93 KI-Agenten, über 15.000 Modellaufrufe, 12 Stunden Laufzeit - und am Ende bootet ein selbst geschriebenes Betriebssystem das Spiel Doom. Was klingt wie ein Technik-Stunt aus einem Science-Fiction-Film, ist ein konkretes Experiment des Google Antigravity Teams, der neuen Agenten-Entwicklungsplattform von Google DeepMind.
Das Experiment zeigt, was passiert, wenn man Googles schnellstes Modell nicht für eine einzelne Aufgabe einsetzt, sondern einen ganzen Schwarm autonomer Agenten damit orchestriert.
Was genau passiert ist
In einer Research Preview ließ das Antigravity-Team Gemini 3.5 Flash einen Schwarm von 93 Subagenten steuern. Diese Agenten arbeiteten parallel und koordiniert an einer einzigen Aufgabe: ein funktionsfähiges Betriebssystem von Grund auf zu programmieren. Konkret schrieben die Agenten einen eigenen Kernel, ein Dateisystem und die nötigen Hardwaretreiber - alles ohne vorgefertigten Code, alles from scratch.
Insgesamt führte das System 15.314 Modellaufrufe durch. Nach rund 12 Stunden war das Ergebnis lauffähig genug, um das ikonische Spiel Doom zu starten. Ein beigefügtes Video dokumentiert den gesamten Prozess.
Warum das bemerkenswert ist
Ein Betriebssystem ist kein Chatbot-Trick. Kernel-Code, Speicherverwaltung, Interrupt-Handler und Gerätetreiber gehören zu den anspruchsvollsten Programmieraufgaben überhaupt. Fehler in einer einzigen Zeile können das gesamte System zum Absturz bringen. Dass ein Sprachmodell - und nicht einmal das größte im Google-Portfolio, sondern das auf Geschwindigkeit optimierte Flash-Modell - diese Aufgabe koordiniert lösen kann, verschiebt die Vorstellung davon, was aktuelle KI leisten kann.
Besonders aufschlussreich ist die Architektur: Nicht ein einzelner Agent schreibt alles, sondern 93 spezialisierte Subagenten teilen sich die Arbeit auf. Das erinnert an den Trend, den auch Anthropic mit den Dynamic Workflows in Claude Code verfolgt - weg von der Einzelanfrage, hin zur orchestrierten Multi-Agenten-Zusammenarbeit.
Googles Antigravity im Kontext
Google Antigravity positioniert sich als "agentic development platform" und will die klassische Entwicklungsumgebung (IDE) für das Zeitalter der KI-Agenten neu denken. Das Produkt ist Teil von Google DeepMind und tritt damit in direkte Konkurrenz zu Microsofts GitHub Copilot, OpenAIs Codex und Anthropics Claude Code. Das Doom-Experiment ist kein fertiges Produkt, sondern eine gezielte Demonstration der Fähigkeiten von Gemini 3.5 Flash - dem Modell, das Google erst vor neun Tagen auf der I/O 2026 vorgestellt hat.
Dass ausgerechnet das Flash-Modell und nicht das leistungsstärkere Pro-Modell zum Einsatz kam, unterstreicht Googles Argument: Für viele Agenten-Workflows braucht man nicht das größte Modell, sondern das schnellste und günstigste. 15.314 Aufrufe mit dem Pro-Modell wären deutlich teurer gewesen.
Ein Schwarm ist mehr als die Summe seiner Teile
Die zentrale Erkenntnis des Experiments liegt nicht im Ergebnis (ein Betriebssystem, das Doom bootet), sondern in der Methode. 93 Subagenten, die koordiniert an einem komplexen Softwareprojekt arbeiten, zeigen ein Muster, das sich in der gesamten Branche abzeichnet: KI-Systeme werden zunehmend als Teams organisiert, nicht als Einzelakteure.
Dieses Prinzip kennt die KI Woche bereits von Perplexity Computer (19 Modelle, ein Orchestrator) oder von Anthropics Multi-Agent-System (16 parallele Agenten). Google skaliert das Konzept hier auf eine neue Größenordnung - und nutzt dafür bewusst das kosteneffizienteste Modell im eigenen Portfolio.
🎯 Was das für die Praxis bedeutet
1. Multi-Agenten-Systeme testen: Wer heute noch einzelne KI-Prompts für komplexe Aufgaben nutzt, verschenkt Potenzial. Orchestrierte Agentengruppen lösen Probleme, an denen einzelne Modelle scheitern.
2. Flash-Modelle nicht unterschätzen: Das Experiment zeigt: Für agentenbasierte Workflows sind schnelle, günstige Modelle oft besser geeignet als teure Flaggschiffe. 15.314 Aufrufe rechnen sich nur mit Flash-Preisen.
3. Googles Agenten-Ökosystem beobachten: Mit Antigravity, Gemini Spark und den I/O-Ankündigungen baut Google ein vollständiges Agenten-Ökosystem auf. Entwicklerteams sollten die Plattform-Evaluierung jetzt einplanen.
