KI-Bild und -Video 2026: Die Modelle sind fertig — jetzt zählt Geschmack

TL;DR

• Generierung kostet Cents: Laut Anbietervergleichen liegen Bilder Mitte 2026 bei 4 bis 13 Cent, kurze Videoclips bei wenigen Cent pro Sekunde. Text im Bild und Bewegungsphysik sind weitgehend gelöst.
• Der Engpass ist Qualitätssicherung: Laut Branchen-Benchmarks messen 81 Prozent der Content-Teams ihre KI-Inhalte gar nicht. Das Budget verschiebt sich vom Rendern zum Kuratieren.
• Modelle sind volatil: OpenAI stellt Sora ein, Preise ändern sich quartalsweise. Wer sich an ein einzelnes Modell kettet, baut auf Sand — die Pipeline muss modellagnostisch sein.

Die Preisliste, die die Rechnung umdreht

Wer zuletzt 2024 auf die Kosten von Bild- und Videogenerierung geschaut hat, sollte neu rechnen. Laut Anbietervergleichen und Reviews sieht der Markt Mitte 2026 so aus: ByteDances Bildmodell Seedream 4.5 kostet über OpenRouter rund 4 Cent pro Bild, unabhängig von der Auflösung. Googles Nano Banana Pro (Gemini 3 Pro Image), seit Juni allgemein verfügbar, liegt bei etwa 13 Cent pro Bild und liefert in zwei bis fünf Sekunden. Bei Video ist der Preissturz noch drastischer: Seedance 2.0 kostet über Drittanbieter-APIs ab etwa 4,5 bis 9 Cent pro Sekunde — ein 5-Sekunden-Clip in 720p für rund 5 Cent. Googles Veo 3.1 Lite wird mit 3 bis 5 Cent pro Sekunde als günstigster Video-Tier des Hauses geführt.

Zum Vergleich: Die auslaufende Sora-2-API berechnete bis zuletzt 10 Cent pro Sekunde im Standard-Tier und bis zu 70 Cent pro Sekunde für 1080p-Pro-Material. Zwischen dem teuersten und dem günstigsten brauchbaren Videomodell liegen damit fast zwei Größenordnungen — bei Ergebnissen, die für viele Marketing-Zwecke vergleichbar sind.

Dazu kommen Aggregatoren: Plattformen wie Higgsfield bündeln laut Anbietervergleichen über 50 Drittmodelle — von Kling über Veo bis Nano Banana Pro — unter einem Abo zwischen 15 und 84 Dollar im Monat. Die Konsequenz für die Kalkulation: Das Rendern selbst ist kein nennenswerter Kostenblock mehr. Ein komplettes Kampagnen-Set an Bildmotiven kostet in der Generierung weniger als eine Stunde Agentur-Honorar.

Was Mitte 2026 tatsächlich gelöst ist — und was nicht

Die beiden klassischen Blamage-Quellen der Bildgenerierung — unlesbarer Text und unglaubwürdige Physik — sind weitgehend abgeräumt. Google positioniert Nano Banana Pro nach eigener Aussage als führendes Modell für korrekt gerenderten, lesbaren Text im Bild, inklusive mehrsprachiger Lokalisierung; das ist ein Vendor-Claim, deckt sich aber mit unabhängigen Entwickler-Guides. Midjourney V8, seit Juni in Version 8.1 als Standard ausgerollt, liefert native 2K-Bilder mit deutlich verbessertem Text-Rendering und generiert vier- bis fünfmal schneller als der Vorgänger. Bei Video hat Kling 3.5 laut Reviews eine physikbewusste Bewegungssteuerung: Gewicht, Balance und Verdeckungen funktionieren.

Und doch: „weitgehend gelöst" heißt nicht „gelöst". Dieselben Reviews notieren, dass Wasser, Glasreflexionen und Stoff bei Kling weiterhin unnatürlich morphen. Google räumt selbst ein, dass Grammatik und Idiome im gerenderten Text fehlerhaft sein können. Und aus unserer eigenen Praxis können wir ergänzen: Gravierte Ziffern, Handschrift, feine Skalen — alles, was wie Text aussieht, aber keiner ist — bleibt eine zuverlässige Fehlerquelle. Die Modelle sind gut genug, um in 90 Prozent der Fälle zu überzeugen. Das Problem sind die 10 Prozent, die durchrutschen, wenn niemand hinschaut.

Das Sora-Aus: Warum Ihre Pipeline kein Lieblingsmodell haben darf

Am 26. April 2026 stellte OpenAI die Sora-Consumer-App ein; die Sora-2-API folgt zum 24. September — ein Nachfolger ist öffentlich nicht angekündigt. Wer seine Videoproduktion auf Sora-Prompts, Sora-Eigenheiten und Sora-Preise optimiert hatte, steht jetzt vor einer Migration mitten im Geschäftsjahr.

Das ist kein Einzelfall, sondern das Muster des Marktes: ByteDance brachte Seedance 2.0 im Februar, Kling 3.5 kam im Mai, Nano Banana Pro wurde im Juni GA, Preise ändern sich quartalsweise, und laut Reviews verfallen bei manchen Anbietern sogar zugekaufte Credits nach 90 Tagen. Die Halbwertszeit eines „besten Modells" liegt derzeit bei etwa einem Quartal.

Die betriebswirtschaftliche Konsequenz ist unbequem, aber klar: Alles, was Sie an Wissen und Prozessen aufbauen, muss oberhalb der Modellebene liegen. Ihre Gestaltungsregeln, Ihre Qualitätskriterien, Ihre Freigabeprozesse — das sind die Assets mit Bestand. Das konkrete Modell dahinter ist austauschbare Infrastruktur, wie ein Hosting-Anbieter. Eine modellagnostische Pipeline definiert, was ein gutes Ergebnis ist, und kann den Renderer wechseln, ohne dass die Marke es merkt.

Der neue Engpass: Niemand prüft, was rauskommt

Die Adoption ist durch: Laut einer Salesforce-Erhebung nutzen 2026 rund 87 Prozent der Marketer generative KI in mindestens einem Workflow — 2024 waren es noch 51 Prozent. Teams mit KI-Content-Tools publizieren laut derselben Quelle das Vierfache an Content pro Kopf. Die Produktionsseite skaliert also längst.

Die Kontrollseite nicht. Laut einem Branchen-Benchmark-Report tracken nur 19 Prozent der Content-Marketing-Teams KI-spezifische Kennzahlen — 81 Prozent haben schlicht kein Messframework. Gleichzeitig sehen rund 30 Prozent der Marketer in generativer KI ein relevantes Brand-Safety-Risiko. Man produziert also viermal so viel, misst es nicht und ahnt, dass ein Teil davon der Marke schadet.

Genau hier verschiebt sich das Budget. Wenn ein Bild 4 Cent kostet, ist es ökonomisch trivial, zehn Kandidaten zu rendern und neun wegzuwerfen. Teuer ist nicht mehr die Erzeugung, sondern die Entscheidung: Welches der zehn ist markentauglich? Wer trifft diese Entscheidung, nach welchen Kriterien, und skaliert das über hunderte Motive? Die Antwort kann nicht „der Geschäftsführer schaut kurz drüber" sein — dafür ist der Ausstoß zu hoch. Sie muss lauten: kodifizierter Geschmack plus automatisierte Prüfung.

Wie wir das selbst lösen: Taste-Codex und drei Richter

Wir betreiben für unsere eigenen Kanäle eine Bild-Pipeline und geben ehrlich weiter, was dabei passiert ist. Der Aufbau: Aus einem Bestand bewährter Referenzbilder haben wir einen Taste-Codex destilliert — sieben Gestaltungs-Achsen (etwa Lichtführung, Materialität, Bildruhe) plus harte Invarianten, die nie verletzt werden dürfen. Pro Motiv rendern wir mehrere Kandidaten. Danach entscheiden drei unabhängige, automatisierte Prüfinstanzen, jede mit Ablehnung als Voreinstellung: Passt das Bild zum Thema? Passt es zum Codex? Und zeigt es keine typischen KI-Artefakte — den sogenannten Slop? Nur ein Kandidat, der alle drei Prüfungen besteht, geht live.

Der ernüchternde Teil: Als wir die Pipeline rückwirkend auf bereits veröffentlichte Bilder losließen, fielen in einem internen Audit 5 von 11 produktiven Bildern durch. Die Fehlerbilder waren immer dieselben: unleserlicher Pseudo-Text im Bild, KI-typische Fake-Handschrift, die auf den ersten Blick echt wirkt, und ein steriler Katalog-Look, der zwar sauber, aber austauschbar ist. Alle fünf wurden in ein bis zwei Feedback-Runden ersetzt — die Schleife konvergiert schnell, wenn die Ablehnungsgründe präzise sind.

Drei Lektionen daraus, die sich übertragen lassen. Erstens: Bildmodelle können keine gravierten Ziffern und keine echte Handschrift — designen Sie Motive von vornherein ohne Text im Bild, statt auf das nächste Modell-Update zu hoffen. Zweitens: Klischee-Motive scheitern zuverlässig am Geschmacks-Gate; was der erste Prompt-Reflex liefert, sieht aus wie bei allen anderen. Drittens: Reject-by-Default ist der entscheidende Hebel. Ein Prüfer, der im Zweifel durchwinkt, ist wertlos; drei Prüfer, die im Zweifel ablehnen, erzeugen aus billigen Kandidaten teures Niveau.

Was das für Ihren Betrieb heißt

Erstens: Rechnen Sie die Generierung nicht mehr als Kostenfaktor, sondern als Rohstoff. Bei Cent-Preisen pro Bild ist Überproduktion mit anschließender harter Auswahl der richtige Modus — nicht das eine, mühsam erprompte Einzelbild.

Zweitens: Investieren Sie in die Auswahl, nicht ins Rendern. Kodifizieren Sie, was für Ihre Marke „gut" heißt — als schriftliche Gestaltungsregeln mit harten Ausschlusskriterien, nicht als Bauchgefühl einer Person. Erst dieses Dokument macht automatisierte Qualitäts-Gates möglich und Ihre Qualität unabhängig davon, wer gerade prüft.

Drittens: Bleiben Sie modellagnostisch. Das Sora-Aus wird nicht das letzte seiner Art sein. Verankern Sie Ihr Know-how in Regeln, Prüfprozessen und Referenzbeständen — Dinge, die einen Modellwechsel überleben — und behandeln Sie das jeweilige Modell als austauschbaren Zulieferer.

Und viertens: Fangen Sie mit dem Messen an, bevor Sie weiter skalieren. Dass 81 Prozent der Teams laut Benchmarks keine Messung haben, ist keine beruhigende Mehrheit, sondern die Lücke, in der Markenschäden entstehen. Ein einfaches Audit des Bestands — wie unser eigenes, das 5 von 11 Bildern aussortierte — ist an einem Nachmittag erledigt und zeigt sofort, wo Sie stehen.

Weiterführend im Themenfeld: MCP Mitte 2026: Vom Anthropic-Experiment zur Industrie-Infrastruktur und KI-Agenten im Unternehmen: Was Mitte 2026 wirklich läuft.