El modo agentic video de Gemini cambia la lógica del análisis de video: en lugar de convertir toda la grabación en un flujo fijo de fotogramas antes de responder, el modelo puede navegar por la línea de tiempo y recuperar solo los segmentos que parecen relevantes para la pregunta. En la práctica, es un enfoque de “buscar antes de verlo todo”: Gemini decide cuándo consultar la transcripción, el audio o los fotogramas, puede volver a una ventana concreta y adaptar la inspección según la tarea.
Google anunció la función el 1 de septiembre de 2026 para Gemini 3.7 Flash, 3.6 Flash y 3.5 Flash-Lite. Hay una actualización importante: después del lanzamiento de Gemini 3.8 Flash el 2 de septiembre, la documentación de la API actualizada el 3 de septiembre pasó a incluir también a 3.8 Flash entre los modelos compatibles con el procesamiento agéntico de video.
Qué cambia frente al procesamiento estático
En el modo estático, que sigue siendo el predeterminado, Gemini extrae fotogramas a una tasa fija de 1 FPS y coloca ese material en el contexto en una sola pasada. Es un método simple y predecible, pero puede consumir muchos tokens en videos largos, incluso en partes que no ayudan a responder la pregunta.
En el modo agéntico, el modelo combina razonamiento con herramientas nativas de video. Puede recorrer la línea de tiempo, consultar la transcripción, cargar audio o fotogramas bajo demanda y concentrarse en una ventana corta cuando encuentra algo relevante. La documentación describe pasos llamados processing_call y processing_result, que indican que el modelo solicitó y recibió un segmento durante la navegación.
| Modo | Cómo lee el video | Cuándo suele tener más sentido |
|---|---|---|
| Estático | Muestrea el video a una tasa fija y envía el material al contexto en una sola pasada. | Clips cortos, baja latencia inicial y tareas que requieren una inspección uniforme de todo el video. |
| Agéntico | Navega por la línea de tiempo y carga transcripción, audio y fotogramas según la pregunta. | Videos largos, búsqueda de momentos concretos, detección de eventos y tareas en las que solo una parte del video es relevante. |
Qué modelos admiten agentic video ahora
El anuncio original citó Gemini 3.7 Flash, Gemini 3.6 Flash y Gemini 3.5 Flash-Lite. La documentación oficial de video, actualizada el 3 de septiembre de 2026, ya añade Gemini 3.8 Flash. Por lo tanto, para una implementación nueva, la lista documentada actualmente es 3.8 Flash, 3.7 Flash, 3.6 Flash y 3.5 Flash-Lite.
Esto no significa que solo esos modelos puedan recibir video. La documentación indica que los modelos Gemini pueden procesar video, mientras que el modo agéntico es una función de procesamiento específica disponible en los modelos compatibles enumerados arriba.
Cómo activar el modo agéntico
En la Gemini API, el modo se selecciona en el propio elemento de video configurando processing como agentic. Google lanzó la función para cargas de video y videos de YouTube mediante la Gemini API en Google AI Studio y la Gemini Enterprise Agent Platform. El anuncio también indica que la capacidad usa los precios estándar por tokens de la Gemini API, sin una tarifa adicional específica por activar el procesamiento agéntico.
Para comprobar que la navegación agéntica realmente se utilizó, la documentación recomienda inspeccionar los pasos de la respuesta: la presencia de processing_call y processing_result muestra que partes del video se cargaron dinámicamente.
Cuándo el escaneo selectivo puede reducir tokens y costo
La ventaja aparece cuando una pregunta necesita solo una fracción del contenido. En una clase de 90 minutos, por ejemplo, la tarea puede ser identificar los tres argumentos principales; en una grabación de varias horas, localizar un incidente; en un video deportivo o industrial, contar una acción rápida o revisar una anomalía. En esos casos, cargar todo el video a una tasa fija puede ser un desperdicio.
El procesamiento estático tiene un cálculo de tokens relativamente predecible. En la documentación actual, cada segundo incluye fotogramas, audio y metadatos: alrededor de 100 tokens por segundo con la resolución multimedia baja predeterminada, o cerca de 300 tokens por segundo con resolución alta. En el modo agéntico, el total varía según la complejidad del contenido y la estrategia de navegación del modelo. El razonamiento generado durante la exploración se contabiliza como thought tokens, mientras que los fotogramas, el audio y la transcripción cargados bajo demanda se contabilizan como tool use tokens.
Precisamente porque no necesita cargarlo todo, el modo agéntico puede ahorrar de forma significativa. En los benchmarks publicados por Google, el consumo de tokens se redujo hasta un 88%, el costo de análisis hasta un 66% y la calidad mejoró hasta un 7%. Son resultados de pruebas divulgados por Google, no garantías para cualquier carga de trabajo. El ahorro real depende de la duración, el contenido, la pregunta, el modelo, la resolución y la cantidad de video que deba inspeccionarse.
Casos en los que agentic video suele ser más útil
- Búsqueda de una “aguja en un pajar”: encontrar un momento o dato dentro de un video largo sin colocar cada segundo en el contexto.
- Eventos muy rápidos: volver a una ventana con una tasa de fotogramas más alta para captar cambios que 1 FPS podría perder.
- Detección de anomalías: concentrar la inspección en intervalos sospechosos en lugar de tratar toda la grabación con la misma intensidad.
- Conteo de acciones u objetos: revisar segmentos y adaptar el muestreo cuando el movimiento es rápido.
- Preguntas basadas en voz e imagen: alternar entre transcripción, audio y fotogramas para recuperar solo la evidencia necesaria.
Cuándo el modo estático todavía puede ser mejor
El modo agéntico no sustituye al estático en todos los casos. La propia documentación sugiere el modo estático para clips cortos, especialmente de menos de cinco minutos, cuando la prioridad es reducir el tiempo hasta el primer token. La navegación agéntica puede añadir una pequeña latencia inicial por el razonamiento interno y las llamadas a herramientas.
El procesamiento estático también es adecuado cuando la tarea exige inspeccionar todo el video de forma uniforme o cuando el desarrollador quiere controlar directamente el intervalo y la tasa de fotogramas. El recorte personalizado con start_offset/end_offset y los FPS personalizados están documentados para el modo estático.
Cómo probar si conviene en tu caso
- Ejecuta el mismo video, modelo y pregunta una vez en modo estático y otra en modo agéntico.
- Compara tokens totales, costo estimado, tiempo hasta la primera respuesta y calidad de la respuesta.
- Incluye videos cortos y largos: la ventaja suele crecer cuando gran parte del contenido es irrelevante para la pregunta.
- Prueba preguntas amplias y consultas que busquen momentos concretos.
- Repite la prueba con una muestra representativa; no calcules un presupuesto de producción usando solo el “hasta 88%” del benchmark.
Para equipos que procesan grabaciones largas, el beneficio central de agentic video no es simplemente “ver menos fotogramas”. Es permitir que Gemini decida dónde buscar, qué cargar y cuándo profundizar la inspección. Cuando la tarea es selectiva, esa navegación puede reducir el contexto necesario y, por tanto, el costo. Cuando el video es corto o debe examinarse de principio a fin, el modo estático puede seguir siendo la opción más simple.
