All’evento Google I/O l’attenzione del settore era concentrata soprattutto sull’eventuale presentazione di un modello di punta capace di competere direttamente con le ultime generazioni di OpenAI e Anthropic. Invece, il momento più significativo è stato proprio ciò che non è stato annunciato: Gemini 3.5 Pro non è arrivato sul palco, nonostante Sundar Pichai abbia dichiarato che lo sviluppo del modello è stato completato e che il sistema si trova già nella fase di test interni.
Questa assenza ha generato molte interpretazioni, perché Google ha comunque presentato componenti importanti della propria strategia AI, tra cui Gemini 3.5 Flash, Gemini Spark, Gemini Omni e la nuova evoluzione della piattaforma Anti-Gravity 2.0. Tuttavia, mancava il modello di fascia alta che avrebbe dovuto rappresentare la risposta diretta ai sistemi più avanzati della concorrenza, soprattutto nell’ambito della programmazione assistita dall’intelligenza artificiale.
Il punto tecnico centrale riguarda proprio il coding. Gemini 3.5 Flash ha mostrato prestazioni solide, ma non ancora sufficienti per posizionarsi come riferimento assoluto nella generazione, correzione e orchestrazione del codice. Secondo diverse valutazioni emerse tra gli sviluppatori presenti all’evento, le capacità di programmazione di Gemini restano inferiori rispetto ad alcuni modelli concorrenti. Questo rende il rinvio di Gemini 3.5 Pro particolarmente rilevante, perché il nuovo modello dovrebbe rappresentare il vero banco di prova della competitività di Google nel segmento degli agenti software.
L’ipotesi più discussa è che Google stia trattenendo il rilascio pubblico per raccogliere più dati reali prima del lancio definitivo. In questa fase della competizione AI, il miglioramento dei modelli non dipende più soltanto dall’addestramento iniziale o dai benchmark sintetici, ma dalla capacità di raccogliere segnali d’uso concreti, soprattutto nei workflow di sviluppo software. Compilazioni riuscite, errori, test superati, rollback, refactoring e correzioni automatiche producono dati estremamente utili per il reinforcement learning, perché permettono di misurare in modo oggettivo se il modello ha generato una soluzione funzionante.
Anti-Gravity 2.0 diventa quindi un elemento strategico. La piattaforma, evoluta da semplice strumento di generazione codice a orchestratore multi-agente, consente a Google di raccogliere grandi volumi di dati da workflow reali di programmazione. L’utilizzo interno ed esterno è cresciuto rapidamente, passando da centinaia di miliardi a trilioni di token elaborati ogni giorno. Questo crea un volano operativo in cui l’uso quotidiano dei modelli genera dati, i dati alimentano il miglioramento del modello e il miglioramento del modello incentiva ulteriore utilizzo.
Il rinvio di Gemini 3.5 Pro può quindi essere interpretato come una scelta tattica: non rilasciare subito un modello già pronto, ma perfezionarlo sfruttando il più possibile i dati generati da Flash e da Anti-Gravity. In questo scenario, Gemini 3.5 Flash funzionerebbe quasi come una fase pubblica di raccolta segnali, utile a individuare limiti, pattern di errore e casi d’uso reali prima della distribuzione della versione Pro.
La questione è importante perché Google dispone di un vantaggio potenziale che pochi concorrenti possono replicare: un’enorme base interna di sviluppatori, prodotti software complessi e infrastrutture già integrate con i propri modelli. Se questa massa di utilizzo reale viene trasformata efficacemente in dati di reinforcement learning, Gemini 3.5 Pro potrebbe arrivare sul mercato con miglioramenti mirati proprio nelle aree in cui oggi Gemini appare meno competitivo.
L’assenza dell’annuncio atteso, quindi, non va letta soltanto come un ritardo o una delusione di prodotto. È anche il segnale di una competizione AI che si sta spostando dalla corsa al rilascio immediato alla capacità di ottimizzare i modelli attraverso cicli intensivi di utilizzo reale. Per Google, il vero test sarà dimostrare che questo mese aggiuntivo di raccolta dati e raffinamento può tradursi in un Gemini 3.5 Pro realmente competitivo nel coding agentico, dove oggi si gioca una parte decisiva della leadership tra i grandi laboratori AI.