Voto: 4/10
Quando ho iniziato a usare seriamente gli strumenti AI per il lavoro, ho scelto Gemini. Non per caso, non per pigrizia: lo scelsi perché Gemini 2.5 Pro era, in quel momento, il modello più affidabile che avessi mai toccato. Rispondeva in profondità, teneva il filo su sessioni lunghe, gestiva contesti complessi senza quella sgradevole sensazione di parlare con qualcuno che ha smesso di ascoltarti tre domande fa. Lo usavo per la scrittura, per il coding di supporto, per ragionare ad alta voce su strutture narrative e architetture software. Funzionava. E quando qualcosa funziona davvero, smetti di testarla — cominci a dipenderci.
Questa è la storia di come quella dipendenza si è trasformata in una lezione costosa.
L'hype che non si vedeva da anni
Nei mesi che hanno preceduto il rilascio di Gemini 3, il settore viveva un fermento che ricordava le grandi attese della storia tech — quella specie di elettricità sospesa nell'aria che precede qualcosa che potrebbe davvero cambiare le cose. I canali YouTube specializzati fiutavano il lancio imminente da settimane. La stampa di settore pubblicava anticipazioni a cadenza quasi quotidiana. Su X circolava un documento che sembrava materiale interno di Google, con tanto di data ipotetica: 22 ottobre 2025. La community lo smontò, lo analizzò, lo dibatté. La data non era quella, ma il modello era reale.
La cosa che aveva alimentato di più le aspettative erano i test anonimi su LM Arena. È una pratica consolidata: Google carica i propri modelli sulla piattaforma prima del lancio ufficiale, sotto nomi generici, per raccogliere valutazioni comparative senza rivelare le carte. Con Gemini 2.5 era già andata così — il futuro modello era comparso come «Nebula» mesi prima dell'annuncio. Con il 3, la storia si ripeté, e i risultati che circolavano erano fuori scala rispetto a tutto il resto. I benchmark sul disegno vettoriale SVG, in particolare, avevano fatto girare la testa a chiunque lavorasse con grafica generativa: nessun altro modello era mai riuscito a produrre animazioni SVG inline in HTML di quel livello in modo autonomo, senza istruzioni preliminari.
Il 18 novembre 2025 arrivò il lancio ufficiale di Gemini 3 Pro. I numeri erano quelli che ci si aspettava: primo modello a superare quota 1.500 su LM Arena, davanti a GPT-5, davanti a Claude Opus 4.1, davanti a tutti. Humanity's Last Exam al 37,5%, GPQA Diamond al 91,9%, una finestra di contesto da un milione di token. Numeri da record. Tutti li citavano. Io ero tra quelli che guardavano con curiosità mista a cautela — quel tipo di cautela che si impara dopo aver visto abbastanza lanci promettenti diventare deludenti nel giro di qualche settimana.
La cautela, questa volta, era giustificata.
La prima crepa: lo scheletro al posto del codice
Me ne sono accorto gradualmente, come accade con le cose che si rompono lentamente. Non c'è stato un momento preciso — un errore clamoroso, un crollo evidente — ma una progressiva sensazione di sottrazione. Il modello produceva risposte che sembravano corrette ma mancavano di qualcosa di essenziale: la profondità.
Nella scrittura, l'ossessione per la sintesi si manifestava in modo quasi compulsivo. Dove prima sviluppava, ora riassumeva. Dove prima costruiva, ora accennava. Come se avesse imparato che raggiungere la fine del task valesse più del percorso per arrivarci — e in un certo senso, tecnicamente, è proprio così: il meccanismo che i ricercatori chiamano stopping pressure addestra i modelli a completare i task, ma non necessariamente a completarli bene. Un contenuto lungo, un articolo complesso, un ragionamento multi-step vengono sistematicamente abbreviati perché il modello ha imparato, durante il training, che la conclusione formale è premiante indipendentemente da quanto ci si sia arrivati in profondità.
Nel codice la cosa era più visibile e più pericolosa. Gemini 3 aveva sviluppato — o forse affinato — l'abitudine di produrre quello che si potrebbe chiamare un codice-scheletro: struttura plausibile, architettura apparentemente corretta, commenti al posto delle implementazioni. // (...rest of implementations). // (...no changes around here). Roba che a una lettura superficiale sembra un lavoro completo e che a una revisione attenta rivela di essere poco più di un'intenzione dichiarata. Non è una percezione soggettiva: è un bug tracciato nel repository GitHub ufficiale di Gemini CLI, con tanto di issue aperta e causa identificata.
Ho capito definitivamente cosa stava succedendo quando ho cominciato a portare il lavoro di Gemini su Sonnet — non Opus, il più potente, ma Sonnet 4.5 e poi 4.6 — per una revisione. Il confronto era impietoso. Claude completava dove Gemini aveva accennato, correggeva dove Gemini aveva introdotto errori silenziosamente, finiva dove Gemini aveva simulato di finire. La differenza non era di intelligenza — Gemini 3 sui benchmark era superiore — ma di filosofia: Anthropic ha ottimizzato Claude per l'aderenza alle istruzioni e la completezza della risposta, anche a costo di essere più lento o più verboso. Google, evidentemente, ha ottimizzato Gemini 3 per sembrare corretto ai test sintetici, con risultati che nell'uso reale si traducevano esattamente in quello che descrivevo: performance apparente invece di utilità concreta.
Con il 3.1 le cose sono peggiorate. Gli utenti sui forum tecnici parlavano di un modello che aveva «smesso di ragionare», di loop infiniti nella modalità Canvas su progetti multi-file di media complessità, di un tool che Google aveva costruito attorno a un modello che, per ironia, risultava inadatto all'ambiente per cui era stato pensato. Su Hacker News qualcuno scrisse, con quella sintesi brutale che non lascia spazio a interpretazioni: «Gemini 3.1 is surprisingly bad at coding, especially if you consider that they built an IDE around it».
Antigravity: quando l'AI fa terra bruciata
C'è un momento in cui un modello che sbaglia diventa un modello che distrugge. Quello per me è arrivato con Antigravity — lo strumento agentivo di Google, pensato per lavorare direttamente sui file, sui repository, sul codice reale — quando ho cominciato a dargli in pasto progetti strutturati che avevo clonato localmente.
Quello che ho vissuto non aveva niente di graduale: Antigravity ha iniziato a prendere iniziative non richieste. Modificava file su cui non avrebbe dovuto mettere mano. Rompeva la struttura dei repository. Mischiava contesti Git che non c'entravano nulla. Regrediva il codice a versioni precedenti, o peggiori, senza che ci fosse una ragione tecnica riconoscibile. È un comportamento documentato fin dal novembre 2025, quando uno sviluppatore pubblicò su LinkedIn una segnalazione dettagliata: il modello corrompeva interi file invece di fare modifiche mirate, e quando tentava di riparare i danni eseguendo un revert da Git, distruggeva le proprie modifiche corrette effettuate nella stessa conversazione. Una spirale autodistruttiva.
Il problema più grave, però, era un altro: il piano mostrato prima dell'approvazione era già partito nel frattempo. Antigravity ti presentava il suo piano di lavoro con aria composta, ti chiedeva di approvarlo, e nel frattempo aveva già cominciato a eseguire. Il consenso era formalmente richiesto ma operativamente bypassato. Ore di lavoro da ricostruire, in più di un caso. Un sistema progettato per aiutare che, in quelle condizioni, era diventato strutturalmente pericoloso da usare su progetti reali senza backup preventivi eseguiti ogni cinque minuti.
La mossa commerciale: il piano sparito
Mentre gestivo i danni di Antigravity, mi sono accorto di qualcos'altro. Il mio piano da 24,99 dollari non c'era più.
Non avevo ricevuto comunicazioni particolari. Non c'era stato un avviso chiaro. Ero stato retrocesso silenziosamente a un piano da 21,99 — quasi lo stesso prezzo, storage invariato, ma utilizzo degli LLM più che dimezzato. Dalla finestra di contesto da un milione di token a 128.000. Da 300 richieste giornaliere a 30. Da uno strumento su cui avevo costruito un flusso di lavoro a qualcosa di materialmente inutilizzabile per chiunque faccia lavoro intensivo.
È successo, a quanto si è poi scoperto, a migliaia di persone. Google aveva silenziositamente smantellato i piani intermedi, ridisegnando la propria piramide commerciale verso l'alto: da un lato il piano entry-level ridimensionato, dall'altro l'AI Ultra a 274,99 euro al mese. Chi usava l'AI per lavoro reale — sviluppo, scrittura, gestione di progetti — si trovava in una terra di nessuno: troppo intensivo per i piani base, con un salto economico enormemente sproporzionato verso Ultra. Il tutto mentre il modello, come ho descritto, era diventato oggettivamente problematico su quei progetti reali che avrebbero giustificato lo sforzo economico.
C'è un termine che nel settore tech si usa per descrivere la fase in cui un'azienda ti offre qualcosa di eccezionale a condizioni generose per farti costruire dipendenza, prima di cominciare a rinegoziare i termini. Non mi spingo a usarlo qui, perché sarebbe una semplificazione. Posso però dire che il percorso da Gemini 2.5 — affidabile, generoso, costruito per durare — a questa combinazione di modello degradato, strumento agentivo pericoloso e piani commerciali ridisegnati senza preavviso ha avuto, guardandolo in retrospettiva, una coerenza che non era quella di una roadmap tecnologica.
Il verdetto
Ho iniziato con Gemini perché era il migliore. L'ho abbandonato perché è diventato inaffidabile nel momento in cui ne avevo più bisogno.
Un 4/10 non viene da chi non ha mai usato questi strumenti sul serio. Viene da chi li ha usati abbastanza a lungo, abbastanza in profondità, su lavoro reale — e ha visto esattamente dove si sono rotti. Non nella demo, non nel benchmark, non nel video di presentazione. Nei repository clonati alle undici di sera. Nei thread di revisione che mostravano codice scheletro al posto di implementazioni complete. Nei backup d'emergenza fatti perché il piano di lavoro approvato era già partito senza aspettare l'approvazione.
L'hype costruito per cinque mesi prima del lancio, come scrisse uno dei primi beta tester, prometteva una rivoluzione. Abbiamo ottenuto un'evoluzione — e poi, in fretta, qualcosa di meno.
Per ora ho fatto le mie scelte. Le tengo
