KI hält Einzug in Anime-Studios – und die erste Erschütterung ist womöglich nicht der Ersatz von Künstlern

Würde die KI auf die spektakulärste Weise in die japanische Animation einziehen, erwartete man, dass sie Charaktere, Hintergründe und ganze Sequenzen aus wenigen Anweisungen generiert.

Genau dort zeigen sich 2026 jedoch nicht die überzeugendsten Ergebnisse.

Bei OLM Digital, dem Unternehmen, das an Serien wie Pokémon beteiligt ist und das Projekt ANIMINS leitet, betreffen die im Rahmen des Regierungsprogramms GENIAC veröffentlichten Zahlen vor allem weit weniger sichtbare Probleme: 30 bis 50 % Zeitersparnis bei bestimmten Finishing-Operationen, über 60 % bei der Cut-Suche, 99 % bei der Vorbereitung eines Datensatzes für diese Suche und eine Senkung der Retake-Rate von rund 40 % auf 10 % in einem Workflow zur Supervisions-Unterstützung.

Keine dieser Zahlen bedeutet „50 % der Animatoren können gestrichen werden“.

Sie erzählen etwas Interessanteres.

Die erste ernsthafte Transformation des Anime durch KI könnte die seiner Produktionsinfrastruktur sein.

Das Studio wird durchsuchbar, messbar, teilweise automatisierbar. Operationen, die vom Gedächtnis eines Mitarbeiters abhingen, vom menschlichen Blick, der Hunderte von Cuts absucht, oder von einer Kette kleiner manueller Handgriffe, können nun spezialisierten Systemen anvertraut werden.

Und das könnte langfristig den Beruf des Animators fast so sehr verändern wie ein Bildgenerator.

Zunächst verstehen, was die KI wirklich berührt

Ein 2D-Anime wird nicht einfach „gezeichnet“.

Ein Cut – grob das Äquivalent eines Plans – durchläuft mehrere Berufe und Transformationen. Die Genga (Schlüsselzeichnungen) definieren die wichtigen Posen und Momente. Die Dōga bereinigen die Linien und produzieren insbesondere die für die Bewegung nötigen Zwischenzeichnungen. Es folgen Finishing und Kolorierung, Prüfungen, Korrekturen, Photography/Compositing und zahlreiche Hin-und-Her-Schleifen der Supervision.

Ein winziger Fehler kann in dieser Kette aufsteigen und einen Retake auslösen – also eine Rückführung zur Korrektur.

Genau in diesen repetitiven, zahlreichen und hochstrukturierten Operationen findet die KI heute ihr günstigstes Terrain.

Das Projekt ANIMINS, Ende 2024 im Rahmen von GENIAC von OLM Digital gestartet, sollte im Übrigen nicht beweisen, dass ein Modell allein einen Anime produzieren kann. Sein offizielles Ziel war zu bestimmen, wie KI sich in bestehende kommerzielle Workflows als Support-Tool einfügen lässt. Kommerzielle Werke wurden mit Genehmigung für die Forschung genutzt, ein kurzer Anime namens LINE OUT diente für produktionnahe Tests und schließlich unterstützten 24 Animationsfirmen das Experiment.

Die getesteten Technologien decken dennoch ein beträchtliches Spektrum ab: Key-Animation, Zwischenanimation, Finishing, Kolorierung, Zeichenunterstützung für Charaktere, Suche in früheren Folgen und Supervision. Die auf Konferenzen vorgestellten ANIMINS-Arbeiten erforschen auch die Generierung von Anime-Szenen, die Diffusion-basierte Haar-Bearbeitung, die Generierung von Rauch und Flüssigkeiten, die Extraktion von Keyframes aus menschlichem Video sowie mehrere In-Betweening-Methoden.

Die entscheidende Unterscheidung lautet: Eine Technologie im Labor zu erforschen, entspricht nicht ihrem Einsatz für die wöchentliche Produktion eines kommerziellen Anime.

2026 koexistieren diese beiden Welten.

Phase	System	Was es tatsächlich tut	Reifegrad	Veröffentlichtes Ergebnis
Cut-Suche	Mage Search	Indiziert Folgen automatisch und findet Pläne per natürlicher Sprache	Kommerzialisiert	Suchzeit um über 60 % reduziert, Datensatz-Vorbereitung um 99 % in der GENIAC-Evaluation
Finishing / Farbe	SHIAGEDO	Erlernt die Kolorierung des Cuts aus bereits vom Künstler kolorierten Bildern	In Produktion eingesetzt und getestet	30 bis 50 % Reduktion der Finishing-Zeit
Supervision	CAS・CATool	Unterstützt einen Kontroll-/Korrektur-Workflow für Zeichnungen	Auf kommerziellem Anime genutzt	Tempo des General Animation Directors ×1,2; Retakes von ca. 40 % auf 10 %
Kolorierungs-Kontrolle	GapFind	Spürt winzige nicht kolorierte Zonen auf und schlägt ihre Farbe vor	Forschung mit Profis	Ca. 22 % schneller bei gezielten Lochsuch-Aufgaben
Zwischenanimation	AniDepth	Generiert Zwischenbilder mit einem Diffusionsmodell, geführt durch Tiefenkarten und Line Art	Forschung	Kein kommerzieller Produktivitätsgewinn veröffentlicht
Zwischenanimation + Finishing	ANICRA	Automatisiert ab Key-Animationen Teile der Dōga und des Finishings	Tests mit Studios	Ca. 70 % weniger Arbeit auf den Zielschritten, laut Entwickler

Die Tabelle offenbart bereits die Diskrepanz: Die Tools mit den solidesten Nutzungsnachweisen sind nicht unbedingt die generativsten.

Automatisieren, assistieren und generieren sind nicht dasselbe

Der Begriff „KI“ plättet mehrere unterschiedliche Transformationen.

Automatisierung entzieht eine bereits klar definierte Manipulation. Das Erkennen von Farben auf einer Referenztafel und deren automatisches Eintragen in eine Palette ist ein Beispiel. SAKUGADO, das interne Tool von OLM, kann diese Referenzen erkennen, die Palette aktualisieren, wenn die Tafel geändert wird, und bereits angewandte Farben automatisch ersetzen.

Assistenz behält den Menschen im Zentrum der Entscheidung. Das System sucht, schlägt vor, detektiert oder bereitet vor; der Künstler validiert und korrigiert. Mage Search oder GapFill gehören hauptsächlich in diese Kategorie.

Generierung schließlich synthetisiert tatsächlich neue Bilder oder neue Zwischenzustände. AniDepth nutzt so ein Video-Diffusionsmodell, um In-Betweens aus Keyframes zu erzeugen, wobei Tiefenkarten und Liniendrawings das Ergebnis constrainen.

Die Grenze kann natürlich verschwimmen. Eine automatisierte Kette kann ein generatives Modell aufrufen. Ein Generator kann nur ein kleiner Schritt in einem Assistenz-Tool sein.

Doch diese Unterscheidung verhindert einen häufigen Fehler: jede KI-Adoption als Ankunft von Stable Diffusion im Studio zu betrachten.

Der Fall SHIAGEDO zeigt, wie trügerisch dieses Bild ist.

SHIAGEDO lernt einen Cut… und vergisst alles wieder

Finishing ist ein offensichtlicher Kandidat für Automatisierung. Ein Charakter kann auf mehreren aufeinanderfolgenden Bildern mit denselben Farben auftreten, während ein Operator einen großen Teil der Arbeit wiederholen muss.

Das System SHIAGEDO von OLM geht genau dieses Problem an.

Doch seine Funktionsweise ist fast das Gegenteil eines großen generalistischen Bildgenerators.

Laut der technischen Präsentation von OLM, berichtet von CGWORLD, nutzt SHIAGEDO weder Stable Diffusion noch CLIP noch ein anderes großes, auf einer riesigen Bildersammlung vortrainiertes Modell. Es beobachtet ausschließlich die nicht kolorierten und kolorierten Bilder des aktuellen Cuts. Aus diesen wenigen Beispielen, die die Künstler normalerweise anfertigen, trainiert es lokal ein kleines, planspezifisches Modell, nutzt es zur Kolorierung der anderen Bilder und vernichtet das Modell und seine Daten, sobald die Arbeit erledigt ist.

Auf einer RTX 6000 Ada gibt OLM ca. 30 Sekunden Lernzeit und eine gute Zehneinhalb Sekunden Verarbeitung pro Bild an. Ein einziges Bild kann zum Start genügen, doch die Präzision steigt, wenn ein Künstler zunächst manuell die Bilder zu den Schlüsselposen koloriert. Die angekündigte Präzision liegt bei ca. 80 % bei Einbezug von Details, gegenüber ca. 90 % in manchen Forschungsbenchmarks; Cuts mit großen Bewegungen bleiben schwierig.

Und dennoch meldet GENIAC als Gesamtergebnis eine Reduktion von 30 bis 50 % der Finishing-Zeit auf dem getesteten Perimeter.

Diese Funktionsweise ist besonders aufschlussreich.

Der Mensch verschwindet nicht. Seine korrekte Arbeit wird zum Referenzdatenmaterial, aus dem die Maschine die Wiederholungen amplifiziert.

Der Wert verschiebt sich also teilweise: die richtigen Ankerbilder zu produzieren, Farben korrekt zu definieren und Ausnahmen zu erkennen, wird noch wichtiger.

Eine KI mit 80 % kann nutzlos sein, wenn die restlichen 20 % zu teuer sind

In einer Technologie-Demo können 80 oder 90 % Erfolgsquote beeindruckend wirken.

In einer kommerziellen Auslieferung bleibt ein vergessenes Auge, eine mit dem falschen Farbton kolorierte Strähne oder eine ein Pixel breite transparent gebliebene Zone ein Fehler.

Das ist eines der Probleme, die OLM nach ANIMINS explizit formuliert: eine KI muss nicht immer richtig liegen, um technologisch bemerkenswert zu sein, aber ein gelieferter Anime muss fertig sein.

Eine diesjährige Veröffentlichung erlaubt, dieses Paradox sehr präzise zu messen.

No Pixel Left Behind: Filling Gaps in Anime Colorization, vorgestellt auf der CHI 2026 von Forschern der Universität Tokio mit Akinobu Maejima von OLM Digital, untersucht jene winzigen geschlossenen Zonen, die versehentlich nicht koloriert bleiben. Das System GapFill detektiert die Löcher, macht sie sofort sichtbar, vergrößert sie und schlägt eine Farbe vor, die der Operator korrigieren kann. Die Studie wurde mit 13 professionellen Koloristen durchgeführt.

Das Ergebnis ist keineswegs „die KI koloriert schneller“.

Wenn eine Kolorierung von Grund auf neu erstellt werden musste, brachte das System keine statistisch signifikante Beschleunigung: 106,50 Sekunden mit herkömmlichen Tools gegen 104,17 Sekunden mit GapFill.

Im Gegensatz dazu wurde der Unterschied deutlich, wenn es spezifisch darum ging, die letzten Defekte aufzuspüren: 57,69 auf 45,15 Sekunden in einem Test, dann 66,27 auf 51,91 Sekunden in einem zweiten – etwa 22 % Zeitersparnis in beiden Fällen. Mit GapFill wurde keines der vom Test vorgesehenen Löcher übersehen, im Gegensatz zu den Sitzungen mit klassischen Tools.

Das ist ein weit wichtigeres Ergebnis, als es scheint.

Der beste Einsatz einer professionellen KI besteht nicht notwendigerweise darin, den Beruf anstelle des Menschen zu verrichten. Er kann darin bestehen, den genauen Moment zu eliminieren, in dem der Mensch schlecht ist: dutzende Sekunden nach einer mikroskopischen Anomalie zu suchen.

Die Studie schließt auch, dass die Modellgenauigkeit nicht der einzige Bestimmungsfaktor für die Nützlichkeit ist. Die Möglichkeit, zu sehen, was detektiert wurde, und den Vorschlag sofort zu korrigieren, wiegt enorm in das Vertrauen in das Tool.

Das ist eine Logik von Interface und Kontrolle, so sehr wie eine Logik künstlicher Intelligenz.

Der vielleicht spektakulärste Gewinn betrifft… die Suchfunktion

Unter allen GENIAC-Ergebnissen wirkt Mage Search fast banal.

Das System zeichnet nichts.

Es kann suchen.

In einer langlaufenden Produktion kann das Wiederfinden, wie ein Charakter dreißig Folgen zuvor ein Objekt hielt, das exakte Aussehen eines Raums, ein Outfit, ein Ausdruck oder ein ähnlicher Plan das Durchsuchen von Folgen und Ordnern erfordern – oder jemanden zu fragen, der das Werk besonders gut kennt.

Mage Search schluckt das Video, führt die nötige Vorverarbeitung automatisch durch und erlaubt dann die Cut-Suche in natürlicher Sprache. Auch Dialoge können dank Spracherkennung indiziert werden.

GENIAC verkündet über 60 % Reduktion der Cut-Suchzeit und 99 % auf die für den Aufbau des Such-Datensatzes nötige Zeit. Das Produkt wurde im März 2026 kommerzialisiert.

Seither scheint die Erfahrung nicht mehr auf OLM beschränkt. AI Mage gab im Juli an, dass Mage Search unter anderem von ENGI, OLM und TMS Entertainment übernommen wurde. Seine Infrastruktur zur Werk-Analyse, die die Firma „Anime General Intelligence“ nennt – trotz der offensichtlichen Ambiguität mit der üblichen Bedeutung von AGI – war damals an 35 Produktionen gebaut oder getestet worden, davon 16 mit formeller Adoption. Der neue Mage Agent kann Video, Skripte, Referenzdokumente und andere Produktionsdaten kreuzen. Diese Zahlen stammen von AI Mage selbst und stellen daher keine unabhängige Performancemessung dar, sie belegen aber den Übergang vom Experiment zum kommerziellen Produkt.

Diese Entwicklung verdient mehr Aufmerksamkeit als die bloße Bildsuche.

Ein Studio häuft seit jeher enorme Datenmengen an: Folgen, Layouts, Charakterbögen, Skripte, Korrekturen, Lizenzregeln, Übersetzungen, Hintergründe, Retakes.

Bisher blieb ein Teil ihres Werts in Ordnern oder im Gedächtnis der dort Arbeitenden eingeschlossen.

Eine Such-KI verwandelt dieses Archiv in operational abfragbares Gedächtnis.

Und das ist vielleicht eine der strukturellsten Mutationen, die derzeit im Gange sind.

Das wahre Produktivitätsreservoir könnte der Retake sein

Schneller zu zeichnen ist nicht unbedingt das, was einer Produktion am meisten Geld spart.

Nicht neu zeichnen zu müssen, kann weit rentabler sein.

GENIAC berichtet, dass die Einführung eines „Workflows zur Unterstützung des Animation Directors“ mit CAS・CATool auf einer kommerziellen Produktion das Arbeitstempo des General Animation Directors um ca. 1,2-fach steigerte und die Retake-Rate von ca. 40 % auf 10 % senkte.

Die öffentliche Dokumentation ist nicht detailliert genug, um diese Ergebnisse einem präzisen KI-Mechanismus zuzuschreiben. Es wäre daher missbräuchlich zu schließen, ein generatives Modell nähme dem Supervisor die Korrekturen ab.

Doch der potenzielle ökonomische Effekt ist interessanter als das.

In einer sequenziellen Kette kann eine späte Korrektur mehreren Personen Zeit kosten. Ein Tool, das verhindert, dass der Fehler die nächste Stufe erreicht, kann daher mehr bringen als ein Generator, der schnell eine erste unvollkommene Version fabriziert.

Das legt einen weit nützlicheren Indikator nahe, um KI im Anime zu verfolgen: nicht die Zahl der Bilder, die sie zu generieren weiß, sondern die Zahl der Hin-und-Her-Schleifen, die sie vermeidet.

Die Zwischenanimation ist tatsächlich im Visier

Das bedeutet nicht, dass die zentralen grafischen Berufe sicher sind.

ANIMINS arbeitet direkt am In-Betweening.

AniDepth, auf der SIGGRAPH 2025 mit Beteiligung von OLM Digital vorgestellt, nutzt ein Video-Diffusionsmodell. Das Problem ist besonders hart: selbst ein an Anime angepasstes Modell behält Biases aus seinem Training auf realistischeren Bildern und kann die präzisen Linien, Flachfarben oder die Charakterstruktur verlieren.

Die Forscher wandeln die Bilder daher in Tiefenkarten um, interpolieren diese, verzerren die Line Arts entsprechend dieser Geometrie und nutzen diese Zeichnungen als Constraints für die Erzeugung der kolorierten Zwischenbilder. Ziel ist, Details auch bei starker Bewegung zu bewahren.

Weitere ANIMINS-Projekte arbeiten an LayerPack, an der Korrespondenz von Linien zwischen zwei Keyframes, an der Rückgewinnung zuvor generierter In-Betweens oder an der automatischen Kolorierung per Segment-Korrespondenz.

Doch ein Element fehlt noch: öffentliche Zahlen, die belegen, dass AniDepth Kosten oder Dauer einer kommerziellen Produktion tatsächlich um X % senkt.

Das ist vielversprechende Forschung, noch nicht das Äquivalent von Mage Search oder SHIAGEDO in Sachen öffentlicher industrieller Validierung.

Ein weiterer japanischer Akteur geht weiter.

CrestLab präsentiert ANICRA als Infrastruktur, die automatisch Teile der Dōga und des Finishings ab Key-Animationen generiert. Das Unternehmen nennt Bearbeitungszeiten von wenigen Dutzend Sekunden und gibt an, die Arbeitslast auf den Zielschritten in Experimenten mit mehreren Studios um ca. 70 % reduziert zu haben. NTT Docomo, aus dessen Projekt es vor dem Spin-off 2025 hervorging, nennt die gleiche Größenordnung.

Man muss jedoch einen Beweisniveau-Unterschied wahren: diese 70 % sind eine Behauptung des Anbieters und seiner ehemaligen Muttergesellschaft, ohne ausreichend detailliertes öffentliches Protokoll, um sie direkt mit akademischen Experimenten zu vergleichen oder in „70 % weniger Kosten pro Folge“ umzurechnen.

Doch es zeigt klar, wo die nächste Schlacht liegt.

Auch die Charaktere sind betroffen, aber stärker im Labor

Das Projekt ANIMINS hält nicht bei mechanischen Aufgaben an.

Das METI nennt explizit die Zeichenunterstützung für Charaktere unter den Forschungsachsen. Die zugehörigen Veröffentlichungen reichen von der diffusionsgeführten Haar-Bearbeitung über die Generierung von Anime-Szenen aus strukturierten visuellen Prompts bis zur kontrollierten Generierung von Rauch oder Flüssigbewegungen.

Das macht das beruhigende Argument hinfällig, „die KI übernehme nur die lästigen Aufgaben“.

Die Forschung zielt auch auf grafische und kreative Aufgaben.

Was die Daten im September 2026 erlauben zu sagen, ist präziser: Je offener, kreativer und schwieriger automatisch zu verifizieren eine Aufgabe ist, desto weniger überzeugend sind heute die öffentlichen Beweise für einen robusten industriellen Gewinn.

Umgekehrt erscheinen die besten Ergebnisse auf engen Problemen mit einem leicht identifizierbaren korrekten Zustand: einen Plan wiederfinden, eine Farbe propagieren, ein Loch detektieren, eine Referenz anwenden oder einen Retake vermeiden.

Das ist wahrscheinlich kein Zufall.

Das Trainingsdaten-Problem produziert bereits zwei gegensätzliche Philosophien

Eine Produktions-KI muss nicht nur gut sein. Ein Studio muss wissen, warum es das Recht hat, sie zu nutzen.

Das japanische Recht bietet für bestimmte analytische Nutzungen urheberrechtlich geschützter Werke nach Artikel 30-4 relativ weite Spielräume, aber die japanische Kulturagentur selbst erinnert daran, dass die Anwendung auf Generatives vom Nutzungszweck abhängt und die Rechtsprechung begrenzt bleibt.

Die technischen Entscheidungen von OLM sind daher interessant, weil sie nicht einfach die maximal gesetzlich erlaubte Grenze suchen.

Im Rahmen von GENIAC wurden die der Forschung dienenden kommerziellen Werke mit Genehmigung genutzt, und kein öffentlicher Datensatz aus dem Projekt ist geplant.

SHIAGEDO geht noch weiter: Daten beschränkt auf den betroffenen Cut, ephemeres Lernen, Vernichtung des Modells am Ende. OLM erklärt, dass bestimmte in der Forschung vorhandene Continuous-Learning-Funktionen präzise wegen Rechtsfragen nicht im praktischen Workflow vorgesehen sind.

Das ist eine andere Vision von KI als das riesige, einmal auf dem Internet trainierte Modell.

Studios könnten kleine, spezialisierte Modelle bevorzugen, die mit ihren eigenen Materialien gefüttert werden, weil Rückverfolgbarkeit selbst zum Produktmerkmal wird.

Ein Vorfall bei WIT Studio zeigt warum

Am 10. April 2026 veröffentlichte WIT Studio eine ungewöhnliche Mitteilung zum Opening von Ascendance of a Bookworm: Adopted Daughter of an Archduke.

Nach Reaktionen auf die Ausstrahlung untersuchte das Studio seine Pipeline und bestätigte, dass generative KI zur Erstellung von Material verwendet worden war, das in den Hintergrund einiger Cuts einging.

WIT ließ den Hintergrund neu zeichnen und kündigte seinen Austausch ab der zweiten Folge an. Noch interessanter: das Studio präzisierte, dass der Einsatz generativer KI in seinen Produktionen grundsätzlich verboten sei, abseits spezifischer Experimente, und führte den Vorfall auf ein Management- und Produktionskontrollversagen zurück.

Dieser Fall kehrt die übliche Frage um.

Das Problem ist nicht mehr nur: „Muss ein Studio KI adoptieren?“

Es wird: „Kann ein Studio tatsächlich wissen, wo KI in einer Kette mit vielen Beteiligten eingesetzt wurde?“

Je mehr Modelle in Photoshop, Webdienste, Produktionssoftware und bei Subunternehmern verfügbar werden, reicht eine Unternehmenspolitik nicht mehr.

Man muss die Herkunft der Elemente kontrollieren, Regeln für Dienstleister durchsetzen, genutzte Tools dokumentieren und prüfen, was in die Pipeline zurückkehrt.

KI schafft also genau in dem Moment, wo sie andere Arbeiten automatisiert, eine neue Aufgabe: Produktionsgovernance.

Was die Einsparungen von 30 %, 60 % oder 99 % nicht aussagen

Man wäre versucht, all diese Zahlen zu addieren.

Das wäre ein Fehler.

Die Dauer einer Finishing-Operation um 50 % zu reduzieren, reduziert nicht die Kosten einer Folge um 50 %. Eine Verminderung um 99 % der Zeit zum Aufbau eines Suchindex bedeutet nicht, dass die gesamte Produktion hundertmal billiger wird.

Diese Ergebnisse betreffen verschiedene Teilaufgaben, nach unterschiedlichen Protokollen gemessen.

Sie erfassen nicht notwendigerweise die technische Integration, GPUs, Softwareentwicklung, Datenbereinigung, Personalschulung, menschliche Kontrollen oder die Kosten neuer Fehler.

Und keine der hier geprüften öffentlichen Quellen belegt bislang, dass ein vollständiger TV-Anime, der dank dieser Tools produziert wird, X % weniger kostet als ein traditionelles Äquivalent bei gleicher Qualität.

Das ist ein wichtiges Fehlen.

Die Gewinne können zudem anders absorbiert werden als durch Personalabbau: mehr Zeit für komplexe Pläne, weniger Verzögerungen, weniger Subunternehmung, mehr Kontrollen oder schlicht die Fähigkeit, in einem Sektor zu produzieren, der bereits unter Personalmangel leidet.

Das japanische Kulturministerium beschreibt 2026 den Arbeitskräftemangel in der Animation noch als so ernst, dass die Ausbildung und Bindung von Profis nationale Priorität ist.

Die NAFCA-Umfrage unter 323 Branchenarbeitern fand einen Median von 225 Arbeitsstunden pro Monat und einen medianen äquivalenten Stundenlohn von 1.111 Yen in ihrer Stichprobe. Sie ist kein erschöpfender Branchenzensus, erinnert aber daran, dass Produktivitätsgewinne in einer bereits stark gespannten Umgebung ankommen.

Die wahre ökonomische Frage lautet also: Wer erntet die gesparte Zeit?

Der Angestellte? Der Freelancer? Das Studio? Der Kalender? Die Qualität? Oder einfach ein noch höheres Produktionsvolumen?

Die Technologie-Experimente erlauben darauf noch keine Antwort.

Die Automatisierung der Dōga schafft auch ein Problem, das Benchmarks nicht messen

Es gibt schließlich eine paradoxe Konsequenz.

Zwischenanimation ist präzise eine der am besten automatisierbaren Stufen. Aber sie stellt in mehreren japanischen Studios auch einen Einstieg in den Beruf dar.

CloverWorks erklärt noch, dass seine Animatoren ihren Werdegang mit Dōga beginnen und diese Arbeit als Weg betrachten, die Methoden, Materialien und das vollständige Produktionsverständnis zu erlernen, bevor sie zu Genga übergehen. Toei Animation unterhält 2026 seinerseits eine spezifische Dōga-Ausbildung neben seinem Genga-Curriculum.

Das bedeutet nicht, dass alle repetitiven Aufgaben künstlich bewahrt werden müssten.

Doch eine Schlussfolgerung wird schwer zu vermeiden sein: Wenn die Industrie einen signifikanten Teil der Junior-Arbeit automatisiert, muss sie neu überdenken, wie sie ihre Senior-Profis herstellt.

Ein Studio kann kurzfristig Tausende Stunden gewinnen und langfristig einen Teil seines Kompetenzübertragungsmechanismus verlieren.

Das ist ein anderes Risiko als „KI stiehlt Jobs“, und wahrscheinlich konkreter.

Der alte Toei-Präzedenzfall zeigt, was tatsächlich passieren könnte

Diese Transformation begann im Übrigen nicht mit ChatGPT.

2021 hatte Toei Animation bereits mit Preferred Networks das Tool Scenify für seinen experimentellen Kurzfilm URVAN genutzt. Fotos von Sasebo wurden in Basismaterial für Hintergründe transformiert; die Künstler übernahmen anschließend die kreative Arbeit und Retuschen.

Toei hatte eine Reduktion der Vorbehandlungszeit auf ca. ein Sechstel der traditionellen Methode auf diesem Projekt gemessen. Das Tool war auf ca. zwei Drittel der Hintergründe eingesetzt worden.

Der bemerkenswerte Punkt ist, was Toei mit der gewonnenen Zeit machte: die Künstler konnten mehr Aufwand in die Cyberpunk-Elemente stecken, die tatsächlich ihre visuellen Entscheidungen erforderten.

Das ist vielleicht eine bessere Darstellung der nahen Zukunft als ein leeres Studio voller GPUs.

Nicht:

Künstler → KI

sondern:

repetitive Arbeit → Tool → Künstler auf das schwierige Problem umverteilt.

Offensichtlich garantiert nichts, dass ein Unternehmen die Produktivität immer so nutzt. Es kann auch Kosten senken oder Takte erhöhen.

Die Technologie entscheidet nicht über die Verteilung des Gewinns.

Die wahre Veränderung ist vielleicht ein „berechenbar“ gewordenes Studio

Einer der interessantesten Befunde von OLM hat letztlich fast nichts mit Bildgenerierung zu tun.

Im 3DCG arbeiten Teams seit langem um DCCs – Software wie Maya oder Blender –, die eine gemeinsame Infrastruktur bieten, an die Skripte, Plugins und Automatisierungen andocken können.

Die japanische 2D ist weit stärker fragmentiert. Papier und Digital können noch koexistieren; mehrere Softwares ketten sich aneinander; manche Informationen zirkulieren als Dateien und tacites Wissen. OLM sieht SAKUGADO daher nicht nur als Zeichenwerkzeug, sondern als mögliche gemeinsame technische Basis, auf der neue Technologien aufgesteckt werden können.

Hier laufen alle Teile dieser Untersuchung zusammen.

SHIAGEDO braucht Daten des Cuts.

Mage Search verwandelt Archive in abfragbare Basis.

GapFind misst präzise einen Defekt, der zuvor visuell gesucht wurde.

CAS・CATool greift in Korrekturzyklen ein.

ANIMINS experimentiert sogar mit der automatischen Akkumulation von Zwischenproduktionen und ihren Metadaten.

Mit anderen Worten: Bevor man den Anime automatisieren kann, muss man seinen Prozess maschinenlesbar machen.

Das ist vielleicht der wichtigste Umbruch von 2026.

Die erste Generation tatsächlich nützlicher KI für Studios ersetzt nicht den Regisseur oder den Star-Animator. Sie transformiert allmählich eine artisane, fragmentierte und extrem personenabhängige Pipeline in ein System, wo Materialien indiziert, Wiederholungen detektiert, Fehler gemessen und bestimmte Gesten automatisch amplifiziert werden.

Der nächste Schritt kann sehr wohl kreativere Aufgaben erreichen. AniDepth, ANICRA und die Charakterforschungen zeigen, dass diese Grenze bereits angegriffen wird.

Aber um zu wissen, ob KI die japanische Animation wirklich transformiert, ist die Zahl der per Diffusion generierten Clips wahrscheinlich einer der uninteressantesten Indikatoren.

Die weit aufschlussreicheren Zahlen werden sein: Retake-Zahl pro Cut, Zeit für die Referenzsuche, Anteil der Auslieferungen, die eine Korrektur brauchen, Supervisor-Durchsatz, Menge automatisierter Junior-Arbeit und vor allem: was die Studios mit den zurückgewonnenen Stunden anfangen.

Dort wird sich entscheiden, ob KI die Anime-Fertigung wirklich verbessert – oder ob sie einfach erlaubt, von denselben Menschen noch mehr zu verlangen.