Personalisierte Videos in großem Umfang

Eine persönliche Videobotschaft („Hallo Anna, das hat sich in Ihrer Police geändert“) überzeugt und bindet besser als eine allgemeine Mail, doch sie einzeln zu filmen ist über eine Handvoll Empfänger hinaus unmöglich. Vorlagenbasierte Video-Engines und KI-Avatare mit geklonten Stimmen rendern aus CRM-Daten in Minuten ein Video pro Kunde, in vielen Sprachen. Schwierig ist nicht mehr das Rendern, sondern Einwilligung, Transparenzkennzeichnung und Datenhygiene.

Problem & Nutzen

• Heute: Marketing und Vertrieb versenden statische Mailings; Vertriebsmitarbeitende nehmen einige wenige Videos von Hand auf (im Stil von Loom); Onboarding und Kontoauszüge kommen als PDF. Klassisches „Programmatic Video“ brauchte Motion Designer und feste Vorlagen.
• Nutzen der KI: Eine Aufnahme oder ein Avatar ergibt unbegrenzt viele Varianten; Text-to-Speech mit Stimmklonung erspart erneute Aufnahmen; maschinelle Übersetzung plus Lippensynchronisation liefert mehrsprachige Fassungen; ein LLM kann aus dem CRM-Kontext das Skript je Empfänger entwerfen.
• Typische Einsatzfälle: Account-Based-Sales-Ansprache, Onboarding-Rundgänge, Verlängerungs- und Upsell-Hinweise, Jahresübersichten von Versicherungen/Banken, Einladungen zu Veranstaltungen, Dankesvideos beim Spendensammeln, personalisierte Produktempfehlungen im E-Commerce.
• Vorteile: Anbieter veröffentlichen Fallstudien zur Steigerung; betrachten Sie sie als Marketingaussagen und messen Sie Ihren eigenen Effekt mit einer A/B-Vergleichsgruppe, statt sich auf zitierte Zahlen zu verlassen.

Varianten

• Vorlagengesteuert (ohne generatives Video): Textüberblendungen, Bilder und Sprechertext, zusammengesetzt aus Variablen; günstig, deterministisch, markensicher.
• Avatar als Präsentator: Ein digitaler Zwilling einer Mitarbeiterin bzw. eines Mitarbeiters spricht ein Skript je Empfänger (siehe GEN-003).
• Echtes Filmmaterial mit getauschter Stimme/Lippen: ein aufgenommener Präsentator, in den per Stimmklonung und Lippensynchronisation der Name eingefügt wird; höchste Empfindlichkeit bei der Einwilligung.
• Datengetriebener Erklärfilm: Rechnungen, Verbrauch, Einsparungen oder Portfolio als Bewegtbild (Energieversorger, Telekommunikation, Banken).
• Lokalisierung in großem Umfang: ein Master-Video, übersetzt und synchronisiert in viele Sprachen (SPEECH-007).
• Privatnutzung: Grüße oder Einladungen aus Vorlagen; keine geschäftlichen Pflichten außer der, sich nicht als andere auszugeben.

So funktioniert es

1. CRM/CDP-Segment + Einwilligungsfilter
2. Skripterzeugung (Vorlagentext oder LLM-Entwurf aus dem Datensatz)
3. Prüfung auf Leitplanken/Marke
4. Render-Auftrag je Empfänger (Vorlagen-Engine | Avatar + TTS | Übersetzung + Lippensynchronisation)
5. Stichproben-QS + automatisierte Prüfungen (Aussprache von Namen, Länge, unzulässige Aussagen)
6. Kennzeichnung KI-generierter Inhalte (sichtbarer Hinweis, C2PA-Metadaten)
7. Auslieferung (E-Mail-Vorschaubild, Landingpage, In-App) + Tracking
8. Rückmeldung an das CRM, Ablauf/Löschung der Videos

• Rendering: zwei Familien. Vorlagen-Engines setzen Szenen, Text und Bilder in Code oder JSON zusammen; Avatar-Plattformen synthetisieren aus Text und einem Stimmmodell einen sprechenden Präsentator.
• Personalisierungslogik: Variablen sind einfache Felder; ein LLM darf den Satz drumherum schreiben, aber Fakten (Beträge, Daten) müssen aus strukturierten Daten stammen, nicht aus generiertem Text.
• Mensch-in-der-Schleife (Human-in-the-Loop): Freigabe von Vorlage und Präsentator durch Marketing/Recht; stichprobenartige Prüfung jedes Stapels; harter Stopp bei regulierten Aussagen (Finanzen, Gesundheit, Recht).

Datenaufbereitung

Welche Daten. Empfängerdatensätze (Name, Unternehmen, Produkt, Nutzungsdaten), Einwilligungs- und Opt-in-Status, Markenmaterial, Videovorlagen sowie Filmmaterial und Stimmproben des Präsentators mit Einwilligung.

Wo sie liegen. CRM oder CDP, Marketing-Automation, ERP/Kundenstamm, Newsletter-Werkzeuge, Tabellen und die gemeinsamen Laufwerke des Marketingteams.

Typische Lücken. Doppelte und veraltete Kontakte; fehlende oder unklare Einwilligung; uneinheitliche Schreibweise von Namen und Unternehmen; fehlende Sprach- oder Anredefelder; keine unterschriebene Freigabe für Gesicht und Stimme des Präsentators; zersplitterte Kundendaten über mehrere Systeme.

Aufbereitungsschritte. 1. CRM-Daten sauber exportieren und anbinden (PREP-005) und Tabellen in aufgeräumte Tabellen überführen (PREP-011). 2. Dubletten bereinigen, Anrede- und Sprachfelder füllen und Felddefinitionen abstimmen (PREP-012). 3. Zweck und Rechtsgrundlage für jede Verwendung der Daten prüfen (PREP-025); Testexporte pseudonymisieren (PREP-022). 4. Vorlagen und freigegebene Beispielvideos sammeln (PREP-016).

Aufwand. Etwa 30 Prozent des Projekts; Datenqualität und Einwilligung sind der Engpass, nicht die Videogenerierung. Beginnen Sie mit GUIDE-003 und GUIDE-005.

Umsetzungswege

Welcher Weg für wen

• smb: Weg A, weil ausgereifte, in der EU hostbare Plattformen für personalisierte Videos zu KMU-Preisen verfügbar sind und sich an gängige CRMs anbinden lassen.
• enterprise: Weg B, weil das Video in Ihr eigenes CRM/CDP und Ihr Einwilligungsmanagement integriert werden muss und das Volumen eigene Pipelines auf Basis von APIs lohnenswert macht.
• developer: Weg B, weil sich Avatar-, Stimm- und Video-APIs zu Ihrem eigenen Produkt zusammensetzen lassen; Selbstbetrieb lohnt wegen der GPU-Kosten selten.

Weg A — Kaufen (für die meisten KMU empfohlen)

• Avatar-/Vorlagenplattformen: Synthesia (UK, Datenoptionen in der EU), HeyGen, Colossyan, D-ID, Tavus (für personalisierte Videos gebaut), Hour One. Prüfen Sie API-Zugang, Massen-/CSV-Abläufe, SSO, Datenspeicherort und den Umgang mit der schriftlichen Einwilligung für Avatar und Stimme.
• Programmatic-Video-SaaS: Creatomate, Shotstack, Bannerbear, JSON2Video; Idomoo und Vidyard für Unternehmens- und Vertriebsvideo; Werkzeuge im Stil von Sendspark/Loom für halbmanuelle Abläufe.
• A wählen, wenn: unter einigen Tausend Videos pro Kampagne, das Marketing das Projekt verantwortet und über CRM-Konnektoren (HubSpot, Salesforce) hinaus keine eigene Datenintegration nötig ist.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Avatar-APIs: Vorlagen-Endpunkte von HeyGen, Synthesia, Tavus und D-ID nehmen Variablen je Anfrage entgegen und liefern einen Render-Auftrag mit Webhook nach Abschluss zurück.
• Stimme: ElevenLabs (Option für Datenspeicherung in der EU), Azure AI Speech Custom Neural Voice (nur mit Einwilligung freigeschaltet), Google Cloud TTS; DeepL für die Übersetzung (EU).
• Skript-LLM: ein Frontier- oder EU-Modell (Mistral, Claude, GPT, Gemini in EU-Regionen) mit strukturierter Ausgabe, sodass nur der Freitextsatz variiert.
• Generative Clips: Google Veo, Runway, Luma, Kling für Hintergrund- oder B-Roll-Aufnahmen (GEN-002); nicht für Gesichter echter Kunden.
• Orchestrierung: n8n, Make, Power Automate oder eine Warteschlange (z. B. Celery, SQS) mit Wiederholungen, Umgang mit Ratenlimits und Idempotenzschlüsseln je Empfänger.

Weg C — Selbst betreiben (Open Source)

• Vorlagen-Rendering: Remotion (React-basiert; Lizenzbedingungen für Unternehmen prüfen), MoviePy, FFmpeg, Motion Canvas — vollständig deterministisch und auf der CPU günstig; HW1 genügt.
• Stimme: offene TTS wie Kokoro, XTTS/Coqui-Abkömmlinge, F5-TTS, Piper; prüfen Sie die Lizenz jedes Modells auf kommerzielle Nutzung und Einschränkungen beim Stimmklonen.
• Talking Head/Lippensynchronisation: offene Forschungsmodelle (z. B. LatentSync, MuseTalk, Videomodelle der Wan-Familie) funktionieren, aber Qualität, Lizenzierung und Einwilligungskontrollen erfordern Aufwand; mindestens HW2, HW3 für den Durchsatz.
• Übersetzung: NLLB/Opus-MT oder ein offenes LLM. ASR für Untertitel: Whisper.
• C wählen, wenn: Daten das Unternehmen nicht verlassen dürfen, sehr hohes Volumen einfacher Vorlagen.

Weg D — Eigenes Training

Selten nötig. Das Feintuning eines Stimmmodells auf Aufnahmen einer einwilligenden Sprecherin bzw. eines einwilligenden Sprechers oder das Training eines eigenen Präsentatormodells lohnt sich nur für einen markenprägenden digitalen Botschafter bei hohem Volumen. Erfordert eine dokumentierte, widerrufbare schriftliche Einwilligung und oft einige Stunden sauberes Studio-Audio/-Video.

Stand der Technik (2026)

• Avatar-Plattformen bieten realistische Präsentatoren, über 100 Sprachen, API-Vorlagen und Massen- generierung; interaktive (Echtzeit-)Avatare entstehen für Anschlussgespräche (CONV-018).
• Generative Videomodelle (Veo, Modelle der Sora-Klasse (Sora selbst wurde 2026 eingestellt), Runway, Kling, Wan) erzeugen heute kurze fotorealistische Clips mit Ton, doch Kosten und Konsistenz machen sie als Engine je Empfänger ungeeignet; stattdessen liefern sie gemeinsames B-Roll-Material.
• Die Herkunftssicherung reift: C2PA Content Credentials und unsichtbare Wasserzeichen (z. B. SynthID) werden eingeführt, um die Kennzeichnungspflichten nach Art. 50 KI-Verordnung zu unterstützen.
• Grenzen: falsch ausgesprochene Namen und Zahlen, unnatürliche Lippensynchronisation in manchen Sprachen, lange Render-Warteschlangen bei Kampagnen, halluzinierte Aussagen, wenn das LLM Fakten schreibt, Zustellprobleme (Videoanhänge werden blockiert; man nutzt Links und Vorschaubilder) sowie Ermüdung oder „Unheimlichkeit“ beim Empfänger, wenn die Personalisierung zu viele Daten offenlegt.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack wie GEN-002 (Marketingvideo), GEN-003 (Avatar-Präsentatoren), SPEECH-007 (Stimmklonung, Synchronisation) und GEN-012 (Schnitt/Reframing). Eine TTS- und Render-Farm bedient alle.
• Vorgelagert: CRM-/CDP-Segmentierung und Next-Best-Action-Modelle; Consent-Management-Plattform.
• Nachgelagert: CONV-018 Gespräche mit digitalen Menschen; Auswertung der Interaktion.
• Barrierefreiheit: Untertitel und Audiodeskription (SPEECH-014); Varianten in Gebärdensprache (LANG-030).

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; Preise je Videominute oder Arbeitsplatz, API-Zugang meist in höheren Tarifen. Weg B: 1–3 Monate für CRM-Integration, Einwilligungsverwaltung und QA. Weg C: 2–4 Monate; GPU- oder CPU-Render-Farm plus Betrieb.
• Kostentreiber: gerenderte Minuten, Anzahl der Sprachen, Stimmlizenzen, Speicher und CDN, QA-Zeit, rechtliche Prüfung.
• Kennzahlen: Durchschauquote, Klick-zu-Aktion und Konversion gegenüber der Vergleichsgruppe, Abmelde- und Beschwerdequote, Render-Fehlerquote, Kosten pro zugestelltem Video, Zeit von der Datenänderung bis zur Zustellung.

Menschen & Veränderung

Früh einbinden: die Geschäftsführung (Marken- und Vertrauensrisiko), die Marketing- oder Vertriebsleitung als Prozessverantwortliche, die bzw. den Datenschutzbeauftragten von Anfang an, weil Kundendaten verarbeitet werden, die IT für die CRM-Integration, die Rechtsabteilung für Rechte des Präsentators und Kennzeichnung. Kunden sind mittelbar betroffen; testen Sie den Ton daher mit einigen von ihnen.

Betriebsrat. Ob ein Betriebsrat (oder im öffentlichen Dienst ein Personalrat) mitzubestimmen hat, hängt vom Unternehmen ab. Nach §87 Abs. 1 Nr. 6 BetrVG greift die Mitbestimmung bei Systemen, die objektiv geeignet sind, Verhalten oder Leistung von Beschäftigten zu überwachen (BAG); Werkzeuge mit Protokollen pro Nutzer können daher darunter fallen, auch wenn keine Überwachung beabsichtigt ist. Nach §90 Abs. 1 Nr. 3 ist der Betriebsrat in jedem Fall rechtzeitig über geplante KI-gestützte Arbeitsabläufe zu unterrichten. Wenn es einen Betriebsrat gibt, binden Sie ihn früh ein und erwägen Sie eine Rahmenbetriebsvereinbarung zu KI (siehe GUIDE-004). Die als Präsentator oder Avatar eingesetzte Mitarbeiterin bzw. der eingesetzte Mitarbeiter braucht eine schriftliche Einwilligung; binden Sie dazu Personalabteilung und Betriebsrat ein.

Datenschutz. Eine DSFA ist wahrscheinlich, wenn Profiling im Spiel ist oder Daten in großem Umfang kombiniert werden; AVV mit dem Videoanbieter und eine klare Rechtsgrundlage für jedes Mailing (GUIDE-005).

KI-Kompetenz und Kommunikation. Schulen Sie Marketing- und Vertriebspersonal und fördern Sie so die KI-Kompetenz nach Art. 4 KI-Verordnung (AI Act) (GUIDE-006). Kennzeichnen Sie synthetische Videos als KI-generiert, wie es Art. 50 KI-Verordnung verlangt (GUIDE-014).

Pilot. Ein Segment mit einigen Hundert Empfängern und eine menschliche Prüfung von Stichproben vor jedem Versand (GUIDE-009). Typische Bedenken sind Unheimlichkeit und die Wahrnehmung als Spam; begegnen Sie ihnen mit Opt-in, ehrlicher Kennzeichnung und einfacher Abmeldung.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act) (VO 2024/1689): begrenztes Risiko. Art. 50 verpflichtet Betreiber von KI-generierten oder manipulierten Video-/Audioinhalten, die realen Personen ähneln (Deepfakes), dies offenzulegen, und Anbieter, synthetische Ausgaben maschinenlesbar zu kennzeichnen; ein klar als KI offengelegter Avatar-Präsentator ist der sichere Standard. Verbote nach Art. 5: keine manipulativen oder ausbeuterischen Techniken, die das Verhalten wesentlich verzerren oder Schwächen ausnutzen (Alter, Behinderung, soziale oder wirtschaftliche Lage); schneiden Sie Druck nicht auf schutzbedürftige Personen zu. Sich ohne Einwilligung als reale Person auszugeben, ist in der Praxis rechtswidrig.
• DSGVO: personenbezogene Daten in Skripten und Profiling. Erfordert eine Rechtsgrundlage (Einwilligung oder berechtigtes Interesse mit Interessenabwägung), Transparenz, Datenminimierung, Widerspruchsrecht (Art. 21), AVV mit Anbietern und Garantien für Drittlandübermittlungen bei US-Avatar-Anbietern. Verwenden Sie keine besonderen Kategorien (Gesundheit, Finanzen schutzbedürftiger Personen) für die Personalisierung ohne ausdrückliche Grundlage. Abbild und Stimme von Beschäftigten/Präsentatoren sind personenbezogene Daten (und möglicherweise biometrisch, wenn sie zur Identifizierung genutzt werden): Holen Sie eine schriftliche, widerrufbare Einwilligung ein und regeln Sie die Vertragsbedingungen für den digitalen Zwilling.
• Werberecht: Die ePrivacy-Richtlinie / §7 UWG verlangen ein Opt-in für elektronische Werbung; unerbetene personalisierte Videomails sind weiterhin Werbung. Branchenregeln (MiFID II, Versicherungsvertrieb, Heilmittelwerbegesetz HWG) gelten für Aussagen im Video.
• Risiken und Gegenmaßnahmen: falsche Daten im Video (QA-Stichproben, Datenvalidierung); Missbrauch von Stimmklonen (eingeschränkter Zugriff, Wasserzeichen, Einwilligungsregister); Betrugsrisiko, wenn dieselbe Pipeline für Identitätstäuschung missbraucht wird (Zugriffskontrolle, Freigabe für neue Stimmen); Ablauf von Links und Löschung.

Erste Schritte

1. Eine Customer Journey auswählen (z. B. Onboarding oder Verlängerung) und die Opt-in-Zielgruppe sowie eine Vergleichsgruppe festlegen.
2. Eine 60-Sekunden-Mastervorlage mit 3–5 Variablen und einem klar offengelegten Avatar oder einer solchen Stimme bauen.
3. Die schriftliche Einwilligung des Präsentators einholen und registrieren; KI-Hinweis in Video und Landingpage aufnehmen.
4. 200–500 Empfänger mit Weg A pilotieren, jeden Stapel stichprobenartig prüfen, mit der Vergleichsgruppe vergleichen.
5. Wenn es funktioniert, auf API-/Webhook-Integration (Weg B) mit Einwilligungsfilter und Löschrichtlinie umsteigen.

Quellen

1. Regulation (EU) 2024/1689 (AI Act), Art. 5 and Art. 50 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
2. European Commission — AI Act overview and transparency code of practice on AI-generated content — https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
3. HeyGen — Enterprise API (templates with variables, video translation) — https://www.heygen.com/enterprise-api
4. Synthesia — API documentation — https://docs.synthesia.io
5. Remotion — programmatic video in React — https://www.remotion.dev/docs
6. C2PA — Content Credentials specification — https://c2pa.org
7. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
8. EDPB — Guidelines on legitimate interest and consent — https://www.edpb.europa.eu/our-work-tools/general-guidance/guidelines-recommendations-best-practices_en