Un agent a monté une vidéo 4K dans Blender et l'a rendue sur 10 GPU en 51 minutes pour 5,75 $

Habituellement, une vidéo 3D dans le style publicitaire demande des jours de travail : modélisation, animation, éclairage, ferme de rendu, son. La chaîne Telegram « Tochki nad II » (« Les points sur les i de l'IA ») a partagé une vidéo entièrement réalisée par un agent basé sur Fable 5.2 à partir d'un seul prompt. Résultat : du 4K, 51 minutes de rendu et 5,75 $ de dépenses. Voyons ce qui s'est réellement passé et ce que l'on peut en retirer pour son propre travail.

Ce que l'agent a réellement construit

Le prompt demandait peu de choses : créer dans Blender une pièce avec un ordinateur portable où se déroulent des scènes de « vibe coding », comme dans la publicité d'Anthropic, montrer la mascotte Clawd et tout rendre sur RunPod. L'agent a ensuite agi de façon autonome.

Il a d'abord écrit un script Python qui a construit toute la scène : la pièce, un MacBook doté de 77 touches distinctes et Clawd lui-même. Blender se pilote en Python ; pour l'agent, il s'agit donc d'une tâche de code ordinaire : écrire le texte, l'exécuter, examiner le résultat.

Le détail le plus élégant, c'est l'écran. Le modèle a lui-même codé une page web, l'a enregistrée image par image en 1 345 images et l'a plaquée sur le capot de l'ordinateur. Les touches s'enfoncent exactement à l'image où la lettre correspondante apparaît à l'écran. En pratique, l'agent a synchronisé deux couches : le contenu de l'écran et la physique du clavier. Ce sont précisément ces petits détails qui distinguent un travail soigné d'un « ça ira comme ça ».

Les chiffres et l'architecture du pipeline

L'échelle est ensuite montée d'un cran : 13 caméras, un soleil simulé du coucher au lever, et un rendu en 4K sur dix cartes graphiques louées. Le tout a pris 51 minutes et coûté 5,75 $. La musique et les sons ont été générés par le modèle via ElevenLabs.

Il faut bien observer la structure. L'agent ne « dessine pas la vidéo » avec un réseau de neurones : il orchestre des outils classiques. Le code construit la scène, le développement web fournit le contenu de l'écran, des GPU dans le cloud se partagent le rendu lourd, et un service distinct produit le son. Cette approche diffère fondamentalement de la vidéo générative. Chaque élément de la scène reste un objet dans le script, que l'on peut modifier : changer la couleur des murs, supprimer une caméra ou réécrire le texte de l'écran, puis relancer le rendu sans tout reconstruire.

Pour un product manager ou un fondateur, l'économie est l'enjeu clé. Une vidéo avec 13 angles de caméra et un rendu 4K coûte quelques dollars de location de cartes graphiques et environ une heure d'attente. Quand la production devient aussi peu chère, le goulot d'étranglement n'est plus le rendu, mais l'idée et le goût.

Limites et enseignements pratiques

Parlons maintenant honnêtement des limites. Il s'agit d'un seul post Telegram, pas d'une expérience reproductible. On ne sait pas combien d'essais et de corrections ont été nécessaires, comment l'agent a vérifié le résultat, ni si les 5,75 $ incluent le coût des tokens du modèle. Il s'agit probablement d'une exécution réussie, et non d'une exécution moyenne. Le post ne donne aucun détail technique sur Fable 5.2, et à la fin l'auteur lui-même demande si quelqu'un a essayé de piloter Blender via un agent sur le nouveau modèle. La reproductibilité n'est donc pas encore confirmée.

Que faire concrètement ? Premièrement, examinez vos outils programmables : de nombreux éditeurs 3D, de CAO, de vidéo et de graphisme disposent d'une API de script, ce qui permet d'en faire un environnement de travail pour un agent. Commencez par une petite scène de trois ou quatre objets et une seule caméra afin de repérer où l'agent se trompe. Deuxièmement, intégrez le rendu cloud dès le départ : la location en parallèle de plusieurs GPU pendant une heure n'a coûté que quelques dollars dans cet exemple. Troisièmement, demandez à l'agent d'enregistrer les résultats intermédiaires et les scripts dans un dépôt, afin que la scène puisse être modifiée et versionnée comme du code ordinaire.

Le signal principal ne tient pas aux 5,75 $, mais au type de tâche. L'agent a mené à son terme une longue chaîne mêlant code, mise en page, calcul dans le cloud et son, sans exiger de travail manuel de la part d'un humain entre les étapes. Pour l'instant, il s'agit d'une démonstration isolée, mais ce sont précisément ces cas qu'il faut reproduire sur ses propres données avant de bâtir un produit dessus.