Inside Clevera: Wie agentische KI Bildschirmaufnahmen in Voiceovers verwandelt

Das verborgene Chaos hinter der Automatisierung#

Als wir Clevera entwickelten, hatten wir eine Handvoll Modelle, die viel zu viel leisten mussten. Jedes einzelne versuchte, mehrere Aufgaben gleichzeitig zu jonglieren: den Bildschirm zu beobachten, Aktionen zu interpretieren, zu entscheiden, was wichtig ist, die Erzählung zu schreiben, den Tonfall zu wählen und das Ganze irgendwie in ein kohärentes Tutorial zu verwandeln. Ein paar Gehirne, die alle die volle Arbeitslast trugen.

Stellen Sie sich ein Filmteam vor, bei dem drei Leute zwanzig verschiedene Rollen übernehmen. Regisseur, Kameramann, Autor und Cutter – alles in einer Hand. Sie können sich vorstellen, wie das lief. Die Ergebnisse waren akzeptabel, aber nie großartig. Die Erzählung klang steif. Wichtige Momente wurden übersprungen. Längere Videos machten die Modelle verwirrt und inkonsistent.

Das Problem waren nicht die Modelle selbst. Das Problem war, sie wie einen einzelnen Denker statt wie ein Team zu behandeln.

Wir erkannten, dass Menschen keine linearen Denker sind#

Ursprünglich versuchten wir nachzuahmen, wie ein Mensch scheinbar ein Tutorial erstellt: auf den Bildschirm schauen, kurz nachdenken, erklären. Einfach. Zumindest oberflächlich betrachtet.

Doch menschliches Denken funktioniert ganz anders. Wenn Sie etwas erklären, feuern in Ihrem Gehirn Dutzende kleiner Spezialisten gleichzeitig. Sie bemerken, was sich geändert hat. Sie ignorieren, was unwichtig ist. Sie rufen ab, was die Funktion bewirkt. Sie wählen einen Tonfall. Sie passen das Tempo an. Sie editieren, während Sie sprechen.

Es fühlt sich linear an, aber eigentlich laufen viele kleine Agenten im Hintergrund. Das war der Moment, in dem es bei uns „klick“ machte. Damit Clevera menschlich klingt, musste es wie ein Team denken.

Also haben wir uns für den agentischen Ansatz entschieden.

Von einem Gehirn zu vielen#

Betrachten Sie Clevera heute als ein kleines, aber extrem diszipliniertes Filmteam.

Der Beobachter#

Dieser studiert Ihren Bildschirm. Bild für Bild. Er sieht Klicks, getippten Text, Bildläufe, geöffnete Menüs und UI-Änderungen. Er erfasst die reine Wahrheit, bevor irgendetwas anderes geschieht.

Der Stratege#

Sobald der Beobachter Bericht erstattet hat, entscheidet der Stratege, was wirklich zählt.

„Überspringe den Lade-Spinner.“
„Fasse diese drei Schritte zusammen, sie gehören zu einer Idee.“
„Erkläre diesen Moment, er ist wichtig.“

Hier wird die Logik des Tutorials geformt.

Der Autor#

Sobald der Plan steht, erstellt der Autor die Erzählung in einfacher, freundlicher Sprache. Er erklärt, was passiert, ohne abzuschweifen, und vermeidet einen roboterhaften Tonfall.

Der Editor#

Der Editor kürzt. Poliert. Korrigiert die Stellen, an denen der Autor zu enthusiastisch oder zu wortreich war. Er passt die Formulierungen so an, dass jede Zeile präzise sitzt.

Der Prüfer#

Das ist der Pingelige. Er erhält das gesamte Skript und stellt sicher, dass es als eine flüssige, zusammenhängende Geschichte gelesen wird. Keine seltsamen Sprünge. Keine Widersprüche. Kein ungleichmäßiger Tonfall.

Und in der Mitte sitzt der Orchestrator, der stille Chef, auf den alle hören.

Er delegiert Aufgaben, prüft die Qualität und stupst Agenten an, wenn sie vom Kurs abweichen. Wenn der Stratege einen wichtigen Moment übersieht, schickt der Orchestrator ihn mit einem einfachen „Schau noch einmal hin, denk gründlicher nach“ zurück. Wenn eine Zeile holprig klingt, bittet der Orchestrator den Editor um eine weitere Überarbeitung.

Diese Struktur hat nicht nur die Qualität verbessert. Sie hat ein neues Maß an Klarheit und Konsistenz freigesetzt, das ein einzelnes Modell niemals erreichen könnte.

Iterativ ist besser#

Der größte Qualitätssprung geschah, als wir die Agenten dazu brachten, ihre eigene Arbeit zu überdenken.

Anstatt eines Versuchs pro Schritt lässt der Orchestrator bestimmte Agenten mehrere Durchläufe mit zunehmender Tiefe machen. Zuerst ein schneller Entwurf. Dann ein tieferer. Dann bei Bedarf ein vollständig reflektierter.

Dieser „Denkmodus“ hat maßgeblich dazu beigetragen, die Genauigkeit und Qualität zu verbessern.

Der Stratege wurde viel intelligenter darin, Schritte zu gruppieren und Muster zu erkennen.

Der Autor wurde besser darin, komplexe Aktionen ruhig zu erklären.

Die Kapitel begannen sich daran auszurichten, wie Menschen eine Aufgabe auf natürliche Weise verstehen.

Es ist der Unterschied zwischen dem Überfliegen eines Skripts und dem tatsächlichen Verständnis der Geschichte.

Unser agentischer Ablauf#

Jedes Clevera-Video folgt nun einem einfachen Rhythmus:

Sehen: Der Beobachter erfasst die Wahrheit dessen, was auf dem Bildschirm geschah.
Planen: Der Stratege findet heraus, was wichtig ist und in welcher Reihenfolge.
Sprechen: Der Autor erklärt jeden Schritt so, wie ein Mensch es tun würde.
Glätten: Der Editor und der Prüfer polieren das Tempo und den Fluss, damit es sich mühelos anfühlt.

Dieser Kreislauf läuft nicht starr ab. Er ist flexibel. Kollaborativ. Der Orchestrator leitet den gesamten Prozess und greift ein, wann immer sich etwas nicht richtig anfühlt.

Warum agentisches Design für Sie wichtig ist#

All diese Komplexität „hinter den Kulissen“ zahlt sich auf eine Weise aus, die Sie sofort spüren können. Hier sind einige Beispiele:

• Tutorials klingen wie eine echte Person, nicht wie ein automatisch generiertes Skript.
• Schritte werden logisch gruppiert, nicht chronologisch.
• Irrelevante Momente verschwinden einfach.
• Erklärungen wirken klar, ruhig und souverän.
• Kapitel entsprechen der Art und Weise, wie Benutzer Produkte tatsächlich erlernen.
• Das System kann sich weiterentwickeln, ohne alles zu zerstören.

Als Nächstes: Ihr eigener Agent#

Der nächste Sprung besteht nicht nur darin, unsere Agenten intelligenter zu machen. Es geht darum, sie direkt mit Ihnen sprechen zu lassen.

Soll die Erzählung lockerer klingen? Tippen Sie es in den Chat.

Soll ein Kapitel entfernt oder erweitert werden? Fragen Sie danach.

Sie sprechen einfach mit Clevera, und der richtige Agent übernimmt die Aufgabe. Es wird sich weniger wie die Nutzung eines Bearbeitungstools anfühlen, sondern eher wie die Zusammenarbeit mit einem Team, das Ihren Stil versteht, auf Ihre Anweisungen hört und diese sofort umsetzt.

Dorthin steuert Clevera.

Nicht nur automatisierte Erstellung, sondern ein konversationelles Produktionsstudio direkt in Ihrer App.