Ein zweiwöchiges Pilotprojekt mit 49 Studierenden an der Florida Universitària in Spanien reduzierte das Platzhalter-Modellieren von 1–2 Stunden auf 5–15 Minuten und generierte 448 Modelle in 8 Spielentwicklungsteams.
Pau Comes unterrichtet 3D-Animation, Spiele und interaktive Umgebungen an der Florida Universitària, einer Hochschule in Valencia, Spanien, wo Zweitsemester-Studierende sechs Monate damit verbringen, ein Spielprojekt von der Konzeption bis zur Veröffentlichung zu bringen. Innerhalb dieses Zeitplans leidet die Previsualisierung am meisten.
Um zu testen, ob generative KI das ändern könnte, führte Pau zusammen mit einem anderen Professor im November 2025 ein zweiwöchiges Pilotprojekt im Rahmen des Moduls Audiovisual Animation Project durch, bei dem Meshy 6 Preview verwendet wurde, um Bild-zu-3D-KI in die Previs-Phase zu integrieren. Mit unbegrenztem Studiozugang während der gesamten Dauer hörten die Studierenden, die Meshy einsetzten, auf, Platzhalter-Assets von Hand zu erstellen. Stattdessen speisten sie ihre eigenen Konzeptzeichnungen in Meshy ein, generierten schnelle volumetrische Proxys und nutzten diese, um Kameras, Maßstab und Komposition in der tatsächlichen Szene zu testen, noch bevor die endgültige Modellierungsarbeit begann.
Diese Umstellung sparte nicht nur Zeit. Sie integrierte Previs wieder in den Lehrplan als echte Arbeitsphase und öffnete sie für das gesamte Team, nicht nur für die ein oder zwei Spezialisten, die sie früher besaßen. Sie gab der Kohorte auch ihre erste praktische Erfahrung mit KI-unterstützten 3D-Pipelines, wie sie jetzt in Studios aufgebaut werden.
Warum 3D-Previs in Animationsklassen zum Engpass wird
In der Animation und Spielausbildung ist die Vorproduktion normalerweise das Erste, was wegfällt, wenn sich die Fristen verkürzen. Storyboards, Animatics und 3D-Previs klingen auf dem Papier essenziell, aber Studierende, die noch den gesamten Ablauf lernen, neigen dazu, direkt in die Modellierung der endgültigen Assets einzusteigen. Previs schrumpft entweder zu einer groben Skizze oder fällt ganz aus dem Zeitplan heraus.
Für Pau war das der empfindlichste Punkt im Lehrplan. Vor dem Pilotprojekt stießen seine Studierenden während der frühen 3D-Arbeit immer wieder auf dieselben vier Probleme:
- Langsame manuelle Platzhalter. Ein vergleichbarer Platzhalter, der von Hand erstellt wurde, dauerte 1 bis 2 Stunden, was wenig Zeit ließ, um Kameras, Maßstab und Komposition zu testen.
- Konzentrierte Arbeitsbelastung. Mit nur wenigen Stunden, die für Previs budgetiert waren, produzierten ein oder zwei Studierende pro Gruppe eine einzige Version, während der Rest des Teams in ihren eigenen Spezialisierungen gefangen blieb.
- Schwer zu kommunizierende räumliche Ideen. Skizzen und verbale Beschreibungen reichten nicht aus, um ein Team vor der Produktion auf Form, Maßstab und Rahmung abzustimmen.
- Vorstellungskraft vor Können. Einige Studierende konnten sich eine Szene klar vorstellen, konnten sie aber noch nicht von Grund auf modellieren, sodass gute Ideen in ihren Köpfen blieben.
Das Ergebnis war eine vertraute Lücke zwischen Storyboard und Blockierung. Genau an dieser Stelle macht besseres Bild-zu-3D-Tooling den größten Unterschied.
Gestaltung eines zweiwöchigen Pilotprojekts innerhalb eines realen Spielprojekts
Pau führte die Studie in einem aktiven Produktionskontext durch, nicht als eigenständige Übung:
- 49 Zweitsemester-Studierende in der Höheren Berufsausbildung in 3D-Animation & Interaktiven Umgebungen (Spanisches Formación Profesional / Berufsausbildungssystem)
- 8 Entwicklungsteams, die jeweils einen Film- oder Spieltrailer für ihren eigenen Titel produzierten
- Ein zweiwöchiges Previs-Fenster innerhalb des breiteren sechsmonatigen Projekts
- Unbegrenzter Meshy-Zugang im Studiomodus für die Dauer
- Gemischte Evaluationsmethoden: Vor- und Nachbefragungen, Asset-Logs in der Plattform und qualitative Überprüfung der generierten Modelle und Teamergebnisse
Der Umfang war von Anfang an klar. Meshy wurde speziell für die Previs-Phase konzipiert, in der Geschwindigkeit und Iteration wichtiger sind als die endgültige Produktionsqualität. Die Frage war enger gefasst: Könnte KI verhindern, dass Previs geopfert wird, und den Studenten helfen, bessere Entscheidungen zu treffen, bevor sie sich für Hunderte von Stunden Modellierung verpflichten?
Wie Studenten Meshys Bild-zu-3D für Previs nutzten
Bereits in den ersten Tagen zeichnete sich ein klares Muster ab. Anstatt nur mit Text-Prompts zu arbeiten, nutzten die Studenten Meshy als 2D-zu-3D-Übersetzer: Sie gaben ihre eigenen Konzeptzeichnungen und frühere Skizzen ein und bewerteten dann, ob die volumetrische Interpretation, die zurückkam, es wert war, weiterverfolgt zu werden.
Der Bild-zu-3D-Workflow, auf den sich die meisten Teams einigten:
- Referenz hochladen. Konzeptkunst oder eine 2D-Skizze aus einem früheren Projektstadium.
- Ein Volumen generieren. Bild-zu-3D liefert in Minuten einen schnellen texturierten Proxy.
- In die Szene einfügen. Proportionen, Rahmen und Maßstab im Vergleich zum Rest des Layouts testen.
- Entscheiden. Behalten, was funktioniert, Topologie bei Bedarf bereinigen und mit einem klareren Verständnis davon, wie der endgültige Shot aussehen soll, in die Produktion gehen.
Was Meshy ihnen bot, war ein volumetrisches Skizzenbuch: der 3D-Schnappschuss, den eine Previs-Phase tatsächlich benötigt. Teams konnten eine Rahmung ausprobieren, sie verwerfen, eine andere ausprobieren und die Produktionsphase mit bereits festgelegten Entscheidungen erreichen, anstatt zu raten.
Einige Anwendungsfälle kamen bei fast jedem Team auf:
- Szenen mit texturierten Proxies bevölkern, um über eine flache Greybox hinauszugehen
- Kamerawinkel und Maßstab testen gegen tatsächliche Volumen anstatt imaginierte
- 2D-Konzeptkunst in 3D-Mock-ups umwandeln, die das gesamte Team kritisieren konnte
- Räumliche Ideen kommunizieren, die schwer verbal zu beschreiben oder schnell zu skizzieren waren
Währenddessen blieb der Student für die Arbeit verantwortlich. Meshy schlug vor, und die Studenten wählten aus, korrigierten und entschieden. Diese Mischung aus schneller KI-Generierung und konsequentem menschlichem Urteil war es, die den Workflow festigte.
"Meshy half den Studenten, Ideen zu klären und sie in einem Bild darzustellen."
Pau Comes
3D Animation Professor, Florida Universitària
Was Meshy im Klassenzimmer veränderte
Bewertung auf einen Blick
Nach dem zweiwöchigen Test bewerteten die Studenten Meshy in sechs Dimensionen:
| Dimension | Bewertung |
|---|---|
| Benutzerfreundlichkeit | 5 / 5 |
| Nützlichkeit für Previsualisierung | 4.5 / 5 |
| Geschwindigkeit | 4.1 / 5 |
| Texturqualität | 4 / 5 |
| Treue zur Referenz | 3.2 / 5 |
| Geometrie & Topologie | 2 / 5 |
Die Bewertungen landeten genau dort, wo der Pilot darauf ausgelegt war, zu testen. Benutzerfreundlichkeit, Nützlichkeit für Previsualisierung und Geschwindigkeit — die drei Dimensionen, die am meisten zählen, um vom Konzept zu einem funktionierenden 3D-Layout zu gelangen — wurden alle mit über 4 von 5 bewertet.
Schnellere Previs strukturierte die Arbeitsweise der Teams neu
Der größte Gewinn war die Geschwindigkeit. Die Erstellung von Platzhaltern sank von 1–2 Stunden auf etwa 5–15 Minuten pro Modell, eine Reduzierung von bis zu 90%. In den zwei Wochen generierten die acht Teams 448 Modelle zwischen ihnen.
Die interessantere Veränderung war struktureller Natur. Schnellere Platzhalter ermöglichten es den Teams, die Aufteilung der frühen Phase neu zu gestalten:
- Sub-Teams produzierten parallele Previs-Versionen und verglichen sie nebeneinander, anstatt sich von vornherein auf eine einzige überstürzte Version festzulegen.
- Jeder Student konnte zu frühen visuellen Entscheidungen beitragen, nicht nur die ein oder zwei Spezialisten, die früher standardmäßig Previs besaßen – obwohl die Nutzung in der Praxis auf einige wenige Intensivnutzer konzentriert war.
- Mehr Projektzeit floss in Kamera- und Rhythmusexperimente, mit mehr Feedback von Lehrern pro Iteration.
Für eine Kohorte, die auf interdisziplinärer Teamarbeit basiert, war dieser letzte Punkt genauso wichtig wie die Geschwindigkeit selbst. Studenten wurden nicht mehr in enge Rollen gedrängt, die nur mit ihrer Spezialisierung verbunden waren, und das Eigentum an frühen kreativen Entscheidungen wurde im Team geteilt.
Eine neue Rolle: Vom Modellierer zum 3D-Direktor
Der Pilot änderte auch, was die Studenten während der Previs-Phase taten. Weniger Zeit wurde in das Modellieren von Grund auf in dieser Phase investiert. Mehr Zeit wurde in das Formulieren von Eingabeaufforderungen, das Auswählen zwischen Variationen, das Kritisieren von Ausgaben und das Planen von Korrekturen investiert.
Dieser Wandel eröffnete Raum, um Fähigkeiten zu lehren, die die Branche bereits verlangt:
- Multimodales Prompt-Design. Fließend mit sowohl Text- als auch Bildeingaben arbeiten.
- Kuratiertes AI-Output. Wissen, wann eine Generation als Referenz nützlich ist und wann nicht.
- Retopologie und Bereinigung von AI-generierten Meshes. Eine konkrete technische Fähigkeit, die über den generativen Workflow hinausgeht.
Die Rolle bewegte sich teilweise vom Modellierer hin zum 3D-Direktor: jemand, der das Problem formuliert, die Optionen bewertet und die Verfeinerung leitet.
KI als kognitive Unterstützung: Zugänglichkeit in der 3D-Ausbildung
Eine Erkenntnis veränderte die Sichtweise des Teams auf die Einführung selbst. Ein Lernender, der normalerweise Schwierigkeiten mit dem manuellen 3D-Modellieren hatte, generierte 57% aller Modelle im Pilotprojekt. Für einige Lernende funktioniert generative KI als eine Art kognitive Unterstützung: eine Brücke zwischen Vorstellungskraft und Ausführung, die es ihnen ermöglicht, Ideen zu externalisieren, die sie noch nicht von Hand modellieren können.
Das weist auf einen echten Zugänglichkeitsvorteil neben dem Produktivitätsvorteil hin. KI-3D-Tools können erweitern, wer zu frühen kreativen Arbeiten beitragen kann, und nicht nur die Geschwindigkeit derjenigen erhöhen, die bereits produzieren. Für ein Programm, das auf interdisziplinärer Teamarbeit basiert, ist das ein bedeutender Wandel. Studenten, die sonst Modellierungsaufgaben an Teamkollegen abgegeben hätten, konnten direkt an der Gestaltung der visuellen Richtung ihres Projekts teilnehmen.
"Es hilft mir, auszudrücken, was ich nicht weiß, wie ich es modellieren soll, oder es spart mir Stunden der Suche." sagte ein teilnehmender Student.
Ein realistischer Blick auf die Einführung
Die Einführung innerhalb der Kohorte war ungleichmäßig, und das erwies sich als nützlich. Etwa 55% der Studenten nahmen Meshy an, während 45% sich entschieden, es nicht zu nutzen, meist aus überlegten Gründen statt technischer Barrieren: eine Vorliebe für manuelles Handwerk, Bedenken über die Auswirkungen von KI auf kreative Arbeiten oder Fragen zu Urheberrecht und Stil. Das Lehrteam integrierte diese Aufteilung in das Modul selbst und behandelte es als Gelegenheit, zu diskutieren, wie man mit KI koexistieren kann, ohne die künstlerische Identität zu verlieren. Am Ende des Piloten hatten sich die Einstellungen von allgemeiner Angst zu einem klareren Verständnis darüber entwickelt, wo das Tool tatsächlich passt.
Was kommt als Nächstes: Meshy in das Programm integrieren
Der Pilot deckte nur die Vorproduktion ab. Die nächste Phase, die bereits im Gange ist, nimmt die mit Meshy generierten Previs-Assets und verwendet sie, um Kamera, Maßstab und Erzählrhythmus festzulegen, bevor endgültige Assets durch die traditionelle Pipeline produziert werden. Der Unterschied im Vergleich zu früheren Kohorten ist weit weniger Unsicherheit beim Eintritt in die Produktion.
Für die Florida Universitària hat der Pilot zu mehreren konkreten Entscheidungen über das Programm selbst geführt:
- Positionierung von Meshy als Konzept- und 3D-Previs-Tool im Lehrplan: eine schnelle Mock-up- und volumetrische Skizzenschicht, mit Raum zur Weiterentwicklung in die endgültige Produktion im Laufe der Zeit.
- Entwicklung von "Generate + Fix"-Übungen, bei denen die Studierenden eine Basis in Meshy generieren, in Blender retopologisieren und UV-unwrapen und das Ergebnis in Unity oder Unreal integrieren.
- Hinzufügen von Modulen zu KI-Kompetenz und Ethik zum Programm, damit die Studierenden lernen, diese Werkzeuge kritisch statt unkritisch zu nutzen.
- Ausweitung des Ansatzes auf andere Fächer. Digitalisierungskurse und fortgeschrittenere Programme werden in Erwägung gezogen, möglicherweise im Workshop- oder Bootcamp-Format.
Für einen Lehrer, der mit engen Zeitplänen und anspruchsvollen Studierenden arbeitet, fand Meshy genau dort seinen Platz, wo der Lehrplan am fragilsten war: in der Previsualisierung.
"Die Frage ist nicht, ob KI in das Klassenzimmer einziehen wird. Es ist, wofür wir sie dort haben wollen."
Pau Comes
3D-Animationsprofessor, Florida Universitària
In diesem Pilotprojekt war die Antwort klar: ein Katalysator für die fragilste Phase des kreativen Prozesses.
Die Florida Universitària führt nun die nächste Phase des Experiments mit dem diesjährigen Jahrgang durch. Wir werden zurückkommen, um zu berichten, was sie herausfinden.
