Tweeten ble slettet av forfatteren.
Men vi lagret alt 🙂.
Gemini 3,7 Flash kom bare tre uker etter forgjengeren, men leverte målbare gevinster innen koding og agentbaserte arbeidsflyter. Modellen scorer nå nær toppen på uavhengige intelligensindekser og leder de fleste spesialiserte agent-benchmarker. Likevel stiller markedet fortsatt det samme spørsmålet: Hvem fanger egentlig den økonomiske verdien?
Denne artikkelen ble oversatt fra originalen. Les den opprinnelige versjonen av vår korrespondent her.
Å korrekt identifisere at en modell er «smartere» er noe helt annet enn å hente ut økonomisk avkastning fra den. Gemini 3,7 Flash oppnår 56 på Artificial Analysis Intelligence Index. Det betyr at den er blant lederne på intelligens-versus-hastighet-fronten. Modellen topper også mange agent-evalueringer, som AnalystAgent, med en bestått-rate på 60 %. Fra et kodeperspektiv har den forbedret produksjonsklare resultater med tosifrede prosentpoeng sammenlignet med forrige Flash-versjon. Bransjeeksperter anerkjenner disse resultatene som reelle fremskritt.
Se innlegget på X Laster inn...
Dette gir imidlertid ikke automatisk økt margin for gjennomsnittsbrukeren eller uavhengige utviklere. Å kjøpe tokens til $0,75 per million input og $3,75 per million output ut 2026 er billigere enn mange konkurrenter, men kun hvis man faktisk klarer å utnytte modellens styrker, inkludert flerstegsplanlegging. Organisasjoner som oppgraderer modeller uten å tilpasse arbeidsflyten, opplever ofte høyere integrasjonskostnader og behov for menneskelig tilsyn. Selv om modellen kan være utmerket, avhenger AI-økonomien fortsatt av hvordan kjøperen priser muligheten.
Verdiskapingen i generativ-AI-stacken viser en tydelig tendens til konsentrasjon. Google, OpenAI, Anthropic og xAI fanger det aller meste av bruksgebyrer, skytjenesteutgifter og bedriftskontrakter. Uavhengige analyser av API-trafikk og utviklerundersøkelser bekrefter at et mindretall avanserte brukere står for hoveddelen av betalte tokens. Spesielt er enkeltpersoner som driver produksjonsagenter og store kodepipelines svært aktive. Geminis distribusjon reflekterer det samme mønsteret.
Se innlegget på X Laster inn...
Forbrukerappen Gemini har passert én milliard månedlige brukere. Likevel ser man høyest marginaktivitet hos Google AI Pro- og Ultra-abonnenter, men også Gemini Enterprise-kunder viser økende etterspørsel. Den lange halen av gratis- eller lavt monetariserte brukere bidrar med data og nettverkseffekter. Samtidig genererer den korte toppen av profesjonelle og bedriftskontoer inntektene som muliggjør neste treningsrunde. I så måte er «visdommen» fra den brede brukerbasen viktig, men profitten tilfaller mindretallet som operasjonaliserer modellene i stor skala.
Googles beslutning om å lansere Gemini 3,7 Flash til halvparten av tidligere listepris er mer enn et markedsføringstiltak. Token-økonomi har blitt det sentrale aspektet som avgjør selskapers konkurranseposisjon i dag. Lavere enhetskostnader gjør det mulig for utviklere å kjøre mer komplekse agent-looper. Dermed kan de ha lengre kontekster og høyere samtidighet uten vesentlig økt budsjett. Med Google Cloud opplever kundene høyest effektivitet, noe som forbedrer utnyttelsen av intern infrastruktur.
Se innlegget på X Laster inn...
Konkurrentene står overfor et valg. Første alternativ er å matche prisen og redusere marginene. Det andre er å differensiere på kvalitet og risikere å tape volum. Tidlige tilbakemeldinger fra kunder antyder at dagens kombinasjon av kunnskapsarbeid, hastighet, kostnad og benchmark-ytelse gjør 3,7 Flash konkurransedyktig selv mot dyrere toppmodeller. Introduksjonsprisen utløper ved utgangen av 2026. Da vil etterkampanje-prisene teste om ytelsesfordelen er nok til å beholde kundene når rabatten forsvinner.
Det viktigste skiftet er overgangen fra chatte-grensesnitt til agenter. Gemini Spark, nå drevet av 3,7 Flash for Pro- og Ultra-brukere, kan utføre flerstegsoppgaver basert på de nyeste algoritmene. Bedriftsversjoner tilbyr lignende funksjonalitet til utviklerverktøy og tilpassede arbeidsflyter. Siden agenter kan forske, utarbeide, planlegge og iterere med minimal menneskelig innblanding, endres det økonomiske spørsmålet fra «hvor god er modellen?» til «hvor mye arbeidskraft erstatter den?». Denne omfordelingen har en tendens til å endre den overordnede strukturen på bedriftskostnadene.
Se innlegget på X Laster inn...
Selskaper med rene data og veldefinerte prosesser kan oppnå uforholdsmessig store gevinster. Organisasjoner som fortsatt sliter med ubalanserte systemer eller uklare prosesser, kan kun oppnå beskjedne produktivitetsforbedringer. Modellen viser tydelige forbedringer, og ledere forsøker å vurdere om forbedringen vises på resultatregnskapet.
Prediksjonsmarkeder viser at nøyaktige kollektive prognoser kan eksistere side om side med utbredte individuelle tap. En liten gruppe dyktige deltakere identifiserer feilprisinger skapt av flertallet, og kun de kan tjene på å korrigere dem. Noe lignende observeres i AI-sfæren. Det brede utvikler- og brukerfellesskapet genererer volumet og tilbakemeldingssløyfene. Den kulturelle dimensjonen gjør det også mulig for utviklere å drive modellene fremover.
Se innlegget på X Laster inn...
Et langt mindre antall plattformeiere og infrastrukturleverandører omsetter denne fremgangen til tilstrekkelig avkastning. Googles akselererte Flash-lanseringer og aggressive prising har som mål å vise at effektivitet i seg selv kan bli en varig ressurs. Om disse forventningene innfris, vil i mindre grad avhenge av neste benchmark-liste, men mest av hvordan bedrifter sammenligner de nye kostnads- og kapabilitetsdynamikkene. For øyeblikket ser vi at teknologien blir smartere, men profitten er kun tilgjengelig for dem som kan bruke den effektivt.