Diario di una troupe di agenti AI che fa cinema

Episodio 2 — La troupe: undici professioni, nessun corpo

Nell’episodio scorso ho detto che non volevo un tuttologo, ma una troupe di specialisti. Ecco la troupe. Spoiler: non c’è il catering, e nessuno di loro ha un corpo.

L’intuizione di partenza è quasi banale, una di quelle cose che ti sembrano ovvie dopo: una produzione cinematografica è già un sistema multi-agente. Ci sono ruoli precisi, ognuno con le sue competenze, che si passano il lavoro in fila indiana. Lo sceneggiatore consegna allo scenografo, lo scenografo al regista, il regista al direttore della fotografia, giù giù fino al montaggio. Nessuno fa il mestiere dell’altro, e ognuno riceve solo ciò che gli serve per il suo pezzo.

Ho preso questa struttura e l’ho fatta diventare software. Ogni reparto è un agente: un modello linguistico con una sola responsabilità, un input preciso, un output preciso. Gli agenti non chiacchierano tra loro davanti alla macchinetta del caffè — si passano file strutturati, esattamente come in una produzione vera ci si passa documenti. A fare da direttore di produzione c’è uno strumento di automazione (n8n, nel mio caso) che decide chi lavora quando, raccoglie l’output di uno e lo serve al successivo, e tira il freno a mano ai checkpoint.

Una nota prima di iniziare le presentazioni: questi agenti girano su modelli a pesi aperti — DeepSeek per le teste pensanti, un modello open da 120 miliardi per i ruoli più meccanici. Non è snobismo open-source: è la stessa testardaggine dell’episodio scorso. Se voglio portare tutto in casa, devo scegliere attori che un domani posso assumere a tempo pieno sul mio computer, non divi che lavorano solo nel cloud di qualcun altro.

Ecco i reparti, nell’ordine in cui entrano in scena.

Lo Script Supervisor

Il primo della catena riceve la sceneggiatura grezza — testo libero, come lo scriverei di getto — e la trasforma in una struttura ordinata: scene, personaggi, dialoghi, luoghi, toni emotivi. Il suo unico comandamento è la fedeltà assoluta. Non inventa, non abbellisce, non aggiunge il colpo di scena che secondo lui mancava. Estrae quello che c’è e lo mette in ordine. È il documento da cui dipende tutto il resto, quindi la creatività, qui, è un bug. L’unico agente a cui chiedo esplicitamente di non avere idee.

Il Character Designer e il Location Designer

Due agenti che lavorano in parallelo. Il primo prende ogni personaggio e ne disegna l’identità visiva: corporatura, lineamenti, vestiti, proporzioni. Il secondo fa lo stesso con gli ambienti: che spazio è, com’è fatto, che luce ci vive dentro. A differenza dello Script Supervisor, questi due hanno il permesso di inventare — un personaggio descritto come “il padre, taglialegna, stanco” ha bisogno di una faccia, e qualcuno quella faccia la deve decidere.

Finito il loro lavoro scatta il primo semaforo rosso, CP1: guardo personaggi e location, genero le immagini di riferimento, approvo o rimando al mittente. Da qui in poi quei volti e quegli spazi sono congelati. Diventano Vangelo.

Il Character System Builder e gli Agenti Personaggio

Questa è la parte di cui vado più fiero, e quella che trasforma una banale catena lineare in qualcosa che assomiglia a una vera troupe.

Dopo che ho approvato i personaggi, un agente costruttore prende ogni scheda e la trasforma in un agente personaggio dedicato. Da quel momento Hansel non è più una riga in un file: è un collega che posso interrogare. Quando il regista, più avanti, deve sapere come si muove Hansel quando ha paura, o come tiene le spalle mentre mente per proteggere la sorella, non se lo inventa — lo chiede all’agente di Hansel. Ogni personaggio porta con sé la propria identità immutabile, il proprio arco emotivo scena per scena, il proprio modo di stare al mondo. È memoria condivisa, ed è ciò che impedisce a Hansel di cambiare faccia da un’inquadratura all’altra come un sosia mal riuscito.

Il Regista

Qui si fa sul serio. Il regista è l’agente più complesso di tutti — così complesso che a un certo punto l’ho dovuto spezzare in tre, perché chiedergli di fare tutto in un colpo era come chiedere a una persona di scrivere, dirigere e fotografare la stessa scena trattenendo il fiato. I tre lavorano in sequenza:

• uno fa il breakdown narrativo: spezza la scena in unità e decide quanti shot servono;
• uno fa la coverage: chiama le inquadrature vere e proprie — quante, di che taglia, da dove;
• uno fa la composizione: fissa il fotogramma di partenza e il movimento dentro ogni shot.

Il regista interroga gli agenti personaggio per ogni inquadratura, applica la grammatica del cinema (la regola dei 180°, il campo-controcampo, l’eyeline, la continuità di direzione — tutta roba che a violarla lo spettatore non sa perché, ma sente che qualcosa non torna) e sforna la lista shot. È l’agente a cui ho dedicato più notti, perché è quello dove un errore di logica non resta locale: si propaga su tutto il film.

Il Direttore della Fotografia

Riceve la lista shot e ci mette la luce: schema d’illuminazione, sorgente (motivata da ciò che esiste davvero nella location — niente sole a mezzanotte, grazie), direzione, temperatura colore, qualità delle ombre. Il suo chiodo fisso è la coerenza: la luce di uno shot deve reggere con quella dello shot accanto, altrimenti al montaggio si vede il salto.

Il Generatore di Keyframe

È il traduttore simultaneo. Prende tutto il lavoro registico e fotografico e lo converte nella lingua che il modello di immagini capisce. E qui succede una cosa importante: tutto il sistema, fino a questo punto, ragiona e scrive in italiano — è la lingua operativa della produzione. Ma i prompt che vanno ai modelli generativi sono sempre in inglese, perché è lì che quei modelli danno il meglio. Il generatore di keyframe è il doganiere tra le due lingue.

Il Voice Architect

Si occupa del versante audio: il fraseggio, il casting vocale, il doppiaggio. Nella visione originale era l’agente che alimentava il terzo semaforo rosso, CP3, dove sceglievo le voci. Dico nella visione originale perché è il reparto che più di tutti ha cambiato rotta strada facendo: per ora ho accantonato l’idea di una voce sintetica dedicata e lascio il sonoro al modello che anima il video. È anche quello che più di tutti aspetta di trasferirsi davvero in locale — una voce decente sul mio computer resta uno dei prossimi traguardi. Ne parlo a fondo nell’episodio 6.

Il Prompt Assembler, ovvero il vigile urbano

E poi c’è il guardiano. L’assembler prende gli output di tutti gli agenti precedenti e li fonde nel prompt finale di ogni inquadratura — ma prima fa il vigile. Una serie di controlli di conflitto: la luce è coerente con la location? La direzione dello sguardo regge tra uno shot e il successivo? Due reparti si stanno contraddicendo a vicenda?

Se trova un conflitto, blocca lo shot. Punto. Non fonde mai elementi che litigano tra loro. Meglio fermarsi cinque minuti che generare tre clip sbagliate e accorgersene dopo. È l’agente che incarna meglio di tutti la filosofia del progetto: l’AI che si controlla da sola prima di consegnare il lavoro.

Il Formatter

L’ultimo della fila, e il meno glamour. Non è per nulla creativo: impacchetta tutto in un documento pulito, pronto per la produzione. Pura formattazione, zero fantasia. Ogni troupe ha bisogno di qualcuno che metta i fogli in ordine, e questo è quello che deve fare il Formatter. 

Il principio nascosto: il codice fa il codice

C’è una regola trasversale che attraversa tutta la troupe e che ho imparato sbattendoci la testa (gli episodi prossimi sono un florilegio di esempi): gli LLM si usano solo per i compiti creativi. Tutto ciò che è calcolabile, lo calcola il codice.

Fondere due liste, derivare una posizione nello spazio, decidere quale parete fa da sfondo a un’inquadratura: non sono decisioni creative, sono operazioni meccaniche. Se le deleghi a un modello linguistico, prima o poi te le sbaglia — e qui sta il bello, te le sbaglia in modo diverso ogni volta, che è infinitamente peggio di sbagliarle sempre uguale. Un modello linguistico è come uno stagista geniale che però, ogni tanto, lavora sotto effetto di funghi: lo paghi per le idee, non per tenere la contabilità. Quindi il codice fa il codice, e l’LLM fa l’arte. Ogni volta che ho confuso i due ruoli, l’ho pagata.

La teoria era pulita

Undici mestieri, una catena, tre semafori. Sulla carta funzionava benissimo. Avevo i diagrammi, le specifiche, i ruoli separati con il righello. Sembrava ingegneria seria, di quella che fa colpo nelle slide.

Poi ho premuto “esegui” sul primo film vero. E le scene hanno cominciato a sparire.

Non a dare errore — a sparire. In silenzio, una qui e una là, come membri della troupe che timbrano il cartellino e se ne vanno senza dire niente a nessuno. Il sistema non batteva ciglio: cinque scene in entrata, quattro in uscita, e nessuno che alzasse la mano.

Di come ho passato i giorni successivi a dare la caccia alle scene scomparse parla il prossimo episodio.

Prossimo episodio: i primi bug. Dati che spariscono nel nulla.

Sono Massimo, di Mondo Digitale, Bologna. Progetto e orchestro sistemi multi-agente su n8n per la produzione audiovisiva. Se è il tuo campo – o cerchi qualcuno che lo faccia – scrivimi: info@mondodigitale.com