Neues Flash-Modell drei Wochen nach dem Vorgänger
Google hat Gemini 3.7 Flash vorgestellt. Der Vorgänger 3.6 Flash war zu diesem Zeitpunkt gerade drei Wochen alt. Das neue Modell ist als Arbeitspferd für Entwickler gedacht und laut Google auf Programmieraufgaben sowie agentische Abläufe optimiert, also auf Prozesse, in denen ein Modell mehrere Schritte selbstständig abarbeitet und Werkzeuge aufruft.
Verfügbar ist Gemini 3.7 Flash ab sofort über die Gemini API, das AI Studio und Gemini Enterprise. Für Privatnutzer ist die Verfügbarkeit auffällig eng gefasst: Das Modell treibt den Agenten Gemini Spark in der Gemini-App an, aber nur in den bezahlten Tarifen AI Pro und Ultra. Die normale Chat-Oberfläche läuft weiter auf 3.6 Flash. Eine Begründung dafür nennt Google nicht.
Benchmarks: bessere Werte, kleine Schritte
Die von Google veröffentlichten Messwerte zeigen durchgängig Verbesserungen gegenüber 3.6 Flash. Am deutlichsten fallen sie bei Software-Engineering und bei der Verarbeitung komplexer Dokumente aus.
| Benchmark | Gemini 3.6 Flash | Gemini 3.7 Flash |
|---|---|---|
| FrontierCode 1.1 Main | 34,4 % | 43,6 % |
| DeepSWE v1.1 | 49 % | 65,3 % |
| WebDev Arena (Punkte) | 1.538 | 1.588 |
| GDP.pdf (komplexe Dokumente) | 22 % | 34 % |
| AutomationBench (Geschäftsabläufe) | 17 % | 30,4 % |
Die Zahlen sind höher, aber sie beschreiben weiterhin ein Modell aus der günstigen Leistungsklasse. Bei AutomationBench, das typische Geschäftsprozesse abbildet, liegt die Trefferquote selbst nach der Verbesserung unter einem Drittel. Für produktive Automatisierung ohne Kontrollinstanz reicht das nicht.
Preise: Google unterbietet sich selbst
Interessanter als die Benchmarks ist für viele Unternehmen der Preis. Google halbiert die API-Kosten gegenüber 3.6 Flash, allerdings als Einführungspreis mit Laufzeit bis Ende des Jahres. Wie es danach weitergeht, ist offen.
| Modell | Input pro 1 Mio. Tokens | Output pro 1 Mio. Tokens |
|---|---|---|
| Gemini 3.7 Flash (Einführungspreis) | 0,75 USD | 3,75 USD |
| GPT-5.6 Luna | 0,20 USD | 1,20 USD |
Der Vergleich zeigt, wo der Druck herkommt. OpenAI hat kurz zuvor die API-Preise für die GPT-5.6-Modelle gesenkt, die schlanke Luna-Variante liegt deutlich unter dem halbierten Google-Tarif. Googles Rabatt ist damit weniger ein Geschenk als eine Reaktion.
Das fehlende Flaggschiff
Bemerkenswert ist, was Google nicht ausgeliefert hat. Auf der Entwicklerkonferenz im Mai wurde Gemini 3.5 Pro für Juni angekündigt. Das Modell ist bis heute nicht erschienen, während im Flash-Zweig eine Version nach der anderen nachgeschoben wird. Einen Termin nennt Google nicht.
Wer strategische IT-Entscheidungen an die Roadmap eines proprietären Anbieters hängt, plant mit einem Versprechen, nicht mit einem Produkt.
Für Unternehmen ist das der eigentliche Punkt. Ein Modellwechsel im Drei-Wochen-Rhythmus bedeutet: Prompts, die heute stabil laufen, verhalten sich nach dem nächsten Sprung anders. Kostenkalkulationen gelten bis zum Ende einer Einführungsphase. Und die Version, auf die man gewartet hat, kann einfach ausbleiben.
Was das für Unternehmen im DACH-Raum heißt
Kurzfristig ist die Nachricht gut: KI-gestützte Softwareentwicklung und automatisierte Abläufe über die Google-Cloud werden bis Jahresende günstiger. Der Preiskampf zwischen den großen Anbietern verschiebt die Rechnung weiter zugunsten von Eigenentwicklung. Ein maßgeschneiderter Agent auf Token-Basis ist heute oft billiger als ein Fertig-Abo pro Nutzer und Monat, das jährlich teurer wird.
Die Kehrseite ist die Bindung an die Veröffentlichungs- und Preispolitik der US-Hyperscaler. Wer seine Architektur so baut, dass Modelle austauschbar bleiben, etwa über ein Gateway mit Modell-Routing, kann Preissenkungen mitnehmen, ohne bei jedem Anbieterwechsel die halbe Anwendung umzuschreiben. Als Absicherung nach unten kommen zunehmend Open-Weight-Modelle infrage, die sich selbst betreiben lassen und deren Verhalten nicht über Nacht von außen geändert wird.
Bei Coding-Aufgaben bleibt ohnehin die Frage, wer die Ergebnisse prüft. Höhere Benchmark-Werte verkürzen die Arbeit nicht automatisch, sondern verschieben sie oft nur nach hinten, wie die Debatte um Code-Review als Engpass der KI-Entwicklung zeigt.