Googles nye Gemini-grenser: Derfor førte de til massiv brukerreaksjon

Fra 17. mai 2026 erstattet Google disse grensene med et system som sporer beregningsforbruk i stedet for antall meldinger.

Under den nye modellen avhenger bruken av flere faktorer:

• Kompleksiteten i spørsmålet
• Modellene eller funksjonene som brukes (for eksempel avansert resonnering eller mediegenerering)
• Lengden på samtalen

I stedet for daglige tilbakestillinger, fornyes kvotene nå hver femte time inntil en ukegrense er nådd.

Det betyr at et kort tekstspørsmål kan bruke svært lite av kvoten, mens en lang samtale med avanserte verktøy eller kodeassistanse kan tømme den raskt. Google sier at denne tilnærmingen bedre reflekterer virkeligheten: Noen AI-oppgaver krever langt mer datakraft enn andre.

Slik påvirker de nye grensene gratis- og betalingsplaner

Det beregningsbaserte systemet gjelder på tvers av Geminis abonnementsnivåer, men hver plan får et forskjellig budsjett.

Ifølge Googles støttedokumentasjon:

• Gratisbrukere: får standard beregningsgrenser.
• AI Plus-abonnenter: får omtrent 2× høyere grenser enn gratissnivået.
• AI Pro-abonnenter: får omtrent 4× høyere grenser enn gratissnivået.
• AI Ultra-abonnenter: kan få betydelig høyere kvoter, avhengig av produkt og funksjoner.

På Google I/O 2026 introduserte selskapet også AI Ultra-planen til 100 dollar per måned, som inkluderer vesentlig større bruksgrenser – for eksempel en fem ganger høyere grense i Antigravity-miljøet sammenlignet med AI Pro.

Med andre ord: Den viktigste forskjellen mellom planene er ikke lenger bare tilgang til funksjoner – det er størrelsen på beregningsbudsjettet brukeren har til rådighet.

Hvorfor brukere traff grensene så raskt

Det umiddelbare problemet var forutsigbarhet. Under det gamle systemet kunne brukere omtrent beregne hvor mange spørsmål de hadde igjen. Med beregningsbaserte kvoter forsvant den forutsigbarheten stort sett.

Fordi bruken avhenger av oppgavens kompleksitet, kan tunge arbeidsmengder brenne gjennom kvoten mye raskere enn forventet. Eksempler inkluderer:

• Lange kodeøkter
• Agentbaserte arbeidsflyter
• Mediegenerering eller avanserte resonneringsfunksjoner

Rapporter fra utviklere og brukere viste at intensive økter kunne tømme femtimerskvoten eller til og med ukegrensen etter bare noen få arbeidsøkter.

Mange abonnenter følte seg overrumplet av endringen. Noen beskrev de nye grensene som et "bait-and-switch"-triks, og argumenterte for at betalingsplanene deres nå ga mindre praktisk bruk enn før – selv om Google teknisk sett ikke hadde redusert de offisielle abonnementsnivåene.

Googles nødløsning: Økte grensene

Backlashen førte til en rask respons fra Google, spesielt innenfor Antigravity, selskapets AI-drevne kodeverktøy.

Innen få dager etter utrullingen:

• Tredoblet Google Gemini-modellens rategrenser i Antigravity.
• Tilbakestilte ukekvotene for brukere slik at de kunne fortsette å jobbe umiddelbart.

Kort tid etter tredoblet selskapet grensene igjen, og utvidet det tilgjengelige beregningsbudsjettet ytterligere for utviklere som bruker verktøyet.

De raske justeringene tyder på at Google undervurderte hvor raskt virkelige arbeidsflyter – spesielt koding og agentbaserte oppgaver – ville konsumere de nye kvotene.

Hva denne episoden avslører om AI-økonomien

Kontroversen fremhever en økende spenning i AI-bransjen.

Moderne AI-systemer har ikke uniforme kostnader. Et kort tekstsvar kan være billig å generere, mens langkontekstresonnering, kodeagenter eller videogenerering kan kreve dramatisk mer datakraft. Det gjør enkle "meldingsantall-grenser" stadig mer urealistiske for leverandørene å opprettholde.

Beregningsbaserte kvoter løser den økonomiske siden av problemet – men de skaper en brukervennlighetsutfordring. Når grenser avhenger av uklare beregninger om kompleksitet, kan brukere slite med å forutsi hvor mye tilgang de faktisk har.

Googles Gemini-utrulling illustrerer dette avveiningsforholdet tydelig: Et system designet for å tilpasse bruken til beregningskostnaden endte opp med å forvirre brukere og utløse backlash nesten umiddelbart.

For AI-selskaper som skalerer store modeller, blir utfordringen fremover å balansere tre konkurrerende krefter:

• Økende inferenskostnader for avanserte AI-funksjoner
• Klare, forutsigbare grenser som brukere forstår
• Abonnementsplaner som fortsatt føles verdifulle for betalende kunder

Etter hvert som AI-assistenter blir kraftigere – og mer beregningsintensive – vil denne balansegangen sannsynligvis bli en av bransjens definerende produktutfordringer.