KI-gestützte Videoerstellung für Medienhäuser

Das echte Ausmaß des Problems

Video ist das meistgenutzte Content-Format auf Instagram, TikTok, YouTube, LinkedIn und Facebook. Laut Reuters Digital News Report 2024 konsumieren 58 % der Deutschen Nachrichten primär über Online-Video-Plattformen. Nachrichtenanbieter, die keine Video-Präsenz haben, erreichen strukturell weniger unter-40-Jährige.

Gleichzeitig: Eine professionelle Videoproduktion kostet 3.000–15.000 Euro für 3–5 Minuten. Ein monatliches Video-Budget, das wettbewerbsfähig ist, erfordert von Redaktionen 50.000–150.000 Euro/Jahr plus Personalkosten für Videojournalisten und Cutter. Für kleine und mittlere Verlage ist das strukturell nicht machbar.

Das Ergebnis: Redaktionen haben guten Inhalt, aber kein Video-Format. Sie sehen, dass Video-Posts 5–10x mehr Reichweite erzielen als Text-Links — und können trotzdem nicht skalieren. KI-Videoproduktionswerkzeuge haben diese Lücke in den letzten zwei Jahren erheblich verkleinert, aber die Qualitätsunterschiede zu professioneller Produktion sind noch real.

Mit vs. ohne KI-Videoproduktion — ein ehrlicher Vergleich

Richtwerte aus Praxiserfahrungen mit Synthesia, Pictory und HeyGen (2023–2024). Qualitätsvergleiche subjektiv.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) KI-Videoproduktion spart erheblich gegenüber professioneller Produktion. Aber es bleibt noch echte Redakteurszeit für Skript, Qualitätskontrolle und Anpassung — eine vollautomatische “Artikel-zu-Video”-Pipeline ohne menschliche Kontrolle liefert selten social-taugliche Qualität. Im Medien-Vergleich liegt das in der Mitte.

Kosteneinsparung — hoch (4/5) Der Unterschied zwischen 200–500 Euro Freelancer-Kosten und 10–30 Euro Tool-Kosten pro Video ist direkt messbar. Bei 20 Videos/Monat: 4.000–10.000 Euro gespart gegenüber Freelancer-Produktion. Das ist einer der stärksten direkten Kostenhebel in der Medienbranche.

Schnelle Umsetzung — mittel (3/5) Erste Test-Videos entstehen in 1–2 Wochen. Aber bis ein konsistenter Stil und ein effizienter Workflow stehen, vergehen 4–8 Wochen Lernkurve. Die Tools sind nicht trivial — Qualität hängt stark von Skript und Bildauswahl ab, nicht nur vom Tool selbst.

ROI-Sicherheit — mittel (3/5) Mehr Video-Output = mehr Social-Media-Reichweite: Das ist messbar. Ob mehr Reichweite zu mehr Abonnenten oder Werbeumsatz führt, ist weniger direkt. Der erste Schritt des ROI (Reichweite) ist klar, die kommerzielle Übersetzung hängt vom Geschäftsmodell ab.

Skalierbarkeit — gering (2/5) Im Unterschied zur automatisierten Sportberichterstattung skaliert KI-Videoproduktion nicht ohne menschlichen Input. Jedes Video braucht Skript, Auswahl und Kontrolle. Das bedeutet: mehr Videos = nicht null Mehraufwand, sondern weniger Mehraufwand. Echter Scale ist erst mit vollautomatisierten Pipelines möglich, die aber höhere Qualitätsrisiken tragen.

Richtwerte — abhängig von Artikel-Komplexität, gewünschtem Qualitätsstandard und Redaktions-Workflow.

Was KI-Videoproduktion konkret macht

Der Prozess läuft in vier Schritten, von denen die ersten zwei automatisierbar sind:

Schritt 1 — Skript-Extraktion: LLM (z. B. ChatGPT oder claude-ai) kondensiert den Artikel auf die 3–5 wichtigsten Punkte für ein 60-Sekunden-Video. Wichtig: Skript für gesprochenes Wort optimieren, nicht für gelesenen Text — kürzere Sätze, aktivere Formulierungen.

Schritt 2 — Visual-Auswahl: KI wählt passende Stock-Footage oder Bilder automatisch aus Bibliotheken (Pexels, Shutterstock, interne Bilderdatenbank). Für erklärende Grafiken können Slide-Vorlagen mit variablen Textfeldern gefüllt werden.

Schritt 3 — Vertonung: Text-to-Speech mit natürlich klingender Stimme (elevenlabs, Murf, Azure Neural Voices). Alternativ: KI-Avatar-Sprecher (synthesia, heygen) für ein konsistentes Video-Erscheinungsbild.

Schritt 4 — Zusammenführung und Kontrolle: Automatischer Export in Social-Media-Formate (9:16 für Instagram/TikTok, 1:1 für LinkedIn, 16:9 für YouTube). Redakteur kontrolliert Skript-Korrektheit und Bild-Relevanz — 10–15 Minuten.

Konkrete Werkzeuge — was wann passt

pictory — Text-to-Video-Plattform, die Artikel in kurze Video-Clips umwandelt. Automatische Szenenauswahl aus Stock-Footage, automatische Untertitel. Ab 19 Euro/Monat (Basis). Gut für Redaktionen ohne Videokenntnisse, die schnell starten wollen.

synthesia — KI-Avatar-Sprecher-Plattform. Konsistenter Sprecher-Avatar statt Stock-Footage. Höhere Produktionsqualität, aber teurer (ab 22 Euro/Monat). Gut für Erklärvideos und News-Formate mit fester Moderator-Optik.

heygen — ähnlich wie Synthesia, mit mehr Anpassungsmöglichkeiten für Avatar-Design. Gut für Verlage, die einen individuellen “Marken-Sprecher” aufbauen wollen.

elevenlabs (kostenlos bis 10.000 Zeichen/Monat) — Sprachsynthese für Voice-Over. Kombinierbar mit Canva oder eigenem Video-Editor. Flexibelster Einstieg für Redaktionen, die bereits einen Video-Workflow haben.

canva (kostenlos für Basis-Features) — einfachste Einstiegsmöglichkeit. Canva Templates für Social-Video, Text-Animation, automatische Untertitel. Für Redaktionen ohne technische Ressourcen der schnellste Weg zu ersten Video-Posts.

Datenschutz und Datenhaltung

Wenn Stock-Footage oder lizenzpflichtige Bilder verwendet werden, müssen die Lizenzbedingungen für Video-Nutzung geprüft werden — viele Bild-Abos decken keine Video-Nutzung ab. KI-generierte Sprecher und Avatare: Urheberrechtlich für redaktionelle Nutzung in der Regel unproblematisch, aber die Nutzungsbedingungen der Plattformen sollten geprüft werden.

DSGVO-Relevanz: Wenn keine personenbezogenen Daten der Leser oder Mitarbeiter in die Video-Produktion einfließen, ist der Prozess datenschutzrechtlich unkompliziert. Ausnahme: Wenn Mitarbeiterbilder oder Stimmen für KI-Avatare verwendet werden, braucht es explizite Einwilligung der betreffenden Personen. Presserecht: Automatisch erstellte Videos unterliegen denselben journalistischen Sorgfaltspflichten wie manuell produzierte — KI-generierter Text muss von einem Redakteur freigegeben werden, bevor er veröffentlicht wird.

Synthesia und HeyGen sind in der EU zugänglich, aber US-Unternehmen. AVV-Verträge sind verfügbar. Für Verlage mit strengen Datenschutz-Anforderungen: Pictory bietet EU-Hosting-Optionen an.

Was es kostet — realistisch gerechnet

SaaS-Video-Stack (Pictory + ElevenLabs):

• Tool-Kosten: ca. 30–60 Euro/Monat
• Redakteurszeit je Video: 20–40 Minuten
• Ziel: 20 Videos/Monat → ca. 800 Minuten Redakteursaufwand + 30–60 Euro Toolkosten

Statt Freelancer-Budget: 20 Videos/Monat × 300 Euro Freelancer = 6.000 Euro gespart. Eigenaufwand: 800 Minuten intern + 60 Euro Tools. Netto: ca. 5.500 Euro gespart monatlich — wenn die Qualität für den Verwendungszweck ausreicht.

Konservatives Szenario: Nicht jede Redaktion schafft 20 Videos/Monat. Bei 8 Videos/Monat: 2.400 Euro Freelancer gespart, 320 Minuten Eigenaufwand + 60 Euro Tools. Immer noch positiver ROI, aber weniger spektakulär.

Wichtigste Einschränkung: KI-Videos sind erkennbar automatisiert produziert. Für Investigativ-Beiträge oder komplexe Themen ist professionelle Produktion unersetzlich. KI-Videos sind geeignet für: Erklärstücke, Ergebnismeldungen, Zusammenfassungen, News-Tickers.

Typische Einstiegsfehler

Skript direkt aus Artikel kopiert: Zeitungstext ist nicht Video-Skript. Lange Sätze, passive Konstruktionen und Fußnotenstil funktionieren gesprochen nicht — Videos mit zu dichtem Text erreichen auf TikTok und Instagram typischerweise weniger als halb so viele Aufrufe wie klar gesprochene Kurzformate. Abhilfe: Skript immer für gesprochene Sprache umschreiben; Sätze auf maximal 15 Wörter kürzen. Das ist die wichtigste Qualitätssteigerungsmaßnahme.

Stock-Footage thematisch unpassend: Wenn über Inflation berichtet wird und das Video Bilder von glücklich einkaufenden Menschen zeigt, wirkt es unglaubwürdig und senkt die Verweildauer messbar — thematisch falsche Visuals sind laut Plattform-Analysen einer der häufigsten Gründe für einen Abbruch in den ersten drei Sekunden. Abhilfe: Jedes Video einmal stumm abspielen und prüfen, ob die Bilder die Aussage des Skripts stützen. KI-Bildauswahl ist ein guter Startpunkt, aber braucht Redakteurs-Kontrolle.

Format nicht angepasst: 16:9-Videos auf Instagram = schwarze Balken oben und unten = schlechte Performance. Jedes Social-Netzwerk hat ein bevorzugtes Format — Videos müssen plattformspezifisch exportiert werden.

Zu viel Text im Video: Videos werden oft ohne Ton konsumiert (öffentlicher Nahverkehr). Untertitel sind Pflicht, aber auch Untertitel-Dichte muss passen — zu viel Text pro Sekunde = unlesbar.

Keinen Stil-Guide dokumentieren — und dann bei jedem Video von vorne anfangen: Wer einmal eine gute Video-Vorlage gebaut hat (Farben, Schriften, Untertitel-Stil, Intro-Länge), muss diese Entscheidungen dokumentieren. Ohne Stil-Guide produziert jeder Redakteur sein eigenes visuelles System, und der Kanal sieht nach drei Monaten aus wie fünf verschiedene Verlage.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: Die ersten Wochen sind Experimentierphase. Erster Test-Clip in Pictory: 30 Minuten. Ernüchterung: Stock-Footage passt nicht, Stimme klingt zu steif, Schnitt holprig. Zweiter Versuch: besser. Nach 8–10 Videos entsteht ein Gefühl für was funktioniert — und ein Mini-Stil-Guide. Ab Monat zwei: konsistentere Qualität, schnellere Produktion.

Was nicht passiert: Eine vollautomatische Pipeline, die jeden Artikel in ein publishbares Video verwandelt, ohne dass ein Mensch reinschaut. Der Qualitätssprung zwischen “automatisch generiert” und “social-tauglich” braucht immer 10–20 Minuten Redakteurszeit — mindestens.

Widerstand im Team: Nicht jeder Redakteur ist bereit, “Video-Produzent” zu werden. Die Aufgabe der Social-Media-Redakteurin ändert sich von “Posts schreiben” zu “Video-Pipeline managen”. Das ist eine andere Kompetenz und braucht Bereitschaft zur Weiterentwicklung.

Erfolgsmuster: Verlage, die früh einen dedizierten Verantwortlichen für den Video-Workflow benennen (nicht “alle machen das nebenbei”), haben bessere Ergebnisse. Eine Person, die den Prozess besitzt, die Vorlagen pflegt und die Qualität kontrolliert, macht mehr Unterschied als jede Tool-Auswahl.

Realistischer Zeitplan mit Risikohinweisen

Gesamtvorlauf bis stabiler Routine: 6–10 Wochen. Dann monatliche Iteration auf Basis von Reichweite-Daten.

Häufige Einwände — und was dahintersteckt

“KI-Videos sehen aus wie KI-Videos — das schadet dem Qualitäts-Image unserer Marke.” Für Investigativ-Beiträge: korrekt. Für Erklärstücke und Zusammenfassungen: weniger als vermutet. Nutzer auf TikTok und Instagram reagieren stärker auf Format-Relevanz als auf Produktionsqualität — solange der Inhalt stimmt. Der Test: Einen KI-Video-Clip mit einem professionellen Clip vergleichen bei gleicher Inhaltsqualität. Die Zahlen sprechen meistens deutlicher als die Intuition.

“Wir haben keine Person, die sich damit beschäftigen kann.” Das ist der häufigste Stopper — und der ehrlichste. KI-Videoproduktion braucht jemanden, der 3–5 Stunden pro Woche investiert, mindestens in den ersten drei Monaten. Wenn diese Person nicht da ist, ist der Start verfrüht. Besser: erst dann anfangen, wenn ein dedizierter Verantwortlicher benannt ist.

“Lizenzrecht und Urheberrecht bei KI-generierten Inhalten sind noch unklar.” Für KI-generierte Sprachsynthese (ElevenLabs, Azure): urheberrechtlich unproblematisch für redaktionelle Nutzung. Für KI-Avatar-Generatoren (Synthesia, HeyGen): Nutzungsbedingungen klar auf kommerzielle Nutzung ausgelegt. Für Stock-Footage in KI-Pipelines: Lizenzen prüfen — das ist der tatsächliche Risiko-Punkt, nicht die KI selbst.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Vorhandener guter Text-Content, dem Video-Verbreitung fehlt
• Social-Media-Präsenz ausbaufähig und Budget für professionelle Produktion nicht vorhanden
• Bereitschaft für 4–8 Wochen Lernkurve und Stil-Entwicklung
• Mindestens eine Person kann 3–5 Stunden/Woche in den neuen Workflow investieren

Das spricht dagegen:

• Hochkomplexe Themen oder investigativer Journalismus, der Glaubwürdigkeit durch Produktionsqualität braucht — dann bleibt professionelle Produktion unersetzlich
• Kein Redakteur mit Zeit für Skript und Kontrolle — vollautomatisch ohne Aufsicht führt zu Qualitätsproblemen, die den Ruf mehr kosten als der ROI einbringt
• Primäres Ziel ist Tiefgang, nicht Reichweite — dann ist Textformat weiter die stärkere Wahl
• Weniger als 5 Artikel pro Woche — die Amortisierung der Lernkurve dauert zu lange

Das kannst du heute noch tun

Melde dich kostenlos bei pictory an (kostenloser Trial, keine Kreditkarte nötig) und wandle einen eurer drei meistgelesenen Artikel der letzten Wochen in ein 60-Sekunden-Video um. Nutze dafür den Prompt unten für das Skript. Wenn das fertige Video auf LinkedIn oder Instagram veröffentlicht wird und mehr Reichweite erzielt als der ursprüngliche Text-Post: Proof-of-Concept erbracht.

Quellen & Methodik

• Reuters Institute: Digital News Report 2024 — Video-Konsum und Nachrichtenformat-Präferenzen in Deutschland
• BDZV: Social-Media-Strategie-Report für Verlage (2023)
• Synthesia/Pictory: Praxisberichte von Medienunternehmen (2023–2024)
• Hootsuite: Digital Report 2024 — Video-Engagement-Statistiken je Plattform
• Reuters Institute: Automation in Journalism Report 2023 — KI-Video und Qualitätsjournalismus