Em 1º de setembro, o Google lançou na Gemini API um modo de processamento de vídeo chamado agentic video, que devolve ao próprio modelo a decisão de \"como assistir ao vídeo\". Está disponível de imediato para desenvolvedores, chega em seguida ao Gemini App, e o recurso Ask YouTube, do YouTube, deve incorporá-lo nos próximos meses.
A mudança está na camada de amostragem. Até então, o Gemini processava vídeo com taxa de frames fixa, extraindo por padrão um frame por segundo, fosse o material uma coletiva de imprensa ou uma gravação de câmera de segurança — tudo entrava no contexto no mesmo ritmo. No novo modo, o modelo conta com ferramentas nativas de vídeo e decide, enquanto raciocina, quais trechos observar, em que velocidade, e se recorre aos frames visuais, ao áudio ou às legendas, recuperando apenas os momentos necessários.
Três números
O resultado comparativo divulgado pelo Google: consumo de tokens com queda de até 88%, custo com queda de até 66%, precisão com alta de até 7%. Outra conclusão apresentada é que o Gemini 3.7 Flash chegou à fronteira de Pareto entre precisão e custo em análise de vídeo — ou seja, no mesmo preço não há opção mais precisa, e na mesma precisão não há opção mais barata.
Dos três números, o terceiro é o mais contraintuitivo. Reduzir a amostragem costuma significar perda de informação — ver menos deveria significar saber menos. A pontuação subir mesmo assim se explica porque a taxa fixa de frames gerava desperdício e omissão ao mesmo tempo: numa gravação de reunião de duas horas, a maior parte dos frames mostra a mesma pessoa diante do mesmo slide, e esse conteúdo repetido consome o orçamento de contexto; já a ação realmente decisiva pode acontecer em um único segundo, e a 1 FPS ela passa despercebida. Buscar trechos sob demanda elimina os frames redundantes e, ao mesmo tempo, permite elevar a densidade de amostragem exatamente onde é preciso.
Uma conta por alto
Uma hora de material a um frame por segundo dá 3.600 frames; colocando cada um no contexto, o volume de tokens de entrada já começa na casa das seis dígitos (estimativa aproximada). Esse número afasta de saída muitas demandas: a reprise de uma live de três horas, uma semana de câmeras de uma loja, um documentário inteiro — só o custo de percorrer o material uma vez já supera o valor de negócio gerado. Cortando 88%, o número volta para a casa das cinco dígitos, e é nessa ordem de grandeza que a análise de vídeos longos deixa de ser demonstração e passa a caber num produto.
O que o Google vem repetindo este ano na linha Flash aponta, no fundo, para o custo unitário. Em vídeo, o avanço anterior era estender a duração processável de uma vez só; agora é reduzir o custo por unidade de duração. As duas coisas somadas têm efeito bem mais visível do que qualquer uma isolada.
Modelos compatíveis e como ativar
Os modelos que suportam o recurso são Gemini 3.7 Flash, 3.6 Flash e 3.5 Flash-Lite, acessíveis pela Gemini API (via Google AI Studio) e pela Gemini Enterprise Agent Platform. A cobrança continua seguindo o preço padrão de tokens da Gemini API, sem taxa extra pela funcionalidade — o token economizado aparece direto na fatura. A mudança do lado do desenvolvedor é leve: basta definir o método de processamento como agentic na configuração.
Os quatro usos típicos listados pelo Google também mostram a que cenários ele mira: localização de trechos com precisão de menos de um segundo, para edição; busca do tipo agulha no palheiro em vídeos longos de várias horas; detecção de anomalias via reamostragem dinâmica; e contagem precisa de ações e objetos ao longo da linha do tempo. Os dois primeiros pendem para a indústria de conteúdo, os dois últimos miram claramente cenários industriais como vigilância, controle de qualidade e inspeção.
Como as equipes na China fazem essa conta
Equipes de distribuição de vídeos curtos, controle de qualidade de lives e revisão de segurança antes não conseguiam fechar a conta de vídeos longos; a prática comum era usar primeiro um modelo barato ou visão computacional tradicional para uma triagem grosseira, e só então enviar os trechos suspeitos a um modelo grande. Com a amostragem passando a ser decisão do próprio modelo, essa esteira pode perder uma etapa — a triagem grosseira acaba incorporada ao próprio processo de raciocínio do modelo.
Vale uma ressalva: 88%, 66% e 7% são todos valores de \"até\", tirados do cenário mais favorável. Dependendo do tipo de material e do tipo de problema, o ganho real tende a cair, e o Google não divulgou a distribuição. Para ir de fato à produção, ainda é preciso rodar um teste comparativo com o próprio material.
Fontes: blog oficial do Google, CocoLoop, Google DeepMind; os números de queda de 88% em tokens, queda de 66% em custo e alta de 7% em precisão, junto com os modelos compatíveis e a forma de cobrança, foram conferidos conforme o anúncio oficial; a conversão do número de frames é uma estimativa aproximada da redação.