Google uruchomił 1 września 2026 roku agentowe przetwarzanie wideo w modelach Gemini 3.7 Flash, 3.6 Flash i 3.5 Flash-Lite. Zamiast rozkładać całe nagranie na klatki w stałym tempie, model sam decyduje, które fragmenty obejrzeć i w jakiej modalności, a według pomiarów Google zużywa przy tym do 88 proc. mniej tokenów, kosztuje do 66 proc. mniej i odpowiada nawet o 7 proc. trafniej.
- Google uruchomił 1 września 2026 roku agentowe przetwarzanie wideo w modelach Gemini 3.7 Flash, 3.6 Flash i 3.5 Flash-Lite, które według pomiarów Google zużywa do 88 proc. mniej tokenów, kosztuje do 66 proc. mniej i odpowiada nawet o 7 proc. trafniej niż dotychczasowa metoda statyczna.
- W trybie statycznym analiza wideo pochłania około 100 tokenów na sekundę nagrania przy niskiej rozdzielczości (lub około 300 tokenów przy wysokiej), co przy godzinnym materiale daje setki tysięcy tokenów zanim model zacznie odpowiadać – tryb agentowy ogranicza ten koszt, bo model sam wybiera, które fragmenty wczytać.
- Google odradza stosowanie trybu agentowego przy klipach krótszych niż pięć minut, przy zapytaniach wrażliwych na opóźnienie oraz wszędzie tam, gdzie wymagana jest precyzja klatka po klatce w całym materiale, a przycinanie nagrania przez parametry start_offset i end_offset działa wyłącznie w trybie statycznym.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Nowy tryb działa w Gemini API i wymaga jednego parametru w zapytaniu
Funkcja nazywa się agentic video understanding i jest dostępna od razu dla plików wideo oraz publicznych filmów z YouTube przez Gemini API w Google AI Studio i w Gemini Enterprise Agent Platform. Ogłosili ją Rohan Doshi, Senior Product Manager w Google DeepMind, i Mario Lučić, Research Director w Google DeepMind, na firmowym blogu The Keyword.
Włączenie sprowadza się do ustawienia parametru processing na wartość agentic przy danym materiale wideo. Google podkreśla, że tryb nie ma osobnej opłaty i rozlicza się według standardowego cennika tokenów Gemini API. Dokumentacja dla deweloperów, aktualizowana 2 września 2026 roku, wymienia już cztery obsługiwane modele: Gemini 3.8 Flash, 3.7 Flash, 3.6 Flash i 3.5 Flash Lite. W Gemini Enterprise Agent Platform funkcja jest oznaczona jako Generative AI Preview, czyli rozwiązanie przed pełną premierą, z ograniczonym wsparciem.
Domyślnie nic się nie zmienia. Przetwarzanie statyczne pozostaje ustawieniem startowym dla wszystkich modeli, a tryb agentowy trzeba włączyć świadomie.
Statyczna analiza pochłania około 100 tokenów na każdą sekundę nagrania
Dotychczasowy sposób pracy Gemini z wideo polega na wyciąganiu klatek w stałym tempie jednej na sekundę i wrzuceniu ich do kontekstu w jednym przebiegu. Dokumentacja Gemini API podaje konkretny rachunek: przy niskiej rozdzielczości medialnej pojedyncza klatka kosztuje 66 tokenów, przy wyższej 258 tokenów, dźwięk dokłada 32 tokeny na sekundę. Razem daje to około 100 tokenów na sekundę materiału przy ustawieniu domyślnym i około 300 tokenów przy wyższej rozdzielczości.
Przy godzinnym nagraniu to setki tysięcy tokenów wydanych zanim model w ogóle zacznie odpowiadać. Modele z oknem kontekstu 1 mln tokenów obsługują wideo do trzech godzin przy niskiej rozdzielczości i do godziny przy wysokiej, więc granica pojemności pojawia się szybciej, niż wynikałoby to z długości typowego materiału szkoleniowego czy zapisu z kamery.
Tryb agentowy odwraca tę logikę. Model prowadzi wewnętrzną pętlę, w której sięga po transkrypcję, ścieżkę dźwiękową albo konkretne klatki dopiero wtedy, gdy uzna je za potrzebne do odpowiedzi na pytanie. W odpowiedzi API pojawiają się dwa nowe typy kroków, processing_call i processing_result, po których deweloper może sprawdzić, czego model faktycznie szukał w nagraniu. Tokeny rozumowania nawigacyjnego liczą się jako thought tokens, a wczytane fragmenty jako tool use tokens.
Autorzy wpisu opisują to jako przejście modelu w rolę aktywnego obserwatora, który sam ustala, co i jak szybko oglądać.
„aktywną, ukierunkowaną na cel rolę” / „an active, goal-directed role”
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Wyszukiwanie momentów, wykrywanie anomalii i liczenie powtórzeń
Google wskazuje cztery zastosowania, dla których zbudował ten tryb:
- wyszukiwanie momentów z dokładnością poniżej sekundy, czyli wyłapywanie cięć montażowych i błyskawicznych zmian stanu, które przy jednej klatce na sekundę po prostu znikają,
- przeszukiwanie długich materiałów pod kątem jednego szczegółu, bez przepalania milionów tokenów na wielogodzinnym nagraniu,
- wykrywanie anomalii przez ponowne próbkowanie wybranego okna czasowego z wyższą liczbą klatek na sekundę,
- liczenie powtarzalnych ruchów i osobnych obiektów w czasie.
Jako punkt odniesienia dla zysków na długich materiałach Google podaje LongVideoBench, benchmark do oceny rozumienia długiej formy wideo. Firma zaznacza, że spośród trzech modeli objętych premierą to Gemini 3.7 Flash z trybem agentowym wypada najlepiej w zestawieniu jakości do kosztu.
Wyniki od partnerów z wczesnego dostępu, czyli firm Ponder, Revyl, Mosaic i Resemble.AI, Google opublikował wyłącznie jako grafiki z cytatami. Treści tych wypowiedzi nie da się odczytać z wersji tekstowej wpisu, więc ich tutaj nie przytaczam.
Liczby w tej premierze są podane jako „do”, a to zawsze wymaga ostrożności. Redukcja o 88 proc. dotyczy długich materiałów, na których stara metoda była wyjątkowo marnotrawna, i nie przełoży się na trzyminutowy klip. Sam mechanizm uważam jednak za sensowny, bo rozwiązuje realny problem: analiza wideo była do tej pory najdroższą modalnością w pracy z modelami i wiele redakcji, uczelni czy działów szkoleniowych odpuszczało ją z powodu rachunku za tokeny.
Widzę też drugą stronę tej zmiany. Kiedy model sam wybiera, co obejrzeć, przestajemy wiedzieć, czego nie obejrzał. Przy przetwarzaniu statycznym mieliśmy prostą gwarancję: każda sekunda trafiła do kontekstu. Teraz odpowiedź jest wynikiem decyzji nawigacyjnych, których nie kontrolujemy, a które Google udostępnia tylko w formie śladu w polu
steps. Dla podsumowania wykładu to nie ma znaczenia. Dla analizy nagrania z kamery, dokumentacji medycznej albo materiału dowodowego ma znaczenie ogromne i pytanie o audytowalność takiego procesu pojawi się szybciej, niż branża zdąży na nie odpowiedzieć.Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Tryb agentowy wydłuża czas do pierwszego tokenu i wyklucza część ustawień
Google sam odradza włączanie nowego trybu w części zastosowań. Dokumentacja wskazuje, że przy klipach krótszych niż pięć minut nawigacja po osi czasu może wydłużyć czas do wygenerowania pierwszego tokenu, bo model najpierw rozumuje i wykonuje wewnętrzne wywołania narzędzia. Dla zapytań wrażliwych na opóźnienie oraz tam, gdzie liczy się precyzja klatka po klatce w całym materiale, zalecane pozostaje przetwarzanie statyczne.
Poza tym tryb agentowy odbiera deweloperowi część kontroli nad wejściem. Przycinanie nagrania przez start_offset i end_offset oraz własne tempo próbkowania klatek działają wyłącznie w trybie statycznym.
W rozmowach wieloetapowych pojawia się kolejna pułapka. W trybie bezstanowym trzeba przekazać wszystkie kroki z poprzedniej odpowiedzi, łącznie z processing_call i processing_result, inaczej kontekst wideo przepada. API nie zwróci przy tym błędu, a jakość odpowiedzi na pytania uzupełniające po prostu spadnie.
Ogólna rekomendacja Google brzmi mimo to jednoznacznie.
„zacznij od trybu agentowego” / „start with agentic mode”
Ask YouTube na stronie filmu ma korzystać z tego samego mechanizmu
Google zapowiada, że tryb agentowy trafi do aplikacji Gemini dla wszystkich użytkowników w modelach z rodziny Flash i Flash-Lite, a w kolejnych miesiącach zasili funkcję Ask YouTube na stronie odtwarzania filmu. Firma pisze, że odpowiedzi mają być wtedy mocniej osadzone w warstwie wizualnej nagrania, a nie tylko w transkrypcji.
Terminów nie podano. W komunikacie nie ma też informacji o krajach ani językach, w których te funkcje pojawią się najpierw, więc nie wiadomo, kiedy zobaczą je polscy użytkownicy.
Osobno obowiązują limity na materiały z YouTube. W darmowym poziomie dostępu można przesłać maksymalnie osiem godzin filmów dziennie, w płatnym limitu długości nie ma, a w jednym zapytaniu mieści się do dziesięciu materiałów. Analizować można wyłącznie filmy publiczne.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Tańsza analiza nagrań zderzy się w Polsce z RODO, Kodeksem pracy i AI Act
Spadek kosztu analizy wideo najszybciej odczują w Polsce te zastosowania, które do tej pory były zbyt drogie, żeby je uruchamiać seryjnie: przeszukiwanie archiwów wideo, automatyczne opisywanie materiałów w mediach i wykrywanie nieprawidłowości w nagraniach z kamer. Ostatnia grupa jest w polskich realiach obwarowana najmocniej.
Monitoring wizyjny nie doczekał się u nas jednej ustawy i pozostaje rozproszony między RODO, Kodeksem pracy i przepisami sektorowymi. Przed wdrożeniem systemu, który analizuje zachowanie ludzi, administrator musi przeprowadzić ocenę skutków dla ochrony danych z artykułu 35 RODO. Wojewódzki Sąd Administracyjny w Warszawie potwierdził w wyroku z 15 stycznia 2026 roku, że brak takiej oceny przed uruchomieniem monitoringu stanowi odrębne naruszenie, niezależne od naruszenia samych zasad przetwarzania. Bezpieczeństwo danych przy stosowaniu monitoringu wizyjnego trafiło też do planu kontroli sektorowych UODO na 2026 rok.
Do tego dochodzi AI Act, który zakazuje systemów wnioskujących o emocjach w miejscu pracy i w placówkach edukacyjnych, a systemy monitorowania i oceny pracowników zalicza do kategorii wysokiego ryzyka z załącznika III. Model, który potrafi wykryć anomalię w nagraniu z kamery za ułamek dotychczasowego kosztu, nie zmienia żadnej z tych zasad. Zmienia tylko liczbę firm, które będą chciały spróbować.
Skala odbiorcy końcowego jest w Polsce równie konkretna. Według badania Mediapanel prowadzonego przez Gemius i Polskie Badania Internetu z internetu korzystało w kwietniu 2026 roku 29,7 mln osób, a Grupa Google miała 29,17 mln realnych użytkowników i zasięg 97,85 proc. Jeśli Ask YouTube z nowym mechanizmem trafi do Polski, obejmie praktycznie każdego polskiego internautę oglądającego filmy na tej platformie.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnego komunikatu Google, The Keyword z dnia 01.09.2026 oraz dokumentacji Gemini API, Video understanding i danych o polskim rynku z badania Mediapanel za kwiecień 2026.
Do weryfikacji parametrów technicznych i statusu funkcji wykorzystano również dokumentację Gemini Enterprise Agent Platform. Kontekst regulacyjny opracowano na podstawie przepisów RODO, Kodeksu pracy, AI Act oraz informacji o planie kontroli sektorowych UODO na 2026 rok.
Cytaty Rohana Doshiego i Maria Lučicia, autorów komunikatu Google, zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Wypowiedzi partnerów wczesnego dostępu Google opublikował wyłącznie w formie grafik i nie zostały przytoczone.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o dostępności agentowego przetwarzania wideo w aplikacji Gemini i w funkcji Ask YouTube.
