Google rinvia Gemini 3.5 Pro sul nodo del coding: la corsa AI cambia metro di giudizio

Il rinvio e la reazione del mercato

Il 16 luglio Bloomberg ha riferito che Gemini 3.5 Pro, il modello di frontiera più potente di Google, è in ritardo di mesi sulla tabella di marcia. La ragione è tecnica e circostanziata: le capacità di generazione di codice restavano sotto le attese interne dell'azienda, in un momento in cui rivali come OpenAI e Meta hanno rilasciato modelli che superano l'offerta attuale di Google proprio sul terreno del software.

La cronologia rende l'inciampo più evidente. Google aveva presentato Gemini 3.5 Pro alla conferenza sviluppatori Google I/O di maggio 2026, indicando un uso interno e promettendo un rilascio pubblico per il mese successivo. Quel lancio di giugno è slittato, e a metà luglio il modello resta lontano dal pubblico, con una data di uscita ancora aperta.

La reazione dei mercati è stata netta. Il titolo Alphabet ha ceduto circa il 4,4% il 16 luglio, bruciando in una sola seduta intorno ai 200 miliardi di dollari di capitalizzazione. Il colpo arriva a ridosso di un appuntamento delicato: la trimestrale del secondo quarto 2026 è in calendario per il 22 luglio, con la conference call nel primo pomeriggio.

Vista dall'alto di una postazione di sviluppo software all'ora blu, con schermi che mostrano codice e grafici di performance: l'immagine richiama la sfida delle capacità di coding al centro del rinvio di Gemini 3.5 Pro.

Perché il coding è diventato il banco di prova

Il caso Gemini è la fotografia di un cambio di stagione nel settore. Per anni la domanda dominante è stata "quanto è grande il modello". Nel 2026 la conversazione si è spostata su una domanda più scomoda: "quanto bene porta a termine un compito reale, e per quanto tempo regge in autonomia". Coding e ragionamento a lungo orizzonte sono, insieme, la prova più dura di questa nuova metrica, perché richiedono di pianificare, scrivere, testare e correggere in sequenza.

Il contesto della settimana amplifica il segnale. Il rally dei titoli dei semiconduttori si è raffreddato bruscamente, con l'indice di settore scivolato in territorio orso dopo che un modello open-weight cinese ha mostrato prestazioni vicine ai sistemi statunitensi di punta. Gli investitori hanno cominciato a chiedersi apertamente cosa stia comprando la spesa in conto capitale del comparto, e la risposta passa sempre più dall'utilità concreta anziché dalla scala pura.

In questo clima, rilasciare un modello che deluda sul codice è più costoso che rimandarlo. Google ha scelto di trattenere Gemini 3.5 Pro fino a quando le prestazioni di coding raggiungeranno la soglia interna, accettando il prezzo reputazionale e di Borsa del rinvio pur di preservare la fiducia sul rilascio. È una decisione che ha una logica: nell'economia degli agenti, un modello inaffidabile in produzione erode più valore di un modello assente.

Cosa significa per il mercato italiano

Per un CIO o un CTO italiano il messaggio operativo è chiaro: il criterio di scelta di un modello si sposta dai benchmark di dimensione alla resa sui casi d'uso concreti dell'impresa. Un modello che eccelle su un test sintetico e vacilla sul refactoring di un codice legacy reale offre poco a chi deve mandare in produzione un agente. La valutazione va condotta sul proprio dominio, con i propri dati e i propri flussi.

Il quadro italiano arriva a questo bivio con un divario di preparazione ancora largo. Lo studio SAP–Oxford Economics di luglio stima per le imprese italiane un investimento medio di 18,4 milioni di dollari in AI nel 2026, sotto la media globale ma in crescita del 45% in due anni, con il 26% delle attività già supportate dall'AI. La spesa cresce; la capacità di scegliere gli strumenti giusti resta il collo di bottiglia.

È il terreno su cui insiste l'AI Methodology di Synthos Logic, che mette l'economia del caso d'uso e l'affidabilità misurabile prima della scelta tecnologica. Tradotto in pratica per qualsiasi vendor: definire prima il valore atteso e la soglia di affidabilità, poi selezionare il modello che la raggiunge sul compito reale, anziché adottare il più celebrato al momento dell'annuncio.

Tre criteri restano applicabili a prescindere dal fornitore. Primo, valutare i modelli su prove che replicano i propri flussi, con metriche di successo definite in anticipo. Secondo, trattare l'affidabilità a lungo orizzonte come requisito di produzione, misurando quante volte l'agente completa il compito in autonomia. Terzo, tenere aperta l'architettura, così da poter cambiare modello quando le prestazioni sul proprio dominio lo giustificano.

La domanda aperta

Il rinvio di Gemini 3.5 Pro dice che il metro di giudizio della corsa AI è cambiato: la frontiera si misura sulla resa in produzione, e chi rilascia troppo presto paga più di chi aspetta. La domanda che resta aperta per il mercato è se questo criterio di affidabilità ridisegnerà la gara tra i grandi laboratori, o se la pressione competitiva riporterà l'attenzione sulla velocità di annuncio. La trimestrale Alphabet del 22 luglio sarà il primo segnale di come gli investitori pesano oggi la disciplina rispetto alla fretta.

Autore

Pablo Liuzzi

Founder, Synthos Logic