Suchergebnisse für: „Gemini“

„Übersetzt man Tausende von Zeilen prozeduraler Logik, braucht es spezielle Kenntnisse in zwei Dialekten, Monate manueller Umschreibarbeit und birgt ein hohes Risiko von Konvertierungsfehlern.“ Dieser Satz aus einem Google-Cloud-Beitrag beschreibt, woran viele Migrationsprojekte scheitern. Die eigentliche Hürde liegt nicht im Umzug von Tabellen und Daten, sondern im Umschreiben komplexer Stored Procedures, Triggers und Funktionen.

Du kennst das Szenario: Die erste Phase der Migration läuft wie geschmiert. Schemata werden überführt, Datenpipelines laufen, und schon sieht alles nach einem vorzeitigen Erfolg aus. Dann stößt dein Team auf hunderte Routinen, die in PL/SQL oder T-SQL geschrieben sind. Sie enthalten jahrelang gewachsene Geschäftslogik, von Transaktionsvalidierung bis Auftragsverarbeitung. Ohne saubere Konvertierung läuft kein einziges Modul. Genau hier setzt der Database Migration Service (DMS) mit Gemini an – einer KI-gestützten Codekonvertierung, die direkt in den Migrationsworkflow integriert ist.

Warum Stored Procedures zur letzten Meile werden

Stored Procedures sind das Herzstück vieler Unternehmensdatenbanken. Sie kapseln Geschäftsregeln, validieren Daten und steuern komplexe Abläufe. Kommerzielle Datenbanken wie Oracle oder SQL Server verwenden eigene Syntaxvarianten: PL/SQL und T-SQL nutzen Konstrukte wie NVL, DECODE, WHEN NO_DATA_FOUND oder PACKAGE BODY, die es in PostgreSQL so nicht gibt. Um diese in PL/pgSQL zu übertragen, müssen Typen, Ausnahmen, Cursor-Schleifen und Funktionen einzeln abgeglichen werden.

Bei einem typischen Enterprise-Schema mit einigen hundert Prozeduren dauert die manuelle Übersetzung Monate. Jede Zeile muss geparst, jede Bedingung neu implementiert und jede Datentypkonvertierung verifiziert werden. Fehler in dieser Logik führen später zu Produktionsausfällen oder stillen Dateninkonsistenzen. Die „letzte Meile“ der Migration gilt deshalb als größtes Hindernis. Mit generativer KI ist sie überwindbar – wenn die KI den gesamten Schemakontext kennt und nicht nur isolierte Snippets.

Gemini in DMS: KI-gestützte Konvertierung in der Google-Cloud-Konsole

Der Database Migration Service von Google Cloud hat lange schon die automatisierte Schemaübertragung im Angebot. Neu ist die Integration von Gemini, die Codevorschläge liefert und erklärt, warum bestimmte Umwandlungen nötig sind. Du arbeitest direkt in der Google-Cloud-Konsole: Links siehst du den ursprünglichen PL/SQL-Code, rechts den konvertierten PL/pgSQL-Code. Dazu gibt es Inline-Erklärungen, die die strukturellen Unterschiede zwischen den Dialekten erläutern.

Stell dir vor, du öffnest eine Oracle-Prozedur, die mit NVL arbeitet. Gemini schlägt nicht einfach COALESCE vor, sondern zeigt dir den Schritt: „NVL wird zu COALESCE, weil PostgreSQL kein NVL kennt, aber dieselbe Semantik über COALESCE abbildet.“ Gleichzeitig werden DECODE-Ausdrücke in CASE-Blöcke übertragen und Exception-Handler wie WHEN NO_DATA_FOUND an die PL/pgSQL-Syntax angepasst. Du kannst die Vorschläge direkt bearbeiten, validieren und dann auf das Zielsystem anwenden – alles in einem Arbeitsablauf.

Was diese Integration von generischen KI-Tools unterscheidet? Der Kontext. Gemini in DMS analysiert dein gesamtes Datenbankschema, inklusive Tabellenbeziehungen, Datentypen, abhängige Views und Verweise zwischen Prozeduren. Konvertierungen sind nicht ins Blaue geraten, sondern berücksichtigen die tatsächlichen Strukturen deines Projekts. Zusätzlich läuft die Codekonvertierung streng innerhalb deiner Google-Cloud-Projektgrenzen und unterliegt der IAM-Governance. Deine Geschäftslogik und dein geistiges Eigentum bleiben geschützt.

Warum die Integration mehr kann als ein Chatbot

Generische KI-Assistenten können SQL-Code erzeugen und übersetzen, aber sie arbeiten oft ohne Bezug zu deiner Datenbank. Ein Chatbot sieht vielleicht eine Stored Procedure, aber nicht die dahinterliegenden Tabellen, Trigger und View-Abhängigkeiten. Die Folge: Vorschläge, die syntaktisch korrekt, aber semantisch falsch sind. Gemini in DMS geht anders vor. Es nutzt deterministische Compiler-Regeln für die 1:1-Übersetzungen wie Standard-DDL, skalare Funktionen und klar definierte Syntax. Für komplexe prozedurale Blöcke kommt die kontextuelle Synthese von Gemini zum Einsatz.

Dieser hybride Ansatz verhindert das „Model Drift“, bei dem ein KI-Modell mal die eine, mal die andere Übersetzung liefert. Durch die Kombination aus festen Regeln und KI-generierten Lösungen bekommst du exakte, reproduzierbare Ergebnisse. Die integrierte Arbeitsumgebung spart dir das mühsame Kopieren zwischen hunderten Dateien. Du kannst Side-by-Side-Diffs ansehen, Inline-Erklärungen prüfen, Code editieren und validierte PL/pgSQL-Routinen direkt auf die Zieldatenbank ausrollen. Das beschleunigt den gesamten Migrationsprozess.

Dazu kommt: Die Konvertierung wird nicht nur einmalig durchgeführt. Das Tool validiert den generierten Code automatisch gegen die PostgreSQL-Syntaxregeln und markiert Objekte mit Status wie „Converted“, „Warning“ oder „Action Required“. So erkennst du sofort, welche Routinen noch manuelle Aufmerksamkeit brauchen. Du behältst jederzeit die Kontrolle – die KI ist nicht der Chef, sondern ein kompetenter Assistent.

Ein konkretes Beispiel: Von Oracle PL/SQL zu PostgreSQL PL/pgSQL

Google Cloud hat in seinem Blog ein typisches Beispiel gezeigt: eine Oracle-Prozedur, die Kundensummen berechnet und tier-basierte Rabatte anwendet, unter Verwendung von NVL und DECODE. In der Originalversion musst du NVL manuell auf COALESCE mappen, DECODE-Anweisungen als CASE-Ausdrücke umschreiben und Exception-Blöcke wie WHEN NO_DATA_FOUND anpassen. Das ist fehleranfällig und mühsam.

Mit der Migration Assessment in DMS analysiert Gemini die Quellprozedur und erzeugt nativ PostgreSQL PL/pgSQL-Code. Dabei erklärt es Schritt für Schritt, warum NVL zu COALESCE wird und wie DECODE in ein explicit CASE umgewandelt wird. Du siehst nicht nur das Ergebnis, sondern verstehst auch die Logik dahinter. Das hilft dir, die konvertierte Prozedur zu prüfen und gegebenenfalls zu optimieren. Weil der gesamte Schema-Kontext einfließt, stimmen auch die Datentypen und Referenzen.

Solche Beispiele zeigen, wie nah die KI der realen Arbeit kommt. Es geht nicht um theoretische Übungen, sondern um konkreten Code aus deinem Unternehmen. Die Konvertierung passiert direkt in der Konsole, du kannst sie sofort testen und auf eine Staging-Instanz anwenden. So bekommst du schon vor dem Produktionswechsel eine funktionierende Version – zum Ausprobieren, Verifizieren und Feintunen.

Sicherheit und Kontrolle im Konvertierungsprozess

Sicherheit und Transparenz sind bei jeder Datenbankmodernisierung zentral. Gemini in DMS arbeitet streng innerhalb deiner Google-Cloud-Projektgrenzen. Dein Code bleibt privat, kein Prompt läuft über öffentliche Dienste. Die Konvertierung erfolgt unter den gleichen IAM-Regeln, die für dein gesamtes Projekt gelten. Die Kontrolle über sensible Geschäftslogik bleibt bei dir.

Der Ablauf ist strukturiert und nachvollziehbar. Beim Einrichten eines DMS-Konvertierungsworkspace wird automatisch das gesamte Quellschema analysiert – inklusive Tabellenmetadaten, Datentypen, Fremdschlüssel und Cross-Procedure-Abhängigkeiten. Gemini greift auf diesen Kontext zu, sodass du keine abhängigen Objekte manuell nachliefern musst. Anschließend validiert ein Parser den generierten Code gegen die PostgreSQL-Syntax. Objekte bekommen Status wie „Converted“, „Warning“ oder „Action Required“, damit du weißt, wo noch Handarbeit nötig ist.

Du kannst Änderungen in einem Side-by-Side-Vergleich prüfen, Inline-Erklärungen lesen und den Code direkt bearbeiten. Erst wenn du mit dem Ergebnis zufrieden bist, wendest du es auf das Zielsystem an. Vor dem Produktionsstart kannst du die konvertierte Logik auf einer Staging-Instanz (zum Beispiel Cloud SQL oder AlloyDB) funktional testen und Performance-Messungen durchführen. So gehst du kein unnötiges Risiko ein.

Was das für die Praxis bedeutet

Datenbankmigrationen sind keine monatelangen Projekte mit ungewissem Ausgang mehr. Mit der KI-gestützten Codekonvertierung in DMS lässt sich die letzte Meile deutlich verkürzen. Statt Hunderttausende Zeilen manuell zu übersetzen, können sich Datenbankteams auf die Prüfung und Optimierung der generierten Logik konzentrieren. Das spart Zeit und reduziert das Fehlerrisiko.

Für dich als Datenbankadministrator oder Entwickler bedeutet das: Du musst kein PL/SQL-Tüftler mehr sein, um eine Oracle-Datenbank nach PostgreSQL zu bringen. Das Tool übernimmt die mühsame Übersetzungsarbeit, du behältst die Kontrolle über Qualität und Sicherheit. Die konvertierten Routinen zu testen bleibt wichtig – gerade bei komplexen Geschäftslogiken. Aber der Aufwand sinkt von Monaten auf Tage.

Google Cloud hat passend dazu eine Videoserie namens „Gemini taught me PostgreSQL“ veröffentlicht, die typische Konvertierungsszenarien zeigt. Wer tiefer einsteigen möchte, findet dort praktische Beispiele. Die Botschaft ist klar: Datenbankmigration ist ein planbarer Prozess. Die letzte Meile verliert ihren Schrecken, wenn du einen Assistenten hast, der den gesamten Kontext kennt.

Quelle: cloud.google.com

Stell dir vor, du hast einen gut sortierten Werkzeugkasten. Da liegen einzelne Schraubendreher, Zangen und Messgeräte. Jedes Werkzeug für sich ist nützlich, aber bei wiederkehrenden Aufgaben greifst du am Ende doch zu einer fertigen Box, in der alles Wichtige schon zusammenliegt. Genau diesen Schritt plant Google offenbar für seine Unternehmensplattform Gemini Enterprise. Erste Hinweise in einer unfertigen Oberfläche zeigen, dass ein eigener Bereich für Plugins entsteht. Dazu kommt ein zentraler Ort für Benachrichtigungen über abgeschlossene Hintergrundaufgaben. Beides klingt unspektakulär, ist aber ein wichtiger Schritt, um künstliche Intelligenz im Arbeitsalltag wirklich praktisch zu machen.

Was ein Plugin von einem Skill unterscheidet

Wer Gemini Enterprise nutzt, kennt die Bausteine bereits. Da gibt es Skills, also wiederverwendbare Aktionen, die ein Modell ausführen kann. Und Connectors, die Verbindungen zu Diensten wie Google Workspace, Microsoft 365 oder anderen Unternehmenssystemen herstellen. Bisher musst du diese Teile oft selbst kombinieren, wenn du einen mehrstufigen Prozess abbilden willst. Das funktioniert, ist aber aufwendig. Die neuen Plugins sollen diese Arbeit abnehmen. Sie verhalten sich wie kleine Apps oder gebündelte Workflows, die Skills und Connectors zu einer fertigen Einheit zusammenfassen. Eine Firma könnte also einen Standardprozess als Plugin bereitstellen, und alle Mitarbeitenden nutzen ihn, ohne jede Verbindung einzeln konfigurieren zu müssen.

Die Struktur, die Google dabei im Interface andeutet, erinnert stark an die Ansätze anderer Anbieter. Auch bei Claude gibt es eine Trennung zwischen Verbindungen und Fähigkeiten, auf die dann paketierte Tools aufsetzen. Das ist kein Zufall, sondern zeigt, wohin sich die Branche bewegt. Unternehmen wollen keine leere KI-Oberfläche, sondern fertige Lösungen für ihre täglichen Abläufe. Ein Plugin für „Reisekostenabrechnung prüfen“ oder „Kunden-Onboarding anstoßen“ ist viel einfacher einzuführen als ein leeres Chatfenster, in dem du jeden Schritt selbst erklären musst. Die Idee ist also nicht neu, aber Googles Umsetzung könnte entscheidend sein, weil Gemini Enterprise bereits die Governance und die Datenanbindung mitbringt.

Drei Tabs: Connectors, Skills, Plugins

Die Hinweise auf die neue Plugins-Funktion stammen aus einer unfertigen Version der App. Der Tab „Plugins“ ist derzeit leer, was darauf hindeutet, dass die Funktion noch in der Entwicklung steckt. Die Platzierung innerhalb des Bereichs „Connectors“ ist allerdings aufschlussreich. Die Oberfläche ist in drei Tabs unterteilt: Connectors, Skills und Plugins. Damit stellt Google die drei Ebenen klar nebeneinander. Connectors sind die Leitungen, Skills sind die Werkzeuge, und Plugins sind die fertigen Arbeitspakete. Diese klare Trennung hilft Nutzern zu verstehen, auf welcher Ebene sie gerade arbeiten. Eine einzelne Verbindung zu Salesforce ist kein Plugin, genauso wenig wie eine einzelne Fähigkeit wie „Zusammenfassen“. Erst die Kombination aus beidem, abgestimmt auf einen konkreten Zweck, ergibt ein sinnvolles Plugin.

Ein fester Ort für langlaufende Aufgaben

Parallel dazu arbeitet Google an einem eigenen Bereich für Benachrichtigungen. Dieser Bereich soll offenbar die Ergebnisse von geplanten Aufgaben und Gesprächen sammeln, die in einer Warteschlange gelandet sind. Stell dir vor, du startest eine Analyse, die mehrere Datenbanken durchsucht und einen Bericht erstellt. Bei einer komplexen Anfrage kann das einige Minuten dauern. In einem normalen Chat sitzt du dann da und wartest. Mit der neuen Benachrichtigungsfläche bekommst du einen festen Ort, an dem du später nachsehen kannst, was im Hintergrund fertig geworden ist. Das ist vor allem für Mitarbeitende praktisch, die regelmäßig Recherchen, Reportings oder andere langlaufende Aufgaben ausführen. Sie schließen das Fenster, erledigen andere Dinge, und kommen zurück, wenn das Ergebnis bereitsteht.

Warum Google diese Schicht braucht

Diese Entwicklung passt in Googles übergeordnete Strategie für Gemini Enterprise. Das Produkt richtet sich an Unternehmen, die künstliche Intelligenz nicht als nettes Gimmick nutzen wollen, sondern als festen Bestandteil ihrer Arbeitsabläufe. Dabei geht es um drei Dinge: Agenten, Unternehmensdaten und Kontrolle. Agenten führen Aufgaben aus, die über einfache Chat-Antworten hinausgehen. Unternehmensdaten sorgen dafür, dass die KI auf reale Informationen zugreifen kann, statt ins Blaue zu raten. Und Kontrolle bedeutet, dass Administratoren festlegen können, was erlaubt ist und was nicht. Google beschreibt Skills als wiederverwendbare Aktionen, Connectors als Verbindungen zu Diensten und Inbox als zentralen Hub für langlaufende Agentenaktivitäten. Mit Plugins käme eine weitere Schicht hinzu, die diese Bausteine zu nutzbaren Anwendungen verpackt.

Der Unterschied zwischen einem Plugin und einem normalen Chat-Gespräch ist größer, als es auf den ersten Blick scheint. In einem Chat erklärst du jedes Mal neu, was die KI tun soll. Du gibst Kontext, nennst Datenquellen und hoffst, dass die Antwort passt. Bei einem Plugin ist dieser Kontext bereits eingebaut. Das Plugin weiß, welche Skills es braucht, welche Connectors es verwendet und in welcher Reihenfolge die Schritte laufen sollen. Für den Nutzer bleibt nur eine einfache Eingabe, etwa „Erstelle den Wochenbericht“. Der Rest passiert automatisch. Das spart Zeit, reduziert Fehler und macht die KI für Menschen nutzbar, die keine technische Dokumentation lesen wollen. Genau darin liegt der praktische Wert.

Was noch offen ist

Allerdings gibt es auch offene Fragen. Google hat die Plugins-Funktion nicht offiziell angekündigt, und einen Einführungstermin gibt es nicht. Der leere Katalog und die unfertige Benutzeroberfläche deuten darauf hin, dass beide Funktionen noch nicht ausgereift sind. Unbekannt ist außerdem, welche Konten Zugriff erhalten werden und welche ersten Partner Plugins bereitstellen könnten. Wird es ein offenes Ökosystem geben, in dem jede Firma eigene Plugins bauen kann? Oder startet Google mit ausgewählten Anbietern? Das ist für Unternehmen relevant, weil sie entscheiden müssen, ob sie sich auf die Plattform verlassen wollen. Ein Plugin, das nur auf bestimmte Dienste zugeschnitten ist, bringt wenig, wenn die eigenen Systeme nicht dabei sind.

Spannend ist auch die Frage, wie die Benachrichtigungsfläche in die bestehende Inbox integriert wird. Google spricht bereits jetzt von der Inbox als zentralem Ort für langläufige Agentenaktivitäten. Ein eigener Bereich für Benachrichtigungen könnte diese Idee erweitern oder teilweise ersetzen. Vielleicht ist die Benachrichtigungsfläche nur ein Zwischenschritt, um später alles in einer einheitlichen Oberfläche zusammenzuführen. Die genaue Ausgestaltung wird sich zeigen. Aber die Richtung ist klar: Gemini soll nicht nur antworten, sondern selbstständig arbeiten und Ergebnisse liefern, wenn es gerade passt. Das ist ein anderer Anspruch als ein klassischer Chatbot.

Vom Chatfenster zum Werkzeug

Für dich als Anwender bedeutet das: Die Zukunft von KI im Unternehmen hängt nicht nur davon ab, wie gut die Modelle werden, sondern auch davon, wie gut sie sich in bestehende Prozesse einbinden lassen. Ein Modell, das nur im Chatfenster lebt, bleibt Spielzeug. Ein Modell, das in fertigen Arbeitsabläufen steckt, wird Werkzeug. Mit den Plugins schlägt Google genau diese Brücke. Und die Benachrichtigungen sind das passende Gegenstück: Sie machen sichtbar, dass im Hintergrund gearbeitet wird. Zusammen ergeben sie ein Bild von Gemini Enterprise, das weit über den einfachen Chat hinausgeht. Arbeit wird delegiert, nicht mehr nur besprochen.

Natürlich ist Vorsicht angebracht. Google hat noch nichts offiziell bestätigt. Die geleakten Interfaces können sich im Laufe der Entwicklung ändern, und nicht jede Funktion schafft es in die finale Version. Trotzdem lohnt es sich, die Entwicklung zu beobachten. Denn wenn Google Plugins so umsetzt, wie die Oberfläche es andeutet, könnte das ein Vorbild für die gesamte Branche sein. Andere Anbieter werden nachziehen müssen, um ähnlich einfache Pakete anzubieten. Am Ende geht es immer um die gleiche Frage: Wie bringen wir künstliche Intelligenz in den Arbeitsalltag, ohne dass jeder einzelne Schritt zur technischen Herausforderung wird? Die Antwort lautet: durch gute Produkte, die komplexe Zusammenhänge verbergen. Plugins sind genau dieser Versuch. Die ersten Hinweise zeigen, dass Google diesen Weg ernst nimmt.

Quelle: testingcatalog.com

Ein Team aus Spezialisten: einer schnell bei Routineaufgaben, einer präzise, ein dritter Experte für Sicherheitsfragen. So positioniert Google seine neuen Gemini-Modelle. Mit Gemini 3.6 Flash, 3.5 Flash-Lite und 3.5 Flash Cyber erhalten Entwickler und Unternehmen Werkzeuge für KI-Agenten – Systeme, die eigenständig Aufgaben erledigen, Werkzeuge nutzen und Entscheidungen treffen.

Wer KI-Agenten einsetzt, kennt das Problem: Die Modelle müssen schnell und günstig sein, aber auch zuverlässig und präzise. Bisher war Gemini 3.5 Flash der Allrounder. Jetzt kommen drei neue Modelle, die jeweils eine eigene Nische besetzen. Google sagt, die Flash-Serie ziele auf den Punkt zwischen Effizienz und Qualität, um agentische Workflows skalierbar zu machen.

Gemini 3.6 Flash: Mehr Leistung, weniger Verbrauch

Gemini 3.6 Flash bezeichnet Google als Arbeitstier der Familie. Es basiert auf Feedback zu 3.5 Flash und liefert einen Sprung bei Code- und Wissensarbeit. Obwohl es leistungsfähiger ist, verbraucht es weniger Token. Laut Artificial Analysis Index reduziert 3.6 Flash den Output-Token-Verbrauch um 17 Prozent im Vergleich zu 3.5 Flash. Im Coding-Test DeepSWE von Datacurve sind es bis zu 65 Prozent weniger Token – bei einem niedrigeren Preis pro Output-Token.

Ein Entwickler, der einen mehrschrittigen Programmierauftrag an den Agenten übergibt, bekommt Ergebnisse mit weniger unnötigen Code-Editierungen und kürzeren Ausführungsschleifen. Im DeepSWE-Benchmark erreicht 3.6 Flash 49 Prozent Trefferquote (3.5 Flash lag bei 37 Prozent). Bei ML-Forschungsaufgaben (MLE Bench) steigt die Leistung von 49,7 auf 63,9 Prozent. Bei der Computer-Nutzung – wenn das Modell selbstständig in einer Desktop-Umgebung agiert – zeigt es Verbesserungen von 78,4 auf 83 Prozent im OSWorld-Verified-Test. Die Computer-Use-Funktion ist nun als eingebautes Client-seitiges Tool über die Gemini API und Gemini Enterprise verfügbar. Der Preis: 1,50 Dollar pro Million Input-Token und 7,50 Dollar pro Million Output-Token – günstiger als 3.5 Flash. Kunden wie Hebbia und Harvey bestätigen, dass das Modell bei multimodalen Aufgaben punktet, etwa beim Parsen von Dokumenten oder der Erstellung von Berichten.

3.5 Flash-Lite: Schnell für hohen Durchsatz

Neben dem Arbeitstier bringt Google einen Sprinter: Gemini 3.5 Flash-Lite. Eine abgespeckte, aber extrem schnelle Variante. Laut Artificial Analysis Index erreicht es 350 Output-Token pro Sekunde – mehr als doppelt so schnell wie viele vergleichbare Modelle. Entwickelt für Aufgaben mit niedriger Latenz und hohem Durchsatz, etwa bei agentischen Suchen oder der Verarbeitung großer Dokumentenmengen.

Der Preis: 0,30 Dollar pro Million Input-Token und 2,50 Dollar pro Million Output-Token. Trotz der Leichtbauweise übertrifft 3.5 Flash-Lite den Vorgänger 3.1 Flash-Lite in fast jeder Hinsicht. Im Terminal-Bench 2.1 liegt der Wert bei 54 Prozent gegenüber 31 Prozent. Beim Langzeitkontext-Benchmark GDM-MRCR v2 steigt die Punktzahl von 60,1 auf 72,2 Prozent. Im Test GDPval-AA v2 verdoppelt sich der Wert von 642 auf 1140. In vielen agentischen und Coding-Evaluierungen übertrifft 3.5 Flash-Lite sogar das bisherige 3 Flash-Modell – etwa im SWE-Bench Pro mit 54,2 Prozent gegenüber 49,6 Prozent. Entwickler, die bisher auf 2.5 oder 3 Flash gesetzt haben, bekommen mit 3.5 Flash-Lite eine schnellere und leistungsfähigere Alternative zu einem niedrigeren Preis.

Das Modell unterstützt verschiedene Denkniveaus. Je nach Aufgabe kann der Entwickler einstellen, ob das Modell schnell und sparsam arbeiten soll oder bei komplexen mehrschrittigen Aufgaben ein höheres Denkniveau aktiviert. Auch Computer-Use ist als eingebautes Tool verfügbar.

3.5 Flash Cyber in CodeMender: Spezialisiert auf Sicherheitslücken

Das dritte Modell ist ein Spezialist. Gemini 3.5 Flash Cyber basiert auf 3.5 Flash und wurde für die Erkennung und Behebung von Cybersicherheitslücken trainiert. Google argumentiert, dass KI-Modelle heute Sicherheitslücken finden können, aber die bestehenden Systeme oft nicht hinterherkommen, diese zu beheben. Flash Cyber soll dieses Ungleichgewicht beseitigen – zu einem niedrigeren Preis pro Token als größere Modelle.

Das Modell wird nicht einzeln angeboten, sondern im Verbund mit einem neuen Agenten namens CodeMender. Mehrere 3.5 Flash Cyber-Modelle arbeiten darin zusammen, um einen gemeinsamen Bericht zu erstellen. Im Benchmark CyberGym erreicht diese Kombination laut Google konkurrenzfähige Ergebnisse an der Spitze der Rangliste. Der Zugang ist eingeschränkt: Aufgrund der dualen Natur – die Technologie kann sowohl für Verteidigung als auch für Angriffe genutzt werden – wird das Modell zunächst nur Regierungen und vertrauenswürdigen Partnern im Rahmen eines Pilotprogramms zur Verfügung gestellt. Ziel: Frontline-Verteidiger erhalten einen Vorsprung, bevor Angreifer die Lücken ausnutzen können. Gleichzeitig will Google Missbrauch verhindern.

Zusätzlich gibt Google einen Ausblick: Gemini 3.5 Pro befinde sich derzeit im Test mit Partnern und werde so bald wie möglich breit verfügbar gemacht. Parallel laufe der ambitionierteste Pre-Training-Run aller Zeiten für Gemini 4.

Sicherheit als integraler Bestandteil

Ein zentrales Thema ist bei allen Neuvorstellungen die Sicherheit. Besonders 3.6 Flash wird mit verbesserten Frontier-Safety-Safeguards ausgeliefert. Diese Absicherungen decken die Bereiche chemische, biologische, radiologische und nukleare Gefahren (CBRN) sowie Cyber-Offensive ab. Laut Google macht das das Modell widerstandsfähiger gegen Jailbreak-Versuche. Gleichzeitig wurde das Modell so trainiert, dass es bei legitimen Anfragen selten ablehnend reagiert – ein häufiges Problem bei sicherheitsoptimierten Modellen.

Für Entwickler und Unternehmen ist das wichtig: Wer KI-Agenten in sensiblen Umgebungen einsetzt, braucht nicht nur Leistung und Effizienz, sondern auch die Gewissheit, dass das Modell nicht manipuliert werden kann oder ungewollt schädliche Aktionen ausführt. Die neuen Safeguards adressieren diesen Punkt, ohne die Nutzerfreundlichkeit übermäßig einzuschränken.

Was das für Entwickler und Unternehmen bedeutet

Die drei neuen Modelle sind ab sofort verfügbar: über die Gemini API in Google AI Studio, Android Studio und Google Antigravity (für 3.6 Flash), sowie über die Gemini Enterprise App und das Gemini Enterprise Agent Platform. 3.5 Flash-Lite wird zudem schrittweise in die Google-Suche integriert. Google lädt Entwickler ein, Feedback zu geben.

Wer KI-Agenten baut, hat eine klarere Wahl: Für rechenintensive, mehrschrittige Aufgaben mit hohen Qualitätsanforderungen ist 3.6 Flash das Modell der Wahl – spart Token und Geld. Für Massenoperationen, wie das parallele Verarbeiten tausender Dokumente, bei denen jede Millisekunde zählt, bietet 3.5 Flash-Lite Geschwindigkeit zum Sparpreis. Für Cybersicherheit gibt es mit 3.5 Flash Cyber einen spezialisierten Agenten, der Lücken gezielt findet und schließt – vorerst für einen eingeschränkten Nutzerkreis.

Google setzt nicht auf ein einzelnes Supermodell, sondern auf eine Familie von Spezialisten. Ein pragmatischer Ansatz, der den unterschiedlichen Anforderungen der Praxis gerecht wird. Statt ein riesiges Modell für alles zu verwenden, können Entwickler genau das Werkzeug wählen, das ihre Aufgabe am besten und günstigsten erledigt. Mit dem Blick auf Gemini 4 zeichnet sich ab, dass diese Strategie weitergehen wird.

Quelle: blog.google

Du unterhältst dich mit deinem Smartphone wie mit einem Kollegen – du sprichst, es antwortet in Echtzeit. Das verspricht Gemini Live. Bisher war dieser Modus auf mobile Geräte beschränkt. Jetzt deutet einiges darauf hin, dass Google die Echtzeit-Sprachsteuerung auch auf den Desktop und ins Web bringt. In aktuellen Testversionen der Web-Oberfläche taucht ein Button für Gemini Live auf. Die Grenzen zwischen App und Browser verschwimmen.

Ein Tech-Blogger berichtet über diese Funde in den Builds von Google. Der Live-Button erscheint im Web-Client, aber selbst die Desktop-App unterstützt den Modus noch nicht aktiv. Es laufen offenbar Tests im Trusted-Tester-Programm. Desktop- und Web-Version könnten zeitgleich starten – das wäre sinnvoll. Google kündigte auf der I/O im Mai neue Sprachfähigkeiten für die macOS-App an. Frühere Hinweise in dieser App deuteten auf Sprachauswahl-Optionen und ein Overlay für Bildschirmfreigabe hin. Die Vorarbeit ist seit Monaten sichtbar.

Skills als wiederverwendbare Anweisungspakete

Dieselben Builds enthalten Spuren einer zweiten Neuerung. Es geht um „Skills“ – wiederverwendbare Anweisungspakete, die der Assistent auf wiederkehrende Aufgaben anwendet. Bisher sind Skills exklusiv in Gemini Spark verfügbar, einem autonomen Agenten hinter dem kostenpflichtigen AI Ultra-Abonnement. Nutzer können dort Skills wie „Fasse die neuesten Tech-News zusammen“ oder „Erstelle eine Liste offener Punkte aus meinen E-Mails“ definieren. Google Spark führt diese Anweisungen automatisch aus, ohne dass der Nutzer alles neu formulieren muss.

Die entdeckten Spuren legen nahe, dass Skills bald für alle Chat-Nutzer zugänglich sein könnten – unabhängig von einem Spark-Abo. Der Tech-Blogger listet vier konkrete Möglichkeiten auf: Erstens eigene Skills hochladen, zweitens aus vordefinierten Skills wählen, drittens neue Skills von Grund auf erstellen und viertens Gemini einen Skill für sich generieren lassen. Das würde das Angebot auf eine Stufe mit Claude und ChatGPT heben, die solche Funktionen bereits bieten. Es würde eine der auffälligsten Lücken in Googles Assistenten-Strategie schließen.

Ein Vergleich hilft: Du kochst jeden Tag das gleiche Gericht. Du könntest jedes Mal von Null anfangen. Oder du legst dir ein Rezept an, das du einfach abrufst. Skills funktionieren ähnlich: Du definierst einmal, wie Gemini eine bestimmte Aufgabe erledigen soll, und rufst sie später mit einem Befehl auf. Ob Projektberichte, Meeting-Zusammenfassungen oder Recherche – der Assistent führt die Anweisung aus, ohne dass du jedes Detail wiederholen musst.

Bekannte Vorläufer und offener Zeitplan

Google hat in Chrome bereits eine leichtere Variante von Skills eingeführt: Im April kamen Prompt-Shortcuts. Außerdem kann Gemini Enterprise schon jetzt mitten im Chat Skills aufrufen. Das aktuelle Update würde diese Funktionalität auf alle Nutzer ausweiten – sowohl im Web als auch in der mobilen App. Die Frage ist: Wann kommt es?

Der Zeitplan bleibt ungewiss. Gemini 3.6 Flash ist in Vorbereitung, während Gemini 3.5 Pro mehrfach verschoben wurde, zuletzt über Mitte Juli hinaus. Ein Zwischenmodell könnte zuerst erscheinen, um die Lücke zu schließen. Vielleicht sehen wir Ende Juli etwas von Google – aber nichts ist offiziell angekündigt, und Pläne können sich bis zur Markteinführung ändern.

Googles Weg zum Alltagsassistenten

Die Richtung ist klar: Google will Gemini alltagstauglicher machen. Die Kombination aus Live-Sprachmodus im Web und Chat-unterstützten Skills würde den Assistenten von einem reinen Frage-Antwort-Werkzeug zu einem digitalen Begleiter aufwerten. Du arbeitest am Desktop an einem Dokument und aktivierst Gemini Live per Knopfdruck, um dir etwas vorlesen zu lassen oder eine Frage zu stellen. Gleichzeitig definierst du Skills, die wiederkehrende Formatierungsarbeiten oder Recherchen automatisieren. Das spart Zeit.

Damit das gelingt, müssen die KI-Technologien hinter Gemini reibungslos funktionieren. „KI“ meint große neuronale Netze, die auf riesigen Datenmengen trainiert wurden, um Sprache zu verstehen und sinnvolle Antworten zu generieren. Skills basieren auf „Prompts“ – vorformulierten Anweisungen, die das Modell in eine bestimmte Richtung lenken. Anwender brauchen kein Expertenwissen; oft reicht es, in natürlicher Sprache zu beschreiben, was der Assistent tun soll. Die Intelligenz liegt in der Fähigkeit des Modells, diese Beschreibung zu interpretieren und umzusetzen.

Für Einsteiger ist das ein niedrigschwelliger Zugang: Man muss nicht programmieren, sondern einfach formulieren. Das ermöglicht Automatisierungen, die vorher nur Experten vorbehalten waren. Die Kontrolle bleibt beim Nutzer – man entscheidet, welche Skills man aktiviert, und kann jederzeit eingreifen. Google setzt auf Transparenz und Anpassbarkeit.

ChatGPT und Claude bieten seit Monaten ähnliche Funktionen. Wenn Gemini nicht nachzieht, verliert es an Attraktivität, besonders bei Power-Usern. Mit der Kombination aus Live-Sprache und Skills könnte Google einen Vorteil ausspielen: die tiefe Integration in seine Produktwelt. Wer Gmail, Docs und Kalender nutzt, wird Gemini nahtlos einbetten können. Skills könnten automatisch auf E-Mails zugreifen, Termine analysieren oder Dokumente zusammenfassen – ohne die Anwendung zu wechseln.

Ausblick mit gebotener Vorsicht

Der Tech-Blogger schließt mit einer realistischen Einschätzung: So vielversprechend die Funde sind, so vorsichtig sollte man mit Terminprognosen umgehen. Google hat Produkte angekündigt und später verschoben. Dennoch zeigt der Trend, dass KI-Assistenten autonomer werden. Skills sind der logische Schritt von einem reaktiven Chatbot zu einem proaktiven Helfer.

Bald könntest du deinem Browser sagen: „Übernimm die Formatierung aus dem letzten Meeting-Protokoll“, und Gemini führt die Anweisung aus. Oder du aktivierst im Web einen Live-Dialog, um während der Recherche Notizen zu diktieren, die direkt in ein Dokument fließen. Die Vorbereitungen laufen. Die nächsten Monate werden zeigen, ob Google die Versprechen einlösen kann.

Die Technologie hinter diesen Neuerungen – maschinelles Lernen, Sprachverarbeitung und kontextuelles Verständnis – hat enorme Sprünge gemacht. Google hat mit Gemini eine solide Basis geschaffen. Die aktuellen Funde deuten darauf hin, dass das Unternehmen ernst macht. Wir werden nicht über Nacht zu einer Gesellschaft, die mit Maschinen spricht wie mit Menschen – aber die Bausteine liegen auf dem Tisch.

Quelle: testingcatalog.com