In questo articolo Indice dei contenuti 3 sezioni
Nella corsa ai modelli di intelligenza artificiale più potenti, Gemini 3.8 Flash parte in teoria come il fratello minore della famiglia Google, quello pensato per stare in equilibrio tra potenza e velocità, e invece si porta a casa un primato che né ChatGPT-6 Astra né Claude Fable 5.1 possono rivendicare: sa guardare i video. Non metaforicamente, non estraendo qualche fotogramma alla rinfusa, ma elaborandoli davvero come materiale nativo.
Settembre 2026 è stato il mese della grande sovrapposizione, con i tre colossi che hanno presentato i loro modelli di punta praticamente nello stesso momento. ChatGPT-6 Astra di OpenAI è il progetto più ambizioso mai firmato dall’azienda, costruito per compiti autonomi e ragionamento prolungato. Claude Fable 5.1 di Anthropic è la nuova arma per la programmazione e per i progetti complessi che richiedono supervisione minima. Sulla carta Gemini 3.8 Flash sembrava il meno impressionante del terzetto. Poi si guarda cosa fa con i contenuti audiovisivi e il quadro cambia.
Comprensione video agentica, cosa significa in pratica
Gemini 3.8 Flash accetta testo, immagini, video, audio e documenti a formato fisso, con una finestra di contesto che supera il milione di token. Ma il punto interessante non è la lista degli input, è il metodo. Google non riduce un video a una manciata di immagini da commentare. Usa quella che chiama comprensione video agentica: il modello naviga la cronologia del filmato e decide da solo quali trascrizioni, quali fotogrammi e quali tracce audio gli servono per rispondere a una domanda precisa. Secondo Google, questo approccio consuma fino all’88 per cento in meno di token sui video lunghi, con risultati di qualità superiore di circa il 7 per cento. Tradotto: si carica una registrazione lunga e si chiede in quale punto il relatore ha citato un argomento specifico, cosa succede nei trenta secondi prima di un certo evento, cosa veniva mostrato sullo schermo mentre il presentatore parlava di un tema. Oppure si può chiedere un confronto tra i primi dieci minuti e la conclusione, per capire se chi parla si è contraddetto. Le risposte tornano agganciate a momenti precisi del video, senza dover scorrere l’intera registrazione a mano.
Dove Astra e Fable 5.1 si fermano
ChatGPT-6 Astra ha una finestra di contesto leggermente più generosa, un milione e cinquantamila token, e gestisce testo e immagini. La documentazione di OpenAI però indica in modo esplicito l’input audio e video come non supportato. Astra è tarato sul lavoro autonomo e sul ragionamento complesso applicato a materiale testuale e visivo statico, ma un video non può proprio riceverlo.
Claude Fable 5.1 arriva a un milione di token di contesto e ha capacità di visione notevoli, soprattutto con diagrammi, grafici, tabelle e informazioni visive strutturate. Input e output però si fermano a testo e immagini. Nessun video, nessun audio nativo. Certo, si possono aggirare i limiti estraendo fotogrammi, generando trascrizioni o appoggiandosi a strumenti esterni prima di passare tutto al modello. Non è la stessa cosa. Richiede lavoro manuale e soprattutto fa perdere le informazioni temporali che tengono insieme ciò che si vede e ciò che si sente in ogni istante.
Perché l’audio nativo cambia le carte
Il vantaggio non riguarda solo il video. Gemini 3.8 Flash accetta anche l’audio diretto, quindi ragiona su ciò che sente dentro un compito più ampio, senza pretendere che tutto venga prima trasformato in testo. Nel caso dei filmati questo significa lavorare in parallelo su fotogrammi, audio e riferimenti temporali. La modalità agentica decide se recuperare una trascrizione, ispezionare alcuni fotogrammi o analizzare l’audio di una sezione, tutto senza che qualcuno debba smontare il video pezzo per pezzo.
Utile per una lezione registrata, per ritrovare un momento in un video delle vacanze, per verificare cosa è stato detto durante una presentazione o per mettere a confronto le slide con le parole pronunciate a voce. E il punto è proprio questo: lezioni universitarie, tutorial, presentazioni aziendali, videoconferenze, webinar, contenuti formativi. Una quantità crescente di conoscenza viaggia in formato video, e finora l’unico modo per accedervi era guardarlo tutto o scorrere a caso. Gemini 3.8 Flash trasforma quei contenuti sequenziali in una base di conoscenza da interrogare. Scegliere un modello di intelligenza artificiale guardando una sola funzione sarebbe un errore, va detto. Astra e Fable 5.1 restano probabilmente più adatti per altri lavori, entrambi nascono per il ragionamento complesso e per l’autonomia prolungata, terreni dove Gemini 3.8 Flash non prova nemmeno a competere. Ma sul video, oggi, il vantaggio è tutto di Google.
