Google DeepMind hat die Computernutzung zu einem integrierten Tool in Gemini 3.5 Flash gemacht und bietet Entwicklern eine native Möglichkeit, KI-Agenten zu erstellen, die plattformübergreifend mit Software interagieren können, ohne auf Frameworks von Drittanbietern zurückzugreifen.
Die Ankündigung, die am 24. Juni 2026 im offiziellen Keyword-Blog von Google veröffentlicht wurde, positioniert Gemini 3.5 Flash als Konkurrenten auf dem schnelllebigen Markt für Agenten, die einen Bildschirm sehen, einen Cursor bewegen, klicken und tippen können – Fähigkeiten, die bis vor Kurzem erhebliche kundenspezifische Entwicklung erforderten. Weitere Informationen zu dieser Geschichte finden Sie in unserer mehr KI-Geschichten.
„Die Computernutzung ist jetzt ein integriertes Tool in Gemini 3.5 Flash, um Agenten zu erstellen, die plattformübergreifend interagieren können“, schrieb das Unternehmen. Der Beitrag wurde von Mateo Quiros, einem Produktmanager bei Google DeepMind, verfasst.
Wie es funktioniert
Durch die Verwendung von Computern kann ein Modell einen Computer ähnlich wie ein Mensch bedienen: indem es die Bildschirminhalte interpretiert und Aktionen wie Klicken, Scrollen und Texteingabe ausführt. Indem Google die Funktion direkt in Gemini 3.5 Flash integriert, anstatt sie als separates Produkt anzubieten, senkt Google die Hürde für Entwickler, die Agenten erstellen möchten, die durch echte Anwendungen, Websites und Betriebssysteme navigieren.
Dem Blogbeitrag zufolge können Entwickler und Unternehmen über die Gemini API und die Gemini Enterprise Agent Platform, Googles dedizierte Umgebung zum Erstellen und Bereitstellen von Agenten in großem Maßstab, mit der Computernutzung in 3.5 Flash beginnen.
Google demonstrierte die Leistungsfähigkeit anhand konkreter Anwendungsfälle. In einem Beispiel nutzte Gemini 3.5 Flash die Computernutzung, um die Gemini-App selbst zu analysieren und eine kategorisierte Liste von Funktionen zurückzugeben. In einem anderen Fall überprüfte das Modell seine eigene Dokumentation auf Barrierefreiheitsprobleme – eine selbstreferenzielle Aufgabe, die darauf hinweist, wie computernutzende Agenten eines Tages dazu beitragen könnten, die Software-Ökosysteme, auf denen sie laufen, aufrechtzuerhalten.
Sicherheit: Gegnerisches Training und ein „Defense-in-Depth“-Ansatz
Der folgenreichste Teil der Veröffentlichung dürfte die Aussage von Google zur Sicherheit sein. Agenten, die in Live-Umgebungen arbeiten, sind besonders anfällig für Prompt-Injection-Angriffe, bei denen versteckte Anweisungen, die in eine Webseite, E-Mail oder ein Dokument eingebettet sind, den Agenten dazu verleiten, unbeabsichtigte Aktionen auszuführen.
Google gab an, in Gemini 3.5 Flash gezieltes gegnerisches Training für die Computernutzung eingesetzt zu haben, um diese Risiken zu mindern. Darüber hinaus werden zwei optionale Unternehmensschutzsysteme veröffentlicht, die es Unternehmen nach Angaben des Unternehmens ermöglichen, die Aktionen ihrer Agenten besser zu kontrollieren.
Mit einem „Defense-in-Depth“-Ansatz ermutigte Google Entwickler, diese Funktionen mit sicherem Sandboxing, Human-in-the-Loop-Verifizierung und strengen Zugriffskontrollen zu kombinieren. Das Unternehmen hat in seiner Best-Practice-Dokumentation für die Funktion zusätzliche Leitlinien veröffentlicht.
Dieser Rahmen ist wichtig. Die Computernutzung wird allgemein als eine der gefährlicheren Agentenfunktionen angesehen, da ein kompromittierter Agent reale Aktionen innerhalb der Konten und Systeme eines Benutzers ausführen kann. Durch die Einführung kontroverser Schulungen und mehrschichtiger Schutzmaßnahmen versucht Google, Unternehmenskäufer zu beruhigen, die bisher gezögert haben, die Steuerung eines Cursors einer KI zu überlassen.
Warum die Computernutzung zum Schlachtfeld wird
Die Computernutzung von Gemini 3.5 Flash kommt zu einem Zeitpunkt, an dem die großen KI-Labore darum kämpfen, Agenten zu entwickeln, die nützliche Arbeit leisten können, anstatt nur Fragen zu beantworten. Anthropic führte Ende 2024 ein Computernutzungstool für Claude ein, und die Betreiber- und Agentenprodukte von OpenAI gehen in die gleiche Richtung. Die Integration der Funktion in ein schnelles, kosteneffizientes Modell wie Flash – anstatt sie einer Premium-Stufe zu vorbehalten – signalisiert, dass Google die Agentenkontrolle schnell kommerzialisieren möchte.
Die Wahl von Flash ist an sich schon bemerkenswert. Flash ist das auf Geschwindigkeit und Kosten optimierte Effizienzstufenmodell von Google. Die Einbettung der Computernutzung dort und nicht nur in das größere Pro-Modell deutet darauf hin, dass Google hochvolumige, latenzempfindliche Agenten-Workloads erwartet – die Art, die sich wiederholende Aufgaben in der gesamten Unternehmenssoftware in großem Maßstab automatisiert.
Google sagte, es sehe bereits, dass Kunden durch die Nutzung von Computern einen Mehrwert schaffen, allerdings wurden in dem Blog-Beitrag weder konkrete kommerzielle Einsätze genannt noch die Ergebnisse quantifiziert.
Die Wettbewerbseinsätze
Für Entwickler ist der Reiz eines integrierten computergestützten Tools klar: Es müssen weniger Integrationen verwaltet werden und ein einziger Anbieter ist sowohl für die Modell- als auch für die Agentenebene verantwortlich. Aber es verschärft auch die Abhängigkeit von der Plattform von Google, ein Kompromiss, den Unternehmen gegen die Flexibilität modellunabhängiger Agent-Frameworks abwägen werden.
Die Veröffentlichung verschärft auch die allgemeine Spannung in der Agentenwirtschaft. Unabhängig entwickelte Open-Source-Agent-Gateways, wie das Lightport-Framework, das mehrere LLM-Anbieter OpenAI-kompatibel macht, zeigen, wie groß die Nachfrage nach einer tragbaren Agenteninfrastruktur ist. Google geht davon aus, dass ein sicherheitsgeprüftes Erstanbieter-Tool für die Computernutzung Entwickler überzeugen wird, die sonst Tools von Drittanbietern zusammenfügen würden. Während Modelle die Fähigkeit erlangen, auf Bildschirmen zu agieren, verschwimmt die Grenze zwischen einem KI-Assistenten und einem autonomen Bediener immer mehr – und damit auch die Grenze zwischen einem Produktivitätsdurchbruch und einem Sicherheitsrisiko. Googles Antwort auf diese Spannung sind mehrschichtige Sicherheitsvorkehrungen und gegnerische Schulungen. Ob dies ausreicht, um risikoscheue Unternehmen zufriedenzustellen, wird darüber entscheiden, wie schnell computernutzende Agenten von Demoversionen in den täglichen Gebrauch übergehen.
Mit Gemini 3.5 Flash hat Google eine klare Aussage getroffen: Die Zukunft der KI besteht nicht nur aus Modellen, die antworten, sondern auch aus Modellen, die handeln – und das Unternehmen möchte, dass Entwickler diese Handlungsmodelle auf seiner Plattform erstellen.
---
Bleib vorne bei KIDie neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Mehr KI-Nachrichten lesen →
