Was Google mit Gemini 3.5 Flash vorhat
Google hat mit Gemini 3.5 Flash ein KI-Modell vorgestellt, das nicht mehr nur Texte generiert oder Fragen beantwortet – es kann deinen Computer eigenständig bedienen. Mausklicks setzen, Formulare ausfüllen, durch Menüs navigieren: Was bisher menschliche Hände erforderte, soll künftig ein KI-Agent übernehmen können. Damit reiht sich Google in einen Trend ein, der die gesamte Branche erfasst hat. Denn die Frage ist nicht mehr, ob KI-Modelle unsere Software steuern werden, sondern wie schnell das zum Alltag wird – und was das für alle bedeutet, die mit Computern arbeiten.
Hintergrund: Von Chatbots zu Computer-Agenten
Die Entwicklung von KI-Modellen hat in den vergangenen zwei Jahren eine bemerkenswerte Kurve genommen. Anfangs konnten Sprachmodelle wie GPT-3 oder das ursprüngliche Gemini vor allem eines: Text produzieren. Dann kamen multimodale Fähigkeiten dazu – Bilder verstehen, Code schreiben, Dokumente analysieren. Doch all das geschah innerhalb einer abgeschlossenen Chat-Oberfläche. Der Nutzer musste Ergebnisse selbst kopieren, einfügen, weiterverarbeiten.
Der nächste logische Schritt war schon länger absehbar: KI-Modelle, die nicht nur antworten, sondern handeln. Anthropic machte mit Claude und der „Computer Use“-Funktion bereits Schlagzeilen. OpenAI integrierte Agenten-Fähigkeiten in seine Codex- und ChatGPT-Produkte. Und auch bei Google war klar, dass die Gemini-Modellreihe in diese Richtung gehen würde. Die aktuelle Branchenbewegung zeigt sich auch daran, dass Unternehmen wie Shopify offene Schnittstellen schaffen, über die KI-Agenten eigenständig Warenkörbe zusammenstellen und Käufe abwickeln können – ein sogenanntes Universal Commerce Protocol (UCP), das AI-Agenten den kompletten Shopify-Katalog mit Milliarden Produkten zugänglich macht.
Parallel dazu entstehen Meta-Harness-Architekturen wie Omnigent von Databricks-CTO Matei Zaharia – offene, pluggable Systeme, die verschiedenste KI-Agenten in eine standardisierte, skalierbare Infrastruktur einbinden sollen. Die gesamte Industrie baut gerade die Gleise, auf denen Agenten wie Gemini 3.5 Flash fahren sollen.
Die Details: Was Gemini 3.5 Flash konkret kann
Gemini 3.5 Flash ist Googles neuestes Modell in der Flash-Reihe, die traditionell auf Geschwindigkeit und Effizienz optimiert ist – also schnelle Antworten bei niedrigen Kosten. Das Besondere an dieser Version: Das Modell kann den Bildschirm eines Computers „sehen“, verstehen, was darauf passiert, und daraufhin Aktionen ausführen.
Konkret bedeutet das:
- Bildschirmerkennung: Das Modell nimmt Screenshots oder einen Video-Feed des Desktops auf und interpretiert UI-Elemente wie Buttons, Textfelder, Menüs und Dialogfenster.
- Maus- und Tastatursteuerung: Basierend auf dem visuellen Verständnis kann es Klicks ausführen, Text eingeben, scrollen und zwischen Anwendungen wechseln.
- Aufgabenverkettung: Statt einzelne Befehle auszuführen, kann es mehrstufige Workflows abarbeiten – etwa eine Tabelle öffnen, Daten filtern, ein Diagramm erstellen und das Ergebnis per E-Mail verschicken.
Google positioniert diese Fähigkeit nicht als Spielerei, sondern als Kernfunktion für die kommende Generation von KI-Agenten, die in Googles Ökosystem – von Workspace über Chrome bis Android – integriert werden sollen. Die Flash-Variante ist dabei bewusst gewählt: Für Agenten, die potenziell hunderte Aktionen pro Aufgabe ausführen, ist ein günstiges, schnelles Modell deutlich praxistauglicher als ein teures Flaggschiff-Modell.
Einordnung: Was das für Solopreneure, Marketer und Tech-Interessierte im DACH-Raum bedeutet
Wenn du als Solopreneur oder kleines Team arbeitest, solltest du diese Entwicklung sehr genau beobachten. Denn Computer-bedienende KI-Agenten verändern die Wirtschaftlichkeit von Arbeit fundamental.
Denk an all die repetitiven Aufgaben, die deinen Arbeitstag füllen: Daten aus einer Plattform exportieren und in eine andere importieren. CRM-Einträge pflegen. Social-Media-Beiträge über verschiedene Tools planen. Reports zusammenbauen. Rechnungen erstellen. Viele dieser Aufgaben erfordern heute noch menschliche Klicks – nicht weil sie intellektuell anspruchsvoll wären, sondern weil die beteiligten Systeme keine sauberen API-Schnittstellen haben.
Genau hier setzt Computer Use an: Ein KI-Agent, der die Software so bedient wie ein Mensch, braucht keine API. Er braucht nur den Bildschirm. Das ist gleichzeitig die größte Stärke und die größte Schwäche dieses Ansatzes. Die Stärke, weil es universell funktioniert. Die Schwäche, weil es langsamer und fehleranfälliger ist als eine direkte Datenschnittstelle.
Für den DACH-Raum kommt ein weiterer Aspekt hinzu: Datenschutz. Wenn ein KI-Modell deinen Bildschirm „sieht“, sieht es potenziell auch sensible Kundendaten, interne Dokumente oder vertrauliche Kommunikation. Ob und wie Google diese Daten verarbeitet, speichert oder zum Training verwendet, wird eine zentrale Frage für europäische Unternehmen sein. Die DSGVO setzt hier klare Grenzen – aber die praktische Durchsetzung bei Cloud-basierten Agenten bleibt komplex.
Meine Einschätzung: Wer jetzt anfängt, sich mit Agenten-Workflows zu beschäftigen, verschafft sich einen echten Vorsprung. Nicht weil die Technologie schon perfekt wäre – das ist sie nicht – sondern weil das Verständnis dafür, wie man Aufgaben agentenfähig strukturiert, eine Kompetenz ist, die in den nächsten Jahren extrem wertvoll wird.
Was kommt als nächstes
Die Computer-Use-Fähigkeit von Gemini 3.5 Flash ist erst der Anfang einer Entwicklung, die sich in den kommenden Monaten massiv beschleunigen wird. Mehrere Trends laufen zusammen:
- Offene Protokolle für KI-Agenten: Standards wie Shopifys UCP oder Meta-Harness-Architekturen wie Omnigent schaffen die Infrastruktur, auf der Agenten systemübergreifend arbeiten können. Die unabhängige Entdeckung ähnlicher Architekturen bei hunderten von AI-Startups zeigt, dass der Bedarf real ist.
- Hardware folgt Software: OpenAI hat gerade mit dem „Jalapeño“-Chip seinen ersten eigenen KI-Chip für Inferenz vorgestellt, gebaut mit Broadcom. Wenn Agenten Millionen von Aktionen pro Tag ausführen sollen, braucht es dedizierte, kosteneffiziente Hardware. Der Full-Stack-Ansatz – eigene Chips, eigene Modelle, eigene Agenten – wird zum Wettbewerbsvorteil.
- Von Assistenz zu Autonomie: Aktuell überwachen Menschen noch jeden Schritt der Agenten. Der nächste Schritt wird sein, dass Agenten eigenständig Aufgabenketten abarbeiten und nur bei Unsicherheit nachfragen. Für Solopreneure könnte das bedeuten: ein virtueller Mitarbeiter, der rund um die Uhr arbeitet – für einen Bruchteil der Kosten eines menschlichen Assistenten.
Die entscheidende Frage für die kommenden Monate wird sein, welches Ökosystem sich als Standard durchsetzt. Google hat mit dem Android- und Chrome-Ökosystem eine enorme Reichweite. Apple arbeitet hinter den Kulissen an eigenen Agenten-Fähigkeiten. Und OpenAI baut mit Codex und dem neuen Operator-Framework ein eigenes Agenten-Universum auf. Für dich als Nutzer im DACH-Raum gilt: Experimentiere jetzt, aber binde dich noch nicht zu fest an ein System. Die Karten werden gerade neu gemischt – und wer flexibel bleibt, profitiert am meisten.