Claude Code i Codex es fan muntadors de vídeo

Del codi al vídeo, sense sortir del terminal

Muntar un vídeo exigia una línia de temps, un programa d'edició i hores d'arrossegar clips. Ara una part de la feina es pot encarregar per escrit a Claude Code o a Codex, dos agents pensats per programar. La clau és que el vídeo es descriu com a codi: una animació amb textos, gràfics i temps que l'agent escriu, revisa i converteix en un fitxer de vídeo.

A aquesta base s'hi sumen altres peces: models que localitzen moments concrets d'una gravació, connectors que porten documents i dades sense haver-los de copiar a mà, agents que fan servir aplicacions a la pantalla, generadors de clips i de locucions, i encàrrecs que es repeteixen sols. Cada secció n'explica una amb el que diu la documentació de qui l'ofereix; després arriben els usos, el criteri per triar i la pràctica.

Una mateixa skill serveix per als dos agents

Segons Anthropic, una skill amplia el que pot fer Claude: n'hi ha prou amb un fitxer SKILL.md amb instruccions, i Claude Code la fa servir quan ve al cas o quan la crides amb /nom-de-la-skill. Segons OpenAI, a Codex fa el mateix paper: empaqueta instruccions, recursos i scripts opcionals, i s'invoca amb /skills o escrivint $ a la CLI o a l'extensió de l'editor.

Les dues empreses diuen que segueixen el mateix estàndard obert. La conseqüència pràctica és que un paquet escrit per a un agent hauria de servir a l'altre sense reescriure'l. Això és el que converteix dues eines de programació en muntadors: algú ja ha escrit les instruccions per fer vídeo.

Remotion converteix React en vídeo

Segons Remotion, la seva eina serveix per fer vídeos de manera programàtica i crear animacions amb React, la biblioteca de JavaScript per construir interfícies amb peces anomenades components. Segons Remotion, cada vídeo es pot connectar a dades i renderitzar per lots, i el seu Studio permet previsualitzar-lo, editar-lo i renderitzar-lo.

Remotion manté una col·lecció de skills per treballar en els seus projectes i, segons la seva documentació, serveixen per a agents com Claude Code i Codex. Les principals són /remotion-create, que crea un projecte o una composició; /remotion-studio, que obre la previsualització; /remotion-captions, amb pautes per als subtítols, i /remotion-render, que genera el vídeo o una imatge fixa. Segons Remotion, l'aplicació d'escriptori de ChatGPT també pot crear un projecte complet amb el plugin de Remotion.

Editar vídeo amb IA a còpia d'encàrrecs

Descript, un editor de vídeo i àudio amb IA que, segons l'empresa, permet editar com si s'edités un text, té un agent anomenat Underlord, encara en beta. Segons Descript, s'obre des de la barra lateral de qualsevol projecte i s'hi escriu el que vols, per exemple «Find me clips for social media that are between 60–90 seconds long and reformat them for vertical aspect ratio» o «Add zooms to moments of emphasis».

Segons Descript, Underlord permet triar el model que el fa funcionar, entre els quals Claude Opus 5.5, GPT 6.1 Sol i Gemini 4 Argon, i desar com a skill una edició que repeteixes sovint. L'empresa també avisa que no és determinista: el mateix encàrrec pot costar diferent en cada execució.

Segons Google, Gemini Omni Flash permet refinar, editar i ampliar vídeos en diversos torns amb llenguatge natural, tot i que sobre clips curts. A Claude Code i Codex la conversa funciona d'una altra manera: el que canvia és el codi de la composició de Remotion, que es torna a previsualitzar amb /remotion-studio. No hi ha línia de temps; hi ha codi.

Comprensió de vídeo: el minut exacte de la gravació

Segons Google, els models Gemini poden descriure, segmentar i extreure informació d'un vídeo, respondre preguntes sobre aquest vídeo i citar marques de temps, que es demanen en format MM:SS. Per defecte treballen en mode estàtic: prenen un fotograma per segon i els posen tots al context, cosa que l'empresa recomana per a clips de menys de 5 minuts.

El mode agèntic s'activa amb "processing": "agentic" i canvia el mètode. Segons Google, el model explora la línia de temps, llegeix primer el que s'hi diu i només carrega els fragments visuals que necessita, i ajusta sobre la marxa els fotogrames i la resolució. Segons l'empresa, és l'indicat per a gravacions de més de 5 a 10 minuts i per buscar una agulla en un paller, i està disponible a Gemini 4 Argon, Gemini 3.8 Flash, Gemini 3.6 Flash i Gemini 3.5 Flash Lite.

La documentació de Claude Code i de Codex parla d'imatges, no de vídeo. Segons Anthropic, la visió de Claude processa i analitza imatges; segons OpenAI, Codex les accepta amb codex --image. Perquè l'agent treballi amb una gravació cal donar-li fotogrames o el text del que s'hi diu, o encarregar-li que consulti un model que sí que entengui vídeo, com Gemini.

Connectors: els documents arriben sols a l'agent

Segons Anthropic, Claude Code es pot connectar a centenars d'eines i fonts de dades mitjançant MCP, i convé fer-ho quan et sorprens copiant dades al xat des d'una altra aplicació. Segons OpenAI, MCP permet a ChatGPT i a Codex fer servir eines i informació d'altres sistemes; a la CLI de Codex es gestiona amb codex mcp.

Per al vídeo, això vol dir que documents, gravacions i taulers de dades poden arribar a l'agent per un connector en lloc de copiar-se a mà. Abans d'afegir-ne un, revisa quin servei cobreix i quins permisos demana: segons Anthropic, cal comprovar que confies en cada servidor abans de connectar-lo.

L'agent fa servir la pantalla, però no grava la demo

Segons Anthropic, l'ús de l'ordinador permet a Claude obrir aplicacions, controlar la pantalla i treballar a la teva màquina com ho faries tu. A la CLI de Claude Code és una versió preliminar de recerca només per a macOS, exigeix un pla Pro, Max o Ultra i no està disponible amb l'opció -p, la de les execucions sense sessió interactiva.

Segons OpenAI, Codex ofereix Computer Use a l'aplicació d'escriptori de ChatGPT, a macOS i Windows i a les regions on està disponible. Es demana amb @Computer o amb el nom de l'aplicació, i l'empresa recomana fer servir abans un plugin o un servidor MCP si l'aplicació en té.

Cap de les dues documentacions no descriu un agent que gravi pel seu compte el vídeo d'una demo. Segons Anthropic, Claude in Chrome sí que pot gravar en GIF el que fa al navegador, per exemple el recorregut d'una compra fins a la pàgina de confirmació, i l'empresa avisa que la gravació captura tot el que és visible, incloses les dades dels comptes amb la sessió iniciada. Revisa-la abans de compartir-la fora de l'equip.

Clips, avatars i veus que ningú no ha gravat

Segons Google, Gemini Omni Flash genera vídeo amb àudio a partir de text, imatges o vídeo, i admet fins a 6 imatges de referència perquè personatges i objectes no canviïn d'un pla a l'altre. Segons l'empresa, tot el que genera porta SynthID, una marca d'aigua invisible per a l'espectador però detectable per programari. Segons Google, la versió preliminar de Veo 3.1 a l'API de Gemini va tancar el 22 d'octubre de 2026, i Gemini Omni Flash n'és el relleu.

Descript ofereix avatars amb els quals, segons l'empresa, es fa un vídeo sencer escrivint, i no n'amaga l'efecte: «Ningú no pensarà que és una persona real». Segons Descript, la seva funció Dub speech tradueix el guió i genera una locució nova, amb una opció de Lip sync que ajusta la boca de qui parla a la pantalla a l'àudio traduït. La llista d'idiomes per doblar amb les seves veus de sèrie inclou el castellà, però no el català.

Per a un públic a Espanya la combinació encaixa: el doblatge de Descript cobreix el castellà i la veu de Gemini arriba també al català. En una composició de Remotion, la locució es prepara a part i s'afegeix com a pista d'àudio.

Vídeo per a empreses: tretze usos, dins i fora

La taula reuneix tretze usos: vuit per a la feina interna i cinc per a clients. La columna «Què fa la IA» només recull capacitats documentades, i la de «Quan convé» remet als criteris de la secció següent. Els més fàcils per començar són el resum d'una reunió i els talls per a format curt, perquè la matèria primera ja existeix.

Els vídeos personalitzats per a cada compte són una plantilla de Remotion amb les dades de cada client, renderitzada per lots. Si la teva empresa té més de tres empleats, aquest ús entra en la modalitat Remotion for Automators.

Vídeo o document: sis preguntes per decidir

Un vídeo costa més de preparar que un text i no sempre s'entén millor. Abans d'encarregar-lo, passa la idea per aquestes sis preguntes; si cap no surt amb un sí clar, escriu un document.

El vídeo que s'actualitza sol no és contingut efímer: efímer és el que val una vegada i no es repetirà. Si el que expliques canvia amb regularitat, el que surt a compte és la cadena del nivell 3, no un vídeo solt.

El que la IA encara no fa bé

Gairebé tot el que proposa aquesta guia funciona per passades. Segons Descript, Underlord no és determinista; segons Remotion, el vídeo es previsualitza amb /remotion-studio abans de llançar /remotion-render, i segons Google el mode agèntic de Gemini fa diverses passades d'inspecció i triga més en gravacions llargues. Compta amb dues o tres rondes de revisió abans de donar un vídeo per bo.

Amb les persones, prudència. Segons Descript, ningú no confondrà els seus avatars amb una persona real, i és fàcil acostar-se a la vall inquietant. Per explicar, una animació per codi sol ser més segura que un metratge generat amb persones; l'avatar i la veu sintètica rendeixen on el valor és en l'idioma, com en el doblatge, no en la cara.

El que costa analitzar i editar

El cost d'analitzar vídeo depèn de la resolució, de la durada i del mode, i la taula reuneix les xifres que publica Google per a Gemini. La lletra petita importa: segons Google, el mode agèntic estalvia en vídeos llargs, però pot trigar més a donar la primera resposta i gastar més en clips curts o en preguntes molt àmplies.

Segons Descript, cada encàrrec a Underlord consumeix crèdits pel raonament de l'agent i, si aplica una eina o un efecte, també per aquesta eina. Abans d'automatitzar res, fes unes quantes proves i revisa el consum al teu compte.

Nivell 1: munta el que ja està gravat

El primer nivell no crea res: ordena el que ja tens. La via més directa és un editor específic: a Descript, obre Underlord i demana-li, amb les paraules de la seva documentació, «Can you split this into 5 clips that are max 1 minute long?», o que busqui talls de 60 a 90 segons i els passi a vertical.

L'altra via combina l'agent amb un model que entén vídeo, i és una proposta de flux, no una integració documentada per cap empresa. Demana a Claude Code o a Codex un script que pugi la gravació a l'API de Gemini amb "processing": "agentic" i retorni en format MM:SS les marques de temps dels moments clau; amb aquestes marques, l'agent munta els talls en una composició de Remotion. Per a gravacions de menys de 5 minuts n'hi ha prou amb el mode estàtic.

Un encàrrec d'exemple podria ser: «Busca en aquesta gravació els tres moments en què es decideix el pressupost i dona'm el minut i el segon de cadascun». Comprova cada marca a la gravació abans de tallar.

Nivell 2: un gràfic animat amb Remotion

El segon nivell crea una cosa nova: un gràfic animat a partir d'unes dades. Segons Remotion, n'hi ha prou d'enganxar a l'agent aquest encàrrec: «Ensure Node.js is installed. Install Remotion Skills: npx -y skills@latest add remotion-dev/skills -g -y Then use them to create a video.» La taula recull els passos un per un, amb les ordres tal com figuren a la seva documentació.

Un encàrrec d'exemple per a /remotion-create: «Gràfic de barres animat de 20 segons amb les vendes del tercer i el quart trimestre que hi ha a ventas.csv, amb el títol a dalt i la diferència destacada al final». A Codex, les mateixes skills s'invoquen amb $ o amb /skills. Si vols locució, prepara-la a part amb la síntesi de veu de Gemini, en castellà o en català.

Nivell 3: una cadena que refà el vídeo cada setmana

El tercer nivell converteix el vídeo en una cadena. Un exemple: cada divendres, l'agent llegeix les dades de la setmana, actualitza el guió i la composició, renderitza un vídeo de dos minuts i el deixa on correspongui.

Segons Anthropic, Claude Code ofereix tres maneres de programar-ho. Les tasques al núvol es creen a claude.ai/code/routines o amb /schedule i continuen funcionant amb el portàtil tancat, però són en versió preliminar de recerca, tenen un interval mínim d'una hora i treballen sobre un clon nou del repositori, sense fitxers locals; les d'escriptori s'executen a la teva màquina, amb els teus fitxers, sempre que estigui engegada, i /loop repeteix un encàrrec dins d'una sessió oberta. Per a un cron propi o un sistema d'integració contínua, l'empresa indica claude -p, amb --bare si necessites el mateix resultat a qualsevol màquina.

Segons OpenAI, les tasques de Codex es programen des de l'aplicació d'escriptori de ChatGPT o des de ChatGPT al web, no des de la CLI, i les que fan servir fitxers locals necessiten l'ordinador engegat i l'aplicació oberta. Per a un cron propi, l'empresa proposa codex exec --sandbox workspace-write, perquè per defecte codex exec només pot llegir.

Dos avisos abans de muntar la cadena. L'ús de l'ordinador de Claude Code no funciona amb -p, així que una cadena desatesa no hi pot comptar. I cap documentació no assegura que el render de Remotion funcioni dins d'una tasca al núvol: comprova que l'entorn pot renderitzar o fes servir una tasca d'escriptori o un cron propi en una màquina on Remotion ja funcioni.