Wie wir virale Wissenschafts-Slideshows
mit KI generieren

350.000 Views in zwei Wochen. Zwei Indie-Entwickler. Null Tanzen.

Das ist das Ergebnis einer Content-Pipeline, die wir fast vollständig mit KI gebaut haben. Wissenschafts-Slideshows auf TikTok, jede eine visuelle Reise durch ein einzelnes Panoramabild, aufgeteilt in sechs wischbare Frames. Die Themen reichen von Tiefsee-Biolumineszenz bis zur inneren Struktur von Neutronensternen. Das Publikum verschlingt sie.

Dieser Beitrag ist der vollständige technische Breakdown. Jedes Tool, jeder Prompt, jede Entscheidung. Wenn du ein Indie-Entwickler bist, der eine Content-Pipeline aufbauen will, die nahezu auf Autopilot läuft, ist das hier dein Blueprint.

Warum Panorama-Slideshows auf TikTok funktionieren

Die Erkenntnis kam vom Beobachten, wie Menschen mit TikTok-Slideshows interagieren. Die meisten Creator verwenden sechs zusammenhanglose Bilder. Jeder Slide ist eine eigenständige Grafik. Der Zuschauer wischt durch unverbundene Frames, und der einzige rote Faden ist der Caption-Text.

Panoramen ändern das komplett.

Wenn du ein einzelnes Ultrawide-Bild in sechs aufeinanderfolgende Frames aufteilst, enthüllt jedes Wischen mehr derselben Szene. Die Farben passen zusammen. Die Beleuchtung ist konsistent. Objekte, die am rechten Rand von Slide drei beginnen, setzen sich nahtlos am linken Rand von Slide vier fort. Der Zuschauer schaut nicht sechs Bilder an. Er reist durch eines.

Das erzeugt zwei mächtige Effekte. Erstens: visuelle Neugier. Die teilweise Enthüllung am Rand jedes Slides flüstert, dass noch mehr wartet. Wisch-Raten steigen, weil das menschliche Gehirn das Bild vervollständigen will. Zweitens: wahrgenommene Produktionsqualität. Ein kohärentes Panorama wirkt filmisch. Es signalisiert Aufwand und Kunstfertigkeit, auch wenn eine KI es in 45 Sekunden generiert hat.

Wissenschaftsthemen verstärken beide Effekte. Ein panoramischer Querschnitt eines Vulkans, mit Magmakammern links, die schrittweise zu Eruptionswolken rechts übergehen, erzählt eine Geschichte allein durch die räumliche Progression. Keine Erzählung nötig. Das Bild macht die Arbeit.

Die Pipeline: Vier Stufen

Hier ist der vollständige Workflow, von Anfang bis Ende.

1. OpenClaw generiert die Content-Strategie: Themenauswahl, Caption-Text, Hashtags.
2. Nano Banana 2 (Gemini-3.1-Flash-Image-Preview) generiert ein einzelnes 4K-Ultrawide-Panoramabild.
3. Ein Aufteilungs-Skript teilt das Panorama in sechs gleiche Frames.
4. Die Frames werden zu einer TikTok-Slideshow mit den generierten Captions zusammengesetzt.

Gesamtzeit pro Slideshow: 3 bis 5 Minuten. Wir produzieren 10 bis 20 in einer einzigen Sitzung am Stück.

Stufe 1: OpenClaw für Themenrecherche und Captions

Das erste Problem in jeder Content-Pipeline ist die Entscheidung, was man macht. Unserem eigenen Instinkt überlassen, würden wir Themen wählen, die uns persönlich faszinieren: Quantenfeldtheorie, topologische Isolatoren, die mathematische Struktur Schwarzer Löcher. Das sind furchtbare TikTok-Themen. Niemand, der um Mitternacht scrollt, will einen Vortrag über Eichsymmetrie.

OpenClaw löst das Themenauswahl-Problem. Es ist ein KI-Agent, der für Marketing- und Content-Recherche entwickelt wurde. Wir geben ihm ein Briefing: "Wissenschaftsthemen, die als visuelle TikTok-Slideshows gut funktionieren. Zielgruppe: neugierige Erwachsene zwischen 18 und 35. Vermeide alles, was Gleichungen zum Verstehen braucht. Priorisiere Themen mit starkem visuellem Potenzial."

OpenClaw liefert eine gerankte Themenliste mit Begründung für jedes. Es berücksichtigt aktuelle Trending-Themen, Suchvolumen und visuelles Potenzial. Ein typischer Batch könnte enthalten:

• Wie das Innere eines Neutronensterns wirklich aussieht
• Der tiefste Punkt in jedem Ozean, visualisiert
• Wie sich eine Raupe in ihrem Kokon komplett auflöst
• Die Größe des Universums auf jeder Skala
• Was mit deinem Körper im Vakuum des Weltraums passiert

Beachte das Muster. Jedes Thema hat inhärente visuelle Dramatik. Jedes löst Neugier aus, ohne Spezialwissen zu erfordern. Jedes lässt sich als räumliche Reise darstellen, genau das Format, das unser Panorama-Ansatz belohnt.

Nach der Themenauswahl schreibt OpenClaw die Captions. TikTok-Slideshow-Captions müssen kurz, knackig und so strukturiert sein, dass jeder Slide einen verdaulichen Fakt bekommt. OpenClaw generiert sechs Caption-Segmente (eines pro Slide) plus die Haupt-Post-Caption mit Hashtags. Die Captions sind gesprächig, nicht akademisch. "Das passiert in 10.000 Metern unter dem Meeresspiegel" trifft anders als "Abyssopelagische hydrostatische Druckcharakteristiken".

Was Wissenschaftsthemen auf TikTok erfolgreich macht

Nach Analyse unserer erfolgreichsten Posts zeichneten sich klare Muster ab.

Größenvergleiche dominieren. Alles, was vertraute Objekte neben unbekannte in extremen Maßstäben stellt, funktioniert gut. "Die Sonne im Vergleich zum größten bekannten Stern" ist ein garantierter Performer, weil das menschliche Gehirn dem Schock der relativen Größe nicht widerstehen kann.

Verborgenes Inneres fasziniert. Querschnitte von Planeten, Vulkanen, dem menschlichen Körper, Maschinen. Menschen lieben es zu sehen, was in Dingen steckt, die sie normalerweise nicht öffnen können.

Prozesstransformationen fesseln die Aufmerksamkeit. Metamorphose, Sternentwicklung, Erosion über Millionen Jahre. Alles, was ein Vorher-Nachher über das Panorama zeigt.

Kontraintuitive Fakten bleiben hängen. "Bananen sind radioaktiv" bekommt mehr Saves als "Die Halbwertszeit von Kalium-40". Gleicher Fakt, anderes Framing. OpenClaw ist überraschend gut darin, den kontraintuitiven Winkel zu finden.

Stufe 2: Nano Banana 2 für Panorama-Bildgenerierung

Das ist der Kern der Pipeline und der Teil, der am meisten Experimentieren erforderte, um ihn richtig hinzubekommen.

Nano Banana 2 ist der interne Name für Gemini-3.1-Flash-Image-Preview, verfügbar über Google AI Studio. Es generiert Bilder aus Text-Prompts. Die entscheidende Fähigkeit für unseren Workflow: Es kann Bilder in beliebigen Seitenverhältnissen generieren, einschließlich des extremen 21:9-Ultrawide-Formats, das wir für Panoramen brauchen.

Die meisten Bildgenerierungsmodelle defaulten auf quadratische oder Standard-Breitbildformate. Frage nach 21:9 und sie verweigern entweder, beschneiden ungeschickt oder produzieren verzerrte Ergebnisse. Nano Banana 2 handhabt es nativ. Das Ergebnis ist ein echtes 4K-Ultrawide-Panorama, typischerweise 4096 mal 1748 Pixel, mit Inhalt, der bewusst über die gesamte Breite verteilt ist.

Die Prompting-Technik

Konsistente, hochwertige Panoramen zu erhalten, erforderte die Entwicklung einer spezifischen Prompting-Struktur. Generische Prompts produzieren generische Ergebnisse. Hier ist das Framework, auf das wir nach Hunderten von Generierungen konvergiert sind.

Jeder Prompt folgt dieser Vorlage:

• Format-Deklaration. Explizit das Seitenverhältnis angeben und dass dies eine Panorama-Komposition ist.
• Szenenbeschreibung mit räumlichen Ankern. Beschreibe, was links, mittig und rechts im Panorama erscheint. Das verhindert, dass das Modell alles visuell Interessante in der Mitte klustert.
• Anweisung zur visuellen Kontinuität. Dem Modell explizit sagen, dass dieses einzelne Bild in sechs Frames aufgeteilt wird und jeder Abschnitt bedeutsamen Inhalt enthalten muss.
• Stil- und Stimmungsangaben. Konsistente Art Direction über den gesamten Batch.
• Technische Qualitätsmarker. Auflösung, Beleuchtung, Detailgrad.

Beispiel-Prompts

Hier sind drei echte Prompts aus unserer Produktions-Pipeline, leicht bearbeitet für Klarheit.

Thema: Querschnitt eines Neutronensterns

Ultrawide 21:9 panoramic scientific illustration. A dramatic cross-section
of a neutron star, viewed from left to right as a journey from the outer
crust to the innermost core.

Left section: the thin iron outer crust, jagged crystalline lattice
structure, glowing faintly against the black of space. Scattered magnetic
field lines arc outward.

Center-left: the inner crust, neutron-rich nuclei arranged in "nuclear
pasta" phases (spaghetti, lasagna, gnocchi shapes), rendered in luminous
blues and purples.

Center: the outer core, a sea of superfluid neutrons with scattered
protons and electrons, depicted as a dense glowing fluid in deep violet.

Center-right: the inner core, ultra-dense quark matter rendered as a
tight geometric lattice of quarks and gluons in hot orange and gold.

Right section: a mirrored view showing the star's exterior with intense
magnetic poles and relativistic jets shooting upward.

Style: hyper-detailed scientific illustration with cinematic lighting.
Dark background. Luminous, jewel-toned palette. Each section must contain
distinct visual content suitable for an individual slideshow frame.
4K resolution, sharp details throughout.

Thema: Ozean-Tiefenzonen

Ultrawide 21:9 panoramic underwater scene. A vertical-to-horizontal
journey through ocean depth zones, depicted as a sweeping left-to-right
progression from sunlit surface to the deepest trench.

Left section: sunlight zone (0-200m). Bright turquoise water, coral
reefs, tropical fish, sunbeams penetrating from above. Warm, inviting
colors.

Center-left: twilight zone (200-1000m). Deepening blue, bioluminescent
jellyfish trailing long tentacles, a lone swordfish silhouette.
Fading light.

Center: midnight zone (1000-4000m). Near-total darkness. Giant squid
with bioluminescent spots. Faint blue-green glow from scattered
organisms. An anglerfish lure glowing in the void.

Center-right: abyssal zone (4000-6000m). Black water. Ghostly white
tube worms clustered around a hydrothermal vent emitting orange mineral
plumes. Eyeless shrimp.

Right section: hadal zone (6000-11000m). The Mariana Trench floor.
Absolute darkness except for sparse bioluminescence. Xenophyophores
on the sediment. A single amphipod, impossibly small against the
crushing depth.

Style: photorealistic with artistic license. Smooth color gradient
from warm surface tones to cold abyssal blacks across the full width.
Every section must work as a standalone frame. 4K resolution.

Thema: Maßstab des Universums

Ultrawide 21:9 panoramic cosmic illustration. A scale comparison
journey from subatomic to cosmic, flowing left to right.

Left section: quarks and atoms, rendered as glowing orbitals and
particle tracks in neon colors against pure black. A DNA helix
emerging from the atomic scale.

Center-left: human scale. A single human figure standing on Earth's
surface, city skyline behind them, mountains in the distance.
Realistic proportions, warm golden-hour lighting.

Center: planetary scale. Earth, Moon, and Mars shown in true relative
size. Thin blue atmosphere line visible. Transition from terrestrial
to orbital perspective.

Center-right: stellar scale. The Sun dwarfing the planets. Jupiter
as a small dot beside it. A red giant star looming behind the Sun
to show the next scale jump.

Right section: galactic and cosmic scale. The Milky Way spiral seen
edge-on, then galaxy clusters, then the cosmic web of filaments
stretching to the edge of the observable universe. Deep purples
and silvers.

Style: seamless scale progression with no hard boundaries between
sections. Each zone blends into the next through clever use of
perspective and lighting. Cinematic, awe-inspiring. Dark background
throughout. 4K resolution, maximum detail at every scale.

Drei Dinge fallen an diesen Prompts auf. Erstens verteilen die räumlichen Anker (links, Mitte-links, Mitte, Mitte-rechts, rechts) den Inhalt gleichmäßig über das Panorama. Ohne sie tendiert Nano Banana 2 dazu, den interessantesten Inhalt im mittleren Drittel zu platzieren und die Ränder spärlich zu lassen. Zweitens zwingt die explizite Anweisung, dass "jeder Abschnitt als eigenständiger Frame funktionieren muss", das Modell, jeden Teil als visuell vollständig zu behandeln. Drittens sorgen die konsistenten Stilangaben am Ende für Batch-Konsistenz über eine gesamte Generierungs-Session.

Generierungs-Einstellungen

Wir rufen die Gemini-API über Google AI Studio mit diesen Parametern auf:

• Modell: gemini-3.1-flash-image-preview (Nano Banana 2)
• Auflösung: 4096 x 1748 (21:9 bei 4K Breite)
• Temperature: 0.8 für visuelle Vielfalt innerhalb der Prompt-Vorgaben
• Sicherheitseinstellungen: Standard. Wissenschaftsinhalte lösen selten Filter aus.

Die Generierung dauert 30 bis 90 Sekunden pro Panorama. Wir lassen Batch-Sessions mit 10 bis 20 Panoramen laufen und prüfen jedes, bevor es in die Aufteilungsphase geht.

Qualitätskontrolle und Ablehnungsrate

Nicht jede Generierung ist brauchbar. Etwa 15% der Panoramen werden aus einem von drei Gründen abgelehnt.

Content-Clustering. Trotz räumlicher Anker im Prompt schiebt das Modell gelegentlich alles visuell Interessante in die mittleren zwei Frames und lässt die äußeren leer oder repetitiv. Das ist der häufigste Fehlerfall.

Text-Artefakte. Das Modell generiert manchmal Pseudo-Text oder labelartige Elemente im Bild. Die sehen furchtbar aus, wenn sie in Frames aufgeteilt werden, und lassen sich schwer sauber entfernen.

Seitenverhältnis-Drift. Selten gibt das Modell ein Bild zurück, das nicht ganz 21:9 ist, was die Aufteilungs-Mathematik durcheinanderbringt. Eine schnelle Dimensionsprüfung im Skript fängt diese automatisch ab.

Eine Brauchbarkeitsrate von 85% ist ausgezeichnet für unseren Workflow. Abgelehnte Panoramen kosten nichts beim Neu-Generieren. Wir lassen einfach den Prompt mit einem anderen Seed erneut laufen.

Stufe 3: Der Aufteilungsprozess

Ein 4096 x 1748 Pixel Panorama muss zu sechs 1080 x 1920 Pixel Hochformat-Bildern für TikTok werden. Die Mathematik ist simpel, aber die Umsetzung hat Feinheiten.

Das Panorama wird in sechs gleiche horizontale Segmente geteilt, jedes 682 Pixel breit. Jedes Segment wird dann in eine 1080 x 1920 Hochformat-Leinwand eingebettet. Der Panorama-Streifen sitzt in der vertikalen Mitte des Frames, und der verbleibende Raum oben und unten wird mit einem farblich passenden Verlauf gefüllt, der von den Rändern des Streifens abgetastet wird.

Dieser Verlaufsfüller ist wichtig. Ein harter schwarzer Balken über und unter dem Panorama-Streifen wirkt billig. Ein Verlauf, der die eigene Farbpalette des Bildes nach oben und unten erweitert, lässt jeden Slide bewusst komponiert wirken, als wäre das Letterboxing eine künstlerische Entscheidung statt eine technische Notwendigkeit.

Das Aufteilungs-Skript umfasst etwa 40 Zeilen Python mit Pillow. Es nimmt den Panorama-Pfad als Input und gibt sechs nummerierte JPEG-Dateien aus. Der gesamte Prozess läuft in unter zwei Sekunden.

Überlappung für Kontinuität

Eine Verfeinerung, die das Seherlebnis deutlich verbessert hat: Wir fügen eine leichte Überlappung zwischen benachbarten Frames hinzu. Jeder Frame reicht etwa 20 Pixel in das Territorium seines Nachbarn. Das bedeutet, der rechte Rand von Slide drei und der linke Rand von Slide vier teilen sich einen dünnen Streifen identischen Inhalts.

Warum? Weil TikToks Slideshow-Übergang eine kurze Überblendung hat. Ohne Überlappung zeigt die Überblendung eine sichtbare "Naht", wo die beiden Frames aufeinandertreffen. Mit Überlappung machen die geteilten Pixel den Übergang nahtlos. Das Gehirn des Zuschauers liest es als eine durchgehende Schwenkbewegung über ein einzelnes Bild. Was es natürlich auch ist.

Stufe 4: Zusammenbau und Posten

Die sechs Frames werden als Slideshow-Post auf TikTok hochgeladen. Jeder Frame bekommt eines der sechs Caption-Segmente, die OpenClaw zuvor generiert hat. Die Haupt-Post-Caption enthält die Hook-Zeile (immer eine Frage oder überraschende Aussage), den Themenkontext und 5 bis 8 Hashtags.

Unsere Posting-Frequenz: zwei Slideshows pro Tag, gepostet um 11 Uhr und 19 Uhr in der primären Zeitzone unserer Zielgruppe (US Eastern). Beständigkeit ist wichtiger als Menge. TikToks Algorithmus belohnt regelmäßige Posting-Muster mehr als sporadische Schübe.

Wir posten derzeit manuell. Vollständige Automatisierung des TikTok-Postings ist über ihre API möglich, bringt aber Compliance-Komplexität mit sich, die sich in unserem Maßstab nicht lohnt. Der manuelle Schritt dauert etwa 90 Sekunden pro Post.

Performance-Daten: Was uns 350.000 Views gelehrt haben

In unseren ersten zwei Wochen mit dieser Pipeline haben wir 28 Slideshows veröffentlicht und ungefähr 350.000 Views angesammelt. Hier ist, was die Daten enthüllt haben.

Durchschnittliche Views pro Slideshow: 12.500. Aber die Verteilung ist stark schief. Unser Top-Performer ("Wie das Innere eines Neutronensterns aussieht") erreichte 47.000 Views. Unser schwächster Performer ("Wie GPS-Satelliten die Genauigkeit ihrer Atomuhren aufrechterhalten") bekam 1.200. Der Median lag bei etwa 8.000.

Durchwisch-Rate: 73% der Zuschauer, die Slide eins sahen, wischten mindestens bis Slide vier. Für Standard-Slideshows (nicht panoramisch) in unserer Nische liegt der Benchmark bei etwa 45%. Der Panorama-Kontinuitätseffekt ist messbar.

Save-Rate: 4,2% Durchschnitt über alle Posts. Wissenschafts-Content wird ungefähr doppelt so oft gespeichert wie Unterhaltungs-Content, weil Leute ihn als Lesezeichen setzen, um ihn erneut anzuschauen oder zu teilen. Saves sind das stärkste Signal, das TikToks Algorithmus für die Distribution nutzt.

Erfolgreichste Kategorien: Weltraum und Astronomie (32% der Views), Biologie und Anatomie (24%), Geowissenschaften und Geologie (18%), Physik-Visualisierungen (14%), Chemie und Materialien (12%).

Einfluss der Posting-Zeit: Abend-Posts (19 Uhr ET) übertrafen Morgen-Posts (11 Uhr ET) um etwa 40% bei den durchschnittlichen Views. Das deckt sich mit TikToks allgemeinen Nutzungsmustern.

Praktische Tipps für Indie-Entwickler

Wenn du eine ähnliche Pipeline aufbauen willst, hier ist, was wir gerne gewusst hätten, bevor wir angefangen haben.

Beginne mit der Aufteilungs-Mathematik, nicht mit der Generierung. Bevor du ein einziges Panorama generierst, baue das Aufteilungs-Skript und teste es mit Stock-Ultrawide-Bildern. Verstehe genau, welche Pixelmaße du brauchst, wie das Letterboxing aussehen wird und wo die Frame-Grenzen fallen. Vom Ausgabeformat rückwärts zu arbeiten spart Stunden Trial-and-Error.

Batche deine Generierungen. Nano Banana 2 Prompt für Prompt laufen zu lassen ist ineffizient. Schreibe ein Skript, das eine Liste von Prompts nimmt und sie sequenziell generiert, wobei jede Ausgabe mit einem beschreibenden Dateinamen gespeichert wird. Wir verarbeiten 10 bis 20 Prompts pro Batch-Session und prüfen alle auf einmal.

Pflege eine Prompt-Bibliothek. Deine besten Prompts sind wiederverwendbare Vorlagen. Wir pflegen eine JSON-Datei mit bewährten Prompt-Strukturen, organisiert nach Themenkategorie (Weltraum, Biologie, Geologie, Physik). Wenn OpenClaw ein neues Thema vorschlägt, ordnen wir es in die am besten passende Vorlage ein, statt einen Prompt von Grund auf zu schreiben.

Investiere Zeit in den Verlaufsfüller. Der Raum über und unter deinem Panorama-Streifen in jedem Hochformat-Frame ist wertvolle visuelle Fläche. Ein einfacher Einfarbenfüller wirkt amateurhaft. Ein gaussian-geblurrter, farblich abgetasteter Verlauf, der die Palette des Bildes erweitert, lässt jeden Frame bewusst gestaltet wirken. Dieses eine Detail hat unsere Content-Qualität mehr gesteigert als jeder andere Nachbearbeitungsschritt.

Tracke Post-für-Post-Analytics gewissenhaft. Nicht nur Views. Tracke Durchwisch-Rate, Save-Rate, Share-Rate und Kommentar-Stimmung. Diese Metriken sagen dir, welche Themen und welche visuellen Stile resonieren. Wir haben entdeckt, dass warme Farbpaletten (Vulkan, Stern, Biolumineszenz) konsistent kühle Paletten (Eis, tiefer Weltraum, mikroskopisch) um etwa 25% beim Engagement übertreffen.

Die 85%-Regel. Verschwende keine Zeit damit, jede einzelne Generierung perfekt zu machen. Wenn 85% deiner Panoramen beim ersten Versuch brauchbar sind, funktioniert deine Pipeline. Die anderen 15% neu zu generieren ist schneller und günstiger als einen komplexeren Prompt zu entwickeln, um 95% Genauigkeit anzustreben.

Wissenschafts-Content hat lange Haltbarkeit. Anders als Trending-Audio oder Tanz-Content sammelt eine gut gemachte Wissenschafts-Slideshow Wochen nach dem Posten weiter Views. Unsere ältesten Posts erhalten immer noch 200 bis 500 Views pro Tag über Suche und die "Für dich"-Seite. Dieser Aufbaueffekt bedeutet, dass dein Backkatalog zum Vermögenswert wird, nicht zu totem Gewicht.

Kostenaufstellung

Die gesamte Pipeline kostet bemerkenswert wenig im Betrieb.

• OpenClaw: Variables Pricing. Ungefähr 15 bis 30 Dollar pro Monat für unser Nutzungsvolumen.
• Nano Banana 2 (Google AI Studio): Kostenlos für Entwickler. Wir haben keinen Cent für Bildgenerierung bezahlt.
• Infrastruktur: Ein Python-Skript, das lokal läuft. Kein Cloud-Computing, kein GPU-Miete, keine Serverkosten.
• Gesamt: unter 30 Dollar pro Monat für eine Pipeline, die 60+ Slideshows produziert.

Vergleiche das mit der Beauftragung eines Grafikdesigners (2.000+ Dollar pro Monat) oder der Lizenzierung von Stockbildern (50 bis 200 Dollar pro Monat für eine Bibliothek, die nie die Spezifität von KI-generiertem Content erreichen wird). Für Indie-Entwickler mit knappem Budget ist diese Pipeline praktisch kostenlos.

Was wir anders machen würden

Wenn wir diese Pipeline heute mit allem, was wir gelernt haben, von vorne starten würden, würden drei Dinge sich ändern.

Wir würden Caption-Stile früher A/B-testen. Wir haben die erste Woche ein einziges Caption-Format verwendet (sachlich, informativ), bevor wir entdeckten, dass Frage-Format-Captions ("Wusstest du, dass das Innere eines Neutronensterns Nuclear Pasta enthält?") Statement-Format-Captions im Engagement um etwa 30% übertreffen. Das von Tag eins an zu testen, hätte unsere frühen Zahlen gesteigert.

Wir würden die Prompt-Bibliothek aufbauen, bevor wir ein einziges Bild generieren. Unsere ersten 20 Prompts wurden ad hoc geschrieben, und die Qualitätsschwankung war enorm. Sobald wir die Vorlagenstruktur standardisiert hatten, stieg die Konsistenz dramatisch. Vorlage zuerst, Inhalt danach.

Wir würden dreimal pro Tag statt zweimal posten. Unsere Daten deuten darauf hin, dass der Algorithmus höhere Frequenz stärker belohnt als erwartet, und unsere Pipeline kann die Menge locker produzieren. Wir haben uns aus Vorsicht zurückgehalten. Diese Vorsicht hat uns Reichweite gekostet.

Das große Bild

Diese Pipeline existiert wegen eines bestimmten Moments im KI-Tooling. Vor zwei Jahren war die Generierung eines kohärenten 21:9-Panoramabilds aus einem Text-Prompt auf Consumer-Niveau nicht möglich. Vor einem Jahr war es möglich, aber teuer. Heute ist es kostenlos und schnell.

Das Fenster für Indie-Entwickler, mit professionellen Content-Studios mithilfe von KI-Tools zu konkurrieren, steht gerade offen. Die Tools sind zugänglich, die Kosten vernachlässigbar, und die Plattformen belohnen Qualitätscontent unabhängig davon, wer (oder was) ihn gemacht hat. Ein Zwei-Personen-Team aus Hamburg kann Wissenschafts-Content produzieren, der mit Accounts konkurriert, die hundertmal größere Produktionsbudgets haben.

Das wird nicht ewig so bleiben. Wenn diese Tools Mainstream werden, wird die Messlatte steigen. Der Vorteil geht an den, der die Pipeline zuerst baut, am schnellsten iteriert und seinen Backkatalog aufbaut, während die Konkurrenz noch herausfindet, welchen KI-Bildgenerator sie nutzen soll.

Wir sind zwei Physiker, die an einem Wochenende eine Content-Pipeline gebaut haben. Sie läuft nahezu auf Autopilot. Sie kostet weniger als ein nettes Abendessen. Und sie hat in zwei Wochen mehr Menschen erreicht als die meisten Wissenschaftskommunikatoren in einem Jahr.

Die Tools sind da. Das Playbook liegt jetzt in deinen Händen.

Ähnliche Artikel

Wir haben unser TikTok mit KI automatisiert und 350.000 Vie…

Zwei Indie-Entwickler haben ihre TikTok-Pipeline mit OpenClaw und Nano Banana 2 automatisiert. Pano…

Die AI Tools, die wir wirklich nutzen, um NerdSip zu bauen …

Ein 2-Personen-Team teilt seinen echten Tech-Stack: Claude Code, Suno, ElevenLabs, Nano Banana & me…

Wie wir KI-Podcasts gebaut haben: Die Technik hinter NerdSi…

Ein detaillierter technischer Einblick, wie NerdSip jeden Textkurs in Echtzeit in einen hörbaren KI…