Licht, Logik und Lernen

Es war im November 1995. Eine Fernsehproduktion für ein kontinentales Publikum, die Lichtkonsole Artisan™ von Vari*Lite, die nach dem Prinzip „What You See Is What You Get“ funktionierte. Ich stand mitten im Geschehen, obwohl ich nur über begrenzte Kenntnisse im Lesen und Schreiben von Noten verfügte.

In diesem Zusammenhang entstand als technisch pragmatische Notlösung eine textuelle und logisch strukturierte Abfolge von Anweisungen, also eine maßgeschneiderte Befehlssequenz, die ohne Notation funktionierte und es mir dennoch ermöglichte, eine komplexe Lichtinszenierung präzise und reproduzierbar umzusetzen. Keine Formel. Keine Standardmethode. Sondern eine Idee, die heute das Herzstück moderner KI-Systeme bildet.

Diese Inszenierungspartitur entstand aus der Notwendigkeit heraus, szenische Orientierungspunkte und textliche Beschreibungen festzulegen. Jeder Lichtmoment war mit einer handlungsorientierten Beschreibung verbunden: „Wenn er die Arme hebt, einatmen, dann betonen“. Diese Partitur war keine Improvisation, sondern ein strukturiertes Dokument, das Übergänge, Nuancen und Dramaturgie in einer Form festhielt, die ich ausführen konnte. Sie schlug eine Brücke zwischen künstlerischer Absicht und technischer Umsetzung. Und das funktionierte.

Sie definierte Zustände und Übergänge in einer Sprache, die der Realität des Systems nahe genug war, um umgesetzt werden zu können, und gleichzeitig weit genug von der reinen Technik entfernt blieb, um nichts an künstlerischer Qualität einzubüßen. Rückblickend erscheint es mir alles andere als zufällig, dass gerade dieses Gleichgewicht zwischen strukturierter Eingabe und interpretierbarer Ausgabe heute das Grundprinzip der großen modernen Sprachmodelle bildet.

Was ich damals empfand, ohne es benennen zu können: dass in dem Moment, in dem Licht aufhört, eine bloße technische Reaktion zu sein, und zu einer strukturierten Größe in einem interpretierbaren System wird, etwas Grundlegendes geschieht. Bei meiner Arbeit für Michael Jacksons Auftritt in „Wetten, dass..?“¹, verwandelte sich dieses Gefühl in eine Gewissheit, die mich seitdem nicht mehr losgelassen hat. Die Umwandlung menschlicher Ideen in strukturierte Daten, die ein technisches System interpretieren kann. Das ist kein technisches Detail. Das ist das Grundprinzip.

Manche Momente in unserem Leben erweisen sich erst Jahre später als Wendepunkte. Dieser hat fast dreißig Jahre auf sich warten lassen.

Seitdem stellt sich folgende Frage: Was wird passieren, wenn Maschinen sich nicht mehr damit begnügen, Sehaufgaben auszuführen, sondern in der Lage sind, diese zu verstehen? Dieser Punkt erscheint mir wichtig, da oft beides miteinander verwechselt wird, was sowohl Realisten als auch Visionäre daran hindert, eine Diskussion zu führen.

Die Frage ist nicht, ob Maschinen eines Tages besser entwerfen werden als Menschen. Diese Frage ist müßig und geht am Wesentlichen vorbei. Es geht darum, was passiert, wenn ein System, das weder Angst vor der Dunkelheit noch Müdigkeit nach einer nächtlichen Probe oder Streitigkeiten mit der Regie kennt, genau jene Aspekte in Angriff nimmt, die bisher ausschließlich der menschlichen Intuition vorbehalten waren. Was bleibt dann noch übrig, was nur der Mensch tun kann? Und was entsteht neu, wenn die Maschine die Arbeit übernimmt? Diese Fragen lassen sich nicht vom Schreibtisch aus beantworten. Sie erfordern Übung, Experimente, Misserfolge und neue Versuche.

Was heute bereits funktioniert und was nicht

Was heute funktioniert: KI-gestützte Tools für die Lichtplanung, mit denen sich Lichtvisualisierungen schneller erstellen und teilen lassen. Tools wie Midjourney² oder ähnliche Bildgeneratoren werden von Lichtdesignern zunehmend genutzt, um Stimmungsbilder zu erstellen, nicht als Endprodukt, sondern als Kommunikationsmittel mit Regisseuren, Bühnenbildnern und Produzenten. Das ist kein futuristisches Szenario. Es ist gängige Praxis, auch in meiner eigenen Arbeit. Und wie immer gilt: In Marketingunterlagen übertreffen die technischen Versprechen bestimmter KI-Tools regelmäßig das, was unter Produktionsbedingungen tatsächlich überprüft werden kann. Was in Demonstrationsumgebungen funktioniert, muss unter realen Bedingungen nicht unbedingt Bestand haben.

Was sich daraus als eigenständiger methodischer Schritt herauskristallisiert hat, bezeichne ich als umgekehrten „ Design-Workflow“. Im Designprozess führt der Weg vom Konzept zur technischen Umsetzung: Idee, Skizze, Visualisierung, Programmierung, Produktion und Bilddokumentation. Der umgekehrte Design-Workflow ändert diese Reihenfolge um. Zunächst wird das Bilddokument erstellt, von einer KI generiert und durch Iteration verfeinert, bis es der künstlerischen Absicht entspricht. Aus diesem Bild werden dann technische Parameter abgeleitet: Farben, Helligkeitsverteilungen, Strahlcharakteristika, Positionierung. Das Ergebnis steht am Anfang; der Weg zur technischen Umsetzung wird rückwärts verfolgt. Das ist keine bloße Spielerei. Es handelt sich um einen neuen Ansatz, der insbesondere Lichtdesignern, die bisher nur wenig mit KI-Tools gearbeitet haben, einen konkreten und zugänglichen Einstieg bietet.

Es gibt auch Lösungen, bei denen KI zunehmend zeitaufwändige Aufgaben automatisiert, wie beispielsweise die Verwaltung von Leuchtenbibliotheken (Fixture-Datenbanken), die 3D-Modellierung oder Vorschläge für Patch-Konfigurationen. Erste Versuche zur automatischen Generierung von Cues auf der Grundlage einer musikalischen und/oder textuellen Analyse sind bereits zu beobachten. Dank ihrer Befehlszeilenschnittstelle bietet die Lichtpultserie GrandMA3 eine äußerst benutzerfreundliche Struktur für automatisierte Eingaben: Nahezu alle Funktionen lassen sich über Textbefehle steuern. Für ein KI-System ist das kein nebensächliches Detail. Es ist der direkte Zugang zur Systemlogik und er senkt die Komplexität der Interaktion zwischen Mensch und Lichtpult spürbar ab.

Die Auswirkungen dieser Zugänglichkeit gehen weit über die reine Steuerungsebene hinaus. Dank des MCP-Servers (Model Context Protocol-Server) und der entsprechenden Schnittstellen lässt sich eine Datenpipeline einrichten, die unstrukturierten Text mit dem Lichtsteuersystem verbindet: Die textuellen Beschreibungen der Geräte werden in strukturierte Tabellen umgewandelt, aus denen Skripte generiert und direkt in die Lichtkonsole importiert werden, wie beispielsweise Patch-Daten, Einträge in der Scheinwerferbibliothek sowie Gruppen- und Voreinstellungsstrukturen. Der MCP-Server fungiert als standardisierte Zwischenschicht, die es beiden Seiten, dem Sprachmodell und dem Steuerungssystem, ermöglicht, in einer gemeinsamen Syntax zu kommunizieren. Was heute noch stundenlange manuelle Arbeit erfordert, wird so zu einer automatisierten Aufgabe: strukturierte Produktionsdaten, die aus einer Eingabe in natürlicher Sprache abgeleitet werden³.

Heute erfolgt der Transfer von Fachwissen zwischen den Operatoren/Stellwerkern hauptsächlich auf informelle Weise: mündlich, über Aufzeichnungen von Vorstellungen oder durch den Austausch von Lichtpultdateien (Showfiles) ohne einheitliche Kommentierung. Eine KI-gestützte Wissensdatenbank, die es ermöglichen würde, dieses Wissen strukturiert zu erfassen, wäre ein erheblicher Fortschritt und zwar unabhängig davon, ob das System generative Fähigkeiten entwickelt oder nicht.

In diesem Zusammenhang kommt dem TILL-Index⁴, Theoretical Indexing of Lighting Levels, eine besondere Bedeutung zu: Es handelt sich um eine Methode zur Bewertung und Optimierung mobiler Beleuchtungssysteme. Dabei wird versucht, Parameter wie Ort, Beleuchtungsaufgabe und Publikum sowie einen Gewichtungsfaktor, der sich nach der Art der Veranstaltung richtet, in einem standardisierten Index zu vereinen. Die Methode könnte als strukturelle Grundlage für eine solche Wissensbasis dienen. Das ZentrumNeueLichtkultur in Frankfurt am Main widmet sich verwandten Fragen im Zusammenhang mit der Systematisierung der Lichtqualität und könnte langfristig als institutionelle Referenz für standardisierte Parameter fungieren. Strukturell lässt sich jedoch ein grundlegendes Problem feststellen: Der Veranstaltungssektor verfügt nach wie vor nicht über eine zuverlässige und öffentlich zugängliche Datenbank, auf der eine ernsthafte Entwicklung der KI aufbauen könnte. Es gibt keine standardisierte Sammlung von annotierten Aufführungsdateien. Es gibt auch keine offene Bibliothek mit aufgezeichneten Beleuchtungssequenzen, die mit einer Beschreibung ihrer Dramaturgie versehen sind. Die Fakultät für Elektrotechnik, Medien und Informationstechnik der HAW Hamburg führte eine Analyse von MA2-Showfiles durch, um strukturelle Muster in realen Produktionsdateien zu identifizieren, ein methodischer Ansatz, der gezeigt hat, wie wenig homogen die vermeintlich standardisierten Daten in der Praxis tatsächlich sind⁵.

Das Problem fehlender Datenstandards tritt besonders deutlich bei photometrischen Eigenschaften zutage. Wenn man beispielsweise präzise photometrische Berechnungen durchführen möchte, stößt man oft auf ein großes Hindernis: In den Bedienungsanleitungen sind die Werte nicht nur nicht harmonisiert, sondern werden in den technischen Datenblättern zuweilen auch falsch bezeichnet. Die Berechnung der radiometrischen Einheit „Strahlstärke“ (W/sr) eines Robe MegaPointe-Scheinwerfers war nur möglich, weil ich die erforderlichen Rohdaten über mein Studium an der Technischen Universität Ilmenau⁶ beziehen konnte. In diesem Bereich könnte künstliche Intelligenz möglicherweise für mehr Transparenz sorgen.

Die Messe ‚LEaT con 25‘ in Hamburg bot mir die erste Gelegenheit, mein Projekt TSCHEMBOT⁷ (Trigger Smart Cue Handling Execution Manager) der Öffentlichkeit vorzustellen, ein KI-Tool für das Lichtsteuersystem MagicQ der Firma Chamsys. Es ermöglicht die Erstellung von Lichtsequenzen in der Lichtkonsole mithilfe natürlicher Sprache. Im Laufe der Diskussion stellte sich heraus: Viele der Anwesenden nutzten ebenfalls bereits KI-Tools. Der Lichtdesigner, der Midjourney für seine Konzeptskizzen nutzt. Der Programmierer, der sich vom Sprachmodell Claude Cue-Strukturen vorschlagen lässt. Der Lichtchef, der ChatGPT befragt, bevor er zur Probe geht. Das kommt vor. In laufenden Produktionen, in renommierten Sälen, auf internationalen Tourneen. Aber niemand spricht es gerne laut aus. Warum nicht?

Weil dieser Beruf seine Identität auf Handwerkskunst, Intuition und auf der Bühne gesammelter Erfahrung aufgebaut hat. Und das schon seit Jahrzehnten. Den Einsatz von KI zuzulassen, würde bedeuten, dieses Selbstbild zu untergraben: das eines Lichtdesigners als Künstler, der spürt, was das Licht bewirken soll, und der nebenbei ein Sprachmodell befragt. Beides ist unvereinbar. Deshalb schweigen wir. Das ist kein neues Phänomen. Es ist das typische Muster jeder Branche, die sich im Umbruch befindet, diesen Wandel aber noch nicht in ihre Identität integriert hat. Die eigentliche Aufgabe, das hat mir die LEaT con 2025 klar gemacht, ist nicht die Umsetzung. Es geht darum, Tabus zu brechen. Es geht nicht darum, „loszulegen“, sondern damit aufzuhören, es zu verbergen.

Was hingegen noch entwickelt werden muss, ist ein vollständig autonomes System, das in der Lage ist, eine Aufführung von A bis Z zu konzipieren, von der Dramaturgie bis zur Liste der Marker. Konzeptionell plausibel. Aber noch nicht produktionsreif. Als Eingabedaten würden die Befehlssyntax des Systems dienen: Gruppen, Presets, Cues, Synchronisation sowie ein definiertes Ziel, ein bestimmter Lichteffekt oder eine dramaturgische Funktion. Die Ausgabedaten wären keine Liste von Befehlen, sondern eine erlernte Entscheidungslogik: das Ergebnis eines iterativen Prozesses, in dem das System selbstständig ermittelt, welche Eingaben welche Auswirkungen haben. Ein KI-Modell, das dank des verstärkenden Lernens nicht nur bestehende Gestaltungsprinzipien nachahmt, sondern selbstständig ermittelt, wie Licht eingesetzt werden muss, um eine bestimmte Wirkung zu erzielen. Die Regeln wären dann nicht mehr Eingaben, sondern Ergebnisse des Lernprozesses. Dieser Schritt steht noch aus.

Rotterdam und die Frage, die den Raum öffnet

Ich habe diese Idee im Frühjahr 2026 auf der CUE-Messe in Rotterdam in einem Workshop vorgestellt. Unter dem Titel „AI-Powered Lighting Control: TSCHEMBOTi“⁸.

Die Reaktionen waren vielfältig. Auf der einen Seite gibt es diejenigen, die sofort verstanden haben, wovon ich sprach. Genau jene, die bereits mit KI-Tools experimentieren und deren Potenzial erkennen. Andererseits gibt es eine offensichtliche Skepsis, die ich respektiere und nicht einfach beiseite wischen möchte: die Frage, ob ein System, das nichts empfindet, nichts erlebt und nie in die Dunkelheit einer Probe eingetaucht ist, wirklich in der Lage ist, dem Licht einen Sinn zu verleihen. Diese Frage ist nicht technischer Natur. Sie ist künstlerischer Natur. Und sie verdient keine voreilige Antwort. „Also, kann KI eine Atmosphäre schaffen?“ Die Reaktionen reichten von einem kategorischen „Nein“ bis zu einem vorsichtigen „Ja“, mit einer großen Grauzone dazwischen. Meine Antwort darauf: Der Begriff „Atmosphäre“ ist als Lichtschaffender für mich ein sehr dehnbarer Begriff. In meiner Arbeit als Lichtdesigner konnte ich mich stets auf zwei Mittel verlassen, die kinderleicht erscheinen, aber gerade wegen dieser Einfachheit zu den wirksamsten im gesamten Repertoire zählen: der Blackout und die Discokugel. Nicht trotz ihrer Einfachheit, sondern dank ihr.

Denn der Blackout und die Discokugel sind keine Tricks. Es handelt sich um kodierte Bezugspunkte, deren Wirkung nicht aus ihrer technischen Umsetzung resultiert, sondern aus dem kollektiven Gedächtnis der im Raum Anwesenden. Jeder weiß, was ein Blackout bedeutet. Jeder kennt die Discokugel. Ihre Wirkung ist unfehlbar, denn sie müssen nicht erklärt werden. Die Atmosphäre entsteht nicht durch die Technologie: Sie entsteht aus dem Spannungsfeld zwischen dem, was das Licht bewirkt, und dem, was die Menschen mitbringen. Eine KI, die eine Atmosphäre schaffen soll, muss diesen Kontext verstehen und nicht nur berechnen. Der Lichtdesigner entscheidet, welche Bedeutung die Discokugel in genau diesem Moment haben soll.

Er kann sie als Ironie, Nostalgie, Befreiung oder Kommentar einsetzen. Das Publikum nimmt die Wirkung wahr aber wahrnehmen ist nicht dasselbe wie gestalten. Es ist die Fähigkeit, diesen Unterschied zu schaffen, die die Lichtgestaltung zu einer künstlerischen Arbeit macht. Es geht nicht um das Wissen um die Wirkung, die durch die eingesetzten Mittel erzielt wird. Es geht um das Wissen um die in diesem genau bestimmten Moment angestrebte Wirkung und warum. Dieses empirische Wissen lässt sich nicht dokumentieren, nicht, weil es geheim gehalten wird, sondern weil es sich einer schriftlichen Festhaltung entzieht. Es ist physisch, kontextbezogen und kumulativ. Das ist kein schlagkräftiges Argument gegen KI. Es ist eine reale Grenze, die benannt werden muss. Nicht, um den Fortschritt zu verhindern, sondern um zu verstehen, wozu ein System fähig ist und wozu es nicht fähig ist.

Die Rolle des Lichtdesigners im Wandel

Was bedeutet das alles für unsere Rolle? Diese Frage ist nicht rhetorisch. Sie steht im Mittelpunkt aller Gespräche, die ich in den letzten Monaten auf Messen, in Workshops und im Austausch mit Kollegen geführt habe. Und sie lässt sich nicht in einem einzigen Satz beantworten. Seit Jahrzehnten gilt dieser Beruf als eine Kombination aus drei Kompetenzen: ästhetisches Gespür, technisches Know-how und die Fähigkeit, diese beiden Aspekte im Produktionskontext miteinander in Einklang zu bringen. Was KI-Systeme verändern, ist die Gewichtung dieser drei Komponenten. Technisches Know-how wird nicht überflüssig, aber bestimmte Aufgaben können delegiert werden. Patch-Strukturen, Fixture-Bibliotheken, erste Entwürfe für Cues: Was früher stundenlange manuelle Arbeit erforderte, ist nun eine Frage der Formulierung und nicht mehr nur der reinen Ausführung. Das bedeutet nicht, dass der Lichtdesigner weniger Arbeit haben wird. Es bedeutet lediglich, dass sich die Art seiner Arbeit verändert.

An die Stelle des Ausführenden tritt, und ich verwende diesen Begriff hier bewusst, der Kurator. Derjenige, der beschreibt, auswählt, verwirft, hervorhebt. Derjenige, der entscheidet, was das System zeigen soll und was nicht. Derjenige, der die Verbindung zwischen der künstlerischen Absicht und der Syntax der Anweisungen herstellt. Diese Aufgabe ist nicht neu. Sie war schon immer Teil des Berufs. Doch mittlerweile nimmt sie einen zentralen Stellenwert ein. Und sie erfordert Kompetenzen, die im traditionellen Ausbildungslehrplan nicht systematisch vermittelt werden: die präzise sprachliche Beschreibung eines entscheidenden Moments, strukturelles Denken bei den Eingaben, das Verständnis der Logik eines Modells, dessen Ergebnisse man bewertet, ohne dessen interne Funktionsweise zu kennen. Gleichzeitig verändert sich das Verhältnis zwischen dem Einzelkünstler und dem Ensemble.

Diejenigen, die ihre Stücke bisher als Solisten konzipiert haben, werden fortan mit einem nicht-menschlichen Partner zusammenarbeiten, der keinerlei gemeinsamen Kontext mitbringt: keine gemeinsamen Proben, kein Austausch mit der Regie, keine Erinnerungen an die letzte Tournee. Man muss diesem Partner alles erklären, was man normalerweise als selbstverständlich ansieht. Was in diesem Fall hilft, ist nicht die Beherrschung der Technologie, sondern das Verständnis der eigenen Arbeit und die Fähigkeit, sie zu beschreiben. Hinzu kommt eine Entwicklung, über die noch wenig gesprochen wird: der Wandel vom Geheimnisträger zum Übersetzer. Das im vorigen Abschnitt beschriebene empirische Wissen, das sich der Dokumentation entzieht, war jahrzehntelang eine Quelle beruflicher Autorität. Wer über dieses Wissen verfügte, wurde berücksichtigt. Wer es nicht besaß, wurde außen vor gelassen. KI-Systeme ändern diese Gleichung nicht, weil sie empirisches Wissen ersetzen würden, dazu sind sie nicht in der Lage, sondern weil sie eine neue, ebenso wertvolle Kompetenz schaffen: die Fähigkeit, dieses Wissen so zu formulieren, dass ein System es umsetzen kann. Die Kunst der Beschreibung ergänzt die Intuition. Sie ersetzt sie nicht.

Und schließlich: Was bleibt eigentlich menschlich? Nicht die Ausführung. Nicht die Routine. Nicht die Wiederholung. Sondern die Entscheidung darüber, welche Bedeutung ein bestimmtes Licht in einem bestimmten Moment haben soll und warum. Wie die vorgenannte Discokugel oder der Blackout. Der Moment, in dem man das Publikum gehen lässt. Diese Entscheidungen lassen sich strukturieren, beschreiben und mit einem System teilen, doch es ist Aufgabe des Menschen, sie zu treffen. Das ist kein Trostpflaster. Es ist die realistische Aufteilung der Verantwortlichkeiten zwischen einem System, das die Syntax beherrscht, und einer Person, die für den Sinn bürgt.

Theater und Konzert: zwei unterschiedliche Bereiche

Wer diesen Rollenwechsel ernst nimmt, kommt nicht umhin, die verschiedenen Kontexte zu unterscheiden, in denen er stattfindet. Es wäre ein Fehler, in dieser Debatte Theater und Konzert über einen Kamm zu scheren. Die Anforderungen unterscheiden sich grundlegend. Das Gleiche gilt für die Möglichkeiten und Grenzen der KI. Im Bereich der Konzerte sind die Voraussetzungen für den Einsatz von KI günstig. Wiederholbarkeit ist ein grundlegendes Prinzip. Die musikalische Struktur bei Konzerten definiert einen klaren zeitlichen Rahmen. Die visuelle Wirkung ist primär und direkt messbar. Eine KI, die aus Audiodaten Cue-Strukturen generiert und dabei auf eine Bibliothek ästhetischer Referenzen zurückgreift, ist aus konzeptioneller Sicht der KI-Praxis in diesem Bereich näher als im Theater.

Im Theater gelten andere Regeln. Eine Inszenierung lebt von der Abwechslung. Von dem Moment, in dem ein Schauspieler eine Szene anders interpretiert. Das Theater erfordert ein Maß an kontextbezogener Intelligenz, über das heutige KI-Systeme nicht verfügen. Hier muss auf eine lebendige Situation reagiert werden und nicht auf einen festgelegten musikalischen Zustand. Im Theater ist der Lichtdesigner nicht nur ein einfacher Ausführender: Er hört zu, zeigt Einfühlungsvermögen und denkt gemeinsam mit anderen nach. Diese Eigenschaft lässt sich nicht anhand von Trainingsdaten nachbilden. Zumindest noch nicht heute. Vielleicht auch nicht morgen. Vielleicht nie. Das ist kein Argument gegen KI im Theater. Es ist ein Argument für eine realistische Definition ihrer Grenzen und dafür, den Menschen im Kreislauf zu belassen, solange diese Grenzen bestehen.

Nachhaltigkeit und Effizienz: ein unterschätztes Argument

Ein Aspekt, der in den Diskussionen innerhalb der Branche viel zu selten zur Sprache kommt. KI könnte bei Lichtproduktionen zu einer deutlich ressourcenschonenderen Umsetzung führen. Kürzere Programmierzeiten. Weniger Proben. Geringerer Energieverbrauch, weniger Reisekosten, niedrigere Produktionskosten. Wenn ein KI-System innerhalb weniger Minuten eine erste funktionsfähige Referenzstruktur generiert, die ein Bediener anschließend verfeinert, anstatt sie von Grund auf neu aufzubauen, hat dies konkrete Auswirkungen auf das Produktionsökosystem. Das ist keine Spekulation. Es ist eine logische Konsequenz.

Effizienz setzt jedoch ein klar definiertes Ziel voraus. Und genau hier liegt ein oft unterschätztes Risiko: Wenn das Ziel schlecht definiert ist, wenn „mehr Looks“ als Erfolgskriterium gilt statt „das richtige Licht zur richtigen Zeit“, dann optimiert das KI-System eher die Quantität als die Substanz. Das Ergebnis wäre nicht eine bessere Lichtplanung, sondern mehr Lichtplanung. Quantität statt Qualität. Die Leistungsfähigkeit der Maschine hängt ganz davon ab, wie präzise der Mensch seine Ziele definiert. Das ist keine Schwäche der Technologie, sondern eine Anforderung an denjenigen, der sie nutzt.

Zudem kann eine KI, die Positionsdaten, Intensitätswerte und Strahlcharakteristika in Echtzeit analysieren kann, das Licht gezielter einsetzen. Weniger Geräte. Präzisere Einstellung. Ein geringerer Gesamtenergieverbrauch. Es ist die logische Konsequenz der Optimierungsfähigkeit von Systemen, die ihre Entscheidungen nicht aus Gewohnheit, sondern nach dem Prinzip der Effizienz treffen. Diese Optimierung setzt jedoch eine Datenbank voraus, die die Realität widerspiegelt. Hier zeigt sich ein strukturelles Problem, über das wenig gesprochen wird: Die von den Herstellern bereitgestellten Daten zu den Scheinwerfern sind oft inkonsistent, unter idealen Bedingungen gemessen und nicht standardisiert, sodass ein Vergleich schwer möglich ist. Ein KI-System, das sich anhand dieser Daten optimiert, entfernt sich von der Realität. Die Folge: KI-gestützte Messsysteme sind keine Option, sondern eine Voraussetzung für jede fundierte, KI-basierte Planungsentscheidung.

Konkret bedeutet dies: ein mobiles Messsystem, das direkt in den Produktionsprozess integriert ist und die Scheinwerfer bei der Montage automatisch kalibriert. Es handelt sich dabei nicht um eine Laboraufgabe, sondern um einen Routineprozess. Die gemessenen Ist-Werte, Lichtstrom, Farbtemperatur, Strahlgeometrie, werden sofort in das Patch-Modell des Steuerungssystems zurückgespielt und ersetzen die Nennwerte des Herstellers. Abweichungen werden protokolliert. Schwankungen in der Produktionsdauer werden verfolgt. Das System stützt sich nicht auf die vom Hersteller angegebenen Daten, sondern auf die tatsächlich installierten. Dieser geschlossene Datenfluss bildet die Grundlage, um in der Praxis zuverlässige, KI-gestützte Entscheidungen zu treffen.

Das selbstlernende, sich selbst kontrollierende System

Die konzeptionell bedeutendste Entwicklung ist nicht die Automatisierung bestimmter Kontrollschritte, sondern die Einrichtung eines Regelkreises. Ein System, das sich nicht damit begnügt, zu handeln, sondern ständig überprüft, ob seine Handlungen die gewünschte Wirkung erzielen und sich auf der Grundlage dieser Überprüfung selbst korrigiert.

Die technische Grundlage dieses Modells: die gleichzeitige Erfassung von zwei Informationsebenen. Zum einen die Benutzeroberfläche der Lichtkonsole, die anzeigt, welche Befehle das System ausgeführt hat: welche Sequenzen aktiv sind, welche Voreinstellungen gelten und welche Gruppen angesteuert wurden. Zum anderen die physikalische Wirkung des Lichts im Raum, die von einer Kamera erfasst wird, die die reale Szene filmt. Diese beiden Datenströme werden parallel an das KI-System übertragen.

Dieser doppelte Eingangskanal ist kein Luxus, sondern Notwendigkeit: DMX-Werte allein reichen nicht aus, um die tatsächliche Lichtsituation zu beschreiben. Ein Scheinwerfer, dessen DMX-Helligkeitswert auf das Maximum eingestellt ist, kann in der Praxis starke Schwankungen aufweisen, die auf die Alterung der Lichtquelle, Kalibrierungsunterschiede oder die physikalischen Umgebungsbedingungen zurückzuführen sind. Die physikalische Realität muss daher separat erfasst und überprüft werden. Das ist kein Umweg, sondern eine Notwendigkeit.

Die Systemlogik funktioniert wie ein geschlossener Regelkreis. Das Modell sendet Steuerbefehle, beobachtet den erzielten Lichteffekt, vergleicht ihn mit dem definierten Sollzustand und nimmt bei Abweichungen Korrekturen vor. Iterativ. Kontinuierlich. Ein Model Context Protocol-Server fungiert als strukturierte Zwischenschicht, die den Informationsfluss zwischen dem Steuerungssystem und dem KI-Modell standardisiert und für beide Seiten interpretierbar macht.

Das Lernprinzip ist bewusst eingeschränkt: Dem System wird lediglich die Syntax des Befehlssystems zur Verfügung gestellt. Keine Kenntnisse im Bereich Design. Keine ästhetischen Regeln. Keine vordefinierte Dramaturgie. Die Anwendung dieser Syntax wird vollständig selbstständig erlernt. Das ist nicht nur ein einfaches Detail der Systemarchitektur. Es ist das grundlegende Konstruktionsprinzip des Systems. Genau das unterscheidet ein System, das Wissen reproduziert, von einem System, das Kompetenzen entwickelt, durch Erfahrung, durch Iteration, durch den ständigen Abgleich von Absicht und Wirkung.

Was dieses Modell von einem herkömmlichen Automatisierungsansatz unterscheidet, ist seine Anpassungsfähigkeit. Wenn eine Leuchte ausfällt, ein Scheinwerfer verrutscht oder die Kamera eine Veränderung im Zustand des Raums feststellt, reagiert das System nicht mit der Anzeige einer Fehlermeldung, sondern führt eine Neuberechnung durch. Nicht Fehlertoleranz als Entwicklungsziel, sondern Anpassungsfähigkeit als Grundvoraussetzung. Ob dies ausreicht, um sich in einer lebendigen Theaterproduktion durchzusetzen, ist eine andere Frage. In der Welt der Konzerte, in der Wiederholbarkeit ein Grundprinzip ist, liegt die Antwort auf der Hand.

Grenzen, Risiken, offene Fragen

Eine Showdatei ist nicht nur eine Steuerungsdatei. Sie ist die konkrete Umsetzung konzeptioneller Entscheidungen, ästhetischer Urteile, dramaturgischer Überlegungen und technischer Lösungen. Sie ist gewissermaßen das Werk. Die Frage, wem dieses Werk gehört, wenn ein KI-System an seiner Entstehung beteiligt war, hat bisher keine zufriedenstellende Antwort gefunden. Die Ansprüche überschneiden sich: der KI-Entwickler, der die Grundlage geliefert hat; der Lichtdesigner, der das System gesteuert hat; die Produktionsfirma, die den Auftrag erteilt hat; der Auftraggeber, der bezahlt hat. Welcher von ihnen kann eine Showdatei als sein Werk beanspruchen? Diese Grauzone ist nicht rein theoretischer Natur: Sie ist von entscheidender kommerzieller und rechtlicher Bedeutung.

Für Lichtdesigner sind zwei Aspekte besonders wichtig. Erstens: Wenn KI-Systeme anhand bestehender Produktionen trainiert wurden (auf Showdateien, dokumentierten Inszenierungen, archivierten Lichtdaten), kann dies zu Rechten an der Weiterverwendung führen, die bislang von keiner institutionellen Stelle vertreten werden. Zweitens: Wenn ein mithilfe von KI erstelltes Beleuchtungskonzept schutzfähig ist, stellt sich die Frage, wer diesen Schutz geltend machen kann und nach welchen Kriterien die Lizenzgebühren berechnet werden.

Hinzu kommt die Gefahr einer Vereinheitlichung. Wenn Lichtdesigner weltweit dieselben KI-Tools nutzen und diese Tools auf denselben Trainingsdaten basieren, entsteht eine neue Form der ästhetischen Konvergenz. Nicht aufgezwungen. Nicht vorgeschrieben. Sondern strukturell bedingt durch die Infrastruktur dieser Tools selbst. Dies ist eine Entwicklung, der sich die Lichtschaffenden bewusst werden müssen, bevor sie sich konkretisiert. Denn wenn die Maschine den Weg zum Ergebnis ebnet, folgen ihr viele, und die Unterschiede, die die Lichtgestaltung zu einer Kunst machen, verschwinden, ohne dass es jemand bemerkt.

Im Laufe seiner Geschichte hat der Bereich der Lichtgestaltung immer dann neue Impulse erhalten, wenn berufliche Umorientierung, autodidaktisches Lernen und das Überschreiten von Grenzen möglich waren. KI-Tools können genau diesen Raum eröffnen, oder ihn verschließen, wenn sie von vornherein das ästhetische Modell vorgeben, das der Designer eigentlich selbst entwickeln sollte. Die Frage ist nicht, ob das Werkzeug mächtig ist. Die Frage ist, wer es in der Hand hält und ob diese Person weiß, was sie damit erschafft.

Und schließlich: die Frage der Verantwortung. Ein KI-System, das Zugriff auf Intensitätswerte, Positionsdaten und Strahlcharakteristika hat, könnte die photobiologischen Grenzwerte überwachen, aber wer ist verantwortlich, wenn das System einen Fehler macht? Diese Frage bleibt vorerst unbeantwortet. Sie muss geklärt werden, bevor diese Systeme einsatzbereit sind. Dies ist keine Voraussetzung für die Forschung, sondern eine Voraussetzung für ihre Umsetzung.

Ausblick: Und drei Dinge, die Lichtdesigner heute tun sollten

Die Umgestaltung der Lichtplanung durch KI ist keine Frage des „Ob“. Es ist eine Frage des „Wie“ und der Geschwindigkeit, mit der die Lichtschaffenden lernen werden, aktiv zu handeln, anstatt passiv abzuwarten.

Was mich antreibt, ist nicht die Faszination für die Technologie an sich. Es ist die Überzeugung, dass die Verbindung zwischen der menschlichen Wahrnehmungserfahrung und der Strukturierungsfähigkeit der Maschine etwas hervorbringen kann, das keines von beiden allein erreichen könnte. Es ist nicht die Maschine, die den Designer ersetzt. Es ist nicht der Designer, der die Maschine ignoriert. Aber was entsteht, wenn beide wirklich zusammenwirken, wenn menschliche Intuition und mechanische Präzision sich nicht gegenseitig ausschließen, sondern ergänzen? Für mich ist diese Überzeugung längst keine bloße Hypothese mehr. Sie ist das Ergebnis von Jahren Arbeit an der Schnittstelle von Technologie, Design und Kunst.

Erstens: KI-Tools aktiv in den eigenen Arbeitsablauf integrieren. Nicht als Spielerei, sondern als Werkzeug, das getestet, hinterfragt und verstanden werden muss, denn nur wer es kennt, kann es gestalten. Wer darauf wartet, dass die Technologie „voll ausgereift“ ist, wartet zu lange. Die Reifung erfolgt durch die Praxis, durch die Auseinandersetzung, durch das Aufeinandertreffen der Systemlogik und der künstlerischen Anforderungen. Sich schon sehr früh mit noch unvollkommenen Werkzeugen vertraut zu machen, ist kein Nachteil: Es ist der Moment, in dem Lichtdesigner noch dazu beitragen können, diese Werkzeuge mitzugestalten.

Zweitens: Die eigene Sprache in Bezug auf Licht verfeinern. Wenn man nicht in der Lage ist, seine kreativen Vorstellungen präzise zu beschreiben, kann man auch ein KI-System nicht effektiv anleiten. Die Beherrschung von Prompts beginnt nicht bei der Maschine. Sie beginnt mit der eigenen Reflexion. Dank der Fähigkeit, Licht in Worte zu übersetzen, die ein System interpretieren kann und genau diese Fähigkeit zeichnet ein gutes Gespräch mit einem Regisseur, eine präzise Konzeptpräsentation oder eine überzeugende Bewerbungsmappe aus. Kein neues Handwerk. Ein älteres, das plötzlich neue Relevanz bekommt.

Drittens: Die Debatte innerhalb der Branche suchen, statt ihr aus dem Weg zu gehen. Die Skepsis der Kollegen ist kein Hindernis, sondern ein Korrekturfaktor. Gerade im Dialog zwischen den Befürwortern und den Zweiflern kristallisiert sich heraus, was wirklich Substanz hat. Das Wechselspiel zwischen Begeisterung und Widerstand ist kein einseitiger Prozess. Es ist der Prozess, durch den die Lichtschaffenden lernen, nicht durch Konsens, sondern durch konstruktive Reibungen.

Dieser Austausch muss weitergehen. Und er wird weitergehen, mit oder ohne Konsens, mit oder ohne Strategie, vorangetrieben von denen, die nicht warten können, und korrigiert von denen, die nicht warten wollen. Ob die Lichtschaffenden es wollen oder nicht, diese Debatte wird sie verändern. Die einzige Frage ist, ob sie ihr Gestalter oder ihr Produkt sein wird. Licht, Logik und Lernen: Das ist kein Titel. Das ist ein Programm.