Google ha usato Gemini per ripulire Chromium

Il modello ha aiutato Chrome a separare la gestione delle pagine web da una cartella legacy.

Sei milioni di righe. È da lì che bisogna partire per capire Gemini 4 Argon, lanciato da Google lo scorso 13 ottobre. Non dai benchmark, non dal prezzo: da una cartella legacy di funzionalità browser. Come si legge nell’annuncio ufficiale di Google, il modello ha aiutato il team di Chrome a separare la gestione delle pagine web principali da quella cartella di circa sei milioni di righe all’interno della codebase di Chromium, che ne conta quaranta milioni. Non è una prova di forza accademica: è un intervento di refactoring su una delle codebase più grandi del software contemporaneo.

Separare sei milioni di righe da una cartella legacy non è un’operazione che si esegue con una ricerca e sostituzione. Significa tracciare dipendenze tra moduli, capire dove una funzione browser ancora richiamata da altre parti del sistema può essere isolata senza rompere il comportamento. È il tipo di lavoro che i modelli linguistici affrontano storicamente male, perché richiede memoria del contesto oltre la finestra di un singolo file e una comprensione delle convenzioni interne al progetto. Il fatto che Argon sia stato usato per questo scopo sulla codebase di Chromium è un segnale diverso da qualsiasi punteggio su un dataset di esercizi.

I numeri di Antigravity completano il quadro. Argon in Antigravity ha aiutato i team ad aumentare le sottomissioni di codice agentico di oltre il 35%, riducendo al contempo i rollback del codice di quasi un terzo. Il secondo dato è il più interessante, perché non misura la quantità di codice prodotto ma la sua stabilità: nei progetti reali un rollback è un costo operativo, non una metrica di marketing. Qui sta la differenza qualitativa che i benchmark tradizionali non mostrano. Resta da capire come questa capacità si traduca nel posizionamento rispetto ai concorrenti.

La mappa dei benchmark e il valore economico

Sei milioni di righe dicono cosa Argon sa fare su un progetto reale; la mappa competitiva dice quanto vale sul mercato. Secondo il Vals Index, Argon è primo nell’indice che misura le prestazioni dei modelli in settori economici critici come finanza, coding, legale e fiscale. La differenza rispetto ai benchmark classici non è cosmetica: il Vals Index guarda a domini in cui un errore ha un prezzo immediato, non a esercizi da laboratorio. È una metrica che avvicina i punteggi al modo in cui le imprese compreranno davvero questi modelli: non per la capacità di superare un esame, ma per la resa in compiti dove il risultato è valutato in denaro.

Nei diciotto benchmark divulgati da Google, Argon guida in solitaria su dodici e pareggia per il primo su uno, secondo il report di VentureBeat. GPT-6 Astra guida in solitaria su tre e pareggia Argon su uno; Claude Opus 5.5 guida in solitaria su due. Tradotto: il vantaggio c’è, ma non è un dominio assoluto. I concorrenti tengono qualche presa, il che rende il resto della partita — adozione, integrazione, costi — più importante del primato in classifica.

Integrazione, prezzo e il precedente OpenAI

Dal posizionamento alla decisione operativa: a che condizioni si adotta Argon? Il modello è disponibile globalmente per sviluppatori e imprese tramite API in AI Studio e Gemini platform, per gli abbonati Google AI Ultra in Google Antigravity e per gli abbonati AI Ultra e Pro nell’app Gemini e in AI Mode in Search. Il prezzo introduttivo è di 2 dollari per milione di token in input e 10 dollari per milione di token in output, con i token di input in cache scontati del 95%. Il dettaglio della cache non è fine a sé stesso: in scenari di sviluppo con contesti lunghi e ripetuti il costo marginale dell’input crolla, ed è lì che si gioca parte dell’adozione.

Il precedente OpenAI spiega perché l’integrazione conta più del primato in classifica. Quando si diffuse la notizia dell’imminente lancio di Gemini, OpenAI accelerò il lavoro per integrare GPT-4 con funzionalità multimodali simili a quelle di Gemini. Non era una gara accademica: era una corsa sui tempi di rilascio e sul controllo dei canali di distribuzione. Se il ciclo si ripete, la domanda non è se Argon sia il migliore, ma per quanto tempo resterà il solo a mettere insieme capacità di codice reale, posizionamento economico e costi operativi. La risposta dei concorrenti, se la storia conta, è probabilmente già in lavorazione.

Per chi costruisce, il messaggio non è «Argon è il migliore». È che la misura dell’intelligenza artificiale si è spostata dai benchmark al debito tecnico e al costo per token. Il precedente OpenAI mostra che il ciclo si ripete; il vantaggio appartiene a chi integra prima.