In questo articolo Indice dei contenuti 2 sezioni
La comprensione video di Gemini compie un passo avanti concreto, perché Google ha attivato una modalità agentica che permette all’assistente di analizzare filmati con una precisione inferiore al secondo e, allo stesso tempo, con un consumo di risorse molto più basso. In pratica si carica un video, anche lungo, e il modello lo esamina individuando movimenti, dettagli e oggetti senza dover macinare l’intero contenuto fotogramma per fotogramma come accadeva prima. Il risultato è doppio: più accuratezza e meno spesa.
L’annuncio riguarda i modelli più recenti della famiglia, quindi Gemini 3.7 Flash, Gemini 3.6 Flash e Gemini 3.5 Flash Lite. Tutti e tre ricevono la cosiddetta comprensione video agentica, una funzione che cambia il modo in cui l’intelligenza artificiale affronta i contenuti in movimento. Il punto non è soltanto capire di cosa parla un video, ma riuscire a puntare il dito su un istante preciso, distinguere un gesto da un altro, contare quante cose diverse compaiono nell’inquadratura.
Meno token consumati, più precisione nell’analisi
I numeri diffusi da Google raccontano bene la direzione. La riduzione nell’utilizzo dei token arriva fino all’88%, mentre l’accuratezza migliora fino al 7%. Detta così può sembrare un dettaglio tecnico da addetti ai lavori, invece ha un impatto molto pratico: i token sono l’unità con cui si misura il lavoro di un modello linguistico, e ogni token in meno significa costi più contenuti per chi sviluppa applicazioni sopra Gemini, oltre a tempi di risposta più snelli. Fino a oggi l’analisi di un filmato lungo restava una delle operazioni più pesanti per un’intelligenza artificiale generativa, semplicemente perché un video contiene una quantità enorme di informazioni visive da processare. L’approccio agentico prova a risolvere il problema con più intelligenza e meno forza bruta, andando a cercare le parti rilevanti invece di trattare tutto allo stesso modo. Da qui deriva quella precisione inferiore al secondo che Google mette in vetrina, utile ad esempio per individuare il momento esatto in cui succede qualcosa dentro una registrazione di ore.
Movimenti tracciati e oggetti contati uno per uno
Tra le capacità nuove ce ne sono due che meritano attenzione. La prima è il tracciamento del movimento fisico all’interno del video, quindi la possibilità di seguire uno spostamento nel tempo e non solo di riconoscere una scena statica. La seconda è il conteggio degli oggetti distinti presenti nel filmato, operazione tutt’altro che banale per un modello che deve capire quando due elementi simili sono in realtà la stessa cosa ripresa da angoli diversi.
Sono funzioni che aprono la porta a usi molto concreti, dall’analisi di riprese sportive al controllo di materiale girato per lavoro, passando per tutti quei casi in cui serve estrarre dati da un video invece di guardarlo per intero. E il fatto che arrivino sui modelli Flash, cioè quelli pensati per essere veloci ed economici, dice qualcosa sulla strategia: Google vuole che queste capacità siano accessibili senza costi proibitivi.
Il lavoro sull’assistente, del resto, procede su più fronti contemporaneamente. Nelle scorse settimane sono emerse novità in arrivo per Gemini su dispositivi mobili, mentre sul piano dei modelli il rilascio di Gemini 3.7 Flash ha rappresentato l’aggiornamento più visibile. La comprensione video agentica si inserisce in questa sequenza di miglioramenti progressivi, con l’idea di rendere l’assistente meno una curiosità e più uno strumento di lavoro quotidiano. Per chi costruisce servizi basati sull’intelligenza artificiale, la combinazione tra risparmio fino all’88% sui token e guadagno fino al 7% in accuratezza è probabilmente l’aspetto più interessante di tutta la novità, perché tocca insieme la qualità del risultato e il conto finale.
