Google porta l’analisi video agentica su Gemini: fino all’88% di token in meno

Google ha acceso i riflettori su una delle attività più costose per chi sviluppa con l’intelligenza artificiale: l’analisi dei video. Il primo settembre 2026 l’azienda ha annunciato l’analisi video agentica per i suoi modelli più recenti, una modalità che taglia in modo netto il consumo di token e i costi e, allo stesso tempo, migliora la precisione delle risposte.

La novità debutta su Gemini 3.7 Flash, 3.6 Flash e 3.5 Flash-Lite, e cambia alla radice il modo in cui il modello guarda un filmato.

Fino a ieri, per capire cosa accade in un video, Gemini ingeriva i fotogrammi a una cadenza fissa. Da oggi può decidere da solo dove guardare, a quale velocità e con quale segnale, comportandosi come un agente che indaga invece di un lettore passivo. Il salto di paradigma è più importante dei numeri, per quanto questi siano notevoli.

Cosa cambia con l’analisi video agentica di Gemini

Per anni i modelli multimodali hanno trattato un video come una sequenza di immagini campionate a intervalli regolari, in genere un fotogramma al secondo. Questo approccio, che Google chiama statico, ha un difetto strutturale: non distingue i momenti importanti da quelli irrilevanti. Un’ora di registrazione viene divorata fotogramma dopo fotogramma, che si tratti di una scena immobile o di un’azione rapidissima.

Il risultato è un dilemma che ogni sviluppatore conosce bene. O accetti un costo altissimo in token per non perdere dettagli, oppure abbassi la risoluzione temporale e rischi di lasciarti sfuggire proprio l’istante che conta.

L’analisi video agentica rompe questo compromesso. Invece di scorrere tutto a ritmo costante, Gemini attiva un ciclo agentico in cui ragiona sulla domanda che gli hai posto e poi richiama uno strumento interno per caricare solo le porzioni di video davvero utili. Può cercare, scansionare e ispezionare segmenti precisi, muovendosi tra fotogrammi, audio e trascrizione a seconda di cosa serve.

Google descrive questa capacità come parente stretta dell’analisi visiva agentica già introdotta per le immagini, dove il modello combina l’esecuzione di codice con la comprensione nativa dei contenuti. Qui la stessa logica viene portata al mondo del video.

In pratica, il modello smette di essere un divoratore indiscriminato di fotogrammi e diventa un investigatore. Sceglie cosa guardare, con quale frequenza e attraverso quale modalità.

I numeri: fino all’88% di token in meno e costi giù del 66%

La parte che farà drizzare le orecchie a chiunque gestisca un budget cloud riguarda l’efficienza. Sui benchmark standard di analisi video, Gemini con la modalità agentica riduce il consumo di token fino all’88% e i costi fino al 66%, mentre la precisione sale fino al 7%. Non è uno di quei casi in cui si guadagna in efficienza sacrificando qualità: qui i due obiettivi vanno nella stessa direzione.

I guadagni sono ancora più evidenti sui contenuti lunghi. Google cita in modo esplicito lo scenario che va dalla guida pratica di dieci minuti alle lezioni da un’ora e mezza, fino alle registrazioni di diverse ore. È proprio lì che il vecchio metodo statico costringeva a scegliere tra spese fuori controllo e la perdita di informazioni critiche.

Tra i tre modelli supportati, Gemini 3.7 Flash offre la qualità complessiva migliore e il rapporto più favorevole tra accuratezza e costo. Se vuoi capire meglio su quale famiglia di modelli poggia questa funzione, abbiamo raccontato l’arrivo di Gemini 3.7 Flash e del taglio di prezzo del 50% annunciato da Google poche settimane fa.

Vale la pena ricordare cosa sono i token in questo contesto: sono le unità minime con cui il modello misura, ed elabora, i contenuti che riceve. Meno token servono per capire un video, meno paghi e più in fretta arriva la risposta.

Come funziona l’approccio agentico ai video

Il cuore della novità è il passaggio da un consumo passivo a un ruolo attivo e orientato all’obiettivo. Gemini decide cosa guardare, a quale velocità e tramite quale segnale, recuperando solo i momenti e le informazioni di cui ha bisogno per rispondere.

Prima di questa funzione uno sviluppatore poteva ottenere risultati simili, ma solo a mano, costruendo pipeline complesse per selezionare le parti giuste del filmato. Ora quel lavoro viene svolto internamente dal modello, che apre e chiude le porzioni di video attraverso il suo ciclo agentico. L’onere di sviluppo cala in modo sensibile.

La capacità di scegliere la modalità, cioè se affidarsi ai fotogrammi, all’audio o alla trascrizione, è uno degli aspetti più interessanti. Se un’informazione è presente nel parlato, il modello può leggere la trascrizione senza sprecare token sui pixel. Non a caso Google sta rafforzando in parallelo la comprensione dell’audio, come mostra il recente modello Gemini 3.5 Transcribe dedicato alla trascrizione vocale.

Questa flessibilità nasce dalla natura multimodale dei modelli Gemini, capaci di trattare testo, immagini, audio e video con una sola architettura. Se il tema ti incuriosisce, abbiamo spiegato in una guida dedicata cosa sono i modelli multimodali e come funzionano.

Sul piano delle applicazioni concrete, Google elenca alcuni casi d’uso che diventano finalmente pratici. Vale la pena vederli da vicino.

• Individuazione di un istante preciso al di sotto del secondo, utile per il montaggio automatico e per cogliere transizioni che a un fotogramma al secondo sfuggirebbero.
• Ricerca del dettaglio nascosto dentro video lunghissimi, senza bruciare milioni di token.
• Rilevamento di anomalie, con la possibilità di rivedere a frequenza più alta le finestre temporali sospette.
• Conteggio accurato di azioni ripetute e di oggetti distinti nel corso del tempo.

Sono scenari che toccano settori molto diversi, dalla produzione video alla sicurezza, dall’analisi sportiva al controllo qualità industriale.

Dove trovi la funzione e quanto costa

L’analisi video agentica è disponibile da subito tramite la Gemini API, sia dentro Google AI Studio sia sul Gemini Enterprise Agent Platform, e funziona con i video caricati direttamente e con quelli di YouTube. Per attivarla non serve un piano speciale: basta impostare l’elaborazione sul valore agentico nella configurazione della chiamata.

Il dettaglio che conta per i conti è questo: la funzione usa il normale prezzo a token della Gemini API, senza costi aggiuntivi. In altre parole, l’efficienza si traduce subito in risparmio, perché paghi meno token per lo stesso risultato.

Google ha anche anticipato i prossimi passi. La modalità agentica arriverà agli utenti dell’app Gemini sui modelli Flash e Flash-Lite, e nei mesi a venire alimenterà la funzione di risposta alle domande sui video di YouTube, per offrire risposte più solide e ancorate a ciò che si vede nel filmato.

Diversi partner in accesso anticipato hanno già provato la novità su carichi di lavoro reali, un segnale che la funzione nasce con un occhio alle esigenze di chi costruisce prodotti, non solo ai benchmark.

Perché conta per chi lavora con i contenuti

Il video è da tempo il formato più ricco e insieme il più ostico da far digerire a un modello di intelligenza artificiale. Ogni secondo contiene una quantità enorme di informazioni, e trattarla per intero costa caro. Ridurre il conto dei token fino all’88% non è un dettaglio tecnico per addetti ai lavori: è ciò che rende sostenibile analizzare archivi di ore di registrazioni senza spendere una fortuna.

C’è poi un effetto meno visibile ma altrettanto importante. Spostando la logica di selezione dentro il modello, Google abbassa la barriera di ingresso. Chi prima doveva progettare pipeline sofisticate per ritagliare i pezzi giusti di un video può ora affidarsi al ciclo agentico e concentrarsi sul prodotto.

La mossa si inserisce in una corsa più ampia dei grandi laboratori verso modelli non solo più potenti, ma anche più economici da usare su larga scala. La partita, sempre di più, si gioca sul rapporto tra qualità e costo.

Se lavori con l’analisi dei filmati, che sia per il montaggio, la sicurezza, la ricerca o la moderazione dei contenuti, vale la pena provare la nuova modalità e misurare sul tuo caso reale quanto risparmi in token e quanto guadagni in precisione. Trovi tutti i dettagli tecnici nell’annuncio ufficiale sul blog di Google. E se stai valutando quale modello adottare per i tuoi progetti video, il momento giusto per fare i tuoi test è adesso.