A Google introduziu a compreensão agentic de vídeo para o Gemini em 1º de setembro, dizendo que ela reduz os custos de análise em até 66% e o consumo de tokens em até 88%, ao mesmo tempo em que melhora a precisão em até 7%. O recurso é ativado definindo o processamento como agentic na configuração da API, com preços padrão de tokens da Gemini API, sem taxa adicional pelo recurso.

O que a formulação comum interpreta errado

Uma redução de 88% nos tokens soa como um avanço de compressão dentro do modelo. Não é isso. O modo agentic permite que o Gemini escolha quais momentos buscar, em qual taxa de quadros, e se deve usar quadros, áudio ou transcrição, em vez da antiga amostragem de quadros em taxa fixa. O modelo está assistindo a menos do vídeo. Isso é uma capacidade real e útil, mas é limitada pelo próprio julgamento do modelo sobre o que pode ser ignorado: em uma tarefa em que as evidências relevantes estão espalhadas por todo o tempo de execução, não há nada a pular e a economia desaba.

A diferença entre dois dos números

Note que a economia de custo (66%) é materialmente menor do que a economia de tokens (88%). A diferença é o próprio ciclo agentic — decidir o que observar também custa tokens. As três cifras são “até”, o que as torna tetos, não expectativas.

Onde isso realmente funciona

O segundo erro de enquadramento é de distribuição. O recurso foi lançado apenas na linha Flash — Gemini 3.7 Flash, 3.6 Flash e 3.5 Flash-Lite — e somente pela Gemini API no Google AI Studio e na Gemini Enterprise Agent Platform. O app Gemini recebe o recurso “em breve” e o “Ask YouTube” do YouTube, “nos próximos meses”. A maior parte da cobertura ilustrou o lançamento com o app para consumidores, que não o tem.

Por que a escolha de preços é o sinal

A Google afirma que o Gemini 3.7 Flash “atinge o frontier pareto de precisão em relação ao custo entre os modelos testados” e não está cobrando nada a mais pelo modo. Vídeo tem sido o formato em que o contexto longo deixou de importar, porque uma taxa fixa de quadros faz o custo escalar com o tempo de execução, e não com o conteúdo informacional. Romper esse vínculo e, em seguida, recusar-se a precificá-lo separadamente é uma aposta para transformar a análise de vídeo longo em uma carga de trabalho comum, e não especializada.