Google gjør Gemini raskere, billigere og mer sikkerhetsrettet

Google DeepMind har lansert tre nye Gemini-modeller som peker ganske tydelig på hvor modellmarkedet er på vei: ikke bare større modeller, men billigere, raskere og mer spesialiserte modeller for produksjon.

Slippet består av Gemini 3.6 Flash, Gemini 3.5 Flash-Lite og Gemini 3.5 Flash Cyber. Google beskriver 3.6 Flash som en modell som skal levere høyere kvalitet enn 3.5 Flash til samme kostnadsnivå, blant annet ved å bruke færre tokens. Flash-Lite er posisjonert for høyvolumoppgaver der fart og kost er viktigere enn maksimal resonnering. Cyber-varianten er den mest strategisk interessante for CISO-er: den er bygget for å finne og patche kritiske programvaresårbarheter, men lanseres først som en begrenset pilot via CodeMender.

Dette er ikke et klassisk «se hvor smart modellen er»-slipp. Det er mer operasjonelt. Google flytter Gemini-porteføljen nærmere de harde spørsmålene virksomheter faktisk sitter med: Hva koster agentene når de kjører hele dagen? Hvor lav kan latenstiden bli uten at kvaliteten faller for mye? Hvilke oppgaver bør gå til en liten modell, en rask modell, en tung modell eller en spesialisert sikkerhetsmodell?

For CIO-er er det viktigste signalet at modellvalg nå blir en del av arkitekturen, ikke bare et innkjøpsvalg. En virksomhet som bygger agentflyter for saksbehandling, dokumentanalyse, kodeassistanse eller intern support trenger ikke én modell. Den trenger en modellportefølje. Flash-Lite kan passe for triage, datatrekk, klassifisering og repeterende prosesser. 3.6 Flash kan ta tyngre agentoppgaver der modellen må holde mer kontekst, forstå mer tvetydighet og produsere bedre output. En Cyber-modell kan bli relevant i sårbarhetshåndtering, kodegjennomgang og sikkerhetsarbeid, men bare dersom styring, logging og ansvarslinjer er på plass.

Det siste punktet er verdt å stoppe ved. En modell som kan finne og patche sårbarheter er ikke bare et nytt verktøy for sikkerhetsteamet. Det er også en ny risikoflate. Når en AI-agent får lese kode, foreslå endringer og kanskje etter hvert opprette pull requests eller kjøre tester, må den inn i samme kontrollregime som andre privilegerte systemer. Tilgangsstyring, testmiljø, revisjonsspor, godkjenning og rollback er ikke papirarbeid. Det er det som avgjør om sikkerhets-AI blir et forsvarstiltak eller en ny kilde til produksjonsfeil.

Google sier at Gemini 3.6 Flash og 3.5 Flash-Lite rulles ut i Gemini-appen og er tilgjengelige for utviklere via API i Google AI Studio og Android Studio. Det gjør slippet praktisk relevant ganske raskt. Mange modellnyheter er spennende, men fjerne. Denne typen Flash-modeller er mer direkte: de treffer utviklere, produktteam og interne automasjonsløp nesten med én gang.

Den ledermessige konsekvensen er enkel: kost per oppgave blir viktigere enn pris per token. Tokenpris alene sier lite dersom én modell trenger tre forsøk, skriver for langt, går i loop eller må støttes av flere reparasjonssteg i agentløpet. Hvis 3.6 Flash faktisk leverer bedre kvalitet med færre tokens, slik Google hevder, kan effekten være større enn en ren prisendring. Det kan redusere både direkte modellkost og indirekte kost i form av ventetid, feilretting og menneskelig kontroll.

Flash-Lite peker i samme retning. Virksomheter som vil bruke AI i store mengder, for eksempel på innkommende dokumenter, supportsaker, søk, datavask eller intern kunnskapsassistanse, trenger modeller som tåler volum. Det hjelper lite med en fantastisk modell hvis den blir for dyr eller treg når den går fra pilot til drift. Lette modeller er ofte der AI faktisk blir lønnsomt, fordi de kan brukes på tusenvis av små beslutninger uten at regnestykket kollapser.

Men det er også en felle her. Når modellene blir billigere og raskere, blir det fristende å sette dem overalt. Da kommer den kjedelige, men nødvendige disiplinen: hvilke prosesser skal AI faktisk berøre, hvilke data får modellene se, hva skal logges, og hvem eier feilen når agenten gjør noe dumt? Billigere intelligens fjerner ikke behovet for styring. Den øker behovet, fordi bruken sprer seg fortere.

For norske virksomheter er den praktiske anbefalingen å bruke denne typen slipp som et pressmiddel på egen AI-arkitektur. Ikke lås alle arbeidsflyter til én standardmodell. Lag ruting, evaluer oppgavetyper og mål kvalitet per prosess. Skill mellom oppgaver som krever høy presisjon, lav latenstid, lav kost, lang kontekst eller spesialisert sikkerhetskompetanse. Det høres nerdete ut, men det er her marginene ligger.

CISO bør særlig følge Cyber-sporet. Ikke fordi alle bør kaste seg på en begrenset pilot, men fordi det viser hvor sikkerhetsmarkedet beveger seg. Sårbarhetshåndtering blir mer agentdrevet. Angripere bruker modeller til rekognosering, kodeforståelse og automatisering. Forsvarere må gjøre det samme, men med bedre kontroll. En sikkerhetsmodell som kan foreslå patcher kan bli kraftig, men bare hvis den er koblet til gode policyer, gode tester og mennesker som fortsatt eier beslutningen.

Den korte versjonen: Google gjør Gemini-porteføljen mer produksjonsorientert. Ikke bare «bedre modell», men flere modeller for ulike driftsbehov. Det er akkurat den retningen enterprise-markedet trenger. Ikke mer magi. Mer styrbar intelligens.

Hva ledere bør gjøre nå

• Kartlegg hvilke AI-bruksområder som faktisk trenger toppmodell, og hvilke som kan kjøres på raske/lave kostmodeller.

• Mål AI-prosesser på kost per ferdig oppgave, ikke bare tokenpris. Ta med retry, kvalitetssjekk, feilrate og ventetid.

• Skill sikkerhetsagenter fra vanlige produktivitetsagenter. De trenger strengere tilgang, bedre logging og tydeligere godkjenningsløp.

• Bygg modellruting tidlig. Markedet går mot porteføljer, ikke én modell som skal gjøre alt.

• Krev dokumentasjon fra leverandørene på databruk, logging, region, tilgangskontroll og evalueringsmetode før modellen går inn i produksjon.

Kilder og medier

Primærkilde: Google DeepMind, https://x.com/GoogleDeepMind/status/2079589701795627317

Thumbnail: OpenAI Image 2 / hogby.ai