Du tippst einen Prompt ein. Manchmal kommt etwas Brauchbares raus, meistens nicht. Du änderst ein paar Wörter und hoffst auf Besseres. Das ist kein Workflow, das ist Glücksspiel. Der Grund: Die meisten Prompts beschreiben nur, was zu sehen sein soll. Ein Bild hat aber vier Dimensionen.

Wer nur eine Dimension bedient, überlässt drei dem Zufall.

K1 – Konzept beantwortet die Frage: Was ist zu sehen und in welchem Medium? Subjekt plus Darstellungsform, vom Foto bis zur Pixel Art. Das Medium ist der mächtigste einzelne Hebel im ganzen Framework. Gleiches Subjekt, anderes Medium, komplett anderes Bild.

K2 – Kontext beantwortet: Wo und wann spielt die Szene? Aktion, Schauplatz und Zeit geben dem Bild eine Geschichte. Epochen sind hier der effizienteste Hebel: Ein Wort wie „1920s" setzt Kleidung, Architektur und Farbgebung automatisch. Bild-KIs haben ein Weltverständnis, du musst nicht jedes Detail beschreiben.

Du brauchst keinen langen Prompt für ein klares Bild. Schon die minimale Kombination aus Medium und Subjekt reicht. Das ist die Grundformel, mit der jeder Bild-Prompt startet.

a photo of a maasai warrior
an acryl painting of a maasai warrior
a cartoon illustration of a maasai warrior

Drei Prompts, ein Subjekt, drei völlig verschiedene Bilder. Eigenschaften präzisieren das Ergebnis: das Alter der Person, die Farbe, die Technik des Mediums. Diese Details setzt du bewusst, statt sie der KI zu überlassen.

Dann erweiterst du Schicht für Schicht. Erst eine Aktion und ein Schauplatz aus K2, dann Tageszeit oder Wetter, dann eine Epoche. Generiere nach jedem Schritt und beobachte, wie eine einzelne Kontextebene das gesamte Bild verändert. So lernst du, welcher Baustein was bewirkt.

Ein Fotograf friert einen perfekten Moment ein. Ein Filmemacher plant einen Ablauf: Was passiert zuerst? Wie bewegt sich die Kamera? Was hört man? Genau dieser Wechsel ist der Kern des Video-Promptings.

Beim Bild-Prompt beschreibst du, was zu sehen ist. Beim Video-Prompt beschreibst du, was passiert.

Drei Dimensionen kommen dazu, die es bei Bildern nicht gibt. Bewegung: Kamera und Subjekt bewegen sich, beides beschreibst du explizit. Zeit: Ein Clip von 4 bis 8 Sekunden hat einen Anfang und ein Ende. Ton: Dialog, Geräusche und Ambiente gehören in den Prompt.

Die gute Nachricht: Wenn du Bild-Prompts schreibst, kennst du schon 60 bis 70 Prozent des Vokabulars. Subjekt, Licht, Stil und Perspektive funktionieren identisch. Neu lernen musst du nur die Sprache der Bewegung, des Timings und des Tons.

Der übliche erste Versuch: Du kippst einen Blogbeitrag in ein Vorlese-Werkzeug. Das Ergebnis klingt gehetzt und monoton. Der Schluss liegt nahe: schlechte Stimme. Meistens ist die Stimme in Ordnung und der Text ungeeignet.

Du schreibst nicht Text, du schreibst Sprache.

Geschriebene Sätze sind für das Auge gebaut. Sie dürfen verschachteln, weil du zurückspringen kannst. Beim Hören gibt es kein Überfliegen und kein Zurückscrollen. Alles muss beim ersten Durchgang tragen.

Vier Stellschrauben bestimmen das Ergebnis: Stimme, Skript, Sprechweise und Klang. Die Reihenfolge ist keine Geschmacksfrage: erst das Skript, dann die Sprechweise, dann die Stimme, zuletzt der Klang. Wer mit der Stimme anfängt, sucht ewig nach der einen, die seinen sperrigen Text rettet. Es gibt sie nicht.

Als die ersten KI-Bilder auftauchten, war die Antwort einfach: Schau auf die Finger. Zu viele, zu wenige, falsch gebogen. Das funktioniert nicht mehr. Moderne Generatoren haben das Finger-Problem gelöst, und was heute noch auffällt, verschwindet mit der nächsten Modellversion.

Daraus entsteht die Artefakt-Falle: Du findest keine Fehler und schließt daraus, das Bild muss echt sein. Genau das ist der gefährliche Fehlschluss. Das Fehlen von Artefakten beweist nichts.

Wer nur auf Pixel-Fehler schaut, verpasst 90 Prozent der relevanten Signale.

Zuverlässige Erkennung liegt woanders. Physik: Bildgeneratoren berechnen keine 3D-Szene, sie schätzen. Schatten, Spiegelungen und Fluchtlinien gehen deshalb oft schief. Kontext: Echte Ereignisse haben fast immer mehrere Quellen und Perspektiven. Metadaten: Echte Kameras hinterlassen EXIF-Daten. Fehlende sind ein Warnsignal, vorhandene aber kein Beweis.

Vier Kapitel, vier Werkzeuge. Jetzt fügst du sie zu einem Ablauf zusammen, der vom ersten Gedanken bis zum fertigen Medium trägt.

1. Konzept festlegen: Was willst du zeigen oder sagen? Ein Motiv, eine Botschaft. Das ist dein K1, bevor du irgendein Tool öffnest.
2. Bild bauen: Mit dem 4K-Framework. Erst Konzept und Kontext, dann Komposition und Kreativität nach Bedarf.
3. Video ableiten: Das fertige Bild animieren lassen oder direkt per Text-to-Video arbeiten. Dein Prompt beschreibt jetzt, was passiert: Kamera, eine Aktion, Ton.
4. Audio produzieren: Den Text zum Skript umbauen, Regie-Anweisung davorsetzen, erst dann die Stimme wählen.
5. Kritisch prüfen: Physik, Kontext und Bias checken. Und kennzeichnen, was generiert ist.

Der Startpunkt ist immer dasselbe Konzept. Deshalb lohnt sich der erste Schritt am meisten: Ein klares Motiv trägt durch alle drei Medien.