Google ha rimandato il rilascio della nuova versione di Gemini Pro, il suo Large Language Model di punta. Secondo Bloomberg, che cita dieci dipendenti ed ex dipendenti, il modello è in ritardo di mesi rispetto alla tabella di marcia perché le capacità di programmazione non raggiungono gli obiettivi interni. L’annuncio era atteso per la conferenza sviluppatori di maggio. E invece no.

La notizia non riguarda solo una data slittata. Mette a nudo un problema strutturale: dopo anni di corse al rialzo su parametri e dataset, le aziende più avanzate si scontrano con la qualità del codice generato. E qui non bastano più GPU più potenti o un training più lungo.

Il codice come cartina di tornasole
Scrivere codice non è come rispondere a una domanda nozionistica. Richiede coerenza logica su archi temporali lunghi, gestione dello stato, comprensione di contesti astratti. Un LLM può bluffare su un tema umanistico, ma con il software le falle emergono subito: errori di sintassi che bloccano un’esecuzione, funzioni che non compilano, architetture fragili che crollano al primo caso d’uso reale. Per Google, spingere Gemini Pro su questo terreno era cruciale per competere con Copilot di GitHub e con Code Llama. Il fatto che non ci sia riuscita – nonostante risorse computazionali pressoché illimitate – suggerisce che la semplice scalabilità (più parametri, più token) ha raggiunto un punto di rendimento decrescente.

Non è solo un problema tecnico. È un segnale di mercato: il valore di un LLM non si misura più in benchmark astratti ma in task produttivi, e il coding è il task produttivo per eccellenza. Se un modello non regge qui, le aziende che valutano un deployment on-premise o self-hosted lo scarteranno, indipendentemente dalla potenza di calcolo disponibile.

Chi ci guadagna e chi perde
Il ritardo apre spazi. I concorrenti diretti – OpenAI, Meta con Llama 3, le realtà open source come Mistral – possono accelerare sui modelli con ottimizzazioni per il codice, consapevoli che la finestra di vantaggio si è allargata. Per chi sviluppa applicazioni aziendali, l’incertezza su Gemini Pro significa dover ripensare le roadmap di integrazione: affidarsi a un modello che non si sa quando arriverà (e con quali capacità reali) è un rischio operativo, specialmente in contesti regolati dove la prevedibilità è un requisito.

Sul fronte hardware, la notizia alimenta il dibattito sul futuro dell’inference. Se il progresso non è più garantito dalla taglia del modello, cresce l’interesse per architetture alternative: Mixture of Experts, modelli che allocano calcolo al momento dell’inference (come i reasoning model), tecniche di quantization più aggressive. Per i team che valutano stack on-premise, tutto ciò si traduce in un’indicazione chiara: non conviene dimensionare l’infrastruttura solo sulla base dei modelli più grandi attesi. La direzione, piuttosto, è verso sistemi flessibili, capaci di adattarsi a modelli più piccoli ma specializzati, e di sfruttare acceleratori specifici per carichi di coding.

Lo slittamento di Gemini Pro è quindi più di un ritardo di prodotto. È un sintomo che il paradigma “scaling is all you need” sta lasciando il passo a una fase nuova. Per l’industria, il messaggio è netto: la partita dell’intelligenza artificiale si gioca sempre meno sulla quantità e sempre più sulla pertinenza, sull’affidabilità in compiti concreti. Google, con questa ammissione involontaria, ha reso il codice il termometro di un’intera stagione della ricerca.