Google ha sorpreso il mercato annunciando tre nuovi modelli di intelligenza artificiale invece del tanto atteso Gemini 3.5 Pro. La società ha reso disponibili Gemini 3.6 Flash, Gemini 3.5 Flash Lite e Gemini 3.5 Flash Cyber, confermando implicitamente che il modello di fascia alta non ha ancora raggiunto gli standard qualitativi richiesti. Secondo Bloomberg, Gemini 3.5 Pro è stato rinviato dopo risultati interni inferiori alle aspettative, soprattutto nelle attività di programmazione. Un successivo tentativo di migliorare il modello aggiornando il dataset di addestramento, effettuato alla fine di giugno, non avrebbe prodotto i progressi sperati. La notizia ha avuto un impatto immediato sui mercati finanziari, contribuendo a una flessione di circa il 4,4% del titolo Alphabet in una singola seduta, con una riduzione della capitalizzazione di mercato nell’ordine dei 200 miliardi di dollari.

Incrementare le capacità di ragionamento, migliorare il coding, ridurre le allucinazioni e mantenere costi sostenibili rappresenta un equilibrio tecnico molto più difficile di quanto lasci intendere il marketing delle grandi aziende. Google, che in passato era stata criticata per la lentezza nel rispondere a OpenAI, oggi preferisce ritardare un rilascio piuttosto che distribuire un modello incapace di competere ai massimi livelli.

La scelta di puntare sulla famiglia Flash non è casuale. Questa linea è progettata per offrire velocità elevata, costi ridotti e prestazioni sufficientemente elevate da alimentare agenti AI, workflow aziendali e applicazioni in tempo reale. Il mercato enterprise sta infatti privilegiando modelli economici che possano essere eseguiti milioni di volte al giorno piuttosto che sistemi estremamente potenti ma costosi. In altre parole, l’ottimizzazione economica sta diventando importante quanto l’incremento delle prestazioni assolute.

Gemini 3.6 Flash rappresenta il modello di riferimento della nuova generazione. Secondo Google e i benchmark indipendenti di Artificial Analysis, utilizza circa il 17% di token in uscita in meno rispetto a Gemini 3.5 Flash, riducendo sensibilmente il costo operativo. Il prezzo dell’API scende a 1,50 dollari per milione di token in ingresso e 7,50 dollari per milione di token in uscita, contro i precedenti 9 dollari sul lato output. Per le aziende che orchestrano migliaia di agenti software questa differenza può tradursi in risparmi significativi.

Anche sul piano delle valutazioni automatiche emergono miglioramenti concreti. Gemini 3.6 Flash raggiunge il 49% su DeepSWE v1.1, benchmark dedicato all’ingegneria del software su progetti complessi, contro il 37% del precedente Flash. Su MLE Bench, focalizzato sull’ingegneria del machine learning, sale al 63,9% rispetto al 49,7%. Particolarmente interessante è il risultato ottenuto su OSWorld Verified, benchmark che misura la capacità di utilizzare realmente un computer eseguendo operazioni sul desktop, dove Google dichiara un punteggio dell’83%, superiore a Claude Sonnet 5 e GPT 5.6 Luna.

I benchmark, tuttavia, raccontano solo una parte della storia. Nei test pratici pubblicati da diversi analisti indipendenti il comportamento del modello durante lo sviluppo di codice HTML e JavaScript ha mostrato limiti evidenti. Pur costruendo una struttura logica generalmente corretta, il sistema avrebbe prodotto codice con errori di implementazione, rendering incompleto e problemi sintattici tali da renderlo inutilizzabile senza interventi successivi. In un caso documentato, DeepSeek è riuscito a correggere rapidamente diversi bug mantenendo quasi intatta l’architettura proposta inizialmente da Gemini. Questo suggerisce che il modello possieda una discreta capacità di pianificazione, ma continui a soffrire nella fase di esecuzione dettagliata, un problema che rimane uno degli ostacoli principali per il cosiddetto vibe coding completamente autonomo.

Gemini 3.5 Flash Lite segue invece una filosofia ancora diversa. L’obiettivo non è massimizzare la qualità assoluta, ma ottenere throughput estremamente elevato. Google dichiara una velocità di circa 350 token in uscita al secondo, con costi pari a 0,30 dollari per milione di token in ingresso e 2,50 dollari per milione di token in uscita. Si tratta di un modello pensato per pipeline documentali, indicizzazione di grandi archivi, sistemi di ricerca e compressione del contesto nelle conversazioni molto lunghe, uno scenario sempre più importante nello sviluppo degli agenti autonomi.

Il terzo annuncio riguarda Gemini 3.5 Flash Cyber, probabilmente il più interessante dal punto di vista strategico proprio perché non sarà disponibile al pubblico. Google ha deciso di limitarne l’accesso a governi e partner selezionati per attività di individuazione e correzione delle vulnerabilità software. Una scelta coerente con la crescente attenzione internazionale verso i cosiddetti modelli dual use, capaci sia di rafforzare la sicurezza informatica sia, potenzialmente, di facilitare attività offensive se distribuiti senza controlli.

Parallelamente Google ha confermato di avere già avviato il pre training di Gemini 4, definendolo il più ambizioso della propria storia. Il pre training rappresenta la fase nella quale un modello apprende da enormi quantità di dati prima dell’eventuale ottimizzazione specialistica. Il messaggio è chiaro: mentre il mercato discute del ritardo di Gemini 3.5 Pro, DeepMind sta già investendo nella generazione successiva.

La vicenda mette in evidenza una trasformazione profonda dell’industria dell’intelligenza artificiale. Il valore competitivo non dipende più esclusivamente dal rilascio del modello più potente, ma dalla capacità di costruire un’intera famiglia di modelli specializzati, ottimizzati per costi, velocità, sicurezza e casi d’uso differenti. È una logica molto più vicina all’ingegneria industriale che alla corsa spettacolare dei primi anni dell’AI generativa.

L’elemento più significativo rimane forse un altro. Per la prima volta uno dei principali protagonisti del settore ha accettato pubblicamente, almeno nei fatti, che un modello non fosse pronto per il mercato. È un segnale di maturazione. Dopo mesi dominati da annunci, classifiche e confronti sui benchmark, la qualità reale del software torna a pesare più delle promesse. Per sviluppatori e imprese questa è probabilmente la notizia più importante dell’intero annuncio: l’era in cui bastava aggiungere un numero al nome del modello per convincere il mercato sembra lasciare spazio a una competizione molto più concreta, nella quale affidabilità, costo operativo e qualità dell’esecuzione contano più dell’effetto sorpresa.