Auf den Bildschirmen der Tech-Evangelisten sieht die Zukunft des Kinos derzeit aus wie eine endlose Abfolge von Werbespots. Wer die einschlägigen Kanäle öffnet, sieht atemberaubend gerenderte Gesichter, neonüberstrahlte Pfützen und schwebende Kamerafahrten. Darunter stehen stolz die Zauberformeln der neuen Ära: „shot on 35mm anamorphic, Arri Alexa, 80mm prime lens, natural lens breathing, 180-degree shutter, Kodak Portra 400 grain, masterclass lighting, cinematic photorealism“.

Wer allerdings jemals im Morgengrauen auf einem matschigen Acker gestanden hat, um ein HMI-Licht gegen das schwindende Tageslicht auszurichten, oder wer Stunden in der Farbkorrektur verbracht hat, um das Rauschen eines Sensors im tiefen Schatten von digitalem Matsch zu trennen, der blickt mit einer Mischung aus Faszination und tiefer Ernüchterung auf diese Ergebnisse.

Generative Videomodelle wie Sora, Kling, Runway oder Veo generieren faszinierende Bildfolgen. Doch sie verstehen kein Kino. Sie beherrschen die Oberfläche, aber sie scheitern an den physikalischen und dramaturgischen Gesetzen des Handwerks.

Das Wort cinematic ist zum billigsten Euphemismus der Gegenwart verkommen. Für Software-Ingenieure und Prompter bedeutet es: eine Farbpalette aus Teal und Orange, eine extrem geringe Schärfentiefe und eine Lichtstimmung, die aussieht, als stünde die Sonne seit zwölf Stunden ununterbrochen im goldenen Winkel über dem Horizont.

Kinematografie ist jedoch kein Farbfilter und keine Aneinanderreihung schöner Postkarten. Kinematografie ist die visuelle Grammatik einer Erzählung. Wenn ein Kameramann entscheidet, wo die Kamera steht, trifft er keine Wahl darüber, was gut aussieht – er entscheidet, was der Zuschauer fühlen und wissen darf. Noch wichtiger: Er entscheidet, was der Zuschauer nicht sehen darf. Hier setzt der fundamentale Konstruktionsfehler generativer Bildmodelle an.

In der professionellen Lichtsetzung gibt es ein Werkzeug, das kein Leuchtmittel besitzt: Negative Fill. Große schwarze Moltontücher oder Floppies, die auf der schattenabgewandten Seite des Schauspielers aufgestellt werden, um jede unerwünschte Reflexion des Raumes zu schlucken. Kameraleute wie Roger Deakins oder Gordon Willis haben ihr Lebenswerk darauf aufgebaut, Licht wegzunehmen, statt es hinzuzufügen. Spannung entsteht im Film nicht durch das, was erhellt wird, sondern durch die Kante, an der die Information stirbt und das Schwarz beginnt.

Diffusionsmodelle kennen diesen Begriff nicht. Sie hassen das informationslose Schwarz.

Ihre mathematische Architektur beruht darauf, aus Rauschen Pixelmuster abzuleiten, die eine statistische Wahrscheinlichkeit von Erkennbarkeit besitzen. Das neuronale Netz will jedes Segment des Frames mit Struktur, Textur, Textilfalten und Reflexionen füllen.

Um filmische Authentizität vorzutäuschen, imitieren die neuesten Modellgenerationen gezielt Objektivfehler. Man liest jetzt Anweisungen für Lens Breathing (das leichte Verändern des Bildausschnitts, wenn ein Objektiv den Fokus von der Nähe in die Ferne zieht) oder anamorphe Flares. Doch hier wird der Unterschied zwischen physikalischer Optik und Vektorberechnung schmerzhaft sichtbar:

Ein echtes Objektiv bündelt Photonen durch geschliffenes Glas auf eine Silizium- oder Zelluloidfläche. Verlässt ein Punkt den Schärfebereich, zerfließt er gemäß den Gesetzen der Brechung zu einem Unschärfekreis, dessen Charakteristik von den Blendenlamellen, der Vergütung und der Linsengeometrie bestimmt wird.

Ein KI-Modell berechnet keine Lichtstrahlen. Es berechnet Wahrscheinlichkeitsvektoren benachbarter Pixel. Wenn eine Figur in einem KI-Clip nach vorn tritt, ändert sich der Hintergrund nicht durch optische Tiefenschärfe, sondern durch eine Pixeltransformation. Der Hintergrund morpht, statt optisch zu defokussieren. Für das menschliche Gehirn erzeugt das ein unterschwelliges Gefühl von Unruhe – das Uncanny Valley der Brennweite.

Wenn Prompter von der KI Lens Breathing fordern, skaliert das Modell meist das gesamte Bild um zwei Prozent größer oder kleiner. Bei einem echten Cooke- oder Panavision-Objektiv atmet das Bild jedoch räumlich: Der Vordergrund verschiebt seine Parallaxe zum Hintergrund anders als die Bildränder. Es ist eine mechanische Bewegung im Raum, kein digitaler Zoom.

Jeder Auszubildende an der Filmkamera lernt die 180-Grad-Shutter-Regel im ersten Monat: Bei 24 Bildern pro Sekunde wird jedes Einzelbild exakt 1/48 Sekunde lang belichtet. Diese kurze zeitliche Unschärfe bei Bewegungen ist der Takt, auf den das menschliche Auge seit über einem Jahrhundert konditioniert ist. Sie erzeugt den organischen Fluss, der Kinofilm von Videoaufnahmen der 90er-Jahre unterscheidet.

Generative Modelle arbeiten nicht mit einer Belichtungszeit. Sie generieren diskrete Zwischenzustände, die sie durch neuronale Interpolation glätten.

Das Resultat ist eine unnatürliche, gummiartige Flüssigkeit: Bewegungen schmieren nicht natürlich ab, sondern zerfließen wie warmer Wachs. Oder sie wirken bei schnellen Kameraschwenks ruckartig und hart, weil der Algorithmus Kanten festhalten will, die physikalisch längst in Bewegungsunschärfe aufgehen müssten. Das Bild simuliert 24 Frames, bewegt sich aber mit der Haptik einer 120-Hz-Videospiel-Engine.

Dieses handwerkliche Missverständnis beschränkt sich nicht auf das Bild. Es setzt sich nahtlos im Bereich der Musik und Soundscapes fort. Seit Werkzeuge wie Suno oder generative Orchester-Plugins Einzug halten, fluten Produzenten ihre Schnittzeitleisten mit synthetischen Soundtracks. Diese Tracks klingen auf den ersten Blick voll: Streicherteppiche, heroische Bläsersätze, makellos gemischte Sub-Bässe.

Doch sie begehen denselben Fehler wie die Bildgeneratoren: Sie kennen keine Stille.

Ein großer Filmkomponist zeichnet sich nicht dadurch aus, wie viele Noten er unter einen Dialog legt, sondern wann er das Orchester schweigen lässt. Die Wirkung des Eröffnungsakkords in einem Western entsteht durch den trockenen Wind, der ihm zwei Minuten lang vorausging. Die Wucht eines Paukenschlags existiert nur im Kontrast zum Raum, der ihn hallos schluckt.

Generative Musik-Engines sind darauf trainiert, Frequenzen lückenlos zu stapeln. Sie liefern musikalischen Tapetenkleister, der jede emotionale Lücke im Schnitt zubetonieren will. Wer aber den Raum zwischen den Tönen eliminiert, nimmt der Szene den Atem.

Generative Video- und Audio-Tools sind beeindruckende Werkzeuge für die visuelle Vorproduktion. Für Moodboards, Farbkonzepte und grobe Layouts beschleunigen sie Prozesse, die früher Tage dauerten. Als Ersatz für die Arbeit am Set versagen sie jedoch genau an der Stelle, an der Kunst beginnt: bei der Verweigerung.

Ein Kameramann, der weiß, was er tut, leuchtet nicht den Raum aus – er schneidet das Licht zurecht, bis nur noch das Skelett der Szene sichtbar bleibt. Ein Regisseur bewegt die Kamera nicht, weil er es kann, sondern wenn die Szene die Bewegung erzwingt. Ein Komponist hält die Instrumente an, damit das Atmen des Schauspielers die Führung übernimmt. Die KI kann uns jede erdenkliche Textur liefern. Sie kann uns Anamorphoten vorgaukeln, die es nie gab, und Orchester simulieren, die nie gestimmt wurden.

Doch solange ein Algorithmus darauf programmiert ist, die Welt mit Pixeln und Tönen vollzustopfen, statt den Mut zu besitzen, das Licht auszuschalten, bleibt sein Produkt das genaue Gegenteil von Kino: