Mito orchestrierte mehr als 5.000 KI-Assets für einen TV-Spot mit Google Cloud

Von kurzen Clips zur landesweiten Kampagne

Mito wurde gegründet, um die technischen Hürden bei der Erstellung längerer Erzählformate mit generativer KI zu verringern. Die für Telefónica produzierte Kampagne von Movistar Plus+ zeigte die Grenzen von Arbeitsabläufen auf, die auf einzelnen kurzen Clips basieren.

Mito zufolge entstanden bei der Produktion mehr als 5000 Assets, darunter 1000 Videos, in rund 65 Überarbeitungsrunden. Lokale Medienbibliotheken ließen sich nur schwer skalieren, während Feedback häufig von Downloads, Uploads in Google Drive, Chat-Anwendungen und E-Mails abhing. Auch das übliche Rendern von KI-Videos dauerte pro kurzem Clip vier bis fünf Minuten, was die Benutzeroberfläche blockieren und die kreative Arbeit verlangsamen konnte.

Das Team musste außerdem unterschiedliche Anforderungen an Prompts für verschiedene generative Modelle koordinieren und dabei Figuren, Beleuchtung und Kamerawinkel konsistent halten. Zur Kampagne gehörten die Abbilder öffentlicher Personen wie des Kochs Ferran Adrià und des Journalisten Juanma Castaño.

Ein serverloses System für die asynchrone Generierung

Mito entwickelte seine Plattform auf Google Cloud. Die API, der AI Director und Hintergrund-Worker laufen als Java-Dienste auf Cloud Run. Google Cloud Pub/Sub dient als zentraler Event-Bus und trennt die Auftragsausführung von der Hauptoberfläche. Lang laufende Videogenerierungen werden an Cloud-Run-Worker im Hintergrund gesendet, sodass Kreative die Arbeitsfläche weiter nutzen können, während diese Aufträge ausgeführt werden.

Medien-Assets werden in Google Cloud Storage gespeichert und über Cloud CDN ausgeliefert. Mito zufolge halten ablaufende Schlüsselsignaturen Assets von Kunden vor der Veröffentlichung privat. Gleichzeitig verringert die Speicherung in der Nähe der über Vertex AI angesprochenen Modelle Verzögerungen bei der Netzwerkübertragung. Cloud SQL und PostgreSQL unterstützen eine isolierte Datenbankarchitektur für Business-Intelligence- und Analyse-Workloads.

Die Plattform nutzt über Vertex AI unter anderem die Modelle Omni, Veo und Nano Banana sowie benutzerdefinierte System-Prompts von Mito. Die strukturierte Arbeitsfläche wendet eine „Rule of 6“ an und begrenzt die Prompt-Variablen auf World, Camera, Light, Texture, Actions und Character. Außerdem priorisiert Mito die Generierung von Einzelbildern vor dem Rendern von Videos, um die Kosteneffizienz zu verbessern.

Zusammenarbeit, Tests und Modellkoordination

Die fertige Kampagne lief auf allen großen Fernsehsendern in Spanien. Mito berichtet, dass kurz vor dem Start 1.441 Assets auf einer gemeinsamen Canvas live waren. Dadurch konnten verteilte Teams und Kunden aus der Markenkommunikation in Echtzeit zusammenarbeiten. Neue Generierungen wurden als separate Assets gespeichert, statt frühere Versionen zu ersetzen, und ermöglichten so parallele kreative Richtungen.

Der AI Director von Mito übersetzt Anweisungen in natürlicher Sprache in Modellparameter und bewahrt dabei Kontext, Beleuchtung und visuellen Stil zwischen den Szenen. Das Unternehmen entwickelte ein virtuelles Warteschlangensystem, um bei Nutzungsspitzen die Ratenbegrenzungen von APIs Dritter zu verwalten. Dabei kommen begrenzte Wiederholungsversuche und ein festgelegtes Ergebnis für jeden Auftrag zum Einsatz.

Da sich kreative Ergebnisse nicht vollständig mit herkömmlichen Unit-Tests bewerten lassen, entwickelte Mito eine automatisierte Evaluierung auf Basis von Gemini. Das System bewertet die Ausgaben des AI Director anhand der ursprünglichen Absicht der Nutzer. Der AI Director kann Aufgaben außerdem zwischen spezialisierten Modellen verteilen, darunter Sonnet, Gemini und ElevenLabs für Audio.

Was der Produktionsansatz für Kreative bedeutet

Die Kampagne zeigt, wie Mito die KI-Videoproduktion als kollaborativen Workflow mit mehreren Modellen positioniert und nicht als Abfolge isolierter Clip-Generierungen. Die gemeinsame Canvas, die asynchrone Verarbeitung und die Versionierung von Assets sollen es Filmschaffenden und Kunden ermöglichen, mehr Ideen zu erkunden, ohne die Produktion zu unterbrechen.

Mito zufolge ist die Architektur darauf vorbereitet, dass die Renderzeiten von Minuten auf Sekunden sinken. Sie soll außerdem künftige Weltmodelle, umfassendere Speicherzustände und die personalisierte Auslieferung von Inhalten unterstützen. Das Unternehmen erklärt zudem, dass sein internes Studio Mito Films die Werkzeuge bei Kundenprojekten einsetzt, sodass Feedback direkt in die Entwicklung zurückfließen kann.

Der Movistar-Spot enthielt bewusst ein KI-Missverständnis. In einer Szene sagt Trainer Luis de la Fuente „In the same milkshake“, bevor der Prompt live in „In the same heartbeat“ geändert wird. Mito zufolge sollte dieses unvollkommene Ergebnis zusammen mit surrealen Schauplätzen wie Tribünen, die in galicische Klippen gebaut sind, menschliches Storytelling unterstützen und nicht verschleiern.