Google Gemini 3.8 Flash – internt kendt som »Skimaki« – er ikke længere blot en model, der ventes på. Googles udviklerdokumentation angiver, at modellen blev generelt tilgængelig og klar til produktionsbrug den 2. september 2026. 3\n\nModellen er målrettet langvarige softwareudviklingsopgaver, autonome AI-agenter og komplekse arbejdsgange i virksomheder – ikke kun almindelige chatbot-samtaler. Lanceringen viser samtidig en anden måde at konkurrere på end blot at bygge den største model: Google vil gøre AI dygtig nok til seriøst udviklingsarbejde, men også hurtig og billig nok til at blive brugt i stor skala.\n\n## Hvad er Gemini 3.8 Flash bygget til?\n\nGoogle beskriver Gemini 3.8 Flash som virksomhedens hidtil mest intelligente Flash-model. Den er udviklet til langvarig softwareudvikling, autonome agenter og komplekse arbejdsprocesser i virksomheder. 3\n\nI praksis betyder det, at modellen skal kunne mere end at skrive et kort kodestykke. Den kan eksempelvis skulle sætte sig ind i en ukendt kodebase, bruge eksterne værktøjer, ændre flere filer, køre tests, finde årsagen til fejl og gentage processen, indtil opgaven er løst.\n\nNetop kodning er derfor en god stresstest for agentbaseret AI. En model kan virke imponerende i ét enkelt svar, men få problemer, når den skal bevare overblikket, træffe pålidelige beslutninger og rette sine egne fejl over mange trin.\n\nNavnet »Flash« peger på modellens kompromis. Den er ikke først og fremmest Googles største og dyreste flagskib, men skal kombinere stærk ræsonnering og kodning med lavere svartid og lavere driftsomkostninger. Google angiver en introduktionspris på 0,75 dollar pr. million inputtokens og 3,75 dollar pr. million outputtokens frem til årets udgang. 3\n\n## Hvad viste sammenligningen i Jetski?\n\nMedarbejdere, som The Wall Street Journal har talt med, fortæller, at Google-ingeniører sammenlignede Gemini 3.8 Flash med Anthropics Claude Opus i Jetski, Googles interne kodningsværktøj. Nogle af ingeniørerne foretrak angiveligt Googles model i de direkte kodningstests. 1\n\nDet er et interessant signal om modellens præstation i Googles eget udviklingsmiljø. Men det er ikke det samme som en offentlig benchmarktest. Der er ikke offentliggjort et fuldt reproducerbart testsæt, en detaljeret scoringsmetode, modelkonfigurationer eller uafhængige resultater, som dokumenterer, at Gemini 3.8 Flash generelt er bedre end Claude Opus.\n\nResultatet kan også afhænge meget af de værktøjer og den evalueringsmetode, der bruges. Valg af kodebaser, adgang til dokumentation, testkørsel, kontekstgrænser, svartid og modellens evne til at revidere forkert arbejde kan alle påvirke udfaldet.\n\nDen mest forsigtige konklusion er derfor, at Googles interne testere angiveligt oplevede en markant forbedring i kodning, og at nogle i Jetski foretrak Gemini 3.8 Flash frem for Opus. Om fordelen også findes i uafhængige tests, er stadig uafklaret.\n\n## Hvorfor satser Google på Flash frem for en større model?\n\nEn hurtig og effektiv kodningsmodel kan udrulles bredere end et dyrt flagskib. En softwareagent kan sende mange forespørgsler til modellen under én opgave, så svartid og pris pr. token kan være lige så vigtige som den maksimale intelligens.\n\nEn model, der er en smule mindre stærk i en isoleret udfordring, men hurtigere og billigere ved gentagne værktøjskald, kan derfor være mere nyttig i en rigtig produktion.\n\nDe tilgængelige oplysninger understøtter en teknisk og kommerciel forklaring: Google vil have kodning og agentfunktioner, der kan fungere i stor skala på tværs af produkter og virksomhedstjenester. De dokumenterer derimod ikke, at det var et bestemt myndighedstilsyn eller en konkret regulatorisk grænse, der afgørende bestemte valget af Flash-klassen. 1338\n\n## Forstærket læring og springet fra Gemini 3.7 Flash\n\nIfølge rapporteringen lagde Google større vægt på forstærket læring under udviklingen. Kort fortalt er forstærket læring en senere fase i træningen, hvor en model forbedres ved hjælp af feedback eller belønninger. For kodningsagenter kan det betyde større fokus på at løse opgaven korrekt, bruge værktøjer effektivt og kontrollere resultatet – i stedet for blot at producere kode, der ser plausibel ud.\n\nDet kan være med til at forklare den hurtige overgang fra Gemini 3.7 Flash til Gemini 3.8 Flash. Målet synes ikke kun at have været at gøre den underliggende model større, men også at forbedre den adfærd, der er vigtig i længere softwareudviklingsforløb. 1\n\nDer er dog ikke tilstrækkeligt med offentlige oplysninger til at afgøre, hvor stor en del af forbedringen der skyldes forstærket læring, andre eftertræningsmetoder, ændringer i selve modellen, værktøjsintegration eller valg af evaluering. Det bliver centralt, når udviklere begynder at teste modellen uafhængigt.\n\n## Lanceringen sker under en AI-omorganisering hos Google\n\nGemini 3.8 Flash kommer på et tidspunkt med øget pres internt i Google DeepMind. I august trådte Demis Hassabis tilbage fra den daglige ledelse af Google DeepMind for at blive bestyrelsesformand for organisationen og chefforsker hos Alphabet. Google oplyste, at han fortsat ville være tæt knyttet til organisationen og rådgive om modeller og forskning, mens andre ledere overtog mere af det operationelle ansvar. 29\n\nReuters har desuden rapporteret, at Googles medstifter Sergey Brin havde opfordret centrale AI-medarbejdere til at fokusere intenst på Gemini, mens Alphabet forsøgte at indsnævre afstanden til OpenAI og Anthropic. Reuters har samtidig beskrevet AI-agenter som en central del af Googles plan om at sælge AI til erhvervskunder. 3738\n\nI den sammenhæng er Gemini 3.8 Flash mere end en almindelig modelopdatering. En produktionsklar Flash-model med fokus på kodning passer til en strategi, hvor Google hurtigt vil have nyttige agenter ind i produkter og virksomheders arbejdsgange – også mens arbejdet med større modeller fortsætter.\n\n## Målet er at lukke Googles kodningsgab\n\nModellen retter sig mod et område, hvor Google ifølge rapporteringen er blevet opfattet som bagefter OpenAI og Anthropic: softwareudvikling og agentbaseret kodning. 1 OpenAIs større fokus på kodningsagenter har skærpet konkurrencen, mens Anthropics Claude-modeller er blevet et vigtigt sammenligningspunkt for udviklere, der bygger softwareværktøjer.\n\nGoogles svar er ikke blot at håbe på, at en større model på et tidspunkt indhenter konkurrenterne. Gemini 3.8 Flash repræsenterer et mere anvendeligt produktløfte: bedre kodekvalitet, hurtige svar og en pris, der gør gentagne agentinteraktioner realistiske i bredere brug.\n\nHvis modellen også klarer sig godt uden for Googles interne miljø, kan den kombination blive vigtigere end en snæver sejr på en enkelt rangliste. Kodningsagenter skal være praktiske for udviklere, teams og cloudkunder – ikke kun imponerende i en kontrolleret demonstration.\n\n## Hvad er stadig ikke bevist?\n\nLanceringen og den interne Jetski-sammenligning besvarer ikke flere afgørende spørgsmål:\n\n- Uafhængig kodningspræstation: Googles angivelige interne præference for modellen frem for Opus er ikke en offentligt reproducerbar benchmarktest. 1\n- Pålidelighed over lang tid: En kodningsagent skal fungere gennem mange værktøjskald, tests og revisioner – ikke kun løse én prompt.\n- Forskellige kodebaser i den virkelige verden: Resultaterne kan variere på tværs af programmeringssprog, frameworks, dokumentationskvalitet, ældre kode og sikkerhedsfølsomme systemer.\n- Pris og ydelse i praksis: Introduktionsprisen er nyttig som pejlemærke, men udviklere må måle de samlede omkostninger, svartid, antal værktøjskald og fejlhåndtering i deres egne arbejdsgange. 3\n- Hvor længe et forspring holder: OpenAI og Anthropic kan reagere hurtigt, så en tidlig fordel behøver ikke være varig.\n\nIndtil videre bør Gemini 3.8 Flash forstås som Googles forsøg på at gøre kodning og selvstændig brug af værktøjer til en hurtig og skalerbar produktfunktion. Den officielle tilgængelighed er bekræftet, og de interne kodningsresultater er lovende. Men den større påstand – at modellen har overhalet Claude Opus eller generelt lukket Googles kodningsgab – kræver stadig åbne offentlige evalueringer og erfaringer fra uafhængige udviklere.

Google Gemini 3.8 Flash – internt kendt som »Skimaki« – er ikke længere blot en model, der ventes på. Googles udviklerdokumentation angiver, at modellen blev generelt tilgængelig og klar til produktionsbrug den 2. september 2026. 3\n\nModellen er målrettet langvarige softwareudviklingsopgaver, autonome AI-agenter og komplekse arbejdsgange i virksomheder – ikke kun almindelige chatbot-samtaler. Lanceringen viser samtidig en anden måde at konkurrere på end blot at bygge den største model: Google vil gøre AI dygtig nok til seriøst udviklingsarbejde, men også hurtig og billig nok til at blive brugt i stor skala.\n\n## Hvad er Gemini 3.8 Flash bygget til?\n\nGoogle beskriver Gemini 3.8 Flash som virksomhedens hidtil mest intelligente Flash-model. Den er udviklet til langvarig softwareudvikling, autonome agenter og komplekse arbejdsprocesser i virksomheder. 3\n\nI praksis betyder det, at modellen skal kunne mere end at skrive et kort kodestykke. Den kan eksempelvis skulle sætte sig ind i en ukendt kodebase, bruge eksterne værktøjer, ændre flere filer, køre tests, finde årsagen til fejl og gentage processen, indtil opgaven er løst.\n\nNetop kodning er derfor en god stresstest for agentbaseret AI. En model kan virke imponerende i ét enkelt svar, men få problemer, når den skal bevare overblikket, træffe pålidelige beslutninger og rette sine egne fejl over mange trin.\n\nNavnet »Flash« peger på modellens kompromis. Den er ikke først og fremmest Googles største og dyreste flagskib, men skal kombinere stærk ræsonnering og kodning med lavere svartid og lavere driftsomkostninger. Google angiver en introduktionspris på 0,75 dollar pr. million inputtokens og 3,75 dollar pr. million outputtokens frem til årets udgang. 3\n\n## Hvad viste sammenligningen i Jetski?\n\nMedarbejdere, som The Wall Street Journal har talt med, fortæller, at Google-ingeniører sammenlignede Gemini 3.8 Flash med Anthropics Claude Opus i Jetski, Googles interne kodningsværktøj. Nogle af ingeniørerne foretrak angiveligt Googles model i de direkte kodningstests. 1\n\nDet er et interessant signal om modellens præstation i Googles eget udviklingsmiljø. Men det er ikke det samme som en offentlig benchmarktest. Der er ikke offentliggjort et fuldt reproducerbart testsæt, en detaljeret scoringsmetode, modelkonfigurationer eller uafhængige resultater, som dokumenterer, at Gemini 3.8 Flash generelt er bedre end Claude Opus.\n\nResultatet kan også afhænge meget af de værktøjer og den evalueringsmetode, der bruges. Valg af kodebaser, adgang til dokumentation, testkørsel, kontekstgrænser, svartid og modellens evne til at revidere forkert arbejde kan alle påvirke udfaldet.\n\nDen mest forsigtige konklusion er derfor, at Googles interne testere angiveligt oplevede en markant forbedring i kodning, og at nogle i Jetski foretrak Gemini 3.8 Flash frem for Opus. Om fordelen også findes i uafhængige tests, er stadig uafklaret.\n\n## Hvorfor satser Google på Flash frem for en større model?\n\nEn hurtig og effektiv kodningsmodel kan udrulles bredere end et dyrt flagskib. En softwareagent kan sende mange forespørgsler til modellen under én opgave, så svartid og pris pr. token kan være lige så vigtige som den maksimale intelligens.\n\nEn model, der er en smule mindre stærk i en isoleret udfordring, men hurtigere og billigere ved gentagne værktøjskald, kan derfor være mere nyttig i en rigtig produktion.\n\nDe tilgængelige oplysninger understøtter en teknisk og kommerciel forklaring: Google vil have kodning og agentfunktioner, der kan fungere i stor skala på tværs af produkter og virksomhedstjenester. De dokumenterer derimod ikke, at det var et bestemt myndighedstilsyn eller en konkret regulatorisk grænse, der afgørende bestemte valget af Flash-klassen. 1338\n\n## Forstærket læring og springet fra Gemini 3.7 Flash\n\nIfølge rapporteringen lagde Google større vægt på forstærket læring under udviklingen. Kort fortalt er forstærket læring en senere fase i træningen, hvor en model forbedres ved hjælp af feedback eller belønninger. For kodningsagenter kan det betyde større fokus på at løse opgaven korrekt, bruge værktøjer effektivt og kontrollere resultatet – i stedet for blot at producere kode, der ser plausibel ud.\n\nDet kan være med til at forklare den hurtige overgang fra Gemini 3.7 Flash til Gemini 3.8 Flash. Målet synes ikke kun at have været at gøre den underliggende model større, men også at forbedre den adfærd, der er vigtig i længere softwareudviklingsforløb. 1\n\nDer er dog ikke tilstrækkeligt med offentlige oplysninger til at afgøre, hvor stor en del af forbedringen der skyldes forstærket læring, andre eftertræningsmetoder, ændringer i selve modellen, værktøjsintegration eller valg af evaluering. Det bliver centralt, når udviklere begynder at teste modellen uafhængigt.\n\n## Lanceringen sker under en AI-omorganisering hos Google\n\nGemini 3.8 Flash kommer på et tidspunkt med øget pres internt i Google DeepMind. I august trådte Demis Hassabis tilbage fra den daglige ledelse af Google DeepMind for at blive bestyrelsesformand for organisationen og chefforsker hos Alphabet. Google oplyste, at han fortsat ville være tæt knyttet til organisationen og rådgive om modeller og forskning, mens andre ledere overtog mere af det operationelle ansvar. 29\n\nReuters har desuden rapporteret, at Googles medstifter Sergey Brin havde opfordret centrale AI-medarbejdere til at fokusere intenst på Gemini, mens Alphabet forsøgte at indsnævre afstanden til OpenAI og Anthropic. Reuters har samtidig beskrevet AI-agenter som en central del af Googles plan om at sælge AI til erhvervskunder. 3738\n\nI den sammenhæng er Gemini 3.8 Flash mere end en almindelig modelopdatering. En produktionsklar Flash-model med fokus på kodning passer til en strategi, hvor Google hurtigt vil have nyttige agenter ind i produkter og virksomheders arbejdsgange – også mens arbejdet med større modeller fortsætter.\n\n## Målet er at lukke Googles kodningsgab\n\nModellen retter sig mod et område, hvor Google ifølge rapporteringen er blevet opfattet som bagefter OpenAI og Anthropic: softwareudvikling og agentbaseret kodning. 1 OpenAIs større fokus på kodningsagenter har skærpet konkurrencen, mens Anthropics Claude-modeller er blevet et vigtigt sammenligningspunkt for udviklere, der bygger softwareværktøjer.\n\nGoogles svar er ikke blot at håbe på, at en større model på et tidspunkt indhenter konkurrenterne. Gemini 3.8 Flash repræsenterer et mere anvendeligt produktløfte: bedre kodekvalitet, hurtige svar og en pris, der gør gentagne agentinteraktioner realistiske i bredere brug.\n\nHvis modellen også klarer sig godt uden for Googles interne miljø, kan den kombination blive vigtigere end en snæver sejr på en enkelt rangliste. Kodningsagenter skal være praktiske for udviklere, teams og cloudkunder – ikke kun imponerende i en kontrolleret demonstration.\n\n## Hvad er stadig ikke bevist?\n\nLanceringen og den interne Jetski-sammenligning besvarer ikke flere afgørende spørgsmål:\n\n- Uafhængig kodningspræstation: Googles angivelige interne præference for modellen frem for Opus er ikke en offentligt reproducerbar benchmarktest. 1\n- Pålidelighed over lang tid: En kodningsagent skal fungere gennem mange værktøjskald, tests og revisioner – ikke kun løse én prompt.\n- Forskellige kodebaser i den virkelige verden: Resultaterne kan variere på tværs af programmeringssprog, frameworks, dokumentationskvalitet, ældre kode og sikkerhedsfølsomme systemer.\n- Pris og ydelse i praksis: Introduktionsprisen er nyttig som pejlemærke, men udviklere må måle de samlede omkostninger, svartid, antal værktøjskald og fejlhåndtering i deres egne arbejdsgange. 3\n- Hvor længe et forspring holder: OpenAI og Anthropic kan reagere hurtigt, så en tidlig fordel behøver ikke være varig.\n\nIndtil videre bør Gemini 3.8 Flash forstås som Googles forsøg på at gøre kodning og selvstændig brug af værktøjer til en hurtig og skalerbar produktfunktion. Den officielle tilgængelighed er bekræftet, og de interne kodningsresultater er lovende. Men den større påstand – at modellen har overhalet Claude Opus eller generelt lukket Googles kodningsgab – kræver stadig åbne offentlige evalueringer og erfaringer fra uafhængige udviklere.