Google ha introdotto la comprensione video agentica per Gemini il 1° settembre, affermando che riduce i costi di analisi fino al 66% e il consumo di token fino all'88%, migliorando al tempo stesso la precisione fino al 7%. La funzione si attiva impostando il processamento su agentic nella configurazione API, con la tariffazione standard dei token dell'API Gemini e senza alcun costo aggiuntivo per la funzionalità.

Ciò che la lettura comune fraintende

Una riduzione dell'88% dei token sembra una svolta nella compressione all'interno del modello. Non lo è. La modalità agentic consente a Gemini di scegliere quali momenti recuperare, a quale frequenza di fotogrammi e se usare fotogrammi, audio o trascrizione, al posto del vecchio campionamento dei fotogrammi a frequenza fissa. Il modello guarda meno del video. È una capacità reale e utile, ma è limitata dal giudizio del modello su ciò che può essere saltato: in un compito in cui le prove rilevanti sono sparse lungo tutta la durata, non c'è nulla da saltare e il risparmio crolla.

Il divario tra due dei numeri

Va notato che il risparmio sui costi (66%) è sensibilmente inferiore al risparmio sui token (88%). La differenza è lo stesso ciclo agentico — decidere cosa guardare consuma anch'esso token. Tutte e tre le cifre sono “fino a”, il che le rende limiti massimi e non aspettative.

Dove funziona davvero

Il secondo errore di lettura riguarda la distribuzione. La funzione è stata rilasciata solo sulla linea Flash — Gemini 3.7 Flash, 3.6 Flash e 3.5 Flash-Lite — e solo tramite l'API Gemini in Google AI Studio e nella Gemini Enterprise Agent Platform. L'app Gemini la riceverà “presto” e “Ask YouTube” di YouTube nei “prossimi mesi”. Gran parte della copertura ha illustrato il lancio con l'app consumer, che non la dispone.

Perché la scelta di prezzo è il segnale

Google afferma che Gemini 3.7 Flash “raggiunge il fronte di Pareto tra accuratezza e costo fra i modelli testati” e non fa pagare nulla in più per la modalità. Il video è stato il formato in cui il lungo contesto ha smesso di contare, perché una frequenza fissa dei fotogrammi fa scalare il costo in base alla durata anziché al contenuto informativo. Spezzare quel legame e poi rinunciare a prezzarlo separatamente è un tentativo di rendere l'analisi di video lunghi un carico di lavoro standard, e non specialistico.