Gemini 3.8 Flash (‘Skimaki’): Googles nieuwe aanval op AI voor code

Wat is Gemini 3.8 Flash?

Gemini 3.8 Flash is naar verluidt een op programmeren gericht model van Google DeepMind, intern bekend onder de codenaam ‘Skimaki’. De belangrijkste inzet ligt bij software-engineering over langere trajecten en zogeheten agentische workflows: taken waarbij een model herhaaldelijk code bekijkt, hulpmiddelen gebruikt, wijzigingen aanbrengt en controleert of die wijzigingen werken. 25

De naam ‘Flash’ verwijst naar Googles positionering van het model als snelle en efficiënte variant. Het doel is niet alleen maximale modelomvang, maar vooral sterke prestaties bij een lagere vertraging en lagere gebruikskosten dan bij een groot vlaggenschipmodel.

Wanneer verschijnt het model?

The Wall Street Journal meldde dat Google Gemini 3.8 Flash mogelijk al op woensdag 2 september 2026 zou uitbrengen. 2 Die formulering lijkt inmiddels deels ingehaald door de ontwikkelingen: Googles eigen pagina voor AI-ontwikkelaars vermeldde op diezelfde datum dat gemini-3.8-flash algemeen beschikbaar en klaar voor productiegebruik was. 5

De berichtgeving moet daarom worden gelezen als een overgang van een verwachte lancering naar een model dat volgens Googles documentatie inmiddels beschikbaar is. Onafhankelijke informatie over de daadwerkelijke prestaties en brede uitrol blijft wel belangrijk.

Hoe werd het vergeleken met Claude Opus?

Volgens medewerkers die door The Wall Street Journal werden geciteerd, testten Google-ingenieurs Gemini 3.8 Flash rechtstreeks tegenover Anthropic Claude Opus binnen Jetski, een interne programmeertool van Google. Sommige ingenieurs zouden Gemini 3.8 Flash daarbij hebben verkozen boven het model van Anthropic. 2

Dat is interessante informatie, maar geen openbaar en reproduceerbaar benchmarkresultaat. Het gaat om een interne, kwalitatieve evaluatie. Zonder toegang tot de gebruikte opdrachten, instellingen, datasets en beoordelingsmethode valt niet vast te stellen hoe breed die voorsprong is.

Een sterke uitkomst in Jetski zegt bovendien niet automatisch iets over alle soorten code, openbare benchmarks, de veiligheid van gegenereerde software of de betrouwbaarheid tijdens zeer lange autonome taken. Ook kunnen verschillen in de gebruikte hulpmiddelen en werkomgeving de uitkomst beïnvloeden.

Waarom maakt Google een snelle en goedkopere Flash-versie?

Programmeermodelen worden vaak niet één keer gebruikt, maar in een lange reeks stappen: bestanden lezen, een plan maken, code schrijven, tests uitvoeren, fouten analyseren en opnieuw beginnen. Bij zulke agentische taken kunnen snelheid en prijs per stap een groot verschil maken.

Een efficiënter model kan daardoor aantrekkelijker zijn voor:

• programmeeragents die veel modelaanroepen doen;
• zakelijke software waarin snelheid belangrijk is;
• functies die Google op grote schaal in producten en clouddiensten wil aanbieden;
• workflows waarbij een duur vlaggenschipmodel niet voor iedere stap nodig is.

De keuze voor een Flash-model lijkt dus vooral een strategie om sterke code- en agentprestaties praktisch inzetbaar te maken tegen lagere latentie en kosten. Dat dit model daardoor minder streng door overheden zou worden bekeken, is hooguit een strategische gevolgtrekking. De beschikbare berichtgeving onderbouwt geen specifieke wettelijke drempel en bewijst niet dat regelgeving de doorslaggevende reden voor het ontwerp was. 2

Meer nadruk op reinforcement learning

Google zou daarnaast meer middelen hebben vrijgemaakt voor reinforcement learning. In die trainingsfase leert een model vaardigheden door uit te proberen, feedback te krijgen en gedrag met beloningen te versterken.

Dat past bij de nadruk op software-engineering en gereedschapsgebruik. Het doel is niet alleen een model dat code kan aanvullen, maar een systeem dat een taak uitvoert, tussenresultaten beoordeelt en fouten herstelt. De snelle overgang van Gemini 3.7 Flash naar de gemelde 3.8-versie kan daarom wijzen op een focus op betrouwbaarder taakgedrag, niet uitsluitend op een groter voorgetraind model. 1

De bredere Google-strategie

De ontwikkeling vindt plaats terwijl Google zijn AI-organisatie en prioriteiten herschikt. In augustus werd Demis Hassabis, die Google DeepMind dagelijks leidde, voorzitter van de organisatie en chief scientist van Alphabet. Andere bestuurders kregen meer operationele verantwoordelijkheid, terwijl Hassabis een strategische en wetenschappelijke rol behield. 3

Reuters meldde daarnaast dat Google-medeoprichter Sergey Brin belangrijke AI-medewerkers aanspoorde om zich volledig op Gemini te richten. Google presenteert AI-agents ondertussen als een belangrijk onderdeel van zijn commerciële AI-strategie voor bedrijven. 14

De inzet is duidelijk: Google probeert een vermeende achterstand op het gebied van programmeren tegenover OpenAI en Anthropic te verkleinen. Een snel en betaalbaar model dat programmeeragents op grote schaal kan aandrijven, kan daarvoor commercieel nuttiger zijn dan alleen een krachtig maar duur topmodel. 14

Wat is nog niet bewezen?

De beschikbare informatie ondersteunt nog geen conclusie dat Gemini 3.8 Flash in het algemeen beter is dan Claude Opus, OpenAI-modellen of andere concurrerende systemen. Daarvoor zijn openbare benchmarks, onafhankelijke tests en praktijkervaring nodig.

Belangrijke open vragen zijn onder meer:

• hoe het model presteert op uiteenlopende openbare codebases;
• hoe betrouwbaar het blijft tijdens lange autonome programmeerruns;
• hoe veilig de gegenereerde code is;
• hoe de prijs-prestatieverhouding uitvalt na de introductie;
• welke hulpmiddelen en beperkingen gelden buiten Googles interne Jetski-omgeving.

De vergelijking met Claude Opus is gebaseerd op verklaringen van anonieme medewerkers. De uiteindelijke beoordeling hangt daarom af van het publiek beschikbare model, de bijbehorende tools, de evaluatiemethode en de reactie van concurrenten. 2