So betreibst du 2026 einen YouTube-Kanal ohne Gesicht mit KI

Im Januar 2026 hat YouTube einen spanischsprachigen Kanal namens CuentosFacianantes gelöscht, nachdem er 1,2 Milliarden Aufrufe gesammelt hatte. Er war gesichtslos, auf KI gebaut und nach YouTubes Lesart massenhaft produziert. Viele gesichtslose Kanäle auf denselben Modellen sind weiterhin monetarisiert und wachsen. Was beide Gruppen trennt, ist die Art, wie die Videos entstehen, und das wird auf Pipeline-Ebene entschieden.

Im Folgenden: die Produktionspipeline eines gesichtslosen Kanals 2026, was jede Stufe pro Aufruf kostet, die Rechnung für ein vollständiges Video und eine Woche Shorts, und was YouTubes Regeln zu KI, unauthentischen Inhalten und Kennzeichnung für die Monetarisierung bedeuten.

Was YouTube tatsächlich bestraft

YouTube erlaubt KI-Inhalte, und die Monetarisierungsrichtlinie verlangt etwas Engeres. Inhalte dürfen „nicht massenhaft produziert, generisch, repetitiv oder manipulativ“ sein und sollen „zur Unterhaltung oder Bildung der Zuschauer entstehen, nicht allein, um Aufrufe zu erzielen“. Im Juli 2025 benannte YouTube die Richtlinie von „repetitiven Inhalten“ in „unauthentische Inhalte“ um und merkte an, diese Inhalte seien „schon immer nicht berechtigt gewesen“. Die Umbenennung trat am 15. Juli 2025 in Kraft.

Zwei der nicht berechtigten Beispiele lesen sich wie die Beschreibung eines lieblosen gesichtslosen Kanals:

„Ähnliche oder repetitive Inhalte mit geringem Bildungswert, ohne Kommentar oder Erzählung oder mit minimaler Variation zwischen den Videos.“
„KI-generierte Inhalte aus generischen oder unoriginellen Vorlagen, die den Eindruck von Massenproduktion erwecken, ohne die eigenen, authentischen Einsichten oder die Perspektive des Creators hinzuzufügen.“

Die Monetarisierungsrichtlinie entscheidet, ob du verdienst. Die Richtlinie zu Spam, irreführenden Praktiken und Betrug entscheidet, ob der Kanal überlebt. Sie verbietet, „automatisierte Tools oder KI einzusetzen, um große Mengen ähnlicher Inhalte mit minimalen Änderungen auszuspucken“, und erlaubt YouTube, die Monetarisierung auszusetzen oder den Kanal zu sperren, hält aber fest, dass das Testen neuer Tools oder das Posten einiger Varianten weiterhin zulässig ist. Sie verbietet außerdem, Material erneut hochzuladen, „ohne etwas Eigenes hinzuzufügen, etwa originalen Kommentar, Bildungswert oder einen einzigartigen Schnitt“, sowie Tricks wie beschleunigtes Audio, starke Filter oder Zuschnitt, um die Erkennung zu umgehen.

Die Bereinigung im Januar 2026

In seinem Brief vom 22. Januar 2026 schrieb CEO Neal Mohan, YouTube „baut aktiv auf unseren etablierten Systemen auf, die sich bei der Spam-Bekämpfung sehr bewährt haben“, um minderwertige KI-Inhalte zu reduzieren. Im selben Brief stand laut Variety, dass im Dezember täglich mehr als 1 Million Kanäle YouTubes eigene KI-Kreativtools nutzten. YouTube fördert den KI-Einsatz und entfernt gleichzeitig Slop, und beide Haltungen sind miteinander vereinbar.

OutlierKit zählte 16 betroffene Kanäle, 11 gesperrte und 6 mit gelöschten Inhalten, zusammen 35 Millionen Abonnenten und 4,7 Milliarden Aufrufe insgesamt. YouTube nutzte seine bestehenden Spam-Regeln, eine neue Anti-KI-Regel gab es nicht. Derselbe Bericht zitiert eine Kapwing-Studie, nach der etwa 21 % der neuen Nutzern gezeigten Shorts KI-generiert waren.

Die Durchsetzung ist größtenteils automatisiert, und YouTube hat die Formulierungen absichtlich vage gehalten, ohne veröffentlichte Schwellenwerte. Such also nicht nach dem Minimum. Bau den Kanal so, dass kein vernünftiger Prüfer ihn als Vorlage bezeichnen könnte. Der Regeltext wird ausführlicher behandelt in was YouTubes Monetarisierungsregeln zu KI-Inhalten sagen.

Die Pipeline, Stufe für Stufe

Ein gesichtsloses Video hat vier Stufen. Jede hat einen Teil, den KI gut erledigt, und einen Teil, in dem du das einbringst, was YouTube „eigene, authentische Einsichten oder Perspektive“ nennt.

1. Skript

Hier entscheidet sich der Kanal. Ein Sprachmodell kann die Struktur entwerfen, Sätze straffen und Titel vorschlagen, und YouTube führt KI-Hilfe bei „Gliederung, Skript, Thumbnail, Titel oder Infografik“ als Produktionsunterstützung auf, die keine Kennzeichnung braucht. Die konkrete Behauptung, die selbst gefundene Quelle, die Meinung oder das durchgerechnete Beispiel kann das Modell nicht liefern. Schreib sie selbst.

2. Stimme

Die günstigste Stufe, und die, die Zuschauer am schnellsten beurteilen. Nimm eine Stimme pro Kanal, denn Konsistenz gehört dazu, wenn ein Kanal wiedererkennbar sein soll. YouTube führt „die Klonung der eigenen Stimme für Voice-overs oder Synchronisation“ als nicht kennzeichnungspflichtig auf. Tempo, Aussprache von Namen und Pausen sind Schnittentscheidungen von dir, und man hört sie. Mehr dazu in was ein ElevenLabs-Voiceover über die API kostet.

3. Visuals

Die meisten gesichtslosen Kanäle mischen Standbilder und kurze Clips. Standbilder sind günstig und passen zu Diagrammen, Karten und illustrierten Szenen. Clips kosten pro Sekunde mehr und gehören dorthin, wo Bewegung zählt: der Einstieg, ein Übergang, die Pointe. Die Regeln für KI-B-Roll, das nicht falsch aussieht, gelten hier genauso wie in der Werbung.

4. Schnitt

Zusammenbau, Untertitel, Musik, Schnitte und Thumbnail. Hier zeigt sich der „einzigartige Schnitt“, den die Spam-Richtlinie als etwas Eigenes zählt. Ein Kanal, in dem jedes Video dieselben Einstellungslängen, Übergänge und denselben Untertitelstil hat, ist für ein automatisches System am leichtesten zu clustern.

Was jede Stufe kostet, samt Rechnung

Alle Preise gelten pro Aufruf, Stand der Erstellung. Die Kosten für das Entwerfen des Skripts sind ausgeklammert: Sie hängen vom Modell und der Zahl der Entwürfe ab und sind in der Praxis klein neben den Visuals.

Referenzpreise

Stimme: ElevenLabs-Voiceover zu $0.043 bis $0.086 pro 450 Zeichen. ElevenLabs' eigener API-Listenpreis liegt bei $0.04 pro 1.000 Zeichen für Flash/Turbo und $0.08 für v2 Multilingual und v3, der direkte Weg ist also pro Zeichen günstiger, wenn du nur Stimme brauchst.
Standbilder: Seedream 4.0 zu $0.057 pro Bild, FLUX.2 [pro] zu $0.057 bis $0.086, Nano Banana zu $0.13, gpt-image-2 zu $0.10 bis $0.40.
Clips: Hailuo 02 zu $0.085 pro Sekunde, Kling v3 zu $0.16 pro Sekunde stumm und $0.32 mit nativem Audio, Veo 3.1 Fast ab $0.19, Wan 2.7 zu $0.19, Seedance 2.5 ab $0.20 bei 480p und $0.44 bei 720p.

Googles Preisseite für Entwickler listet drei Veo-3.1-Stufen: Lite mit $0.05 pro Sekunde bei 720p, Fast mit $0.10 bei 720p, Standard mit $0.40 bei 720p und 1080p. Ein Faktor acht innerhalb einer Modellfamilie bedeutet, dass die Stufe, die du als Standard nutzt, mehr zählt als der Modellname.

Rechenblatt: ein 8-minütiges Langvideo

Sprecherstimme. Acht Minuten sind etwa 1.200 Wörter, rund 7.000 Zeichen oder 15,6 Blöcke à 450: $0.67 bis $1.34.
Standbilder. 40 Bilder mit Seedream: $2.28. Mit Nano Banana: $5.20.
Clips. Sechs Clips à 5 Sekunden, 30 Sekunden Bewegung. Hailuo 02: $2.55. Kling v3 stumm: $4.80. Veo 3.1 Fast: ab $5.70.
Thumbnail. Drei Kandidaten mit gpt-image-2: $0.30 bis $1.20.

Schlanke Summe: etwa $5.80 pro Video. Premium-Summe (hochwertige Stimme, Nano Banana, Kling, teurere Thumbnails): etwa $12.50. Wenn jede vierte Generierung verworfen wird, multipliziere die Visual-Zeilen mit etwa 1,33.

Rechenblatt: eine Woche Shorts

Ein 45-Sekunden-Short braucht rund 650 Zeichen Sprechertext, höchstens $0.09 bis $0.17. Den Rest entscheiden die Visuals.

Standbild-getrieben (8 Seedream-Bilder): etwa $0.60 pro Short, etwa $4.20 für sieben.
Bewegungs-getrieben (30 Sekunden Hailuo 02): etwa $2.70 pro Short, etwa $19 für sieben.
Bewegung mit nativem Audio (30 Sekunden Kling v3 mit Audio): $9.60 pro Short vor der Stimme, etwa $68 für sieben.

Ein Langvideo pro Woche plus ein Short pro Tag landet mit dem schlanken Stack bei etwa $40 im Monat und mit dem Premium-Stack bei einigen hundert. Die Aufschlüsselung nach Format steht in was ein gesichtsloser Kanal pro Video im Betrieb kostet. Für die meisten Betreiber ist Zeit der größere Kostenpunkt, und sie steckt in Skript und Schnitt, den zwei Stufen, die der Richtlinie am wichtigsten sind.

Modelle pro Einstellung wählen

Ein Kanal, der für alles ein Modell nutzt, sieht am Ende nach diesem Modell aus. Entscheide danach, was die Einstellung leisten muss.

Statische Information (ein Diagramm, eine Karte, ein Produkt): ein Standbild. Bewegung kostet extra und bringt nichts.
Atmosphäre unter dem Sprechertext (eine Stadt bei Nacht, ein Labor): Hailuo 02 zu $0.085 pro Sekunde oder ein Standbild mit langsamem Schwenk im Schnitt.
Eine Szene mit eigenem Ton (Regen, eine Menschenmenge, eine Maschine): Kling v3 mit nativem Audio, das die Suche nach Soundeffekten erspart, zum doppelten Preis des stummen Clips.
Die Hero-Einstellung (die ersten Sekunden, die Pointe): Hier darf es kosten, mit Veo 3.1 Fast oder Seedance 2.5 bei 720p, und plane zwei oder drei Versuche ein.

Ein solider Standard für einen neuen Kanal: Standbilder für den Großteil der Laufzeit, günstige Clips für Atmosphäre, eine teure Einstellung pro Video.

Die Originalitäts-Checkliste

Ohne veröffentlichte Schwellenwerte ist die vertretbare Position, dass jedes Video erkennbar das Werk von jemandem mit eigener Sicht ist. Geh sie vor jedem Upload durch. Weniger als fünf Haken heißen: nacharbeiten.

Eine Behauptung, die nur dieses Video aufstellt. Ein Zuschauer könnte sagen, was es zum Thema beiträgt.
Eine Quelle, die du selbst gefunden hast, im Bild oder in der Beschreibung genannt.
Ein ausgesprochenes Urteil. Kommentar gehört zu dem, was die Spam-Richtlinie als „etwas Eigenes hinzufügen“ zählt.
Ein Skript, das für dieses Thema geschrieben wurde. Wenn du das Themenwort austauschen und es wiederverwenden könntest, ist es eine Vorlage.
Für den Sprechertext gewählte Visuals, jede Einstellung illustriert den Satz darunter.
Ein Schnitt, der variiert, bei Einstellungslängen, Tempo und Aufbau gegenüber dem Upload der Vorwoche.
Übernommenes Material deutlich verändert, wie es die Richtlinie verlangt.
Keine Tricks zur Umgehung der Erkennung: kein beschleunigtes Audio, keine gestapelten Filter, keine tarnenden Zuschnitte.

Ein Schnelltest: Öffne deine letzten fünf Uploads nebeneinander. Wenn sie wie ein einziger Prompt mit ausgetauschtem Substantiv aussehen, kommt ein Klassifikator zum selben Schluss.

Kennzeichnung: eine Entscheidungsregel

YouTubes Richtlinie zu veränderten oder synthetischen Inhalten ist enger, als viele Creator annehmen. Geh sie der Reihe nach durch.

Sagt oder tut eine reale Person scheinbar etwas, das sie nicht getan hat? Kennzeichnen.
Wird Material eines realen Ereignisses oder Ortes verändert? Kennzeichnen.
Gibt es eine realistische Szene, die so nie stattgefunden hat? Kennzeichnen. Das meiste fotorealistische generierte B-Roll fällt hierunter.
Ist der Inhalt klar unrealistisch, etwa eine Animation? Keine Kennzeichnung.
War KI nur Produktionsunterstützung: Skript, Titel, Thumbnail, Infografik, Untertitel, Upscaling, deine eigene geklonte Stimme? Keine Kennzeichnung.

Das Label erscheint im Player bei fotorealistischen Inhalten und in der erweiterten Beschreibung bei animierten Inhalten, und YouTube kann Labels selbst anhand von C2PA-Metadaten oder eigener Erkennung setzen. Creator, die sich „durchgehend gegen eine Kennzeichnung entscheiden“, riskieren ein manuelles Label, die Entfernung von Inhalten oder den Ausschluss aus dem Partnerprogramm. Bei einer realistischen Szene setz im Zweifel den Haken.

In das Partnerprogramm kommen

Die YPP-Schwellen sind 1.000 Abonnenten plus entweder 4.000 qualifizierte öffentliche Wiedergabestunden bei Langvideos in 12 Monaten oder 10 Millionen qualifizierte Shorts-Aufrufe in 90 Tagen. Außerdem brauchst du keine aktiven Verstöße gegen die Community-Richtlinien, die Bestätigung in zwei Schritten und ein aktives AdSense-Konto.

Die Wege lassen sich nicht mischen: Wiedergabestunden aus dem Shorts-Feed zählen nicht zu den 4.000, ebenso wenig private, nicht gelistete oder gelöschte Videos oder Aufrufe aus Werbekampagnen. Die Rechnung: 4.000 Stunden sind 240.000 Minuten, bei 4 Minuten durchschnittlicher Wiedergabedauer brauchst du also rund 60.000 Langvideo-Aufrufe in einem Jahr. Der Shorts-Weg braucht etwa 111.000 Aufrufe pro Tag. Shorts kommen im Schnitt auf 200 Milliarden tägliche Aufrufe, das Inventar ist also da, aber es ist auch der überfüllteste Feed für KI-Inhalte. Für die meisten neuen gesichtslosen Kanäle ist das Langformat der berechenbarere Weg, mit Shorts als Trichter dorthin.

Die Pipeline automatisieren, ohne Slop zu erzeugen

Die Spam-Richtlinie zielt auf das Ergebnis, „große Mengen ähnlicher Inhalte mit minimalen Änderungen“, und sagt nichts dagegen, die Generierung per Skript laufen zu lassen. Automatisiere die mechanischen Schritte und halte die Urteilsschritte manuell.

Automatisieren: die Sprecherstimme aus dem freigegebenen Skript, ein Aufruf pro Abschnitt, damit eine Zeilenkorrektur nur einen Abschnitt neu erzeugt; Standbilder und Clips aus Prompts, die zu jedem Absatz geschrieben wurden; alle Dateien samt Kosten in einem Manifest sammeln; fehlgeschlagene Renderings wiederholen.
Manuell halten: die Behauptung, die Recherche und die Meinung; die Wahl, welche Aufnahme es in den Schnitt schafft; Schnitt, Thumbnail und Titel; die Kennzeichnungsentscheidung.

In der Praxis: Eine Shotlist geht hinein, Dateien mit ihren Kosten kommen heraus. Entwickler machen das aus einem Skript, das eine HTTP-API aufruft. Immer mehr Leute machen es aus einem Agenten: Mit einem MCP-Server, der an Claude Code oder Cursor angebunden ist, fügst du das freigegebene Skript ein, bittest um Sprecherstimme plus ein Standbild pro Absatz, und der Agent führt die Aufrufe aus und meldet, was jeder gekostet hat. Eine funktionierende Variante steht in KI-Video aus Claude Code mit einem MCP-Server erzeugen, und der Schnellstart für API und MCP enthält die Einrichtung.

Sobald die Generierung unbeaufsichtigt läuft, füge zwei Schutzmaßnahmen hinzu: Ausgabenwarnungen pro Schlüssel, weil eine fehlerhafte Schleife ein Monatsbudget in einer Stunde verbrennen kann, und eine Obergrenze für nahezu identische Ergebnisse pro Thema, die das Budget schützt und dich von der Spam-Richtlinie fernhält. Massengenerierung, sicher gemacht behandelt beides, und der Beitrag zur Shorts-Pipeline wendet den Aufbau auf Hochkantvideo an.

Ein Skriptgerüst, das die Prüfung übersteht

Kopier es für jedes gesichtslose Video im Erklärstil. Jeder Block nennt, was der Mensch beisteuert.

Kalter Einstieg (0 bis 15 s): das überraschendste konkrete Faktum, mit Quelle. Mensch: das Faktum finden.
Einsatz (15 bis 45 s): warum es wichtig ist, an einem konkreten Beispiel. Mensch: das Beispiel wählen.
Kontext (1 bis 2 min): was die meiste Berichterstattung sagt. KI entwirft, Mensch prüft.
Die Wendung (2 bis 5 min): was diese Berichterstattung übersieht, gestützt auf deine Quelle. Mensch: der Existenzgrund des Videos.
Urteil (5 bis 7 min): deine Position, einschließlich der Stellen, an denen du falsch liegen könntest. Nur Mensch.
Abschluss (letzte 30 s): ein Satz zum Merken und ein Verweis auf das nächste Video. KI entwirft.

Vorher und nachher, am ersten Satz:

Vorlage: „Das alte Rom war eine der faszinierendsten Zivilisationen der Geschichte.“
Konkret: „Die Römer führten eine öffentliche Liste der Getreidepreise, und eine erhaltene Abschrift zeigt, was ein Laib Brot im Jahr vor den Unruhen kostete.“

Der erste Satz könnte tausend Videos eröffnen. Der zweite kann nur deins eröffnen, und er sagt dem Zuschauer, dass du dich eingelesen hast.

FAQ

Kann ein YouTube-Kanal ohne Gesicht mit KI 2026 monetarisiert werden?

Ja. YouTube schließt KI-Inhalte aus, die aus generischen Vorlagen ohne eigene Einsicht des Creators entstehen. KI-unterstützte Videos mit eigenem Skript, eigenem Kommentar und eigenem Schnitt bleiben berechtigt, und YouTubes CEO hat KI als „ein Werkzeug für den Ausdruck, keinen Ersatz“ bezeichnet.

Muss ich ein KI-Voiceover auf YouTube kennzeichnen?

Nicht von sich aus. Die eigene Stimme zu klonen und KI-Hilfe bei Skripten, Titeln und Thumbnails brauchen keine Kennzeichnung. Die Kennzeichnung gilt für realistische synthetische Inhalte, etwa eine reale Person, die etwas sagt, was sie nie gesagt hat, oder eine realistische Szene, die nie stattgefunden hat.

Was kostet die Erstellung eines gesichtslosen KI-Videos?

Zu den Preisen pro Aufruf zum Zeitpunkt der Erstellung kostet ein 8-Minuten-Video mit Sprecherstimme, 40 Standbildern, 30 Sekunden Bewegung und drei Thumbnail-Kandidaten etwa $6 mit einer schlanken Modellmischung und etwa $12.50 mit einer Premium-Mischung, vor Wiederholungen. Ein 45-Sekunden-Short kostet von etwa $0.60 mit Standbildern bis zu mehreren Dollar mit generierter Bewegung.

Zählen Shorts-Aufrufe zu den 4.000 Wiedergabestunden?

Nein. Wiedergabestunden aus dem Shorts-Feed zählen nicht zur Schwelle von 4.000 Stunden. Shorts haben einen eigenen Weg: 10 Millionen qualifizierte Aufrufe in 90 Tagen, plus 1.000 Abonnenten.

Quellen

Wenn du Stimme, Bild und Video an einem Ort haben willst: Aitachyon stellt alle oben genannten Modelle hinter ein Konto und einen Schlüssel, nutzbar im Web-Studio, über die API oder in Claude Code über den gehosteten MCP-Server. Du zahlst pro Aufruf von einem Prepaid-Guthaben, das nie verfällt, jeder Job wird mit Modell und Kosten aufgeführt, und fehlgeschlagene Renderings werden automatisch erstattet. Jedes Modell mit seinem aktuellen Preis steht auf einer einzigen Seite.

So betreibst du 2026 einen YouTube-Kanal ohne Gesicht mit KI