichen können. Vertex AI stellt Veo als verwalteten Dienst in Google Cloud bereit, mit Regionenwahl, Zugriffssteuerung, Protokollierung und den Datenverarbeitungsbedingungen der Cloud. In Google Workspace schließlich tauchen Veo-Funktionen zunehmend in Anwendungen wie dem Videowerkzeug Vids auf, unter den Unternehmensbedingungen von Workspace. Welche Funktion in welcher Edition und Region verfügbar ist, ändert sich häufig.
Qualitativ positioniert Google Veo im oberen Segment der Videomodelle. Die Stärken liegen in der Bildqualität, in realistischen Bewegungen, in der Umsetzung filmischer Begriffe wie Kamerafahrt, Schärfeverlagerung oder Weitwinkel und – in den neueren Generationen – in der Verbindung von Bild und Ton aus einem Guss. Hinzu kommt die Einbettung in ein großes Ökosystem: Wer ohnehin Google Workspace oder Google Cloud nutzt, findet Veo dort, wo die Arbeit bereits stattfindet. Demgegenüber stehen die bekannten Einschränkungen eines US-Cloud-Dienstes: keine Möglichkeit zum Self-Hosting, Abhängigkeit von Kontingenten und Richtlinien des Anbieters und eine Datenschutzbewertung, die über die reine Vertragslage hinausgeht.
In unseren Praxiserfahrungen und in öffentlich zugänglichen Vergleichen fallen bei Veo vor allem drei Stärken auf. Erstens die Umsetzung filmischer Sprache: Begriffe wie Dolly-Fahrt, Drohnenperspektive, Makroaufnahme, geringe Schärfentiefe oder Gegenlicht werden zuverlässig verstanden und umgesetzt. Das macht Veo besonders interessant für Teams, die bereits in Bildern denken und ihre Vorstellungen präzise beschreiben können. Zweitens die physikalische Plausibilität: Flüssigkeiten, Stoffe, Spiegelungen und Lichtwechsel wirken in vielen Fällen glaubwürdig, auch wenn es weiterhin Ausreißer gibt. Drittens die Verbindung von Bild und Ton: Ein Clip, in dem eine Kaffeemaschine zischt, Tassen klirren und im Hintergrund Gespräche zu hören sind, entsteht in einem Durchgang und wirkt dadurch deutlich lebendiger als ein stummes Video mit nachträglich unterlegter Musik.
Hinzu kommt die Bild-zu-Video-Funktion, die für Unternehmen oft wertvoller ist als reines Text-zu-Video. Wer ein freigestelltes Produktfoto, eine CAD-Visualisierung oder ein Bild aus der eigenen Bildbibliothek als Ausgangspunkt nutzt, bleibt näher an der realen Optik. In Kombination mit Bildmodellen aus dem gleichen Ökosystem – etwa Nano Banana für die Bildbearbeitung – lässt sich so ein Ablauf gestalten, in dem erst ein Standbild perfektioniert und dann in Bewegung versetzt wird.
So beeindruckend die Ergebnisse sind: Veo ist kein Werkzeug für technische Präzision. Schrift im Bild, Logos, feine Beschriftungen und exakte Proportionen werden häufig verfälscht oder unleserlich. Komplexe Abläufe mit mehreren interagierenden Personen, präzise Handbewegungen oder mechanische Vorgänge, bei denen jedes Detail stimmen muss, gelingen nicht verlässlich. Jede Generierung ist zudem ein Stück weit Zufall: Dieselbe Eingabe liefert unterschiedliche Ergebnisse, und bis ein Clip wirklich passt, sind oft mehrere Durchläufe nötig. Die maximale Länge einzelner Clips ist begrenzt; längere Videos entstehen durch Montage und Verlängerung, wobei die Konsistenz über Schnitte hinweg nachlassen kann.
Schließlich greifen Sicherheitsfilter des Anbieters: Bestimmte Inhalte – etwa realistische Darstellungen bekannter Personen, Gewalt oder irreführende Szenarien – werden blockiert oder eingeschränkt. Für Unternehmen ist das grundsätzlich positiv, kann aber im Einzelfall auch harmlose Anfragen betreffen. Wer Veo in Abläufe einplant, sollte deshalb Puffer für Nachbearbeitung, alternative Formulierungen und gelegentlich auch klassische Produktion einkalkulieren.
Ein naheliegender erster Automatisierungsschritt ist die Kombination von Veo mit einem Sprachmodell wie Gemini. Statt dass Mitarbeitende jeden Prompt selbst ausformulieren, beschreibt das Team das Ziel in Alltagssprache – etwa „ein ruhiger Clip für LinkedIn, der unsere neue Pumpenserie in einer modernen Werkhalle zeigt“ – und Gemini übersetzt das in eine präzise Szenenbeschreibung mit Kamera, Licht und Ton. Gemini kann zudem ein kurzes Drehbuch mit mehreren Einstellungen entwerfen, Varianten für unterschiedliche Kanäle vorschlagen oder aus einem Produktdatenblatt die wichtigsten visuellen Merkmale herausarbeiten. In Flow ist diese Arbeitsteilung bereits angelegt; über die API lässt sie sich frei gestalten.
Wichtig ist dabei ein klarer Rahmen: Markenrichtlinien, Tonalität, verbotene Motive und Pflichtangaben sollten als feste Vorgaben in die Anweisungen an Gemini einfließen. So entsteht eine Art digitale Regieassistenz, die Vorschläge macht – die Entscheidung über Freigabe und Veröffentlichung bleibt beim Menschen.
Über die Gemini API oder Vertex AI lässt sich Veo programmatisch ansprechen. Damit werden Szenarien möglich, die mit manueller Arbeit nicht wirtschaftlich wären: Für jedes Produkt eines Sortiments entsteht aus Foto und Stammdaten ein kurzer Clip; für unterschiedliche Zielgruppen oder Sprachen werden Varianten eines Motivs erzeugt; saisonale Kampagnen werden mit wechselnden Hintergründen ausgespielt. Technisch läuft eine Videogenerierung asynchron: Die Anfrage wird gestellt, das Modell rechnet, und das Ergebnis wird nach einiger Zeit abgeholt und in einem Speicher abgelegt. Für die Integration bedeutet das Warteschlangen, Statusabfragen und eine saubere Fehlerbehandlung, wenn Filter greifen oder Kontingente erschöpft sind.
Jedes mit Veo erzeugte Video wird von Google mit SynthID versehen – einem von Google DeepMind entwickelten, für das menschliche Auge unsichtbaren digitalen Wasserzeichen, das in die Bild- und Tondaten eingebettet wird und auch nach typischen Bearbeitungen wie Zuschnitt oder Komprimierung erkennbar bleiben soll. In Endkundenprodukten kommt je nach Kanal ein sichtbares Wasserzeichen hinzu. Google bietet Prüfmöglichkeiten an, mit denen sich feststellen lässt, ob ein Inhalt das SynthID-Wasserzeichen trägt; zudem engagiert sich Google bei Herkunftsstandards wie C2PA-Metadaten. Für Unternehmen bedeutet das: Die technische Herkunftskennzeichnung ist bereits eingebaut, die sichtbare Kennzeichnung gegenüber dem Publikum bleibt aber Aufgabe des Unternehmens. In einer automatisierten Pipeline sollte die Kennzeichnung deshalb ein fester Prozessschritt sein – etwa als Texthinweis im Video, in der Bildunterschrift oder in den Metadaten der Veröffentlichung.
Für automatisierte und skalierbare Videoprozesse ist Vertex AI der zentrale Baustein. Die Plattform stellt Veo neben den Gemini-Modellen, Bildmodellen und Modellen für Sprache und Musik als verwalteten Dienst bereit. Unternehmen profitieren dort von Funktionen, die im produktiven Betrieb wichtig sind: Auswahl der Verarbeitungsregion, soweit für das jeweilige Modell angeboten, Identitäts- und Zugriffsverwaltung, Protokollierung aller Aufrufe, Kosten- und Quotensteuerung, Verschlüsselung und die Einbindung in bestehende Cloud-Speicher. Ergebnisse lassen sich direkt in Cloud Storage ablegen und von dort an ein Digital-Asset-Management, ein Content-Management-System oder einen Shop weitergeben.
Hinzu kommen Steuerungsmöglichkeiten, die für Unternehmen relevant sind, etwa Einstellungen zur Generierung von Personen, Sicherheitsfilter und – je nach Vertrag – Zusagen zur Haftungsfreistellung für generierte Inhalte. Welche dieser Zusagen für welches Veo-Modell gelten und welche Regionen konkret verfügbar sind, sollten Sie vor einer Entscheidung in der aktuellen Dokumentation und im Vertragswerk prüfen. Gerade bei neuen Modellversionen startet die Verfügbarkeit häufig zunächst in US-Regionen oder als Vorschau mit eingeschränkten Zusagen.
Für Teams ohne Entwicklerkapazität ist der Weg über Anwendungen naheliegender. In Google Workspace integriert Google generative Videofunktionen in das Videowerkzeug Vids, mit dem sich Präsentationen, Schulungs- und Erklärvideos aus Vorlagen, Skripten und eigenen Medien zusammenstellen lassen; Veo liefert dort kurze generierte Clips als Bausteine. Der Vorteil: Die Nutzung findet unter den Workspace-Unternehmensbedingungen statt, Dateien liegen in der gewohnten Drive-Umgebung, und Berechtigungen folgen den bestehenden Regeln. Flow richtet sich dagegen an Kreative, die mit Veo Geschichten erzählen wollen: mit Szenenübersicht, Referenzverwaltung, Kamerasteuerung und der Möglichkeit, Clips zu verlängern und zu montieren. Für Marketingabteilungen und Agenturpartner kann Flow den Weg von der Idee zum fertigen Kurzfilm deutlich verkürzen. Welche Lizenz für welchen Funktionsumfang nötig ist, ändert sich häufig.
Veo-Clips sind in der Regel Rohmaterial, das in bestehenden Werkzeugen weiterverarbeitet wird: im Schnittprogramm, in Präsentationssoftware, in Social-Media-Planern oder im Onlineshop. Über die API lassen sich Veo-Aufrufe zudem in Automatisierungsplattformen, Low-Code-Werkzeuge oder eigene Anwendungen einbinden. Verbreitet sind Kombinationen mit Text-to-Speech-Diensten für markenkonforme Sprecherstimmen, mit Avatar-Werkzeugen für Erklärvideos und mit klassischen Schnittprogrammen für Logo, Untertitel und Abspann. Achten Sie bei jeder Kette darauf, an welchen Stellen Daten den eigenen Verantwortungsbereich verlassen und welcher Anbieter welche Bedingungen hat.
Veo und Sora werden häufig in einem Atemzug genannt, weil beide aus großen KI-Laboren stammen und den Stand der Technik prägen. Beide erzeugen in ihren aktuellen Generationen beeindruckend realistische Clips mit Ton. Die Unterschiede liegen weniger in der reinen Bildqualität, die sich ständig verschiebt, als im Umfeld: Veo ist eng mit Google Cloud, Workspace und dem Filmwerkzeug Flow verzahnt, Sora mit der OpenAI-Welt und – über Partnerschaften – teils mit Microsoft-Diensten. Für Unternehmen ist deshalb häufig die bestehende IT-Landschaft das entscheidende Kriterium: Wer bereits Vertex AI und Workspace nutzt, findet mit Veo einen kürzeren Weg zu geregelten Unternehmensbedingungen.
Runway hat sich als Werkzeugkasten für Kreative etabliert und bietet neben eigenen Modellen umfangreiche Bearbeitungsfunktionen – stark, wenn Videos nicht nur erzeugt, sondern intensiv nachbearbeitet werden. Kling AI überzeugt mit dynamischen Bewegungen und günstigen Konditionen, stammt aber von einem chinesischen Anbieter, was die Bewertung des Datentransfers für europäische Unternehmen zusätzlich erschwert. Luma setzt auf schnelle, zugängliche Generierung. Für Avatar-basierte Erklärvideos mit sprechenden Personen sind wiederum spezialisierte Plattformen wie Synthesia oft die passendere Wahl als ein generelles Videomodell. In vielen Projekten ist deshalb nicht die Frage „Veo oder X“ entscheidend, sondern welche Kombination von Werkzeugen den eigenen Ablauf am besten abbildet.
Neben den kommerziellen Cloud-Diensten gibt es offene Videomodelle, deren Gewichte sich herunterladen und auf eigener Hardware oder bei einem europäischen Hoster betreiben lassen. Ihre Qualität hat stark aufgeholt, liegt aber in Komfort, Steuerbarkeit und Tonfähigkeit meist hinter den Spitzenmodellen. Der Betrieb erfordert leistungsfähige Grafikprozessoren und technisches Know-how. Dafür bleiben Eingaben und Ergebnisse vollständig im eigenen Verantwortungsbereich, es gibt keine Abhängigkeit von Kontingenten und Richtlinien eines US-Anbieters, und die Kosten skalieren mit der eigenen Infrastruktur statt mit einem Preismodell pro Sekunde. Für Unternehmen mit hohem Schutzbedarf – etwa wenn unveröffentlichte Produkte visualisiert werden – ist das eine ernsthafte Option.
Wir empfehlen ein Vorgehen in vier Phasen. In der Orientierungsphase werden Ziele, mögliche Anwendungsfälle und der Rahmen geklärt: Welche Formate sollen entstehen, wer ist beteiligt, welche Daten fließen ein, welcher Zugangsweg kommt in Frage? In der Testphase erzeugt ein kleines Team unter einem Unternehmenszugang Clips für zwei oder drei konkrete Anwendungsfälle, vergleicht gegebenenfalls Veo mit Alternativen und dokumentiert Aufwand, Qualität und Fehlversuche. In der Pilotphase wird ein Anwendungsfall unter realen Bedingungen umgesetzt – mit Freigabeprozess, Kennzeichnung, Ablage und Erfolgsmessung. Erst danach folgt die Skalierung auf weitere Teams, Formate oder automatisierte Pipelines.
Ein zentrales Element jeder Einführung ist eine schriftliche Richtlinie für generative Medien. Sie regelt, welche Zugänge erlaubt sind, welche Inhalte nicht erzeugt werden dürfen – etwa reale Personen ohne Einwilligung, Mitbewerberprodukte, irreführende Darstellungen von Produkteigenschaften –, wer Clips freigibt und wie sie gekennzeichnet werden. Für die Kennzeichnung empfiehlt sich eine einheitliche Formulierung, etwa ein Hinweis „KI-generiert“ im Video oder in der Beschreibung. Die europäische KI-Verordnung sieht Transparenzpflichten für Deepfakes und bestimmte KI-generierte Inhalte vor; zusätzlich verlangen viele Plattformen eine Offenlegung realistisch wirkender KI-Inhalte. Unabhängig von der genauen rechtlichen Einordnung im Einzelfall schafft eine konsequente Kennzeichnung Vertrauen bei Kunden und schützt vor dem Vorwurf der Täuschung.
Ebenso wichtig ist ein klarer Freigabeprozess. Generierte Videos sollten vor der Veröffentlichung von mindestens einer fachkundigen Person geprüft werden: Stimmen Produktdarstellung und Aussagen? Entspricht der Clip der Markenwelt? Sind ungewollte Details entstanden – etwa verzerrte Schrift, fremde Logos oder unpassende Hintergrundgeräusche? Bei Werbeaussagen gelten zudem die Regeln des Wettbewerbsrechts; ein KI-Clip darf ein Produkt nicht besser darstellen, als es ist.
Im laufenden Betrieb sind drei Themen dauerhaft zu pflegen. Erstens Modellwechsel: Google entwickelt Veo regelmäßig weiter und stellt ältere Versionen ein. Prompts und Abläufe, die heute funktionieren, können sich mit einer neuen Version anders verhalten. Eine kleine Sammlung von Referenz-Prompts hilft, Änderungen schnell zu erkennen. Zweitens Kostenkontrolle: Da jede Generierung Kosten verursacht und oft mehrere Versuche nötig sind, sollten Budgets, Kontingente und Warnschwellen eingerichtet werden. Drittens Archivierung und Nachweis: Für spätere Rückfragen ist es sinnvoll, zu jedem veröffentlichten Clip Prompt, Modellversion, Datum, Referenzbilder und Freigabe zu dokumentieren. Das erleichtert auch die Erfüllung möglicher Nachweispflichten und Antworten auf Fragen von Kunden oder Plattformen.
Die Ergebnisse von Veo sind oft verblüffend – aber nicht jeder Clip ist sofort verwendbar. Erfahrungsgemäß braucht es mehrere Versuche, bis Motiv, Bewegung und Ton passen, und manche Ideen lassen sich mit dem Modell schlicht nicht zuverlässig umsetzen. Wer Veo einführt, sollte deshalb nicht mit einem Ersatz für die gesamte Videoproduktion rechnen, sondern mit einer Ergänzung: mehr Bewegtbild für Formate, die bisher gar kein Video hatten, schnellere Entwürfe und Varianten, günstigere Stimmungsbilder. Reale Referenzen, echte Kundenstimmen und präzise Produktdemonstrationen bleiben wichtig – gerade sie schaffen Glaubwürdigkeit, die ein generiertes Video nicht ersetzen kann. Ein realistischer Maßstab für den Erfolg ist daher nicht „wie viel Produktion fällt weg“, sondern „wie viel mehr wirkungsvolles Bewegtbild entsteht mit vertretbarem Aufwand“.
Gerade im Mittelstand, wo Vertrauen und persönliche Beziehungen eine große Rolle spielen, ist der Umgang mit KI-generierten Bildern eine Frage der Markenführung. Ein Clip, der eine perfekte, aber nicht existierende Fertigungshalle zeigt, kann bei Kunden, die den echten Standort kennen, Irritation auslösen. Generierte Szenen sollten deshalb bewusst eingesetzt werden: für Symbolik, Stimmung und Konzepte – nicht als vermeintlicher Beweis für reale Gegebenheiten. Eine offene Kommunikation – „dieses Video wurde mit KI erstellt“ – wirkt in der Regel souveräner als der Versuch, die Herkunft zu verschleiern. Zudem sollte die Bildsprache konsistent bleiben: Eine Prompt-Bibliothek mit Markenfarben, Lichtstimmungen und typischen Einstellungen hilft, dass KI-Clips wie aus einem Guss wirken.
Ein guter Startpunkt ist klar abgegrenzt, schnell sichtbar und mit geringem Rechtsrisiko verbunden. Bewährt haben sich Social-Media-Clips mit symbolischen Motiven, animierte Produktfotos für den Onlineshop und Storyboards für geplante Videoproduktionen. Diese Formate enthalten in der Regel keine personenbezogenen Daten, das Ergebnis lässt sich gut bewerten, und Fehler sind leicht zu korrigieren. Anspruchsvoller sind Formate mit realistisch wirkenden Personen, mit Aussagen zu Produkteigenschaften oder mit unveröffentlichten Produkten – hier sollten Richtlinien, Freigabe und Zugangsweg vorab sauber geklärt sein.
Bei generativem Video unterscheidet sich das Kostenprofil deutlich von Textanwendungen. Jede Sekunde generiertes Video verursacht spürbare Rechenkosten, und weil selten der erste Versuch passt, multipliziert sich der Verbrauch mit der Zahl der Iterationen. Eine sinnvolle Strategie ist, Entwürfe mit der schnellen, günstigeren Variante zu erzeugen und nur ausgewählte Motive mit der Qualitätsvariante final zu rendern. Clips mit Ton können anders bepreist sein als stumme Clips. Für Abonnements gilt: Kontingente sind begrenzt, und wer intensiv arbeitet, stößt schnell an Grenzen. Der größte Posten liegt jedoch oft außerhalb der Modellnutzung – in Konzeption, Prompt-Arbeit, Nachbearbeitung, Freigabe und Integration. Wer diese Aufwände ehrlich einplant, kann den tatsächlichen Nutzen fair mit klassischer Produktion vergleichen.
Auf den ersten Blick wirkt Videogenerierung datenschutzrechtlich unkritisch, weil oft nur ein Text eingegeben wird. Tatsächlich fließen aber häufig Unternehmensdaten ein: unveröffentlichte Produktfotos, Konstruktionsvisualisierungen, Bilder von Mitarbeitenden, Stimmaufnahmen oder interne Kampagnenpläne. Sobald personenbezogene Daten betroffen sind – etwa Fotos realer Personen als Referenzbild –, greift die DSGVO vollumfänglich. Auch Geschäftsgeheimnisse verdienen Schutz, wenn etwa ein noch nicht angekündigtes Produkt animiert wird.
Google ist auch mit Unternehmensvertrag ein US-Unternehmen. Für die Bewertung bedeutet das: Der Drittlandbezug ist zu prüfen, einschließlich der Frage möglicher Zugriffe durch US-Behörden, auch wenn Daten in europäischen Rechenzentren verarbeitet werden. Rechtsgrundlagen für den Transfer, Standardvertragsklauseln und Zertifizierungen sichern ab, beseitigen die strukturelle Abhängigkeit aber nicht. Für den produktiven Einsatz mit Firmenmaterial empfehlen wir deshalb in erster Linie Vertex AI mit einer EU-Region, sofern das gewünschte Veo-Modell dort angeboten wird – das ist bei neuen Versionen nicht immer von Beginn an der Fall und unbedingt zu prüfen. Dort lassen sich Verarbeitungsort, Zugriffe, Protokollierung und Speicherfristen steuern, und Google sagt unter den Cloud-Bedingungen zu, Kundendaten nicht zum Training zu verwenden. Für besonders sensible Inhalte ist das Self-Hosting offener Videomodelle auf eigener Hardware oder bei einem europäischen Hoster die DSGVO-konformere und souveränere Option – um den Preis geringerer Qualität und höheren Eigenaufwands. Viele Unternehmen kombinieren beide Wege und entscheiden je nach Schutzbedarf.
Neben dem Datenschutz stellen sich bei generierten Videos Fragen nach Rechten. Nach verbreiteter Auffassung genießen rein maschinell erzeugte Inhalte in Deutschland nur eingeschränkt urheberrechtlichen Schutz, was die Durchsetzung eigener Rechte an einem Clip erschweren kann. Umgekehrt dürfen Referenzbilder, Logos, Musik oder Stimmen Dritter nur mit entsprechenden Rechten eingesetzt werden. Google räumt Kunden nach seinen Bedingungen weitreichende Nutzungsmöglichkeiten an den Ergebnissen ein und bietet für bestimmte Unternehmensangebote Haftungsfreistellungen an; Umfang und Voraussetzungen sind im aktuellen Vertragswerk zu prüfen. Die europäische KI-Verordnung verpflichtet Anbieter generativer Systeme zu maschinenlesbarer Kennzeichnung – SynthID ist Googles Antwort darauf – und Betreiber, also Unternehmen, die solche Inhalte veröffentlichen, unter bestimmten Voraussetzungen zur Offenlegung, insbesondere bei Deepfakes, also realistisch wirkenden Darstellungen von Personen, Orten oder Ereignissen. Eine konsequente, sichtbare Kennzeichnung aller KI-generierten Videos ist deshalb der pragmatische und vertrauensbildende Weg.