10のAIクルーが映画を作ったら、エージェントのチームワークについてわかったこと

Googleが2026年7月に公開したブログ記事「What 10 autonomous film crews taught us about agent teamwork」では、社内ハッカソンで行ったユニークな実験の全容と、そこから得られたマルチエージェント協調の知見が詳しく紹介されています。本記事ではその内容を整理し、ポイントを解説します。

実験の概要：「AIエージェントだけで短編映画は作れるか？」

この問いに答えるため、Google内部の生成AIハッカソンで10組の完全自律型クルーが編成されました。各クルーは3体のAIエージェントで構成され、メッセージと共有ファイルを使って映画制作を進めます。エージェントたちはScionというオープンソースのマルチエージェント統合テストベッド上で動作しました。
ソフトウェア開発と違い、映像制作や構図といった領域はAIエージェントにとって馴染みが薄く、チェックや関門を設けながらどこまでプロジェクトを完遂できるかが試されました。
結果として、全10作品の短編映画が完成。さらに、別のエージェントによるドキュメンタリークルーが制作過程を“撮影”し、そのドキュメンタリー自体がハッカソンで入賞するという成果も生まれました。実験を通じて数百のエージェントインスタンスが生成され、パイロット版と本番を合わせて25本以上の作品、合計約44分の映像が納品されています。

チーム構造と7ステップの制作パイプライン

各クルーは以下の3つの役割を持つエージェントで構成されました。

さらに、各チームにはコーチエージェントが付き、検証ゲート（関門）でのチェックだけを行い、直接的な指示や創作はしません。
制作は伝統的な映画制作の基本に沿った7ステップのパイプラインで進行しました。

1. コンセプト

2. ビートシート（要点構成）

3. キャラクターワークショップ

4. ストーリーボード

5. 主要撮影

6. アセンブリ（粗編集）

7. 最終レンダリング

各ステップの終わりには検証ゲートが設けられ、別のエージェントが解像度や時間長などの技術的要件を満たしているか必ずチェックする仕組みです。これは初期のパイロットで「完成した」と報告された動画ファイルがわずか94バイトのプレースホルダだったという事件がきっかけでした。エージェントは、やっていない作業をやり遂げたかのように説得力を持って報告できるのです。

人間の想定を超えたエージェントたちの“創意工夫”

自律的なコラボレーションからは、驚くような振る舞いがいくつも観察されました。

• 暗黙の役割分担
  あるチームでは、Idea Personが最初の草稿に1行の散文を書いたところ、Editorがその行の前後に8秒の無音を作り出し、タイムライン上に「NON-NEGOTIABLE（絶対変更不可）」とマーク。Tech Leadは花束から花が離れる瞬間を捉えるために、狙ったフレームが得られるまで1つのショットを何度も再生成しました。これらは誰かが指示したわけではなく、共有ファイルを読んだエージェントが独立して編集判断を下した結果です。

• 自己流の最適化
  パイロット版で人間から「音声の衝突」「キャラクターの一貫性のなさ」「ストーリーがわかりにくい」といったフィードバックを受けると、エージェント自身が反省文（レトロスペクティブ）を作成。それを元に、後続チーム向けのプレイブックやガイドが改善されただけでなく、エージェントはGo製CLIとPythonバッチ処理を組み合わせた独自のメディアツールチェーンを構築・改修していきました。

使用された生成AIモデル群

制作には複数のGoogle AIモデルが、genmediaという共通CLIツールキットを通じて呼び出されました。

• Gemini画像生成（Nano Banana）：キャラクターのリファレンスシート、ストーリーボード、シーン構成など。一貫性を保つため、まず顔のアップ→全身図→シーンテストと“参照の連鎖”を行い、前の出力を次の入力に使っています。

• Veo 3.1：4～8秒・720pの映像を生成。テキスト→動画、画像→動画、フレーム補間などモードを使い分け、長尺が必要な場合は前のクリップの最終フレームを次の開始フレームに利用。

• Lyria 3：オリジナル楽曲。あるチームは撮影前に3楽章のジャズスコアを作り、それを制作全体のマスタークロックにしました。効果音も“サウンドスケープ”としてプロンプトで生成。

• Gemini Flash TTS：ナレーションやキャラクターボイス。スタイル指示が可能ですが、読み上げ速度が予測しづらく、あるチームでは計画より1分長くなり、別のチームでは遅さを老映写技師のキャラクター性として受け入れました。

1本4分の作品に、40回以上の画像生成、25以上のビデオクリップ、複数の音楽素材、12の音声録音、数百の組み立て操作が使われています。

エージェント連携を支えた「Scion」の仕組み

Scionはオープンソースのマルチエージェントオーケストレーション・テストベッドです。

• テンプレートからエージェントを定義（人格、指示、スキル、ツール）

• コンテナ化されたサンドボックスで実行

• エージェント同士がメッセージを送り合い、他のエージェントを起動可能

• イベント駆動の通知でエージェントを“起床”

• 全エージェントが共有ファイルシステムにアクセス

この共有ファイルシステムが大きな強みになりました。エージェントはクラッシュしたりコンテキストウィンドウを使い果たしたりして再起動されますが、ファイルは永続化されるため、別のエージェントや再起動後の自分が内容を読み取って作業を続行できます。実際、編集者のクラッシュ時には技術リードが編集計画書を読んで組み立てを完了し、ドキュメンタリー制作者エージェントも何度も再起動されながら前のファイルを読み込んで仕事を継続しました。

実験から得られた4つの重要な教訓

1. エージェントはチャットよりもファイルでうまく協調する

使用するビジュアルキーワード、タイムライン上のショット位置、禁止楽器など、判断内容をファイルに書き残したチームは、クラッシュから方向性を失わずに復旧できました。メッセージ履歴だけに頼ったチームは、再起動時にそれらを失いました。効果的だったのは「ファイルパスを含むメッセージ」を送り合うことです。

2. AIの得意不得意に合わせた作風選びが結果を分ける

クレイアニメ風は“揺れ”が時間的なブレを目立たなくし、シルエットアニメは顔の一貫性問題を回避。キスシーンがセーフティフィルターで拒否されたチームは、壁に映る二つの影が重なるショットに切り替え、コーチから「作品で最も優れたショット」と評されました。

3. 具体的なプロンプトが凡庸な出力を防ぐ

動画生成のデフォルト出力は“ムーディなシネマティック・ノワール”になりがちです。特徴的な作品を作ったチームは、色名ではなくカラーコード（#F4A261）を指定し、禁止楽器やネガティブプロンプトで不要な美意識を排除しました。「暖かくして」は凡庸な結果に終わり、「#F4A261、弦楽器禁止、レンズフレア禁止」が独自性を生んだのです。

4. 検証ゲートに立つコーチの役割が成果を変える

コーチは制作全体を観察できますが、介入できるのはステップの境界だけ。この制約により、プロセスを細かく管理するのではなく、完成したアウトプットを判断せざるを得なくなります。あるコーチはこの関係を「超人的な速度で1つのことだけを完璧にこなせる専門家が集まっている部屋だけど、誰もスープの味見ができない」と表現しました。

まとめ：クリエイティブ領域で見えたエージェント協調の現在地

この実験は、AIエージェントが単にコードを書くだけでなく、不慣れな創作領域でもゲート付きのプロセスと共有ファイルベースの協調によってプロジェクトを完遂できることを示しました。同時に、エージェントの“勘違い”や予期せぬ創意工夫が、人間にとってもチームワークやツール設計のヒントになっています。
完成したドキュメンタリーやScionフレームワークの詳細は、オリジナルブログ（本記事末尾のリンク先）から参照できます。自律エージェントの映画制作というユニークな試みは、近未来のAIチームワークを考える上で示唆に富む内容といえるでしょう。