Ich glaubte nicht, dass KI witzig sein kann. Also habe ich eine Pipeline gebaut, um es herauszufinden.

Zwei Jahre lang habe ich KI für ernste Arbeit eingesetzt: Agenten, die Kundenkonten betreuen, Meeting-Transkripte lesen und Werbebudgets überwachen. Humor war das Einzige, bei dem ich sicher war, dass KI es nicht kann. Jeder „Witz“, um den ich ein Modell gebeten hatte, las sich wie eine Glückwunschkarte.

Dann, Ende September 2026, haben zwei Freunde und ich einen Podcast gestartet. Fünf Wochen später haben wir einen YouTube-Kanal, neun animierte Kritiker und eine Pipeline, die aus einem 30 Jahre alten Werbespot eine gerenderte 3D-Verarsche macht, ungefähr in der Zeit, die ein Kaffee braucht.

Ich lag falsch, was KI und Humor angeht. Aber anders, als ich dachte. Das Modell wurde nicht plötzlich witzig. Funktioniert hat es durch die Pipeline drumherum und durch einen Menschen, der den ersten Entwurf nicht akzeptiert.

Hier ist die ganze Geschichte, vom ersten Commit bis zur Kollisions-Engine.

Woche 1: ein fünfter Stuhl am Tisch

Am 23. September waren wir drei Freunde in drei Zeitzonen, die zusammen aufnehmen wollten. Das Erste, was ich gebaut habe, war keine Witzmaschine. Es war ein Teamkollege.

Alfarito ist ein Claude-Code-Agent, der in unserem Discord-Sprachkanal sitzt. Er hört zu, transkribiert live, prüft Fakten, wenn jemand „Oye, Alfarito“ sagt, holt eine Karte oder einen YouTube-Clip auf einen gemeinsamen Bildschirm und unterbricht mit Meinungen. Am 26. September hatte er ein Gesicht, eine Stimme und eine Persönlichkeit: ein vorlauter ecuadorianisch-kolumbianischer Kumpel, der zu viel redet.

Ihn sicher zu bauen war wichtiger, als ihn schnell zu bauen. Chat-Text berührt nie das Terminal, in dem der Agent läuft; Nachrichten gehen über eine Warteschlange, und der Agent liest sie aus Dateien. Was jede Person fragen darf, ist im Code erzwungen, nicht im Prompt. Ich habe es so gebaut, weil es dieselbe Sicherheitsdisziplin ist, die ich bei Kundensystemen anwende. Ein Podcast-Bot ist nur ein unterhaltsamerer Ort, sie zu üben.

Woche 2: die Idee — über alte Werbung lachen

Alfarito war der Prototyp. Die Werbespots wurden die Produktionsstraße.

Am 30. September lernte Alfarito einen neuen Trick: Momente aus einem Video auswählen und darauf reagieren wie ein Reaction-Streamer. Ich habe seine Versionen A, B und C bewertet. Die meisten waren flach. Eine — eine Idee in eine absurde Alltagsszene zu treiben — war tatsächlich witzig. Das gab die Richtung vor.

Am 5. Oktober machte es Klick: alte lateinamerikanische TV-Werbung. Kolumbianische Werbeblöcke aus den Neunzigern, venezolanische Spots, später argentinische und mexikanische von 2002. Overacting, WordArt-Logos, ausblutende VHS-Farben, Jingles ohne Ende. Das Material ist schon absurd; man muss nur mit dem Finger darauf zeigen.

Der erste war ein Spot für WC-Reiniger. Am Ende des Tages hatte die Pipeline 25 venezolanische Spots und einen kompletten kolumbianischen Werbeblock von 1994 verarbeitet.

Die Pipeline

So läuft es heute, wenn ich sage: „Such mir Werbung aus dieser Zeit in Mexiko.“

1. Suchen und herunterladen. Ein Recherche-Agent sucht auf YouTube nach Zusammenschnitten alter Werbung und erstellt eine Kandidatenliste. yt-dlp lädt den Clip, den ich auswähle, samt Beschreibung herunter.

2. Erst ohne Modell segmentieren. Zuerst kommen billige, objektive Signale: Schnitte, Schwarzbilder und Stille aus ffmpeg. Hat der Uploader Zeitmarken in die Beschreibung geschrieben, sind die auch gratis. Erst dann schaut Gemini den ganzen Zusammenschnitt in niedriger Auflösung, zusammen mit einem Transkript, und schlägt vor, wo jeder Spot beginnt und endet. Jede Grenze rastet auf den nächsten echten Schnitt ein. Damit es schnell und privat bleibt, läuft die Transkription lokal auf meiner RTX 3090 mit faster-whisper large-v3, und pyannote trennt die Sprecher.

3. Gemini schaut jeden Spot. Jeder Spot wird als eigener kleiner Clip geschnitten, und Gemini schaut ihn als Sequenz, durch eine „Linse“, die ich für alte Werbung geschrieben habe: Story-Beats, Overacting, Farben, Kulissen, Mode der Zeit, billige Effekte, Schnittfehler, VHS-Qualität. Heraus kommen eine Zeitleiste pro Spot und die zwei, drei Momente, die am meisten nach Verarsche schreien — jeweils mit Zeitpunkt, Begründung und einem Rahmen auf dem Bild. Dieser Rahmen wird später der rote Kreis im Short.

Als Geminis Sicherheitsfilter einen kolumbianischen Werbeblock von 1994 ablehnte — zu viel Politik und zu viel Kartell-Ära für seinen Geschmack —, übernahm Claude die visuellen Notizen anhand von Bildbögen. Im direkten Vergleich waren Claudes Notizen besser, also wurden sie Standard. Ein lokales Bildmodell auf meiner eigenen GPU habe ich auch getestet; es war noch nicht gut genug.

4. Die Bibel. Seit dem 24. Oktober hat jeder Clip eine JSON-Datei — die biblia —, in der alles steht: die Analyse, Korrekturen falsch verstandener Namen, die Reaktion, jeder Gag auf die Sekunde (Bild, Stempel, Emoji, Ton, Gesicht, Musik) und der Short. Zwei Render-Skripte machen daraus Video, ohne selbst kreativ zu entscheiden: eins liefert die 16:9-Reaktion, das andere den 9:16-Short. Gleiche Bibel, gleiches Video, jedes Mal. Ein gekürztes Beispiel (die Feldnamen sind spanisch, wie die Show):

{
  "biblia": 1, "ep": "ep04", "clip": 1,
  "correcciones": [{"oido": "Garfield", "es": "Garfio"}],
  "reaccion": {"texto": "…", "cara": "laugh", "remate": "trombone"},
  "short": {
    "tramos": [{"de": "clip", "desde": 17.5, "hasta": 20.45, "nota": "gancho"},
               {"de": "reaccion", "desde": -0.25, "hasta": 3.5}],
    "eventos": [{"t": 2.1, "tipo": "sello", "texto": "…", "anim": "slam", "sfx": "clock"}]
  }
}

Jeder Kritiker hat auch eine Figuren-Bibel. In der von El Che steht unter anderem: Er macht sich über den Werbespot und über sich selbst lustig — nie über den Zuschauer, nie über Argentinien.

5. Claude schreibt die Witze. Claude Opus schreibt die Zeilen aus Geminis Analyse. Zwei Formate: eine Pointe am Ende oder eine Pause — der Spot friert im entscheidenden Moment ein, eine Zeile, und weiter geht's. Die Regeln kamen aus Fehlern: Eine Pause verrät nie einen Witz, den der Spot noch nicht erzählt hat; der Hook sitzt in den ersten zwei Sekunden; kein Short ist länger als 40 Sekunden.

6. Ein zweites Modell prüft, ein Mensch entscheidet. Gemini prüft jede Zeile gegen die Regeln und notiert, warum es eine verworfen hat. Fällt eine Bibel durch, geht sie einmal mit Geminis Begründung an Claude zurück. Dann schaue ich jeden Short in meinem eigenen Player an und bewerte ihn: schwach, gut oder genial. Die schwachen gehen nie raus.

Die Kritiker

Eine Stimme, die Witze vorliest, ist keine Show. Die Witze brauchten Gesichter.

Am 7. Oktober kam die erste 3D-Figur: Sebas, ein schnöseliger Typ aus Bogotá im rosa Poloshirt mit aufgesticktem Esel, im flach schattierten Low-Poly-Stil — der „Money for Nothing“-Look, mit einem Kopf, der absichtlich ein Viertel seiner Körpergröße ausmacht. Er wurde der Hauptkritiker: 104 der 146 Shorts, die wir produziert haben, sind seine.

Die Besetzung ist aus Analytics gewachsen, nicht am Whiteboard. Als YouTube zeigte, dass Argentinien 18,5 % unserer Aufrufe brachte, kam am 20. Oktober El Che: ein frustrierter Werbetexter aus Buenos Aires mit Neunziger-Mähne und Schnurrbart. Als die Altersdaten zeigten, dass die meisten Zuschauer 25–34 sind, bin ich von Werbung aus 1996 auf Spots von 2002–2012 umgestiegen. Daher kommen die Mexikaner: Pato, Rodrigo, Memo und El Toro, vier Typen, die auf mexikanische TV-Werbung aus dem Winter 2002 reagieren. Statt zu raten, wer funktioniert, habe ich sie gegeneinander antreten lassen: Jede Figur bekam ihr eigenes Skript für dieselben 28 Spots, nebeneinander.

Die Stimmen liefen durch einen Vergleich von fünf Engines (Edge, Chatterbox, Qwen3-TTS, Voxtral, Fish Audio). Heute sprechen die Kritiker mit Stimmen, die in Geminis TTS entworfen wurden; El Toro klingt wie ein Wrestling-Ansager, weil ich genau diese Stimme aus zwölf ausgewählt habe. Meine Freunde und ich existieren auch als 3D-Figuren in unserer echten Größe, mit geklonten Stimmen — aufgenommen mit unserer eigenen Einwilligung.

Die Kritiker bekommen einen Körper: Rig, Bewegung und eine Physik-Engine

Kurze Clips mit einem sprechenden Kopf in der Ecke waren in Ordnung. Aber die Skripte verlangten nach Slapstick, und jede Szene von Hand zu animieren, skaliert nicht. Also brauchten die Körper Regeln: eine Welt, in der Schwerkraft, Möbel und andere Figuren sich verhalten, ohne dass jemand Keyframes setzt.

• 11. Oktober: Echtes Motion-Capture aus der CMU-Datenbank bewegt die Figuren. Übertragen wird nur die Richtung jedes Glieds auf die Proportionen der Figur, damit sich eine 1,70-m-Figur nicht wie ein 1,90-m-Schauspieler bewegt. Das Rendering wanderte auf die GPU (nvdiffrast): von 289 auf 78 Sekunden pro 40-Sekunden-Short.
• 13. Oktober: eine eigene Bewegungsschicht auf offenen Werkzeugen — inverse Kinematik mit anatomischen Grenzen, Gesichter nach FACS-Action-Units, eine Aufmerksamkeits-Engine, die entscheidet, wer wen anschaut, und eine erste Physikschicht: Nichts geht durch Möbel, Körper liegen auf dem auf, worauf sie sitzen.
• 14. Oktober: ein Character Controller und Ragdoll-Physik (mit der Physik-Engine Rapier), Treppen und Rampen. Auslöser war meine Frage: „Was passiert nach der Rampe? Fällt er?“ Wir hatten keine Antwort, also haben wir eine gebaut.
• 20.–21. Oktober: ein Physik-Benchmark für Sprünge, Stürze und Gehen, danach Interaktionsphysik zwischen zwei Figuren.
• 23.–24. Oktober: eine Pipeline von der Konzeptzeichnung zur animierbaren 3D-Figur: Konzeptbilder → 3D-Mesh → automatisches Rig → Skelett unserer Engine → Kleidung.

Blender nutzen wir nur, um Kulissen zu bauen und das Licht zu backen. Jedes Bild des fertigen Videos kommt aus unserer eigenen GPU-Engine. Die Kulissen entstehen aus Code, aus Fotos und aus der Stadt selbst — wie aus einer Adresse mit amtlichen Berliner Gebäudedaten eine 3D-Szene wird, zeigt eine eigene Fallstudie.

Wo der Mensch ins Spiel kommt

Wer die Commit-Historie liest, merkt: Die wichtigsten Zeilen sind kein Code. Es sind meine Notizen. Ein paar davon, übersetzt:

• „Leute im Dialog schauen sich an.“ Vor dieser Regel wirkte jede Szene, als würden alle ins Leere reden. Danach haben wir jede Geschichte neu gerendert.
• „Lass uns die Ursache verstehen, nicht flicken.“ — als die Figuren über den Boden rutschten, statt zu gehen. Daraus wurde eine allgemeine Regel: Bewegung kommt aus den Füßen.
• „Higgs klang falsch.“ — also zurück zu einer anderen Stimm-Engine für jeden Klon.
• Und eine Panne, die ich gern erzähle: Eine Zeit lang fiel der Sprach-Server unbemerkt auf eine andere Stimme zurück, wenn er ausgelastet war. Ergebnis: ein Kritiker, der mitten im Short die Stimme wechselte. Seitdem bricht das System laut ab statt still zu wechseln — fehlt eine Stimme, stoppt das Rendering, statt sie zu ersetzen.
• „Käpt'n Hook, nicht Garfield.“ — ein falsch verstandener Name, der zu einer Prüfung in jedem Prompt wurde.
• „Schärfer. Ohne Gnade.“, „Bilder, nicht nur Text.“, „Lass die Sätze zu Ende gehen.“
• Und die, die ich am häufigsten wiederhole: „Denk dran, der letzte Filter sind wir.“ Für eine Comedy-Show haben die Modelle jeden Witz zu etwas Höflichem und Zahnlosem abgeschwächt. Ich habe diese kreativen Bremsen aus den Prompts genommen — nicht die Schutzmechanismen des Systems. Wo bei unserer eigenen Comedy die Grenze liegt, entscheiden wir als Redaktion, nicht das Modell. Bei Kundenprojekten ist es umgekehrt: Regeln für Markensicherheit bleiben an, und ich füge eher welche hinzu, als welche wegzunehmen.

Das ist der Teil, den ich nicht erwartet hatte. Die KI erledigt die schwere Arbeit: Sie schaut stundenlang Material, findet die Momente, entwirft Witze, animiert Körper, rendert und plant die Veröffentlichung. Aber sie weiß nicht, welcher Witz zündet. Sie merkt nicht, dass zwei Leute, die sich beim Reden den Rücken zuwenden, falsch aussehen. Sie fragt nicht, was nach der Rampe passiert. Das mache ich. Dann mache ich aus der Antwort eine Regel, damit sie nie zweimal gesagt werden muss.

Für die größeren Drehbücher nutze ich zusätzlich ein zweites Modell als Kritiker: Gemini schreibt eine Blindkritik, Claude nimmt jede Notiz an, halb an oder lehnt sie ab, und ich entscheide.

Die Zahlen, ehrlich

• Der Kanal ging am 18. Oktober 2026 online. In der ersten Woche: 17.167 Aufrufe, 7.709 aktive Aufrufe, 43 % der Zuschauer blieben dran, 275 Likes, 44 Stunden Wiedergabezeit, +21 Abonnenten.
• Von den 20 öffentlichen Shorts liegen 11 zwischen 1.152 und 1.336 Aufrufen; der Median liegt bei etwa 1.175. Vier hat YouTube nie ausgespielt.
• Dieses Plateau ist YouTubes Testgruppe. Um darüber hinauszukommen, müssen mehr Leute bis zum Ende schauen. Das ist jetzt das Experiment.
• Publikum: Mexiko 29 %, Argentinien 17 %, Peru 8 %, Chile und Spanien je etwa 5 %, Kolumbien etwa 5 %. 41 % sind 25–34 Jahre alt.
• Hinter den 20 öffentlichen Shorts stehen 146 produzierte. Die meisten gingen nie raus. Genau darum geht es bei einer Pipeline mit einem Menschen am Ende.

Es ist ein Nebenprojekt, kein Geschäft. Keine Monetarisierung, keine Werbung. Aber es ist das beste Labor, das ich je hatte, für die Frage, die mich beruflich interessiert: Wie baut man eine KI-Pipeline, die von selbst läuft, ohne das Urteilsvermögen aus der Hand zu geben?

Ein Hinweis zum Material: Die Werbespots sind fremdes Material. Wir nutzen kurze Ausschnitte als Kommentar und Parodie — der Spot läuft, der Kritiker kommentiert, das Schlüsselbild ist in den Vorschaubildern verpixelt. Bisher zwei Content-ID-Ansprüche wegen Musik. Das Material gehört anderen; die Witze und die Pipeline sind unsere. Kunden-Pipelines sind eine andere Welt: Sie laufen ausschließlich auf eigenen oder lizenzierten Daten des Kunden.

Was ich über KI und Humor gelernt habe

KI kann witzig sein. Nicht von allein und nicht beim ersten Versuch. Witzig wird sie, wenn:

1. sie sieht, bevor sie schreibt. Witze aus einer Beschreibung sind beliebig; Witze aus dem, was Gemini in Sekunde 0:17 wirklich gesehen hat, sind konkret. Konkret ist witzig.
2. sie eine Figur hat. Eine Bibel mit Stimme, Weltbild und Regeln („nie den Zuschauer verspotten“) schlägt jeden „sei witzig“-Prompt.
3. sie Grenzen hat. Pausenformate, 40 Sekunden, ein Hook in zwei Sekunden. Grenzen machen Witze.
4. ein anderes Modell prüft und ein Mensch auswählt. Die meisten Entwürfe sind mittelmäßig. Die Pipeline produziert genug davon, dass es die guten gibt, und der Mensch findet sie.
5. jede Korrektur zur Regel wird. Ich habe einmal „schaut euch an“ gesagt. Seitdem hat niemand mehr der Kamera den Rücken zugedreht.

So baue ich auch Agenten für Kunden. Ob die Eingabe ein unübersichtliches Werbekonto ist oder ein WC-Reiniger-Spot von 1994: Die Architektur ist dieselbe. Die Maschine macht die schwere Arbeit, das Urteil bleibt beim Menschen, und jeder Fehler wird zu einer dauerhaften Regel.

Wer sehen will, wo es gerade steht: youtube.com/@LosPanchitosPodcast. Die Witze sind auf Spanisch. Den Kritikern ist es egal, ob du sie verstehst.

▶ Los Panchitos auf YouTube