Agents IA : deux tutoriels GPT Image 2.5, du brief aux fichiers livrés

Un robot crème et cuivre, une main levée, un décor d’atelier. À première vue, c’est une démonstration de création d’images. Regardons plutôt le travail autour : documenter le sujet, écrire, fabriquer la narration, assembler les scènes, adapter la vidéo en anglais, corriger les ratés et livrer des fichiers que l’on peut reprendre. C’est là que l’agent IA devient utile à un créateur ou à une petite entreprise.

Le 9 septembre 2026, j’ai confié à mon assistant Hermes la production d’un tutoriel vidéo de six à huit minutes, dans la charte graphique JSD, avec ma voix clonée. Une seconde demande a porté sur une version anglaise avec une meilleure entrée en matière. Cet article est le bilan de ces deux missions, pas le mode d’emploi de GPT Image 2.5.

Ce qui a été livré, au-delà d’un joli résultat à l’écran

Une vidéo française de 7 min 31 s et une vidéo anglaise de 7 min 34 s, en 1920 × 1080, à 30 images par seconde.Douze chapitres dans chaque vidéo, une narration synthétique fondée sur mon clone vocal autorisé et des textes à l’écran dans la bonne langue.Pour la production française : une miniature de démonstration et un exemple animé de six secondes en ProRes 4444 avec transparence.Pour les deux versions : les projets Remotion, scripts, images et fichiers audio, réunis dans des archives modifiables dont le contenu a été testé.

Les deux films totalisent environ quinze minutes de contenu. Les scènes sont des compositions animées à partir de vrais fichiers, pas une capture continue d’une interface ni la vidéo d’une session de travail. Cette distinction compte : on peut examiner le résultat et ses sources, sans prétendre que le spectateur a assisté à chaque opération.

Un agent relie les outils et prend en charge les reprises

Hermes a enchaîné la lecture des références, la préparation du script, les appels aux outils, l’écriture du montage et ses contrôles. Les images passent par Codex ; la narration utilise MiniMax Speech 2.6 HD via Replicate ; Remotion assemble la vidéo ; FFmpeg sert à l’encodage ou aux contrôles selon les étapes. La valeur vient du travail entre ces outils : choisir le bon fichier, transmettre les bons paramètres, examiner le retour et corriger ce qui bloque.

Un humain aurait dû faire ces passages lui-même : télécharger les médias, vérifier le détourage, placer les images sur la timeline, caler chaque séquence sur sa narration, reprendre un texte trop long, exporter, contrôler puis ranger les sources. Il peut bien sûr utiliser des modèles de montage, une voix synthétique ou ses propres scripts. La comparaison raisonnable se fait avec un professionnel équipé, pas avec quelqu’un à qui l’on aurait retiré tous ses outils.

L’environnement était déjà préparé : logiciels disponibles, voix clonée autorisée, robot validé, charte visuelle et méthodes conservées dans Obsidian. Les temps annoncés ne comprennent pas la création de cette base. Ce savoir-faire préparatoire explique une partie du résultat et doit entrer dans le calcul si vous partez de zéro.

La version anglaise montre l’intérêt des fichiers réutilisables

L’anglais a repris les images et la composition de la version française, sans modifier l’original. La voix, les titres, les explications et les durées ont été adaptés. L’introduction a été refaite pour montrer le robot dès la première image, puis le changement de fond, son déplacement et la miniature avant les explications. Ses actions ont été calées sur les mots de la narration.

Cette adaptation a aussi demandé des corrections. Le premier essai vocal rendait une négation ambiguë pour la reconnaissance automatique : la phrase a été reformulée. La première narration complète dépassait la durée visée : trois passages ont été raccourcis puis régénérés, sans accélérer artificiellement toute la voix. Réutiliser les fichiers évite de repartir de zéro ; cela n’efface ni la réécriture ni la vérification.

Ces deux captures proviennent des MP4 livrés. Elles montrent la même base visuelle avec des textes français et anglais. La nouvelle illustration d’ouverture, elle, a été composée pour cet article à partir du robot et du décor existants.

Le robot flotte aussi dans cette page

Ce petit exemple montre un gain concret : le même personnage sert à plusieurs supports. Le fond et le sujet restent séparés, le texte reste modifiable et le mouvement est calculé. Pour changer de décor ou faire flotter le robot, aucun nouvel appel à un générateur d’images n’est nécessaire. Moins de générations à relancer, moins de risques de voir le personnage changer de tête au passage.

Le chronomètre : ce qui est mesuré et ce qui ne l’est pas

Source : rapports de livraison JSD du 9 septembre 2026 et journaux de contrôle associés. La somme des deux fenêtres de production est de 1 h 26 min 43 s, arrondie à la seconde. Ce n’est pas le délai continu entre le premier brief et la seconde livraison : l’intervalle entre les deux demandes n’est pas inclus.

Ces durées comprennent les attentes, les corrections, le calcul et les contrôles. Elles ne mesurent pas mon temps de travail actif. Les tâches parallèles se chevauchent : additionner leurs durées donnerait un faux total. Les tests supplémentaires de miniatures A/B/C, demandés ensuite, sont également hors de ce bilan.

Le gain déjà observable est la prise en charge d’une chaîne de production et de ses manipulations, avec deux ensembles de fichiers exploitables à l’arrivée. Pour affirmer « j’ai économisé exactement tant d’heures », il faudrait chronométrer une réalisation comparable sans agent et le temps humain consacré à superviser celle-ci. Nous n’avons pas cette double mesure.

Ce qu’un humain aurait dû faire : un scénario de comparaison

Le tableau suivant est une estimation de charge proposée pour ce cas, pas une étude de marché ni un relevé de travail effectué. Il suppose un professionnel équipé, un robot et une voix déjà disponibles, une base de montage réutilisable et le même niveau de finition. Les temps sont du travail actif ; ils excluent l’attente passive des rendus. Un spécialiste très rapide ou disposant d’un modèle plus proche peut faire mieux.

Cette charge aide à comprendre l’ampleur du travail délégué. Elle ne doit pas être divisée mécaniquement par les 1 h 26 min 43 s de fonctionnement de l’agent pour fabriquer un pourcentage de productivité : nous comparerions du travail humain actif à du temps écoulé incluant du calcul.

Les euros : un potentiel d’économie, pas une facture inventée

Avec un taux de valorisation choisi de 60 € par heure, cette estimation représente 420 à 870 € de travail. Ce taux est une hypothèse de calcul, pas mon tarif annoncé ni une moyenne du marché. Pour un indépendant qui aurait fait le travail lui-même, c’est du temps valorisé ; pour une prestation réellement évitée, ce pourrait être une dépense évitée. Ce ne sont pas les mêmes euros.

L’heure de supervision et les 30 € sont des valeurs d’exemple, pas les coûts observés de cette production. Pour connaître l’économie nette réalisée, il faudrait relever les appels payants, la part des abonnements, le calcul, l’amortissement de la préparation et le temps humain. Les rapports disponibles ne consolident pas ces montants : je ne peux donc pas annoncer honnêtement une économie nette exacte.

Les postes évités sont néanmoins identifiables : pas de nouvel enregistrement de ma voix au micro pour ces narrations, pas de recréation du robot pour l’anglais et pas de recomposition intégrale de toutes les scènes. La réutilisation rend aussi les corrections moins coûteuses : on peut changer un texte ou un segment sonore sans jeter le reste du travail. La rentabilité se construit autant sur ces reprises que sur le premier export.

Les contrôles et les limites font partie du résultat

Les rapports consignent un décodage complet des deux MP4, des contrôles de synchronisation sonore et l’inspection de planches extraites des films finaux. Les archives ont été vérifiées et leur projet extrait a été exécuté pour tester le montage. Le fichier ProRes transparent a également été contrôlé après encodage. C’est plus utile qu’un simple message « terminé », sans garantir pour autant une perfection éditoriale ou un accent anglais natif.

Il y a eu des ratés : un sous-agent arrêté à sa limite de durée, des reprises de mise en page, des outils de contrôle à corriger et des tentatives de résumé de contexte interrompues. Une partie de ces opérations a eu lieu pendant le rendu. Leurs durées ne s’ajoutent pas automatiquement au délai final. L’autonomie utile comprend la capacité à reprendre ces erreurs ; elle ne justifie pas de les cacher.

Autre précision importante : OpenAI a annoncé ChatGPT Images 2.5 le 8 septembre 2026. Mais le transport Codex utilisé pour le robot et le décor n’a pas confirmé la version exacte du modèle ayant produit ces pixels. Ce cas porte sur la production des tutoriels consacrés à GPT Image 2.5 ; il ne prouve pas une performance propre à Flare ou à Sunburst. Le décor source n’était pas non plus une image Full HD native : il a été mis à l’échelle dans le montage.

Ce que cela change pour une petite structure

Un créateur peut préparer une version étrangère sans refaire son habillage. Un formateur peut décliner un support pour plusieurs publics. Une entreprise peut conserver un personnage, un décor et une composition pour ses prochaines explications. Ce sont des usages possibles de cette méthode, pas des résultats commerciaux déjà démontrés par ces deux vidéos.

La valeur livrée ici est précise : deux films, leurs voix, leurs animations et leurs sources réutilisables, avec une fabrication largement déléguée. Le brief, les droits sur la voix, les choix de contenu et la décision de publier restent sous responsabilité humaine. Le temps libéré peut servir à tester le fond, à répondre aux clients ou à améliorer la prochaine vidéo. Le robot sait flotter ; il ne sait toujours pas décider à votre place de ce qui mérite d’être dit.

Sources et méthode de ce bilan