W niedzielę 13 września 2026 w RAI Amsterdam wręczono nagrody IBC2026 Innovation Awards. Wcześniej, 25 lutego 2026 w BBC Broadcasting House w Londynie, tytuł Accelerator Project of the Year za rok 2025 otrzymał projekt „AI Agent Assistants for Live Production”, pokazany na IBC2025. To demonstrator, w którym sztuczna inteligencja w produkcji koordynuje narzędzia realizacji, w tym grafikę, dźwięk i przetwarzanie obrazu. Głosowo sterowany „AI Assistant Director” koordynował pracę kilku wyspecjalizowanych agentów i przeprowadził od początku do końca pokazowe wydanie serwisu informacyjnego na żywo.
Championami projektu byli trzej brytyjscy nadawcy: ITN, BBC i Channel 4. Jako uczestnicy wymienieni są CUEZ, Amira Labs, Highfield-AI, Monks, CuePilot, Shure, EVS, Moments Lab i Google Cloud. To istotny szczegół — nie jest to premiera produktu jednego dostawcy, a wspólny proof of concept nadawców i producentów oprogramowania.
Co dokładnie pokazano
Punktem wyjścia była diagnoza, którą dokumentacja projektu formułuje wprost: przepływy pracy w studiach na żywo są rozdrobnione i kosztowne, bo opierają się na systemach zbudowanych w różnych epokach technologicznych, a jednocześnie rośnie liczba platform, na które trzeba dostarczyć ten sam program. Projekt jest kontynuacją akceleratora z 2024 roku pod nazwą „Evolution of the Control Room”.
Zespół zbudował coś, co w dokumentacji nazwano galerią „media-first” z własnym asystentem sterowanym głosem. Asystent działał jako agent orkiestrujący: przyjmował polecenia w języku naturalnym, rozdzielał zadania na agentów wyspecjalizowanych i nadzorował ich pracę. Warstwę integracyjną oparto na integracjach Gemini, zestawie narzędzi ADK do budowy agentów oraz protokołach A2A i MCP do komunikacji między agentami i między agentem a narzędziem.
Dziewięć obszarów pracy agentów
Pokaz obejmował agentów dedykowanych dziewięciu obszarom: dźwięk, automatyka, kontrola poprawności, wyszukiwanie treści, grafika, automatyka muzyczna, scenariusz emisyjny, emisja i poprawa jakości obrazu. Zadania, które wykonywały, dokumentacja wylicza konkretnie: nawigowanie po scenariuszu emisyjnym, wykrywanie błędów, uprzedzanie problemów, zanim wejdą na antenę, łączenie danych z systemu redakcyjnego z grafiką oraz rekomendowanie materiałów.
Warto zwrócić uwagę na rozłożenie akcentów. To warstwa, która spina istniejący łańcuch produkcji, także jego narzędzia generatywne. Dokumentacja opisuje sztuczną inteligencję jako „inteligentny interfejs użytkownika” nowej generacji, a nie jako kolejne urządzenie w torze. Dla nadawcy to zmiana w miejscu, gdzie dotąd integrację robiło się kablem i sterownikiem.
Deklarowany kierunek jest jednoznaczny: „human augmentation rather than replacement” — wspieranie człowieka, nie zastępowanie go, przy utrzymaniu kontroli redakcyjnej. Dokumentacja podkreśla też, że powstał system, nie produkt, i że jest on niezależny od konkretnego oprogramowania, na którym go testowano.
Czego ten projekt nie rozstrzyga
Prezentacja projektu wskazuje problemy z opóźnieniami, niedojrzałość części technologii oraz ograniczenia bezpieczeństwa i uwierzytelniania. Ocena gotowości do praktyki wymaga jednak ilościowych wyników testów.
- Brak ilościowego benchmarku. W przejrzanych materiałach nie znaleźliśmy wyników testów czasu reakcji agentów, opóźnienia wnoszonego do toru ani odsetka poleceń rozpoznanych błędnie. Takie dane pomogłyby ocenić gotowość systemu do emisji na żywo.
- Metodyka pomiaru obciążenia poznawczego. Wśród osiągnięć wymieniono zmniejszenie obciążenia operatorów. W przejrzanych materiałach nie znaleźliśmy metody pomiaru, liczby badanych osób ani warunków badania. To deklaracja korzyści, której nie możemy tu traktować jako ilościowego wyniku.
- Zakres otwartości. Google udostępnił publiczne repozytorium przykładowych implementacji, z licencją Apache-2.0 i archiwum projektu z 2025 roku. Nie dowodzi to otwarcia całego stosu wszystkich uczestników; kompletność kodu i zakres licencji poszczególnych integracji trzeba sprawdzić osobno.
- Wymienność modeli do sprawdzenia. Demonstrator wykorzystywał Gemini. Nie przesądza to o braku interoperacyjności agentów ani możliwości zmiany modelu; zakres wymienności w tym konkretnym demonstratorze wymaga dalszych testów.
- Nie wiadomo, co przy awarii. W przejrzanych materiałach nie znaleźliśmy opisu zachowania systemu przy utracie łącza do modelu w chmurze w trakcie emisji. W realizacji telewizyjnej to pytanie pierwszej kategorii, nie szczegół wdrożeniowy.
- Odpowiedzialność redakcyjna. „Utrzymanie kontroli redakcyjnej” nie mówi, kto odpowiada za błąd wypuszczony na antenę na podstawie rekomendacji agenta. Dokumentacja nie rozstrzyga podziału odpowiedzialności między operatora, nadawcę i dostawcę technologii.
- Granica zastosowania. Demo dotyczyło galerii informacyjnej: krótkie decyzje, powtarzalna struktura, gotowy scenariusz emisyjny. Przeniesienie tego na produkcję fabularną lub dokumentalną nie zostało pokazane i nie wynika z pokazu.
Dodać trzeba jeszcze jedno: nagrodę przyznało jury tej samej organizacji, która prowadzi program akceleratora. Dokumentacja, na której opiera się ten opis, jest dokumentacją własną IBC. Projekt otrzymał także nagrodę Best AI Innovation (Workflow) w Broadcast Tech Innovation Awards 2025, ale w przejrzanych źródłach nie znaleźliśmy niezależnego ilościowego benchmarku niezawodności.
IBC Amsterdam nagrodziło infrastrukturę, nie generatory
Kontekst pozostałych nagród jest wymowny. W kategorii Content Creation zwyciężył Media eXchange Layer — inicjatywa open source Europejskiej Unii Nadawców wspólnie z North American Broadcasters Association, hostowana przez Linux Foundation i wdrożona przez CBC/Radio-Canada. W Content Distribution nagrodzono Reutersa za zastąpienie infrastruktury o stałej przepustowości systemem zestawianym przez API pod konkretne wydarzenie.
Wszystkie trzy przypadki dotyczą tej samej warstwy: sposobu, w jaki oprogramowanie rozmawia z oprogramowaniem. Rok, w którym publiczna dyskusja o AI w mediach skupiła się na generowaniu twarzy i głosów, w Amsterdamie zamknął się nagrodami za protokoły i warstwy integracyjne. To przesunięcie warto odnotować, bo właśnie tam podejmowane są decyzje o kosztach produkcji.
Dlaczego to istotne dla szkół i małych produkcji
Dla studenta reżyserii lub realizacji obrazu najważniejszy wniosek nie dotyczy sprzętu. Jeżeli protokoły w rodzaju A2A i MCP wchodzą do narzędzi produkcyjnych, to kompetencją staje się precyzyjne formułowanie zadania w języku naturalnym i — o wiele ważniejsze — umiejętność sprawdzenia, co system faktycznie zrobił. Zatwierdzanie rekomendacji bez weryfikacji jest w tym układzie nowym rodzajem błędu warsztatowego.
Dla małych ekip perspektywa jest konkretniejsza. Funkcje, które w pokazie rozbito na osobnych agentów — kontrola poprawności, wyszukiwanie materiału, prowadzenie scenariusza emisyjnego — w małej produkcji i tak wykonuje jedna osoba, zwykle kosztem uwagi poświęconej reszcie. Systemy agentowe obiecują tu realne odciążenie. Zmienia się jednak charakter pracy: rośnie liczba decyzji, które trzeba nadzorować, nie wykonując ich samemu.
Dla szkół filmowych to propozycja wzbogacenia programu nauczania. Oprócz obsługi pulpitu warto ćwiczyć weryfikację działań asystenta i odpowiedzialność redakcyjną za decyzje podejmowane z jego udziałem — na etiudach, zanim pojawi się presja pracy na antenie. Szerszy przegląd narzędzi i ich faktycznych możliwości zebraliśmy w tekście o sztucznej inteligencji w całym procesie produkcji filmu fabularnego, a o tym, jak nowe funkcje przekładają się na etaty, pisaliśmy przy okazji stanowiska AI Video Manager w Netfliksie.
Źródło: TV Tech — IBC2026 Announces IBC Innovation Award Winners; dokumentacja projektu IBC Accelerator „AI Agent Assistants for Live Production”. Źródła pierwotne: IBC — wręczenie nagrody za 2025; IBC2026 — zwycięzcy; dokumentacja projektu IBC; prezentacja demonstratora; repozytorium Google; Google ADK; Broadcast Tech — nagrody 2025.
Obrazek wyróżniający: Ilustracja wygenerowana przez AI dla AMA Film Center; nie przedstawia opisywanego demonstratora ani wydarzenia IBC.