{"id":1473,"date":"2026-06-14T15:57:46","date_gmt":"2026-06-14T13:57:46","guid":{"rendered":"https:\/\/vittrup-graversen.dk\/?p=1473"},"modified":"2026-06-14T15:57:46","modified_gmt":"2026-06-14T13:57:46","slug":"gemini-3-5-flash-google-satser-alt-paa-agenter-ikke-chatbots","status":"publish","type":"post","link":"https:\/\/vittrup-graversen.dk\/index.php\/2026\/06\/14\/gemini-3-5-flash-google-satser-alt-paa-agenter-ikke-chatbots\/","title":{"rendered":"Gemini 3.5 Flash: Google satser alt p\u00e5 agenter – ikke chatbots"},"content":{"rendered":"\n

Google udgav den 19. maj Gemini 3.5 Flash \u2013 en model der p\u00e5 overfladen ligner endnu en inkrementel Flash-opdatering, men som i praksis repr\u00e6senterer et klart strategiskifte. For f\u00f8rste gang er en frontier-klasse model prim\u00e6rt designet til agentiske workflows og tool use \u2013 ikke til chatbot-samtaler. Tallene underst\u00f8tter positioneringen.<\/p>\n\n\n\n

Bygget til agenter fra grunden<\/h2>\n\n\n\n

Gemini 3.5 Flash scorer 83,6% p\u00e5 MCP Atlas-benchmarken for multi-step tool orchestration \u2013 foran Model Context Protocol<\/a> er nu en etableret standard, og Flash er den f\u00f8rste frontier-model der er optimeret direkte til den. Sammenlignet med Claude Opus 4.7 (79,1%) og GPT-5.5 (75,3%) p\u00e5 samme benchmark er det et klart forspring. P\u00e5 Toolathlon, der tester pr\u00e6cis tool calling, er Gemini 3.5 Flash nummer et med 56,5%.<\/p>\n\n\n\n

Hastigheden er central for den agentiske use case. Modellen k\u00f8rer ~289 tokens\/sekund \u2013 ca. 4x hurtigere end sammenlignelige frontier-modeller. Det g\u00f8r iterative agent-loops praktisk mulige i realtid p\u00e5 en m\u00e5de, der var upraktisk ved Pro-tiers latens. Teknisk set underst\u00f8tter den dynamisk t\u00e6nkning med justerbar thinking_level<\/code> (low\/medium\/high), native function calling, parallel subagent-k\u00f8rsel og struktureret output som first-class funktioner.<\/p>\n\n\n\n

Google demonstrerede ved lanceringen 93 parallelle subagenter k\u00f8rt via Antigravity-platformen \u2013 15.000+ requests under 1.000 dollar over 12 timer. Xero bruger modellen til flersporede skatteprocesser der l\u00f8ber over uger. Shopify til parallel merchant-forecasting. Macquarie Bank til analyse af 100+ siders finansielle dokumenter. Det er ikke chatbot-use cases \u2013 det er produktionsagenter.<\/p>\n\n\n\n

Hvad den ikke er god til<\/h2>\n\n\n\n

Trade-offs er reelle og b\u00f8r ikke undervurderes. P\u00e5 Humanity\u2019s Last Exam scorer Gemini 3.5 Flash 40,2% mod Gemini 3.1 Pros 44,4%. ARC-AGI-2: 72,1% mod 77,1%. Lang-kontekst retrieval (MRCR v2 128k): 77,3% mod 84,9%. SWE-Bench Pro for kompleks kodning: 55,1% mod Claude Opus 4.7\u2019s 64,3%.<\/p>\n\n\n\n

Google har optimeret til orchestration og tool use p\u00e5 bekostning af tung r\u00e6sonnering. For IT-folk og arkitekter er konklusionen klar: brug Flash til koordination og API-kald, ikke til videnskabelig analyse eller kompleks dokumentforst\u00e5else. Computer use-funktionalitet er heller ikke tilg\u00e6ngelig \u2013 GPT-5.5 scorer 75%+ p\u00e5 OS-automatisering; Gemini 3.5 Flash har slet ikke den kapabilitet endnu.<\/p>\n\n\n\n

Prisstigningen er markant<\/h2>\n\n\n\n

Input koster nu $1,50\/1M tokens og output $9\/1M. Det er 3x dyrere end Flash Preview ($0,50\/$3,00) og 6x dyrere end Flash-Lite ($0,25\/$1,50). Sammenlignet med Claude Opus 4.7 ($15\/$75) og GPT-5.5 ($10\/$30) er Gemini 3.5 Flash stadig det billigste frontier-alternativ \u2013 men outputprisen er h\u00f8j nok til at agentic workflows med mange tokens hurtigt l\u00f8ber op.<\/p>\n\n\n\n

Simon Willison formulerede det direkte: \u201cAlle tre store AI-labs ser ud til at sonde prisf\u00f8lsomheden hos deres API-kunder.\u201d Det passer ind i et bredere billede \u2013 se hvordan LLM-priser udviklede sig i april 2026<\/a>, og det er tydeligt at den kortvarige priskonkurrence nu vender.<\/p>\n\n\n\n

Der er et praktisk gotcha at have in mente: porterer man fra gemini-3-flash-preview<\/code> uden at s\u00e6tte thinking_level<\/code> eksplicit, falder den stiltiende fra \u201chigh\u201d til \u201cmedium\u201d. Ingen advarsel, m\u00e6rkbar kvalitetsforringelse. Herudover er modellen verbose \u2013 den genererer gennemsnitligt ~73 millioner output-tokens p\u00e5 benchmark-k\u00f8rsel mod et gennemsnit p\u00e5 36 millioner. I produktion kan det betyde dobbelt s\u00e5 h\u00f8j outputpris som man regner med.<\/p>\n\n\n\n

Googles strategi: agenter er platformen<\/h2>\n\n\n\n

Det interessante ved Gemini 3.5 Flash er ikke modellen isoleret set \u2013 det er hvad den signalerer om Googles retning. Mens Googles Remy-agent<\/a> er den forbrugervendte manifestation af strategien, er Gemini 3.5 Flash det API-lag som enterprise og udviklere bygger p\u00e5. Google positionerer ikke Flash som en billig chatbot-model \u2013 de positionerer den som det prim\u00e6re orkestreringslag i en multi-agent arkitektur.<\/p>\n\n\n\n

Gemini 3.5 Pro er annonceret til juni 2026 og vil formentlig lukke gabet p\u00e5 r\u00e6sonnements-benchmarks. Frem til da er m\u00f8nsteret klart: Flash til orchestration og tool use, Pro til de kognitivt tunge subtasks. Det er et rimeligt arkitekturm\u00f8nster \u2013 og et der giver Google et konkurrencedygtigt tilbud til enterprise-kunder der bygger agentiske systemer i produktion.<\/p>\n\n\n\n

TechCrunch\u2019s overskrift \u201cGoogle bets its next AI wave on agents, not chatbots\u201d er pr\u00e6cis. Gemini 3.5 Flash er den konkrete implementering af det v\u00e6ddem\u00e5l.<\/p>\n\n\n\n

Kilder<\/h2>\n\n\n\n