Pourquoi l’IA échoue encore à recréer L’Arroseur arrosé plan par plan

Un jardinier, un tuyau d’arrosage, un garçon espiègle et un jet d’eau qui se retourne contre celui qui le tient. Sur le papier, difficile d’imaginer une scène plus simple à recréer. Pourtant, l’essai mené avec plusieurs outils d’IA générative vidéo montre précisément l’inverse : même un gag muet, bref et connu de tous les amateurs d’histoire du cinéma peut mettre les modèles les plus avancés en difficulté.

L’expérience s’attaque à L’Arroseur arrosé, film de Louis Lumière réalisé en 1895. Il est fréquemment présenté comme la première fiction filmée ou l’un des tout premiers récits comiques du cinéma. La formule de « premier film de l’histoire » mérite toutefois d’être nuancée : des films et des expérimentations animées existaient avant lui. Son importance tient surtout à la clarté de son intrigue mise en scène, qui raconte un événement complet et construit autour d’une chute.

C’est cette mécanique élémentaire qui rend le test si révélateur. L’IA ne doit pas seulement dessiner un jardin ancien ou produire une image réaliste. Elle doit comprendre qui fait quoi, retenir l’apparence des deux personnages, conserver le tuyau au bon endroit et faire progresser l’action dans le bon ordre. Or, au terme de plusieurs essais, le résultat reste loin d’une reconstitution fluide et drôle.

Un film de quelques secondes, mais une véritable narration

L’Arroseur arrosé repose sur une idée de mise en scène extrêmement précise. Le spectateur doit d’abord identifier le jardinier qui travaille tranquillement. Il doit ensuite voir le garçon bloquer l’arrivée d’eau, comprendre l’inquiétude du jardinier, puis saisir l’effet comique lorsque celui-ci regarde l’embout du tuyau et reçoit soudain le jet au visage. Enfin, la poursuite donne une résolution à la farce.

Cette succession est courte, mais elle ne tolère guère l’approximation. Si le garçon disparaît, si le jardinier change de vêtements ou si le tuyau semble se transformer entre deux images, le spectateur cesse de suivre le gag. À l’inverse, un acteur, un décor, des accessoires et une caméra permettent à un tournage classique de fixer ces éléments matériels.

L’essai a donc séparé le film en quatre séquences principales, afin de donner aux générateurs vidéo des objectifs plus limités et plus explicites.

Le découpage facilite la génération, mais il crée aussi un nouveau problème : il faut ensuite raccorder les segments entre eux. Une vidéo n’est pas une série de belles images indépendantes. C’est une continuité d’actions, de corps, d’objets et d’intentions.

Sora face aux limites du texte seul

La première méthode repose sur le mode classique de génération de vidéo à partir d’une consigne écrite, souvent appelé « text-to-video ». Le modèle Sora d’OpenAI reçoit alors une description de la scène et doit produire une séquence correspondante.

Dans cet essai, les résultats sont jugés déconcertants et hors contexte. Ce constat illustre une difficulté récurrente de la génération vidéo : une consigne textuelle peut préciser l’action attendue, mais elle ne constitue pas un plan de tournage. Elle ne verrouille pas mécaniquement l’identité d’un personnage, la forme d’un accessoire, l’orientation du décor ou l’état exact d’une action à la dernière image.

Dans une scène comme celle de L’Arroseur arrosé, ces détails ont pourtant une fonction narrative. Le tuyau n’est pas un élément de décor parmi d’autres : c’est l’objet qui relie toutes les étapes du gag. Le modèle doit donc conserver sa place, son usage et son interaction avec les personnages. Une image plausible d’un homme dans un jardin ne suffit pas à faire une scène lisible.

L’essai a alors tenté une autre voie avec Sora : l’« image-to-video ». Au lieu de partir uniquement d’un texte, le modèle reçoit une image fixe censée servir de point de départ visuel. L’objectif est intuitif : réduire la liberté de l’IA pour l’aider à garder le même environnement et les mêmes protagonistes. Là encore, le rendu ne répond pas aux attentes. L’image de référence peut stabiliser le départ d’un plan, mais elle ne garantit pas ce qui se passera ensuite.

Des images colorisées pour mieux guider la génération

Face à ces premières difficultés, l’expérimentation change de méthode. Des captures du film original sont utilisées, puis colorisées avec Gemini Flash 2.0 Exp de Google. Cette étape fournit des références visuelles plus proches de la scène recherchée que ne le serait une simple phrase descriptive.

Les images colorisées produisent des tableaux plus vibrants et plus proches de ce que pourrait offrir un tournage reconstitué. Elles améliorent donc l’ancrage esthétique de l’exercice. Mais elles posent aussi une limite méthodologique importante : il ne s’agit plus d’une recréation entièrement inventée par une IA à partir d’un texte. Le modèle s’appuie sur des images directement tirées de l’œuvre qu’il doit revisiter.

Cela n’enlève pas tout intérêt au test. Au contraire, cette approche permet d’isoler une question utile : même lorsque l’IA dispose d’une référence très précise, peut-elle la prolonger en mouvement sans perdre le fil de l’action ? La réponse apportée par les essais reste prudente.

Le recours à une image de référence améliore l’apparence d’un plan, mais ne transforme pas automatiquement l’outil en réalisateur. Une image fixe ne contient pas toutes les informations nécessaires sur les gestes à venir, les réactions des personnages et les positions futures des objets.

Gen-4, Veo-2 et Kling : des progrès visuels, une histoire encore fragile

Les images colorisées sont ensuite utilisées avec Gen-4 de Runway. Le résultat apparaît légèrement plus pertinent que les tentatives précédentes, mais il reste très en deçà de la scène attendue. L’une des séquences s’éloigne particulièrement de la vision initiale, ce qui souligne une caractéristique fondamentale des générateurs : une consigne ou une référence peut guider la production, sans pour autant déterminer fidèlement chaque détail.

L’essai se poursuit avec Veo-2 de Google DeepMind. C’est l’étape considérée comme la plus prometteuse. Les séquences générées présentent une cohérence spatio-temporelle plus solide, c’est-à-dire une meilleure conservation de l’espace, du mouvement et de l’enchaînement des événements. Les images donnent davantage l’impression de personnages qui évoluent dans un même monde, plutôt que d’apparitions successives sans rapport clair.

Cette amélioration ne règle pas tous les défauts. Les visages et les costumes peuvent encore varier, ce qui nuit immédiatement à la reconnaissance des protagonistes. Dans une farce aussi dépouillée, le moindre changement d’apparence est très visible : il n’y a ni dialogue, ni musique, ni montage complexe pour détourner l’attention du spectateur.

Dernière étape de l’expérience, les références visuelles retravaillées sont soumises à Kling 2.6, développé par Kuaishou. Les images paraissent alors plus photoréalistes. Mais le gain de réalisme ne compense pas les ruptures entre les séquences : les écarts de personnages, d’ambiance ou de mise en scène restent trop importants pour former une narration convaincante.

C’est l’une des leçons les plus importantes de l’essai. Le photoréalisme et la cohérence narrative sont deux qualités différentes. Un plan peut sembler impressionnant pris isolément, puis devenir peu crédible dès qu’il doit s’enchaîner à un autre plan.

Pourquoi l’IA vidéo peine-t-elle avec une action pourtant simple ?

Les modèles de génération vidéo excellent de plus en plus à produire des mouvements, des textures, des éclairages et des cadrages qui paraissent crédibles sur quelques secondes. Mais une scène de cinéma demande davantage qu’une succession de pixels cohérents. Elle suppose une sorte de mémoire pratique : le modèle doit savoir qu’un même personnage conserve son visage, que le tuyau doit rester lié à la source d’eau et que l’arroseur ne peut être surpris par le jet que si le garçon a auparavant relâché l’eau.

Autrement dit, le spectateur évalue spontanément une vidéo selon plusieurs critères simultanés :

• la stabilité de l’identité des personnages ;
• la persistance des accessoires et du décor ;
• la continuité des mouvements ;
• le respect des relations de cause à effet ;
• la lisibilité de l’intention comique.

L’IA peut réussir certains de ces critères dans un même extrait, mais échouer sur les autres. Une main, un visage ou un vêtement peuvent se modifier sans que le système ne semble identifier cette variation comme un problème majeur. Pour une personne qui regarde le film, en revanche, ces ruptures brisent instantanément l’illusion.

Il faut également distinguer la création d’une séquence de la restitution exacte d’une œuvre. Les outils testés sont conçus pour générer des vidéos nouvelles à partir de textes ou d’images. Ils ne sont pas des logiciels de restauration ou de remontage capables de préserver avec certitude chaque événement d’un film existant. L’ambition de « recréer » L’Arroseur arrosé les place donc face à une exigence de fidélité particulièrement élevée.

Un test éclairant, pas un classement définitif des modèles

L’expérience ne permet pas à elle seule d’établir un palmarès scientifique entre Sora, Gen-4, Veo-2 et Kling. Les résultats d’un générateur dépendent du texte employé, de l’image de départ, du découpage retenu, des réglages disponibles et des nombreuses variations possibles d’une même requête.

Elle offre néanmoins un enseignement plus concret qu’une démonstration promotionnelle. En demandant aux modèles de reconstruire une action connue, simple et très structurée, elle met à l’épreuve ce qui compte vraiment dans une vidéo narrative : la continuité. Le test ne récompense pas seulement la capacité à produire une belle image de jardin, il vérifie si l’on comprend encore le gag après quelques plans.

Cette différence explique l’écart entre les promesses visuelles de l’IA vidéo et son usage réel au cinéma. Dans un cadre professionnel, une équipe peut contourner certains défauts par le montage, la retouche, le choix de plans très courts ou l’emploi d’images générées comme éléments d’illustration. En revanche, produire une scène autonome, avec des personnages reconnaissables et une progression parfaitement maîtrisée, demeure beaucoup plus difficile.

Ce qu’il faut surveiller pour la création vidéo par IA

En avril 2025, les progrès sont déjà visibles : les modèles donnent vie à des images fixes, simulent des déplacements plus naturels et suivent mieux certaines indications visuelles. Veo-2, dans cet essai, témoigne de cette évolution par une cohérence plus convaincante que les premières tentatives. Mais l’écart reste important entre une séquence réaliste et une séquence véritablement racontée.

Les prochains progrès devront notamment porter sur la stabilité des personnages à travers plusieurs plans, la conservation d’objets essentiels, la maîtrise des interactions physiques et la capacité à suivre une chronologie sans contradiction. Les créateurs auront aussi besoin de contrôles plus précis pour choisir ce qui ne doit pas changer d’une scène à l’autre.

L’Arroseur arrosé conserve ainsi une fonction inattendue, plus de cent ans après sa réalisation : celle d’un test simple et exigeant pour les outils contemporains. Sa force ne vient pas de la sophistication de ses effets, mais de la netteté de son récit. Tant qu’une IA ne peut pas reproduire durablement cette mécanique de cause à effet, elle rappelle que fabriquer des images animées n’est pas encore la même chose que faire du cinéma.