I/O 2026 am Vorabend: 5 echte Fragen zu KI-Video (nicht 5 neue Modelle)

In weniger als 24 Stunden eröffnet Google I/O 2026. Das Internet ist voll mit Veo-4-Prognosen. Alle fragen dasselbe: Welche Specs hat das neue Modell? Das ist die falsche Frage. Die fünf Fragen, die KI-Video gerade wirklich prägen, haben mit dem morgigen Modell-Showdown kaum etwas zu tun.

Es ist Abend des 18. Mai 2026. Morgen früh betritt Sundar Pichai die Bühne und kündigt die nächste Veo-Generation an. Jeder KI-Video-Creator, Marketer und Analyst aktualisiert dieselben Twitter-Timelines und wartet auf geleakte Specs.

Ein kontraintuitiver Take: Die morgige Ankündigung wird vermutlich wenig ändern. Nicht weil sie nicht beeindruckend wäre – das wird sie sehr wahrscheinlich. Sondern weil die wirklich ungelösten Probleme bei KI-Video „welches Modell den besten Output hat" längst hinter sich gelassen haben. Diese Probleme sitzen eine Ebene höher, in der Lücke zwischen einem Clip und einem fertigen Video. Ein besseres Veo schließt diese Lücke nicht. Ein besserer agent schon.

Unten stehen fünf Fragen, die wichtiger sind als die Keynote morgen. Lies sie, dann genieße die Show.

Frage 1: Warum bricht die Konsistenz zwischen Clips immer noch zusammen?

Jedes KI-Video-Modell von 2026 kann einen schönen 8-Sekunden-Clip erzeugen. Lass denselben Prompt nochmal laufen, und du bekommst eine andere Person, ein anderes Produkt, eine andere Markenfarbe, einen anderen Hintergrund. Das Modell hat keine Erinnerung zwischen den Generierungen.

Für eine einmalige cineastische Aufnahme ist das in Ordnung. Für alles, was einem echten Video ähnelt – eine Produkt-Demo mit drei Winkeln, ein Spot mit einer Erzählerin, die in Szene eins und vier auftaucht, ein Kursmodul mit einem konstanten Presenter – ist das das ganze Problem.

Die Antwort des Model-Layers lautet Referenzbild-Conditioning: Lade drei Bilder einer Figur hoch, das Modell versucht, sie zu treffen. Funktioniert vielleicht zu 70 %. Die restlichen 30 % sind die Stunden, in denen die Produktion tatsächlich versinkt.

Die Antwort des agent-Layers ist eine andere: einen Referenz-Satz pro Entität (Figur, Produkt, Umgebung) über die gesamte Sequenz pflegen, fehlerhafte Shots automatisch neu generieren, Seeds dort sperren, wo Konsistenz zählt, und Referenzen versionieren, damit Brand Assets über Monate stabil bleiben. Modellverbesserung hilft. Die Orchestrierung macht es ausspielbar.

Was morgen nicht gelöst wird: Veo 4 wird möglicherweise natives ID-Embedding ausliefern. Es wird besser sein als heute. Es wird einem Marketer, der monatlich 40 Clips über 8 Produkt-SKUs hinweg produziert, die Konsistenz nicht abnehmen.

Frage 2: Warum wird „Clip" immer noch mit „fertigem Video" verwechselt?

Schau dir irgendeine Modell-Demo an und du siehst dasselbe: einen einzelnen Shot, perfekt ausgeleuchtet, keine Schnitte, keine Untertitel, keine Musik, kein plattformgerechtes Framing, kein CTA. Das ist ein Clip. Kein Video, das irgendjemand wirklich veröffentlichen würde.

Ein echtes Video – die Sorte, die auf einen YouTube-Kanal, in einen TikTok-Feed, in ein Werbekonto, auf eine Produktseite kommt – hat Skripting, Szenenplanung, Voiceover, B-Roll, Untertitel in der Zielsprache, Schnitte auf dem Beat, einen Hook in den ersten drei Sekunden und ein Ausgabeformat passend zur Zielplattform. Das Modell übernimmt eines davon. Die anderen zehn sind das manuelle Problem von jemandem.

Die aktuelle Default-Lösung besteht darin, fünf Tools zusammenzustückeln: Skriptschreiber, Videomodell, Stimmen-Generator, Editor, Captioning-Tool. Jedes Tool hat sein eigenes UI, seine eigene Preisstruktur, seine eigenen Fehlerquellen. Das Ergebnis: Für jeden, der Qualität ernst nimmt, dauert „KI-Video" pro fertigem Asset immer noch Stunden.

Die Antwort des agent-Layers lautet, die gesamte Pipeline als ein System zu besitzen. Brief in natürlicher Sprache rein, fertiges Video raus. Genra läuft auf Veo und Seedance und übernimmt jeden Schritt dazwischen. Das ist keine Workflow-Verbesserung. Das ist eine andere Produktkategorie.

Was morgen nicht gelöst wird: Veo 4 wird bessere Clips produzieren. Die Lücke zwischen Clip und fertigem Video bleibt exakt da, wo sie ist.

Frage 3: Was passiert in 11 Tagen mit dem KI-Video-Urheberrecht?

Am 29. Mai 2026 tritt der MiniMax-Urheberrechtsfall in die Verhandlungsphase ein. Es ist der erste große KI-Video-Urheberrechtsfall, der eine substantielle Entscheidungsphase erreicht, und das Ergebnis wird einen Präzedenzfall schaffen, mit dem die ganze Branche jahrelang leben muss.

Zu den Fragen, die das Gericht zu klären hat, gehören: Darf ein Modell mit urheberrechtlich geschütztem Material ohne Lizenz trainiert werden? Wer haftet, wenn ein KI-generierter Clip einer urheberrechtlich geschützten Szene wesentlich ähnlich ist – der Modellanbieter, die Plattform oder der Endnutzer? Was bedeutet „wesentlich ähnlich" überhaupt, wenn das Modell Millionen Trainingsvideos gesehen hat?

Das ist aus einem Grund wichtiger als die morgige Keynote: Eine Veo-4-Ankündigung ist ein Produkt. Ein Urheberrechtsurteil ist ein Constraint, der jedes Produkt formt. Geht das Urteil in die eine Richtung, werden die Safe-Harbor-Annahmen, unter denen jeder westliche KI-Video-Anbieter aktuell operiert, neu gemischt. Geht es in die andere Richtung, wird der Burggraben um Trainingsdaten zu einem echten Asset.

Clevere Creator und Brand-Teams warten nicht auf das Urteil. Sie behandeln kommerzielles KI-Video als etwas, das eine verteidigbare Beweiskette braucht – welche Modelle wurden eingesetzt, welche Referenzen hochgeladen, welche Einwilligungen eingeholt. Genras Pipeline protokolliert das standardmäßig, weil wir damit rechnen, dass sich die regulatorische Bodenlinie weiter verschiebt.

Was morgen nicht gelöst wird: Google wird den MiniMax-Fall bei der I/O nicht ansprechen. Die rechtliche Landschaft unter den Füßen aller verschiebt sich unabhängig davon, mit welchen Specs Veo 4 ausgeliefert wird.

Frage 4: Wohin geht ein fertiges KI-Video eigentlich?

Du hast ein Video generiert. Was nun? Es muss auf YouTube als 16:9 landen, auf TikTok als 9:16, auf Instagram Reels mit eingebrannten Untertiteln für Autoplay, auf deiner Landingpage als eingebettetes MP4, auf einer Paid-Ad-Plattform mit den ersten drei Sekunden neu geschnitten als Hook-Variante, und auf deiner E-Mail-Liste als Thumbnail-Vorschau mit Link zu einem gehosteten Player.

Jedes Ziel hat sein eigenes Seitenverhältnis, eigene Längenbegrenzungen, Dateigrößenlimits, Untertitelformate, Barrierefreiheitsanforderungen und Analytics-Integrationen. Das Modell liefert einen gerenderten Output. Die Distribution ist ein separates, größeres, meist manuelles Projekt.

Das ist der Teil von KI-Video, den niemand auf der I/O demonstriert. Es ist auch der Teil, der entscheidet, ob das Video Geld verdient oder im Ordner verstaubt.

Die Antwort des agent-Layers lautet, Distribution zum First-Class-Output zu machen. Gleicher Brief, mehrere plattform-native Cuts, parallel generiert, optimiert für das tatsächliche Verhalten jeder Oberfläche – TikToks Algorithmus belohnt nicht dieselbe Hook-Struktur wie YouTube Shorts, und Instagram Reels bevorzugt ein völlig anderes erstes Frame.

Was morgen nicht gelöst wird: Bessere Generierung löst die Distribution nicht. Die Plattformen bleiben fragmentiert. Die Arbeit, jede einzelne zu bedienen, bleibt gleich. Der agent-Layer übernimmt sie – oder der User.

Frage 5: Wann hört KI-Video auf, ein Kostenfaktor zu sein?

Google hat Veo 3.1 im April kostenlos gemacht. Die Kosten für einzelne Clips sind für alle kollabiert, die ein Wasserzeichen und ein 8-Sekunden-Limit akzeptieren. Kostenlose Modelle sind überall. Warum wachsen die KI-Video-Budgets in den meisten Unternehmen trotzdem weiter?

Weil die Modellkosten nie der Engpass waren. Der Engpass ist die Arbeit drum herum: das Prompt-Engineering, das manuelle Zusammenstückeln, das Babysitten der Konsistenz, das Plattform-Schneiden, die Iterationsschleifen mit Stakeholdern, die Brand-QA. Ein kostenloses Modell kollabiert die Position, die ohnehin nur eine Rundungsdifferenz war, und lässt die tatsächliche Kostenstruktur unberührt.

Die Firmen, die KI-Video von „Experiment" zu „Infrastruktur" gebracht haben, haben das geschafft, indem sie den agent-Layer als Kosteneinheit behandeln, nicht das Modell. Sie messen Kosten pro fertigem Video, nicht Kosten pro generiertem Clip. Diese Zahlen weisen auf eine andere Schlussfolgerung als das Free-Model-Narrativ.

Für die meisten Teams sieht der Pfad zu profitablem KI-Video so aus: die Brief-zu-Fertig-Pipeline in einem Tool besitzen, die Fünf-Tool-Stitching-Steuer eliminieren, Output pro Woche und Operator messen und den Model-Layer darunter zur Commodity werden lassen. Die Modellkosten gehen gegen null. Die Kosten des agent-Layers entscheiden über die Unit Economics.

Was morgen nicht gelöst wird: Selbst wenn Veo 4 zum Start kostenlos ist, wird dein KI-Video-Budget im nächsten Quartal vermutlich wachsen. Die Position, die wächst, ist nicht die Modellnutzung. Es ist alles drum herum.

Der größere Punkt

Die Keynote morgen wird eine großartige Show. Natives 4K kommt. Multi-Scene-Narrative kommen. Schnellere Generierung kommt. Wir integrieren jede sinnvolle Verbesserung, die Google ausliefert, weil bessere Modelle wirklich jedes Video auf Genra ein bisschen besser machen.

Aber die fünf Fragen oben werden nicht durch ein besseres Modell beantwortet. Sie werden durch einen besseren agent, einen reifenden rechtlichen Rahmen und eine Branche beantwortet, die aufhört, Demos mit Produktion zu verwechseln.

Schau dir morgen die Keynote an. Komm dann zurück und frag, ob irgendetwas darin die Nadel bei Konsistenz, bei Clip-zu-Fertig, beim Urheberrecht, bei der Distribution oder bei echten Unit Economics wirklich bewegt hat. Unsere Prognose: ein bisschen beim ersten Punkt, fast nichts beim Rest.

Der Model-Layer ist die Schlagzeile. Der agent-Layer ist die Arbeit.

Wichtigste Erkenntnisse

• Google I/O 2026 wird von Veo-4-Prognosen und -Ankündigungen dominiert. Das Modell ist eine Schicht in einem viel höheren Stack.
• Konsistenz zwischen Clips ist überwiegend ein Orchestrierungsproblem, kein Modellproblem. Natives ID-Embedding hilft; es schließt die Lücke für jemanden, der monatlich 40 Clips ausspielt, nicht.
• Ein Clip ist kein fertiges Video. Skripting, Voiceover, B-Roll, Untertitel, Plattform-Cuts und Distribution sind separate Probleme, die das Modell nicht berührt.
• Die MiniMax-Urheberrechtsanhörung am 29. Mai wird die KI-Video-Regulierung stärker prägen als jede I/O-Ankündigung. Operator sollten jetzt Provenienz protokollieren, nicht später.
• Die Distributions-Fragmentierung über YouTube, TikTok, Instagram, Ads und E-Mail ist eine eigene Produktionssteuer. Der agent-Layer übernimmt das – oder der User.
• Kostenlose Modelle kollabieren die billigste Position in der KI-Video-Produktion. Echte Unit Economics werden durch alles um das Modell herum bestimmt – den agent-Layer.
• Genra läuft auf Veo und Seedance und übernimmt die gesamte Pipeline als ein agent. Die morgigen Modellverbesserungen fließen lautlos ins Backend ein. Die fünf echten Fragen bleiben, wo sie waren.

Häufig gestellte Fragen

Was ist der agent-Layer bei KI-Video?

Der agent-Layer ist das System, das einen Brief in ein fertiges, distribuierbares Video verwandelt. Er übernimmt Skripting, Szenenplanung, Modellauswahl, Generierung, Konsistenz, Voiceover, Schnitt, Captioning und plattformspezifischen Output. Der Model-Layer erzeugt Clips. Der agent-Layer liefert Videos.

Wird Veo 4 die KI-Video-Konsistenz lösen?

Teilweise. Wenn Veo 4 wie erwartet natives ID-Embedding ausliefert, verbessert sich die Single-Shot-Konsistenz. Multi-Clip-, Multi-Shoot-, markenstabile Konsistenz über eine laufende Content-Pipeline erfordert weiterhin Orchestrierung – Referenzmanagement, Regenerationslogik, Seed-Locking, Versionskontrolle. Das Modell hilft. Der agent macht die Arbeit.

Was ist der MiniMax-Urheberrechtsfall und warum ist er wichtig?

Der MiniMax-Fall ist die erste große KI-Video-Urheberrechtssache, die eine substantielle Anhörung erreicht; sie ist für den 29. Mai 2026 angesetzt. Das Urteil wird die branchenweite Auslegung von Trainingsdaten, Modell-Output-Haftung und wesentlicher Ähnlichkeit beeinflussen. Das Ergebnis prägt die Regulierung für westliche und asiatische Anbieter gleichermaßen.

Wenn Veo 3.1 kostenlos ist, warum ist KI-Video-Produktion nicht kostenlos?

Weil das Modell nie der teure Teil war. Teuer ist die Arbeit um das Modell herum – Prompt-Iteration, manuelles Stitching, Konsistenz-QA, Plattform-Schnitt, Stakeholder-Schleifen. Kostenlose Modelle kollabieren die billigste Position. Echte Produktionskosten leben im agent-Layer.

Welche Modelle nutzt Genra?

Veo und Seedance. Der agent wählt je nach Anforderung pro Shot, welches Modell zum Einsatz kommt. Nutzer beschreiben, was sie wollen; der agent übernimmt die Modellauswahl und den Rest der Pipeline.

Wann ist Google I/O 2026?

19.–20. Mai 2026. Die Eröffnungs-Keynote startet am 19. Mai um 13:00 Uhr ET / 10:00 Uhr PT, kostenlos gestreamt auf io.google. Veo- und Gemini-Ankündigungen landen üblicherweise in den ersten 90 Minuten.

Wie sollten sich Marken auf die Urheberrechts-Unsicherheit bei KI-Video vorbereiten?

Provenienz für jedes Video protokollieren: welche Modelle welche Clips generiert haben, welche Referenzen hochgeladen wurden, welche Einwilligungen oder Lizenzen für diese Referenzen vorliegen. Den Audit-Trail als Lieferobjekt behandeln, nicht als Nachgedanken. Die rechtliche Untergrenze wird sich in den nächsten zwei Jahren weiter verschieben.

Warum braucht Plattform-Distribution immer noch so viel manuelle Arbeit?

Weil jede Plattform andere Seitenverhältnisse, Längenbegrenzungen, Untertitelformate, Hook-Muster und algorithmische Vorlieben hat. Ein einziger gerenderter Output performt selten gut über alle Oberflächen. Entweder generiert der agent plattform-native Varianten aus demselben Brief, oder jemand schneidet manuell neu.