La comprensione video agentica di Gemini è qui: la modalità API che riduce i costi di analisi video di due terzi

Il 1° settembre 2026 Google ha introdotto la comprensione video agentica per Gemini 3.7 Flash, Gemini 3.6 Flash e Gemini 3.5 Flash-Lite — una nuova modalità nell'API Gemini che smette di trattare un video come un ammasso di fotogrammi e comincia a trattarlo come un documento ricercabile. L'annuncio di Google DeepMind, scritto dal senior product manager Rohan Doshi e dal direttore della ricerca Mario Lučić, è il primo importante cambiamento nel modo in cui Gemini legge i video da quando i modelli hanno ricevuto questo tipo di input: invece di un modello che mastica silenziosamente un campione fisso di fotogrammi, il modello ora decide, mentre risponde, cosa guardare, a quale velocità e attraverso quale dei tre canali — fotogrammi visivi, audio o trascrizioni. L'effetto principale, tutto dichiarato dal fornitore e non ancora verificato in modo indipendente, è che l'analisi video costa fino al 66% in meno, consuma fino all'88% di token in meno e risponde con una precisione superiore fino al 7% rispetto alla baseline fotogramma per fotogramma che sostituisce.

Cosa cambia davvero “agentico” sotto il cofano

Il vecchio comportamento è ciò che Google ora chiama elaborazione "statica": fornisci un video a Gemini, ed esso campiona i fotogrammi a una frequenza fissa — il default è un fotogramma al secondo — fa passare l'intero campione attraverso il modello, e risponde in base a ciò che quella griglia fissa ha catturato. Questo ha due punti ciechi strutturali. Un cambiamento di stato che avviene tra due fotogrammi campionati semplicemente non esiste per il modello. E un video di due ore campionato a 1 FPS costa una fortuna in token, la maggior parte dei quali spesi per filmati che non avevano nulla a che fare con la domanda.

La comprensione video agentica sostituisce la griglia fissa con un ciclo. Il modello abbina il suo ragionamento di base a strumenti video nativi che gli consentono di decidere dinamicamente cosa guardare, a quale velocità guardarlo e attraverso quale modalità ispezionarlo — fotogrammi visivi, traccia audio o trascrizione. Richiama uno strumento interno per caricare solo i segmenti pertinenti del file, recuperare i momenti e i segnali di cui la domanda ha effettivamente bisogno, per poi ragionare su ciò che ha estratto. Google lo descrive come lo stesso schema architetturale della funzionalità di visione agentica rilasciata in precedenza: il modello non è più un consumatore passivo dei media; è un agente che interroga il media come uno strumento.

La conseguenza pratica è che "cosa ha visto il modello?" smette di essere una questione di fortuna nel campionamento. Una domanda su un taglio di una frazione di secondo, un difetto appena visibile o una parola pronunciata sotto un rumore di fondo è rispondibile perché il modello può ri-scansionare l'esatta finestra a risoluzione e frequenza più elevate, nella modalità in cui risiede la risposta.

I numeri, etichettati per quello che sono

Il confronto benchmark condotto da Google tra elaborazione agentica e statica è il cuore dell'annuncio, e va letto come un'affermazione del fornitore finché una parte esterna non lo replica. Sul suo set di test interno:

Costo — riduzione fino al 66% dei costi di analisi, grazie al fatto che il modello carica solo i segmenti di cui ha bisogno invece dell'intero campione fisso.

• Token — fino all'88% di consumo di token in meno, con i maggiori risparmi sui video di lunga durata: l'annuncio menziona in particolare guide di 10 minuti rispetto a registrazioni di più ore.

• Precisione — fino al 7% in più sugli stessi compiti, perché gli eventi sub-secondo e tra un frame e l'altro diventano visibili invece di cadere nelle lacune di campionamento.

Google colloca Gemini 3.7 Flash sulla "frontiera di Pareto tra accuratezza e costo" dei modelli testati — in parole povere, la migliore risposta per dollaro dei tre. Indica anche quattro partner in early access — Ponder, Revyl, Mosaic e Resemble.AI — che hanno sviluppato su questa modalità prima della disponibilità generale, un dettaglio che lascia intendere un uso produttivo reale anziché una presentazione di slide. Nessuno di questi partner ha pubblicato risultati, quindi la posizione più credibile è: il meccanismo è reale, la direzione è chiaramente giusta, e le percentuali specifiche restano quelle di Google finché non saranno misurate in modo indipendente.

I casi d'uso per cui la funzionalità è stata sviluppata

L'annuncio raggruppa la capacità in quattro categorie, ciascuna delle quali corrisponde a un carico di lavoro concreto che uno sviluppatore può pubblicare:

• Recupero di momenti sub-secondo — individuare con precisione cambiamenti di stato di una frazione di secondo e confini di taglio netti che una griglia a 1 FPS non coglie affatto. Questo è il caso d'uso del montaggio video automatico: trovare il fotogramma esatto in cui avviene un cambio di scena.

• Ricerca lunga come cercare un ago in un pagliaio — rispondere a una domanda specifica su un video di molte ore senza consumare milioni di token. È la differenza tra "guarda questa chiamata di 3 ore" e "il cliente ha accettato il rinnovo in questa chiamata di 3 ore?".

• Rilevamento delle anomalie — il modello ricampiona finestre temporali interessanti a una frequenza di fotogrammi più elevata per ispezionare movimenti rapidi e sottili artefatti visivi. Il controllo qualità nella produzione, l'analisi sportiva e i filmati di sorveglianza sono gli ambiti di applicazione più ovvi.

• Contare azioni e oggetti — tracciare movimenti fisici ripetuti e oggetti distinti nel tempo, che il campionamento statico sottostima quando la cosa contata si muove più velocemente della frequenza di campionamento.

Quali modelli e quanto costano

La funzionalità si basa sul livello Flash, e la differenza di prezzo tra i tre modelli è determinante per scegliere dove indirizzarla:

• Gemini 3.7 Flash — $0,75 in input / $3,75 in output per milione di token alla tariffa promozionale, confermata fino al 31 dicembre 2026, dopodiché raddoppia a $1,50 / $7,50. Il leader dei tre per rapporto accuratezza/costo.

• Gemini 3.6 Flash — $1,50 / $7,50 per milione di token. L'opzione stabile e non promozionale del trio.

• Gemini 3.5 Flash-Lite — $0,30 / $2,50 per milione di token. L'opzione economica, per lo smistamento video ad alto volume, dove ciò che conta è il token più economico.

Poiché la funzionalità utilizza la tariffazione standard dei token dell'API Gemini senza costi aggiuntivi, la riduzione dell'88% dei token si riflette direttamente su queste tariffe. Un workload che costava $100 per l'analisi statica dovrebbe costare all'incirca tra $12 e $34 con l'elaborazione agentica sullo stesso modello, prima di qualsiasi miglioramento in termini di accuratezza — che è la vera storia per chiunque abbia una pipeline che attualmente brucia token per il re-upload o il campionamento dei frame di video lunghi.

Come accenderlo

La modalità si abilita con un singolo flag di configurazione — passare processing "agentic" nella richiesta — e funziona con gli stessi input e prezzi dell'API standard. Nessun endpoint separato, nessuna nuova dimensione di fatturazione, nessuna quota speciale. Il percorso Python utilizza l'API interactions dell'SDK google-genai, ad esempio con il modello "gemini-3.7-flash" e un video più un prompt di testo come input; il video può essere un caricamento diretto, un URI di Cloud Storage, un URL HTTP pubblico o un URL di YouTube a seconda della superficie che si sta chiamando.

Due vincoli pratici da conoscere prima di sviluppare: i file video sono soggetti ai limiti di dimensione della piattaforma (nel percorso Enterprise Agent Platform, circa 15 MB per file), e la Gemini Enterprise Agent Platform supporta i formati contenitore più comuni — MP4, MOV, AVI, WebM, WMV, MPEG — quindi la gestione dei formati avviene prima della chiamata API, non al suo interno.

Dove gira ora e dove sta andando

Al lancio, la comprensione video agentica è disponibile per i caricamenti video e per i video di YouTube tramite l'API Gemini in Google AI Studio e tramite la piattaforma agentica enterprise Gemini — ovvero la superficie per sviluppatori e aziende. Sono stati annunciati due rollout consumer, ma non ancora attivi: l'app Gemini, dove la funzionalità verrà distribuita presto a tutti gli utenti sui modelli Flash e Flash-Lite, e la funzione "Ask YouTube" di YouTube nella pagina di visualizzazione dei video, che Google dice arriverà nei prossimi mesi. Per uno sviluppatore che valuta la funzionalità, l'API è il posto onesto dove testarla oggi; le superfici consumer sono la mossa di distribuzione che normalizzerà l'espressione.

C'è anche un segnale ecosistemico degno di nota: poiché la funzionalità è disponibile come modalità API standard, i progetti MCP-server e agent-framework che avvolgono la comprensione video di Gemini — il framework GenV per l'analisi delle riunioni, i pacchetti MCP per la ricerca video e le skill video di Gemini apparse negli ultimi mesi — possono adottarla senza modificare la propria architettura. È l'aggiornamento della modalità, non un nuovo SDK, a sbloccare la riduzione dei costi.

Cosa verificare prima di fidarti delle percentuali

Ogni numero nell'annuncio — il 66%, l'88%, il 7%, l'affermazione sulla frontiera di Pareto — è di Google stessa, misurato sul set di test di Google stessa, e nessuno di questi è stato replicato al di fuori dell'azienda. La direzione non è in discussione: un ciclo agentico che carica solo i segmenti rilevanti non può che battere una griglia fissa che carica tutto. L'entità è la questione aperta, e varierà in base al carico di lavoro — un clip di 2 minuti con una singola domanda non vedrà un risparmio di token dell'88%, perché non c'è molto da saltare; una chiamata di 3 ore con una domanda mirata invece sì. Il test giusto è il tuo video long-form, eseguito una volta con elaborazione statica e una volta con elaborazione agentica, sullo stesso modello, contando token reali e dollari reali.

L'economia di quel test è esattamente il punto in cui un routing layer dimostra il proprio valore. Gemini 3.6 Flash e Gemini 3.5 Flash-Lite — due dei tre modelli a cui si applica questa funzionalità — sono serviti su OrcaRouter al listino di Google applicato senza alcun markup (0%), quindi un taglio di prezzo sull'analisi video è attivo dalla nostra parte lo stesso giorno in cui è attivo presso Google; Gemini 3.7 Flash, il terzo e più recente, è disponibile tramite l'API di Google e diverse piattaforme di terze parti. E poiché la comprensione video agentica è una funzionalità appena rilasciata, i cui delta nel mondo reale non sono ancora stati verificati, è il caso da manuale per il failover automatico: indirizza una porzione del traffico video verso la modalità agentica, lascia che il router ripieghi su un modello collaudato in caso di errori, limiti di frequenza o evidenti regressioni di qualità, e mantieni attivo il percorso di base finché la nuova modalità non si sarà guadagnata il traffico.

Il cambiamento è più di una semplice aggiunta di funzionalità. Il video è stato l'input multimodale scomodo per due anni — enormemente espressivo, enormemente costoso da analizzare, e di fatto letto con una perdita di campionamento. La comprensione video agentica è la prima risposta seria di Google a tutti e tre i problemi contemporaneamente, e arriva sul livello più economico della sua linea di modelli anziché sul modello di punta. Per i team che hanno evitato i carichi di lavoro video a causa del costo dei token, vale la pena rifare i conti oggi su questa modalità.