O modo agentic video do Gemini muda a lógica da análise de vídeo: em vez de transformar todo o material em um fluxo fixo de quadros antes de responder, o modelo pode navegar pela linha do tempo e buscar apenas os trechos que parecem relevantes para a pergunta. Na prática, é uma abordagem de “procurar antes de assistir tudo”: o Gemini decide quando consultar transcrição, áudio ou imagens, pode voltar a uma janela específica e ajustar a inspeção conforme a tarefa.
O recurso foi anunciado pelo Google em 1º de setembro de 2026 para Gemini 3.7 Flash, 3.6 Flash e 3.5 Flash-Lite. Há uma atualização importante: depois do lançamento do Gemini 3.8 Flash, em 2 de setembro, a documentação da API atualizada em 3 de setembro passou a listar também o 3.8 Flash entre os modelos compatíveis com processamento agêntico de vídeo.
O que muda em relação ao processamento estático
No modo estático, que continua sendo o padrão, o Gemini extrai quadros em uma taxa fixa de 1 FPS e coloca esse material no contexto de uma só vez. Isso é simples e previsível, mas pode gastar muitos tokens em vídeos longos, inclusive em partes que não ajudam a responder à pergunta.
No modo agêntico, o modelo combina raciocínio com ferramentas internas de vídeo. Ele pode percorrer a linha do tempo, consultar a transcrição, carregar áudio ou quadros sob demanda e aumentar a atenção sobre uma janela curta quando encontra algo relevante. A documentação descreve etapas de processing_call e processing_result, que indicam que o modelo pediu e recebeu um segmento durante a navegação.
| Modo | Como lê o vídeo | Quando tende a fazer mais sentido |
|---|---|---|
| Estático | Amostra o vídeo em taxa fixa e envia o material ao contexto em uma passagem. | Clipes curtos, baixa latência inicial e tarefas que exigem inspeção uniforme do vídeo inteiro. |
| Agêntico | Navega pela linha do tempo e carrega transcrição, áudio e quadros conforme a pergunta. | Vídeos longos, busca por momentos específicos, detecção de eventos e tarefas em que só uma parte do vídeo é relevante. |
Quais modelos suportam agentic video agora
O anúncio original do recurso citou Gemini 3.7 Flash, Gemini 3.6 Flash e Gemini 3.5 Flash-Lite. A documentação oficial de vídeo, atualizada em 3 de setembro de 2026, já acrescenta Gemini 3.8 Flash. Portanto, para uma implementação nova, a lista atual documentada é 3.8 Flash, 3.7 Flash, 3.6 Flash e 3.5 Flash-Lite.
Isso não significa que apenas esses modelos consigam receber vídeo. A documentação diz que os modelos Gemini podem processar vídeo, mas o modo agêntico é um recurso específico disponível nos modelos compatíveis indicados acima.
Como ativar o modo agêntico
Na Gemini API, o modo é escolhido no próprio item de vídeo, definindo processing como agentic. O Google lançou o recurso para uploads de vídeo e vídeos do YouTube por meio da Gemini API no Google AI Studio e da Gemini Enterprise Agent Platform. O anúncio informa ainda que o recurso usa a tabela normal de preços de tokens da API, sem uma tarifa extra específica por ativar o modo agêntico.
Para conferir se a navegação agêntica realmente ocorreu, a documentação recomenda inspecionar as etapas da resposta: a presença de processing_call e processing_result mostra que houve carregamento dinâmico de partes do vídeo.
Quando a varredura seletiva pode reduzir tokens e custo
A vantagem aparece quando a pergunta precisa de uma fração do conteúdo. Em uma aula de 90 minutos, por exemplo, a tarefa pode ser encontrar os três argumentos principais; em uma gravação de horas, localizar um incidente; em um vídeo esportivo ou industrial, contar uma ação rápida ou verificar uma anomalia. Nesses casos, carregar o vídeo inteiro em ritmo fixo pode ser desperdício.
O processamento estático tem uma conta relativamente previsível. Na documentação atual, cada segundo inclui quadros, áudio e metadados: cerca de 100 tokens por segundo na resolução de mídia baixa padrão ou aproximadamente 300 tokens por segundo em resolução alta. Já no modo agêntico o total varia conforme a complexidade e a estratégia de navegação. Os tokens de raciocínio da exploração aparecem como thought tokens, enquanto quadros, áudio e transcrição carregados sob demanda aparecem como tool use tokens.
É justamente por não precisar carregar tudo que o modo agêntico pode economizar. Nos benchmarks divulgados pelo Google, a redução chegou a 88% no consumo de tokens e a 66% no custo de análise, com melhora de até 7% em qualidade. Esses números são resultados de testes do Google, não uma promessa para toda carga de trabalho. A economia real depende da duração, do conteúdo, da pergunta, do modelo, da resolução e de quanto do vídeo precisa ser inspecionado.
Cenários em que o agentic video tende a ser mais útil
- Busca de “agulha no palheiro”: localizar um momento ou informação em vídeos de longa duração sem colocar cada segundo no contexto.
- Eventos muito rápidos: revisitar uma janela em maior taxa de quadros para captar mudanças que 1 FPS poderia perder.
- Detecção de anomalias: concentrar a inspeção em intervalos suspeitos em vez de tratar todo o vídeo com a mesma intensidade.
- Contagem de ações ou objetos: reexaminar segmentos e ajustar a amostragem quando o movimento é rápido.
- Perguntas baseadas em fala e imagem: alternar entre transcrição, áudio e quadros para buscar somente as evidências necessárias.
Quando o modo estático ainda pode ser melhor
O modo agêntico não substitui o estático em todos os casos. A própria documentação recomenda considerar o estático para clipes curtos, especialmente abaixo de cinco minutos, quando a prioridade é reduzir o tempo até o primeiro token. A navegação interna do modo agêntico pode acrescentar um pequeno atraso inicial por causa do raciocínio e das chamadas de ferramenta.
O estático também é apropriado quando a tarefa exige varrer o vídeo inteiro de forma uniforme ou quando o desenvolvedor quer controlar diretamente intervalo e FPS. Os controles de recorte por start_offset/end_offset e taxa de quadros personalizada são documentados para o modo estático.
Como testar se vale a pena no seu caso
- Use o mesmo vídeo, modelo e pergunta em uma execução estática e outra agêntica.
- Compare tokens totais, custo estimado, tempo até a primeira resposta e qualidade da resposta.
- Inclua vídeos curtos e longos: a vantagem tende a crescer quando há muito conteúdo irrelevante para a pergunta.
- Teste perguntas amplas e perguntas que procuram momentos específicos.
- Repita o teste em uma amostra representativa; não dimensione orçamento usando apenas o “até 88%” do benchmark.
Para quem processa gravações longas, o ganho central do agentic video não é simplesmente “ver menos quadros”. É permitir que o Gemini decida onde procurar, o que carregar e quando aprofundar a inspeção. Quando a tarefa é seletiva, essa navegação pode reduzir o contexto necessário e, consequentemente, o custo. Quando o vídeo é curto ou precisa ser examinado por inteiro, a simplicidade do modo estático pode continuar sendo a melhor escolha.
