L’agente video di Gemini taglia i costi fino al 66%

Google analizza i filmati con un metodo agentico, tagliando token e costi operativi.

Immagina di dover analizzare ore di filmati con un budget AI limitato: per i modelli tradizionali ogni secondo è una valanga di token. Nei giorni scorsi, con il nuovo agente video di Gemini, quel costo può crollare fino all’88 per cento nel consumo di token, con un calo dei costi fino al 66 per cento e un miglioramento della qualità fino al 7 per cento.

Il video lungo smette di essere un lusso

Chi lavora con i filmati lo sa bene: cercare un momento preciso in un video di un’ora significa spesso mandare al modello l’intero contenuto, con costi che crescono in modo lineare e bollette che si fanno sentire. L’agente video ribalta questo schema: meno token, meno spesa, e pure un risultato migliore. Per chiunque debba estrarre un dettaglio da lunghe registrazioni, è una differenza che si vede subito in bolletta.

La comprensione video agentica è disponibile da subito per i video caricati e per i video YouTube tramite l’API Gemini in Google AI Studio e nella Gemini Enterprise Agent Platform. Non è il primo passo in questa direzione. Già a gennaio, Google aveva introdotto Agentic Vision in Gemini 3 Flash, portando la comprensione delle immagini in un processo agentico. L’agente video estende quella logica al formato più pesante, quello in cui il risparmio di token si sente di più. La promessa, insomma, è che il video lungo smetta finalmente di costare come un bene di lusso.

Sotto i cinque minuti, meglio non agitarsi

Dai numeri si scende al livello operativo: come si sceglie tra elaborazione statica e agentica? La regola pratica suggerita da Google è semplice: per clip più corte di circa cinque minuti, l’elaborazione statica resta la scelta più efficiente. Per i video più lunghi, invece, l’approccio agentico dà il meglio di sé.

È un po’ come scegliere tra leggere un documento pagina per pagina o mandare qualcuno a cercare i passaggi che contano davvero: per un foglietto illustrativo non serve un esploratore, per un archivio di ore di girato sì. La soglia dei cinque minuti, in questo senso, è la linea di confine tra “posso guardare tutto in una volta” e “mi conviene scegliere dove guardare”.

Il risparmio non è astratto: meno token consumati significa meno denaro speso, e la differenza cresce con la durata. Per chi lavora con video lunghi, come lezioni o riunioni registrate, la possibilità di passare al metodo agentico cambia i conti, soprattutto quando l’elaborazione statica diventa insostenibile. È una questione di metodo, prima ancora che di prezzo: sapere quando fermarsi all’approccio semplice evita di pagare un processo sofisticato quando non serve, mentre sapere quando attivarlo evita di sommergere il modello di informazioni ridondanti su filmati estesi.

La risposta che ancora non c’è

Se Google spinge sull’agente video, la concorrenza per ora corre su un binario diverso. GPT-4.1-mini non accetta video come input diretto: per lavorare su un filmato bisogna estrarne i frame statici di un intero video e sfruttare la finestra di contesto da un milione di token. Funziona, ma parte da una strada diversa: descrivere fotogrammi, non analizzare il video nel suo fluire.

La domanda aperta è se OpenAI colmerà questo divario o se Google avrà il tempo di consolidare il vantaggio sui video lunghi.

L’analisi video sta diventando più accessibile: la vera partita si giocherà sulla capacità di trasformare questo risparmio in strumenti quotidiani. Tenete d’occhio le prossime mosse di OpenAI e l’evoluzione dei prezzi.