Künstliche Intelligenz · Google
Was die KI sieht, entscheidet die KI: Google spart bei Videos bis zu 88 Prozent Token
Google stattet Gemini 3.7 Flash, 3.6 Flash und 3.5 Flash-Lite mit agentischer Videoanalyse aus: Statt jedes Frame in fester Auflösung zu scannen, entscheidet das Modell selbst, welche Segmente es wie genau untersucht. Das spare bis zu 88 Prozent Token – und verbessere gerade bei mehrstündigem Material die Genauigkeit.
Berlin, 2. September 2026 – Wer heute Videos mit KI auswerten will, zahlt oft doppelt: einmal in Rechenzeit, einmal in Token. Google versucht nun, beide Kosten zu senken – indem es dem Modell die Kontrolle über die eigene Wahrnehmung gibt.
Vom Scanner zum Strategen
Bisher arbeiteten multimodale Modelle Videodaten weitgehend nach dem Gießkannenprinzip ab: Jedes Frame wurde in einer festen Auflösung und in festen Intervallen analysiert – unabhängig davon, ob dort überhaupt etwas passiert. Die neue, agentische Videoanalyse von Gemini bricht mit diesem Schema: Das Modell entscheidet selbstständig, welche Segmente es untersucht und in welcher Auflösung.^[Google Gemini's new agent-based video analysis cuts token usage by up to 88 percent – The Decoder – url: https://the-decoder.com/google-geminis-new-agent-based-video-analysis-cuts-token-usage-by-up-to-88-percent/]
Google zufolge sinkt der Token-Verbrauch dadurch um bis zu 88 Prozent – bei gleichzeitig höherer Genauigkeit, gerade wenn es um viele Stunden Filmmaterial geht.^[Google Gemini's new agent-based video analysis cuts token usage by up to 88 percent – The Decoder – url: https://the-decoder.com/google-geminis-new-agent-based-video-analysis-cuts-token-usage-by-up-to-88-percent/] Die Funktion kommt für Gemini 3.7 Flash, 3.6 Flash und 3.5 Flash-Lite.
Ein Prinzip mit weitreichenden Folgen
Die Neuerung ist mehr als ein Kostenoptimierungstrick: Sie zeigt, wohin sich multimodale KI entwickelt. Statt Rohdaten starr durchzurechnen, wird Aufmerksamkeit selbst zum Optimierungsgegenstand – ein Modell, das weiß, wohin es schauen muss, ist nicht nur billiger, sondern auch treffsicherer. Für Anwendungen wie Überwachungsauswertung, Sportanalytik oder die Sichtung von Industrieprozessen dürfte das den Unterschied zwischen Machbarkeit und Utopie ausmachen.
Dass ausgerechnet die Flash-Modelle die Funktion zuerst erhalten, ist dabei kein Zufall: Gerade bei kostensensiblen Massenanwendungen entscheidet die Token-Effizienz über den wirtschaftlichen Einsatz von KI.