Seit dieser Woche gibt es auf dieser Website eine Miniaturwelt: aicreation.tech/lab/scroll-world. Vier Clay-Dioramen zeigen den AiCreation-Prozess, vom Kennenlernen über den Pilot-Sprint und die Umsetzung bis zum laufenden Betrieb. Die Scroll-Position steuert die Kamera. Scrollt man runter, taucht sie in die Szene ein, zwischen den Szenen fliegt sie durch dunklen Raum zur nächsten Insel. Ein durchgehender Kameraflug von 47 Sekunden, den der Besucher selbst steuert.
Das Muster kennt man von Apple-Produktseiten und grossen Marken-Sites. Dort stecken klassischerweise Wochen an 3D-Arbeit dahinter. Unsere Welt ist komplett AI-generiert. Der Weg dahin war allerdings kein gerader Strich: ein Wegwerf-Test, zwei fertige Welten und ein Fehler, den keine Metrik gefunden hat. Hier ist der ganze Prozess mit allen Zahlen.
Die Vorstufe: ein Wegwerf-Test für 106 Credits
Bevor die echte Welt entstand, habe ich die Pipeline an einem Thema getestet, das bewusst Wegwerfmaterial war: eine fiktive Kaffeerösterei, drei Szenen, 8 Generierungen mit dem günstigen Mini-Videomodell. Kosten: 106 Credits, umgerechnet rund 5 Franken, ein Nachmittag. Der Test hat zwei Dinge bewiesen: die Mechanik trägt, und der Kosten-Preflight der Plattform stimmt aufs Credit genau. Erst danach ging es ans echte Stück.
Die Architektur: 11 Generierungen pro Welt
Die produktive Welt besteht aus:
- 4 Ankerbildern (Stills): eines pro Prozess-Schritt, generiert mit GPT Image 2 in 2k-Auflösung. Sie definieren Look, Farbpalette und Geometrie.
- 4 Dives: pro Szene ein 8-Sekunden-Video, bei dem die Kamera vom Überblick in die Szene eintaucht. Videomodell: Seedance 2.0 im Standard-Modus, 1080p.
- 3 Connectors: zwischen den Szenen je ein 5-Sekunden-Flug von einer Insel zur nächsten.
Die Kostenstruktur, vor jedem Lauf per Preflight abgefragt und danach exakt so verbraucht: 7 Credits pro Still, 72 pro Dive, 45 pro Connector. Macht 451 Credits pro Welt, umgerechnet rund 20 Franken, ohne einen einzigen Retry im ersten Durchgang.
Der harte Teil: Übergänge, die man nicht sieht
Ein Connector muss exakt dort starten, wo der vorherige Dive endet, und exakt dort landen, wo der nächste beginnt. Sonst springt das Bild und die Illusion einer zusammenhängenden Welt ist weg.
Die Lösung: Mit ffmpeg extrahiere ich den letzten Frame des einen Videos und den ersten Frame des nächsten. Beide Frames bekommt das Videomodell als Start- und Endbild vorgegeben, es rendert den Flug dazwischen. Die wichtigste Regel dabei: Diese Frames müssen aus den gerenderten Videos kommen, nie aus den ursprünglichen Ankerbildern. Das Video weicht vom Still immer leicht ab. Wer gegen das Still stitcht, baut sich einen sichtbaren Sprung ein.
Der Design-Pivot: von Cream zu Space
Die erste Welt entstand in warmem Cremeweiss. Sie wurde sauber fertig, 451 Credits, null Retries, alle Übergänge geprüft. Und dann passte sie nicht: Die Website, in der sie leben soll, ist dunkel. Eine helle Welt in einer dunklen Site wirkt wie ein Fremdkörper.
Elf fertige Videos kann man nicht umfärben. Also entstand eine zweite Welt im dunklen Space-Look, die Dioramen als schwebende Inseln im Nachtblau. Zuerst ein A/B-Test an einer einzigen Szene (79 Credits für Still plus Dive), erst nach dem Befund «funktioniert» der volle zweite Lauf (372 Credits). Ein Detail daraus: Die Sterne im Hintergrund sind bewusst nicht im Video, sondern liegen als eigene Ebene im Browser darüber. Zwei unabhängige Generierungen setzen Sterne nie an dieselbe Stelle, an jeder Nahtstelle würde der Himmel springen.
Die Lehre aus dem Umweg: Bei dieser Pipeline ist ein kompletter Look-Wechsel ein kalkulierbarer Posten, kein Projektneustart. Die helle Welt liegt als fertige Reserve im Archiv.
Die Grenze der Automatik: der Szenensprung
Das QA-Programm war nicht knapp bemessen: 10 Einzel-Frames pro Clip geprüft, Übergangs-Frames kontrolliert, alle Nahtstellen mit SSIM gemessen, einem Standardmass für Bildähnlichkeit. Alles grün. Dann der interaktive Scroll-Test am Bildschirm, und im ersten Dive sass er doch: ein Szenensprung mitten im Clip, zwei verschiedene Szenenbilder im selben Video. Durch alle automatischen Prüfungen gerutscht, gefunden vom menschlichen Blick beim Scrollen.
Der Fix zeigt, wie diese Pipeline wirklich tickt. Der Prompt bekam eine verschärfte Klausel, die die Szene festnagelt («one single continuous scene, the room never changes»), der neue Dive kostete 72 Credits und war sauber. Aber er endet auf einem anderen Kamerastand als der alte, und der Anschluss-Connector war auf das alte Ende gebaut. Also musste auch der Connector neu, 45 Credits. Frame-genaue Übergänge sind eine Kette: Wer mittendrin einen Clip ersetzt, zieht den Nachbarn mit. Der ganze Fix: 117 Credits.
Ein Nebenbefund zum Schmunzeln: Mit der verschärften Klausel fliegt die Kamera jetzt ab dem ersten Frame los. Das träge 2-Sekunden-Ruhen am Clipanfang, das vorher als Modell-Eigenheit galt, war damit auch weg.
Zur SSIM-Kalibrierung, weil sie übertragbar ist: Nach Lehrbuch wäre alles unter 0.90 ein Fehlschlag. Am eigenen Material zeigt sich, dass zwei unabhängige Generierungen derselben Szene minimal versetzt und neu texturiert rendern. Szenenidentisch heisst bei diesem Modell eher 0.65 aufwärts, die Live-Welt liegt an allen sechs Nahtstellen zwischen 0.79 und 0.91. Publizierte Schwellwerte blind zu übernehmen führt in die Irre, kalibrieren muss man selbst.
Vier Prompt-Details, die den Unterschied machen
Die Kamera muss sofort losfliegen
Ohne explizite Anweisung ruht die Kamera gern die erste Cliphälfte und beschleunigt dann. Für Scroll-Steuerung ist das Gift, weil die halbe Scroll-Strecke nichts tut. Die Anweisung, dass die Kamera sofort losfliegt und ein konstantes, ruhiges Tempo hält, gehört in jeden Video-Prompt.
Die Szene festnageln
Die härteste Lektion des Projekts: «Single continuous camera move, no cuts» reicht nicht. Das Modell kann trotzdem mitten im Clip die Szene wechseln. Erst die doppelte Verankerung («one single continuous scene from the first frame to the last frame, the room never changes») plus explizite Verbote («no second location, no other room») haben den Szenensprung eliminiert.
Den Himmel explizit leer bestellen
Das Modell erfindet Dinge, die niemand bestellt hat. In einem Connector der hellen Welt tauchten plötzlich Wattewolken auf, die den Stil gebrochen haben. Seither wird der Hintergrund explizit bestellt: leer, einfarbig, ohne Sterne, ohne Textur.
Ausgaben direkt als Eingaben weiterverwenden
Die Job-ID eines fertigen Ankerbilds lässt sich auf der Plattform direkt als Startbild für die Videogenerierung angeben, ohne Download und erneuten Upload. Das spart pro Clip einen Arbeitsschritt und eine Fehlerquelle.
Ein Technik-Detail fürs Scrubbing
Damit der Browser beim Scrollen präzise auf jede Videoposition springen kann, braucht das fertige Video eine spezielle Encodierung: H.264 mit einem Keyframe alle 8 Frames statt der üblichen weiten Abstände. Die Datei wird dadurch etwas grösser. Das ist der Preis für flüssiges Scrubbing ohne Ruckeln.
Die Bilanz
Alles zusammengerechnet: 106 Credits für den Wegwerf-Test, 451 für die helle Welt, 451 für die Space-Welt, 117 für den Szenensprung-Fix. Total 1'125 Credits, verteilt über zwei Tage, inklusive Umweg und Lehrgeld.
Damit man sich unter Credits etwas vorstellen kann: Nach der aktuellen Higgsfield-Preisliste kostet ein Credit je nach Abo-Stufe umgerechnet etwa 3.5 bis 7 Rappen (Stand Juli 2026, Kurs 0.81, Preise exklusive Mehrwertsteuer). Die 1'125 Credits dieses Projekts entsprechen damit rund 40 bis 80 Franken, auf der mittleren Abo-Stufe etwa 50 Franken. Anders gesagt: Ein einzelnes 8-Sekunden-Video kostet knapp 3 Franken, ein Ankerbild rund 30 Rappen.
Renderzeiten pro Generierung: Stills gut eine Minute, Videos drei bis neun Minuten. Zum Vergleich: Eine handgebaute 3D-Welt in dieser Optik ist ein Projekt von Wochen, mit einem Budget in einer anderen Grössenordnung.
Was das für KMU bedeutet
Scrollbare Welten waren bisher ein Konzern-Privileg, weil die 3D-Produktion dahinter teuer ist. Das ändert sich gerade. Ein Produktrundgang als Miniaturwelt, eine Werksbesichtigung im Diorama-Stil, eine Prozessstrecke vom Rohstoff zum fertigen Produkt: solche Signature-Elemente für die eigene Website entstehen jetzt in Tagen, zu Rechenkosten, die im Vergleich zur klassischen 3D-Produktion kaum ins Gewicht fallen.
Was bleibt, ist Handwerk an anderer Stelle: saubere Architektur der Szenen, präzise Prompts, konsequente Qualitätskontrolle Frame für Frame, Metriken, die man selbst kalibriert hat, und am Ende ein Mensch, der scrollt und hinschaut. Genau dieser Teil entscheidet, ob das Ergebnis nach Spielerei aussieht oder nach Marke.
Das Ergebnis lässt sich direkt anschauen: aicreation.tech/lab/scroll-world, der Einstieg dazu sitzt auf der Startseite.
Weiterführende Links
- Scroll-driven Animations (Chrome for Developers) — Grundlagen scroll-gesteuerter Animationen im Browser, mit CSS und JavaScript.
- Strukturelle Ähnlichkeit (Wikipedia) — das SSIM-Mass hinter der Übergangs-Qualitätskontrolle, inklusive Grenzen der Metrik.
- Higgsfield — die Plattform, über die alle Stills und Videos dieses Projekts generiert wurden.