Am cerut unui agent AI un clip de 15 secunde cu pătrățele, în stilul clipurilor cu milioane de vizualizări. A ieșit din prima. Arăta bine. Am pus un al doilea AI, care nu știa nimic despre primul, să-l compare cu referințele: 8 puncte din 100.
Au urmat 15 runde până la varianta care s-a publicat. Articolul acesta e despre ce se întâmplă în cele 15 runde — pentru că exact acolo se vede diferența dintre „AI-ul îmi face treaba” și „AI-ul îmi face treaba bine”.
Pe scurt
- Prima variantă generată de AI părea bună și a primit 8 din 100 de la un evaluator independent. Diferența dintre impresie și verdict este toată povestea.
- Au fost necesare 15 runde de corecție, cu un judecător AI separat la fiecare rundă, care nu știa cine a construit clipul.
- Câștigul mare n-a venit din grafică, ci din structură: mutarea momentului-cheie la 83% din durată a urcat retenția estimată de la 56% la 65%.
- Al doilea clip, construit pe regulile învățate la primul, a fost gata în 50 de minute. Diferența nu e talentul agentului, ci evidența scrisă a greșelilor.
Aceeași scenă, patru runde diferite: runda 1, runda 11, runda 13 și varianta publicată.
De ce nu iese bine din prima, dacă AI-ul face toată munca?
Pentru că AI-ul construiește exact ce i-ai cerut, iar tu nu știi încă ce ai vrut cu adevărat. Prima scenă avea tot ce ceruse briefingul: cer, iarbă, copaci, un cuvânt care apare dintr-un perete săpat. Ca listă de bifat, era completă.
Problema e că un om care derulează pe telefon nu bifează liste. El vede în jumătate de secundă că iarba arată ca o tablă de șah și trece mai departe.
Agentul care construiește nu poate vedea lucrul acesta, din același motiv pentru care nu-ți corectezi singur textul: știe ce a vrut să facă, deci vede intenția, nu rezultatul. Așa că am schimbat regula: cine judecă rezultatul nu are voie să știe cum a fost făcut.
Cum arată un judecător AI care chiar folosește la ceva
La fiecare rundă, un agent pornit de la zero primea doar imaginile de referință și cadrele din clipul meu. Fără istoricul încercărilor, fără explicații, fără „am muncit mult la umbre”. Îi ceream un scor de la 0 la 100 și o listă de defecte în ordinea gravității.
Primele trei runde de critică independentă au dat același scor: 8, 8, 8. De fiecare dată se adăugase ceva ce părea important. De fiecare dată, evaluatorul se uita în altă parte și spunea același lucru: culorile blocurilor nu seamănă cu nimic real.
Verdictele se salvează cuvânt cu cuvânt, inclusiv cele usturătoare. Fără ele, la runda 9 s-ar fi reintrodus exact greșeala reparată la runda 6.
Cele 15 runde, pe scurt
| Rundele | Ce s-a schimbat | Scor independent |
|---|---|---|
| 1–3 | Umbrire pe fețe, font pixelat, textură, cadru mai strâns | 42% — dar auto-evaluat, deci nereal |
| 4–6 | Cameră care orbitează, umbre reale, contur pe cuburi | 8%, 8%, 8% — trei runde blocate |
| 7–8 | Textură la rezoluție joasă, o culoare per literă, reparat un bug de întuneric | 12% → 27% |
| 9–11 | Interfață de joc, sunet reparat, texturi stabilizate, scenă refăcută după o captură reală | 22% → 32% |
| 12–13 | Culori vii, moloz aliniat, poveste cu personaje, apus, artificii | 38% |
| 14 | Reparat un bug de randare vechi de câteva runde | 41% |
| 15 | Schimbată structura poveștii | 42% realism, 65% retenție |
Se vede în tabel un lucru care nu se vede în timpul lucrului: rafinările grafice au avut randament descrescător. Trei runde consecutive au produs exact același scor.
Unde era blocajul adevărat?
Nu în grafică. În structură.
Trei evaluatori independenți, în runde diferite, au spus același lucru cu vorbe diferite: momentul-cheie apărea la jumătatea clipului, iar a doua jumătate nu mai aducea nimic nou. Formularea lor, în engleză, era „the back half leaks viewers” — a doua jumătate pierde privitori.
Așa că s-a schimbat comanda: nu un clip mai frumos, ci un clip cu răspunsul ascuns. Săpătura dezvăluie acum o imagine care se recunoaște abia la 83% din durată. Marginile ies primele și induc în eroare, iar detaliul care lămurește totul apare ultimul.
Retenția estimată a urcat de la 56% la 65% — cea mai mare mișcare din tot ciclul, fără niciun pixel în plus.
Trei bug-uri pe care nici omul, nici agentul nu le-au văzut singuri
- „Iarba se mișcă aiurea.” Texturile se generau cu numere aleatoare la pornire, iar randarea rulează pe mai multe procese în paralel. Fiecare proces desena altă iarbă, deci suprafețele săreau de la un grup de cadre la altul. Reparația a durat mai puțin de o oră — dar trei runde s-a crezut că e o chestiune de stil.
- Picioarele animalelor pluteau deasupra corpului. Bug moștenit din trei runde, invizibil pentru că animalele erau mici și departe. S-a văzut abia când un porc a trecut aproape de cameră.
- Personajele se întrepătrundeau la îmbrățișare și citeau ca un singur personaj cu două perechi de picioare. Distanța dintre ele era mai mică decât lățimea corpului.
Niciunul nu s-ar fi văzut într-o previzualizare rapidă. Toate trei se văd instant pe telefon, la scară reală. De aceea verificarea se face pe cadre mărite, nu pe o privire aruncată în editor.
Rezultatul: cele două clipuri
Primul are cele 15 runde în spate. Este un joc de ghicit, în care răspunsul apare în ultimele două secunde:
Al doilea a fost construit pe regulile învățate la primul și a luat 50 de minute de lucru. Aici cârligul este muzica: întâi jingle-ul, apoi măsurarea ritmului lui (109 bătăi pe minut, cu punctul de intensitate maximă la secunda 4,25) și abia la final montajul — tăieturile de cameră cad pe bătăi reale, nu pe cifre rotunde.
Diferența de timp între cele două nu vine din faptul că agentul s-a priceput mai bine a doua oară. Vine din faptul că a moștenit un fișier cu tot ce mersese prost prima dată.
Ce NU rezolvă metoda aceasta
- Nu garantează vizualizări. Clipurile de referință măsurate au între 3,8 și 20 de milioane de vizualizări. Ale mele, deocamdată, nu. Ce s-a reprodus este metoda, nu rezultatul.
- Nu elimină omul din proces. Deciziile de gust — culori vii, un final festiv, ce poveste spui — au rămas ale mele la fiecare rundă. Evaluatorul spune ce nu merge, nu ce să faci.
- Nu e gratis ca timp. Generarea costă 0 $, pentru că randarea se face local. Orele de citit verdicte și de decis ce se repară, nu.
Ce se mută de aici în orice altă muncă cu AI
Partea de video e cea mai puțin importantă. Trei obiceiuri se mută oriunde:
Pune un judecător care nu știe nimic. Un al doilea agent, fără contextul construcției, vede ce primul nu poate. Costă câțiva cenți și îți spune adevărul înainte să-l afli de la piață.
Scrie capcanele, nu doar rezultatele. Fabrica are un fișier cu 61 de artefacte: fiecare test, cu ce l-a produs și dacă mai poate fi refolosit. De aceea al doilea clip a durat 50 de minute.
Măsoară înainte să imiți. Clipurile de referință n-au fost ascultate, ci măsurate: volum, distribuția frecvențelor, tempo, unde cade momentul de intensitate. Tiparul care iese dintr-o măsurătoare se poate reproduce; impresia „sună bine” nu.
Despre cum arată munca atunci când agenții duc partea mecanică am scris pe larg în ce rămâne pentru oameni când munca o fac agenții AI. Un alt experiment în care am pus AI-ul să construiască ceva de la zero, cu aceleași reguli de disciplină, este skill-ul AI de tarot.
Unde se termină articolul acesta
Dacă pui deja AI-ul la treabă și rezultatele sunt inegale, lipsa nu e la model. Lipsesc cele două piese din jurul lui: un verificator care nu are contextul tău și o evidență a ce s-a încercat deja. Amândouă se construiesc o dată și lucrează după aceea singure — și sunt primele lucruri pe care le montez la orice client.
Cum afli cât costă: îmi scrii ce faci acum manual și îți spun în două propoziții dacă se automatizează și cât ia. Dacă vrei mai întâi să înțelegi cum se conduce un agent AI ca să scoată ceva bun, cursul de AI pentru firme are patru ședințe și garanția banilor înapoi.
Sunt inginer, lucrez cu sisteme de 30 de ani și am scris SimpluSPV, folosit azi de firme și de contabili. Când spun că o metodă funcționează, arăt cifrele — inclusiv pe cele care nu-mi fac reclamă bună, ca acel 8 din 100 de la prima încercare.
Întrebări frecvente
Cât costă efectiv producția unui astfel de clip?
Generarea video costă 0 $, pentru că randarea se face local, cu cod. Sunetul a costat câțiva cenți prin API. Costul real este timpul de coordonare: aproape 17 ore la primul clip și 50 de minute la al doilea, după ce regulile erau scrise.
De ce nu ați folosit direct jocul, în loc să reconstruiți totul în cod?
Filmarea propriului gameplay este permisă explicit de producătorul jocului, dar extragerea fișierelor de textură și refolosirea lor în alt program nu este. S-a construit un motor separat, cu texturi desenate în același stil de rezoluție joasă — este calea permisă, și tot ea explică de ce scorul de „pare jocul real” s-a oprit la 42%.
Ce înseamnă „evaluator independent” în practică?
Un agent AI pornit de la zero, care primește doar imaginile de referință și cadrele candidate, fără nicio informație despre cine le-a făcut, câte încercări au fost sau ce s-a reparat între timp. Îi cer un scor de la 0 la 100 și o listă de defecte în ordinea gravității.
De ce un al doilea AI și nu un om?
Pentru că are nevoie de trei minute și de câțiva cenți, deci îl poți chema la fiecare rundă. Un om cu ochi buni valorează mai mult, dar nu-l poți deranja de cincisprezece ori pentru un clip de cincisprezece secunde. Cel mai bine funcționează amândoi: agentul filtrează greșelile evidente, omul decide direcția.
Merită efortul pentru o firmă mică?
Pentru clipuri, doar dacă publici constant. Ce merită indiferent de dimensiune este mecanismul: un verificator extern înainte de publicare și evidența a ceea ce ai încercat. Amândouă se aplică la oferte, la pagini de site și la orice text care ajunge la un client.
