Seedance の新エージェント曰く、モデルは製品ではなかった

Volcano Engine は 10 月 21 日、Seedance Managed Agent を投入した。Seedance と Seedream モデルの上に載る映像制作エージェントで、宣伝文句は「これは何ではないか」という点について、珍しいほど具体的だ。

モデル API ではない、と。この線引きはベンダー自身がしている。モデル API は、1 回のリクエストに 1 枚の画像か 1 カットを返す。実際の仕事はそういう形をしていない。実際の仕事とは、曖昧なブリーフを読み解き、参考を探し回り、素材を整理し、何度も生成し、上がってきたものがブリーフと合っているか確認し、またやり直すことだ。

Seedance MA は、その全部を包む外側の層だ。つまりこれは「この業界の価値はどこにあるのか」への賭けであり、他のみんなが黙って張っているのと同じ賭けでもある。

具体的に何が違うのか

このシステムは、生成モデルに自社開発の harness を組み合わせる。harness とは意図を解釈し、タスクを工程に分解し、コンテキストを管理するオーケストレーション層のこと。そこに制作手順を落とし込んだスキル群と、検索・合成・検証のためのツールが加わる。

ベンダー自身の説明でいちばん重要な言葉は「joint tuning（共同チューニング）」だ。harness は完成したモデルに後付けされたのではない。モデルと一緒に学習させている。だからモデルは「harness から来る指示はどういう形なら筋が通るか」を学び、harness は「このモデルには何を頼めて、何を頼めないか」を学ぶ。

これはよくあるやり方とははっきり違う。よくあるのは、モデルをプロンプトテンプレートで包んで、それを agent と呼ぶ。プロンプトテンプレートは、モデルがたった今出したものに合わせて変化できない。共同学習された harness なら、それができる。

数字と、それが何を測っているか

Volcano は、ショートドラマ・単体画像・画像セットの各シナリオで、モデルを直接使う場合に比べて総合品質が 17% 向上したと主張している。ただ、見るべきはその後の 4 つの内訳のほうだ。

脚本・絵コンテの不適合が約 67% 減。プロットの混乱が 54% 減。画像編集の一貫性問題が 50% 減。画像セットの一貫性問題が 60% 減。

これらの数字が何を測っているかに注目してほしい。画質を測っているものは一つもない。すべて「ズレ」の指標だ。モデルがそれなりに上手いことをやったが、頼んだことではない。あるいは 3 枚出したが、同じセットに見えない。

これは攻めるべき問題をちゃんと捉えている。商用案件を実際に殺すのはズレだからだ。絵が不細工なら、もう一回生成すればいい。「カット 6 がカット 2 と繋がっていない」は、手作業で連続性を作り直す以外に直せない。そしてその手作業こそ、この仕事で一番高い部分だ。

いつもの注記は必要だろう。これはベンダーの数字で、ベンダーが選んだ評価セット、ベンダーのハードウェア上でのものだ。ただ、反証可能なレベルまで具体的ではある。それだけでも大抵の発表よりましだ。

「harness」という言葉が選ばれているのには理由がある

この語彙はコーディングエージェントから借りている。偶然ではない。

この 1 年半のソフトウェア業界の教訓は、モデルはほぼコモディティで、harness こそが製品だということだった。同じモデルでも、harness が違えば出力品質は桁違いに変わる。Claude Code と、同じモデルを生の API で叩くのは、同じ道具ではない。

映像生成のほうは、その気づきに 1 年ほど遅れている。エコシステムの大半はまだ「より良い checkpoint が答えだ」と思っていて、だからこの分野はリーダーボードで勝って顧客を失うモデルを作り続けている。

harness 説が正しいなら、AI 動画における持続可能な資産はモデルの重みではない。蓄積されたスキルライブラリのほうだ。ブリーフをどうカットに割るか、テイクを受け入れる前に何を確認するか、40 本のクリップを通してキャラクターをどう保つか。そういう知識をコードにしたものだ。その知識はいま、ほぼ現役監督の頭の中にあり、最初にそれをソフトウェアにした者がこのカテゴリを取る。

買う側にとって何が変わるか

agent API は購入の単位を変える。トークンや秒数を買うのをやめ、成果物を買うようになる。

買い手にとって良さそうに聞こえて、実はもっと厄介だ。モデル API なら、1 枚あたりのコストを予測して予算を組める。agent だと、コストは「何回リトライすると判断したか」で決まり、それは「ブリーフをどれだけ雑に書いたか」で決まる。エージェント自身の仕事の出来に対する判断に、金を払っていることになる。

だから価格の議論は「1 生成あたりいくら」から「受け入れられた成果物 1 件あたりいくら」へ移る。契約もそうなるはずだ。承認された素材 1 点につき固定価格、修正ラウンド数は明記。代理店はずっとそうやって値付けしてきた。ソフトウェアがクリエイティブ業界で一番嫌われている構造を採用していく様子は、なかなか奇妙だ。

実務的な帰結はあと 2 つ。1 つはデバッグ可能性。モデルがダメな絵を出したら、プロンプトを書き直す。agent がダメな絵を出したら、プランニングが悪かったのか、参照検索が悪かったのか、受け入れ判定が甘かったのかを切り分けないといけない。新しいデバッグ技能で、まだ誰も持っていない。

もう 1 つはロックイン。制作プロセスをコード化した harness は、動かしにくいからこそ価値がある。同じ性質が、抜けにくくもする。

なぜ画像畑の人が一番気にすべきか

動画の外で本当に効いてくるのは、一貫性の数字のほうだ。

AI で製品カタログを作ったことがある人なら分かるが、本当の問題は 1 枚の美しい画像を作ることではない。同じ日に、同じスタジオで、同じ照明で撮ったように見える 20 枚を作ることだ。現状のワークフローは、参照画像 1 枚と、祈りと、大量の手作業のグレーディング。

一貫性の失敗が 50〜60% 減る。もしそれが本当に続くなら、「AI がメインビジュアルに使える」と「AI が 200 SKU のカタログに使える」の間の差になる。画質がもう一段上がるより、ずっと大きな商売の扉だ。

ベンダーに何を聞くべきかも変わる。「御社のモデルはどれくらい凄いか」ではなく、「1 バッチで、私が 1 枚ずつ直さなくていい画像を何枚出せるか」。制作マネージャーが実際に予算を組むときの数字はそちらだ。

この先どうなるか

いまや主要ラボはどこも自社モデルの上に agent レイヤーを載せている。Volcano は Seedance MA、Google は Flow、Adobe は Firefly agents、OpenAI は自社ホストのワークフロー。パターンの収束が速すぎて、モデル自体が発表の中で一番退屈な部分になりつつある。

たぶん、それで正しい。最高の画像モデルと 5 番目の差は小さく、縮んでいる。一貫した素材を 200 点安定して納品できるスタジオと、できないスタジオの差は巨大で、それはどの checkpoint をロードしたかとはほとんど関係がない。

Seedance MA は、その差こそが金の在りかだという賭けだ。退屈な賭けで、たぶん正しい。