Alibaba verspricht Werbekunden ein KI-Video von einer Stunde aus einem einzigen Prompt, und die Länge war in meiner Arbeit nie der Engpass

In der vergangenen Woche hat Alibaba Cloud seine jährliche Apsara-Konferenz abgehalten. Zwischen Rechenzentren, Sprachmodellen und Hardware stand in Alibabas eigener Zusammenfassung vom 25. September ein Satz, der mich länger beschäftigt hat als der Rest: Smart Video sei ein KI-Video-Agent für Kurzdrama-Studios und Werbetreibende, der automatisch Videos von bis zu einer Stunde Länge erzeugt, in mehr als 20 Sprachen.

Der Bericht von Tech Critter vom 26. September ergänzt zwei Details: Das Video soll aus einem einzigen Prompt entstehen und sich danach in natürlicher Sprache nachbessern lassen. Und der Agent arbeitet mit mehreren Videomodellen, darunter Alibabas eigenes Wan.

Was belegt ist und was nicht

Belegt ist die Ankündigung, mehr nicht. Weder Alibabas eigener Text noch der Bericht nennen einen Preis, eine Verfügbarkeit außerhalb Chinas oder ein Beispielvideo, an dem man die Stunde prüfen könnte. Ich habe das Werkzeug nicht getestet. Alles, was ich im Folgenden schreibe, bezieht sich auf das Versprechen, nicht auf ein Ergebnis.

Zur Einordnung hilft ein Blick auf das Modell darunter. Wan 3.0 ist seit dem 6. August in einer öffentlichen Beta und erzeugt nach Angaben von Atlas Cloud bis zu 30 Sekunden am Stück. Die Gewichte sind nicht veröffentlicht, das Modell läuft nur über die bezahlte Schnittstelle. Die letzte frei verfügbare Wan-Generation ist Wan 2.2 vom Juli 2025. Eine Stunde entsteht also nicht in einem Durchlauf. Ein Agent zerlegt die Aufgabe, erzeugt viele kurze Stücke und setzt sie zusammen. Das ist Schnitt und Regie, automatisiert.

Warum mich die Zahl nicht beeindruckt

In meiner Produktion war die Länge nie das Problem. Ein Reel für eine Marke dauert 15 bis 30 Sekunden. Einen solchen Clip zu erzeugen, kostet heute Minuten. Die Zeit geht an anderer Stelle weg: Stimmt das Produkt in jeder Einstellung? Hat die Flasche dasselbe Etikett wie in der Einstellung davor? Springt das Licht? Steht irgendwo eine Schrift, die das Modell erfunden hat? Jede dieser Fragen muss ein Mensch beantworten, Einstellung für Einstellung.

Bei 30 Sekunden ist das eine überschaubare Arbeit. Bei einer Stunde sind es, grob gerechnet, mehrere hundert Einstellungen. Jede davon kann einen Fehler enthalten, den die Marke später in einem Kommentar unter ihrer Werbung liest. Ein Agent, der eine Stunde in einem Rutsch liefert, nimmt mir die Erzeugung ab. Die Prüfung vervielfacht er.

Daraus ziehe ich eine Konsequenz für meine Preise. Ich rechne ab jetzt ausdrücklich nicht nach Laufzeit ab. Wer mich fragt, was eine Minute kostet, bekommt die Gegenfrage, wie viele Einstellungen freigegeben werden müssen und wie streng die Marke bei Produkt und Schrift ist. Das ist die Arbeit, für die jemand bezahlt, und sie wird mit längeren Videos mehr, nicht weniger.

Das Gegenargument, das ich ernst nehme

Man kann mir vorhalten, dass ich hier mein eigenes Geschäftsmodell verteidige. Das stimmt, und es gibt Fälle, in denen der Einwand trifft.

Alibaba nennt als Zielgruppe ausdrücklich Kurzdrama-Studios. Dort zählt Menge, und ein Fehler in Folge 14 wird verziehen, solange die Geschichte trägt. Für Erklärvideos, Schulungen oder Produktanleitungen in 20 Sprachen gilt Ähnliches: Wer bisher für jede Sprache einzeln produzieren musste, spart mit so einem Werkzeug echtes Geld, auch wenn nicht jede Einstellung perfekt ist. Und ein Agent, der heute grobe Fehler macht, macht sie in einem Jahr seltener. Die Prüfarbeit, auf die ich meinen Preis stütze, schrumpft mit jeder Modellgeneration.

Ich halte trotzdem an meinem Standpunkt fest, mit einer Einschränkung. Für Marken, deren Produkt im Bild erkennbar und richtig sein muss, bleibt die Freigabe der teure Teil. Für Inhalte, bei denen das Produkt keine Rolle spielt, wird mein Aufschlag schwerer zu begründen sein. Das sollte ich meinen Kunden offen sagen, bevor es ihnen jemand anderes sagt.

Was ich jetzt anders mache

Drei Dinge. Erstens nenne ich in Angeboten die Zahl der Einstellungen, die ich prüfe, und nicht die Minuten, die am Ende herauskommen. Zweitens teste ich solche Agenten, sobald sie hier nutzbar sind, an einem echten Produkt und zähle die Fehler pro Minute, statt die Werbeaussage zu übernehmen. Drittens behalte ich im Blick, dass Alibaba die Gewichte seiner Videomodelle nicht mehr freigibt. Wer seine Produktion auf ein solches Werkzeug baut, hängt an einem Anbieter, dessen Preise heute niemand kennt.