KI-Video-Prompt schreiben: So klappt's schon beim ersten Versuch

Hallo, ich bin Felix Hoffmann, Content Lead bei Flami, und ich habe im letzten Jahr mehr KI-Video-Prompts geschrieben, als mir lieb ist. Die meisten sind sofort im Papierkorb gelandet. Deshalb geht es hier nicht um Zauberwörter, die ein Modell zum Gehorchen bringen. Die gibt es nicht. Es geht darum, wie ich aufgehört habe, Credits für Ausschuss zu verbrennen, und stattdessen beim ersten oder zweiten Versuch einen brauchbaren Clip bekomme.

Hier die Kernidee, falls du jetzt schon mit dem Lesen aufhören willst: Ein Modell errät nicht, was in deinem Kopf vorgeht. Es füllt einfach aus, was du weggelassen hast. Und es füllt mit dem Durchschnitt von allem, was es je gesehen hat: flacher Hintergrund, gleichmäßiges Licht, träge Bewegung. Je mehr du dem Modell überlässt, desto generischer wirkt das Ergebnis. Ein Prompt ist kein Zauberspruch. Es ist ein Briefing für jemanden, der dich wörtlich nimmt.

Bevor du überhaupt tippst

Nicht mit Text anfangen. Mit einem Bild im Kopf.

Bevor ich das Promptfeld öffne, beschreibe ich mir selbst laut ein einzelnes Frame. Was steht im Zentrum, was ist drumherum, woher kommt das Licht, was bewegt sich. Wenn ich die Szene nicht einmal selbst in Worte fassen kann, hat das Modell erst recht keine Chance, sie zusammenzusetzen. Klingt banal, aber genau hier scheitern die meisten Prompts. Jemand tippt „schönes Video von einer Kaffeemaschine“ und erwartet Magie.

Wo steht die Kaffeemaschine? Auf einer Küchenarbeitsplatte, im Studio, vor weißem Hintergrund? Ist das Licht Morgensonne durchs Fenster oder Studiolicht? Steht sie nur da, oder brüht sie gerade, mit einem Strahl Kaffee, der in die Tasse läuft? Fährt die Kamera, oder steht sie still? Aus solchen Antworten baut sich der Prompt auf.

Sechs Dinge, die jeder Prompt braucht

Ich habe sechs Kategorien im Kopf. Nicht jeder Prompt braucht alle sechs explizit ausformuliert, aber wenn ein Ergebnis danebengeht, fehlt meistens genau eine davon.

Zuerst das Motiv. Was genau im Bild steht. Nicht „das Produkt“, sondern „eine khakifarbene Steppjacke mit überdimensionierter, pelzbesetzter Kapuze“.

Dann der Schauplatz. Wo das Ganze spielt. Eine verschneite Straße, ein minimalistisches Studio, ein Holztisch am Fenster.

Drittens das Licht. Das ist die halbe Miete, und fast jeder vergisst es. Weiches, diffuses Licht, hartes Gegenlicht, warmes Abendlicht, kaltes Neon. Licht entscheidet, ob eine Aufnahme billig oder teuer aussieht.

Die Kamerabewegung. Langsame Kamerafahrt nach vorne, 360-Grad-Umkreisung, seitliche Verfolgungsfahrt, starres Stativ. Lässt du das weg, bleibt die Kamera meist einfach stehen, und der Clip wirkt wie ein Foto, das sich zufällig bewegt.

Die Aktion. Was in diesen paar Sekunden passiert. Hier sparen die meisten am falschen Ende. „Das Model steht da“ gegen „Das Model rückt die Kapuze zurecht, dreht sich eine Vierteldrehung, blickt in die Linse.“ Die zweite Variante lebt tatsächlich.

Und zum Schluss Stimmung und Stil. Kinohaft, gemütlich und selbstgedreht wirkend, schnelle Werbe-Energie, dokumentarisch. Das setzt den Gesamtton.

Runtergebrochen: Wer steht im Bild, wo steht er, wie ist er beleuchtet. Dann Kamera und Aktion. Die Stimmung füge ich meist zuletzt hinzu, wenn der Rest schon steht. Die Reihenfolge ist egal, aber keine dieser sechs Fragen sollte offenbleiben. Wo du eine Lücke lässt, rät das Modell daneben.

Ein echter Prompt, vorher und nachher

Ein Beispiel direkt aus meinen eigenen Tests. Produkt: ein Lederrucksack.

❌ Vorher: „video of a leather backpack for an ad“

Was dabei rauskam: der Rucksack schwebend vor grauem Hintergrund, leicht wackelnd, flaches Licht. Technisch gesehen ein Video. Praktisch gesehen Müll.

✅ Nachher: „A brown leather backpack sits on a wooden table by a window, soft morning light from the left, showing the texture of the leather and the stitching. Camera slowly circles around it, close-ups on the zipper and metal hardware. Warm, premium feel, like a high-end brand ad."

Die Credit-Kosten sind identisch. Der Qualitätsunterschied nicht. Das eine ist reif für eine Produktseite, das andere gehört in den Papierkorb. Und das ist noch nicht einmal die Obergrenze dessen, wie detailliert du werden kannst, dazu gleich mehr.

Länger ist besser, nicht schlechter

Das habe ich selbst lange falsch eingeschätzt, und ich will das hier richtigstellen, weil der gegenteilige Mythos überall herumgeistert. Es heißt oft, Prompts sollten kurz sein, sonst kommt das Modell durcheinander. Meiner Erfahrung nach ist es umgekehrt: Je konkreter du eine Szene beschreibst, desto näher kommt das Ergebnis dem, was du dir vorgestellt hast, und desto weniger improvisiert das Modell auf eigene Faust.

Ein kurzer Prompt ist nicht „sauber und effizient“. Er bedeutet viele leere Stellen, die das Modell mit irgendetwas Durchschnittlichem füllt. Und genau dieses Durchschnittliche ist das öde, graue Ergebnis, das niemand will. Bei mir schlägt ein detaillierter Prompt von 150 bis 200 Wörtern mit Sekunde-für-Sekunde-Aufschlüsselung einen kurzen Prompt praktisch immer.

Hier ein echtes Beispiel für das Niveau, das sich lohnt: eine UGC-Werbung für einen Mixer, Sekunde für Sekunde aufgeschlüsselt, mit Dialog.

"Vertical UGC video, 15 seconds, shot-on-iPhone aesthetic. A woman reviews and shows off a blender, not teaching a recipe, just genuinely excited about the product.
0–2 sec, hook: she holds the dark graphite blender base close to the camera with both hands, eyes wide, speaking directly into the lens: 'This blender changed my mornings.'
2–5 sec: she runs a finger across the matte body, presses the single round dial, slowly turns it, copper LED dots light up around it. She tilts her head, impressed: 'One dial. That's all it needs.'
5–8 sec: she lifts the clear glass pitcher, knocks on it with a knuckle, a solid sound, shows the blades from below: 'Glass, not plastic. You can see everything inside.'
8–11 sec: she clicks the pitcher onto the base, loads fruit, presses the dial, the blender starts instantly. She steps back, gestures at it: 'Hear how quiet that is?'
11–13 sec: she pours a smoothie, holds the glass up to the light, rich color, smooth texture: 'First try. No chunks.'
13–15 sec: she takes a sip, looks at the blender, then the camera, nods: 'Yeah. Worth it.'
Style: raw UGC review, vertical 9:16, warm natural light, clean kitchen counter, blender always in frame, slight handheld camera shake, no text overlays."

Das sind über zweihundert Wörter, und jedes einzelne macht etwas. Du siehst die Person, ihre Handlungen auf einer Zeitleiste, Dialog, Textur, Licht, Kameraverhalten. Das Modell muss sich kaum etwas ausdenken, weil alles ausformuliert ist. Ein solcher Clip klappt beim ersten oder zweiten Versuch, nicht beim zwanzigsten.

Nicht jedes Video braucht diesen Detailgrad. Eine einfache Produktumkreisung reicht mit drei Zeilen völlig aus. Aber wenn du etwas wirklich Beeindruckendes brauchst, ist das die Messlatte.

Der negative Prompt: Was raus muss

Nicht jedes Modell unterstützt das, aber wo es geht, lohnt es sich. Das ist eine Liste von Dingen, die im Bild nicht vorkommen sollen.

Fast immer schließe ich aus: zusätzliche Hände und Finger, verzerrte Schrift auf Verpackungen, Flackern, Unschärfe, Wasserzeichen, dieser wächserne Plastiklook auf Haut. Bei Produktvideos füge ich „keine fremden Logos“ hinzu, weil die KI gern irgendeine zufällige Marke auf das Shirt eines Models klatscht, und genau das fällt bei der Prüfung einer Marketplace-Anzeige negativ auf.

Ein Vorbehalt bleibt: Ein negativer Prompt ist kein Allheilmittel. Wenn der eigentliche Prompt schon chaotisch ist, retten Ausschlüsse nichts mehr. Erst den positiven Teil in Ordnung bringen.

Jedes Modell will seinen eigenen Prompt

Auch das habe ich auf die harte Tour gelernt, nachdem ich viel zu lange denselben Prompt für jedes Modell verwendet habe.

Veo 3.1 von Google versteht filmische Sprache gut. Du kannst damit wie mit einer Shotlist arbeiten: „backlighting“, „shallow depth of field“, „shot on a 50mm lens“. Es erzeugt außerdem native Audiospur, deshalb lohnt es sich, Soundhinweise einzubauen: „fabric rustling can be heard“, „faint city noise in the background“. Mehr dazu in diesem Review.

Kling 3.0 ist stark bei Bewegung und Text auf Verpackungen. Es hilft, Einstellungswechsel explizit zu benennen: „close-up, then medium shot, then wide“. Es kann bis zu sechs Frames in einer Generierung verarbeiten, das solltest du nutzen. Ausführlicher Beitrag zu Kling hier.

Hailuo ist die Wahl, wenn ein Gesicht wirklich spielen soll. Emotion direkt ausformulieren: „a small smile, then surprise“. Wan 2.7 beherrscht Physik besser als alles andere auf dem Markt: Wenn ein Produkt glaubwürdig funktionieren muss, ein Mixer dreht sich, ein Akkuschrauber bohrt tatsächlich, dann die Mechanik detailliert beschreiben.

Runway ist ein völlig anderes Tier, eher fürs Bearbeiten von bestehendem Material gebaut. Dort ist ein Prompt eine Anweisung, was sich ändern soll: dieses Objekt entfernen, den Hintergrund tauschen, Abendlicht hinzufügen. Einen eigenen Beitrag zu Aleph gibt's hier.

Das musst du dir nicht alles merken. Behalte nur im Kopf, dass dieselbe Formulierung bei verschiedenen Modellen unterschiedlich ankommt, und manchmal liegt ein schlechtes Ergebnis nicht am Prompt, sondern am falschen Modell für die Aufgabe.

10 Vorlagen, die ich ständig wiederverwende

Das sind Ausgangspunkte. Produkt austauschen, anpassen. Ich habe sie nach den Kategorien gruppiert, die bei Verkäufern am häufigsten vorkommen.

1. Produktumkreisung (universell). „[Product] on [surface/background], [light type]. Camera does a slow 360-degree orbit, with close-ups on detail. Clean studio feel.“
2. Funktionsdemo (Werkzeuge, Elektronik). „[Product] in action: [specific action]. Camera holds a tight shot on the process, result is visible. Energetic pacing, sharp focus on the function.“
3. Lifestyle (Kleidung, Beauty, Accessoires). „A person using [product] in [everyday setting], natural light, candid movement. Warm, everyday mood, camera loosely follows the action.“
4. Unboxing (Elektronik, Sets). „Hands open the [product] box, pull out contents, show what's included. Overhead and close-up shots. Clean background, soft light.“
5. Makro-Textur (Stoff, Lebensmittel, Materialien). „Extreme close-up of [product], texture and detail visible. Slow camera movement, soft side lighting emphasizes the surface.“
6. Vorher-Nachher (Kosmetik, Reinigungsmittel, Hautpflege). „[Product] applied to [surface/skin], before and after result shown. Clean frame, even lighting, focus on the change.“
7. Model-Showcase (Kleidung, Schuhe). „A model wearing [item] turns, showing fit, close-ups on details. Studio or outdoor light, confident movement.“
8. Appetitanreiz (Essen, Getränke). „[Dish/drink], appetizing presentation, [steam/drips/splashes], warm light. Slow camera movement, rich, saturated colors.“
9. Interieur-Szene (Wohnaccessoires, Deko). „[Product] in a realistic interior [room type], natural light from a window. Camera slowly tracks through, cozy mood.“
10. High-Energy-Werbung (Sport, Gadgets, Autozubehör). „[Product] in use, fast cuts between angles, energetic movement. High-contrast light, a sense of speed.“

Jede davon habe ich mindestens zwanzigmal umgeschrieben, bis sie für meinen Bedarf passte. Nimm sie als Startpunkt, nicht als Gesetz.

Typische Fehler, die Credits verbrennen

Es ist nicht die Länge, es ist das Durcheinander. Ich dachte lange, lange Prompts wären das Problem. Tatsächlich ist Unordnung das Problem, nicht die Wortzahl. Zweihundert fokussierte Wörter über eine Szene funktionieren hervorragend. Aber quetschst du drei unterschiedliche Szenen, fünf Stimmungen und einen Ortswechsel in einen Prompt, steigt das Modell aus. Eine Szene gründlich beschreiben, nicht versuchen, eine ganze Serie in einen Clip zu packen.

Widersprüche innerhalb des Prompts. „Statische Kamera“ direkt neben „dynamische Umkreisung“. Das Modell entscheidet sich für eins oder produziert Chaos. Noch mal durchlesen und auf Widersprüche prüfen.

Abstraktionen statt Bild. Wörter wie „hochwertig“, „Qualität“, „Emotion“ bedeuten für ein Modell gar nichts. Sie müssen in etwas Sichtbares übersetzt werden: hochwertig heißt weiches Licht, edel wirkende Textur, eine ruhige Kamera.

Und der Fehler, den ich selbst viel zu lange ignoriert habe: nach einem misslungenen Ergebnis nicht gleich aufgeben. Ein Prompt ist ein Iterationsprozess, keine Alles-oder-nichts-Wette. Generieren, schauen, was nicht stimmt, eine Variable ändern, noch mal laufen lassen. Nicht alles auf einmal umschreiben, sonst weißt du am Ende nicht, welche Änderung tatsächlich geholfen hat.

Wo du das alles ausprobieren kannst

Jedes Modell, das hier vorkommt, läuft bei Flami unter einem einzigen Abo. Praktisch, denn du kannst denselben Prompt durch Veo, Kling und Wan schicken und in Echtzeit sehen, wie unterschiedlich jedes davon deine Worte interpretiert. So wähle ich in etwa das passende Modell für eine neue Produktkategorie aus.

Und falls dir das Schreiben von Prompts von Grund auf zu aufwendig ist: Mit dem Modus „Video aus Produkt“ fügst du einfach den Link zu einer Produktseite ein und wählst eine fertige Vorlage. Der Prompt ist schon geschrieben und getestet, du bekommst nur noch den Clip. Willst du dagegen Kontrolle über deine eigene Idee hinter der Aufnahme, setz dich hin und schreib ihn selbst. Das zahlt sich aus.

Jetzt ausprobieren → flami.pro

FAQ

Was ist ein KI-Video-Prompt? Die Textbeschreibung des Clips, den du von einem Modell willst: was im Bild ist, wie das Licht aussieht, wie sich die Kamera bewegt, was passiert. Im Grunde ein Briefing für das Modell.

Wie lang sollte ein Prompt sein? So detailliert wie möglich. Ein kurzer Prompt wird mit generischen, flachen Entscheidungen aufgefüllt. Für ein wirklich starkes Ergebnis ist ein Prompt von 150 bis 200 Wörtern, nach Sekunden aufgeschlüsselt, mit Dialog und konkreten Details, völlig normal. Achte eher darauf, nicht mehrere Szenen in einen Prompt zu mischen, als auf die reine Länge.

Ist es schlimm, wenn der Prompt wenig Fachvokabular enthält, solange jedes Detail klar ist? Nein, das hilft sogar. Konkretheit schlägt Fachjargon fast immer, also funktionieren einfache Beschreibungen genauso gut, solange jedes Detail, das dir wichtig ist, ausformuliert ist.

Warum macht das Modell nicht das, was ich wollte? Drei übliche Gründe: Der Prompt ist zu abstrakt, er enthält Widersprüche, oder du hast das falsche Modell für die Aufgabe gewählt. Fang damit an, abstrakte Wörter in eine konkrete visuelle Beschreibung zu übersetzen.

Was ist ein negativer Prompt? Eine Liste von Dingen, die im Bild nicht auftauchen sollen: zusätzliche Finger, verzerrte Schrift, fremde Logos, Flackern. Nicht jedes Modell unterstützt das, aber wo es verfügbar ist, hilft es, das Ergebnis sauberer zu machen.

Quellen

1. Flami: Veo 3.1 im Test
2. Flami: Kling 3.0 im Test
3. Flami: Runway Aleph, ein Videoeditor auf Steroiden