Invideo AI weist jedem Schritt der Videoproduktion ein anderes OpenAI-Modell zu

Ein Modell pro Aufgabe statt ein Modell für alles

Das konkreteste Detail in OpenAIs Bericht über invideo AI ist die Arbeitsteilung. Das Unternehmen beschreibt keine einzelne Pipeline von Prompt zu Video, sondern ein Multi-Agent-System, in dem jedes OpenAI-Modell eine bestimmte Produktionsstufe übernimmt.

OpenAI o3 fungiert als Planer und Orchestrator: Es bewertet Zweck, Ton und Zielplattform eines Videos und wählt dann aus, welche Modelle für welche Aufgabe eingesetzt werden. GPT-4.1 setzt diesen Plan in ein Skript mit Struktur und Erzähltempo um. Suchgestützte GPT-Modelle reichern Skripte mit aktuellem Kontext an. Die Moderation API prüft Ton und Sicherheit. gpt-image-1 erstellt Hintergründe und markenspezifische Assets. Text-to-Speech-Modelle übernehmen die Vertonung in verschiedenen Sprachen.

Diese Zuordnung ist die eigentliche Architektur. Die eigentlich interessante technische Aussage ist nicht, dass KI Videos schneller produziert – sondern dass invideo AI Orchestrierung als Routing-Problem behandelt, bei dem ein Reasoning-Modell entscheidet, welches nachgelagerte Modell für welche Teilaufgabe am besten geeignet ist.

Warum die Mitgründer die Modellauswahl als das eigentliche Produkt begreifen

Das Team von invideo AI macht deutlich, dass unterschiedliche Modelle unterschiedliche Stärken haben und dass die passende Zuordnung von Modell zu Aufgabe die Kernarbeit ist.

Unsere Aufgabe ist es, das beste kreative Ergebnis zu erzielen, und das bedeutet, zu verstehen, welches Modell sich für welche Aufgabe am besten eignet.Montana Labs

Dieses Zitat von Mitgründer Anshul Khandelwal lohnt eine genauere Betrachtung. Es rückt den eigentlichen Mehrwert von invideo AI zurecht: nicht die Modelle selbst, die über die API für jeden zugänglich sind, sondern das Urteilsvermögen bei Routing und Koordination, das darüber gelegt wird.

Plattformspezifische Prompts lösen Anpassungen über mehrere Modelle hinweg aus

Die Quelle liefert ein konkretes Beispiel dafür, wie Orchestrierung für Nutzer sichtbar wird. Ein Prompt wie „Passe diesen Video-Hook für TikTok an" aktiviert GPT-4.1, um Tempo und Ton anzupassen, Text-to-Speech, um das Voiceover zu verfeinern, und gpt-image-1, um konversionsstarke Bildmotive auszuwählen.

Bei einer Kopfhörer-Werbung für Stadtpendler führt das zu ruhiger Musik, einem professionellen Ton und stadtrelevanten Bildmotiven. Eine einzige Anweisung in natürlicher Sprache löst koordinierte Änderungen über drei Modelltypen hinweg aus. Das ist der Unterschied zwischen einem bloßen Wrapper und einem System.

Die Aussagen, die OpenAI liefert, und ihre Grenzen

OpenAI berichtet, dass invideo AI über 50 Millionen Nutzer bedient, die monatlich mehr als 7 Millionen Videos für Werbung, Erklärvideos und Kurzformat-Inhalte produzieren. Das Unternehmen führt an, dass Nutzer 10-mal weniger Zeit für die Produktion aufwenden – ein Tagesarbeitspensum wird auf 30 Minuten oder weniger reduziert – und dass viele ihren Umsatz verdoppelt hätten.

Dabei handelt es sich um Zahlen aus einer Kundenreferenz, ohne belegte Methodik. Die Größenordnungen sind konkret angegeben; Ergebniszahlen wie die Umsatzverdopplung werden vage „vielen" Nutzern zugeschrieben. Man sollte sie als Indiz für die Verbreitung lesen, nicht als gemessene Benchmarks.

Was eine an Modellveröffentlichungen gekoppelte Roadmap für Entwickler bedeutet

CEO Sanket Shah sagt, die Roadmap von invideo AI entwickle sich parallel zu der von OpenAI, wobei das Team die Fähigkeiten bei jeder neuen Modellveröffentlichung neu bewertet. Das ist eine bewusste Kopplung: Die Obergrenze des Produkts steigt, wenn sich die zugrunde liegenden Modelle verbessern.

Die konkrete Implikation ist, dass invideo AI seinen Wettbewerbsvorteil in der Orchestrierungsebene aufgebaut hat – der Routing-Logik, den Plattform-Optimierungs-Prompts, der Moderations-Filterung – und nicht in einem einzelnen Modell. Wenn OpenAI ein besseres Text-to-Speech- oder Bildmodell veröffentlicht, kann invideo AI es dank des Multi-Agent-Designs in die entsprechende Stufe einfügen, ohne die Pipeline neu zu bauen. Für Teams, die abwägen, ob sie auf ein einzelnes Modell oder ein koordiniertes Set davon setzen sollen, ist dies ein funktionierendes Beispiel für Letzteres – wobei der Orchestrator selbst ein Reasoning-Modell ist.