Google gjør Gemini-video agentisk: 88 % færre tokens, 66 % billigere

Google DeepMind lanserte 1. september 2026 agentisk videoanalyse i Gemini 3.7 Flash, 3.6 Flash og 3.5 Flash-Lite. Det er ikke en ny flaggskipmodell. Det er en prosessmodus: modellen får en videoreferanse og bestemmer selv hva den skal se, i hvilken hastighet, og om den skal bruke rammer, lyd eller transkript.

For CIO er poenget kostnad og dekning. Statisk videoanalyse spiser tokens i fast bilderate, som standard ett bilde i sekundet. Lange opptak tvinger deg til å velge mellom høy regning eller tapte detaljer. Google hevder at agentisk modus kutter tokenbruk med inntil 88 prosent, analysekostnad med inntil 66 prosent, og løfter nøyaktighet med inntil 7 prosent på selskapets egne videobenchmarks.

Hva som faktisk er lansert

Funksjonen er tilgjengelig nå for opplastede filer og YouTube-videoer via Gemini API i Google AI Studio og Gemini Enterprise Agent Platform. Den slås på ved å sette processing til agentic på videoinput. Prisen er vanlig Gemini API-tokenpris. Google tar ikke et eget funksjonsgebyr.

Rohan Doshi og Mario Lučić i Google DeepMind beskriver mekanismen som søsteren til agentisk syn: modellen kjører en intern verktøysløyfe, laster relevante deler av filen, og zoomer inn der oppgaven krever det. Utvikleren slipper å bygge egen søk-og-klipp-pipeline.

Google peker på fire bruksområder. Subsekund henting av øyeblikk som 1 FPS misser. Nålesøk i fler-timers opptak uten millioner av tokens. Anomalideteksjon ved å resample interessante vinduer i høyere bilderate. Telling av bevegelser og objekter over tid.

Gemini 3.7 Flash med agentisk modus er ifølge Google den beste kombinasjonen av kvalitet og kostnad blant modellene de testet, og ligger på paretofronten for nøyaktighet mot kostnad. Effekten er størst på langform: 10-minutters how-to, 90-minutters forelesning, fler-timers opptak.

Tallene er Googles egne

«Inntil» er det viktige ordet. Tallene kommer fra Google, målt på det selskapet kaller standard videoanalyse-benchmarks og LongVideoBench. De er ikke en SLA.

Det Google ikke gir i bloggposten, er latens, antall verktøykall, eller hva som skjer når modellen tar feil spor og scanner feil del av filen. Agentisk modus kan bruke færre tokens totalt og likevel bruke mer veggklokke hvis sløyfen går mange runder. Det er et FinOps-spørsmål, ikke et demospørsmål.

På Google Clouds modellkort for Gemini 3.7 Flash i Enterprise Agent Platform står agentisk videoanalyse merket som forhåndsvisning i enkelte tabeller. Bloggen sier den er tilgjengelig der i dag. Før produksjonsavtale: sjekk region, endepunkt og SLA, ikke bare overskriften.

Gemini API tar video via Files API (inntil 20 GB på betalt nivå), Cloud Storage, inline under 100 MB, eller offentlig YouTube-URL. Cloud-dokumentasjonen for 3.7 Flash oppgir om lag 45 minutter med lyd og om lag én time uten, og inntil ti videoer per prompt. Det er tak du må designe rundt, ikke markedsføring.

Hva det betyr for ledergruppen

Dette treffer tre steder i virksomheten.

Først: innhold og opplæring. Interne kurs, allmøter, produktforedrag og supportvideoer kan spørres ut uten at hele filen mates inn i konteksten. Det senker terskelen for «spør opptaket» i kunnskapsarbeid, og det senker tokenregningen på det som allerede ligger i arkivet.

Andre: overvåking og kvalitet. Anomalideteksjon og telling er relevant for produksjon, logistikk og sikkerhet. Det er også der feilraten gjør vondt. En 7 prosent oppgang på Googles testsett er ikke en garanti for at en kamerastrøm i et lager treffer. Du må ha egen evaluering på egne opptak, med menneske i sløyfen der svaret styrer avvik eller sikkerhet.

Tredje: sluttbrukerflater. Google sier funksjonen kommer i Gemini-appen på Flash og Flash-Lite «snart», og at den i løpet av de kommende månedene skal drive «Ask YouTube» på visningssiden. Da flyttes video-spørsmål fra utvikler-API til milliarder av seere. Svarene skal være forankret i bildene. De går fortsatt gjennom Googles modeller.

Styring, data og leverandørbinding

Video er tunge data. Ingenting av dette endrer at innholdet behandles i Googles stack. Gratisnivå og databruk til produktforbedring er et eget spor. Enterprise-avtalen er et annet.

CISO bør stille tre spørsmål før noen skrur på agentic i produksjon. Hvor lagres videoen mens sløyfen kjører. Hvem kan se transkriptet modellen lager underveis. Og om YouTube-analyse av interne eller unlisted lenker er innenfor databehandleravtalen.

For innkjøp er dette en kapasitetsoppdatering, ikke et skifte av leverandør. Gemini 3.7 Flash kom 13. august. Agentisk video er et prosessflagg på samme familie. Det binder arbeidsflyten tettere til Gemini API og Enterprise Agent Platform. Exit-kostnaden er egen video-pipeline, ikke en annen modell-ID.

Ikke rull dette ut som generell «AI ser all video». Start med én arbeidsflyt der tokenregningen allerede gjør vondt: lange kursopptak, keynotes, eller søk i arkiv. Mål tokenbruk, treffrate og tid mot statisk 1 FPS på de samme filene. Behold menneskelig kontroll der svaret styrer avvik, sikkerhet eller kundekommunikasjon.

Kilder og medier

Primærkilde: Google, Introducing agentic video understanding with Gemini, https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-agentic-video-in-gemini/

Utviklerdokumentasjon: Gemini API, Video understanding, https://ai.google.dev/gemini-api/docs/video-understanding

Kunngjøring: Google DeepMind, https://x.com/GoogleDeepMind/status/2094840179676660097

Thumbnail: OpenAI Image 2 / hogby.ai