Creatify Agent: sistem multi-agen closed-loop untuk materi kreatif iklan video dan gambar

1 Pendahuluan

Materi kreatif iklan performa — video atau gambar — secara struktural berbeda dari output yang dihasilkan model generatif terdepan. Iklan video adalah hasil kerja multi-shot berdurasi 15 hingga 60 detik dengan hook, bagian isi, momen produk, audio yang disusun, tipografi sesuai brand, dan ajakan bertindak. Model T2V fondasi — Veo 3.1, Kling 3.0, Seedance 2.0, Sora 2 — merender satu shot dengan ketepatan visual tinggi, tanpa representasi rencana multi-adegan, tanpa verifikasi kondisi brand antar potongan, tanpa audio yang disesuaikan dengan ritme potongan, dan tanpa lapisan tipografi. Agen video serbaguna membungkus model semacam itu di balik antarmuka percakapan tetapi mewarisi kesenjangan yang sama: ia menambahkan antarmuka chat, bukan lapisan verifikasi khusus iklan yang menentukan apakah sebuah iklan jadi layak dirilis.

Creatify Agent bukan termasuk kedua kelas sistem tersebut. Ia adalah lapisan orkestrasi yang menerima brand dan brief sebagai input lalu membagi pekerjaan ke model pembuatan, langkah pencarian, layanan audio, dan tahap verifikasi apa pun yang dibutuhkan brief. Ia memilih model per adegan, bukan menjadi satu model. Ia mempertahankan kondisi bertipe — warna brand, fakta produk, identitas persona, teks wajib di layar — sepanjang produksi dan memverifikasi setiap adegan terhadap kondisi tersebut sebelum dikirim, alih-alih memercayai output pertama generator. Riset sistem agen terbaru (Mora, VISTA, VideoReward) sampai pada kesimpulan yang sama bahwa dekomposisi multi-agen dengan kritikus di dalam loop mengungguli pembuatan dengan satu model di setiap dimensi yang menentukan hasil kerja jadi; Creatify Agent adalah perwujudan arah tersebut yang dikhususkan secara end-to-end untuk periklanan dan dievaluasi terhadap sistem lain di bidangnya pada benchmark yang diperkenalkan di §3.

2 Desain sistem

Agen kami bekerja sebagai loop tertutup dari sub-agen khusus. Seorang produser menyerap brief, menyusun rencana adegan, dan menghasilkan grafik aset bertipe: fakta produk, deskripsi persona, kondisi brand, teks wajib di layar. Para sutradara menerjemahkan spesifikasi adegan menjadi panggilan pembuatan, memilih model dan parameter per shot. Seorang kritikus mengevaluasi setiap adegan yang dirender terhadap grafik aset berdasarkan rubrik eksplisit dan menyetujuinya atau mengembalikannya ke sutradara dengan putusan terstruktur, sehingga adegan yang gagal dalam ketepatan dibuat ulang secara lokal tanpa memicu pembuatan ulang seluruh iklan. Loop ini tertutup setelah pengiriman: setiap iklan yang dirilis dinilai, setiap cacat menjadi kasus regresi, dan rubrik semakin ketat di setiap produksi.

2.1 Riset kreatif dan pembuatan berbasis referensi

Produser dapat mendasarkan brief pada konteks kreatif nyata sebelum adegan apa pun dirender. Pengguna dapat meminta agen menjalankan pencarian kreatif — mengambil 8–10 iklan berperforma tinggi di kategori brand dari TikTok dan Instagram, lengkap dengan metadata engagement dan uraian hook — lalu memasukkan format yang dihasilkan sebagai referensi untuk storyboard, sehingga mengidentifikasi apa yang berhasil di kategori tersebut menjadi langkah utama yang dapat diminta pengguna, bukan proyek riset terpisah. Dua modalitas lain mendasari brief dengan cara yang sama. Sebuah URL (misalnya omakai.com) diambil dan diurai untuk identitas brand — nama, konsep, palet, citra utama — sehingga pengguna tanpa pustaka aset yang diunggah tetap dapat menghasilkan iklan yang setia pada brand. Sebuah video referensi — TikTok viral, iklan pesaing, reel brand yang sudah ada — diuraikan menjadi bahan-bahan kerjanya (ritme shot, warna dan pencahayaan, bahasa kamera, gaya transisi, ritme teks di layar) yang kemudian mendasari rencana adegan. Tidak satu pun modalitas ini tersedia bagi model T2V fondasi atau agen video serbaguna: bagi mereka URL hanyalah deretan karakter, video referensi tidak didukung, dan konteks kreatif yang sedang tren berada di luar batas data pelatihan mereka.

2.2 Memori brand yang persisten

Agen mempertahankan memori terstruktur lintas sesi, per pengguna dan per brand. Fakta produk (titik harga, fitur unggulan, hal yang tidak boleh ditampilkan), gaya bahasa dan palet warna brand, preferensi persona, serta arahan kreatif yang berhasil sebelumnya disimpan secara otomatis; langkah penyaringan di akhir sesi mengusulkan fakta-fakta penting yang layak disimpan. Saat pengguna meminta iklan untuk brand yang sama untuk kedua kalinya, agen tidak perlu mengunggah ulang brand kit, menjelaskan ulang titik harga, atau memilih ulang suara. Setiap model text-to-video dan setiap agen video serbaguna yang kami uji memulai dari nol di setiap panggilan.

2.3 Skill yang dapat dipasang dan perluasan multi-output

Skill produksi dapat dipasang sesuai kebutuhan. Satu produser dapat menghasilkan iklan UGC yang dibawakan kreator, demo produk yang mewah, testimoni berbasis persona (dibangun di atas Aurora, model avatar internal Creatify), reel motion-design dengan tipografi kinetik, atau iklan perbandingan berbasis riset pesaing, dari format brief yang sama. Grafik aset terstruktur juga memungkinkan perluasan multi-output dengan biaya marginal rendah dari satu brief — hook alternatif, persona alternatif, rasio aspek alternatif — tanpa membuat ulang seluruh produksi, karena setiap aspek dapat diubah secara independen.

2.4 Penyusunan audio

Audio dibuat dan diatur waktunya sebagai elemen produksi utama, bukan sekadar ditambahkan di akhir. Trek musik dibuat sesuai ritme potongan; voiceover dirender terpisah dari lapisan TTS dengan nada dan tempo yang sesuai brand; keduanya digabungkan pada offset yang diketahui ke lapisan video dan tipografi. Setiap varian Creatify dalam benchmark dilengkapi audio yang disusun; setiap baseline text-to-video mentah tanpa suara; HeyGen V3 hanya dilengkapi narasi avatar. Kualitas audio adalah salah satu dimensi yang paling kuat dinilai oleh juri Cabang 3 tanpa brief, yang sebagian menjelaskan perbedaan yang jelas di Cabang 3.

2.5 Kontrol halusinasi di dalam loop

Kritikus adalah model berkemampuan visi yang berjalan di dalam loop produksi, bukan filter pasca-produksi. Setiap adegan dinilai terhadap grafik aset bertipe berdasarkan rubrik eksplisit — ketepatan produk, halusinasi objek, kualitas teks, pelanggaran fisika, anatomi, kualitas keseluruhan — dan kegagalan dikembalikan dengan putusan terstruktur (dimensi mana, seberapa besar, di frame mana) untuk dibuat ulang dengan umpan balik tersebut disertakan. Rubrik dan ambang batasnya adalah aturan yang dapat dibaca manusia dan dapat diperketat oleh tim, bukan bobot model yang buram — pilihan desain yang diuraikan dalam riset sistem agen terbaru tentang harness sebagai target optimasi (Lee, Khattab, Finn et al.) dan loop kritik-dan-revisi atas kebijakan eksplisit (Weng). Kritikus berjalan di atas stack visi internal yang dikhususkan untuk mode kegagalan iklan — pergeseran tanda brand, label produk yang salah dirender, CTA yang kacau, putusnya kontinuitas antar potongan. Hasil benchmark-nya adalah skor halusinasi tingkat frame terendah di bidangnya: Creatify Agent Pro di 1.90 (satu-satunya skor di bawah 2.0), Lite di 2.85, keduanya di bawah ambang batas FAIL kelas produksi 3.0; setiap baseline T2V mentah mencetak 3.65–3.85, dan HeyGen V3 mencetak 4.40.

3 Benchmark

Benchmark kualitas video yang ada (VBench, VBench-2.0, papan peringkat berpasangan video-arena) mengukur ketepatan per frame pada model text-to-video mentah; tidak satu pun mengukur apakah output berfungsi sebagai iklan pada aspek-aspek yang menentukan kelayakan rilis — kekuatan hook, ketepatan brand, kejelasan CTA, efektivitas iklan, biaya halusinasi, polesan produksi. VideoAdAgent Bench v1 dibuat untuk mengisi kesenjangan tersebut; papan peringkat lengkap, artefak penilaian, dan skrip untuk menjalankan ulang tersedia untuk publik di halaman benchmark.

3.1 Kumpulan brief

Benchmark ini mencakup setiap pola utama iklan performa — masalah-solusi, sebelum-sesudah, demo produk, testimoni, gaya hidup — ditambah uji tekanan yang menargetkan aspek tersulit produksi multi-adegan (storytelling berjangkar, konsistensi persona, penggunaan ulang aset brand, teks CTA terstruktur, kepatuhan alur persuasi). Setiap brief adalah objek terstruktur (produk, maksud, format, batasan, aset input) yang menggunakan brand fiktif dan mock produk buatan AI untuk menghindari IP dan PII pelanggan nyata. Seluruh kumpulan didaftarkan terlebih dahulu ke commit bertag sebelum sistem mana pun menghasilkan output, sehingga tidak ada sistem yang dapat disetel untuk brief tertentu.

3.2 Protokol evaluasi

Benchmark ini memisahkan tiga pertanyaan ortogonal ke dalam tiga cabang penilaian berpasangan yang independen. Setiap pasangan dinilai oleh dua juri LLM berkemampuan visi (Claude Opus 4.7 + GPT-5) sebanyak dua kali dengan posisi ditukar untuk mengendalikan bias kiri-kanan; sebuah putusan hanya dihitung jika juri konsisten dengan dirinya sendiri setelah pertukaran, dan kedua juri harus sepakat untuk putusan konsensus.

Komposit yang dilaporkan di papan peringkat adalah gabungan Cabang 2 (kualitas iklan) dan Cabang 3 (kualitas produksi), sehingga sistem harus unggul di kedua aspek untuk naik peringkat. Skor halusinasi tingkat frame (0–10, semakin rendah semakin baik; ≥ 3.0 adalah FAIL kelas produksi) dimasukkan ke Cabang 3 dan dipublikasikan sebagai kolom terpisah di papan peringkat.

4 Hasil

Skor komposit menempatkan Creatify Agent di peringkat pertama di bidangnya; kedua varian yang sudah dirilis di produksi mengungguli setiap agen video serbaguna dan setiap baseline T2V mentah di setiap metrik agregat. Semua sistem — Creatify dan setiap pesaing — dinilai dalam kondisi sekali jalan: satu brief masuk, satu iklan keluar, tanpa giliran umpan balik. Creatify Agent di produksi bersifat percakapan dan mendukung revisi per adegan yang presisi; benchmark ini sengaja menghilangkan kemampuan tersebut agar perbandingan tetap adil terhadap model sekali jalan, yang berarti pengalaman di produksi melampaui angka yang dilaporkan di sini.

5 Studi kasus

Tiga output nyata dari aplikasi produksi yang dijalankan dengan prompt yang sama dibandingkan dengan alternatif komersial terkuat (satu model T2V fondasi, satu agen video serbaguna). Tidak dipilih khusus untuk laporan ini. Setiap kasus menunjukkan kemampuan agen yang berbeda — dekomposisi brief, pemanfaatan aset brand, riset web — yang tidak memiliki padanan sekali jalan.

5.1 Iklan memasak multi-shot

Iklan memasak TikTok 20 detik, ~50 potongan masing-masing ~0.4 detik. Dibandingkan dengan Veo 3.1 (T2V satu shot) dan HeyGen V3 (agen video serbaguna).

Produser mengurai prompt sebagai daftar shot, memecahnya menjadi ~50 potongan yang dikirim secara paralel ke sutradara per adegan, dan menyusun audio sesuai ritme potongan. API Veo 3.1 tidak memiliki parameter untuk total durasi atau struktur multi-shot (durasi maksimal per panggilan 8 dtk, output satu take). HeyGen V3 menafsirkan prompt sebagai konten narasi untuk avatarnya, bukan sebagai spesifikasi shot.

5.2 Iklan Instagram berbasis gambar brand

Pengguna mengunggah gambar referensi brand TopStep dan meminta iklan Instagram tentang pendaki yang mencapai puncak. Dibandingkan dengan image-to-video Veo 3.1 (gambar brand sebagai frame awal) dan HeyGen V3 (hanya prompt — tanpa input gambar).

Gambar referensi dimasukkan ke grafik aset bertipe dan menjadi jangkar setiap adegan: warna brand tetap konsisten, tanda brand dirender sebagai lapisan tipografi terverifikasi di end card, dan karakter pendaki tetap sama sepanjang alur persiapan→perjuangan→puncak. Veo 3.1 mempertahankan frame awal dalam satu take 8 detik tetapi tidak memiliki representasi alur multi-adegan. API HeyGen V3 hanya menerima string prompt, sehingga gambar brand tidak digunakan.

5.3 Brief hanya berupa URL, tanpa aset yang diunggah

Pengguna menempelkan satu URL; agen mengambil situsnya, mengekstrak identitas brand, dan menulis brief-nya sendiri. Tidak ada baseline yang dapat mengakses web.

OMAKAI adalah restoran sushi omakase di Miami. Langkah pengambilan web milik produser mengambil omakai.com, mengekstrak nama brand, konsep omakase, dan positioning Miami, lalu mendasarkan storyboard sebelum panggilan pembuatan apa pun. Tidak ada baseline yang memiliki pengambilan web: Veo 3.1 menghasilkan rekaman restoran yang secara visual cukup baik tetapi topiknya generik dari string prompt; HeyGen V3 membacakan URL itu sendiri sebagai baris suara. Brief yang hanya berupa URL adalah kasus onboarding UKM yang paling dominan di aplikasi produksi.

6 Keterbatasan

Halusinasi rendah tetapi tidak nol. Kedua varian Creatify lolos dari ambang batas halusinasi kelas produksi (Pro di 1.90, Lite di 2.85), tetapi sebagian kecil iklan yang dihasilkan Pro masih mengandung sedikit goyangan teks brand atau inkonsistensi halus antar potongan yang terlewat oleh kritikus. Menekan sisa tersebut hingga nol adalah arah riset yang sedang aktif.

Hanya evaluasi sekali jalan. Benchmark menilai satu brief masuk, satu iklan keluar, tanpa giliran umpan balik. Agen di produksi bersifat percakapan; pengguna yang menandai cacat yang tersisa ("harga di adegan 3 salah") memicu pembuatan ulang per adegan secara presisi dengan koreksi yang disertakan. Tingkat halusinasi yang dapat dicapai melalui umpan balik interaktif jauh lebih rendah daripada angka sekali jalan yang dilaporkan di sini dan tidak dikaji dalam laporan ini.

7 Reprodusibilitas

Setiap klaim dalam laporan ini dapat direproduksi dari benchmark publik, yang dirilis sebagai open source bersamaan dengan peluncuran ini di github.com/creatify-ai/VABench. Kumpulan brief, skema, prompt juri, rubrik penilaian, kerangka runner, dan skrip agregasi semuanya disertakan. Kumpulan brief didaftarkan terlebih dahulu ke commit bertag sebelum sistem mana pun menghasilkan output, sehingga tidak ada sistem dalam benchmark yang dapat disetel untuk brief tertentu.

8 Karya terkait

• Pembuatan video multi-agen: Mora, VideoDirectorGPT, FilmAgent, StoryAgent, VISTA.
• Benchmark kualitas video: VBench / VBench-2.0; VideoGen-Eval; Artificial Analysis Video Arena untuk kontrol bias posisi berpasangan.
• Pemodelan reward untuk video: VideoReward / Flow-DPO, UnifiedReward.
• Rubrik khusus iklan: Springboards Creativity Benchmark, AdsQA, Pitt Ads Dataset, "Decoding the Hook" untuk evaluasi 3 detik pertama.
• Penjaminan kualitas closed-loop: Meta-Harness (Lee, Khattab, Finn et al.); Learning Beyond Gradients (Weng) tentang loop kritik-dan-revisi atas kebijakan eksplisit.