Hvor er Gemini 3.5 Pro? Googles Gemini-offensiv: Når hastighed bliver vigtigere end opfindsomhed

Billigere i stedet for genialt: Googles overraskende strategiændring hos Gemini

Googles nye AI-plan: Opgiver virksomheden kapløbet om den smarteste AI?

Google ændrer drastisk spillets regler i det globale AI-kapløb. I stedet for at deltage i en isoleret kamp med konkurrenter som OpenAI og Anthropic om den mest intelligente – og dermed dyreste – flagskibsmodel, fokuserer tech-giganten på radikal effektivitet. Med sin nye modelfamilie centreret omkring Gemini 3.6 Flash, den ekstremt strømeffektive Flash-Lite og den højt specialiserede, men i øjeblikket hemmelige Cyber-model, indtager en ny målestok centrum: omkostningsreduktion med maksimal praktisk anvendelighed. Mens det længe ventede flagskib Gemini 3.5 Pro stadig er utilgængeligt, repositionerer Google sig selv som en uundværlig grundlæggende leverandør til den hurtigt voksende agentøkonomi. Men hvad betyder dette strategiske skift for fremtiden for generativ AI? Og hvorfor anser Google sin seneste sikkerhedsmodel for at være for risikabel for den brede offentlighed? Den følgende artikel analyserer Googles pragmatiske vej til den næste generation af AI og undersøger dens massive indflydelse på virksomheder og udviklere.

Hvorfor Google foretrækker at levere tre små modeller frem for at opfylde ét stort løfte

Googles seneste træk i kapløbet mellem de store AI-udbydere følger et mønster, der i stigende grad er ved at blive normen i branchen: I stedet for et enkelt, monolitisk fremskridt leverer virksomheden en hel familie af modeller, der er skræddersyet til forskellige anvendelsesscenarier. Med Gemini 3.6 Flash, Gemini 3.5 Flash-Lite og Gemini 3.5 Flash Cyber ​​lancerer Google den næste evolutionære fase inden for få måneder efter introduktionen af ​​Gemini 3.5 Flash i maj. Det bemærkelsesværdige her er mindre den tekniske substans i de enkelte innovationer end det underliggende strategiske budskab: Google positionerer sig ikke længere primært som leverandør af den mest intelligente model, men snarere som leverandør af det økonomisk mest effektive AI-økosystem.

Sparsommelighed som et nyt statussymbol i AI-kapløbet

Det centrale salgsargument omkring Gemini 3.6 Flash er ikke øget intelligens, men omkostningsreduktion. Google annoncerer en reduktion i tokenforbruget på cirka 17 procent sammenlignet med sin forgænger, 3.5 Flash, baseret på målinger fra Artificial Analysis Index. I nogle benchmarks, såsom DeepSWE, siges omkostningerne pr. genereret output-token at falde med så meget som 65 procent. Samtidig er den nominelle pris også blevet reduceret: Mens Gemini 3.5 Flash blev faktureret til $1,50 pr. million input-tokens og $9 pr. million output-tokens, koster Gemini 3.6 Flash kun $7,50 pr. million output-tokens med uændrede inputomkostninger. Denne kombination af lavere forbrug og en lavere pris pr. enhed resulterer i en tydelig mærkbar effekt på driftsomkostningerne for virksomheder, der implementerer generativ AI i stor skala.

Dette fokus på effektivitet er ikke tilfældigt, men snarere et udtryk for en økonomisk virkelighed, der i øjeblikket præger hele branchen. Store sprogmodeller medfører beregningsomkostninger for hver enkelt forespørgsel, som løber op i betydelige summer, når man håndterer millioner eller milliarder af daglige forespørgsler. Cloududbydere og platformoperatører, der ønsker at skalere agentsystemer, der uafhængigt håndterer flertrinsopgaver, skal drastisk reducere tokenforbruget pr. trin; ellers vil de økonomiske fordele ved sådanne systemer blive opslugt af infrastrukturomkostninger. Google adresserer netop dette problem ved at tilbyde en ny model, der ifølge deres egne udsagn kræver færre tankeprocesser og værktøjskald for at fuldføre flertrinsworkflows.

Teknologiske fremskridt ud over blot spørgsmålet om omkostninger

Ud over øget effektivitet viser Gemini 3.6 Flash også forbedringer i klassiske performance benchmarks. I programmeringsopgaver, målt ved DeepSWE-testen, stiger succesraten fra 37 til 49 procent. I ML Research Benchmark MLE Bench forbedres modellen fra 49,7 til 63,9 procent. Fremskridt er også tydelige i vidensbaserede opgaver: GDPval-AA-scoren stiger fra 1349 til 1421 point. Særligt bemærkelsesværdigt er forbedringen i computerfærdigheder, især AI'ens evne til selvstændigt at navigere i grafiske brugergrænseflader: OSWorld-Verified-scoren stiger fra 78,4 til 83 procent. Desuden er modellens vidensbase blevet opdateret fra januar 2025 til marts 2026, hvilket er en betydelig praktisk fordel i dagens hurtigt udviklende teknologiske landskab.

Trods disse fremskridt forbliver Gemini 3.6 Flash klart positioneret som en mellemklassemodel. I direkte sammenligningstests på platforme som Arena.ai rangerer den bag topmodeller som Claude Opus eller den nye GPT 5.6-Sol. Dette er ikke en svaghed, men et bevidst designvalg: Google giver afkald på påstanden om at tilbyde den mest kraftfulde model samlet set og fokuserer i stedet på et segment, hvor hastighed, pris og tilstrækkelig kvalitet er vigtigere end det teoretiske maksimum med hensyn til intelligens. Denne strategi minder om klassisk markedssegmentering i andre teknologisektorer, såsom processorer, hvor producenter konsekvent tilbyder effektive mellemklasseprodukter til massemarkedsapplikationer sideløbende med højtydende chips.

Det nye grundlag for agentøkonomi

Med Gemini 3.5 Flash-Lite forfølger Google et endnu mere radikalt effektivitetsmål. Denne model er eksplicit designet som fundamentet for at bygge og skalere AI-agenter – systemer, der uafhængigt kan behandle komplekse opgaver i flere trin uden at kræve menneskelig indgriben i hvert trin. Den overgår sin forgænger, 3.1 Flash-Lite, betydeligt i benchmarks for både vidensbaserede og programmeringsopgaver, mens driftsomkostningerne forbliver usædvanligt lave på $0,30 pr. million input-tokens og $2,50 pr. million output-tokens. Modellens fleksibilitet er bemærkelsesværdig: Afhængigt af brugsscenariet kan den konfigureres til at fungere særligt hurtigt og omkostningseffektivt eller til at stole mere på sine ræsonnementsevner. Sidstnævnte bliver nødvendigt, når opgaver skal behandles i fællesskab af flere specialiserede subrutiner, kendt som subagenter.

Denne arkitekturbeslutning afslører den retning, hele branchen bevæger sig i. Mange markedsobservatører mener, at fremtiden for AI ikke ligger i stadigt større individuelle modeller, men i netværkssystemer af mindre, specialiserede modeller, der i samarbejde kortlægger komplekse processer. En enkelt stor beregning foretaget af en kraftfuld model erstattes af mange små, billige forespørgsler til lean-modeller, der samarbejder parallelt eller sekventielt. En model som Flash-Lite er ideelt egnet til denne arkitektur, fordi den reducerer omkostningerne pr. forespørgsel i en sådan grad, at et stort antal forespørgsler forbliver økonomisk rentable. Meddelelsen om, at Flash-Lite også vil levere AI-resultater i Googles websøgning, understreger yderligere den centrale rolle, som Google tildeler denne lean-model på massemarkedet.

Et værktøj med to ansigter: Cybersikkerhed som forretningsområde

Den tredje nye udgivelse, Gemini 3.5 Flash Cyber, markerer en betydelig udvidelse af Flash-serien til et meget følsomt område. Denne model er specifikt trænet til at finde og analysere sikkerhedssårbarheder i softwarekode og til at foreslå afhjælpende foranstaltninger. Denne specialisering er baseret på den allerede effektive Gemini 3.5 Flash, som er blevet yderligere forfinet gennem målrettet træning for at analysere store kodebaser. I stedet for at sende en enkelt, dyr forespørgsel til en meget stor model, kalder den overordnede sikkerhedsagent Codemender den strømlinede Cyber-model flere gange for at undersøge forskellige udførelsesstier for et program parallelt. De individuelle delresultater konsolideres derefter i en omfattende rapport.

Ydeevnen af ​​denne tilgang kan ses i konkrete tal. I en test på den komplekse JavaScript-motor V8 identificerede cybermodellen 55 forskellige, bekræftede sårbarheder, mens den generelle Flash-model kun fandt 47 og Anthropics Claude Opus 4.6 blot 36. Ti af de opdagede problemer blev udelukkende fundet af den specialiserede cybermodel. I CyberGym-benchmarken, som evaluerer AI-agenter mod hundredvis af softwaresårbarheder i den virkelige verden, opnår modellen i kombination med flere kørsler et ydeevneniveau, der kan sammenlignes med betydeligt større og dyrere sikkerhedsmodeller fra leverandører som Anthropic og OpenAI. I en intern test foretaget af Googles cloud-sikkerhedsteam opdagede modellen flere kritiske sårbarheder i produktionssystemer inden for blot to timer, herunder en hukommelseskorruptionssårbarhed, hvor den også genererede en fungerende udnyttelse, der omgik almindelige beskyttelsesmekanismer såsom randomisering af adresserumslayout.

Denne enorme evne til at identificere sårbarheder i kode er også modellens største risiko. Google anerkender åbent teknologiens dobbelte anvendelse: Den samme funktion, der giver forsvarere mulighed for at lukke sårbarheder, kan bruges af angribere til at udnytte de samme huller, før de bliver rettet. Af denne grund har Google besluttet ikke at gøre modellen offentligt tilgængelig for øjeblikket, men snarere at dele den udelukkende gennem sit eget sikkerhedsværktøj, Codemender, som en del af et tæt kontrolleret pilotprogram med regeringer og udvalgte, betroede partnere. Der er ikke givet nogen konkret tidsplan for udvidelse af adgangen. Denne modvilje afspejler en voksende bevidsthed i hele branchen om, at højt specialiserede AI-systemer inden for sikkerhedsområdet ikke kan frigives under de samme regler som generelle chatbot-applikationer.

Her lærer du, hvordan din virksomhed kan implementere skræddersyede AI-løsninger hurtigt, sikkert og uden høje adgangsbarrierer.

En administreret AI-platform er din altomfattende og bekymringsfri løsning til kunstig intelligens. I stedet for at skulle håndtere kompleks teknologi, dyr infrastruktur og langvarige udviklingsprocesser, får du en færdiglavet løsning skræddersyet til dine behov fra en specialiseret partner – ofte inden for få dage.

De vigtigste fordele på et overblik:

⚡ Hurtig implementering: Fra idé til brugsklar applikation på dage, ikke måneder. Vi leverer praktiske løsninger, der skaber øjeblikkelig merværdi.

🔒 Maksimal datasikkerhed: Dine følsomme data forbliver hos dig. Vi garanterer sikker og kompatibel behandling uden at dele data med tredjeparter.

💸 Ingen økonomisk risiko: Du betaler kun for resultater. Store forudgående investeringer i hardware, software eller personale elimineres fuldstændigt.

🎯 Fokuser på din kerneforretning: Koncentrer dig om det, du er bedst til. Vi tager os af hele den tekniske implementering, drift og vedligeholdelse af din AI-løsning.

📈 Fremtidssikret og skalerbar: Din AI vokser med dig. Vi sikrer løbende optimering og skalerbarhed og tilpasser modellerne fleksibelt til nye krav.

Mere information her:

• Den administrerede AI-løsning - Industrielle AI-tjenester: Nøglen til konkurrenceevne inden for service-, industri- og maskintekniksektoren

Mysteriet omkring den forsvundne flagskibsmodel

Det slående ved hele annonceringen er det, der mangler: Gemini 3.5 Pro, den kraftigste model i den nuværende generation, var allerede forventet på Google I/O i maj og er ikke blevet til siden. Google forklarer blot, at den nye version i øjeblikket testes med udvalgte partnere og vil blive gjort tilgængelig efter en vellykket gennemførelse af disse tests. Virksomheden har endnu ikke givet en specifik udgivelsesdato, men understreger, at ventetiden ikke burde være meget længere. Fra flere brancheobservatørers perspektiv tyder denne gentagne forsinkelse på, at Pro-versionen endnu ikke har opnået de ønskede resultater internt i komplekse programmerings- og ræsonnementsopgaver, hvilket tilsyneladende er grunden til, at Google tilsyneladende foretrækker at vente frem for at udgive et produkt, der ikke lever op til deres egne kvalitetsstandarder eller konkurrenternes forventninger.

Denne tilbageholdenhed kaster et interessant lys over den konkurrencemæssige dynamik blandt førende AI-udbydere. Mens OpenAI og Anthropic lancerer nye topmodeller i hurtig rækkefølge, fokuserer Google i øjeblikket synligt på mellem- og basissegmenterne. Dette kan tolkes som et tegn på forsigtighed, men også som en skarp markedspositionering: I stedet for at præsentere en potentielt stadig udviklende flagskibsmodel sikrer Google sig markedsandele på tværs af linjer med overkommelige, hurtige og praktiske modeller, der allerede pålideligt dækker langt de fleste hverdagsapplikationer. For mange forretningsmæssige anvendelsesscenarier, såsom dokumentbehandling, rapportering eller simple programmeringsopgaver, er en models absolutte topydelse alligevel af sekundær betydning, så længe hastighed og omkostninger er i orden.

Tilgængelighed og integration i det eksisterende økosystem

Den praktiske implementering af de nye modeller er bemærkelsesværdigt hurtig og udbredt. Gemini 3.6 Flash og Gemini 3.5 Flash-Lite er allerede tilgængelige i Googles AI Studio, Android Studio og Gemini Enterprise Agent Platform. Derudover er 3.6 Flash blevet integreret i Antigravity-udviklingsmiljøet og Gemini Enterprise-appen, mens begge modeller også er tilgængelige i den almindelige Gemini-slutbrugerapp. Særligt bemærkelsesværdigt er annonceringen af, at Flash-Lite snart også vil levere de AI-genererede resultater af Google-websøgninger, hvilket i betragtning af den enorme mængde forespørgsler fra denne søgemaskine understreger vigtigheden af ​​en omkostningseffektiv model for Google i en helt ny dimension. Den hurtige implementering er også tydelig uden for Googles eget økosystem: Gemini 3.6 Flash blev integreret i GitHub Copilot på dagen for annonceringen, hvilket fremhæver den stigende integration af store AI-udbydere med etablerede udviklerværktøjer.

Denne brede og samtidige integration på tværs af forskellige produktlinjer demonstrerer Googles systematiske tilgang til problemfri udrulning af nye modelgenerationer på tværs af hele sin produktportefølje. I modsætning til tidligere modelændringer, som ofte involverede mærkbare huller mellem annoncering og faktisk tilgængelighed i forskellige applikationer, ser denne udrulning ud til at være en omhyggeligt orkestreret proces. Dette tyder på en moden intern infrastruktur, der muliggør næsten samtidig implementering af en ny model på tværs af alle berøringspunkter med udviklere og slutbrugere.

Fremadblik: Annonceringen af ​​Gemini 4

Ud over de tre specifikke modellanceringer inkluderer Googles annoncering også et glimt ind i den næste store generation. Virksomheden bekræfter, at den såkaldte præ-træning, den grundlæggende indledende træningsfase for Gemini 4, allerede er begyndt. Google giver ikke specifikke tekniske detaljer vedrørende arkitekturen, størrelsen eller de planlagte muligheder for den kommende storskalamodel, men understreger sin begejstring for de fremskridt, der er gjort indtil videre. Denne bevidst vage formulering er typisk for kommunikationsstrategien hos store AI-laboratorier, som på den ene side skaber forventninger, men på den anden side ikke ønsker at give verificerbare løfter, der senere kan vise sig at være for tidlige.

I betragtning af de seneste års udgivelsescyklus, hvor Google typisk introducerede nye basismodeller på sin I/O-udviklerkonference om foråret og fulgte op med store generationsskift i efteråret eller vinteren, virker en Gemini 4-udgivelse mod slutningen af ​​året plausibel. For virksomheder, der planlægger deres langsigtede AI-strategi, betyder det, at alle, der investerer i Flash-familien i dag, gør det med den erkendelse, at et nyt teknologisk fundament kan følge om blot et par måneder, hvilket igen vil kræve nye migreringsbeslutninger. Denne korte halveringstid for AI-modelgenerationer giver IT-afdelinger og softwarearkitekter den løbende udfordring at designe deres systemer på en sådan måde, at en ændring i de underliggende modeller kan implementeres så gnidningsløst som muligt.

Kontekst: Hvad denne modelstrategi afslører om Googles markedsposition

Samlet set viser den nylige meddelelse, at konkurrencen mellem førende AI-virksomheder i stigende grad opdeles i to parallelle dimensioner. På den ene side er der kapløbet om den mest intelligente og kraftfulde model, et felt hvor Anthropic og OpenAI i øjeblikket dominerer overskrifterne med deres flagskibsprodukter, og hvor Google synligt halter bagud med sin forsinkede Pro-version. På den anden side opstår en anden, potentielt mere økonomisk betydningsfuld slagmark: konkurrencen om den mest effektive, omkostningseffektive og skalerbare infrastruktur til den daglige, masseudrulning af AI i virksomheder, søgemaskiner og agentsystemer. På denne anden arena positionerer Google sig meget bevidst og konsekvent i front med sin Flash-produktfamilie.

Denne dobbelte strategi er økonomisk forsvarlig. For langt de fleste praktiske anvendelser i virksomheder, fra automatiseret dokumentbehandling og kundeservice-chatbots til simple programmeringsopgaver, er en models absolutte intelligens ikke den afgørende faktor, men snarere balancen mellem omkostninger, hastighed og tilstrækkelig kvalitet. Cloud-udbydere, der skal behandle millioner af anmodninger om dagen, drager mere fordel af en tocifret procentvis reduktion i token-omkostninger end af en marginal forbedring af ræsonnementsevnen hos en dyr topmodel. Google ser ud til konsekvent at omsætte denne indsigt til sin produktstrategi og sender samtidig et signal til udviklere og virksomhedskunder: Enhver, der ønsker at bygge skalerbare AI-agenter eller omkostningseffektive søgeintegrationer i dag, vil finde et solidt og økonomisk rentabelt fundament i Flash-familien, uanset hvornår den store Pro-model i sidste ende udgives.

Samtidig afslører introduktionen af ​​den specialiserede cybermodel en ny facet af AI's konkurrencelandskab, der rækker ud over blotte effektivitetshensyn: den stigende brug af AI som et aktivt værktøj inden for cybersikkerhed med alle de tilhørende muligheder for forsvarere og risici i tilfælde af misbrug. Den kontrollerede, fasede frigivelse af denne model viser, at Google er bevidst om sit sociale ansvar ved at frigive særligt kraftfulde sikkerhedsværktøjer og er parat til at begrænse den kommercielle rækkevidde, i det mindste midlertidigt, til fordel for sikkerhedshensyn. Hvordan denne balance mellem bred tilgængelighed og kontrolleret adgang udvikler sig i fremtiden, vil sandsynligvis blive et af de mest interessante områder at observere, efterhånden som AI-modeller bliver i stigende grad i stand til uafhængigt at analysere og manipulere komplekse tekniske systemer.

☑️ Vores forretningssprog er engelsk eller tysk

☑️ NYT: Korrespondance på dit modersmål!

 

Jeg og mit team er glade for at stå til rådighed for dig som din personlige rådgiver.

Du kan kontakte mig ved at udfylde kontaktformularen her wolfenstein@xpert.digital:eller blot ringe til mig på +49 7348 4088 965. Min e-mailadresse er

Jeg glæder mig til vores fælles projekt.

 

 

☑️ SMV-support inden for strategi, rådgivning, planlægning og implementering

☑️ Oprettelse eller omlægning af den digitale strategi og digitalisering

☑️ Udvidelse og optimering af internationale salgsprocesser

☑️ Globale og digitale B2B-handelsplatforme

☑️ Pioner inden for forretningsudvikling / marketing / PR / messer

Xpert.Digital er et datadrevet B2B-industricenter ledet af Konrad Wolfenstein . Virksomheden fungerer som en ekstern, nærmest intern løsning for industrielle partnere og lukker operationelle huller i marketing, indhold og salg – uden at kræve yderligere ressourcer fra klientsiden.

Mere information her:

• Den nærmest interne løsning: Hvordan Xpert.Digital lukker operationelle huller i B2B-marketing og -salg – Smart Content-Driven Business