Des agents ont commencé à réaliser des courts métrages cette semaine. Le goulot d'étranglement s'est déplacé vers le contrôle qualité.

Un développeur a révélé le 5 octobre qu'un court métrage d'animation intitulé The Clockwork Moth avait été produit de bout en bout par un pipeline de 14 agents fonctionnant sur une seule RTX 5090. Environ dix minutes de temps de pipeline ont couvert 106 plans répartis sur neuf scènes, avec 19 états de scène pour quatre personnages récurrents. Le contrôle qualité automatisé a réussi 102 vérifications sur 102. Le lot d'actifs représentait 2,4 Go. La chaîne d'outils n'a pas été divulguée.

La partie intéressante a peu à voir avec le temps d'exécution. Ce qui ressort, c'est l'endroit où le développeur a situé les problèmes difficiles : maintenir la cohérence de l'identité des personnages d'un plan à l'autre, et automatiser le contrôle qualité. Pas la première image.

Ce verdict rejoint un deuxième projet de la même semaine. Un utilisateur de Reddit a publié DOGNAPPED, une comédie de trois minutes avec des chiens qui parlent, réalisée presque entièrement par Claude exécutant Claude Code dans une configuration ComfyUI construite sur des nœuds Video Builder open source. L'humain a fourni le brief, des photos de référence de deux vrais chiens et l'outillage. Claude a écrit l'histoire, inventé un troisième personnage canin, généré des références de lieux et de personnages, écrit un scénario de 22 scènes avec indications de plan, rendu chaque scène via MiniMax H3 pour la vidéo, les voix et les effets sonores, composé la musique avec MiniMax Music 3 et monté le film. Le rendu a pris environ quatre heures et demie.

Ensuite, le modèle a réalisé ses propres reprises. La boucle de contrôle qualité a transcrit chaque réplique par rapport au scénario, vérifié la hauteur de la voix, examiné les images et les coupes, et effectué des contrôles de synchronisation audio-vidéo à l'image près. Là où les chiots babillaient ou où les chiens fixaient la caméra, il a retourné les scènes.

Pourquoi la boucle de contrôle qualité est le vrai sujet

Générer un seul plan convaincant est un problème suffisamment résolu pour que les démos soient routinières. En assembler cent six pour que le même personnage ressemble au même personnage dans chacun d'eux ne l'est pas.

La dérive d'identité est le mode de défaillance qui casse la vidéo IA de long format. Un modèle qui rend bien un personnage isolément changera quand même un visage, un costume ou une ligne d'implantation des cheveux d'un plan à l'autre, car chaque génération est un nouveau tirage dans une distribution. Les correctifs habituels sont le conditionnement par référence, les LoRA entraînés sur un personnage spécifique et la sélection manuelle. Tous ajoutent du travail humain exactement là où le pipeline est censé le supprimer.

Le contrôle qualité automatisé est l'autre moitié. Un pipeline qui produit des séquences mais ne sait pas distinguer un bon résultat d'un mauvais reporte la charge de révision sur une personne, et une personne qui révise cent plans est précisément le goulot d'étranglement que toute l'approche visait à éliminer. Le flux de travail DOGNAPPED y a répondu en transformant le scénario en oracle de vérification : transcrire chaque réplique, la comparer à ce qui a été écrit, vérifier la hauteur de la voix, vérifier la synchronisation, signaler les échecs, refaire le rendu. C'est une définition programmatique de « acceptable » qui ne nécessite pas qu'un humain regarde tout.

Le même schéma tout au long de la semaine

Plusieurs projets ont abouti à la même forme. Un utilisateur sous le pseudonyme konte a transformé Claude Code en producteur exécutif et généré un clip musical de deux minutes et cinquante-quatre secondes sur une seule RTX 5090 : 61 plans, 342 tâches, environ deux heures d'implication humaine et environ quatre heures et demie de génération. Les plans ont été écrits sur le tempo et les temps de la chanson, de sorte que les coupes tombaient sur la musique.

Une autre approche a entièrement évité le text-to-video. Claude Opus 5.5 a écrit du code pour chaque image et chaque morceau de musique, produisant un court métrage intitulé I Have Never Seen the Sun, avec des prompts formulés comme une pièce de trois à cinq minutes destinée à un festival.

Cette dernière approche révèle une véritable division dans le domaine. Le mouvement généré par code est déterministe. Si l'image 420 semble incorrecte, vous modifiez le code et relancez le rendu de l'image 420. La vidéo par diffusion est stochastique. Si un plan est mauvais, vous relancez le tirage et espérez. Pour le mouvement conçu, comme la typographie cinétique, l'animation d'interface, les graphiques et les révélations de logo, la voie déterministe est plus solide. Pour les humains photoréalistes, le jeu organique et la physique du monde réel, les modèles de diffusion l'emportent encore, car le code ne peut pas simuler ce qu'il n'a jamais modélisé.

L'outillage derrière ce changement

Le fil conducteur de ces projets est un agent de codage connecté à un pipeline de génération. Les nœuds Video Builder, les graphes ComfyUI personnalisés et les compétences d'agent qui appellent des modèles ouverts via une API donnent à un modèle de langage le même accès au rendu qu'un développeur. Le modèle n'a pas besoin d'être lui-même un modèle vidéo. Il doit être capable d'écrire et d'exécuter le code qui pilote un tel modèle.

C'est pourquoi le profil de coût est ce qu'il est. Dans une session publiée, un créateur a fourni plus de 7 000 images Midjourney et un morceau Suno à Claude Opus 5.5 et a mené une session créative autonome d'environ deux heures pour environ 6,80 $. Dans le projet DOGNAPPED, le coût dominant était le temps de rendu local plutôt que les appels API. Lorsque les modèles de base sont à poids ouverts et que l'orchestration est du code, le coût marginal d'une expérience s'effondre.

Il y a un effet de second ordre sur les compétences. Le travail qui reste à une personne s'est déplacé de l'utilisation d'une timeline ou de l'inspection d'un rendu vers la spécification du brief avec suffisamment de précision pour qu'un vérificateur automatisé puisse décider si le résultat y répond. Chaque projet livré cette semaine encode quelque part ses critères d'acceptation, car un pipeline ne peut pas itérer sur « faites mieux ».

Ce qui ne fonctionne toujours pas

Les démos sont honnêtes sur leurs limites, et ces limites sont constantes. L'identité d'un personnage tient sur une poignée de plans et dérive sur des dizaines, ce qui explique pourquoi le conditionnement par référence et les adaptateurs par personnage sont la norme. La structure sur un horizon long est fragile : un film qui semble cohérent pendant trente secondes peut perdre sa cohérence spatiale ou temporelle à la troisième minute. Et le contrôle qualité automatisé ne peut vérifier que ce qu'on lui a demandé de vérifier, ce qui signifie qu'un pipeline qui valide le dialogue et la synchronisation laissera facilement passer une scène avec une erreur de continuité pour laquelle personne n'a écrit de vérification.

Ces contraintes expliquent pourquoi les projets livrés cette semaine étaient des courts métrages. Une comédie de trois minutes avec une petite distribution et des lieux simples est un problème traitable. Un long métrage avec des dizaines de personnages, des changements de garde-robe et une mise en scène complexe ne l'est pas, du moins pas encore, sans qu'un humain révise bien plus de résultats que l'automatisation était censée en économiser.

Ce que cela change pour les budgets de production

L'économie change d'une manière précise. Quand un court métrage coûte quelques dollars de calcul et un après-midi d'orchestration, la contrainte cesse d'être l'argent et devient la clarté du brief. La contribution humaine qui survit consiste à savoir ce que l'on veut et à pouvoir l'exprimer avec suffisamment de précision pour qu'un agent puisse le vérifier.

Cela soulève aussi une question de gouvernance. Un agent qui écrit un scénario, le met en images, juge son propre résultat et retourne les échecs prend des décisions créatives sans personne dans la boucle. La boucle de contrôle qualité rend le résultat plus fiable, et cela signifie aussi que les propres standards du modèle définissent à quoi ressemble « terminé ».

Les projets de cette semaine sont des démos, et leurs chaînes d'outils sont en partie non divulguées. Mais la direction est cohérente. La génération est bon marché, l'orchestration est le produit, et ce qui détermine si un pipeline est utile, c'est s'il peut savoir quand il a échoué.