Google hat am 1. September in der Gemini API einen Videoverarbeitungsmodus namens Agentic Video eingeführt, der die Entscheidung darüber, „wie ein Video angesehen wird“, an das Modell selbst zurückgibt. Entwickler können ihn sofort nutzen, die Gemini App folgt in den kommenden Wochen, und YouTubes Funktion Ask YouTube soll in den kommenden Monaten angebunden werden.
Die Änderung setzt auf der Sampling-Ebene an. Bisher verarbeitete Gemini Video mit fester Bildrate, standardmäßig ein Frame pro Sekunde – unabhängig davon, ob es sich um eine Pressekonferenz oder eine Überwachungsaufnahme handelte, wurde alles im gleichen Takt in den Kontext gefüttert. Im neuen Modus verfügt das Modell über native Video-Tools und entscheidet während des Reasonings selbst, welche Abschnitte es sich ansieht, mit welcher Geschwindigkeit, und ob es Bildframes, Audio oder Untertitel nutzt – abgerufen wird nur, was wirklich gebraucht wird.
Drei Zahlen
Die von Google veröffentlichten Vergleichswerte: Der Token-Verbrauch sinkt um bis zu 88%, die Kosten um bis zu 66%, die Genauigkeit steigt um bis zu 7%. Eine weitere Aussage dazu: Gemini 3.7 Flash erreicht bei der Videoanalyse die Pareto-Front aus Genauigkeit und Kosten – zum gleichen Preis findet sich keine genauere Option, bei gleicher Genauigkeit keine günstigere.
Von den drei Zahlen ist die dritte am kontraintuitivsten. Weniger Sampling geht normalerweise mit Informationsverlust einher – wer weniger sieht, sollte eigentlich weniger wissen. Dass der Wert hier trotzdem steigt, liegt daran, dass die feste Bildrate gleichzeitig Verschwendung und Lücken erzeugte: In einer zweistündigen Konferenzaufnahme zeigt der Großteil der Frames dieselbe Person vor derselben Folie, wiederholter Inhalt frisst das Kontextbudget auf; die eigentlich entscheidende Aktion dagegen kann sich innerhalb einer einzigen Sekunde abspielen – bei 1 FPS wird sie gerade verpasst. Bedarfsgerechtes Abrufen von Abschnitten spart redundante Frames und erhöht gleichzeitig dort die Sampling-Dichte, wo sie gebraucht wird.
Eine grobe Rechnung
Eine Stunde Material bei einem Frame pro Sekunde ergibt 3.600 Frames. Wird jeder Frame einzeln in den Kontext geschoben, liegt die Menge an Input-Token grob geschätzt bereits im sechsstelligen Bereich. Diese Zahl schreckt viele Anwendungsfälle von vornherein ab: ein dreistündiger Livestream-Rückblick, eine Woche Ladenüberwachung, ein kompletter Dokumentarfilm – schon das einmalige Durchlesen des Materials kostet mehr, als der Nutzen wert ist. Nach einer Reduktion um 88% fällt der Wert auf einen fünfstelligen Bereich zurück, und genau an dieser Größenordnung überschreitet die Analyse langer Videos die Schwelle von der Demo zum Produkt.
Was Google dieses Jahr bei der Flash-Linie immer wieder tut, zielt im Grunde auf die Stückkosten. Beim Video ging der bisherige Fortschritt dahin, die pro Durchgang verarbeitbare Länge zu erhöhen; jetzt geht es darum, die Kosten pro Längeneinheit zu senken. Beide Effekte zusammen wirken deutlich stärker als jeder für sich.
Unterstützte Modelle und Aktivierung
Nutzbar ist die Funktion mit Gemini 3.7 Flash, 3.6 Flash und 3.5 Flash-Lite, zugänglich über die Gemini API (via Google AI Studio) sowie die Gemini Enterprise Agent Platform. Abgerechnet wird weiterhin nach den regulären Gemini-API-Token-Preisen, eine zusätzliche Funktionsgebühr fällt nicht an – die eingesparten Token schlagen sich direkt auf der Rechnung nieder. Der Aufwand auf Entwicklerseite ist gering: Es genügt, die Verarbeitungsmethode in der Konfiguration auf agentic zu setzen.
Die vier typischen Anwendungsfälle, die Google nennt, zeigen, welche Szenarien adressiert werden sollen: Lokalisierung von Abschnitten im Sub-Sekundenbereich fürs Schneiden; Suche nach der Nadel im Heuhaufen in mehrstündigen Langvideos; Anomalieerkennung durch dynamisches Resampling; sowie das präzise Zählen von Aktionen und Objekten über die gesamte Zeitachse. Die ersten beiden liegen näher an der Content-Branche, die letzten beiden zielen klar auf industrielle Szenarien wie Überwachung, Qualitätskontrolle und Inspektion.
Wie Teams in China diese Rechnung aufmachen
Teams, die Kurzvideo-Distribution, Livestream-Qualitätskontrolle oder Sicherheitsüberprüfung betreiben, konnten sich lange Videos bisher kaum leisten. Übliche Praxis war, zunächst mit einem billigen Modell oder klassischer Computer Vision grob vorzufiltern und erst verdächtige Abschnitte einem großen Modell zu übergeben. Nachdem die Sampling-Hoheit an das Modell übergeht, kann diese Pipeline einen Schritt einsparen – die grobe Vorfilterung wird gewissermaßen in den Reasoning-Prozess des Modells selbst integriert.
Ein vorsichtiger Hinweis sei noch angebracht: 88%, 66% und 7% sind jeweils Bestwerte, die den günstigsten Fall abbilden. Je nach Material- und Aufgabentyp fällt der tatsächliche Gewinn geringer aus – wie stark, dazu nennt Google keine Verteilung. Für den Produktiveinsatz führt kein Weg an einem eigenen Vergleichstest mit dem eigenen Material vorbei.
Quellen: offizieller Google-Blog, CocoLoop, Google DeepMind; die Angaben zu 88% weniger Token, 66% niedrigeren Kosten, 7% höherer Genauigkeit sowie die unterstützten Modelle und die Abrechnungsweise wurden anhand der offiziellen Ankündigung geprüft, die Umrechnung der Framezahl ist eine grobe redaktionelle Schätzung.