Bisher hat ein Modell ein Video Bild für Bild geschluckt, meist eines pro Sekunde, egal ob etwas passiert. Googles agentisches Videoverständnis durchsucht stattdessen gezielt die Abschnitte, auf die es ankommt, über Bild, Ton und Transkript. Bis zu 88 Prozent weniger Tokens, bis zu 66 Prozent weniger Kosten, ohne Aufpreis.
Heute Morgen ging es hier um Spracherkennung für zehn Cent die Stunde und darum, dass Ton damit vom toten Material zum durchsuchbaren Text wird. Googles Ankündigung vom 1. September ist das Gegenstück für Bewegtbild, und sie folgt demselben Gedanken: Nicht alles gleich behandeln, sondern gezielt hinsehen. Für Betriebe, die Videos aufnehmen und nie wieder anschauen, ist das die interessantere der beiden Meldungen.
Bisher funktioniert die Videoauswertung stumpf: Das Modell bekommt das Video mit einer festen Bildrate, standardmäßig ein Bild pro Sekunde, und verarbeitet alles gleich. Eine Stunde langweiliger Aufnahme kostet genauso viel wie eine Stunde voller Ereignisse. Agentisches Videoverständnis kehrt das um: Das Modell kombiniert sein Denken mit eigenen Videowerkzeugen und durchsucht, überfliegt und prüft gezielt die Abschnitte, die zur Frage passen, dabei gleichzeitig über Bildspur, Tonspur und Transkript.
Die Werte, die Google nennt: bis zu 88 Prozent weniger Tokens, bis zu 66 Prozent weniger Kosten und bis zu 7 Prozent höhere Genauigkeit über Standard-Prüfläufe hinweg, besonders deutlich bei langen Aufnahmen von der Zehn-Minuten-Anleitung bis zur mehrstündigen Aufzeichnung. Unterstützt wird es von Gemini 3.7 Flash, 3.6 Flash und 3.5 Flash-Lite. Eingeschaltet wird es über einen einzigen Schalter in der Schnittstellen-Konfiguration. Es gilt der normale Token-Preis, ohne Aufpreis für die Funktion, und es funktioniert sowohl für hochgeladene Videos als auch für YouTube-Adressen.
Alle drei Werte sind Googles eigene Messung und alle drei tragen ein „bis zu". Welche Prüfläufe gemeint sind, steht nicht dabei, ebenso wenig, wie die Ergebnisse im Durchschnitt aussehen. „Bis zu 88 Prozent weniger" kann im Alltag auch dreißig Prozent bedeuten. Plausibel bleibt der Mechanismus trotzdem: Wer nur die relevanten Abschnitte anschaut, verarbeitet weniger. Die Einsparung wächst mit der Langeweile im Video.
Die Baustellendokumentation. Jemand läuft mit dem Telefon durch und filmt zwanzig Minuten. Heute schaut das nie wieder jemand an. Mit gezielter Suche fragst du: Wann wurde die Dämmung gezeigt, gab es sichtbare Feuchtigkeit, ist die Leitung vor dem Verputzen zu sehen. Die Schadensaufnahme beim Kunden, aus der eine Position im Angebot werden muss. Die Regal- oder Lageraufnahme, aus der man Bestände zählen kann. Und das aufgezeichnete Beratungs- oder Schulungsgespräch, in dem eine Zusage steckt, die später jemand sucht.
Der entscheidende Unterschied zum bisherigen Stand ist nicht die Genauigkeit, sondern der Preis pro Stunde. Wenn eine Stunde Videoauswertung ein Vielfaches kostet, wertet man Videos eben nicht aus. Wenn sie ein Drittel kostet, wird aus einer netten Idee eine Gewohnheit. Genauso hat es bei der Transkription funktioniert. Und wie dort gilt auch hier: Sobald Menschen zu sehen oder zu hören sind, braucht es eine Einwilligung, und die Aufnahmen brauchen eine Löschfrist. Billig heißt auch hier nicht erlaubt.
Nimm ein Video, das ohnehin schon auf einem Telefon liegt, am besten eines ohne fremde Personen, etwa eine Lager- oder Baustellenaufnahme. Stell drei Fragen, die du sonst durch Vorspulen beantworten müsstest. Wenn zwei davon brauchbar beantwortet werden, hast du eine neue Routine, und zwar eine, die nichts kostet außer der Angewohnheit, beim Rundgang zu filmen.
Der Unterschied liegt nicht in der Kamera, sondern darin, ob man es durchsuchen kann.
Innerhalb eines Tages sind zwei Meldungen erschienen, die dasselbe tun: Sie machen Material durchsuchbar, das in jedem Betrieb herumliegt und nie ausgewertet wird. Erst der Ton, jetzt das Bild. Beide sind unspektakulär, beide kosten fast nichts, und beide setzen voraus, dass jemand die Angewohnheit ändert, nicht die Technik.
Ich halte das für den nützlicheren Teil dieser Woche, nützlicher jedenfalls als jedes neue Spitzenmodell. Ein Betrieb, der ab morgen beim Rundgang filmt und die Aufnahme hinterher befragen kann, hat etwas gewonnen, das er vorher nicht hatte, ohne Umstellung und ohne Schulung. Und er hat es, weil der Preis gefallen ist, nicht weil die Technik plötzlich klüger wurde.
Quelle: Google, „Introducing agentic video understanding with Gemini" (blog.google, 01.09.2026). Alle Leistungswerte sind Googles eigene Angaben und jeweils als „bis zu" formuliert. Rechtliche Hinweise sind allgemeine Einordnung, keine Rechtsberatung. Stand: 04.09.2026.
Welches Modell für welche Aufgabe, welche Tools wirklich zählen und wie du richtig promptest — komplett lesbar, kein Download.
Jetzt gratis lesen →Ich richte die Videoauswertung für eure Baustellen- und Lageraufnahmen ein, samt Einwilligungstext und Löschfrist, und schreibe die drei Fragen auf, die ihr jedes Mal stellt.