Was ist KI-Video-Asset-Management?

Medienverwaltung, bei der die beschreibenden Metadaten von der Maschine erzeugt werden statt von einem Menschen getippt. Ein Modell sieht sich Bilder aus jedem Clip an und hört den Ton ab, dann liefert es eine Beschreibung, Motiv-Tags, ein Transkript des Gesprochenen und technische Fakten wie Auflösung und Bildrate. Alles Weitere, also Suche, Ablage und Benennung, arbeitet mit diesen erzeugten Daten.

Ersetzt KI einen Logger oder eine Schnittassistenz?

Bei Ermessensfragen nicht. KI ist zuverlässig bei allem, was im Clip sichtbar und hörbar ist: Motive, Szene, Sprache, Kameratyp, offensichtliche technische Fehler. Sie weiß nicht, welchen Take die Regie mochte, was der Clip im Schnitt bedeutet oder ob eine Interviewantwort brauchbar ist. Sie nimmt dir das Tippen ab, nicht das Denken.

Funktioniert KI-Tagging ohne Internetverbindung?

Auf aktueller Hardware ja. Bildmodelle, die klein genug für einen Apple-Silicon-Mac sind, beschreiben einen Clip inzwischen gut genug zum Wiederfinden. Die Beschreibung ist gröber als in der Cloud, du bekommst also Fisch statt Kugelfisch, dafür verlässt nichts das Gerät und es kostet nichts pro Clip.

Wo sollten die erzeugten Metadaten liegen?

Wenn möglich im Dateisystem: im Dateinamen, in Finder-Tags, in der Ordnerstruktur und in einer Begleitdatei neben dem Clip. Eine eigene Datenbank sucht schneller, existiert aber nur innerhalb einer App. Dateinamen und Finder-Tags überleben das Ende einer App, ein ausgelaufenes Abo und die Übergabe an eine andere Cutterin.

KI-Video-Asset-Management: was es 2026 wirklich leistet

Was die KI mit einem Clip wirklich anstellt, wo die Metadaten liegen sollten, und wie du das einrichtest, ohne deine Bibliothek an ein Abo zu hängen.

14. August 2026 8 Min. Lesezeit

Ein Dreh von 20 Minuten erzeugt auf einer aktuellen Kamera zwischen 40 und 300 Dateien, und jede einzelne heißt so etwas wie C0087.MP4. Die Kamera kennt den Timecode, das Objektiv, die Bildrate und das Farbprofil. Sie weiß nicht, dass Clip 87 die Einstellung ist, in der die Interviewpartnerin endlich den guten Satz gesagt hat.

Genau diese Lücke, zwischen dem, was die Datei festhält, und dem, was du zum Wiederfinden brauchst, ist das ganze Problem, für das es Video-Asset-Management gibt. Dreißig Jahre lang bestand die Lösung darin, dass ein Mensch tippt. Seit ungefähr 2024 kann eine Maschine den größten Teil davon.

So sieht das heute aus, das ist immer noch falsch daran, und so richtest du es ein, ohne dein Material einer Datenbank zu übergeben, die dir nicht gehört.

Was „KI-Video-Asset-Management” tatsächlich bedeutet

Klassische Medienverwaltung (MAM oder DAM) hat drei Teile: Übernahme, Metadaten, Wiederfinden. Du kopierst das Material an einen strukturierten Ort, du hängst Informationen daran, und später durchsuchst du diese Informationen statt das Material.

Teil zwei war immer der Flaschenhals. Von Hand zu loggen dauert etwa das Ein- bis Dreifache der Laufzeit: eine Stunde Interview kostet ein bis drei Stunden Tippen, bevor irgendjemand den Schnitt anfasst. Deshalb macht es fast niemand, und deshalb ist die Bibliothek der meisten Freiberufler ein nach Datum benannter Ordnerbaum ganz ohne Metadaten.

KI-Asset-Management ersetzt das Tippen. Ein Modell sieht sich abgetastete Bilder aus dem Clip an, hört den Ton ab und liefert:

eine Beschreibung in normaler Sprache, was in der Einstellung zu sehen ist
Motiv- und Szenen-Tags, in kontrolliertem Vokabular oder frei formuliert
ein Transkript von allem Gesprochenen, mit Timecodes
eine Einordnung: Sprechclip oder Schnittbild, Interview oder Atmo, brauchbar oder verwackelt

Der Rest der Kette bleibt, wie er war. Es ist weiterhin Übernahme, Metadaten, Wiederfinden. Nur der teure Teil ist billig geworden.

Die vier Dinge, die zuverlässig funktionieren

Nach ein paar tausend Clips durch so ein System sortieren sich die nützlichen Fähigkeiten in vier Gruppen. Es lohnt sich zu wissen, welche welche ist, weil die Werbung in diesem Bereich sie gern verwischt.

Beschreibung. Ein Bildmodell, das acht bis zwanzig Bilder eines Clips sieht, nennt dir Art des Orts, Tageszeit, Hauptmotiv, Kamerabewegung und Bildausschnitt. „Drohnenflug im Sinkflug über eine Küstenstraße im Abendlicht” ist ohne Weiteres drin. Diese Fähigkeit ist es, die das Suchen nach dem, was im Bild ist, überhaupt möglich macht.

Transkription. Sprache zu Text ist mit Abstand das ausgereifteste Stück. Modelle der Whisper-Klasse transkribieren sauberen Interviewton direkt auf dem Gerät, in Dutzenden Sprachen, mit Timecodes bis aufs Wort, genauer als eine schnelle Schreibkraft. Wenn in deiner Arbeit Menschen sprechen, rechtfertigt allein das den Aufwand. Die praktische Fassung steht in Video auf dem Mac transkribieren.

Einordnung. Clips nach ihrer Rolle zu sortieren ist für ein Modell leicht und für einen Menschen zäh: Sprechclip oder Schnittbild, weit oder nah, Interview oder Atmo, diese Kamera oder jene. Das ist es, was B-Roll wirklich taggbar macht statt nur theoretisch taggbar.

Technische Sichtung. Auflösung, Bildrate, Seitenverhältnis und Codec kommen aus dem Dateikopf, nicht aus der KI. Offensichtliche Fehler dagegen kommen aus dem Bild: ein Clip, der durchgehend unscharf ist, oder einer, bei dem der Horizont zittert. Solche Clips zu markieren, bevor du eine Sequenz baust, erspart dir das ganz besondere Elend, es erst im Schnitt zu merken.

Was sie weiterhin falsch macht

Wer dir das Gegenteil verkauft, verkauft dir etwas.

Eigennamen. Ein Modell sieht einen Tempel. Es sieht nicht, dass es Angkor Wat ist, außer das Modell kennt zufällig diese Silhouette, und dann rät es mit voller Überzeugung eine falsche. Genauso bei Personen: „Mann in blauer Jacke” ist verlässlich, „Marcus” nicht, außer du hast dem System gesagt, wer Marcus ist.

Absicht. Welcher von fünf Takes der gute ist, ob die Antwort bei 4:12 der Antwort bei 11:30 widerspricht, ob diese Einstellung an den Anfang gehört. Das ist redaktionelles Urteilsvermögen, und kein heutiges Modell erledigt es für dein Projekt.

Zusammenhang zwischen Clips. Die meisten Systeme analysieren jede Datei für sich. Das Modell weiß nicht, dass Clip 84 und Clip 87 derselbe Aufbau sind, außer man sieht es im Bild.

Kamera-RAW. R3D, BRAW, ProRes RAW, ARRIRAW und Kamera-DNG sind für die meisten Werkzeuge geschlossene Behälter. Wer RAW dreht, rechnet vorher um oder arbeitet mit Proxys, bevor eine KI das Material anfasst.

Die ehrliche Zusammenfassung: KI-Asset-Management bringt dich ohne Menschenzeit von „300 unbenannten Dateien” zu „300 beschriebenen, durchsuchbaren Dateien”. Es bringt dich nicht zu „einem Schnitt”. Das war auch nie die Behauptung, die sich zu machen lohnt.

Die eine Frage, die alles entscheidet: wo liegen die Metadaten?

Das ist wichtiger als die Qualität des Modells, und es ist der Teil, über den die meisten erst nach zwei Jahren nachdenken, wenn eine Änderung teuer ist.

Es gibt zwei Bauweisen.

	Datenbank zuerst	Dateisystem zuerst
Wo Metadaten liegen	Eigener Katalog, oft in der Cloud	Dateiname, Finder-Tags, Ordner, Begleitdateien
Suchgeschwindigkeit	Sehr schnell, komplexe Abfragen	Schnell genug, einfachere Abfragen
Funktioniert in Premiere, Resolve, Finder	Nur über Anbindungen	Überall, weil es einfach Dateien sind
Wenn das Abo ausläuft	Metadaten sitzen fest	Nichts ändert sich
Platte an eine andere Cutterin geben	Sie braucht dasselbe Werkzeug	Sie braucht einen Mac oder PC
Zusammenarbeit im Team	Stark	Schwach, braucht Absprachen über gemeinsamen Speicher

Keine von beiden ist falsch. Wer einen Betrieb mit zehn Schnittplätzen und gemeinsamem Speicher führt, will das Datenbankmodell, und dafür gibt es Werkzeuge wie Iconik, Strawberry oder Axle.

Bist du allein oder zu dritt, sieht die Rechnung anders aus. Deine Bibliothek überlebt deine Werkzeuge. Die Metadaten, die 2036 noch lesbar sind, sind die in Dateinamen, Ordnernamen und Finder-Tags, weil das Eigenschaften des Betriebssystems sind und nicht die eines Anbieters. Ausführlicher steht das in DAM-Software für Videografen.

Ein vernünftiger Mittelweg: Metadaten mit KI erzeugen, ins Dateisystem schreiben, und den Katalog, den du benutzt, diese Dateien indizieren lassen. Dann ist der Katalog eine Bequemlichkeit und keine Abhängigkeit.

Cloud-Modell oder Modell auf dem Gerät

Die zweite echte Entscheidung. Beides ist legitim, für unterschiedliches Material.

Cloud-Modelle sind bei Einzelheiten genauer. Sie lesen Text im Bild, erkennen Wahrzeichen und benennen Arten und Objekte so genau, wie kleine Modelle es nicht erreichen. Der Preis: Bilder und Ton verlassen deinen Rechner, und du zahlst pro Clip.

Modelle auf dem Gerät sind auf Apple Silicon inzwischen wirklich brauchbar. Erwarte gröbere Ausgaben: „Fisch” statt „Kugelfisch”, „Straße in der Stadt” statt „Sukhumvit Road”. Dafür verlässt nichts den Mac, es kostet nichts pro Clip, und es läuft im Flugzeug. Für Kundenmaterial unter Verschwiegenheit, für medizinische oder juristische Aufnahmen und für alles mit einer Vertraulichkeitsklausel ist das keine Vorliebe, sondern die einzige Fassung, die eine Prüfung übersteht. Lokale KI-Videosuche beschreibt, was so ein Aufbau kann und was nicht.

Die praktische Antwort ist für die meisten beides: standardmäßig lokal, Cloud für das Material, bei dem sich die höhere Genauigkeit auszahlt.

Einrichtung auf dem Mac

Eine brauchbare Kette, in der Reihenfolge, die dich aus Schwierigkeiten heraushält:

Karte kopieren, nicht verschieben. Von der Karte auf die Arbeitsplatte, geprüft, bevor irgendetwas anderes die Dateien anfasst. Behalte die Karte, bis das Projekt zweifach gesichert ist.
Analysieren, bevor du ordnest. Lass den Durchgang für Beschreibung und Transkription laufen, solange die kopierten Dateien noch in einem flachen Ordner liegen. Man kann Clips nicht sinnvoll in Ordner einsortieren, bevor man weiß, was drin ist.
Namen schreiben, die überleben. Ein Dateiname wie Bangkok-Dach-Interview-01_16x9_4K_25FPS.mp4 ist im Finder lesbar, in Premieres Projektfenster, im Terminal und in einer Mail an die Kundin. Behalte den ursprünglichen Kameranamen als Anhängsel oder im Protokoll, damit du immer zurückverfolgen kannst.
Mit den Tags des Systems taggen. Auf macOS heißt das Finder-Tags, und die indiziert Spotlight, also sind sie aus jedem Öffnen-Dialog jeder Anwendung durchsuchbar. Das ist die am meisten unterschätzte Funktion der Plattform, und sie ist es, die aus dem Finder einen brauchbaren Materialbrowser macht.
Transkripte als Dateien behalten. Neben dem Clip, als .txt oder .srt. Spotlight indiziert Textdateien, also werden deine gesprochenen Sätze Teil desselben Suchindex wie alles andere auf dem Mac.
Protokollieren, was passiert ist. Jedes Werkzeug, das in großem Umfang umbenennt und verschiebt, sollte aufschreiben, was es getan hat. Ohne das ist eine Rücknahme Archäologie.

Was es realistisch kostet

Cloud-Analyse wird überall pro Clip abgerechnet, im Bereich weniger Cent. Für einen Dreh mit 200 Clips ist das wenig neben einer Stunde deiner Zeit. Die Zahl, auf die es ankommt, ist nicht der Preis pro Clip, sondern wie oft du dasselbe Material erneut analysierst, weil das Ergebnis nirgends dauerhaft gespeichert wurde.

Analyse auf dem Gerät kostet Strom und Plattenplatz. Ein Bildmodell sind einige Gigabyte, und die Analyse läuft je nach Mac und Modell ungefähr in Echtzeit oder ein Vielfaches schneller.

Womit die einzige Kostenstelle bleibt, auf die es wirklich ankommt: ungeloggtes Material kostet auch etwas. Es ist nur aufgeschoben und wird in der unangenehmsten Stunde des Schnitts fällig, zum denkbar schlechtesten Zeitpunkt, bei dir.

Cliptag macht das auf macOS: es liest Video, Fotos und Ton, benennt jede Datei nach dem, was drin ist, schreibt Finder-Tags und Ordner und transkribiert alles Gesprochene. Cloud-Analyse für die Genauigkeit, Lokal-Modus auf Apple Silicon kostenlos und unbegrenzt. Gratis-Plan, kein Konto nötig.