Genspark hat ein Filmteam in ein Menü verwandelt

Das Interessanteste an Gensparks neuem Media Studio ist nicht, dass es Video macht. Es gibt inzwischen reichlich Dinge, die Video machen. Es ist, dass man bei der Benutzung kein Modell auswählt. Man wählt einen Regisseur, und der Regisseur wählt die Modelle.

Das ist das eigentliche Produkt. Die Oberfläche bietet drei Sprachmodelle für die Planungsrolle — DeepSeek V4.1 Flash, Claude Opus 5.5 und Claude Fable 5.1 —, und dahinter steht ein Aufgebot von mehr als 70 Modellversionen von über 20 Anbietern. Seedance 2.5, Kling und Veo machen Video. GPT Image und Nano Banana machen Standbilder. ElevenLabs und MiniMax übernehmen Stimme und Musik. 3D ist auch dabei.

Das Versprechen lautet „alles in einem, jeder kann es benutzen“, was für gewöhnlich bedeutet: „wir haben sechs Werkzeuge in einen Tab geschraubt“. Hier ist es in einer konkreten Hinsicht anders: Die Zwischenprodukte bleiben auf derselben Arbeitsfläche, sodass der Agent die Ausgabe des letzten Schritts aufnehmen und weitermachen kann, ohne dass du etwas neu hochlädst.

Wie sich die Benutzung anfühlt

Das chinesische Tech-Magazin QbitAI hat am Starttag einen Praxistest veröffentlicht, und die Details sind nützlicher als das Marketing. Der Tester begann mit einer Rap-Vorlage aus dem Bereich „Magic“ der Startseite, lud Fotos von Sam Altman und Dario Amodei hoch und bat um ein Duett.

Zwei Dinge passierten, die erwähnenswert sind. Erstens lehnte das Videomodell die Bilder echter Personen rundheraus ab, und das System fragte, ob ein halbrealistischer oder ein Cartoon-Stil verwendet werden soll. Das ist eine Inhaltsrichtlinie, die als UX-Entscheidung auftaucht — man bekommt keine Ablehnung, man bekommt eine Weggabelung. Zweitens sagte die Schätzung 8 bis 14 Minuten, und das Rendering dauerte zwei bis drei. Die Generierung übernahm Seedance 2.5.

Die erste Ausgabe hatte keine Musik. Der Tester bat um Begleitung, bekam drei Kandidaten nebeneinander auf der Arbeitsfläche, lehnte alle drei ab, weil Gesang fehlte, und bat um einen eigenen Rap-Beat, den ElevenLabs produzierte. Dann kam Lip-Sync dazu, damit die beiden zusammen auftreten konnten.

Diese Abfolge — generieren, merken, was fehlt, danach fragen, Optionen bekommen, auswählen, anpassen — ist der Workflow, um den das Produkt gebaut ist. Es ist nicht „Prompt eintippen, Film bekommen“. Es ist ein Gespräch mit einem Produktionsassistenten, der Zugang zu einem Studio hat.

Die Entscheidung für den 480p-Entwurf

Jeder erste Durchlauf kommt in 480p heraus. Man iteriert in 480p. Erst wenn man den Schnitt freigibt, wird auf 1080p hochgezogen.

Das ist die vernünftigste technische Entscheidung im Produkt, und es ist die Art Sache, die man nur lernt, wenn man Leuten beim Geldverbrennen zusieht. Videogenerierung ist pro Sekunde teuer, und der größte Teil der Kosten entfällt auf Einstellungen, die herausgeschnitten werden. In Entwurfsauflösung zu iterieren bedeutet, dass die teuren Renderings einmal passieren, nämlich bei den Einstellungen, die überlebt haben.

Dieselbe Logik zeigt sich im Story-Modus, der eine 3D-Vorvisualisierung mit weißem Modell einer Szene baut — wo die Figuren stehen, wo die Kamera sitzt —, bevor irgendein Videomodell aufgerufen wird. Blocking ist billig. Rendering ist es nicht.

Die Genehmigungsschlange ist jetzt das Produkt

Hier wird es wirklich interessant, und hier ist der Praxisbericht am wertvollsten.

Der Tester nutzte die Funktion „Story Bible“, die einen Titel nimmt und ihn zu einer vollständigen Produktion ausbaut: Figuren, Garderobe, Requisiten, Sets und eine Einstellungsliste. Das System verlangte vor dem Rendering Genehmigung für 35 einzelne Punkte. Dann zerlegte es fünf Szenen in 84 Einstellungen, gruppierte sie zu 12 Video-Einheiten, schrieb für jede einen Prompt, generierte sie und markierte diejenigen, die dem etablierten Design widersprachen, für einen erneuten Durchlauf.

Fünfunddreißig Genehmigungen. Das ist jetzt die Arbeit. Nicht Prompts schreiben, nicht eine Kamera bedienen — genehmigen. Und der Bericht nennt ein echtes Nutzbarkeitsproblem: Manche Genehmigungspunkte waren schwer zu finden, und jede Bearbeitung setzte bereits genehmigte Punkte auf „ausstehend“ zurück, was bedeutete, sich erneut durch die Schlange zu klicken.

So sieht „KI-Filmemachen“ 2026 tatsächlich aus. Die kreative Arbeit verschwindet nicht. Sie verdichtet sich zu einer langen Serie von Ja/Nein-Urteilen über Konsistenz, und die Qualität des Werkzeugs bemisst sich daran, wie gut es diese Urteile präsentiert. Eine gute Genehmigungsschlange ist ein Burggraben. Eine schlechte ist ein Grund, es wieder von Hand zu machen.

Zwei verschiedene Technologien unter demselben Namen

Das Detail, das mich am meisten überrascht hat: Der Modus „Wissens-Erklärer“ benutzt überhaupt kein Videomodell, zumindest nicht für den größten Teil seiner Laufzeit. Er nutzt Code-zu-Video — das Modell schreibt Code, der Text, Diagramme und Animation anordnet, und rendert dann das Ergebnis. Laut Genspark verbraucht das Code-Rendering selbst keine Credits; Erzählstimme und ein paar atmosphärische Aufnahmen werden separat abgerechnet.

Das ist eine bedeutsame Architekturentscheidung. Wenn du erklärst, was ein Schwarzes Loch ist, brauchst du keine sechzig Sekunden generierter Pixel. Du brauchst Typografie, ein Diagramm und Bewegung. Das als Code zu rendern ist schneller, billiger und deutlich lesbarer, als ein Diffusionsmodell zu bitten, eine Bildunterschrift zu zeichnen.

Der Praxisbericht ist ehrlich über den ersten Versuch: Das Skript war flach, die Visuals sahen aus wie Folien. Ein zweiter Durchlauf mit der Anweisung, Hooks und Spannung einzubauen, plus eine sechsteilige eigene Musik, ergab etwas, das der Tester akzeptabel nannte. Immer noch folienartig, aber kohärent.

Was die eigentliche Frage zu dieser Kategorie aufwirft. Der Engpass bei Erklärvideo war nie das Rendering. Es war das Skript. Gensparks Antwort ist, dasselbe Sprachmodell das Skript und den Code schreiben zu lassen, was billig und schnell ist, und dann zu hoffen, dass das visuelle Design mithält. Manchmal tut es das.

Die Ökonomie

Der Tester verbrauchte etwa 45.000 von anfänglich 50.000 Credits für drei Projekte: das Rap-Video, den Erklärer und ein Pixelspiel im Super-Mario-Stil, das das System aus einem einzigen Prompt für ein paar hundert Credits ebenfalls produzierte.

Also grob 15.000 Credits pro kurzem Projekt. Genspark gab vom 27. Oktober bis 4. November 50 Prozent Credit-Rabatt für Plus- und Pro-Abonnenten, was zweierlei verrät: Das Unternehmen will in diesem Monat lieber Nutzungsdaten als Umsatz, und die Unit Economics sind noch nicht geklärt.

Zum Vergleich: Einen Motion Designer eine Woche lang zu engagieren kostet mehr als ein Jahr einer dieser Subscriptions. Das ist allerdings auch nicht der richtige Vergleich, denn was man hier bekommt, ist nicht die Leistung eines Motion Designers. Es ist ein erster Entwurf, den ein Motion Designer in einer Stunde reparieren könnte, statt bei null anzufangen.

Die ehrlichen Einschränkungen

Der fertige Kurzfilm hatte Probleme, die der Test nicht verbarg: Audio, das in der zweiten Hälfte aus dem Takt geriet, gelegentlich fehlende Frames und eine Figur, deren Brille zwischen Einstellungen verschwand. Lip-Sync wurde angewandt, Untertitel wurden auf Chinesisch und Englisch generiert, ohne dass man darum gebeten hatte, und die Konsistenz insgesamt war besser als erwartet — aber „besser als erwartet“ ist nicht „auslieferbar“.

Dazu kommt der Exportweg. Man kann das Ergebnis als PSD, als Premiere-Projekt oder als CapCut-Entwurf herausgeben, was die richtige Konzession an die Realität ist: Niemand beendet ein Video in dem Werkzeug, das es generiert hat.

Was das bedeutet

Die Orchestrierungsschicht wird zum Produkt, und die Modelle werden zu Bauteilen. Genspark konkurriert nicht mit Seedance oder Veo. Es konkurriert mit der Timeline in deiner Schnittsoftware, dem Ordner mit Stockmaterial und den fünf Browser-Tabs, die du beim Zusammenbauen eines Schnitts offen hast.

Ob es gewinnt, hängt an etwas Unsinnspektakulärem: ob die Genehmigungsschlange besser wird. Im Moment sind es 35 Entscheidungen mit einer verwirrenden Oberfläche. Wenn daraus 35 Entscheidungen mit einer guten Oberfläche werden, ist es ein echtes Werkzeug. Bleibt es verwirrend, werden die Leute es weiter für die Vorlagen benutzen und für alles, was zählt, zu Premiere zurückgehen.