KI & Automation Zweitkanal Psychologie Stockmaterial

Denkfehler — derselbe Motor, ein anderes Fahrzeug

Der zweite Kanal aus der Zeitsplitter-Pipeline — und der Beweis, dass sie mehrkanalfähig ist. „Denkfehler" erklärt kognitive Verzerrungen an Alltagssituationen: ein Denkfehler, ein Beispiel, eine Korrekturhilfe. Kein einziger Workflow wurde dafür kopiert. Was den Kanal ausmacht — Tonfall, Bildsprache, Quellenpflicht, Länge, Musik — steht in einer Tabellenzeile.

2026 · FFWD Labs

Worum geht's?

Eine Content-Pipeline ist erst dann etwas wert, wenn sie mehr als einen Kanal trägt. Genau das war bei Zeitsplitter noch offen — unter „Als Nächstes" stand dort: Mehrkanal-Fähigkeit. Denkfehler ist die Einlösung.

Der Kanal läuft auf denselben vier Webhooks, derselben Tabelle, demselben Renderer. Neu ist ausschließlich Konfiguration: Themen-DNA, Planungsregeln, Stimme, Untertitelstil, Seitenverhältnis, Musikkatalog. Und weil Psychologie andere Ansprüche stellt als Geschichte, unterscheidet sich fast jede inhaltliche Entscheidung von Zeitsplitter — bei identischer Technik.

Was anders ist — und warum

 
Zeitsplitter
Denkfehler
Bildquelle
KI-generiert, Szene für Szene — eine Schlacht von 1476 gibt es nun mal nicht als Stockvideo.
Echtes Stockmaterial aus Pexels. Alltagssituationen existieren millionenfach gefilmt; sie zu generieren wäre teurer und schlechter.
Kosten je Video
Bildgenerierung für jede Szene.
Rund vier Credits — und zwar für genau ein Bild pro Video. Alles andere ist gratis.
Generierte Bilder
Der Normalfall.
Die Ausnahme, und nur, wenn Stock die Aussage nicht zeigen kann: ein Preisschild mit lesbarer Zahl, ein Formular, ein Diagramm.
Themenfindung
Datumsbasiert — was ist heute vor X Jahren passiert, mit Duplikatsprüfung.
Aus fünf NotebookLM-Recherchen abgeleitet und redaktionell geprüft, bevor eine Idee überhaupt in die Pipeline geht.
Faktenprüfung
Wikipedia-Abgleich im Drehbuchschritt.
Primärstudien, Metaanalysen, Reviews. Strittige Effekte und Replikationsprobleme werden gekennzeichnet statt geglättet.
Aufbau
6–8 Szenen, 40–60 Sekunden, dramaturgischer Wendepunkt.
Genau fünf Szenen à zehn Sekunden. Weniger Schnitte, mehr Zeit pro Gedanke — ein Denkfehler braucht Ruhe, kein Tempo.
Musik
31 eigene Tracks, episch-cineastisch.
Ein eigener Katalog pro Kanal — die Auswahl filtert seit diesem Umbau nach Kanal statt nach Zufall.
Steuerung
Nächtlicher Cron, vollautonom.
Bewusst angestoßen, nicht getaktet — jede Folge braucht eine geprüfte Quelle, und die entsteht nicht auf Zuruf.

Das Format — fünf Szenen, ein Gedanke

01 · 0–10 s

Hook

Die Alltagssituation, ohne Fachbegriff. Der Zuschauer soll sich wiedererkennen, bevor er versteht.

02 · 10–20 s

Denkfalle

Der Bias wird benannt und in einem Satz erklärt. Jeder Fachbegriff sofort übersetzt.

03 · 20–30 s

Beispiel

Genau eins, ausgeführt bis zum Aha-Moment. Keine Aufzählung, keine Liste.

04 · 30–40 s

Klarheit

Der Mechanismus und eine handfeste Gegenfrage. Nicht „sei dir dessen bewusst".

05 · 40–50 s

Quelle

Studie und Jahr, dann eine konkrete Erfahrungsfrage — kein Abo-Bait.

Die Recherche dahinter

Bevor die erste Idee entstand, wurden fünf getrennte NotebookLM-Recherchen angelegt. Nicht als Ideenautomat, sondern als Quellenbündel: Jede Aussage muss später einzeln geprüft werden, und Views oder Likes gelten ausdrücklich nicht als Beleg für Qualität.

01

Competitor Research

Reale Benchmarks im DACH-Raum, Marktlücken und geeignete Biases.

02

Audience Psychology

Selbstrelevanz und Nutzungsmotive — ohne erfundene Demografie.

03

Hook + Retention

Dramaturgie: Alltagshook, Bias-Erklärung, Aha-Moment, Gegencheck.

04

Video Techniques

Pexels-Bildsprache, Schnitt, Texteinblendungen, mobile Lesbarkeit.

05

Visual Identity

Glaubwürdiger Psychologie-Auftritt ohne Klinik- oder „Dark Psychology"-Ästhetik.

Was aus den Rohideen nicht übernommen wurde, ist so aufschlussreich wie das, was blieb: pauschale Prozentwerte, der populäre „Mount Stupid" und unbelegte neuropsychologische Erklärungen. Zehn geprüfte Pilotideen sind übrig geblieben — Ankereffekt, Attributionsfehler, Sunk Cost, Bestätigungsfehler, Status-quo-Bias, Survivorship Bias, Framing, Verlustaversion, Verfügbarkeitsheuristik und Rückschaufehler.

Was wir dabei gelernt haben

Problem

Ein geschätzter Faktor produzierte Videos in falscher Länge

Der Renderer passt jeden Clip an die Länge des Voiceovers an — in beide Richtungen. Wir hatten dem Drehbuch-Schritt ein Budget in Wörtern pro Sekunde vorgegeben, geschätzt statt gemessen. Ergebnis: einmal wurde ein 50-Sekunden-Plan zu 111 Sekunden gedehnt, beim nächsten Versuch auf 44 Sekunden gestaucht.

Lösung

Statt zu raten haben wir 14 fertige Szenen vermessen. Wörter pro Sekunde streuen um zehn Prozent, Zeichen pro Sekunde nur um viereinhalb — und der wahre Wert lag bei 12,4 Zeichen, nicht bei den angenommenen 2,4 Wörtern. Seitdem rechnet der Planer in Zeichen und trifft die Ziellänge auf wenige Prozent genau.

Problem

Die eigene Schreibweise vergiftete das Voiceover

Die Sprachausgabe las Zahlen falsch aus: „fuenfhundert" statt „fünfhundert". Die Daten waren aber nicht beschädigt — im Gegenteil. Wir hatten die Anweisungen an das Modell selbst in ASCII geschrieben, um uns Escaping zu ersparen. Das Modell übernahm den Stil, und was dastand, wurde vorgelesen.

Lösung

Ein Einzelbild aus einem fertigen Video bewies, dass echte Umlaute in beiden Textebenen sauber rendern — es gab also nie einen technischen Grund. Der Drehbuch-Prompt fordert jetzt echte Umlaute, ausdrücklich auch dann, wenn die Anweisung selbst in ASCII geschrieben ist.

Problem

Eine Mengengrenze ließ sich nicht ansagen

„Höchstens eine teure Szene pro Video" — diese Regel wurde in vier Anläufen immer schärfer formuliert und viermal ignoriert. Einmal vergab das Modell fünf statt einer, einmal zwei, davon eine als Videogenerierung statt als Standbild. Zwischendurch stellte sich heraus, dass zwei Regeln einander widersprachen: Die globale Vorgabe erklärte das Budget zur Voreinstellung für jede Szene, die Kanalregel zur Obergrenze für eine einzige.

Lösung

Der Widerspruch wurde aufgelöst — und die Grenze trotzdem in Code gezogen statt in Prosa. Ein kleiner Baustein zählt nach dem Drehbuchschritt, lässt genau eine teure Szene durch und stuft den Rest auf die kostenlose Route zurück. Er protokolliert jede Korrektur; stillschweigendes Eingreifen wäre schlimmer als das Problem. Die Lehre: Sprachmodelle verhandeln Mengenangaben, Zähler nicht.

Problem

Stockvideos kamen in 4K — und machten die Titel winzig

Die Texteinblendungen haben eine feste Schriftgröße in Pixeln. Auf einem Video mit vierfacher Fläche wirken sie entsprechend klein. Der Anbieter liefert dasselbe Video in sechs Auflösungen — abgeholt wurde immer die größte.

Lösung

Keine Konvertierung, nur die richtige Datei: die größte Variante, die 1080 Pixel nicht überschreitet. Das spart nebenbei zwei Drittel Bandbreite. Ein späterer Versuch, zusätzlich im Schnitt zu skalieren, ließ ffmpeg abstürzen — und wurde zurückgenommen, statt ihn zu überreden.

Als Nächstes

Eigene Musik und der erste Upload

Der Kanal läuft technisch, aber drei Dinge fehlen: ein eigener Musikkatalog statt dreier geliehener Tracks aus dem Geschichtskanal, das YouTube-Credential für die Veröffentlichung — und die Bildmarke, die bislang nur als Entwurf existiert.

Was gleich geblieben ist

Vier Webhooks, eine Tabelle als einzige Wahrheitsquelle, derselbe Renderer, dieselbe Stimme. Auch die Regeln, die sich bei Zeitsplitter bewährt haben, gelten weiter: Zahlen werden als Wörter geschrieben, damit die Sprachausgabe sie richtig liest, und vor jedem Upload steht ein Türsteher, der zwei unabhängige Merkmale prüft.

Der eigentliche Ertrag dieses Projekts ist deshalb weniger der Kanal als der Beweis dahinter: Ein zweiter Kanal kostete keine Zeile neuer Pipeline. Was ihn unterscheidet, steht in einer Datenbankzeile — und was dabei kaputtging, ging an Stellen kaputt, die vorher niemand als Stellen erkannt hatte.

Auch die Freigabe ist dieselbe: Jedes Video wird vor der Veröffentlichung gesichtet. Die redaktionelle Verantwortung liegt bei Daniel Schneider. Die Inhalte entstehen KI-gestützt und sind in Video, Beschreibung und Metadaten entsprechend gekennzeichnet — Näheres auf der KI-Transparenzseite.

Der Technik-Stack

n8n (dieselben Workflows) n8n Data Table (Kanal-Konfiguration) NotebookLM (Recherche) Pexels Stock-Video nano-banana (1× pro Video) ElevenLabs TTS ffmpeg + Ken Burns Whisper (Untertitel) YouTube Data API