Gemini 3.6 Flash im Test: Googles günstigeres, schnelleres Arbeitspferd

Was Gemini 3.6 Flash wirklich ist

Google teilt Gemini in Stufen ein: Pro für das schwierigste Reasoning, Flash für die alltägliche Arbeit und Flash-Lite für günstige Aufgaben mit hohem Volumen. Gemini 3.6 Flash ist die mittlere Stufe, und Google nennt es absichtlich das "Arbeitspferd". Es ist das Modell, zu dem man greift, wenn man etwas tausende Mal am Tag ausführt und Kosten und Latenz genauso wichtig sind wie die reine Intelligenz.

Es baut direkt auf 3.5 Flash und auf dem Feedback der Entwickler auf, die es nutzen. Der zentrale Pitch ist Effizienz: weniger Reasoning-Schritte und Tool-Aufrufe für eine mehrstufige Aufgabe, weniger Ausschweifen in den Antworten und ein niedrigerer Preis pro Output-Token. Außerdem kommt es mit einem aktuelleren Wissensstichtag, der von Januar 2025 auf März 2026 vorgerückt ist.

Unter der Haube gibt es das, was man von einem modernen Modell erwartet: ein 1.048.576-Token-Kontextfenster, multimodalen Input über Text, Bild, Video, Audio und PDF, plus Function Calling, strukturierte Ausgaben, Codeausführung, Kontext-Caching und Search Grounding. Computer-Nutzung, bei der das Modell einen Browser oder Desktop steuert, ist jetzt ein clientseitiges eingebautes Tool in der Vorschau.

Die Effizienzgeschichte ist die eigentliche Geschichte

Hier ist die Zahl, bei der ich aufgehorcht habe. Beim DeepSWE-Coding-Benchmark schließt 3.6 Flash die durchschnittliche Aufgabe mit 97.000 Output-Tokens ab, wo 3.5 Flash 276.000 verbrannt hat, ein Rückgang um rund 65%. Beim breiter angelegten Artificial Analysis Index ist der Unterschied kleiner, aber mit 28K auf 23K immer noch real.

Warum zählt die Tokenzahl mehr als der Listenpreis? Weil sich die Kosten tatsächlich bei den Output-Tokens aufsummieren, und ein Agent ist eine tokenverbrauchende Maschine. Ein einzelnes Support-Ticket, das von einem Agenten bearbeitet wird, ist nicht ein Modellaufruf, sondern eine Kette: das Ticket lesen, die Wissensdatenbank durchsuchen, entscheiden, vielleicht ein Tool aufrufen, einen Entwurf schreiben, prüfen. Jeder Schritt kostet Tokens. Senkt man die Tokens pro Schritt, senkt man die Kosten der ganzen Kette, zusätzlich zur niedrigeren Rate pro Token.

Das ist auch, warum die "Arbeitspferd"-Bezeichnung ehrlich ist. In einem echten Agenten-Workflow sind die meisten Schritte Routine und werden an das günstige Modell geleitet, während nur die wirklich schwierigen Schritte ein Frontier-Modell brauchen, wenn überhaupt. Der Großteil eurer Rechnung liegt also in der Arbeitspferd-Spur, und diese Spur um 17% günstiger pro Token und deutlich effizienter pro Aufgabe zu machen, ist eine größere Sache als ein glamouröserer Pro-Launch gewesen wäre.

Benchmarks: wo es gewinnt, wo es verliert

Innerhalb der eigenen Familie ist 3.6 Flash ein klarer Fortschritt. Googles Diagramm zeigt, dass es sowohl 3.5 Flash als auch das vorjährige 3.1 Pro bei langfristigem Coding, ML-Engineering, Wissensarbeit und Computer-Nutzung übertrifft.

Die nützlichere Frage ist, wie es im Vergleich zu den Modellen abschneidet, zwischen denen man tatsächlich wählen würde. Google hat eine Vergleichstabelle veröffentlicht, und man muss ihnen zugutehalten, dass sie die Niederlagen nicht verstecken.

Liest man diese Tabelle ehrlich, zeigt sich ein klares Muster. Bei den härtesten agentischen Coding-Tests liegt 3.6 Flash hinter der Frontier: 58,7% bei SWE-Bench Pro gegenüber 64,7% bei Grok 4.5 und 63,2% bei Claude Sonnet 5, und 49% bei DeepSWE gegenüber 67% bei GPT-5.6 Luna. Bei Wissensarbeit (GDPval-AA v2) liegt seine Elo von 1421 deutlich unter GPT-5.6 (1584) und Claude Sonnet 5 (1607).

Doch wendet man sich den Aufgaben zu, die echter Agentenarbeit entsprechen, führt es das gesamte Feld an: 83,0% bei OSWorld-Verified (Computer-Nutzung), 89,4% beim CharXiv-Diagramm-Reasoning, 83,2% bei LVBench-Langvideo, und satte 91,8% bei der GDM-MRCR-Langzeit-Kontexterinnerung, wo der nächste Rivale nur in den 70ern liegt. Für ein Modell, das beim Output ein Fünftel von Claude Sonnet 5 kostet, ist das eine sehr starke Leistung genau in den Dimensionen, die für agentische Arbeit zählen.

Meine Einschätzung: Das ist ein Arbeitspferd, kein Champion. Wenn eure Arbeit tiefe, neuartige Softwareentwicklung ist, haben die Frontier-Modelle noch die Nase vorn. Wenn eure Arbeit darin besteht, viele fundierte, tool-nutzende, dokumentenschwere Aufgaben günstig durchzuführen, ist 3.6 Flash gerade eine der besten Preis-Leistungs-Optionen auf dem Markt.

Der Preis im Detail

Hier ist der Blick auf die Kosten. Alle Zahlen sind pro 1 Mio. Tokens im kostenpflichtigen Standard-Tier, von der Preisseite der Gemini API.

Ein paar Dinge sind erwähnenswert. Der Input-Preis bleibt konstant, die gesamte Ersparnis liegt also beim Output, und wie gesehen ist das der Teil, den Agenten verbrauchen. Der Batch-Modus bringt pauschal 50% Rabatt, wenn man asynchrone Verarbeitung tolerieren kann. Der Output umfasst Reasoning-Tokens, sodass eine "denkende" Antwort ihre Entwurfsarbeit als Output verrechnet, ein weiterer Grund, warum sich der Effizienzgewinn bei den Tokens weiter aufsummiert. Und es gibt einen echten kostenlosen Tier zum Testen, wobei im kostenlosen Tier eure Inhalte zur Verbesserung von Googles Produkten genutzt werden können, also solltet ihr Produktionsdaten im kostenpflichtigen Tier halten.

Um den Trade-off greifbar zu machen, setzt euer eigenes Volumen ein:

Bei 50 Mio. Output-Tokens pro Monat spart der Wechsel von 3.5 Flash zu 3.6 Flash 75 $, noch bevor man den Token-Effizienzgewinn dazurechnet. Beim tatsächlichen Agenten-Volumen wächst diese Lücke schnell.

Die beiden Begleitmodelle

3.6 Flash ist nicht allein erschienen. Gemini 3.5 Flash-Lite ist die Budget-Stufe, bei 0,30 $ Input / 2,50 $ Output, und Google sagt, es schlage nun das ältere 3.1 Flash-Lite deutlich bei Terminal-Coding und Wissensarbeit, während es schnell genug für Hochdurchsatz-Aufgaben wie Klassifizierung und Routing läuft.

Das dritte Modell, Gemini 3.5 Flash Cyber, ist ein Spezialist für Cybersecurity-Arbeit und ist auf Regierungen und vertrauenswürdige Partner beschränkt statt allgemein verfügbar zu sein. Die meisten Teams werden es nie berühren, aber es zeigt, wo Google einen Großteil des kurzfristigen Agenten-Werts sieht.

Was fehlt: kein Pro, und ein Gemini-4-Teaser

Der Elefant im Raum ist das Modell, das Google nicht veröffentlicht hat. Die Flaggschiff-Gemini-Pro-Linie wurde zuletzt im Februar 2026 aktualisiert, Google hat im Mai ein 3.5 Pro angeteasert, und dann verschob es sich. Produktleiter Logan Kilpatrick stellte das eher als laufende Arbeit denn als Absage dar:

"3.5 Pro is testing with partners and we hope to land it soon."

Logan Kilpatrick, X

Gleichzeitig blickt das Team bereits darüber hinaus:

"We've kicked off the pre-training run for Gemini 4, our most ambitious yet."

Logan Kilpatrick, X

TechCrunch las die Veröffentlichung so, dass Google am günstigen, hochvolumigen Ende des Marktes Tempo hält, während seine Frontier-Antwort auf GPT-5.6 und Claude Sonnet 5 noch in der Werkstatt ist. Das halte ich für eine faire Einschätzung. Es bedeutet auch: Wer heute Frontier-Reasoning braucht, findet es diese Woche nicht bei Gemini.

Also, lohnt sich Gemini 3.6 Flash?

Wer bereits auf Gemini Flash aufbaut, für den ist das ein einfaches Ja. Es ist günstiger, effizienter und in fast jedem Benchmark besser als das Modell, das es ersetzt, ohne echten Nachteil. Wechseln und weitermachen.

Wer zwischen den Modellfamilien wählt, sollte ehrlich über die Aufgabe sein. Für tiefe, völlig neuartige Softwareentwicklung haben die Frontier-Modelle noch die Nase vorn. Für fundierte, tool-intensive, dokumenten- und bildschirmgetriebene Arbeit in großem Maßstab ist 3.6 Flash beim Preis-Leistungs-Verhältnis herausragend.

Wo ich dem Hype widersprechen würde, ist der Sprung, den manche von "tolles günstiges Modell" zu "toller Support-Bot" machen. Das ist nicht dasselbe, und die Lücke dazwischen ist der Ort, an dem die meisten KI-Support-Projekte still und leise scheitern.

Ein Modell ist kein Support-Agent

Ich baue die Integrationen, die Modelle wie dieses in echte Support-Warteschlangen bringen, also lasst mich unverblümt sagen, was ein Modell-Launch für diese Arbeit ändert und was nicht. Das Modell ist die Commodity-Schicht am Boden des Stacks. Alles, was einen KI-Agenten tatsächlich sicher genug macht, um ihn Kunden vorzusetzen, sitzt darüber.

Ich habe gesehen, wie ein selbstsicher klingendes Modell einem Kunden eine saubere, gut geschriebene, aber völlig falsche Antwort gegeben hat. Deshalb wird jeder eesel-Rollout zuerst gegen eure historischen Tickets simuliert, bevor er jemals einer echten Person antwortet, damit ihr Abdeckung und Genauigkeit pro Thema seht und Lücken zuerst schließen könnt. Deshalb setzen wir auch auf vertrauensbasiertes Routing: Antworten mit niedriger Konfidenz werden zu Entwürfen, nicht zu automatischen Antworten.

Genau diese Schicht macht aus "es gibt ein schnelles Modell" die Tatsache, dass smava einen vollständig automatisierten Zendesk-Agenten über mehr als 100.000 deutschsprachige Tickets pro Monat betreibt, oder dass Gridwise in seinem ersten Monat 73% der Tier-1-Anfragen löst. Nichts davon ist das Modell. Es ist das Grounding, die Simulation, die Guardrails und die Helpdesk-Integrationen darum.

Die gute Nachricht für alle, die eesel nutzen: Weil es modellagnostisch ist, ist ein günstigeres und effizienteres Flash unter der Haube ein kostenloser Gewinn. Ihr bekommt die Ersparnis, ohne entscheiden zu müssen, welchem Modell ihr vertraut, und ohne irgendetwas neu zu schreiben. So genießt man einen Launch wie diesen richtig, als Upgrade der Zutat, nicht als Produkt, das man roh einsetzt.

eesel ausprobieren

Gemini 3.6 Flash ist ein wirklich gutes Arbeitspferd-Modell, aber wenn der Grund, warum es euch interessiert, "ich will meine Support-Warteschlange automatisieren" ist, dann ist das Modell die einfachen 10% dieses Projekts. eesel ist die anderen 90%: Es lernt aus euren vergangenen Tickets und Hilfe-Dokumenten, simuliert den Rollout an eurer echten Historie, damit ihr die Zahlen kennt, bevor ihr live geht, und bindet sich in Zendesk, Freshdesk, Gorgias und über 100 Tools in Minuten ein.

Weil es modellagnostisch ist, kommen Upgrades wie dieses als stiller Kostengewinn an, nicht als Migration. Die Preisgestaltung ist nutzungsbasiert bei 0,40 $ pro Konversation ohne Sitzplatzgebühren, und es gibt eine kostenlose Testversion ohne Kreditkarte. Wer es lieber an den eigenen Tickets sehen will als noch ein weiteres Benchmark-Diagramm zu lesen, genau dafür ist die Simulation da.