# blount-googlecloudtech-fable-gemini-flash-same-team-2026-09-14

## Veille

Articolo lungo pubblicato il **14 settembre 2026** sull'account X **@GoogleCloudTech** (~2.000 parole, quattro fasi, sei blocchi di comandi e configurazione), firmato da **Alan Blount**, Technical Solutions Consultant presso Google. Punto di partenza: una domanda banale, affidata a un agente di ricerca, fatturata **38 $**. L'articolo propone di eseguire **Claude Fable 5.1** e **Gemini 3.8 Flash** in parallelo dietro la stessa API **Gemini Enterprise Agent Platform** (ex Vertex AI). **(1) Configurazione**: l'accesso a Fable è soggetto all'*Advanced AI Safety Addendum* di Google Cloud, che richiede una chiamata `setPublisherModelConfig` con la condivisione prompt-risposta abilitata per Anthropic, pena un errore 403; Flash funziona non appena viene abilitato. **(2) Benchmark interno** con promptfoo che pilota opencode su due compiti: su uno stato di branch git, Flash risponde in **1,1 s** per meno di un decimo di centesimo mentre Fable costa **23 volte di più**; su una migrazione da Postgres a Spanner, Fable produce in **12 s** un DAG formale con rischi di clock-drift e un gate di rollback, mentre Flash fornisce in 3 s una sequenza lineare. **(3) Utilizzo**: *«coordinamento asimmetrico»* — il modello rapido come coordinatore di prima linea, il pianificatore approfondito ai checkpoint, uno strumento `ask_for_help` per l'escalation, e un avvertimento contro i router dinamici: *«Resta noioso»*. **(4) ROI dei token**: il valore del tempo umano, delle funzionalità rilasciate e degli incidenti evitati, meno il costo dei token e la curva di apprendimento del team. La stessa logica di instradamento per confine di compito di [[mazmanov-portal-spotify-shunt-claude-code-tokens-2026-09-03]], nel quadro FinOps definito da [[rafal-wenvision-tokenomics-foundation-finops-ia-2026-06-04]].

## Titre Article

Put Claude Fable 5.1 and Gemini 3.8 Flash on the same team

## Date

2026-09-14

## URL

https://x.com/GoogleCloudTech/status/2099507349828350285

## Keywords

instradamento dei modelli, coordinamento asimmetrico, tokenomics, ROI dei token, Claude Fable 5.1, Gemini 3.8 Flash, Gemini Enterprise Agent Platform, Vertex AI, Model Garden, Advanced AI Safety Addendum, setPublisherModelConfig, condivisione prompt-risposta, opencode, promptfoo, benchmark interno, valutazioni, subagents specializzati, deep-thinker, worker, escalation ask_for_help, router dinamici, multi-armed bandit, confine di compito, migrazione Postgres Spanner, DAG, Google ADK, LangGraph, livello di ragionamento, quota, provisioned throughput

## Authors

Alan Blount (Technical Solutions Consultant, Google Cloud, @zeroasterisk), publié sur le compte X @GoogleCloudTech.

## Ton

**Profilo**: tutorial tecnico pubblicato su un account editoriale di Google Cloud, scritto in prima persona, che promuove la piattaforma dell'azienda descrivendone al contempo i punti di frizione. Pubblico: sviluppatori che costruiscono agenti di coding o servizi agentici personalizzati, e chi è responsabile dei costi di inferenza.

**Stile**: una progressione numerata in quattro fasi, ciascuna conclusa con artefatti eseguibili — variabili d'ambiente, chiamate curl, risposte JSON previste, codici di errore 409 e 403 con il loro messaggio esatto, file `opencode.json` e `promptfooconfig.yaml`. Un umorismo autoironico (*«le cose impossibili sono facili, ma le cose facili sono difficili»*, *«whew. Ce l'abbiamo fatta 🎉»*) riconosce la farraginosità del percorso di attivazione. Formule brevi fungono da regole: *«Questo è un errore»*, *«Resta noioso»*.

**Posizione epistemica**: l'autore rigetta esplicitamente le classifiche pubbliche (*«vibrazioni di Twitter e classifiche sintetiche»*) e inquadra il proprio confronto come *«un esempio illustrativo»* da rifare sui propri compiti. Le cifre fornite (1,1 s, 23 volte, 12 s) coprono due compiti in un container pulito, senza ripetizione né protocollo dettagliato. I tassi di escalation (85-90% gestiti dal worker) e la soglia di 3-5 strumenti sono presentati come euristiche, senza fonte. L'equazione del ROI è esplicitamente presentata come impossibile da generalizzare. Il testo è contenuto di piattaforma: i modelli citati sono quelli distribuiti da Google Cloud, e il riferimento conclusivo rinvia ad altri post dello stesso account.

## Pense-betes

- **Il caso fondante è un ROI scarso, non un'interruzione di servizio**: una domanda di basso valore, un agente che scandaglia chat e documenti, la risposta corretta, 38 $. Il compito non richiedeva una pianificazione costosa. È il valore marginale del token, discusso in [[gupta-token-budget-wars-marginal-token-utility-2026-05-28]].
- **Due forme di modello, un'unica superficie API**: Fable 5.1 per la pianificazione autonoma di classe Mythos, la finestra di un milione di token e la diligenza multi-fase; Gemini 3.8 Flash per la velocità a **0,75 $ / 3,75 $** per milione di token di input/output, con un livello di ragionamento regolabile. Instradare tutto verso l'uno o l'altro viene indicato come l'errore da evitare in entrambe le direzioni: pagare tariffe di frontiera per leggere dei diff, oppure lanciare un modello rapido su una migrazione irreversibile senza piano.
- **Attivare Fable su Google Cloud è un percorso a più fasi**: abilitare l'API, abilitare il modello, compilare un modulo d'uso, poi accettare l'Advanced AI Safety Addendum chiamando `setPublisherModelConfig` con `dataSharingEnabledProvider: ANTHROPIC` a livello di progetto. Un 409 significa che è già fatto; un 403 esplicito segnala il passaggio mancante. Il nome del modello nell'URL usa trattini, `claude-fable-5-1`. Si raccomanda un endpoint globale, con varianti multi-regionali e regionali.
- **Il benchmark interno sta in due file**: opencode configurato con entrambi i provider Vertex, promptfoo che lancia `opencode run --auto` con ciascun modello sui medesimi prompt, timeout di 60 secondi. La regola: non modificare i file del compito tra un passaggio e l'altro.
- **I due risultati si incrociano**: su uno stato di branch di PR, Fable attraversa turni di meta-ragionamento che reispezionano hash dell'albero invariati (quasi 6 s, 23 volte il costo); Flash attiva gli strumenti git e risponde in 1,1 s. Sulla migrazione da Postgres a Spanner, Flash rende in 3 s una sequenza lineare e pulita; Fable, in 12 s, un DAG completo con rischi di clock-drift sulle scritture doppie, chiavi di idempotenza e un gate di rollback reversibile.
- **Pattern adottato, coordinamento asimmetrico**: velocità a basso costo in prima linea, profondità deliberata ai checkpoint architetturali. In un harness di coding, subagents denominati e associati a modelli distinti (`worker` su Flash, `deep-thinker` su Fable); il planner individua la causa e scompone il lavoro, i worker eseguono e riportano, il planner verifica e confirma o riassegna. Due famiglie di modelli che si controllano a vicenda, un possibile parallelo con [[willison-fable-judgement-delegation-subagents-2026-07-03]].
- **Ridisegnare l'harness in base al modello**: da 3 a 5 strumenti mirati con schemi JSON rigorosi per il modello rapido, contro un catalogo di 50 strumenti che genera confusione nei parametri e spreco di contesto; documenti di architettura, schemi e linee guida per Fable, ma senza accesso diretto in scrittura ai file.
- **Escalation 'Ask for Help'**: ogni richiesta parte sul worker rapido, dotato di uno strumento `ask_for_help(reason, failed_attempts, context)`; gestisce autonomamente l'85-90% delle richieste ed effettua l'escalation solo in caso di ambiguità, azione irreversibile o due fallimenti consecutivi dello strumento.
- **Contro i router 'intelligenti' automatici**: maturi nel machine learning predittivo (bandit, ad tech, antifrode) perché gli input sono delimitati e il feedback è immediato; negli agenti multi-turno, il primo turno manca di segnale, il successo non si traduce in caratteristiche apprendibili e le scelte sbagliate vengono ripetute sull'altro percorso, erodendo i risparmi e aggiungendo latenza. Verdetto: comporre esplicitamente, instradare per confine di compito, lasciare che asserzioni di codice o intenzione umana governino i passaggi di consegna.
- ⚠️ **Le cifre comparative si basano su due compiti eseguiti una sola volta ciascuno**, senza varianza né protocollo pubblicato; l'autore lo dichiara egli stesso e rimanda chiunque alle proprie valutazioni.
- **L'equazione del ROI** somma il tempo umano risparmiato, le funzionalità rilasciate più rapidamente e gli errori e le interruzioni evitati, meno il costo dei token e la curva di apprendimento del team. L'autore osserva che questo calcolo è mosso più dal fare più lavoro, più rapidamente, che dal risparmiare token. Un confronto per team da leggere insieme a [[patel-block-buzz-teams-tokens-benchmarks-2026-08-06]].

## RésuméDe400mots

Alan Blount, Technical Solutions Consultant presso Google Cloud, pubblica il 14 settembre 2026 sull'account X @GoogleCloudTech un tutorial in quattro fasi su come far funzionare insieme Claude Fable 5.1 e Gemini 3.8 Flash. Punto di partenza: una domanda banale affidata a un agente che ha cercato tra le sue conversazioni e i suoi documenti, costando 38 dollari per una risposta corretta ma di basso valore.

Entrambi i modelli sono accessibili dietro la stessa API Gemini Enterprise Agent Platform, il nuovo nome di Vertex AI, tramite Model Garden. Fable 5.1 porta una pianificazione autonoma di classe Mythos, una finestra di un milione di token e una diligenza multi-fase; Gemini 3.8 Flash porta un ragionamento quasi di frontiera a un prezzo di 0,75 dollari per milione di token di input e 3,75 per l'output, con un livello di ragionamento regolabile. Instradare tutto verso un unico modello viene presentato come un errore.

La prima fase descrive in dettaglio l'attivazione. Fable rientra nell'Advanced AI Safety Addendum di Google Cloud: la condivisione prompt-risposta per Anthropic deve essere abilitata a livello di progetto tramite una chiamata all'API setPublisherModelConfig, altrimenti ogni richiesta restituisce un errore 403. Flash funziona non appena il modello viene abilitato.

La seconda fase raccomanda di non basarsi sulle classifiche pubbliche ma di confrontare i modelli sui propri compiti, qui con promptfoo che pilota l'agente opencode. Su un riepilogo dello stato di un branch git, Flash risponde in 1,1 secondi per meno di un decimo di centesimo, mentre Fable moltiplica i turni di ragionamento e costa 23 volte di più. Su una migrazione da Postgres a Spanner, Flash fornisce in 3 secondi una sequenza lineare, Fable in 12 secondi un grafo delle dipendenze formale, con rischi di clock-drift e un gate di rollback.

La terza fase descrive il coordinamento asimmetrico: il modello rapido in prima linea, il pianificatore approfondito ai checkpoint architetturali. In un harness di coding, questo si traduce in subagents associati a modelli distinti; in un servizio personalizzato, in un harness su misura per ciascun modello, valutazioni automatizzate e uno strumento di escalation che il worker richiama in caso di ambiguità, azione irreversibile o doppio fallimento. I router dinamici vengono esclusi a favore di un instradamento esplicito per confine di compito.

La quarta fase propone un'equazione del ROI dei token fondata sul valore prodotto piuttosto che su tabelle tariffarie.

## GrapheDeConnaissance

- Alan Blount —travaille_chez→ Google Cloud (ORGANISATION, 0.95)
- Google Cloud —publie→ Gemini Enterprise Agent Platform (TECHNOLOGIE, 0.95)
- Gemini Enterprise Agent Platform —remplace→ Vertex AI (TECHNOLOGIE, 0.93)
- Gemini Enterprise Agent Platform —utilise→ Model Garden (TECHNOLOGIE, 0.93)
- Model Garden —permet→ Claude Fable 5.1 (TECHNOLOGIE, 0.94)
- Model Garden —permet→ Gemini 3.8 Flash (TECHNOLOGIE, 0.94)
- Claude Fable 5.1 —fait_partie_de→ Advanced AI Safety Addendum (DOCUMENT, 0.92)
- Advanced AI Safety Addendum —utilise→ setPublisherModelConfig (TECHNOLOGIE, 0.92)
- Alan Blount —mesure→ une question anodine traitée par un agent de recherche a coûté 38 $ (MESURE, 0.93)
- Gemini 3.8 Flash —mesure→ 0,75 $ par million de tokens en entrée, 3,75 $ en sortie (MESURE, 0.93)
- Claude Fable 5.1 —mesure→ fenêtre de contexte d'un million de tokens (MESURE, 0.92)
- Alan Blount —utilise→ promptfoo (TECHNOLOGIE, 0.93)
- promptfoo —utilise→ opencode (TECHNOLOGIE, 0.93)
- Gemini 3.8 Flash —surpasse→ Claude Fable 5.1 (TECHNOLOGIE, 0.88)
- Gemini 3.8 Flash —mesure→ résumé d'état de branche git en 1,1 s pour moins d'un dixième de cent, Fable 5.1 près de 6 s et 23 fois plus cher (MESURE, 0.9)
- Claude Fable 5.1 —surpasse→ Gemini 3.8 Flash (TECHNOLOGIE, 0.88)
- Claude Fable 5.1 —mesure→ plan de migration Postgres vers Spanner en DAG formel en 12 s, contre une séquence linéaire en 3 s pour Flash (MESURE, 0.9)
- Alan Blount —recommande→ coordination asymétrique (CONCEPT, 0.95)
- coordination asymétrique —est_instance_de→ routage de modèles (CONCEPT, 0.93)
- coordination asymétrique —utilise→ subagents (TECHNOLOGIE, 0.92)
- coordination asymétrique —utilise→ escalade Ask for Help (METHODOLOGIE, 0.92)
- escalade Ask for Help —affirme_que→ le worker rapide traite 85 à 90 % des requêtes et n'escalade que sur ambiguïté, action irréversible ou deux échecs d'outil consécutifs (AFFIRMATION, 0.9)
- Alan Blount —recommande→ 3 à 5 outils à schémas JSON stricts pour le modèle rapide, un catalogue de 50 outils causant confusion de paramètres (AFFIRMATION, 0.9)
- Alan Blount —s_oppose_à→ routeurs de modèles dynamiques (CONCEPT, 0.92)
- routeurs de modèles dynamiques —affirme_que→ signal insuffisant au premier tour, succès non traduisible en features, mauvais choix rejoués sur l'autre chemin (AFFIRMATION, 0.9)
- Alan Blount —affirme_que→ "Keep it boring" (CITATION, 0.95)
- Alan Blount —recommande→ ROI des tokens (CONCEPT, 0.92)
- ROI des tokens —affirme_que→ valeur du temps humain, des fonctionnalités livrées et des incidents évités, moins le coût des tokens et de la montée en compétence (AFFIRMATION, 0.9)
- coordination asymétrique —s_applique_à→ LangGraph (TECHNOLOGIE, 0.85)

---
Canonical: https://www.thekb.eu/it/fiches/blount-googlecloudtech-fable-gemini-flash-same-team-2026-09-14/