Diario di una troupe di agenti AI che fa cinema

Episodio 1 — Premi play (e aspetta)

Lo confesso subito, così ce lo togliamo dai piedi: il sogno era un pulsante.

Un bottone solo, verde, con scritto PLAY. Tu gli dai una sceneggiatura, premi, e dall’altra parte esce un film. Niente troupe, niente set, niente attori che fanno i capricci sul catering. Testo entra, cinema esce. Il Nespresso del cinema.

Non è (ancora) andata così. E tutto questo diario sta dentro a quell’ancora.

Il sogno e il presente

L’obiettivo vero, quello che non ho mai abbandonato, resta il pulsante: un software che prende una sceneggiatura e la trasforma in video, da solo, dall’inizio alla fine. È il faro all’orizzonte. Solo che, arrivato sul posto, ho scoperto una cosa che chiunque ci abbia provato sul serio sa benissimo: oggi, l’intervento umano non è un ripiego. È la parte preziosa.

Non perché la macchina sia stupida — non lo è — ma perché lasciata correre da sola prende mille piccole decisioni estetiche al posto tuo, in silenzio, e quando arrivi alla fine ti ritrovi un film diretto da qualcuno che non sei tu. Magari un film carino. Ma non il tuo.

Da qui il nome di questo diario.

Il centauro

Negli anni ’90, dopo che Deep Blue asfaltò Kasparov a scacchi, qualcuno ebbe un’idea: e se invece di umano contro macchina, mettessimo umano più macchina? Nacquero i tornei “centauro”: un giocatore in carne e ossa affiancato da un motore di analisi. Risultato sorprendente — il centauro batteva regolarmente sia il miglior umano da solo, sia il miglior software da solo.

Non perché l’umano calcolasse meglio del computer (figuriamoci), ma perché sapeva quando fidarsi del calcolo e quando mandarlo a quel paese. La macchina proponeva, l’umano sceglieva.

Questa pipeline è costruita esattamente così. L’AI fa l’artigianato pesante — struttura la sceneggiatura, progetta i personaggi, calcola le inquadrature, prepara i prompt — e poi si ferma e aspetta che io guardi. Il pulsante PLAY arriverà. Ma per ora il regista sono io, e la macchina è la troupe più paziente e instancabile che abbia mai avuto.

Quello che NON sto facendo

Qui devo essere chiaro, perché è la cosa che distingue questo progetto da gran parte di ciò che gira in rete.

Internet è pieno di gente bravissima che ti mostra la clip perfetta: cinque secondi di samurai sotto la pioggia, resa cinematografica impeccabile, e poi tre paragrafi su quanto è stato difficile far muovere bene la spada. Onore a loro. Davvero. Ma a me del samurai sotto la pioggia, in sé, non importa quasi nulla.

Non sto cercando di lucidare uno shot fino alla perfezione. Sto cercando di risolvere un problema diverso e, secondo me, molto più grosso: tradurre un concetto — una sceneggiatura intera — in cinema. Dall’idea al video, passando per ogni mestiere che ci sta in mezzo, in modo ripetibile.

Perché se riesci a tradurre un testo in un film senza impazzire, allora puoi tradurne mille. E lì i risvolti diventano enormi: episodi di una serie prodotti in catena, contenuti per bambini, video-lezioni che trasformano un argomento in un racconto per immagini. Non un giocattolo per fare la clip da postare. Una catena di montaggio per il racconto audiovisivo.

La clip perfetta è un punto di arrivo. A me serve un processo.

E voglio farlo a casa mia

C’è un secondo pilastro, accanto al centauro, ed è altrettanto testardo: voglio far girare tutto sul mio computer.

Niente fabbrica di film che dipende dal cloud di qualcun altro, dal suo listino prezzi che cambia ogni tre mesi, e — soprattutto — da qualcuno che decide al posto mio cosa posso e non posso generare (su questo tornerò, perché mi ha fatto sudare freddo più di una volta).

Le immagini e i video li genero già localmente, con ComfyUI sulla mia macchina. Sul fronte dei modelli linguistici sono ancora a metà del guado: per i ragionamenti più alti mi appoggio a DeepSeek, per quelli più meccanici a un modello open da 120 miliardi di parametri (GPT-OSS) via Groq. Ma la scelta non è casuale: sono modelli a pesi aperti, esattamente quelli che un domani potrò ospitare in casa. La rotta è quella — LLM in locale, e prima o poi anche le voci (il TTS) sotto il mio tetto. Sovranità sull’intera filiera. Il pulsante PLAY non voglio premerlo sul server di nessun altro.

I tre semafori rossi

Tornando al centauro: per tenere davvero il dito sull’interruttore, ho disseminato la pipeline di checkpoint umani obbligatori. Sono semafori rossi: la macchina ci arriva, si ferma, e non riparte finché non dico io. Tre principali:

CP1 — Approvazione visiva di personaggi e location. Prima che una sola immagine venga usata come riferimento per il resto del film, io la guardo. Se Hansel non è il mio Hansel, si torna indietro. È il checkpoint più importante e il più intransigente.

CP2 — Approvazione dei keyframe. Ogni inquadratura nasce da un fotogramma-seme, un’immagine ferma. Approvo i fotogrammi prima che diventino movimento — perché correggere un’immagine costa centesimi, correggere un video costa tempo, crediti e bestemmie.

CP3 — Casting vocale. Le voci e il fraseggio passano da me prima di diventare definitivi. (O almeno, questo era il piano: l’audio è il reparto che ha preso la strada più tortuosa. Strada facendo ho accantonato — per ora — l’idea di una voce sintetica dedicata, lasciando il sonoro al modello che anima. Con risultati su cui sarò molto onesto nell’episodio 6.)

La regola che non si tocca

C’è una frase che ho scritto il primo giorno e che è diventata la costituzione del progetto:

Mai generare video su un riferimento non approvato.

Sembra ovvia. Non lo è per niente. La tentazione di saltare il checkpoint è continua — perché aspettare annoia, perché “tanto è già abbastanza buono”, perché generare costa poco e si può sempre rifare. Ogni volta che ho ceduto, l’ho pagata a valle con gli interessi: dieci video da rifare perché il personaggio di partenza era sbagliato. Il checkpoint non è burocrazia. È l’assicurazione sulla vita del film.

Perché non un solo modellone

Domanda legittima: perché non dare tutto a un unico modello gigante e lasciarlo fare?

Perché un film non è un compito. È una catena di mestieri diversi — lo sceneggiatore, lo scenografo, il direttore della fotografia, il fonico, il montatore — e nelle produzioni vere quei mestieri sono persone diverse. Non per vezzo: perché ognuno richiede attenzione totale al proprio dominio. Un direttore della fotografia che pensa anche al doppiaggio fa male entrambe le cose.

Quindi invece di un tuttologo mediocre, ho costruito una troupe di agenti specializzati: ciascuno bravissimo in una cosa sola, ciascuno bellamente cieco rispetto al lavoro degli altri.

Di chi sia fatta questa troupe — chi legge la sceneggiatura, chi disegna i volti, chi decide le inquadrature, chi fa il vigile e controlla che gli altri non si contraddicano — parla il prossimo episodio.

Per ora resta il principio, che è anche la promessa: la macchina propone, l’umano dispone. Il pulsante verde è lì in fondo. Ci arriveremo. Ma quando lo premerò, sarà perché mi fido della troupe — non perché ho smesso di guardare.

Prossimo episodio: la troupe. Undici mestieri, nessun corpo.

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