Gemini 3 lanseras – Google samlar multimodalt resonemang, kod och AI-agenter

Gemini 3 lanseras – Google samlar multimodalt resonemang, kod och AI-agenter

Den 18 november 2025 presenterade Google Gemini 3, nästa generation av företagets multimodala AI-modeller. Google beskrev modellen som ett stort steg för resonemang, programmering, visuell förståelse och agentiska arbetsflöden. Gemini 3 började rullas ut i Gemini-appen, Google Search, AI Studio, Vertex AI och företagets utvecklarverktyg.

Marketplace sammanfattar lanseringen i efterhand. Gemini 3 var inte en enda oföränderlig produkt. Modellfamiljen fick olika versioner för maximal kapacitet, hög hastighet och särskilda arbetsflöden. Funktioner och tillgång varierade dessutom mellan konsumentappen, Search, API och Google Cloud.

Gemini 3 i korthet

| Punkt | Uppgift vid lanseringen |
|---|---|
| Lanseringsdatum | 18 november 2025 |
| Modellfamilj | Gemini 3 |
| Huvudområden | Multimodalt resonemang, kod, verktyg och AI-agenter |
| Produkter | Gemini-appen, Google Search, AI Studio och Vertex AI |
| Modaliteter | Text, kod, bilder, ljud och video |
| Agentfokus | Flerledsuppgifter med verktyg, sökning och programmiljöer |
| Företagsanvändning | API och Google Cloud med styrning och integrationer |
| Begränsning | Kunde fortfarande hallucinera, feltolka bilder och utföra felaktiga agentsteg |

En multimodal modell för flera arbetsytor

Gemini hade från första generationen byggts för flera datatyper. Med Gemini 3 försökte Google göra samma modellfamilj användbar genom hela kedjan – från en konsumentfråga i mobilen till programmering, sökning och företagsagenter.

Modellen kunde exempelvis arbeta med:

• långa dokument
• kodbaser
• diagram och skärmbilder
• ljudinspelningar
• videomaterial
• webbsökning
• verktygsanrop
• anslutna företagsdata

Multimodalitet innebär inte att alla indata förstås lika säkert. En lågupplöst skärmbild, otydligt ljud eller ett diagram med små etiketter kan fortfarande feltolkas. När detaljen är viktig behöver användaren ge originalfilen och begära källhänvisning eller avläsning av konkreta värden.

Starkare resonemang

Google positionerade Gemini 3 som en modell som kunde hålla samman längre och mer komplexa problem. Det var relevant för uppgifter där modellen behövde:

1. förstå målet
2. dela upp arbetet
3. samla information
4. jämföra alternativ
5. använda verktyg
6. kontrollera resultatet
7. presentera en tydlig slutsats

Mer resonemang minskar vissa fel men tar inte bort dem. En modell kan börja med ett felaktigt antagande och sedan bygga en lång och övertygande analys ovanpå det.

Ett säkert arbetsflöde skiljer därför mellan fakta, antaganden, beräkningar och slutsatser. Viktiga påståenden bör gå att följa tillbaka till en källa eller ett verifierbart delresultat.

Programmering och utvecklararbete

Kod var ett centralt område. Gemini 3 kunde användas för att förstå större kodbaser, skapa funktioner, felsöka och bygga prototyper.

Utvecklare kunde be modellen att:

• kartlägga projektets arkitektur
• hitta berörda filer
• föreslå en implementationsplan
• skapa tester
• analysera felmeddelanden
• uppdatera dokumentation
• visuellt kontrollera ett gränssnitt

En genererad kodändring behöver fortfarande samma granskning som mänskligt skriven kod. Modellen kan missa behörighetskontroller, använda ett osäkert beroende eller ändra ett test så att ett verkligt fel döljs.

Team bör kräva automatiska tester, statisk analys, säkerhetsskanning och mänsklig pull request-granskning före merge.

AI-agenter som använder verktyg

Gemini 3 byggde vidare på Googles agentstrategi från Gemini 2.0 och 2.5. Modellen kunde fungera som ett planeringslager ovanpå webbsökning, kodkörning och externa funktioner.

Ett agentiskt arbetsflöde kan exempelvis:

• undersöka en marknad
• läsa flera källor
• skapa ett kalkylblad
• generera en presentation
• uppdatera ett internt system
• förbereda ett meddelande

Det sista steget är viktigt. En agent bör normalt få skapa ett utkast innan den får publicera, skicka, köpa eller radera.

Säker agentdrift kräver:

• separat agentidentitet
• minsta möjliga behörighet
• tillåtna domäner och verktyg
• loggning av handlingar
• kostnads- och tidsgränser
• mänskligt godkännande före externa konsekvenser
• möjlighet att återställa förändringar

Gemini 3 i Google Search

Google byggde in Gemini 3-kapacitet i sökprodukter och mer konversationsbaserade söklägen. Modellen kunde hjälpa till med längre frågor och kombinera information från flera källor.

Det förändrade sökbeteendet. Användaren kunde få ett sammanställt svar i stället för att själv öppna tio resultat.

Fördelarna var snabbare överblick och möjlighet att ställa följdfrågor. Riskerna var:

• felaktig syntes
• gamla eller irrelevanta källor
• minskad trafik till ursprungssidor
• kommersiella rekommendationer som uppfattas som neutrala
• överdriven tillit till ett välformulerat svar

Läs vår historiska artikel om AI Overviews och när generativa svar flyttade in i Google Search.

Visuell förståelse och skärmar

Gemini 3 kunde analysera diagram, fotografier, användargränssnitt och video. Det gav praktisk nytta för support, utbildning och utveckling.

Exempel:

• tolka ett fel på skärmen
• förklara ett diagram
• jämföra två produktbilder
• hitta en avvikelse i ett gränssnitt
• sammanfatta en videodemonstration

Visuell analys är särskilt känslig för övertygande fel. Modellen kan läsa en siffra fel eller anta att ett objekt är något annat. Vid ekonomiska, medicinska eller tekniska beslut måste originalet kontrolleras.

Lång kontext och stora underlag

Gemini-generationerna hade redan etablerat stora kontextfönster. Gemini 3 fortsatte utvecklingen mot längre arbetsflöden där modellen behövde hålla samman många dokument och verktygsresultat.

Stor kontext är användbar för:

• kodrepositories
• avtalspaket
• årsredovisningar
• forskningssamlingar
• mötesarkiv
• tekniska manualer

Att allt får plats betyder inte att allt får samma uppmärksamhet. Företag behöver fortfarande retrieval, metadata, versionskontroll och källrättigheter.

En AI-assistent får inte sammanfatta ett konfidentiellt dokument till en person som saknar åtkomst till originalet.

Deep Think och mer beräkning

Google fortsatte även med Deep Think-lägen för uppgifter som tjänade på större sökbredd och mer beräkning. Ett sådant läge kunde pröva flera strategier och jämföra lösningar innan svaret producerades.

Det var särskilt relevant för:

• matematik
• vetenskap
• strategisk planering
• komplex kod
• svåra optimeringsproblem

Deep Think är långsammare och dyrare än en snabb standardmodell. Det bör därför användas där den extra kvaliteten faktiskt ger värde.

Marketplace har tidigare skrivit om hur Gemini Deep Think nådde guldnivå vid matematik-OS 2025.

Företagsåtkomst genom Vertex AI

Vertex AI gav organisationer möjlighet att använda Gemini 3 med identitet, styrning och integration mot Google Cloud.

Företag behövde bedöma:

1. dataregion
2. loggning
3. rättigheter till indata
4. om data används för modellförbättring
5. kostnad per arbetsflöde
6. hur modellversioner uppdateras
7. om en reservmodell finns

En stark modell är bara en del av lösningen. Datakvalitet, systemintegration och processdesign avgör om investeringen ger nytta.

Personalisering och användarkontext

I konsumentprodukter kunde Gemini använda mer av användarens godkända kontext från Googles ekosystem. Det kunde ge mer relevanta svar, men ökade integritetskraven.

Användare bör regelbundet kontrollera:

• anslutna appar
• sparad aktivitet
• minnesfunktioner
• delade filer
• vilka konton som används
• hur historik raderas

Företag bör skilja privata Google-konton från godkända arbetskonton och blockera känsliga datakällor som inte behövs.

Hallucinationer och självsäkra fel

Google förbättrade faktakvalitet och resonemang, men Gemini 3 kunde fortfarande ge felaktiga svar.

Vanliga feltyper:

• påhittade källor
• sammanblandade datum
• gammal produktinformation
• felaktig kod
• missförstådda bilder
• överdrivna slutsatser

Den största risken är ofta inte ett uppenbart nonsenssvar, utan en professionell text med ett litet men avgörande fel.

Svenska användningsområden

Gemini 3 kunde vara relevant för svenska verksamheter inom:

• utveckling
• kundservice
• intern sökning
• research
• dokumentanalys
• marknadsföring
• utbildning
• multimodal support

Svensk kvalitet behöver testas på verkliga arbetsuppgifter. Modellen kan tala svenska men ändå missa juridiska nyanser, lokala myndighetsregler eller branschspecifika termer.

Gemini 3 jämfört med Gemini 2.5

| Gemini 2.5 | Gemini 3 |
|---|---|
| Thinking blev centralt | Starkare helhet mellan reasoning, kod och agenter |
| En miljon tokens i Pro | Fortsatt fokus på stora underlag och arbetsflöden |
| Starka kodresultat | Bredare agent- och produktintegration |
| AI Studio och Advanced | Djupare integration i Search, app och Cloud |
| Experimentella thinking-lägen | Ny generation med flera kapacitetsnivåer |

Det bästa modellvalet berodde fortfarande på kostnad, svarstid och risk. En mindre Flash-modell kunde vara mer lämplig för högvolymsuppgifter.

Vanliga frågor

När lanserades Gemini 3?

Google presenterade modellgenerationen den 18 november 2025.

Var kunde modellen användas?

Google började rulla ut den i Gemini-appen, Search, AI Studio, Vertex AI och utvecklarverktyg.

Var Gemini 3 multimodal?

Ja. Modellfamiljen arbetade med text, kod, bilder, ljud och video.

Kunde modellen använda verktyg?

Ja. Agentiska arbetsflöden med sökning, kod och externa funktioner var ett centralt område.

Var Gemini 3 alltid bättre än Flash-modeller?

Nej. Större modeller kunde ge högre kvalitet, medan Flash-versioner prioriterade hastighet och kostnad.

Kunde modellen fortfarande hallucinera?

Ja. Källor, beräkningar, kod och agenthandlingar behövde fortsatt verifieras.

Sammanfattning

Gemini 3 presenterades den 18 november 2025 och samlade Googles arbete med multimodalt resonemang, programmering, Search och AI-agenter i en ny modellgeneration.

Modellen kunde arbeta över fler datatyper och längre arbetsflöden, men större kapacitet gav också större konsekvenser när något blev fel. Begränsade behörigheter, verifierbara källor och mänsklig kontroll var därför lika viktiga som modellens tekniska framsteg.

Faktaunderlag: Googles officiella lanseringsmaterial för Gemini 3, publicerat 18 november 2025. Artikeln är en historisk sammanfattning publicerad i efterhand.