La terza coorte di Flow Sessions di Google punta il suo strumento di filmmaking su chi non fa film

Cosa è cambiato nella terza coorte

Google Labs ha lanciato Flow Sessions lo scorso settembre come programma di sei settimane che riunisce artisti per creare con Flow, il suo strumento di filmmaking basato su IA. Questa terza edizione ha segnato una svolta deliberata: per la prima volta il team si è concentrato sul reclutare creativi esterni al mondo del cinema.

La motivazione dichiarata è di natura esplorativa. Google voleva capire come Flow "potesse sbloccare qualcosa oltre il filmmaking tradizionale", coinvolgendo persone dal giornalismo, dalla pubblicità e dalla moda con livelli molto diversi di esperienza con l'IA. Questo approccio trasforma la coorte da semplice vetrina promozionale a indagine strutturata su chi altro potrebbe usare uno strumento di generazione video, e per quale motivo.

Google è esplicita sul fatto che il programma sia co-creazione: "crediamo che i migliori strumenti si costruiscano insieme a chi li usa di più". In pratica, questo significa che le improvvisazioni degli artisti diventano feedback di prodotto.

Gli espedienti sono il vero segnale

Il dettaglio più rivelatore del post non è un singolo film, ma quante volte gli artisti hanno dovuto uscire da Flow per ottenere ciò che volevano. Julie Wieland ha usato AI Studio per costruire un'app separata che abbassava il frame rate per simulare uno stop-motion fatto a mano, componendo anche la propria colonna sonora. Calvin Herbst ha addestrato un trasferimento di stile in uno strumento separato partendo dai propri filmati d'archivio in 16mm della sua infanzia, prima di integrarlo nel lavoro.

Charline Prat e lo studio COMBO hanno costruito librerie di riferimento da cui Flow potesse attingere, proprio per mantenere coerenza visiva tra texture e personaggi. Questo evidenzia un limite noto del video generativo: mantenere coerente un mondo tra un'inquadratura e l'altra. Gli artisti l'hanno risolto con la disciplina delle librerie di asset presa in prestito dalle pipeline di produzione tradizionali.

Per un team applicato, questi sono i dati davvero utili. Ogni espediente segnala una lacuna tra ciò che lo strumento fa in modo nativo e ciò che richiede un progetto creativo serio: controllo del frame rate, addestramento di stile esterno, riferimenti persistenti.

Due artisti che usano di proposito i difetti del modello

Il film di Stephane Benini "Echoes of Us" ha usato quello che il post chiama "il drift visivo di Veo" come tecnica narrativa deliberata, insieme all'alto volume di output di Flow, per trasmettere nostalgia e impermanenza. Il drift, cioè la tendenza dei fotogrammi generati ad allontanarsi da un soggetto fisso, è di solito un difetto da correggere. Qui è diventato uno strumento espressivo.

Chloe Desaulles ha scelto l'approccio opposto. Il suo lavoro "Veneer" ricrea un quartiere immaginario di New York che "appare sorprendentemente reale", usando uno stile documentaristico per interrogarsi sul realismo nei contenuti generati dall'IA. La fedeltà dello strumento diventa il tema stesso, non un vantaggio da vendere.

quello che conta è cosa vuoi comunicare ancor prima di toccare Flow.Montana Labs

Cosa ci dice il reclutamento fuori dal cinema sulla roadmap di Flow

Scegliendo una stilista, una direttrice creativa-ricercatrice e altri professionisti della pubblicità e del giornalismo, Google sta verificando se l'uso potenziale di Flow sia più ampio dei semplici cortometraggi. Il lavoro di Prat immaginava un mondo attorno a un capo ricamato fisico; Desaulles ha applicato una lente giornalistica. Sono settori affini, non semplici esperimenti amatoriali.

L'implicazione concreta è questa: Google sta usando un programma artistico curato per mappare contemporaneamente le funzionalità mancanti di Flow e la domanda cross-settoriale. Il pattern ricorrente degli strumenti esterni e delle librerie di riferimento è una lista di cose da fare, mentre l'adozione consapevole del drift visivo mostra che l'azienda è a suo agio nel lasciare che gli artisti trovino valore nelle imperfezioni del modello, invece di aspettare che vengano eliminate a tavolino.