Un equipo construyó un arnés agéntico que entrega a un modelo una canción, un presupuesto cerrado en dólares y un conjunto de herramientas, y lo deja producir un videoclip por sí solo. La IA investiga qué modelos de vídeo existen, genera clips, revisa su propio material, edita con ffmpeg y monta el corte final. El experimento compara Claude Fable 5 y GPT-5.6 Sol a dos presupuestos (25 y 100 dólares), con la canción "Uptown Funk" de Bruno Mars y Mark Ronson como entrada común.
Las cuatro ejecuciones terminaron solas, sin agotar pasos ni tiempo, y entregaron un vídeo completo con la canción multiplexada. Con 25 dólares, ambos modelos casi agotaron el tope: Fable gastó 24,30 dólares y Sol 23,18. Con 100 dólares, Sol consumió 36,57 y Fable 48,60, el único que alcanzó resolución 1920x1080. El gasto de generación cubre solo el coste medido por FAL; al sumar el coste de tokens del LLM, el total por ejecución oscila entre 27,45 dólares (Sol a 25 dólares) y 73,65 dólares (Fable a 100 dólares). Los tokens representaron entre el 30% y el 40% del coste total en Fable, frente al 8-13% en Sol.
Los modelos eligieron estrategias distintas: tres de las cuatro ejecuciones optaron por texto a vídeo puro, Sol a 25 dólares usó un flujo de imagen a vídeo con FLUX schnell y Wan 2.2-5b, y Sol a 100 dólares combinó Wan 2.5, Veo 3.1 Lite y Hailuo 2.3 Standard. Los autores destacan que ninguno de los vídeos resultó brillante: la consistencia de personajes y argumentos fue débil, los modelos interpretaron las letras de forma demasiado literal y la sincronización del movimiento interno con el tempo de la canción resultó pobre. Sol a 25 dólares fue el editor más inventive, al superponer texto y animar imágenes fijas con efectos de vídeo.