Google hat eine neue Fähigkeit für seine Gemini-Modelle gelauncht, die Video-Analyse grundlegend verändert: agentic video understanding. Statt Videos Bild für Bild mit fester Framerate durchzuarbeiten, können die Modelle jetzt aktiv entscheiden, welche Segmente sie sich anschauen, wie schnell sie spulen und ob sie Frames, Audio oder Transkripte nutzen. Das Ergebnis ist beeindruckend – und vor allem: deutlich billiger.
Kurz & knapp
- Verfügbar für: Gemini 3.7 Flash, 3.6 Flash und 3.5 Flash-Lite über die Gemini API, Google AI Studio und Gemini Enterprise Agent Platform
- Einsparungen: Token-Verbrauch um bis zu 88 % gesenkt, Kosten um bis zu 66 % reduziert, Genauigkeit um bis zu 7 % verbessert
- Besonders effektiv bei: Langform-Videos (10-Minuten-Tutorials bis 90-Minuten-Vorträge und mehrstündige Aufnahmen)
- Start: Ab sofort verfügbar für Video-Uploads und YouTube-Videos
Wie das alte System funktionierte – und warum es ineffizient war
Bisher verarbeitete Gemini Videos im statischen Modus: Das Modell fraß sich mit fester Framerate (Standard: 1 FPS, konfigurierbar) durch die gesamte Datei. Das bedeutete für lange Videos ein Dilemma: Entweder hohe Token-Kosten oder Qualitätsverlust durch Sampling. Besonders bei Langform-Content (Vorlesungen, Tutorials, mehrstündige Aufnahmen) war das ein echtes Problem – kritische Details gingen verloren oder die Rechnung wurde unbezahlbar.
Das neue Prinzip: Zielgerichtete Videoanalyse
Agentic video understanding funktioniert anders. Das Modell übernimmt aktiv die Kontrolle: Es entscheidet, welche Videoabschnitte relevant sind, scannt sie mit variabler Geschwindigkeit, nutzt parallele Datenquellen (Frames, Audio, Transkripte) und springt gezielt zu interessanten Momenten. Das ist ähnlich wie agentic vision für Bilder – nur eben für Videos.
Das Ergebnis sind beeindruckende Benchmarks:
| Metrik | Verbesserung |
|---|---|
| Token-Verbrauch | bis zu 88 % Reduktion |
| Kosten | bis zu 66 % Ersparnis |
| Genauigkeit | bis zu 7 % Verbesserung |
Besonders interessant: Gemini 3.7 Flash mit agentic understanding sitzt jetzt an der "Accuracy-to-Cost Pareto-Frontier" – das heißt, es gibt kein anderes getestetes Modell, das bei gleicher Genauigkeit günstiger ist oder bei gleichen Kosten genauer.
Neue Use-Cases werden möglich
Die Fähigkeit eröffnet Anwendungen, die vorher zu teuer oder zu ungenau waren: Sub-Sekunden-Moment-Retrieval ("Finde die exakte Stelle, wo das Produkt gezeigt wird"), präzisere Anomalieerkennung ("Wann passiert etwas Ungewöhnliches?"), genaues Counting ("Wie viele Personen sind im Video?"). Für Unternehmen, die Videos automatisiert analysieren, ist das ein echter Capability-Sprung.
Aktiviert wird das Feature über die API – einfach die Konfiguration auf "agentic" setzen in Google AI Studio oder der Gemini Enterprise Agent Platform. Funktioniert mit Video-Uploads und YouTube-Videos.
Was das für deutsche Unternehmen bedeutet
Für Firmen, die Videos in ihre KI-Workflows einbauen wollen – von Medienunternehmen über Sicherheit bis zu Dokumentenanalyse – ändert sich die Kostenrechnung erheblich. 66 % Kostenersparnis bei besserer Qualität machen Video-KI-Anwendungen plötzlich wirtschaftlicher. Besonders für längere Inhalte (Schulungsvideos, Überwachungsmaterial, Archivanalyse) könnte das ein Tipping Point sein. Allerdings: Die Fähigkeit ist noch auf Googles Modelle beschränkt – wer bereits auf anderen Plattformen investiert hat, muss neu evaluieren, ob ein Wechsel sich lohnt.
Quellen
Redaktionell verantwortet von Ideal Syka. Quellen und Arbeitsweise: Redaktion & Methode. Hinweise und Korrekturen: ai@i6eal.de.
