Warum KI-Ads unecht wirken (und die 7 Fixes, die sie brauchbar machen)

KI-Ads wirken aus einer überschaubaren Reihe von Gründen unecht, und alle lassen sich beheben: wächserne, überglättete Haut, ein honigfarbener „Glamour“-Look, verzerrter Etikettentext, Physik, an die sich kein Gegenstand hält, Lippen, die nicht zum Ton passen, und eine Stockfoto-Perfektion, die noch kein Handy je aufgenommen hat. Nichts davon gehört zwingend zu KI-Video. Es sind Standardeinstellungen, aus denen du dich mit Prompts und Pipeline aktiv herausarbeiten musst.

Wir setzen bei Hermoso jeden Tag Seedance 2.5, Veo 3.1, Kling 3.0 und das neueste Any-Input-Videomodell von Google ein. Der Unterschied zwischen einem unbrauchbaren Render und einem, hinter das du wirklich Budget stellen würdest, liegt fast nie am Modell. Er liegt an sieben handwerklichen Entscheidungen vor und nach dem Modelllauf.

Dieser Beitrag benennt die verräterischen Merkmale ehrlich und geht dann die sieben Fixes durch, die Profis tatsächlich nutzen. Es sind dieselben, die wir in unsere eigene Pipeline eingebaut haben.

Warum wirkt eine KI-Ad unecht?

Sieben Merkmale erklären fast jede KI-Ad, die in der ersten Sekunde auffliegt. Wenn dich glänzender, unheimlicher Output schon mal enttäuscht hat, war es eine Mischung aus diesen:

• Wächserne Haut. Die Modelle sind stark mit retuschierten, im Beauty-Licht aufgenommenen Bildern trainiert. Darum liefern sie standardmäßig porenlose, sanft glühende Gesichter, die keine Handykamera so aufnimmt.
• Der goldene Glamour-Look. Warmes, honigfarbenes, filmisches Licht auf allem. Stell dir eine Kombucha-Ad vor, die ausgeleuchtet ist wie ein Parfümspot.
• Verzerrter Etikettentext. Der Produktname zerläuft zu Fast-Buchstaben. Untertitel werden zu Buchstabensuppe. Nichts verrät eine KI-Ad schneller.
• Unmögliche Physik. Produkte schweben einen Moment zu lang, Flüssigkeit fließt gegen die Schwerkraft, eine geworfene Flasche hängt schwerelos in der Luft. Masse und Schwung fallen diesen Modellen immer noch schwer.
• Synchronisierte Lippen. TTS-Audio über einem generierten Mund ergibt dieses unheimliche Lippenflattern, das jeder aus schlecht synchronisierten Filmen kennt.
• Vom Modell gemalte Untertitel. Das Modell soll die Untertitelleiste oder den CTA-Button direkt ins Bild rendern. Das kann es nicht, und das verschmierte Ergebnis ruiniert eine sonst gute Einstellung.
• Stockfoto-Perfektion. Perfekt zentrierter Bildausschnitt, perfekt ruhige Hände, niemand blinzelt, nichts ist auch nur ein bisschen schief. Echter Content ist überall ein bisschen schief.

Für jedes dieser Merkmale gibt es ein konkretes Gegenmittel. Hier sind die sieben, sortiert danach, wie viel sie bringen.

Fix 1: Mattierte Haut und flache Handykamera-Optik prompten

Gegen den Glanz hilft nur, das Modell ausdrücklich von seinem Beauty-Licht-Standard wegzuprompten: matte Haut mit sichtbarer Struktur, neutrales Licht und die Bildcharakteristik einer Handykamera, die ein flaches SDR-Bildprofil aufnimmt statt eines gegradeten Kino-Rigs. Ohne diese Anweisung driftet jedes große Videomodell in Richtung Glow.

In der Praxis heißt das: Du schreibst die Realismus-Ebene in jeden Prompt im UGC-Stil. Unretuschierte Haut, kein Streiflicht, kein Bloom, Handkamera-Bildausschnitt, das leichte Rauschen und der begrenzte Dynamikumfang einer Frontkamera. Der Output sieht dann nicht mehr nach Werbespot aus, sondern nach etwas, das ein Mensch gefilmt hat, und genau darum geht es beim UGC-Format. Dieser Fix hat das beste Verhältnis von Aufwand zu Wirkung, weil die Leute Fakes an der Haut am schnellsten erkennen.

Fix 2: Texte, Logos und Untertitel in der Postproduktion einsetzen, nie vom Modell malen lassen

Jeder Text, den jemand lesen soll (Logo, Etikett, Untertitel, CTA, Endcard), gehört über das fertige Material gelegt, nicht ins Bild generiert. Diffusionsmodelle erzeugen Pixel, die statistisch nach Text aussehen. Sie schreiben keine Buchstaben. Das Ergebnis sind zerlaufene Zeichen und erfundene Fast-Wörter, und ein verzerrtes Etikett macht einen sonst makellosen Render zunichte.

Die funktionierende Pipeline sieht so aus: Die Szene sauber rendern und dann die echten Markenassets in einem Compositing-Schritt darüberlegen, also die echte Logodatei, die echte Schrift und pixelgenaue Untertitel. So bekommst du auch eine Endcard mit scharfem Logo und lesbarem CTA. Das ist mehr Pipeline-Arbeit, als „füg das Logo hinzu“ in einen Prompt zu tippen, und genau deshalb lassen es die meisten unecht wirkenden KI-Ads weg. Ein guter KI-Ad-Generator erledigt diesen Schritt für dich.

Fix 3: Jeden Render an einem echten Produktfoto festmachen

Hat das Modell dein echtes Produktfoto nicht als Referenz, erfindet es einen plausibel wirkenden Cousin deines Produkts: richtige Kategorie, falsche Flaschenform, halluziniertes Etikett, leicht falsche Farbe. Kunden, die das Produkt kennen, merken das sofort, und du auch.

Die Lösung: Gib bei jeder Generierung ein echtes Produktfoto mit und setz das Original in die Szene ein, statt es in Worten zu beschreiben. Text-Prompts beschreiben Kategorien, Referenzbilder legen die Identität fest. Zusammen mit Fix 2 (eingesetzter Etikettentext) sorgt das dafür, dass das Produkt in der Ad das Produkt im Regal ist. Das ist der Unterschied zwischen einem Lifestyle-Bild und einer fertigen Ad, die du wirklich schalten kannst.

Fix 4: Mikrogesten und einen unperfekten Moment in jede Performance schreiben

Unecht wirkende KI-Performances sind meist zu wenig inszeniert, nicht zu schlecht gerendert. Ein Prompt wie „Frau hält Produkt und lächelt“ bringt dir eine Schaufensterpuppe: starrer Blick, verkrampfter Griff, symmetrisches Lächeln. Echte Menschen zappeln.

Inszeniere die Performance auf Gestenebene: Sie schaut mitten im Satz kurz aufs Etikett, greift nach, streicht sich eine Haarsträhne hinters Ohr, lacht halb über ihre eigene Formulierung. Dann bau genau einen unperfekten Moment ein: Die Kamera wackelt, sie redet eine Silbe lang über sich selbst drüber, der Bildausschnitt verrutscht. Ein Fehler wirkt authentisch, fünf wirken chaotisch. Das ist Drehbucharbeit, kein Modelltuning, und die meisten Teams kommen nie auf diesen Fix, weil sie damit beschäftigt sind, dem Modell die Schuld zu geben.

Fix 5: Native Modellsprache bei sichtbaren Mündern, TTS nur für Voiceover-Schnitte

Die Regel ist einfach: Ist der Mund im Bild, muss die Sprache nativ vom Videomodell im selben Durchgang erzeugt werden, damit Lippen und Ton aus einem Prozess kommen. Ist die Einstellung Produkt-B-Roll mit Sprecher darüber, ist TTS in Ordnung, weil kein Mund da ist, der sich verraten könnte.

Teams machen es dann falsch, wenn sie stummes Material einer sprechenden Person generieren und anschließend TTS darüberlegen. Die Abweichung zwischen allgemeinen Mundbewegungen und konkreten Lauten erkennt die menschliche Wahrnehmung gnadenlos gut. Das ist der Effekt synchronisierter Filme, und kein Color Grading versteckt ihn. Aktuelle Modelle erzeugen wirklich lippensynchrone Sprache, wenn du sie lässt. Der unechte Look entsteht, wenn der Ton nachträglich draufgeschraubt wird.

Fix 6: Schwere Gegenstände nicht durch die Luft fliegen lassen

Lass das Modell nichts werfen, fallen lassen, drehen oder fangen, das Masse hat. Ballistische Bewegung (ein Gegenstand im freien Flug unter Schwerkraft) ist der Punkt, an dem die Physik der Videomodelle noch sichtbar bricht: Die Flasche hängt einen Moment zu lang in der Luft, überschlägt sich gleichmäßig, landet ohne Gewicht.

Plan deine Choreografie drumherum. Produkte werden gehalten, gedreht, abgestellt, aufgehoben, befüllt: Bewegungen, bei denen eine Hand den Gegenstand trägt und das Modell die Schwerkraft nie allein lösen muss. Gießen und Spritzen sind riskanter als Halten, aber viel sicherer als Werfen. Muss das Produkt für das Konzept wirklich in die Luft, schneidest du um diese Einstellung herum, statt sie zu generieren. Die meisten Fails mit „unmöglicher Physik“, die wir sehen, sind selbst verschuldet: Das Storyboard wollte einen Hero-Wurf, den das Modell nie hinbekommen hätte.

Fix 7: Kühles, neutrales Licht statt honigfarbener Looks

Prompte einen neutralen oder leicht kühlen Weißabgleich und gleichmäßiges, unglamouröses Licht (bedeckter Tageslichthimmel, eine Küche am Mittag, Bürolicht aus Leuchtstoffröhren), statt den warmen goldenen Look zu akzeptieren, zu dem die Modelle standardmäßig greifen. Dieser honigfarbene Look ist 2026 das visuelle Erkennungszeichen einer „KI-Ad“, und die Zuschauer haben es gelernt.

Neutrales Licht erfüllt zwei Aufgaben: Es beseitigt das Glamour-Merkmal, und es lässt Fix 1 und Fix 3 stärker wirken, weil matte Haut und ein echt eingesetztes Produkt unter gewöhnlichem Licht am überzeugendsten aussehen. Performance-Creatives brauchen eher glaubwürdiges Material als schönes. Heb dir die goldene Stunde für Einstellungen auf, bei denen die Marke sie wirklich verlangt, bewusst gewählt statt von den Standardeinstellungen des Modells geerbt.

Wie Hermoso diese Fixes in seine Pipeline einbaut

Die aufwendigsten Fixes dieser Liste sind direkt in die Pipeline von Hermoso eingebaut. Du bekommst also den Output eines Teams, das das täglich macht, ohne die Pipeline-Arbeit selbst zu erledigen:

• Eine Anti-Glanz-Realismus-Ebene schreibt matte Haut, neutrales Licht und Handykamera-Charakteristik in UGC-Renders (Fix 1 und 7).
• Alle Texte, Logos und Untertitel werden in der Postproduktion eingesetzt, nie vom Modell gemalt, einschließlich einer Endcard mit deinem echten Logo und CTA (Fix 2).
• Renders werden an deinem echten Produktfoto festgemacht, in die Szene eingesetzt und mit deiner Markenpalette versehen (Fix 3).
• Native Modellsprache kommt immer dann zum Einsatz, wenn ein Mund im Bild ist, TTS bleibt für reine Voiceover-Schnitte (Fix 5).

Darunter verteilt es jeden Auftrag auf Seedance 2.5, Veo 3.1, Kling 3.0 und das neueste Any-Input-Videomodell von Google, dazu Flux, GPT Image und die neuesten Bildmodelle von Google für Standbilder. Es wählt pro Auftrag, du musst dich also nie entscheiden. Und weil es zuerst recherchiert, was in deinem Markt bereits gewinnt, in den Ad Libraries von Meta, Google und LinkedIn plus organischem TikTok, basieren die Konzepte auf bewährten Ads, bevor ein einziges Pixel gerendert wird. Der kostenlose Plan hat 250+ verdienbare Gratis-Credits, ohne Kreditkarte. Die genauen Kosten siehst du in der App vor jedem Render. Probier es mit deinem eigenen Produkt aus. Am schnellsten testest du die These dieses Beitrags, indem du schaust, ob der Output deinen eigenen Fake-Detektor besteht.

Häufige Fragen

Warum kommen KI-generierte Texte und Logos verzerrt heraus?

Video- und Bildmodelle erzeugen Pixel, die statistisch nach Text aussehen, aber keine echten Buchstaben sind. Darum haben Etiketten und Untertitel zerlaufene Zeichen, zusätzliche Striche und Fast-Wörter. Die verlässliche Lösung: die Szene ohne Text rendern und das echte Logo, die Untertitel und den CTA in der Postproduktion über das Material legen.

Kann KI-Video überzeugend lippensynchron sein?

Ja, aber nur, wenn die Sprache nativ vom Videomodell im selben Durchgang wie das Bild erzeugt wird. Wird separat generiertes TTS-Audio über einen gerenderten Mund gelegt, entsteht das unheimliche Lippenflattern. Nutz TTS also nur für Schnitte, in denen kein Mund zu sehen ist.

Welches KI-Videomodell ist am besten für Ads?

Das eine beste gibt es nicht. Seedance 2.5, Veo 3.1 und Kling 3.0 haben je nach Einstellung unterschiedliche Stärken, und die Rangfolge ändert sich mit jedem neuen Modell. Hermoso schickt jeden Auftrag an das Modell, das am besten dazu passt, du musst also nie selbst wählen.

Kann ich mein echtes Produkt in eine KI-generierte Ad bringen?

Ja, und das solltest du auch. Jeden Render an einem echten Produktfoto festzumachen, ist einer der wirkungsvollsten Fixes dieser Liste. Hermoso setzt dein echtes Produktfoto in die generierten Szenen ein, statt das Modell einen Doppelgänger halluzinieren zu lassen.

Wie viel günstiger sind KI-Creatives als ein Shooting?

Agenturen nennen für eine einzige produzierte Ad oft vier- bis fünfstellige Beträge, und auf Creator-Marktplätzen kosten UGC-Videos oft ein paar hundert pro Stück. Bei Hermoso zeigt die App die genauen Kosten jedes Renders, die bezahlten Pläne kosten $29, $69 und $149 pro Monat.

Lehnen Zuschauer eine Ad ab, nur weil sie KI-generiert ist?

Unserer Erfahrung nach werden die verräterischen Merkmale abgelehnt, nicht die Herkunft. Material mit matter Haut, neutralem Licht, echtem Etikettentext und einem unperfekten menschlichen Moment wirkt wie normaler Content. Material mit wächserner Haut und goldenem Glanz wirkt unecht, egal wie es entstanden ist.