Gemini 3.8 Flash accelera il coding e Google apre l’AI cyber ai difensori

🤖 Cosa cambia

• Gemini 3.8 Flash migliora coding, agenti e ragionamento mantenendo il prezzo introduttivo di 3.7 Flash e puntando sui workflow software di lunga durata.
• Gemini 3.8 Flash Cyber specializza la stessa architettura nella ricerca e correzione autonoma delle vulnerabilità, con accesso prioritario tramite Fairwind.
• Adobe, Google Vids e BigQuery mostrano la stessa evoluzione: l’AI lascia il chatbot e diventa uno strato operativo dentro strumenti, documenti e dati.

Google DeepMind accelera ancora il ciclo Gemini e presenta Gemini 3.8 Flash appena tre settimane dopo 3.7 Flash, affiancandolo per la prima volta a Gemini 3.8 Flash Cyber, variante specializzata nella ricerca e nella correzione automatica delle vulnerabilità. Il modello generalista concentra i miglioramenti su software engineering, workflow agentici e ragionamento multi-step, fino alla generazione di applicazioni complete attraverso istruzioni iterative che Google propone anche per il cosiddetto vibe coding. La variante cyber viene invece riservata a difensori selezionati attraverso il nuovo Fairwind Program. Nelle stesse ore Adobe porta oltre 70 strumenti creativi dentro Slack tramite MCP, Google Vids trasforma documenti in video e BigQuery automatizza gli identificatori sequenziali: segnali convergenti di un’AI che passa dalla risposta alla esecuzione del lavoro.

Gemini 3.8 Flash punta su coding lungo e agenti autonomi

Il nuovo Gemini 3.8 Flash annunciato da Google viene presentato come il modello Flash più avanzato dell’azienda per reasoning e coding, con miglioramenti rispetto a Gemini 3.7 Flash nell’ingegneria software, nei task agentici e nelle attività professionali che richiedono più passaggi consecutivi. Google mantiene per il momento lo stesso prezzo introduttivo del predecessore: 0,75 dollari per milione di token in input e 3,75 dollari per milione in output, tariffa valida fino al 31 dicembre 2026 prima del passaggio rispettivamente a 1,50 e 7,50 dollari dal gennaio 2027.

La continuità economica è importante perché Gemini 3.7 Flash aveva già spostato l’attenzione verso agenti e sviluppo software, ma Google sostiene che 3.8 possa affrontare problemi più lunghi e complessi aumentando autonomamente il numero di passaggi di ragionamento e le chiamate agli strumenti. Il compromesso è esplicito: sui task difficili 3.8 Flash può consumare più token proprio perché insiste maggiormente nella verifica e nell’iterazione, mentre chi privilegia il costo può ridurre l’effort oppure continuare a utilizzare 3.7 Flash.

Il benchmark più direttamente collegato allo sviluppo software è DeepSWE v1.1, dedicato al long-horizon software engineering. Google sostiene che 3.8 Flash superi diversi modelli frontier più grandi nella risoluzione autonoma end-to-end di problemi ingegneristici, mantenendo costi inferiori. Sul più generale HLE-Verified raggiunge il 54,9%, mentre l’azienda segnala miglioramenti anche su benchmark professionali dedicati a finanza e diritto. I numeri restano benchmark dichiarati dal produttore e non equivalgono automaticamente alle prestazioni di un agente inserito in un repository reale, dove qualità del contesto, strumenti disponibili, test, dipendenze e limiti di esecuzione modificano profondamente il risultato. La direzione industriale è però coerente con l’ingresso di Google Antigravity negli ambienti enterprise: il modello non viene più misurato soltanto sulla capacità di scrivere codice, ma sulla possibilità di proseguire autonomamente un ciclo sviluppo-verifica-correzione.

Leggi anche: Gemini 3.7 Flash aveva già trasformato coding e workflow agentici nel terreno principale della serie Flash

Il vibe coding diventa un test per agenti che costruiscono software completo

Google utilizza esempi volutamente spettacolari per mostrare la nuova capacità di coding: Gemini 3.8 Flash ha prodotto attraverso Google Antigravity un gioco tridimensionale ambientato in un castello, una versione DOS funzionante di Google Maps e visualizzazioni scientifiche interattive basate su dataset reali dell’US Geological Survey. Un ulteriore prototipo, Hardware Anatomy, genera in Google AI Studio rappresentazioni Three.js esplorabili dell’interno di dispositivi hardware. Il termine vibe coding descrive bene la superficie dell’esperienza, perché l’utente può esprimere ad alto livello ciò che vuole ottenere e lasciare al modello gran parte delle decisioni implementative. La novità sostanziale, tuttavia, non è il prompt creativo in sé. È il loop agentico sottostante: il modello pianifica, utilizza strumenti, osserva il risultato, corregge errori e ripete il ciclo fino a ottenere un prodotto più vicino alla richiesta.

È una trasformazione già visibile quando Gemini 3.5 Flash aveva incorporato il computer use per controllare browser e interfacce. Con 3.8 Flash Google prova a estendere quella logica allo sviluppo software di durata maggiore. La conseguenza è che il benchmark rilevante non diventa soltanto quante righe corrette vengano generate al primo tentativo, ma quanto a lungo l’agente riesca a lavorare senza deragliare, quanto efficacemente utilizzi compilatori e test e quanto sia capace di recuperare dopo una decisione sbagliata. Questo spiega anche perché Google segnali esplicitamente un maggiore consumo di token sui problemi complessi: la capacità aggiuntiva deriva in parte da più lavoro computazionale durante l’esecuzione, non semplicemente da una risposta singola migliore.

Gemini 3.8 Flash Cyber cerca vulnerabilità e genera patch

La vera novità strategica è Gemini 3.8 Flash Cyber, modello derivato dalla stessa intelligenza di base ma ottimizzato specificamente per vulnerability discovery e automated patching. Google dichiara prestazioni frontier-level su CyberGym e un tasso di successo superiore al 70% in un benchmark interno che comprende codebase scritte in 20 linguaggi di programmazione. Sul fronte della remediation, nel benchmark esterno CWE-Bench il modello raggiunge 47,2% pass@1, vicino al 47,8% attribuito da Google a un modello frontier concorrente ma a un costo operativo inferiore. La scelta progettuale dichiarata è significativa: DeepMind afferma di aver privilegiato fin dall’inizio la capacità di correggere vulnerabilità rispetto alla generazione di exploit offensivi.

Google sta già utilizzando il modello sul proprio codice. Il team di sicurezza Chrome avrebbe ottenuto da Flash Cyber 2,6 volte più patch corrette rispetto ai migliori modelli commerciali più grandi presi come riferimento dall’azienda. Wiz misura invece un incremento di recall tra 7,5 e 9,7 punti percentuali nel proprio benchmark interno di penetration testing con costi indicati tra 2,3 e 5,2 volte inferiori. Google Cloud Vulnerability Research sostiene inoltre di aver utilizzato il modello per trovare in meno di due ore una vulnerabilità critica fondamentale che attraverso un processo tradizionale avrebbe potuto richiedere mesi di ricerca. Sono risultati prodotti o selezionati all’interno dell’ecosistema Google e dei partner e dovranno essere confrontati con valutazioni indipendenti, ma indicano chiaramente la direzione: l’AI cyber viene trasformata da assistente analitico a sistema capace di trovare il difetto, proporre la patch e verificarla.

Questa evoluzione segue un mercato nel quale i modelli specializzati per la sicurezza stanno diventando una categoria autonoma. OpenAI aveva già spinto GPT-5.4 Cyber verso reverse engineering e analisi difensiva, mentre Google cerca ora di differenziarsi combinando prestazioni Flash, costi contenuti e accesso controllato. Il punto critico resta la dualità intrinseca delle capacità: un sistema sufficientemente efficace nel trovare vulnerabilità può essere utile sia a chi deve correggerle sia a chi vuole sfruttarle.

Fairwind limita Flash Cyber a governi e difensori considerati affidabili

Per gestire questa dualità Google lancia il Fairwind Program, attraverso il quale Gemini 3.8 Flash Cyber viene reso prioritariamente disponibile a governi, operatori di infrastrutture critiche, maintainer software e organizzazioni considerate trusted defenders. Il programma conta già più di 650 partner a livello globale e abbina Flash Cyber a CodeMender, sistema progettato per individuare, verificare e correggere vulnerabilità a scala agentica. Google sostiene che le patch possano essere prodotte e validate nell’ambiente cloud sicuro dell’organizzazione, riducendo attività manuali che possono richiedere giorni o settimane.

Fairwind introduce quindi anche una forma di governance dell’accesso al modello. Gemini 3.8 Flash generalista mantiene mitigazioni contro utilizzi cyber offensivi e altri domini sensibili, mentre Flash Cyber dispone di restrizioni più permissive proprio per consentire attività difensive avanzate e viene per questo distribuito in maniera controllata. Google afferma che il programma verrà ampliato lavorando con industria, governi e comunità open-weight, ma la struttura pone una questione che accompagnerà inevitabilmente i modelli cyber più potenti: chi stabilisce quali ricercatori siano sufficientemente affidabili per accedere alle capacità più avanzate e con quali criteri viene mantenuto il confine tra ricerca legittima e capacità offensiva?

Adobe porta oltre 70 strumenti dentro Slack attraverso MCP

La stessa trasformazione da chatbot a infrastruttura operativa emerge nell’integrazione Adobe for Slack. Adobe porta nella piattaforma di collaborazione più di 70 strumenti professionali provenienti da Firefly, Photoshop, Premiere, Acrobat, InDesign, Illustrator, Lightroom, Express e Stock. L’integrazione è costruita sul Model Context Protocol e consente a Slackbot di selezionare gli strumenti Adobe necessari in base a una richiesta formulata in linguaggio naturale. Il contesto può essere recuperato dalle conversazioni, dai file, dai canali e dai Canvas di Slack, permettendo per esempio di partire dal brief discusso dal team e trasformarlo direttamente in immagini, documenti o altri asset senza uscire dalla conversazione. Adobe aveva già riunito più di 70 strumenti creativi all’interno di ChatGPT; Slack estende ora la stessa architettura a un ambiente collaborativo nel quale il contesto di progetto esiste già prima dell’intervento dell’AI. Il passaggio è importante anche per MCP, che smette progressivamente di essere uno standard utilizzato soprattutto da sviluppatori per collegare modelli, database e utility e diventa un’infrastruttura delle applicazioni enterprise. La standardizzazione facilita l’orchestrazione degli strumenti, ma allarga contemporaneamente il confine di fiducia: Microsoft ha già avvertito sui rischi di tool poisoning negli ecosistemi MCP, dove la descrizione o il comportamento di un componente possono influenzare un agente autorizzato ad accedere a dati aziendali. Nel caso Adobe-Slack la comodità consiste precisamente nel permettere all’agente di recuperare contesto e richiamare automaticamente strumenti esterni; sicurezza, autorizzazioni e separazione dei privilegi diventano quindi parte integrante del workflow creativo, non un problema separato.

Google Vids trasforma Docs, PDF e Word in sintesi video

Google estende contemporaneamente la logica agentica alla produttività documentale. Google Vids può ora prendere un file Google Docs, un PDF o un documento Word e convertirlo in una video-sintesi generata dall’AI, producendo automaticamente script, narrazione e contenuti visivi. La funzione viene distribuita immediatamente ai domini Rapid Release e dal 5 settembre ai domini Scheduled Release, con rollout graduale fino a 15 giorni. È disponibile sulle edizioni Business, Enterprise, Education Plus, Nonprofits e su diversi piani Gemini consumer ed education.

La trasformazione di un documento in video completa un percorso che Google aveva già iniziato con l’integrazione di Vids dentro Slides per registrare e trasformare le presentazioni e con l’arrivo dei nuovi strumenti video generativi basati sui modelli Gemini. Il cambiamento interessante è che Vids non richiede più di partire necessariamente da una sceneggiatura pensata per il video: il documento aziendale diventa direttamente la sorgente, mentre il sistema decide quali elementi sintetizzare, quali scene costruire e come strutturare la narrazione. Per formazione interna, meeting note, report e documentazione lunga, il video diventa quindi una seconda rappresentazione automatica dello stesso contenuto, non un progetto separato da produrre manualmente.

BigQuery automatizza gli identificatori sequenziali nelle pipeline

L’ultimo tassello sembra meno spettacolare ma è probabilmente uno dei più immediatamente utili nei workflow dati. Google Cloud introduce Identity Columns in BigQuery, permettendo al database di generare automaticamente valori INT64 sequenziali durante l’inserimento delle righe. Le colonne possono essere definite come GENERATED ALWAYS AS IDENTITY, lasciando completamente a BigQuery la gestione del valore, oppure GENERATED BY DEFAULT AS IDENTITY, mantenendo la possibilità di sovrascriverlo manualmente. Sono supportate operazioni INSERT e MERGE, con parametri per scegliere valore iniziale e incremento. La funzione elimina parte della logica che fino ad ora doveva essere gestita nell’applicazione o nei processi ETL, soprattutto quando servono surrogate key semplici per identificare univocamente record all’interno di pipeline analitiche. Il valore strategico emerge nel contesto della trasformazione più ampia di Google Cloud: BigQuery è sempre più utilizzato come base dati direttamente interrogabile da agenti AI, quindi ridurre codice accessorio e automatizzare operazioni strutturali significa semplificare anche gli ambienti sui quali questi agenti devono operare.

Continua con:

• Google rende l’AI operativa tra AI Mode, Gemini Omni e produzione video
• Uno Platform porta MCP nelle applicazioni .NET e permette agli agenti di verificare il software prodotto

L’AI passa dal generare contenuti al controllare interi workflow

Il filo comune tra gli annunci non è semplicemente la presenza dell’intelligenza artificiale. Gemini 3.8 Flash scrive e verifica software, Flash Cyber trova vulnerabilità e prova a correggerle, Adobe lascia a Slackbot la scelta degli strumenti creativi da richiamare, Vids converte autonomamente documenti in prodotti multimediali e BigQuery elimina passaggi applicativi elementari dalla costruzione delle pipeline dati. Il modello operativo sta cambiando: l’utente descrive un risultato e l’infrastruttura decide progressivamente quali strumenti utilizzare e quali passaggi eseguire. Gemini 3.8 Flash rappresenta quindi soprattutto un incremento della durata e della profondità del lavoro che Google vuole delegare ai modelli. Il passaggio da 3.7 a 3.8 avviene in appena tre settimane e costituisce il terzo rilascio Flash in sei settimane, una frequenza che mostra quanto rapidamente si stia spostando la competizione sugli agenti. Ma la variante Cyber chiarisce anche il problema che accompagnerà questa crescita: più un modello riesce ad agire autonomamente su codice, sistemi e strumenti, più sicurezza del contesto, autorizzazioni, controllo umano e governance dell’accesso diventano parte della capacità stessa del modello. La prossima gara non sarà quindi soltanto per costruire l’AI che ragiona meglio, ma per stabilire quale piattaforma riesca ad affidarle più lavoro reale senza perdere il controllo del processo.