Var är Gemini 3.5 Pro? Googles Gemini-offensiv: När hastighet blir viktigare än uppfinningsrikedom

Billigare istället för briljant: Googles överraskande strategiförändring på Gemini

Googles nya AI-plan: Överger företaget tävlingen om den smartaste AI:n?

Google förändrar drastiskt spelreglerna i den globala AI-kapplöpningen. Istället för att ge sig in i en isolerad strid med konkurrenter som OpenAI och Anthropic om den mest intelligenta – och därmed dyraste – flaggskeppsmodellen fokuserar teknikjätten på radikal effektivitet. Med sin nya modellfamilj centrerad kring Gemini 3.6 Flash, den extremt energieffektiva Flash-Lite och den högt specialiserade men för närvarande hemliga Cyber-modellen, står ett nytt mått i centrum: kostnadsreduktion med maximal praktisk användbarhet. Medan det länge efterlängtade flaggskeppet Gemini 3.5 Pro fortfarande inte är tillgängligt, ompositionerar sig Google som en oumbärlig grundläggande leverantör för den snabbt växande agentekonomin. Men vad innebär detta strategiska skifte för framtiden för generativ AI? Och varför anser Google att sin senaste säkerhetsmodell är för riskabel för allmänheten? Följande artikel analyserar Googles pragmatiska väg till nästa generations AI och undersöker dess massiva inverkan på företag och utvecklare.

Varför Google föredrar att leverera tre små modeller snarare än att uppfylla ett stort löfte

Googles senaste drag i kapplöpningen mellan stora AI-leverantörer följer ett mönster som alltmer blir normen i branschen: Istället för ett enda, monolitiskt framsteg levererar företaget en hel familj av modeller skräddarsydda för olika användningsområden. Med Gemini 3.6 Flash, Gemini 3.5 Flash-Lite och Gemini 3.5 Flash Cyber ​​lanserar Google nästa evolutionära steg inom bara några månader efter att ha introducerat Gemini 3.5 Flash i maj. Det som är anmärkningsvärt här är mindre den tekniska substansen i de enskilda innovationerna än det underliggande strategiska budskapet: Google positionerar sig inte längre primärt som leverantör av den mest intelligenta modellen, utan snarare som leverantör av det ekonomiskt mest effektiva AI-ekosystemet.

Sparsamhet som en ny statussymbol i AI-kapplöpningen

Den centrala försäljningsargumentet kring Gemini 3.6 Flash är inte ökad intelligens, utan kostnadsminskning. Google annonserar en minskning av tokenförbrukningen med ungefär 17 procent jämfört med föregångaren, 3.5 Flash, baserat på mätningar från Artificial Analysis Index. I vissa riktmärken, som DeepSWE, sägs kostnaden per genererad output-token minska med så mycket som 65 procent. Samtidigt har även det nominella priset sänkts: Medan Gemini 3.5 Flash fakturerades till 1,50 dollar per miljon input-tokens och 9 dollar per miljon output-tokens, kostar Gemini 3.6 Flash endast 7,50 dollar per miljon output-tokens med oförändrade input-kostnader. Denna kombination av lägre förbrukning och ett lägre pris per enhet resulterar i en tydligt märkbar effekt på driftskostnaderna för företag som distribuerar generativ AI i stor skala.

Detta fokus på effektivitet är ingen slump, utan snarare ett uttryck för en ekonomisk verklighet som för närvarande formar hela branschen. Stora språkmodeller medför beräkningskostnader för varje enskild fråga, vilka uppgår till avsevärda summor när man hanterar miljontals eller miljarder dagliga frågor. Molnleverantörer och plattformsoperatörer som vill skala upp agentsystem som självständigt hanterar flerstegsuppgifter måste drastiskt minska tokenförbrukningen per steg; annars kommer de ekonomiska fördelarna med sådana system att förbrukas av infrastrukturkostnader. Google adresserar just detta problem genom att erbjuda en ny modell som, enligt deras egna uttalanden, kräver färre tankeprocesser och verktygsanrop för att slutföra flerstegsarbetsflöden.

Teknologiska framsteg bortom enbart kostnadsfrågan

Förutom ökad effektivitet visar Gemini 3.6 Flash även vinster i klassiska prestandatester. I programmeringsuppgifter, mätt med DeepSWE-testet, ökar framgångsgraden från 37 till 49 procent. I ML Research Benchmark MLE Bench förbättras modellen från 49,7 till 63,9 procent. Framsteg är också tydliga i kunskapsbaserade uppgifter: GDPval-AA-poängen klättrar från 1349 till 1421 poäng. Särskilt anmärkningsvärt är förbättringen av datorkunskap, särskilt AI:s förmåga att självständigt navigera i grafiska användargränssnitt: OSWorld-Verified-poängen ökar från 78,4 till 83 procent. Dessutom har modellens kunskapsbas uppdaterats från januari 2025 till mars 2026, en betydande praktisk fördel i dagens snabbt föränderliga tekniska landskap.

Trots dessa framsteg är Gemini 3.6 Flash fortfarande tydligt positionerad som en mellanklassmodell. I direkta jämförelsetester på plattformar som Arena.ai rankas den efter toppmodeller som Claude Opus eller den nya GPT 5.6-Sol. Detta är inte en svaghet, utan ett medvetet designval: Google avstår från påståendet att erbjuda den mest kraftfulla modellen totalt sett och fokuserar istället på ett segment där hastighet, kostnad och tillräcklig kvalitet är viktigare än det teoretiska maximumet vad gäller intelligens. Denna strategi påminner om klassisk marknadssegmentering inom andra tekniksektorer, såsom processorer, där tillverkare konsekvent erbjuder effektiva mellanklassprodukter för massmarknadsapplikationer tillsammans med högpresterande chip.

Det nya baslagret för agentekonomi

Med Gemini 3.5 Flash-Lite strävar Google efter ett ännu mer radikalt effektivitetsmål. Denna modell är uttryckligen utformad som grunden för att bygga och skala AI-agenter – system som självständigt kan bearbeta komplexa uppgifter i flera steg utan att kräva mänsklig intervention i varje steg. Den överträffar avsevärt sin föregångare, 3.1 Flash-Lite, i riktmärken för både kunskapsbaserade och programmeringsuppgifter, medan driftskostnaderna förblir exceptionellt låga på 0,30 dollar per miljon indatatokens och 2,50 dollar per miljon utdatatokens. Modellens flexibilitet är anmärkningsvärd: beroende på användningsfallet kan den konfigureras för att fungera särskilt snabbt och kostnadseffektivt eller förlita sig mer på sina resonemangsförmågor. Det senare blir nödvändigt när uppgifter behöver bearbetas tillsammans av flera specialiserade subrutiner, så kallade subagenter.

Detta arkitekturbeslut avslöjar den riktning hela branschen är på väg mot. Många marknadsbedömare tror att AI:s framtid inte ligger i allt större individuella modeller, utan i nätverkssystem av mindre, specialiserade modeller som, i samarbete, kartlägger komplexa processer. En enda stor beräkning av en kraftfull modell ersätts av många små, billiga frågor till lean-modeller som samarbetar parallellt eller sekventiellt. En modell som Flash-Lite är idealisk för denna arkitektur eftersom den minskar kostnaden per fråga i en sådan utsträckning att ett stort antal frågor förblir ekonomiskt lönsamma. Tillkännagivandet att Flash-Lite också kommer att leverera AI-resultat i Googles webbsökning understryker ytterligare den centrala roll som Google tilldelar denna lean-modell på massmarknaden.

Ett verktyg med två ansikten: Cybersäkerhet som affärsområde

Den tredje nya utgåvan, Gemini 3.5 Flash Cyber, markerar en betydande expansion av Flash-serien till ett mycket känsligt område. Denna modell har specifikt tränats för att hitta och analysera säkerhetsbrister i programkod och för att föreslå åtgärdsåtgärder. Denna specialisering är baserad på den redan effektiva Gemini 3.5 Flash, som har förfinats ytterligare genom riktad träning för att analysera stora kodbaser. Istället för att skicka en enda, dyr fråga till en mycket stor modell, anropar den övergripande säkerhetsagenten Codemender den strömlinjeformade Cyber-modellen flera gånger för att undersöka olika exekveringsvägar för ett program parallellt. De enskilda delresultaten konsolideras sedan till en omfattande rapport.

Prestandan för denna metod kan ses i konkreta siffror. I ett test på den komplexa JavaScript-motorn V8 identifierade cybermodellen 55 distinkta, bekräftade sårbarheter, medan den allmänna Flash-modellen endast hittade 47 och Anthropics Claude Opus 4.6 bara 36. Tio av de upptäckta problemen hittades exklusivt av den specialiserade cybermodellen. I CyberGym-benchmarken, som utvärderar AI-agenter mot hundratals verkliga programvarusårbarheter, uppnår modellen, i kombination med flera körningar, en prestandanivå som är jämförbar med betydligt större och dyrare säkerhetsmodeller från leverantörer som Anthropic och OpenAI. I ett internt test av Googles molnsäkerhetsteam upptäckte modellen flera kritiska sårbarheter i produktionssystem inom bara två timmar, inklusive en minneskorruptionssårbarhet för vilken den också genererade ett fungerande exploit som kringgick vanliga skyddsmekanismer som randomisering av adressutrymmeslayout.

Denna enorma förmåga att identifiera sårbarheter i kod är också modellens största risk. Google erkänner själva öppet teknikens dubbla användningsområde: samma kapacitet som gör det möjligt för försvarare att stänga sårbarheter kan användas av angripare för att utnyttja just dessa luckor innan de åtgärdas. Av denna anledning har Google beslutat att inte göra modellen allmänt tillgänglig för tillfället, utan snarare att dela den exklusivt genom sitt eget säkerhetsverktyg, Codemender, som en del av ett noggrant kontrollerat pilotprogram med myndigheter och utvalda, betrodda partners. Ingen konkret tidslinje för utökad åtkomst har givits. Denna motvilja återspeglar en växande medvetenhet i branschen om att högspecialiserade AI-system inom säkerhetsområdet inte kan släppas enligt samma regler som allmänna chatbot-applikationer.

En ny dimension av digital transformation med 'Managed AI' (Artificial Intelligence) – Plattform & B2B-lösning | Xpert Consulting - Bild: Xpert.Digital

Här får du lära dig hur ditt företag kan implementera skräddarsydda AI-lösningar snabbt, säkert och utan höga inträdesbarriärer.

En hanterad AI-plattform är din heltäckande och bekymmersfria lösning för artificiell intelligens. Istället för att behöva hantera komplex teknik, dyr infrastruktur och långa utvecklingsprocesser får du en färdig lösning skräddarsydd efter dina behov från en specialiserad partner – ofta inom bara några dagar.

De viktigaste fördelarna i korthet:

⚡ Snabb implementering: Från idé till färdig applikation på dagar, inte månader. Vi levererar praktiska lösningar som skapar omedelbart mervärde.

🔒 Maximal datasäkerhet: Dina känsliga uppgifter stannar hos dig. Vi garanterar säker och korrekt behandling utan att dela data med tredje part.

💸 Ingen ekonomisk risk: Du betalar bara för resultat. Höga initiala investeringar i hårdvara, mjukvara eller personal elimineras helt.

🎯 Fokusera på din kärnverksamhet: Koncentrera dig på det du gör bäst. Vi tar hand om hela den tekniska implementeringen, driften och underhållet av din AI-lösning.

📈 Framtidssäkert och skalbart: Din AI växer med dig. Vi säkerställer kontinuerlig optimering och skalbarhet, och anpassar modellerna flexibelt till nya krav.

Mer information här:

• Den hanterade AI-lösningen - Industriella AI-tjänster: Nyckeln till konkurrenskraft inom tjänste-, industri- och maskintekniksektorerna

Mysteriet kring den försvunna flaggskeppsmodellen

Det som är slående med hela tillkännagivandet är vad som saknas: Gemini 3.5 Pro, den kraftfullaste modellen i den nuvarande generationen, förväntades redan på Google I/O i maj och har inte materialiserats sedan dess. Google förklarar bara att den nya versionen för närvarande testas med utvalda partners och kommer att göras tillgänglig efter att dessa tester har slutförts. Företaget har fortfarande inte angett ett specifikt releasedatum, men betonar att väntetiden inte borde bli mycket längre. Ur flera branschobservatörers perspektiv tyder denna upprepade försening på att Pro-versionen ännu inte har uppnått de önskade resultaten internt inom komplexa programmerings- och resonemangsuppgifter, vilket är anledningen till att Google tydligen föredrar att vänta snarare än att släppa en produkt som inte uppfyller deras egna kvalitetsstandarder eller konkurrenternas förväntningar.

Denna återhållsamhet kastar ett intressant ljus över konkurrensdynamiken bland ledande AI-leverantörer. Medan OpenAI och Anthropic släpper nya toppmodeller i snabb följd, fokuserar Google för närvarande synligt på prestandasegmenten i mellan- och instegsklassen. Detta kan tolkas som ett tecken på försiktighet, men också som en smart marknadspositionering: Istället för att presentera en potentiellt fortfarande under utveckling säkrar Google marknadsandelar över hela linjen med prisvärda, snabba och praktiska modeller som redan på ett tillförlitligt sätt täcker de allra flesta vardagliga affärsapplikationer. För många affärsanvändningsfall, såsom dokumentbehandling, rapportering eller enkla programmeringsuppgifter, är en modells absoluta topprestanda ändå av sekundär betydelse, så länge hastighet och kostnad är rätt.

Tillgänglighet och integration i det befintliga ekosystemet

Det praktiska införandet av de nya modellerna är anmärkningsvärt snabbt och utbrett. Gemini 3.6 Flash och Gemini 3.5 Flash-Lite finns redan tillgängliga i Googles AI Studio, Android Studio och Gemini Enterprise Agent Platform. Dessutom har 3.6 Flash integrerats i Antigravity-utvecklingsmiljön och Gemini Enterprise-appen, medan båda modellerna också finns tillgängliga i den vanliga Gemini-slutanvändarappen. Särskilt anmärkningsvärt är tillkännagivandet att Flash-Lite snart också kommer att leverera de AI-genererade resultaten av Googles webbsökningar, vilket, med tanke på den enorma volymen av frågor från denna sökmotor, understryker vikten av en kostnadseffektiv modell för Google i en helt ny dimension. Det snabba införandet är också tydligt utanför Googles eget ekosystem: Gemini 3.6 Flash integrerades i GitHub Copilot samma dag som det tillkännagavs, vilket belyser den ökande integrationen av stora AI-leverantörer med etablerade utvecklarverktyg.

Denna breda och samtidiga integration över olika produktlinjer visar Googles systematiska tillvägagångssätt för att sömlöst lansera nya modellgenerationer över hela sin produktportfölj. Till skillnad från tidigare modellförändringar, som ofta innebar märkbara mellanrum mellan tillkännagivande och faktisk tillgänglighet i olika applikationer, verkar denna utrullning vara en noggrant orkestrerad process. Detta tyder på en mogen intern infrastruktur som möjliggör nästan samtidig distribution av en ny modell över alla kontaktpunkter med utvecklare och slutanvändare.

Framåtblick: Tillkännagivandet av Gemini 4

Utöver de tre specifika modellsläppen innehåller Googles tillkännagivande även en glimt av nästa stora generation. Företaget bekräftar att den så kallade förträningen, den grundläggande inledande träningsfasen för Gemini 4, redan har påbörjats. Google ger inga specifika tekniska detaljer gällande arkitekturen, storleken eller de planerade funktionerna för den kommande storskaliga modellen, men betonar sin entusiasm över de framsteg som hittills gjorts. Denna avsiktligt vaga formulering är typisk för kommunikationsstrategin hos stora AI-labb, som å ena sidan höjer förväntningarna, men å andra sidan inte vill ge verifierbara löften som senare kan visa sig förhastade.

Med tanke på de senaste årens releasecykel, där Google vanligtvis introducerade nya basmodeller på sin I/O-utvecklarkonferens på våren och följde upp med stora generationsbyten på hösten eller vintern, verkar en Gemini 4-release mot slutet av året rimlig. För företag som planerar sin AI-strategi på lång sikt innebär detta att alla som investerar i Flash-familjen idag gör det med medvetenheten om att en ny teknisk grund kan följa om bara några månader, vilket i sin tur skulle kräva nya migreringsbeslut. Denna korta halveringstid för AI-modellgenerationer ställer IT-avdelningar och mjukvaruarkitekter inför den ständiga utmaningen att designa sina system på ett sådant sätt att en förändring av de underliggande modellerna kan implementeras så smidigt som möjligt.

Kontext: Vad denna modellstrategi avslöjar om Googles marknadsposition

Sammantaget visar det senaste tillkännagivandet att konkurrensen mellan ledande AI-företag i allt högre grad delas upp i två parallella dimensioner. Å ena sidan finns det en kapplöpning om den mest intelligenta och kraftfullaste modellen, ett område där Anthropic och OpenAI för närvarande dominerar rubrikerna med sina flaggskeppsprodukter, och där Google synbart släpar efter med sin försenade Pro-version. Å andra sidan framträder ett andra, potentiellt mer ekonomiskt betydelsefullt slagfält: konkurrensen om den mest effektiva, kostnadseffektiva och skalbara infrastrukturen för den dagliga, massutplaceringen av AI i företag, sökmotorer och agentsystem. På denna andra arena positionerar sig Google mycket medvetet och konsekvent i framkant med sin Flash-produktfamilj.

Denna dubbla strategi är ekonomiskt sund. För de allra flesta praktiska tillämpningar inom företag, från automatiserad dokumentbehandling och kundtjänstchattrobotar till enkla programmeringsuppgifter, är inte en modells absoluta intelligens den avgörande faktorn, utan snarare balansen mellan kostnad, hastighet och tillräcklig kvalitet. Molnleverantörer som måste behandla miljontals förfrågningar per dag gynnas mer av en tvåsiffrig procentuell minskning av tokenkostnaderna än av en marginell förbättring av resonemangsförmågan hos en dyr toppmodell. Google verkar konsekvent översätta denna insikt till sin produktstrategi och skickar samtidigt en signal till utvecklare och företagskunder: Alla som vill bygga skalbara AI-agenter eller kostnadseffektiva sökintegrationer idag kommer att hitta en solid, ekonomiskt hållbar grund i Flash-familjen, oavsett när den stora Pro-modellen slutligen släpps.

Samtidigt avslöjar introduktionen av den specialiserade cybermodellen en ny aspekt av AI:s konkurrenslandskap som sträcker sig bortom enbart effektivitetsöverväganden: den ökande användningen av AI som ett aktivt verktyg inom cybersäkerhet, med alla därmed sammanhängande möjligheter för försvarare och risker vid missbruk. Den kontrollerade, fasvisa lanseringen av denna modell visar att Google är medvetet om sitt sociala ansvar för att släppa särskilt kraftfulla säkerhetsverktyg och är beredd att begränsa den kommersiella räckvidden, åtminstone tillfälligt, till förmån för säkerhetshänsyn. Hur denna balans mellan bred tillgänglighet och kontrollerad åtkomst utvecklas i framtiden kommer sannolikt att bli ett av de mest intressanta områdena att observera i takt med att AI-modeller blir alltmer kapabla att självständigt analysera och manipulera komplexa tekniska system.

☑️ Vårt affärsspråk är engelska eller tyska

☑️ NYTT: Korrespondens på ditt modersmål!

Konrad Wolfenstein

Jag och mitt team står gärna till er förfogande som er personliga rådgivare.

Du kan kontakta mig genom att fylla i kontaktformuläret här [email protected]:eller helt enkelt ringa mig på +49 7348 4088 965. Min e-postadress är

Jag ser fram emot vårt gemensamma projekt.

☑️ Stöd till små och medelstora företag inom strategi, konsultation, planering och implementering

☑️ Skapande eller omstrukturering av den digitala strategin och digitaliseringen

☑️ Utökning och optimering av internationella säljprocesser

☑️ Globala och digitala B2B-handelsplattformar

☑️ Pionjär inom affärsutveckling / marknadsföring / PR / mässor

Den kvasi-interna lösningen: Hur Xpert.Digital stänger operativa luckor inom B2B-marknadsföring och -försäljning – Smart Content-Driven Business - Bild: Xpert.Digital

Xpert.Digital är en datadriven B2B-branschhubb som leds av Konrad Wolfenstein . Företaget fungerar som en extern, nästan intern lösning för industriella partners och täcker operativa luckor inom marknadsföring, innehåll och försäljning – utan att kräva ytterligare resurser från kundsidan.

Mer information här:

• Den kvasi-interna lösningen: Hur Xpert.Digital stänger operativa luckor inom B2B-marknadsföring och -försäljning – Smart Content-Driven Business