Perché i video generati dall'IA sono ancora ben lontani dall'essere automaticamente cinema

Il salto dal clip alla scena non è un passo graduale

La qualità dell'immagine ha fatto grandi progressi, questo è indiscutibile. OpenAI descrive Sora 2 come un “big leap forward in controllability” in grado di seguire “intricate instructions spanning multiple shots” “while accurately persisting world state” (OpenAI, “Sora 2 is here”). Nel suo rapporto tecnico, Google DeepMind attribuisce persino al proprio modello un “bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles” (Veo 3 Technical Report). Chi vede questi clip per la prima volta ha facilmente l'impressione che il mestiere del fare cinema sia ormai in gran parte risolto.

Ma è proprio questa impressione a trarre in inganno. Un film non è una sequenza di belle immagini singole, bensì una catena di decisioni controllate che devono combaciare attraverso decine di inquadrature, scene e fasi di produzione. Un personaggio deve essere lo stesso personaggio nell'inquadratura successiva, lo sguardo deve puntare nella direzione giusta perché funzioni un campo/controcampo, e un oggetto di scena non può sparire tra un campo lungo e un primo piano. Queste esigenze sembrano banali, ma sono il vero nucleo del mestiere – ed è proprio qui che i modelli generativi incontrano una soglia più alta della semplice qualità dell'immagine.

Si possono distinguere cinque livelli che spesso vengono confusi: l'impressionante clip dimostrativo, la scena cinematografica controllabile, il processo di produzione ripetibile, il film completo e la serie narrata a lungo termine. Ognuno pone esigenze più rigorose di coerenza e controllo rispetto al precedente; un modello che padroneggia brillantemente il primo non dice quasi nulla sul quinto.

La continuità è la vera prova, non la risoluzione

Il progresso in fatto di coerenza è reale e merita riconoscimento. Runway promuove Gen-4 per la capacità di generare “consistent characters, locations and objects across scenes” – e per giunta “with just a single reference image of your characters” (Runway, “Introducing Runway Gen-4”). Il conditioning per riferimento e per personaggio ha trasformato il settore: si può fissare un personaggio e richiamarlo da prospettive diverse. The Verge riassume l'annuncio con sobrietà: Gen-4 dovrebbe offrire “enhanced ‘continuity and control’”, mentre i video di IA “often face challenges in sustaining coherent storytelling” (The Verge).

La ricerca, tuttavia, mostra quanto sia profondo il problema. Una recente rassegna sulla controllabilità rileva che “text prompts alone are often insufficient to express complex, multi-modal, and fine-grained user requirements” – ed è per questo che si esplorano segnali aggiuntivi come il movimento di camera, le mappe di profondità e la posa del corpo (Ma et al., “Controllable Video Generation: A Survey”). Una seconda rassegna sulla coerenza spazio-temporale nomina apertamente le classi di errore tipiche: “subject swapping”, “object teleportation”, “unnatural jumping”. E per i formati lunghi vale: “Existing generation models typically struggle to effectively capture such long-range dependencies, lacking the dynamic modeling and spatiotemporal memory capabilities required for complex and extended-duration relationships” (Survey: Spatiotemporal Consistency in Video Generation).

Le esigenze diventano concrete appena si guarda al dettaglio. La continuità di costumi e oggetti di scena richiede che un oggetto rimanga esattamente identico da un ciak all'altro – ma la rassegna sulla coerenza elenca “subject swapping” e “object teleportation” tra gli errori tipici (Survey: Spatiotemporal Consistency in Video Generation). Quanto al movimento del corpo e all'anatomia, secondo il fornitore Sora 2 è “more physically accurate” e fa rimbalzare un tiro sbagliato sul tabellone invece di teletrasportarlo, pur ammettendo di essere “far from perfect” (OpenAI, “Sora 2 is here”); la ricerca chiede qui che la “motion trajectory … conforms to physical laws” (Survey: Spatiotemporal Consistency in Video Generation). Per le scene di dialogo, secondo i rispettivi fornitori Sora 2 e Movie Gen offrono audio nativo e sincronizzato; per Sora 2 OpenAI cita espressamente “synchronized dialogue and sound effects”, cosa che migliora nettamente la sincronizzazione labiale (OpenAI; Meta, “Movie Gen”). Altra cosa è se enfasi, tempo e coloritura emotiva di una battuta siano dirigibili con precisione: i rapporti sui modelli documentano la sincronizzazione, non il controllo fine della prestazione vocale. Il limite si manifesta con la massima chiarezza nella finezza emotiva e nelle scelte recitative controllabili: in “Here” gli attori reali hanno sostenuto “every single one of the character performance moments”, e il tentativo con controfigure è fallito perché “it wasn't the soul of the actor that was there” (befores & afters, “‘Here’: A test with Tom Hanks”).

A ciò si aggiunge la dimensione del linguaggio cinematografico, di rado presa in considerazione. Quando il rapporto su Veo 3 attribuisce al modello un “bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles” (Veo 3 Technical Report), il punto è proprio questo: tagli o angolazioni drammatiche frequenti non sono ancora una regia precisa. Il campo/controcampo, il raccordo di movimento, l'asse d'azione, sguardi puliti e il ritmo di una sequenza vivono di una copertura controllabile e di inquadrature ripetibili, non di attraenti tagli casuali. Un generatore che sceglie belle angolazioni non sostituisce dunque una regia che mantiene la stessa angolazione in modo consapevole e riproducibile attraverso più inquadrature.

È esattamente ciò che separa tra loro le categorie tecniche. Il text-to-video genera a partire da una descrizione, l'image-to-video anima un'immagine iniziale, il video-to-video trasforma materiale esistente, i world model trasportano stati nel tempo, la shot extension prolunga i clip – e i flussi classici di VFX e compositing restano la cornice in cui gli elementi generati vengono assemblati in modo controllato e giuridicamente sicuro. Generative Extend di Adobe, per esempio, prolunga una ripresa “up to two seconds for video and ten seconds for audio” e contrassegna sempre le immagini generate “so you know exactly where the original footage ends and created frames begin” (Adobe, “Generative Extend”). È uno strumento di montaggio preciso – e allo stesso tempo un promemoria del fatto che qui parliamo di secondi, non di scene. Anche Movie Gen di Meta documenta per il suo modello più grande “a generated video of 16 seconds at 16 frames-per-second” in “1080p HD” con “synchronized audio” (Meta, “Movie Gen”). Impressionante – ma un lungometraggio si compone di migliaia di tali tasselli, che devono combaciare tutti tra loro.

Un esempio reale lo dimostra: l'IA sposta il lavoro, non lo sostituisce

Chi vuole credere che l'IA tolga il lavoro al set dovrebbe studiare la produzione di “Here” – espressamente come esempio ibrido di machine learning e VFX classico per l'editing della recitazione, non come un film generato tramite text-to-video. Per il film di Robert Zemeckis, Metaphysic e il supervisore VFX Kevin Baillie si sono occupati di “53-character minutes of full-face replacement” su quattro protagonisti, in parte in inquadrature “up to four minutes” (befores & afters, “‘Here’: A test with Tom Hanks”). La CGI classica non era un'opzione: “It was obvious that there was no way we could use traditional CGI methods to do this”, secondo Baillie – troppo costosa, troppo lenta, con il rischio dell'uncanny valley.

Il punto decisivo è quanto lavoro manuale specializzato abbia richiesto l'IA. Per ogni attore sono state addestrate più reti neurali su set di dati curati – Tom Hanks “at 18, at 30, at 45” –, con gli ingegneri costretti a combattere attivamente l'“identity leak” perché non comparisse “Tom's brother or cousin”. Anche gli assi dello sguardo sono stati un tema costante, perché le reti tendevano a guardare “magnetically” nell'obiettivo; casi limite come un bacio hanno dovuto essere “backstopped” con trucchi classici. La conclusione di Baillie è chiara: “All these limitations of the AI tools, they need traditional visual effects teams who know how to do this stuff to backstop them and help them succeed” (befores & afters).

Ma soprattutto la recitazione è rimasta umana. Wired e Variety ne documentano il nucleo: un sistema in tempo reale su due monitor permetteva agli attori di verificare e correggere immediatamente la propria interpretazione ringiovanita – uno strumento per i creativi, non un loro sostituto (Wired, “The $50 Million Movie ‘Here’”; Variety). “Here” dimostra che l'IA sta arrivando nella produzione – e quanto sforzo iterativo e altamente specializzato resti necessario perché un risultato regga.

Controargomentazioni, limiti e rischi

Si può obiettare a ragione che i confini si sono spostati nel 2025/2026 – ed è vero. Per la serie “El Eternauta”, Netflix ha impiegato per la prima volta l'IA generativa in una produzione originale; secondo il co-CEO Ted Sarandos, la sequenza VFX del crollo di un edificio è stata realizzata “10 times faster than it could have been completed with traditional VFX tools and workflows” (The Guardian). Questa cifra è una dichiarazione dell'azienda e si riferisce a una singola sequenza. Significativo è anche come sia stata ottenuta: l'unità Eyeline di Netflix, per sua stessa ammissione, non ha utilizzato tecnologia di modelli propria, bensì “commercially available video diffusion models under enterprise licenses” – integrati in una pipeline VFX classica (TheWrap).

Anche l'immagine dei festival inganna facilmente. L'AI Film Festival di Runway è cresciuto da “merely 300 submissions” nel 2024 a “6,000 entries” nel 2025, e “Total Pixel Space” di Jacob Adler ha vinto il Grand Prix (The Hollywood Reporter; Runway AIFF Screening Room). Ma i lavori presentati erano “varying in quality”, spesso “dream-like, experimental”, segnati da “constraints on sound and the portrayal of real people” (The Hollywood Reporter).

Restano i limiti duri. Controllabilità non significa controllo: anche un modello pubblicizzato come “more controllable” non segue le indicazioni alla perfezione, e le istruzioni fini possono deviare – OpenAI stessa ammette per Sora 2 che è “far from perfect” e commette “plenty of mistakes” (OpenAI, “Sora 2 is here”). Il rapporto su Veo 3 cita “small hallucinations that mark videos as clearly fake” (Veo 3 Technical Report). Editabilità, controllo di versione e riproducibilità – vitali per qualsiasi produzione – sono a malapena garantiti con i generatori puri; “Here” li ha risolti solo con strumenti Nuke costruiti su misura e “neural animators”. E l'utilizzabilità giuridica varia molto: Adobe si vanta di essere “only trained on content where Adobe has permission … never on Adobe users' content” (Adobe), mentre il modello precedente di Runway è stato criticato per l'addestramento su “scraped YouTube videos and pirated films” (The Verge). Il fatto che OpenAI, secondo la sua stessa pagina, annunci che “as of April 26, 2026, the Sora product is no longer available” riguarda il prodotto consumer (l'app Sora) e non necessariamente il modello sottostante o la disponibilità della sua API; ricorda comunque quanta poca sicurezza di produzione offra un prodotto consumer (OpenAI).

Conclusione: lo spettacolo è una capacità, il controllo un'altra

Il bilancio onesto non è né euforia né rifiuto. Immagini di riferimento, controllo della camera, tracce audio native e strumenti di shot extension hanno trasformato curiosità tremolanti in seri moduli di produzione. Fanno risparmiare tempo, aprono budget e ampliano ciò che si può raccontare – “El Eternauta” e “Here” lo mostrano concretamente. Ma non spostano la soglia vera: un buon film non nasce dove un'immagine è bella, bensì dove mille decisioni attraverso inquadrature, scene e mesi combaciano tra loro e restano ripetibili. Proprio questo – coerenza dei personaggi, assi dello sguardo, raccordo, recitazione controllabile, stati di versione puliti – è la soglia più alta che i modelli generativi non superano ancora da soli. La domanda interessante per i prossimi anni non è dunque se l'IA faccia bei video. Questo lo sa fare da tempo. La domanda è se impari a raccontare in modo controllato. Fino ad allora vale: un clip impressionante è una promessa, non un film.