Wogegen sich das vergleicht
Man setzt jemanden hin, der sich das Material ansieht und mitschreibt.
Das ist kein schlechtes Verfahren. Ein Mensch versteht sofort, was er sieht, erkennt Zusammenhänge, die keine Maschine erkennt, und entscheidet bei Grenzfällen. Man kann ihm auch sagen, worauf er achten soll. Insofern ist er flexibler als jede Software. Bei einer einzelnen Aufnahme ist das der schnellste Weg, den es gibt.
Es skaliert nur nicht. Und es hinterlässt keine Spur.
| Jemand sieht es sich an | Die Anwendung | |
|---|---|---|
| Aufwand je Aufnahme | Etwa Laufzeit des Videos, meist mehr, weil zurückgespult wird. | Läuft im Hintergrund, ohne dass jemand dabeisitzt. |
| Bei zwanzig Aufnahmen | Zwanzigfacher Aufwand. Die Konzentration lässt nach, kurze Auftritte gehen unter. | Das 1.800. Bild bekommt dieselbe Aufmerksamkeit wie das erste. |
| Nach etwas anderem suchen | Alles noch einmal ansehen, mit neuem Auftrag im Kopf. | Die Frage im Textfeld ändern, neu laufen lassen. |
| Das Ergebnis | Eine Einschätzung. | Belegbild und Zeitstempel zu jedem Fund. |
| Weiterverarbeitung | Abtippen. | Zahlen liegen in einer Datenbank und lassen sich weiterrechnen. |
| Wo die Daten liegen | Auf dem Rechner der Person. | In einer Datenbank in Europa, unter eigenen Zugängen. |
Eine Stunde Aufnahme sind bei zwei Sekunden Abstand 1.800 Einzelbilder. Die Anwendung stellt 1.800 Mal dieselbe Frage. Beim letzten Bild genauso genau wie beim ersten.
Was heute konkret läuft
- Jemand lädt eine Videodatei hoch und stellt ein, wie fein geprüft werden soll.
- Die Anwendung zerlegt das Video und schickt jedes Einzelbild mit der hinterlegten Frage an das KI-Modell. Zurück kommt keine Ja/Nein-Antwort, sondern eine Beschreibung: was zu sehen ist, wie deutlich, in welcher Situation, mit welcher Sicherheit.
- Funde aus verschiedenen Bildern werden zusammengefasst. Dasselbe Objekt aus zwei Kamerawinkeln ist eins, nicht zwei. Dafür vergleicht die KI die Bilder miteinander, nicht deren Beschreibungen.
- Für jedes Objekt wird gerechnet: wie oft es auftauchte und wie lange insgesamt.
- Auf Knopfdruck entsteht ein PDF: pro Objekt eine Karte mit Belegbild, Dauer, Auftritten und allen Fundstellen mit Zeitstempel.
- Darüber liegt eine Bewertungsschicht: Man hinterlegt eigene Dokumente als Regelwerk, die Anwendung leitet daraus ab, welche Funde relevant sind, und beurteilt jeden dagegen, mit Begründung, Gegenargumenten und Einstufung.
- Punkt 6 ist der entscheidende. Er zeigt: Der Bericht ist nicht das Ende der Kette, sondern eine Zwischenstation.
Was ihr anschließen könnt
Für wen wir das gebaut haben und wonach dort gesucht wird, steht hier nicht. Das ist kein Loch im Text, sondern der Beleg für den Punkt: Die Frage ist eine Einstellung, kein Bestandteil.
Nach dem Bericht folgt immer dasselbe Muster. Die gefundenen Objekte mit ihrer Dauer treffen auf etwas Hinterlegtes: einen Tarif, einen Vertrag, eine Liste, ein Regelwerk. Daraus wird eine Zahl oder ein Urteil. Genau diese Schicht ist im laufenden Projekt bereits gebaut, für ein Regelwerk aus eigenen Dokumenten. Was für einen anderen Anwendungsfall wechselt, ist die Referenz und die Rechenformel, nicht die Anwendung:
Was sich anschließen ließe
| Bereich | Beispiele |
|---|---|
| Dateiablagen | SharePoint, Google Drive oder ein Netzlaufwerk |
| Postfach als Eingang | Datei per Mail rein, Bericht per Mail zurück |
| Kalender | Auswertungen an Termine oder Kampagnenzeiträume koppeln |
| Warenwirtschaft und CRM | Funde einem Kunden, Vertrag oder Produkt zuordnen |
Buchhaltung und Ticketsysteme lassen sich auf demselben Weg anbinden.
Und nur das: Dateiablage für Videos, Bilder und Berichte. Benutzerverwaltung. Ein KI-Anbieter. Ein System für lange Auswertungen im Hintergrund. PDF-Erzeugung. Die beschriebene Bewertungsschicht.
- Werbewert je Marke. Hinterlegt wird eine Tarifliste: Preis je Sekunde, gestaffelt nach Prominenz und Platzierung. Gerechnet wird Sichtzeit mal Faktor mal Tarif, summiert je Marke. Heraus kommt ein Abrechnungsposten statt einer Schätzung.
- Sponsoring gegen Vertrag. Aus dem Vertrag kommt die Zusage, etwa 120 Sekunden Präsenz je Veranstaltung. Die Auswertung liefert das Ist. Bei Unterdeckung entsteht ein Nachweis samt Differenz. Automatisch, mit Belegen.
- Marktanteil in der Wahrnehmung. Nicht eine Aufnahme, sondern hunderte über einen Zeitraum. Welche Marke war wie lange präsent, in welchem Umfeld, mit welchem Trend. Ergebnis ist ein Dashboard statt eines Einzelberichts.
- Alarm statt Bericht. Eine Sperrliste hinterlegen: Inhalte, die nicht ausgespielt werden dürfen. Jeder Treffer löst sofort aus, mit Zeitstempel, statt in einem PDF zu landen.
- Archiv erschließen. Alle Funde in einen Index. Damit wird Bestandsmaterial nach Bildinhalt durchsuchbar statt nach Dateiname.
Dazu kommt, was für jeden dieser Fälle gleich funktioniert: wiederkehrende Läufe auf einem überwachten Eingangsordner, Schwellwert-Alarme, Tabellenexport, und eine Schnittstelle, über die ein anderes System die Ergebnisse direkt abholt.
Was es kostet
Der mit Abstand größte Posten ist die KI-Abfrage je Einzelbild. Gemessen sind das rund 1.870 Token pro Bild. Fast alles davon entfällt auf das Bild selbst, der Text drumherum fällt kaum ins Gewicht. Eine Stunde Aufnahme bei zwei Sekunden Prüfabstand sind 1.800 Bilder und kostet damit unter zehn Euro an Rechenleistung. Bei drei Sekunden Abstand ist es ein Drittel weniger, bei jeder Sekunde das Doppelte. (Stand August 2026, gängiges Vision-Modell; Token gemessen über vier Durchläufe.)
Hosting und Datenbank sind Fixkosten im Monat und wachsen nicht mit dem einzelnen Video mit. Keine Lizenz pro Arbeitsplatz, keine Mindestabnahme: Wer einen Monat nichts auswertet, zahlt in diesem Monat fast nichts. Das Kostenmodell folgt damit dem Verbrauch, nicht dem Kalender.
Wie es gebaut ist
Eine Webanwendung, in der Hochladen, Auswerten und Berichten zusammenlaufen. Die Auswertung passiert nicht im Browser, sondern im Hintergrund: zerlegen, ansehen, gruppieren. Die Schritte stoßen sich gegenseitig an. Der Bericht ist davon getrennt und wird von Hand ausgelöst, weil er das Ergebnis festschreibt. Daten, Dateien und Anmeldung liegen in einer verwalteten Datenbank in einem europäischen Rechenzentrum, unter Zugängen des Kunden. Alle KI-Aufrufe laufen über eine einzige Stelle im Programm. Ein Wechsel des Modells oder Anbieters betrifft diese Stelle, nicht die Auswertungslogik. Und die Fragen an die KI stehen nicht im Programmcode, sondern in der Datenbank, editierbar über eine eigene Oberfläche.
Warum es verlässlich läuft
Die Dauer wird gerechnet, nicht geschätzt.
An dieser Stelle ist keine KI beteiligt. Es gilt eine Regel: Liegt zwischen zwei Bildern desselben Objekts eine Lücke von mehr als dem doppelten Prüfabstand, war das Objekt zwischendurch weg, also zwei Auftritte statt einem. Die Dauer ergibt sich aus den Zeitstempeln. Gleiches Video, gleiches Ergebnis, jedes Mal. Und im Bericht steht jeder Zeitstempel, an dem man es nachrechnen kann.
Das klingt nach einer Kleinigkeit, entscheidet aber über die Aussage: Dreimal zehn Sekunden ist etwas anderes als einmal dreißig.
Die Anwendung fragt nach, statt zu raten.
Wer ein eigenes Regelwerk hinterlegt, lädt Dokumente hoch. Die KI liest sie und erzeugt daraus keine fertige Wahrheit, sondern zwei Dinge: eine Zusammenfassung — und eine Liste der Fragen, die sie aus den Unterlagen nicht beantworten kann. Erst wenn die beantwortet oder bewusst übersprungen sind, entsteht die endgültige Fassung.
Ältere Auswertungen bleiben dabei unangetastet: Jede merkt sich, mit welchem Stand des Regelwerks sie gelaufen ist. Wer das Regelwerk heute ändert, ändert nicht rückwirkend, worauf sich ein Bericht von letztem Monat beruft.
Wo KI arbeitet — und wo nicht
KI arbeitet an drei Stellen: Sie sieht sich ein Einzelbild an und beschreibt, was darauf zu sehen ist. Sie vergleicht Bilder, um gleiche Objekte wiederzuerkennen. Und sie liest Regelwerks-Dokumente und benennt dabei, was darin fehlt.
Bewusst ohne KI: das Zerlegen des Videos. Die Berechnung von Auftritten und Dauer. Die Vorauswahl vor einer Bewertung: was unter den eingestellten Schwellen liegt, wird aussortiert, ohne dass dafür überhaupt eine KI gefragt wird. Und die Erzeugung des Berichts.
Das ist keine Sparsamkeit, sondern eine Arbeitsteilung. Die KI beschreibt, was zu sehen ist. Was daraus folgt, rechnet das Programm. Und alles, was gerechnet wird, kann man nachrechnen.
Was das für euch heißt
Der Reflex bei so einer Aufgabe ist, nach einer fertigen Lösung für genau das eigene Problem zu suchen. Und wenn es die nicht gibt, gilt die Aufgabe als nicht machbar. Dieser Fall zeigt den anderen Weg: Gebaut wurde keine Erkennung für ein bestimmtes Etwas, sondern eine Kette. Videos in ansehbare Stücke zerlegen, sie befragen, die Antworten zu einem belegten Ergebnis verdichten. Was gesucht wird, ist darin ein Textfeld. Was mit dem Ergebnis geschieht, ist eine Rechenregel. Der Kunde in diesem Projekt sucht nach etwas sehr Speziellem. Die Anwendung weiß davon nichts. Sie führt aus, was hinterlegt ist.
Die Frage an euch ist deshalb nicht, ob es eine Software für euren Fall gibt. Sondern welche Frage ihr eurem Material stellen würdet, wenn jemand es für euch durchsieht. 1.800 Mal pro Stunde, ohne nachzulassen.
Was gesucht wird, steht nicht im Programm. Es steht in einem Textfeld.