Dopo una fase di attesa nella fascia più ambiziosa della propria offerta, Google accelera con una famiglia di modelli che prende i nomi dalla tavola periodica. Le valutazioni indipendenti confermano prestazioni di primo piano nella programmazione e nel lavoro professionale. La sfida con Claude e GPT torna aperta.
L’autunno di Google ha riacceso il confronto tra i grandi modelli di intelligenza artificiale. Nel giro di poche settimane l’azienda ha portato sul mercato una generazione capace di rendere nuovamente interessante la scelta quotidiana fra Gemini, OpenAI e Anthropic. Argon ha introdotto la nuova base, Carbon ha alzato l’ambizione, Hydrogen ha esteso la tecnologia alle attività frequenti e Neon ha aggiunto un equilibrio particolarmente convincente tra profondità di ragionamento e impiego operativo. Dopo mesi nei quali era lecito aspettarsi una risposta più incisiva, Gemini torna a essere una scelta da valutare seriamente anche per i lavori più impegnativi.
I nomi attirano subito l’attenzione. Argon e Neon sono gas nobili, mentre Carbon e Hydrogen richiamano il carbonio e l’idrogeno. Il riferimento comune è dunque la tavola periodica. La distinzione aiuta anche a leggere correttamente gli annunci, perché i quattro nomi appartengono alla famiglia Gemini 4 e identificano modelli con caratteristiche e destinazioni differenti. Per capire il ritorno di Google conviene guardarli insieme, seguendo il passaggio dalla prima apertura della nuova generazione alla sua articolazione in strumenti destinati a esigenze diverse.
L’attesa dopo Gemini 3.x
La sensazione di stagnazione che aveva accompagnato una parte della stagione Gemini 3.x riguardava soprattutto l’attesa per un nuovo salto nella fascia di vertice. La serie Flash continuava a evolversi e Google pubblicava aggiornamenti orientati alla velocità e all’efficienza. Il punto rimasto aperto era un altro: quando sarebbe arrivato un modello capace di rimettere l’azienda al centro della discussione sui sistemi più avanzati? Per chi seguiva l’evoluzione degli assistenti attraverso il lavoro concreto, ogni nuova uscita doveva ormai misurarsi con un’aspettativa crescente di autonomia, continuità e qualità del risultato.
Questa attesa ha un riscontro preciso nella comunicazione ufficiale. Il 19 maggio Google presentava Gemini 3.5 Flash e indicava il mese successivo per l’arrivo di 3.5 Pro. Il 21 luglio, insieme a nuovi aggiornamenti della linea Flash, descriveva ancora Pro come un modello in prova con i partner, da rendere disponibile appena pronto. Nello stesso annuncio comunicava l’avvio del preaddestramento di Gemini 4. È in questa successione di promesse, sviluppi intermedi e preparazione della generazione successiva che si comprende la percezione di una fase interlocutoria. La ricerca proseguiva; la risposta più attesa restava in preparazione.
La sequenza di lancio di Gemini 4
L’autunno ha cambiato il quadro. Gemini 4 Argon è stato annunciato il 30 settembre, con un accesso iniziale circoscritto, e reso disponibile più ampiamente il 13 ottobre. Carbon è arrivato a sviluppatori, imprese e utenti abilitati il 10 novembre. Hydrogen è stato presentato il 12 novembre e Neon il 18 novembre. La sequenza descrive un’accelerazione concreta: una base tecnologica nuova, seguita rapidamente da modelli pensati per coprire una parte sempre più ampia del lavoro. L’impressione del risveglio nasce da questa combinazione di ritmo e sostanza.

Quattro modelli, una base comune
La documentazione tecnica chiarisce un aspetto significativo. Google descrive Argon come un nuovo modello di base. Carbon è costruito a partire da Argon, mentre Hydrogen e Neon derivano da Carbon. Questa parentela dà coerenza all’intera famiglia e aiuta a capire perché gli annunci si siano succeduti così rapidamente. Il progresso della nuova base può essere sviluppato in direzioni differenti, privilegiando di volta in volta la profondità del lavoro, la rapidità di esecuzione o il rapporto tra risorse impiegate e risultato. Le schede pubbliche documentano questi legami senza specificare ogni passaggio del procedimento di adattamento.
Argon ha introdotto il carattere della nuova generazione attraverso il ragionamento prolungato e le attività composte da numerosi passaggi. Nella presentazione iniziale Google descriveva già impieghi interni su grandi progetti software, comprese migrazioni di codice e ottimizzazioni. Il terreno scelto era quello dell’ingegneria effettiva, dove occorre comprendere un sistema esistente, conservare i vincoli del progetto e verificare le modifiche. Per un assistente, la capacità di seguire questi passaggi con continuità ha un valore molto diverso dalla riuscita di una singola risposta brillante.
Carbon e Hydrogen: profondità ed efficienza
Carbon occupa la posizione più ambiziosa della gamma. Google lo destina ai progetti che richiedono ragionamento approfondito e un impegno esteso, dalla programmazione complessa al lavoro scientifico. Il modello può dedicare più elaborazione all’esame delle alternative e alla verifica delle soluzioni. La sua collocazione resta comprensibile anche quando un modello successivo ottiene un punteggio migliore in una specifica prova: il nome più recente e il risultato più alto in una classifica descrivono soltanto una parte delle caratteristiche da considerare. Il compito assegnato continua ad avere un peso decisivo.
Hydrogen porta invece la nuova generazione verso l’esecuzione rapida e il lavoro frequente. Il confronto con Gemini 3.8 Flash rende visibile l’entità del salto. Google dichiara un passaggio dal 18,2% al 57% in Terminal-Bench 4.1 e attività completate due volte e mezzo più rapidamente con il livello di ragionamento high. Sono risultati riferiti alle condizioni delle valutazioni pubblicate, utili per descrivere l’evoluzione all’interno della stessa offerta. La direzione è chiara: aumentare le capacità disponibili nei compiti abituali, mantenendo un modello adatto a un impiego intenso e ripetuto.
Neon e il lavoro professionale
Neon è la novità più recente e probabilmente la più interessante per osservare l’attuale posizione competitiva di Google. L’azienda lo propone per programmazione complessa, analisi e processi professionali frequenti. Affianca Carbon e Hydrogen cercando un equilibrio favorevole fra ragionamento di alto livello e risorse richieste. È una proposta rivolta a chi vuole capacità avanzate disponibili durante la giornata, nello stesso spazio occupato dagli assistenti principali per il lavoro.
La scheda di Neon documenta una finestra di contesto unificata fino a un milione di token, condivisa tra ingresso e uscita, e la possibilità di ricevere testo, immagini, audio e video. I token sono le unità con cui il sistema elabora i contenuti. Una finestra ampia permette di mettere in relazione una quantità considerevole di materiale durante un’attività. Il beneficio pratico emerge quando le informazioni utili sono distribuite fra documenti diversi e il modello deve conservarne i collegamenti mentre sviluppa una risposta o prepara un elaborato.
Per un lavoro editoriale, si può pensare alla preparazione di un dossier a partire da documentazione tecnica, tabelle e immagini di riferimento. Il risultato desiderato comprende la selezione dei fatti, il riconoscimento delle differenze tra le fonti e una struttura che renda leggibile il materiale. Questo è un esempio del tipo di processo che le capacità dichiarate rendono interessante sperimentare. La qualità si giudica sull’elaborato completo, sulla coerenza delle sue parti e sulla quantità di interventi necessari per portarlo alla pubblicazione. È un criterio vicino alle esigenze reali di chi usa l’AI nella propria attività.
Antigravity, /swarm e Orchestrator
La trasformazione diventa ancora più evidente nello sviluppo software. Google Antigravity, l’ambiente dell’azienda per il lavoro con agenti, affianca ai nuovi modelli strumenti per organizzare attività estese. Un agente può leggere i file di un progetto, intervenire sul codice e usare gli strumenti disponibili per controllare il risultato. Quando il lavoro si articola su più parti, la capacità del modello entra in relazione con l’organizzazione dell’ambiente. La competizione riguarda quindi anche il modo in cui l’assistente mantiene il contesto, comunica i progressi e porta a termine una sequenza di operazioni.
Con Carbon, Google ha presentato l’anteprima della funzione /swarm, che organizza squadre di agenti. Un coordinatore assegna attività a collaboratori specializzati, mentre agenti dedicati verificano le modifiche. Il lavoro procede in spazi separati e le informazioni vengono condivise attraverso un sistema di comunicazione comune. La scelta dei modelli può seguire il ruolo assegnato: quelli più potenti si occupano delle decisioni impegnative, altri eseguono operazioni più circoscritte. Per progetti ampi, questa organizzazione permette di esplorare una forma di collaborazione tra agenti che si avvicina alla distribuzione del lavoro in una squadra tecnica.
Orchestrator affronta un’esigenza complementare. Durante una stessa sessione può alternare Carbon e Hydrogen secondo la fase del compito. Carbon può esaminare le dipendenze e preparare il piano; Hydrogen può applicare le modifiche e avviare le verifiche. Se il lavoro richiede un nuovo ragionamento, la gestione può tornare al modello più adatto. La novità interessante sta nella continuità del processo. L’utente descrive l’obiettivo e il sistema distribuisce l’elaborazione lungo il percorso, adeguandola alle necessità che emergono durante l’esecuzione.

Fra le dimostrazioni di Google, una squadra di agenti Carbon ha trasformato fotografie storiche e tavole tecniche in un’esposizione tridimensionale interattiva sulla costruzione della Torre Eiffel, realizzata con Three.js. Il progetto collega lettura dei materiali, programmazione e divulgazione in un unico processo creativo, suggerendo sviluppi interessanti per le pubblicazioni digitali.
Il confronto nelle valutazioni indipendenti
Il ritorno competitivo acquista però maggiore solidità quando si passa dagli annunci alle valutazioni esterne. Qui Neon offre elementi particolarmente convincenti. Le classifiche di Vals e Cursor consentono di osservare il modello in attività professionali e di programmazione, mentre Artificial Analysis propone una valutazione più generale. Ogni prova mette in luce un aspetto del comportamento. Considerate insieme, queste misurazioni permettono di capire dove Google abbia recuperato terreno e in quali ambiti sia riuscita a ottenere risultati di vertice.
Nel Vals Index aggiornato al 18 novembre, Neon raggiunge il 70,87%, vicino al 71,31% di Claude Fable 5.2 e davanti al 67,66% di GPT-6.2 Astra. L’indice combina attività professionali, comprese quelle finanziarie e di programmazione, con una ponderazione legata al peso economico dei settori considerati negli Stati Uniti. Offre quindi una prospettiva specifica sul lavoro assistito da agenti. La posizione di Neon è significativa perché il confronto include i modelli più ambiziosi dei concorrenti e colloca Google nello stesso gruppo di testa.
Gli scarti ravvicinati meritano una lettura proporzionata. La scheda Vals di Neon riporta un’incertezza di ±0,94 punti, maggiore della distanza che lo separa da Fable nel punteggio centrale. Il dato suggerisce una competizione molto serrata. Per chi deve scegliere uno strumento, conta soprattutto la presenza di più sistemi capaci di affrontare seriamente le stesse attività. Il risultato rafforza la tesi del ritorno di Google senza richiedere che ogni differenza di pochi decimali venga trasformata in una vittoria definitiva.
Artificial Analysis restituisce una prospettiva complementare. Nell’Intelligence Index, i punteggi arrotondati delle configurazioni di ragionamento più elevate consultate sono 61 per Neon, 62 per GPT-6.2 Astra e 65 per Claude Fable 5.2. OpenAI e Anthropic conservano quindi un vantaggio in questo indice generale. Google si trova comunque nella fascia dei modelli di riferimento e mostra risultati migliori in altre valutazioni. È precisamente questa alternanza a rendere il confronto interessante: il mercato offre sistemi dalle prestazioni elevate con profili differenti, e la scelta può seguire il lavoro da svolgere.
Neon al primo posto su CursorBench
Nella programmazione emerge uno dei risultati più forti. Su CursorBench 4.1, Neon con impostazione Extra High ottiene il 65,4%, contro il 61,3% di Fable 5.2 Max e il 58,1% di Opus 5.5 Max. Il benchmark di Cursor utilizza richieste ambigue che coinvolgono diversi file, ricavate da sessioni reali del proprio ambiente. Questo primo posto riguarda dunque un contesto operativo definito e particolarmente pertinente per chi sviluppa software con gli agenti. La capacità di comprendere una richiesta incompleta e intervenire coerentemente su un progetto ha un’importanza immediata nel lavoro quotidiano.
La stessa classifica mostra quanto conti la configurazione. Neon con impostazione High raggiunge il 63,7%, con un costo riportato inferiore rispetto a Extra High. Il nome del modello lascia quindi aperta una scelta ulteriore sulla profondità dell’elaborazione. Nell’uso professionale, il livello adatto dipende dal valore del compito, dal tempo disponibile e dalla difficoltà delle verifiche. Questa possibilità di graduare lo sforzo rende più utile il confronto fra sistemi, perché avvicina la valutazione alle decisioni che gli utenti prendono realmente durante un progetto.
Anche le tabelle pubblicate da Google mostrano una competizione con risultati distribuiti. In Terminal-Bench 4.1, Neon ottiene il 65,2% e Opus 5.5 il 65,8%. Nella lettura dei grafici valutata da Chartography, GPT-6.2 Sol mantiene un vantaggio su Neon. Sono dettagli che rendono più credibile il quadro complessivo. Il nuovo Gemini può prevalere in determinate attività e trovare concorrenti ancora più efficaci in altre. La conclusione sostenuta dai dati è una piena concorrenza tra le offerte, con ragioni concrete per provarle sugli stessi lavori.
La metodologia pubblicata da DeepMind aiuta a interpretare le differenze. Alcuni risultati provengono da valutatori indipendenti, altri da prove interne o dalle schede dei produttori. Nei test con agenti intervengono anche gli strumenti disponibili, l’ambiente di esecuzione e il livello di ragionamento. La prestazione misurata descrive quindi la configurazione effettivamente utilizzata. Per un lettore interessato alla produttività, questo dettaglio ha un’utilità precisa: suggerisce di valutare insieme modello e applicazione, osservando il percorso che porta dalla richiesta iniziale al risultato verificabile.
La risposta a OpenAI e Anthropic
È lo stesso terreno sul quale si muovono i rivali. OpenAI presenta GPT-6.2 Astra per i progetti più impegnativi e Sol come modello versatile per il lavoro quotidiano. L’annuncio insiste sulla qualità dei documenti, sul rispetto dei modelli di impaginazione e sulla capacità di produrre software più curato. La sfida investe quindi anche la forma finale del lavoro. Un assistente diventa più utile quando conserva le istruzioni lungo tutte le fasi e consegna un risultato coerente con le convenzioni del contesto in cui verrà utilizzato.
Anthropic articola a sua volta l’offerta secondo la complessità delle attività. Fable 5.2 è destinato ai lavori tecnici più ambiziosi e aperti, mentre l’azienda continua a indicare Opus 5.5 come riferimento per molte attività abituali di programmazione e analisi. Nella presentazione di Fable descrive anche ruoli di consulenza e coordinamento per altri modelli. Questa convergenza è significativa. I maggiori sviluppatori stanno costruendo famiglie capaci di distribuire il lavoro tra sistemi diversi, e Google dispone ora di una proposta competitiva nello stesso spazio.
Prezzi API e costo per attività
Il costo richiede la stessa attenzione al compito completo. Neon viene offerto tramite API a 3 dollari per milione di token in ingresso e 15 dollari in uscita; il prezzo dell’ingresso già presente in cache scende a 0,15 dollari. Sono tariffe per integrare il modello in applicazioni e processi, distinte dal prezzo degli abbonamenti alla piattaforma. La quantità di elaborazione necessaria influenza la spesa finale. Un modello può leggere più materiale, produrre più passaggi intermedi o raggiungere prima una soluzione, con effetti differenti sul costo del lavoro concluso.
Carbon segue per ora un listino promozionale di 2 dollari in ingresso e 10 in uscita per milione di token fino al 30 novembre, poi 4 e 20 dollari. L’efficienza di Neon va quindi valutata sul costo delle attività complete e sulle tariffe applicabili al momento dell’uso, tenendo insieme qualità, tempo e consumo effettivo.
Un esempio chiarisce la differenza tra tariffa e spesa complessiva. Artificial Analysis riporta un costo medio per compito del proprio indice di 6,44 dollari per Neon Xhigh, 4 dollari per Astra Max e 26,54 per Fable Max. I valori appartengono a quelle specifiche prove. Mostrano quanto il comportamento durante l’elaborazione possa incidere sull’economia del risultato. Per un uso intenso, la domanda utile diventa quale configurazione completi bene il proprio lavoro con il minore impiego complessivo di risorse.
Come accedere ai nuovi modelli
Anche l’accesso distingue le diverse destinazioni. Nella guida attuale dell’app Gemini per gli account personali, Hydrogen è selezionabile con Google AI Plus, Neon entra nell’offerta Pro e Carbon aggiunge il livello più avanzato con Ultra. La modalità Auto può utilizzare Hydrogen oppure un modello più leggero secondo la richiesta. I canali per sviluppatori e imprese seguono condizioni proprie. Questa articolazione permette di avvicinarsi alla nuova generazione attraverso strumenti e piani differenti, mentre chi usa Gemini per lavoro può scegliere il livello coerente con le proprie attività.
Per Google, il valore strategico della nuova famiglia cresce proprio nell’incontro tra capacità e distribuzione. Gemini può arrivare nell’app, negli strumenti per sviluppatori e nei servizi rivolti alle imprese. La presenza di modelli competitivi rende più interessante questa diffusione, perché offre una ragione sostanziale per usare l’AI all’interno degli ambienti di lavoro già disponibili. Per l’utente, il vantaggio potenziale è una maggiore continuità fra il materiale da elaborare, gli strumenti impiegati e il risultato da consegnare.
Il risveglio di Google va letto in questa prospettiva. Dopo l’attesa nella parte più alta della stagione Gemini 3.x, la quarta generazione ha introdotto una base nuova, modelli con ruoli riconoscibili e strumenti per organizzare attività complesse. Le valutazioni esterne mostrano che il confronto con Anthropic e OpenAI è concreto, fino a primi posti in prove importanti. Per chi lavora con l’intelligenza artificiale, Argon e Neon sono dunque più di nomi memorabili: accompagnano il ritorno di una scelta capace di incidere sulle decisioni quotidiane. Google è di nuovo dentro la partita, con risultati che meritano attenzione.
Fonti
La fase Gemini 3.x. Google, presentazione di Gemini 3.5 e previsione di arrivo di Pro; aggiornamento di luglio sulla linea Flash, sui test di Pro e sul preaddestramento di Gemini 4.
Gemini 4 Argon. Google, annuncio iniziale del modello; disponibilità per sviluppatori, imprese e utenti; Google DeepMind, scheda tecnica di Argon.
Gemini 4 Carbon. Google, disponibilità, applicazioni e prezzi introduttivi di Carbon; Google DeepMind, scheda tecnica di Carbon.
Gemini 4 Hydrogen. Google, presentazione e confronto con Gemini 3.8 Flash; Google DeepMind, scheda tecnica di Hydrogen.
Gemini 4 Neon. Google, annuncio di Neon; Google DeepMind, scheda tecnica di Neon; metodologia delle valutazioni.
Agenti e coordinamento. Google Antigravity, Carbon e la funzione /swarm; Hydrogen e Orchestrator.
Valutazioni del lavoro professionale. Vals AI, Vals Index, classifica e metodologia; risultati e incertezza statistica di Gemini 4 Neon.
Valutazioni della programmazione. Cursor, CursorBench 4.1; Google DeepMind, tabella comparativa dei modelli Gemini 4.
Intelligenza generale e costo per compito. Artificial Analysis, schede di Gemini 4 Neon, GPT-6.2 Astra e Claude Fable 5.2.
I modelli concorrenti. OpenAI, presentazione di GPT-6.2 Astra e Sol; Anthropic, presentazione di Claude Fable 5.2 e Mythos 5.2.
Disponibilità nell’app Gemini. Assistenza Google, modelli disponibili e accesso secondo il piano.
Copertina. La grafica ufficiale di Gemini 4 Neon, presentato il 18 novembre. Fonte e immagine: Google.

