A cura di Giovanni Masi
Google ha presentato Gemini 3 come un salto orientato alla messa a terra dell’AI nei flussi di lavoro, più che come una semplice dimostrazione di forza su test accademici. La promessa è quella di un modello capace di ragionare, scrivere codice e agire con strumenti in modo più robusto, sfruttando il vantaggio infrastrutturale di un’integrazione nativa con la piattaforma Google. Il risultato, osservato nelle prime settimane, è un’accelerazione su due fronti che interessano direttamente aziende e sviluppatori. Da un lato la produttività, perché le capacità agentiche riducono il costo di portare a termine compiti lunghi. Dall’altro la standardizzazione, perché Gemini 3 viene distribuito attraverso canali coerenti tra app consumer, ambienti enterprise e API.
Un rilascio pensato per l’ecosistema Google
A differenza di lanci che arrivano come “modello puro” e solo dopo vengono innestati in prodotti, Gemini 3 nasce già come componente di piattaforma. La documentazione e la model card lo collocano in un perimetro ampio che include la Gemini app, Google AI Studio, Vertex AI e Gemini API, oltre a Google AI Mode e al nuovo ambiente di sviluppo agentico Antigravity. Questa scelta rende il rilascio meno spettacolare sul piano narrativo, ma più incisivo sul piano operativo. Per molti team la domanda non è più se un modello sia bravo in astratto, ma se è “distribuibile” in modo sicuro e controllabile.
Benchmark: quando contano tool use e coding agentico
La retorica ufficiale di Gemini 3 insiste sul coding, perché è il dominio in cui i miglioramenti diventano immediatamente tangibili in termini di tempo risparmiato e ticket chiusi. I numeri più citati nei materiali di lancio e nella pagina di valutazione del modello riguardano tre test che misurano l’uso di strumenti e la capacità di operare su repository reali.
Sul versante “terminal”, Terminal‑Bench 2.0 valuta la capacità di un agente di usare un computer attraverso comandi e operazioni di shell. Gemini 3 Pro viene riportato al 54,2% nel profilo Terminus‑2, un punteggio che sposta il limite pratico di ciò che si può delegare in autonomia senza trasformare ogni passaggio in micro‑prompt. Nel bug fixing end‑to‑end su repository, SWE‑bench Verified è diventato il riferimento più citato. Qui Gemini 3 Pro viene riportato al 76,2% in single attempt, un valore che lo colloca nella fascia alta dei modelli di frontiera e che ha alimentato il posizionamento come “vibe coding” credibile.
In parallelo Google ha spinto su classifiche che misurano preferenze umane in contesti di sviluppo web, citando la leadership su WebDev Arena con un Elo di 1487. Questo tipo di metrica è più sensibile allo stile e alla qualità percepita, ma resta utile perché fotografa un aspetto spesso trascurato. In un contesto professionale la qualità non è solo correttezza, è anche leggibilità e coerenza con i vincoli di prodotto.
Deep Think: la modalità compute‑intensive come strategia
Il tratto distintivo della linea Gemini 3 è la separazione più netta tra modello base e modalità di ragionamento potenziata. Deep Think viene descritta come un’impostazione opzionale che aumenta la capacità di risolvere problemi complessi al tempo di inferenza, a costo di latenza e risorse. Nei test comunicati da Google, Deep Think ottiene il 41,0% su Humanity’s Last Exam senza strumenti e il 93,8% su GPQA Diamond. Su ARC‑AGI‑2 viene riportato un 45,1% con code execution verificato nell’ambito ARC Prize.
Al di là dei numeri, la scelta architetturale e di prodotto è significativa. Deep Think permette a Google di offrire un profilo “best effort” per la maggior parte dei casi e una modalità ad alto consumo per i problemi dove l’utente accetta di pagare in tempo e capacità. Anche qui la distribuzione racconta molto. Deep Think è stato presentato con una disponibilità più prudente e, nelle settimane successive, è stato associato a livelli di abbonamento più elevati nella Gemini app. Questo segnala che l’industria sta convergendo su un’idea semplice. Il ragionamento profondo è una risorsa, non un default.
Contesto lungo e multimodalità: un modello che lavora su interi progetti
Gemini 3 Pro viene presentato come modello multimodale nativo con architettura sparse mixture‑of‑experts e supporto a input di testo, immagini, audio, video e documenti. La finestra di contesto dichiarata arriva a 1 milione di token in input e 64 mila in output, con knowledge cutoff a gennaio 2025. Questo punto ha un impatto diretto sull’uso professionale. Più contesto significa meno frammentazione del lavoro e meno passaggi di “riassumi e ripassa”, che sono spesso la fonte di errori.
La promessa del long context, però, vale solo se la ricerca di informazioni rimane affidabile in finestre enormi. Google insiste su una retrieval “quasi perfetta” nelle proprie pagine dedicate al long context su Vertex AI, e questo è uno dei fattori che spiegano la spinta verso casi d’uso documentali. Due esempi tipici sono la revisione di contratti e la lettura di codebase estese. In entrambi i casi, il valore non è solo nella sintesi, ma nel collegare parti lontane, rispettare definizioni e non “inventare” passaggi che sembrano plausibili.
API e prezzi: la competizione passa dalla struttura dei costi
Sul piano commerciale Gemini 3 si muove con un’impostazione piuttosto chiara per chi costruisce prodotti. Nella documentazione della Gemini API, gemini-3-pro-preview adotta una tariffazione a scaglioni legata alla lunghezza del prompt. In modalità Standard, per prompt fino a 200 mila token, il prezzo indicato è di 2 dollari per milione di token in input e 12 dollari per milione di token in output. Oltre la soglia dei 200 mila token, le tariffe salgono a 4 dollari per milione in input e 18 dollari per milione in output.
È importante notare che Google distingue anche una modalità Batch, che per gli stessi scaglioni riporta prezzi inferiori. Per prompt fino a 200 mila token, l’input è indicato a 1 dollaro per milione e l’output a 6 dollari per milione, con incrementi oltre soglia. A questi si aggiungono prezzi per il context caching e per lo storage del caching, che diventano rilevanti quando si riusano contesti lunghi o prompt di sistema ripetitivi.
Questa struttura è coerente con la strategia del long context. Il costo di “portarsi dietro tutto” diventa gestibile solo se il sistema può riusare parti del contesto senza pagarle ogni volta. È un dettaglio tecnico che, in pratica, decide se un agente è sostenibile su larga scala o resta un prototipo dimostrativo. Il costo di “portarsi dietro tutto” diventa gestibile solo se il sistema può riusare parti del contesto senza pagarle ogni volta. È un dettaglio tecnico che, in pratica, decide se un agente è sostenibile su larga scala o resta un prototipo dimostrativo.
Prime esperienze: Antigravity, CLI e adozione enterprise
Nelle prime settimane l’esperienza più interessante è arrivata dallo sviluppo software, perché è qui che un modello agentico mostra in modo più netto punti di forza e fragilità. Antigravity, annunciato come piattaforma di sviluppo agent‑first, mette al centro la capacità di coordinare più agenti e di conservare tracce verificabili del lavoro, come piani, screenshot e registrazioni di navigazione. È un tentativo esplicito di ridurre il divario tra “il modello ha detto” e “il modello ha fatto”, creando un livello di auditabilità più vicino a ciò che serve in un team.
In parallelo Google ha spinto l’accesso da riga di comando con Gemini CLI e l’integrazione in ambienti di sviluppo. Android Studio continua a essere un punto di ancoraggio naturale per Gemini, e la documentazione di Gemini Code Assist indica un rollout progressivo di Gemini 3 in modalità agente per editor diffusi. Sul lato enterprise, Google Cloud ha posizionato Gemini 3 Pro in preview su Vertex AI e su Gemini Enterprise, sottolineando il tema della messa in produzione “dove i team già lavorano”. Un caso d’uso citato dalla stampa economica riguarda l’adozione in contesti regolati, dove la capacità multimodale e documentale si combina con requisiti di governance stringenti.
Sicurezza e governance: cosa dice la model card
La maturità di un modello di frontiera oggi si misura anche in ciò che viene dichiarato sui rischi, non solo sulle capacità. La model card di Gemini 3 Pro dedica spazio a limiti noti e a pratiche di valutazione, citando esplicitamente il rischio di allucinazioni e possibili problemi di lentezza o timeout. Descrive inoltre un approccio a più livelli che include valutazioni automatizzate e umane, red teaming specialistico e revisioni etiche e di sicurezza prima del rilascio.
Dal punto di vista delle misure, la model card riporta risultati interni su valutazioni di safety e tone rispetto a Gemini 2.5 Pro e segnala che, nell’insieme, Gemini 3 Pro migliora su sicurezza e tono mantenendo bassi i rifiuti ingiustificati. È una formulazione che lascia spazio a variabilità e falsi positivi, ma indica l’obiettivo di fondo. Rendere il comportamento più controllabile senza rendere il sistema inutilizzabile.
Un passaggio chiave riguarda il Frontier Safety Framework. Nel documento viene indicato che Gemini 3 Pro, valutato secondo il framework aggiornato, non raggiunge livelli critici di capacità e che in domini come CBRN e cybersecurity l’uplift viene classificato a livello 1, con soglie critiche non raggiunte. Questo non significa assenza di rischio, significa che la governance viene trattata come parte del prodotto. Nelle settimane successive, anche la gestione di Deep Think ha rafforzato questa lettura, con disponibilità graduata e attenzione alle valutazioni di sicurezza.
Conclusione
A un mese dal lancio, Gemini 3 appare come un passo deciso verso un’AI “di sistema”, pensata per stare dentro strumenti e processi più che dentro demo isolate. I benchmark raccontano progressi importanti sul coding agentico e sul tool use, mentre Deep Think introduce un paradigma che separa la qualità di default dalla qualità massima, rendendo esplicito il costo del ragionamento profondo. Il long context e la multimodalità spingono verso casi d’uso documentali e ingegneristici, ma alzano anche l’asticella per la verifica e per la governance.
L’impressione, guardando a integrazioni, prezzi e documentazione di sicurezza, è che la partita tra modelli stia diventando sempre più una partita tra piattaforme. Gemini 3 non prova solo a essere migliore. Prova a essere più “operabile”. Ed è su questa operabilità, più che su un singolo numero, che si giocherà la sua adozione nei prossimi mesi.
Bibliografia
- Google, “A new era of intelligence with Gemini 3”, 18 novembre 2025. https://blog.google/products/gemini/gemini-3/
- Google, “Gemini 3 Deep Think is now available”, 4 dicembre 2025. https://blog.google/products/gemini/gemini-3-deep-think/
- Google, “Gemini 3 for developers”, 18 novembre 2025. https://blog.google/technology/developers/gemini-3-developers/
- Google Developers Blog, “New Gemini API updates for Gemini 3”, 25 novembre 2025. https://developers.googleblog.com/new-gemini-api-updates-for-gemini-3/
- Google AI for Developers, “Gemini 3 Developer Guide (Gemini API)”, 2025. https://ai.google.dev/gemini-api/docs/gemini-3
- Google Cloud, “Vertex AI Pricing – Generative AI”, 2025. https://cloud.google.com/vertex-ai/generative-ai/pricing
- Google Cloud, “Gemini 3 Pro on Vertex AI” (pagina modello), 18 novembre 2025. https://docs.cloud.google.com/vertex-ai/generative-ai/docs/models/gemini/3-pro
- Google Cloud, “Gemini 3 is available for enterprise”, 19 novembre 2025. https://cloud.google.com/blog/products/ai-machine-learning/gemini-3-is-available-for-enterprise
- Google DeepMind, “Gemini 3 Pro – Model Card” (PDF), novembre 2025. https://storage.googleapis.com/deepmind-media/Model-Cards/Gemini-3-Pro-Model-Card.pdf
- Google DeepMind, “Gemini 3 Pro” (pagina modello e benchmark), 2025. https://deepmind.google/models/gemini/pro/
- Google AI for Developers, “Thought Signatures”, 27 novembre 2025. https://ai.google.dev/gemini-api/docs/thought-signatures
- Google Cloud, “Long context on Vertex AI”, 2025. https://docs.cloud.google.com/vertex-ai/generative-ai/docs/long-context
- Google One, “Google AI Plans with Cloud Storage”, 2025. https://one.google.com/about/google-ai-plans/
- TechCrunch, “Google launches Gemini 3 with new coding app and record benchmark scores”, 18 novembre 2025. https://techcrunch.com/2025/11/18/google-launches-gemini-3-with-new-coding-app-and-record-benchmark-scores/
- The Verge, “Google Antigravity is an ‘agent-first’ coding tool built for Gemini 3”, 2025. https://www.theverge.com/news/822833/google-antigravity-ide-coding-agent-gemini-3-pro
- Business Insider, “BNY and Google are teaming up… with Gemini 3”, dicembre 2025. https://www.businessinsider.com/bny-ai-boost-google-gemini-3-agentic-ai-system-eliza-2025-12