Google ha appena lanciato l’agentic video understanding per Gemini 3.7 Flash, 3.6 Flash e 3.5 Flash-Lite. E no, non è l’ennesima feature incremental di cui nessuno sentiva il bisogno.
Parliamo di numeri che fanno girare la testa: fino all’88% in meno di token consumati, costi tagliati del 66%, e — sorpresa — qualità migliorata del 7%. Sì, avete letto bene. Meno costi e qualità migliore. Di solito devi scegliere.
Come funziona (e perché è diverso)
Fino ad oggi, l’analisi video con i modelli AI funzionava così: tu carichi il video, il modello lo ingoia a una velocità fissa — di default 1 frame al secondo — e processa tutto. Ogni singolo frame. Che ti serva o no.
È come se dovessi guardare un film di tre ore fotogramma per fotogramma per trovare quella scena in cui il protagonista dice una battuta specifica. Inefficiente? Decisamente.
L’agentic video understanding cambia le carte in tavola. Gemini ora può decidere cosa guardare, quando guardarlo, e come guardarlo — frame per frame quando serve precisione millimetrica, a velocità normale quando basta il contesto, passando dall’audio al trascritto quando le immagini non bastano.
In pratica: il modello ragiona su cosa gli serve davvero, poi va a recuperare solo quei segmenti. Dinamicamente. Come farebbe un umano.
I benchmark (che questa volta dicono qualcosa)
Su LongVideoBench — un benchmark pensato per video lunghi, quelli veri, da 10 minuti a 90 minuti e oltre — Gemini 3.7 Flash con agentic video understanding si piazza sulla frontiera di Pareto per accuratezza-costo. Che tradotto significa: il miglior rapporto qualità-prezzo del gruppo testato.
E i guadagni sono più pronunciati proprio sui video lunghi, dove prima dovevi scegliere tra pagare una fortuna in token oppure perdere dettagli critici abbassando il frame rate.
Cosa ci puoi fare
Le applicazioni pratiche sono quelle che contano:
- Moment retrieval al millisecondo — trova tagli precisi e cambi di stato che a 1 FPS ti perdi completamente. Editing video automatico, finalmente sensato.
- Needle-in-a-haystack su video multi-ora — rispondi a query complesse su registrazioni lunghissime senza bruciare milioni di token.
- Anomaly detection — ricampiona finestre temporali interessanti ad FPS più alto per ispezionare movimenti rapidi e artefatti sottili.
- Conteggio accurato — traccia movimenti fisici ripetuti e oggetti distinti nel tempo. Sì, anche quelli veloci.
Come si attiva
Disponibile da oggi su Google AI Studio e Gemini Enterprise Agent Platform. Nessun costo aggiuntivo per la feature — usi il pricing standard dei token Gemini.
Nel codice, basta impostare processing: 'agentic' nella configurazione dell’API:
from google import genai
client = genai.Client()
interaction = client.interactions.create(
model='gemini-3.7-flash',
input=[
{
'type': 'video',
'uri': 'https://youtu.be/esempio',
'processing': 'agentic'
},
{
'type': 'text',
'text': 'Quali sono i 3 annunci più importanti in questo keynote?',
},
],
)
print(interaction.output_text)Tutto qui. Il modello fa il resto.
Arriva anche per gli utenti normali
La feature non resta confinata agli sviluppatori. Google la sta portando nell’app Gemini per tutti gli utenti — miliardi, dicono loro — sui modelli Flash e Flash-Lite. E nei prossimi mesi alimenterà anche ‘Ask YouTube’ nella pagina di visualizzazione video, sfruttando Gemini per dare risposte più precise basate sui contenuti visivi.
Tradotto: presto potrai chiedere a YouTube ‘in quale minuto spiega come si monta quella parte?’ e ottenere una risposta sensata. Groundata sulle immagini, non solo sul trascritto.
Gemini 3.7 Flash resta il modello consigliato se vuoi il massimo della qualità e il miglior trade-off costo-accuratezza. Ma la feature funziona anche su 3.6 Flash e 3.5 Flash-Lite, se hai vincoli di budget o latenza diversi.
Per chi lavora con video lunghi — tutorial, lezioni registrate, surveillance, meeting multi-ora — questa non è un’ottimizzazione marginale. È un cambio di paradigma. Finalmente.
