KI-Avatare im B2B: ein Selbstversuch

»B2B«. Zwei Buchstaben, eine Ziffer, und mein digitaler Doppelgänger kapituliert: Er sagt »bezweibe«. Ich probiere Lautschrift und Bindestriche, dann ein ausgeschriebenes »Bi tu Bi«. Der Avatar beharrt auf seiner Privatsprache. Es ist der 19. Juli 2026, und ich schreibe zum zweiten Mal ein fertiges Manuskript um, weil eine Sprachsynthese keine Abkürzungen mag.

Dieser Beitrag ist das Protokoll eines Selbstversuchs mit KI-Avataren im B2B: zwei dokumentierte Produktionsstrecken zwischen Ende Juni und Mitte Juli 2026, mit meinem eigenen Gesicht und meiner geklonten Stimme. Sie lesen hier, was zwischen dem Drei-Minuten-Versprechen des Marktes und einem brauchbaren deutschen Geschäftsvideo liegt — und welche Prüfgriffe Ihnen den ersten eigenen Versuch erleichtern, von der Aussprache bis zur Kennzeichnungspflicht ab dem 2. August.

KI-generiertes Video · Art. 50 EU-AI-Act

Das Drei-Minuten-Versprechen

Der Markt für KI-Avatare klingt verführerisch einfach. t3n nennt KI-Avatare in seinem Heygen-Praxistest vom Mai 2026 ein Milliardengeschäft und beschreibt, wie das Geschäft mit den digitalen Zwillingen gerade anläuft. Synthesia, einer der bekanntesten Anbieter, sammelte im Januar 2026 rund 200 Millionen US-Dollar bei einer Bewertung von vier Milliarden Dollar ein. Und im Podcast Handelsvertreter Heroes berichtet Gastgeber André Keeve von seinem eigenen Versuch: Avatar samt Stimmklon in weniger als drei Minuten. Das ist ein persönlicher Erfahrungswert und keine Messung, aber er beschreibt die Erwartung ziemlich genau, mit der Geschäftsführungen solche Werkzeuge gerade anfassen.

Tool-Tests zu HeyGen und seinen Wettbewerbern gibt es reichlich. Was ich in den Tests, die ich gelesen habe, nicht fand: einen dokumentierten Eigenbetrieb mit deutschem Geschäftsvokabular und einem Ergebnis, das anschließend wirklich live geht. Warum also der Aufwand? Weil PR DESK eine KI-gestützte Arbeitsweise für sich reklamiert, und weil ich solche Behauptungen für wertlos halte, solange niemand sie am eigenen Material prüft. Ende Juni habe ich ein Konto angelegt und angefangen, meinen eigenen KI-Avatar zu erstellen.

Sieben Renderings für die Schublade

Die erste Phase lief vom 29. Juni bis zum 1. Juli, ohne Prozess und mit viel Neugier. Die Bilanz: sieben fertige Renderings in drei Tagen, verteilt über vier Qualitätsstufen, dazu drei Render-Jobs, die seit dem 29. Juni auf »pending« stehen und dort vermutlich in Würde altern. Der Avatar selbst überzeugte auf Anhieb. Aus wenigen Fotos entstand eine Avatar-Gruppe mit mehr als zehn Looks, die geklonte Stimme klang nach mir. Es blieb der einzige Befund ohne Einschränkung.

Alles andere fiel durch meine Abnahme. Der einmontierte Marken-Hintergrund wirkte künstlich und füllte das Bild nicht. Vor allem aber die Aussprache: Aus »Ostermann« machte die Stimme »Oßtermann«, mit einem scharfen ß, das meine Familie nie getragen hat. Aus »B2B« wurde zum ersten Mal »bezweibe«. Das Drei-Minuten-Versprechen des Podcasts meinte übrigens den Avatar, und dafür hielt es ungefähr. Der Abstand beginnt dahinter: Nach drei Tagen besaß ich sieben Videos und wollte keines davon irgendjemandem zeigen.

Zweiter Anlauf: erst abhören, dann rendern

Am 9. Juli begann Phase zwei, diesmal mit System und Protokoll. Der erste Schritt war eine Testdatei mit sieben Aussprache-Varianten meines Nachnamens. Es gibt absurdere Arten, einen Vormittag zu verbringen, als sich den eigenen Namen siebenfach von einer Maschine vorsprechen zu lassen — viele sind es allerdings nicht.

Die Testdatei lieferte den entscheidenden Fund: Der reine Audio-Weg sprach »Ostermann« in der Klartext-Variante korrekt aus. Dieselbe Stimme brach den Namen im Video-Render erneut. Warum, ließ sich von außen nicht klären, und für die Praxis war die Ursache zweitrangig. Aus dem Unterschied entstand der Fix, der den Rest des Versuchs trug: Die Tonspur wird separat erzeugt, von mir vollständig abgehört und abgenommen, das Video anschließend per Lippensynchronisation auf diese Spur gelegt. Die abgenommene Spur ist damit die Grundlage des Videos, das fertige Ergebnis läuft am Ende trotzdem noch einmal komplett durchs Ohr.

Das Abhören förderte weitere Fallen zutage. Das unscheinbare »im« las die Stimme zweimal englisch, als »I’m«, gesprochen »eijen«. Kein Messwert zeigte das an, mein Ohr fand es. Umgekehrt fand Claude Fable, das KI-Modell in meiner Produktionsstrecke, einen Fehler, den kein Ohr hört: In einer Tonspur trugen sämtliche Wörter des Schlusssatzes denselben Zeitstempel, ein Synthese-Artefakt, ausgelöst durch eine Gedankenstrich-Parenthese am Satzende. Kommas behoben es.

Aus diesen Funden entstand ein Muster, das sich im Versuch dreimal bewährte: Wer gegen die Engine ankämpft, bezahlt in Renderings. Wer das problematische Element austauscht, bezahlt in Sekunden. Der Marken-Hintergrund flog komplett raus, die Beitragsseite ist Markenrahmen genug. Das anfällige »im Detail« wurde zu »genau«. Und weil die Stimm-Engine keine Regler für Betonung anbietet, wurde der Text selbst zum Regler: Kurze Sätze erzwangen in meinem Test einen frischen Einsatz, eine eingeschobene Frage erzeugte einen Tonhöhenbogen. Meine Notiz zur ersten Fassung lautete »pastoral, einschläfernd«, die letzte Fassung bekam eine Stakkato-Eröffnung und hielt meiner Abnahme stand.

Am Ende stand ein Video von 62,85 Sekunden in 1080p, lippensynchron auf der abgenommenen Tonspur. Die Gesamtbilanz dieser ersten Strecke vom 29. Juni bis zum 9. Juli: neun fertige Renderings und drei tote Render-Jobs, dazu vier Tonspur-Fassungen.

Strecke zwei: das Manuskript gibt nach

Am 19. Juli folgte das zweite Video für meine Autorenseite, und ich dachte, die Lektionen säßen. Dann kamen die Akronyme. »B2B« scheiterte am härtesten, auch »SEO« und »GEO« überlebten keinen Render, sämtliche Lautschrift-Tricks liefen ins Leere. Die Lösung folgte dem gelernten Muster: Das Manuskript wurde akronymfrei umgeschrieben. Aus »B2B« wurde »Geschäftskundenkommunikation«, aus »SEO« »Suchmaschinenoptimierung«, aus »GEO« »Sichtbarkeit in KI-Suchen«. Die Ironie liegt offen: Ich werbe seit Jahren für klare, ausgeschriebene Sprache, und am Ende brauchte es eine Sprachsynthese, um mich im eigenen Skript daran zu erinnern. Der Text wurde durch die Umschreibung übrigens besser.

Der Rest der zweiten Strecke war Handwerk. Die Produktionsschnittstelle rechnete ohne separate API-Credits nicht, die Lese-Endpunkte blieben frei, also lief die Erstellung über den Klickweg. Fürs Web musste die Datei von 61 auf 21 Megabyte neu kodiert werden, bei gleichbleibender Auflösung. Seit dem 19. Juli ist das Ergebnis auf meiner Autorenseite live: 72 Sekunden, sichtbar gekennzeichnet.

Kennzeichnen, bevor es Pflicht wird

Gekennzeichnet ist das Stichwort. Ab dem 2. August 2026 verlangt Artikel 50 der KI-Verordnung Offenlegung für sogenannte Deepfakes, also KI-erzeugte Inhalte, die einer realen Person täuschend ähnlich sind und echt wirken können. Ein Avatar-Video mit meinem Gesicht und meiner Stimme ist im geschäftlichen Einsatz genau dieser Fall. Die Ausnahme für redaktionell geprüfte Inhalte gilt dabei nur für Texte, für solche Videos gibt es sie nicht. Die Präzision ist trotzdem wichtig: Die Pflicht bedeutet Kennzeichnung, kein Verbot. Und sie erledigt nur die Transparenz. Einwilligungen und Persönlichkeitsrechte bleiben eigene Baustellen. Was die Regel im Einzelnen verlangt, steht im Beitrag zur KI-Kennzeichnungspflicht.

Am 20. Juli 2026, knapp zwei Wochen vor dem Stichtag, hat die EU-Kommission Leitlinien samt Fragenkatalog dazu veröffentlicht. Darin steht auch: Inhalte, die vor dem 2. August entstanden sind, müssen nicht nachträglich gekennzeichnet werden, die Kommission empfiehlt es aber ausdrücklich. Unsere beiden Juli-Videos tragen ihre Kennzeichnung also freiwillig und vorab, in genau der Form, die die Kommission beschreibt: wahrnehmbar für Menschen, ohne technisches Werkzeug. Unsere PR-DESK-Betriebsregel dafür: ein sichtbares Label am Video und eine gesprochene Offenlegung durch den Avatar selbst, gleich im ersten Satz. Wer das Video startet, erfährt aus dem Mund des Doppelgängers, dass er einen Doppelgänger sieht.

Der naheliegende Einwand: Da nutzt einer KI und schreibt dann über ihre Grenzen. Stimmt, und genau diese Arbeitsweise soll der Beitrag zeigen. Auch dieser Text entstand in einer Produktionskette, in der KI mitarbeitet, mit protokollierten Quellen und einem Menschen, der jede Freigabe in der Hand behält.

KI-Avatare im B2B: was übrig bleibt

Zuerst die Grenzen, sie gehören zur Ehrlichkeit dieses Formats. Der Selbstversuch ist ein dokumentierter Einzelfall, ein Konto und ein Avatar samt geklonter Stimme, getestet im Juli 2026. Er beschreibt einen Werkzeugbefund für genau diesen Anwendungsfall. Ein Gesamturteil über HeyGen lässt sich daraus redlicherweise gar nicht ableiten, und eine Arbeitszeit- oder Kostenrechnung liefert das Protokoll ebenfalls nicht. Gezählt habe ich Renderings und Fassungen. Stunden und Credits habe ich nicht erfasst. Sprachausgaben ändern sich zudem mit jedem Release, gut möglich, dass dieselben Hürden in sechs Monaten verschwunden sind. Die Lehre hängt daran zum Glück nicht: Ungeprüft senden bleibt der Fehler, ganz gleich, wie gut die Technik wird.

Was am stärksten hängen bleibt, ist die Arbeitsteilung. Claude Fable kann sich nicht selbst abhören, jeden einzelnen Aussprachefehler fand mein Ohr. Dafür fand Claude Fable in den Zeitmarken einen Fehler, den ich nie gehört hätte. Gute Produktionsprozesse bauen auf beides.

Wenn Sie den ersten eigenen Versuch planen, nehmen Sie diese Prüfgriffe mit:

1. Akronym-Test vor dem Skript: Lassen Sie jede Abkürzung einzeln vorsprechen, bevor sie ins Manuskript darf. Was scheitert, wird ausgeschrieben.
2. Aussprache-Abnahme vor dem Rendern: Erzeugen Sie die Tonspur separat, hören Sie sie vollständig ab und lassen Sie das Video auf die abgenommene Spur synchronisieren.
3. Dateigrößen-Check fürs Web: Planen Sie eine Neukodierung ein. Bei uns schrumpfte das Video von 61 auf 21 Megabyte, einen Unterschied habe ich im Ergebnis nicht gesehen.
4. Kennzeichnung von Anfang an. Sichtbares Label, dazu die gesprochene Offenlegung im Video selbst.
5. Gesichts- und Stimmdaten vorab klären. Speicherung und Löschweg gehören vor den ersten Upload auf den Tisch, ebenso die Nutzungsrechte des Anbieters. t3n markiert genau diesen Punkt im eigenen Praxistest als heikel.

Meine Empfehlung:

Behandeln Sie das Avatar-Video wie jedes andere Werkstück im Kundenkontakt. Erst abnehmen, dann senden. Und kennzeichnen Sie es so selbstverständlich, wie Sie ein Impressum führen.

Der Markt verspricht den Avatar in Minuten. Der dokumentierte Weg zum brauchbaren deutschen B2B-Video führte bei mir über Aussprache-Tests, tote Render-Jobs und ein akronymfreies Skript. Wer diesen Weg geht und das Ergebnis kennzeichnet, hat am 2. August nichts zu verstecken. Mein Avatar spricht inzwischen fehlerfrei von Geschäftskundenkommunikation, nur an »B2B« scheitert er bis heute, und genau deshalb steht es in keinem seiner Skripte mehr.

Quellen

• t3n: „KI-Avatar mit Heygen erstellen: Was heute schon funktioniert – und was nicht“, Mai 2026. https://t3n.de/news/ki-avatar-heygen-praxistest-was-funktioniert-und-was-nicht-1740660/
• rhapsody-software.de: „Zeit für das Wesentliche – wie ein KI Avatar dir den Rücken freihält“ (Bericht zur Folge 148 des Podcasts Handelsvertreter Heroes mit André Keeve), 28.01.2026. https://www.rhapsody-software.de/blog/rhapsody-news/podcast-handelsvertreter-heroesde-folge-148/
• Synthesia: Primärmeldung zur Series-E-Finanzierung (200 Mio. US-Dollar, 4 Mrd. Bewertung), 26.01.2026. https://www.synthesia.io/post/series-e-200-million-4-billion-valuation-future-work
• EU-Kommission: „Leitlinien zur Transparenz von KI-generierten Inhalten“ samt Fragenkatalog (FAQ, englisch), Stand 20.07.2026. https://digital-strategy.ec.europa.eu/de/policies/guidelines-transparency-ai-generated-content und https://digital-strategy.ec.europa.eu/en/faqs/transparency-obligations-under-article-50-ai-act
• Eigene Protokolle: Befund-Protokoll vom 09.07.2026 und Produktionsprotokoll vom 19.07.2026 (PR DESK, intern).