Der Prompt sagt Springen. Die KI sagt Nein.

Die Szene klingt zunächst nicht besonders kompliziert.

Eine Person steht auf dem Dach eines Hochhauses. Sie befindet sich an der Kante, springt. Die Kamera folgt ihr nach unten. Kurz vor dem erwarteten Aufprall wird das Bild schwarz.

Cut.

Für einen menschlichen Regisseur wäre damit zumindest klar, was gedreht werden soll. Wie die Szene sicher umgesetzt wird, ist eine andere Frage. Man könnte mit Stuntdouble, Matte, Greenscreen, Kabeln, Schnitt oder visuellen Effekten arbeiten.

Bei einem KI-Videomodell beginnt an dieser Stelle ein anderes Problem.

Die Szene wurde nicht generiert. Auch mehrere Varianten des Prompts änderten daran zunächst nichts.

Also folgte ein Versuch, die Situation innerhalb der Geschichte ausdrücklich als ungefährlich zu definieren: Die Kamera sollte während des Falls herauszoomen und zeigen, dass wir uns auf einem Filmset befinden. Die Figur springt nicht tatsächlich von einem Hochhaus, sondern landet sicher auf einer Matte.

Diesmal wurde die Generierung akzeptiert. Nur sprang die Figur trotzdem nicht. Sie trat von der Kante zurück, kniete sich hin und hielt sich die Hände vors Gesicht.

Das Ergebnis war technisch durchaus brauchbar. Es war nur nicht die Szene, die bestellt worden war.

Wie viel Regie ist mit generativer KI tatsächlich möglich, wenn das Werkzeug selbst entscheidet, welche Regieanweisung es ausführt?

1. War einfach der Prompt schlecht?

Das ist vermutlich die erste Reaktion vieler erfahrener KI-Anwender: Anders formulieren. Präziser schreiben. Kamera und Handlung besser beschreiben. Referenzen verwenden. Den Ablauf in einzelne Shots zerlegen.

Und manchmal stimmt das auch. Generative Videomodelle sind keine Schauspieler, denen man ein Drehbuch gibt und anschließend sagt: „Noch einmal, aber diesmal langsamer.“ Sie müssen aus Sprache, Referenzbildern und anderen Eingaben eine räumliche und zeitliche Abfolge konstruieren.

Eine Person steht an einer Kante. Sie springt. Ihr Körper fällt. Die Kamera folgt. Die Perspektive verändert sich. Anschließend wird ein Filmset sichtbar und die Person landet auf einer Matte. Was für uns eine Einstellung ist, enthält für ein Videomodell eine Reihe voneinander abhängiger Ereignisse.

Schon deshalb kann das Ergebnis scheitern. Aber genau hier liegt eine wichtige Unterscheidung:

Director-level Control ist nicht dasselbe wie Director-level Obedience.

In diesem Fall passierte etwas anderes als eine schlecht ausgeführte Kamerafahrt. Die Figur tat praktisch das Gegenteil dessen, was im Prompt verlangt wurde.

2. Wenn der KI-Schauspieler die Regieanweisung verweigert

Natürlich weigert sich hier kein Schauspieler im menschlichen Sinn. Das Modell besitzt keine Figur, die Angst bekommt, keine eigenen moralischen Bedenken und keinen Regisseur, mit dem es diskutiert.

Trotzdem entsteht aus Sicht des Filmemachers genau dieser Eindruck. Die Anweisung lautet: springen. Die generierte Figur tritt zurück. Die Anweisung lautet: die Kamera folgt. Die Figur kniet sich hin.

Das Modell produziert damit nicht lediglich eine schlechte Version der gewünschten Handlung. Es erzeugt eine alternative Handlung. Generative Systeme führen unsere Entscheidungen nicht einfach aus. Sie interpretieren sie.

Beim KI-Video wird diese abstrakte Frage plötzlich sehr praktisch. Denn irgendwann sitzt man tatsächlich vor einem virtuellen Schauspieler, der die Szene einfach nicht spielt.

3. Es gibt mindestens drei Arten von „Nein“

Das harte Nein

Der Prompt wird abgelehnt, bevor überhaupt ein Video entsteht. Hier greifen Moderations- oder Safety-Systeme. Je nach Plattform können mehrere Ebenen beteiligt sein – und der genaue Grund einer Ablehnung bleibt oft unsichtbar.

Das technische Nein

Der Prompt wird akzeptiert und das Modell versucht die gewünschte Szene zu erzeugen – bekommt sie aber nicht hin. Körperbewegungen stimmen nicht. Physik bricht zusammen. Figuren verändern sich. Die Kamera folgt nicht. Gegenstände verschwinden. Zeitliche Abläufe werden vertauscht.

Hier kann besseres Prompting tatsächlich helfen: ein anderer Startframe, eine Referenz, ein kürzerer Shot, eine andere Kameraperspektive oder schlicht weitere Versuche.

Das weiche Nein

Interessanter ist die dritte Variante. Der Prompt wird akzeptiert, das Modell erzeugt ein Video – aber eine zentrale Handlung wird verändert oder vermieden. Genau das passierte beim Hochhaus-Test.

Ob dabei ein Safety-System während der Generierung eingriff oder das Modell die problematische Handlung aufgrund seiner Trainings- und Steuerungsmechanismen in eine sicherere auflöste, lässt sich von außen nicht zuverlässig feststellen. Das Ergebnis bleibt dasselbe:

Die kreative Entscheidung des Regisseurs wurde nicht umgesetzt.

4. Das Problem ist nicht wirklich „NSFW“

Für Filmschaffende kann der Begriff irreführend sein. Safety-Systeme beschäftigen sich längst nicht nur mit Nacktheit oder Sexualität. Auch Selbstverletzung, Suizid, extreme Gewalt, gefährliche Handlungen oder besonders sensible Darstellungen Minderjähriger können Einschränkungen auslösen.

Im genannten Beispiel kommen gleich mehrere Signale zusammen: eine Person, eine Hochhauskante, ein bewusster Sprung und ein erwarteter tödlicher Aufprall. Selbst wenn es sich eindeutig um einen fiktionalen Film handelt, muss ein Moderationssystem zunächst erkennen, dass die Darstellung nicht reale Selbstgefährdung fördern soll.

Ein Safety-System kennt zunächst keine Dramaturgie. Es weiß nicht, was fünf Minuten später im Film passiert. Es kennt nicht automatisch die moralische Haltung eines Werkes. Es sieht Eingaben und versucht daraus Risiken abzuleiten. Das ist nachvollziehbar. Für Filmschaffende kann es trotzdem frustrierend sein.

5. Kann man die KI einfach überlisten?

Die Versuchung liegt nahe: Wenn ein Begriff blockiert wird, nimmt man einen anderen. Wenn eine Handlung nicht funktioniert, beschreibt man sie indirekt. Wenn das System eine Szene als gefährlich interpretiert, versucht man, den Filter sprachlich zu umgehen.

Doch damit wird aus Regie schnell ein Wettbewerb gegen das Sicherheitssystem. Das ist weder stabil noch besonders interessant. Die spannendere Frage lautet:

Wie erzähle ich die Szene anders?

Und überraschenderweise führt uns generative KI damit zurück zu einer sehr alten Disziplin: zum Filmemachen.

6. Der beste Workaround ist manchmal ein Schnitt

Ein Sprung muss nicht zwingend gezeigt werden, damit das Publikum versteht, dass jemand gesprungen ist.

Das Publikum verbindet die Bilder selbst. Film hat Ereignisse schon immer erzeugt, ohne sie vollständig zu zeigen. Horrorfilme lassen Gewalt außerhalb des Bildes stattfinden. Actionfilme verbinden Stunts aus mehreren Einstellungen. Das Entscheidende ist nicht, dass eine Kamera ein Ereignis vollständig dokumentiert. Entscheidend ist, dass der Zuschauer glaubt, es erlebt zu haben.

Vielleicht besteht die Kunst beim KI-Film deshalb nicht darin, das Modell zu zwingen, jeden gewünschten Shot zu erzeugen. Sondern darin zu erkennen, welchen Shot man überhaupt braucht.

7. Prompting wird erst interessant, wenn der Prompt nicht funktioniert

Ein einzelner perfekter Prompt ist eine attraktive Vorstellung. Man beschreibt eine Szene möglichst elegant, drückt auf Generate und erhält den Film. In der Praxis sieht kreative Arbeit häufig anders aus.

Eine Generation funktioniert. Die nächste nicht. Die Figur sieht richtig aus, bewegt sich aber falsch. Die Performance stimmt, dafür verändert sich die Location. Beim nächsten Versuch passt alles – bis auf die Kamera.

Dann verändert man den Prompt. Danach die Referenz. Dann den Anfangsframe. Vielleicht wird eine Einstellung in drei Shots zerlegt. Vielleicht verschwindet eine geplante Kamerafahrt vollständig aus dem Film, weil ein harter Schnitt am Ende ohnehin stärker funktioniert.

Ein Prompt ist eine Anweisung. Regie beginnt dort, wo die erste Anweisung nicht funktioniert.

8. Wie viel Arbeit steckt in fünf Sekunden KI-Film?

Das lässt sich kaum an der Länge des fertigen Clips erkennen. Eine fünfsekündige Einstellung kann beim ersten Versuch funktionieren. Oder nach zwanzig Generierungen immer noch nicht.

War die Formulierung falsch? War die Referenz ungeeignet? Ist die Bewegung für das Modell zu komplex? Widersprechen sich Kamera und Handlung? Greift ein Safety-System ein? Oder liegt diese spezielle Szene schlicht außerhalb dessen, was das Modell momentan zuverlässig beherrscht?

Die eigentliche kreative Fähigkeit besteht deshalb zunehmend darin, diese Unterschiede zu erkennen. Nicht jeder Fehler verlangt einen besseren Prompt. Manchmal braucht es ein anderes Modell. Manchmal einen anderen Shot. Manchmal eine andere Montage. Und manchmal muss eine Idee aufgegeben werden, weil zehn technisch beeindruckende Generierungen noch immer nicht das erzählen, was die Szene erzählen soll.

9. Der KI-Regisseur dirigiert kein Werkzeug mehr

Eine Kamera widerspricht ihrem Kameramann nicht. Ein Schnittprogramm entscheidet nicht, dass eine andere Szene dramaturgisch angemessener wäre. Ein Objektiv weigert sich nicht, eine bestimmte Person abzubilden. Generative Modelle verhalten sich anders.

Sie sind Werkzeuge, aber keine vollständig deterministischen Werkzeuge. Wir geben ihnen eine Richtung und erhalten eine Interpretation zurück.

Dadurch verschiebt sich auch die Rolle des Menschen. Der KI-Regisseur entscheidet nicht mehr über jedes einzelne Pixel. Seine Arbeit besteht stärker darin, Intentionen zu formulieren, Ergebnisse zu beurteilen, Varianten zu verwerfen, Grenzen zu erkennen und aus unvollkommenem Material einen Film entstehen zu lassen.

Das kann weniger handwerkliche Kontrolle bedeuten. Aber nicht zwangsläufig weniger kreative Arbeit. In manchen Fällen bedeutet es sogar mehr Entscheidungen.

10. Vielleicht ist Widerstand ein Teil der neuen Regie

Die Hochhaus-Szene entstand am Ende nicht so, wie sie ursprünglich beschrieben wurde. Man könnte das schlicht als Schwäche der Technologie betrachten. Und teilweise ist es das auch. Wenn ein Werkzeug mit Kontrolle wirbt, muss man benennen dürfen, wenn diese Kontrolle endet.

Gleichzeitig zwingt genau diese Grenze zu einer kreativen Entscheidung. Versuche ich weiter, denselben Shot zu erzwingen? Ändere ich die Inszenierung? Zeige ich weniger? Nutze ich Schnitt und Ton? Oder entdecke ich dadurch vielleicht sogar eine stärkere Szene?

Das macht aus einem technischen Problem noch keine künstlerische Tugend. Aber es macht sichtbar, wo menschliche Gestaltung tatsächlich beginnt. Denn solange die KI genau das liefert, was man bestellt hat, ist die Entscheidung einfach. Interessant wird es, wenn sie es nicht tut.

Dann reicht der Prompt nicht mehr. Dann braucht es Regie.