エージェントが今週、短編映画を監督し始めた。ボトルネックは品質管理に移った。

ある開発者が10月5日、『The Clockwork Moth』というアニメーション短編が、単一のRTX 5090上で動作する14エージェントのパイプラインによってエンドツーエンドで制作されたと明かした。パイプライン時間は約10分で、9つのシーンにまたがる106ショットをカバーし、繰り返し登場する4キャラクターに対して19のシーン状態を扱った。自動QAは102件中102件のチェックに合格した。アセットバンドルは2.4GBになった。ツールチェーンは開示されなかった。

興味深いのは、実行時間とはほとんど関係がない。際立つのは、開発者が難しい問題はどこにあったと述べたかだ。ショットをまたいでキャラクターの同一性を一貫させることと、品質管理を自動化すること。最初のフレームではない。

その判断は、同じ週の2つ目のプロジェクトとも一致する。あるRedditユーザーが『DOGNAPPED』を公開した。これは3分間のしゃべる犬コメディで、ほぼすべてをClaudeが、オープンソースのVideo Builderノード上に構築されたComfyUIセットアップ内でClaude Codeを実行して制作した。人間が提供したのは、ブリーフ、実在する2匹の犬の参照写真、そしてツール群だった。Claudeは物語を書き、3匹目の犬キャラクターを考案し、場所とキャラクターの参照を生成し、ショット指示付きの22シーンからなる脚本を書き、MiniMax H3を通して各シーンを動画・声・効果音としてレンダリングし、MiniMax Music 3でスコアを作曲し、映画を編集した。レンダリングにはおよそ4時間半かかった。

その後、モデルは自ら再撮影を実行した。QAループはすべてのセリフを脚本と照合して文字起こしし、声のピッチを確認し、フレームとカットをレビューし、フレーム精度の音声・映像同期チェックを実行した。子犬が意味不明に鳴いたり、犬がカメラを見つめたりした箇所では、シーンを再撮影した。

なぜQAループが本題なのか

説得力のあるショットを1つ生成するのは、デモが日常的になるほど解決済みの問題だ。106個のショットを組み上げ、そのすべてで同じキャラクターが同じキャラクターに見えるようにするのは、そうではない。

アイデンティティ・ドリフトは、長編AI動画を破綻させる失敗モードだ。単独ではキャラクターをうまく描画するモデルでも、ショットをまたぐと顔や衣装、生え際を変えてしまう。生成のたびに分布から新たに引き直されるからだ。通常の対策は、参照コンディショニング、特定キャラクターで訓練したLoRA、手動選択だ。いずれも、パイプラインが本来取り除くはずのまさにその地点で、人的労働を追加する。

自動QAはもう半分だ。映像を生成しても、良い出力と悪い出力を判別できないパイプラインは、レビューの負担を人間に移す。そして100ショットをレビューする人間は、このアプローチ全体が排除しようとしていたボトルネックそのものだ。DOGNAPPEDのワークフローは、脚本を検証のオラクルに変えることでこれに対処した。各行を文字起こしし、書かれた内容と比較し、ピッチを確認し、同期を確認し、失敗にフラグを立て、再レンダリングする。これは「許容可能」のプログラム的な定義であり、人間がすべてを視聴する必要はない。

その週を貫くパターン

いくつかのプロジェクトが同じ形に行き着いた。konteというハンドルのユーザーは、Claude Codeをエグゼクティブ・プロデューサーに仕立て、単一のRTX 5090上で2分54秒のミュージックビデオを生成した。61ショット、342タスク、人間の関与は約2時間、生成は約4時間半だった。ショットは曲のテンポとビートに合わせて書かれ、カットは音楽に乗るように配置された。

別のルートはテキスト・トゥ・ビデオを完全に飛ばした。Claude Opus 5.5がすべてのフレームとすべての音楽のコードを書き、『I Have Never Seen the Sun』という短編を制作した。プロンプトは3〜5分の映画祭向け作品として組み立てられていた。

最後のアプローチは、この分野における実際の分岐点を示している。コード生成されたモーションは決定論的だ。フレーム420がおかしければ、コードを変えてフレーム420を再レンダリングする。拡散動画は確率的だ。ショットがおかしければ、引き直して望みをかける。キネティック・タイポグラフィ、UIアニメーション、チャート、ロゴ・リビールのような設計されたモーションでは、決定論的な道のほうが強い。フォトリアルな人間、有機的な演技、実世界の物理では、拡散モデルが依然として勝つ。コードは、一度もモデル化したことのないものをシミュレートできないからだ。

この変化を支えるツール群

これらのプロジェクトに共通する糸は、生成パイプラインに組み込まれたコーディング・エージェントだ。Video Builderノード、カスタムComfyUIグラフ、APIを通じてオープンモデルを呼び出すエージェント・スキルは、言語モデルに開発者と同じレンダリングへのアクセスを与える。モデル自体が動画モデルである必要はない。必要なのは、動画モデルを動かすコードを書いて実行できることだ。

だからこそコスト構造はこのようになる。ある公開されたセッションでは、クリエイターが7,000枚を超えるMidjourney画像とSunoのトラックをClaude Opus 5.5に与え、約2時間続く自律的なクリエイティブ・セッションをおよそ6.80ドルで実行した。DOGNAPPEDプロジェクトでは、支配的なコストはAPI呼び出しではなくローカルでのレンダリング時間だった。ベースモデルがオープンウェイトで、オーケストレーションがコードであれば、実験の限界費用は崩壊する。

スキルには二次的な影響もある。人間に残る仕事は、タイムラインを操作したりレンダーを目で確認したりすることから、自動チェッカーが出力が要件を満たしたか判断できる程度にブリーフを正確に指定することへ移った。今週出荷されたすべてのプロジェクトは、どこかで受け入れ基準をコード化している。パイプラインは「もっと良くして」では反復できないからだ。

まだうまくいかないこと

デモは自らの限界について正直であり、その限界は一貫している。キャラクターの同一性は数ショットなら保つが、数十ショットになるとドリフトする。だから参照コンディショニングとキャラクターごとのアダプターが標準になる。長い時間軸の構造は脆い。30秒間は一貫して見える映画も、3分目には空間的・時間的一貫性を失いかねない。そして自動QAは、チェックするよう指示されたものしかチェックできない。つまり、セリフと同期を検証するパイプラインは、誰もチェックを書いていない連続性エラーのあるシーンを平然と通過させる。

これらの制約は、今週出荷されたプロジェクトがなぜ短編だったかを説明する。少人数のキャストと単純なロケーションによる3分間のコメディは扱いやすい問題だ。数十人のキャラクター、変化する衣装、複雑な舞台構成を備えた長編は、少なくとも今は、自動化が節約するはずだった以上に多くの出力を人間がレビューしない限り、そうではない。

制作予算にとって何が変わるか

経済性は特定の方向に変化している。短編映画が数ドルのコンピュートと午後1回分のオーケストレーションで済むようになると、制約はお金ではなく、ブリーフの明確さになる。生き残る人間の貢献は、自分が何を望んでいるかを知り、エージェントが検証できる程度に正確にそれを言えることだ。

これはガバナンスの問いも提起する。脚本を書き、レンダリングし、自らの出力を判定し、失敗作を再撮影するエージェントは、人間がループに入らないまま創造的な決定を下している。QAループは出力をより信頼できるものにするが、それはモデル自身の基準が「完了」のかたちを定義することをも意味する。

今週のプロジェクトはデモであり、そのツールチェーンは一部しか開示されていない。しかし方向性は一貫している。生成は安価であり、オーケストレーションが製品であり、パイプラインが有用かどうかを決めるのは、自らが失敗したときにそれを認識できるかどうかだ。