Settembre 2026 è stato il mese in cui i tre colossi dell’intelligenza artificiale hanno lanciato i loro modelli più potenti quasi contemporaneamente, come corridori che tagliano il traguardo a pochi secondi l’uno dall’altro. ChatGPT-6 Astra di OpenAI è il modello più ambizioso mai rilasciato dall’azienda, progettato per compiti autonomi e ragionamento prolungato.
Claude Fable 5.1 di Anthropic è la nuova punta di diamante per la programmazione e i progetti complessi che richiedono supervisione minima. Gemini 3.8 Flash di Google, sulla carta, sembra il meno impressionante dei tre, è il modello “leggero” della famiglia, progettato per l’equilibrio tra potenza e velocità. Eppure c’è un’area in cui fa qualcosa che nessuno dei due rivali sa fare: capire i video.
Gemini guarda i video, gli altri no
La differenza non è sottile come sembra. Gemini 3.8 Flashaccetta testo, immagini, video, audio e documenti in formato fisso come input, con una finestra di contesto di oltre un milione di token. Ma la parte interessante non è che accetta i video, è come li elabora.
Google non converte i video in una manciata di fotogrammi chiedendo al modello cosa c’è dentro. Gemini 3.8 Flash utilizza quella che Google chiama “comprensione video agentica”. Invece di elaborare un intero video lungo nello stesso modo, il modello può navigare la cronologia e decidere autonomamente quali trascrizioni, fotogrammi e tracce audio deve esaminare per rispondere alla domanda specifica.
Google afferma che questo approccio può utilizzare fino all’ottantotto per cento in meno di token sui video lunghi, producendo al contempo risultati di qualità superiore di circa il sette per cento.
In pratica, si può dare a Gemini una registrazione lunga e fare domande molto specifiche:
Esempi di prompt da utilizzare con Gemini 3.8 Flash
In quale punto del video il relatore menziona [argomento specifico]?
Cosa succede nei trenta secondi prima che [evento specifico] si verifichi?
Cosa veniva mostrato sullo schermo quando il presentatore ha discusso [argomento]?
Confronta ciò che il relatore dice nei primi dieci minuti con ciò che afferma nella conclusione, si contraddice?
Gemini restituisce risposte legate a momenti specifici del video anziché costringere l’utente a scorrere l’intera registrazione manualmente.
I limiti di Astra e Fable 5.1
ChatGPT-6 Astra ha una finestra di contesto leggermente più ampia, un milione e cinquantamila token, e supporta testo e immagini. Ma la documentazione di OpenAI elenca esplicitamente l’input audio e video come non supportato. Astra è progettato per il lavoro autonomo e il ragionamento complesso su compiti testuali e visuali statici, ma non può ricevere un video e ragionarci sopra.
Claude Fable 5.1 ha una finestra di contesto da un milione di token e capacità di visione impressionanti, è particolarmente abile nel comprendere diagrammi, grafici, tabelle e altre informazioni visive strutturate. Ma le sue capacità di input e output sono limitate a testo e immagini. Nessun video, nessun audio nativo.
Si possono aggirare questi limiti estraendo i fotogrammi, generando una trascrizione o usando strumenti aggiuntivi prima di passare il materiale al modello. Ma non è la stessa cosa di un’elaborazione nativa, richiede lavoro manuale aggiuntivo e perde le informazioni temporali che collegano ciò che si vede a ciò che si sente in ogni momento del video.
Anche l’audio fa la differenza
Il vantaggio non si limita al video. Gemini 3.8 Flash accetta anche l’audio direttamente, il che significa che il modello può ragionare su ciò che sente come parte di un compito più ampio anziché richiedere che tutto venga prima convertito in testo.
Nel caso dei video, questo significa che Gemini lavora con i fotogrammi visivi, l’audio e i riferimenti temporali contemporaneamente. La modalità agentica può decidere se ha bisogno di recuperare una trascrizione, esaminare i fotogrammi o analizzare l’audio di una sezione particolare, e fare tutto questo senza che l’utente debba smontare il video in parti separate.
È utile per analizzare una lezione registrata, trovare un momento specifico in un video delle vacanze, verificare cosa è stato detto durante una presentazione o confrontare ciò che il relatore ha mostrato sullo schermo con ciò che ha detto a voce.
Il vantaggio di Gemini 3.8 Flash
Per capire perché questa differenza conta, basta pensare a quanta informazione oggi arriva sotto forma di video. Lezioni universitarie registrate, tutorial su qualsiasi argomento, presentazioni aziendali, videoconferenze, webinar, contenuti formativi, una quantità crescente di conoscenza viene proposta sotto forma di video, il che significa che per accedervi bisogna guardare l’intero video o scorrere a caso sperando di trovare il punto giusto.
Gemini 3.8 Flash trasforma quei video da contenuti sequenziali, che si possono fruire solo dall’inizio alla fine, in base di conoscenza che si può interrogare.
Per gli studenti che devono rivedere ore di lezioni registrate, per i professionisti che devono trovare un passaggio specifico in una videoconferenza di un’ora, è una capacità che da sola giustifica la scelta di un modello rispetto a un altro per quel compito specifico.
Sarebbe un errore scegliere un modello di intelligenza artificiale in base a una singola capacità. ChatGPT-6 Astra e Claude Fable 5.1 sono probabilmente scelte più appropriate per altri compiti, entrambi sono progettati per il ragionamento complesso e il lavoro autonomo prolungato, ed eccellono in ambiti dove Gemini 3.8 Flash non è progettato per competere.
Ma il video sta diventando una parte sempre più importante di ciò che diamo in pasto all’AI. Dalle presentazioni ai tutorial, dalle registrazioni di riunioni ai contenuti formativi, la capacità di prendere un video e trasformarlo in conoscenza da interrogare è un vantaggio che Google ha e che i suoi due più grandi rivali, al momento, non hanno.
Ti potrebbe interessare
9 set 2026