Die Gemini Enterprise Agent Platform ist Googles KI- und Machine-Learning-Plattform und die im April 2026 auf der Google Cloud Next vorgestellte Weiterentwicklung von Vertex AI. Sie vereint Modellzugriff, klassisches ML-Training, Deployment und den Aufbau von KI-Agenten unter einer gemeinsamen Oberfläche und API. Bestehende Vertex-AI-Integrationen laufen laut Google unverändert weiter, da sich vor allem Name, Konsole und Struktur der Dokumentation geändert haben.
Was ist die Gemini Enterprise Agent Platform?
Die Plattform führt die bisherigen Vertex-AI-Bausteine – Model Garden, AutoML, Custom Training, Model Registry, Endpoints und Pipelines – sowie die frühere Agentspace-Lösung unter einem gemeinsamen Dach zusammen. Google ordnet die Funktionen entlang von vier Bereichen: Build (Modelle auswählen und Agenten entwickeln, u. a. mit Agent Studio), Scale (Deployment und Infrastruktur), Govern (Policy- und Governance-Mechanismen) sowie Optimize (Monitoring und Evaluation).
Zentral ist weiterhin der Zugriff auf Google-Modelle der Gemini-Familie sowie über Model Garden auf mehr als 200 Modelle, darunter offene Modelle wie Gemma und Partnermodelle etwa von Anthropic. Die frühere Trennung zwischen Vertex AI (Modelle/ML) und Agentspace (Agenten-Frontend) entfällt; beide sind heute Teil derselben Plattform.
Für ML-Teams bleiben die bekannten Konzepte erhalten: AutoML für automatisiertes Machine Learning ohne Code, Custom Training für volle Kontrolle über Modellarchitektur, verwaltete Notebook-Umgebungen für Data-Science-Arbeit sowie Pipelines für MLOps-Workflows. Trainiert werden kann auf CPUs, GPUs oder Cloud TPUs, mit Unterstützung gängiger Frameworks.
Die Abrechnung erfolgt nutzungsbasiert nach Tokens, Compute-Stunden und API-Aufrufen. Für planbare Lasten stehen Provisioned Throughput sowie Batch- und Caching-Optionen zur Kostensenkung bereit. Die Plattform ist in mehreren EU-Regionen verfügbar; die genauen SLA-Werte sind der offiziellen SLA-Seite des Anbieters zu entnehmen, da sie je nach Dienst und Deployment-Art variieren.
Kernfunktionen
- Model Garden: Zugriff auf über 200 Modelle, darunter Googles Gemini-Familie, offene Modelle wie Gemma sowie Partnermodelle.
- Agentenentwicklung: Werkzeuge zum Entwickeln, Testen und Betreiben von KI-Agenten mit Grounding auf eigenen Daten und Tool-Nutzung, Nachfolger der bisherigen Agent-Builder- und Agentspace-Funktionen.
- MLOps: Pipelines, Model Registry und Experiment-Tracking für reproduzierbare und automatisierte ML-Workflows.
- Training und Tuning: AutoML ohne Code sowie Custom Training mit voller Kontrolle, inklusive Fine-Tuning-Optionen für Gemini-Modelle.
- Governance und Monitoring: Werkzeuge zur Überwachung von Modell- und Agentenqualität sowie zur Steuerung von Zugriffs- und Compliance-Richtlinien.
- Kompatibilität: Bestehende Vertex-AI-APIs und SDKs funktionieren unter der neuen Plattform unverändert weiter.
Typische Anwendungsfälle
KI-Agenten für den Kundenservice
Ein Unternehmen entwickelt über die Plattform einen KI-Agenten, der auf eigene Produktdaten zugreift und Kundenanfragen eigenständig bearbeitet. Die Agentenentwicklung erfolgt mit den Build-Werkzeugen der Plattform, Governance-Regeln steuern, auf welche Datenquellen der Agent zugreifen darf.
Fine-Tuning eines Gemini-Modells
Ein Fachbereich passt ein Gemini-Modell per Fine-Tuning an unternehmensspezifische Formulierungen und Fachbegriffe an, um präzisere Antworten in einer internen Anwendung zu liefern.
Computer Vision für Qualitätskontrolle
Ein Produktionsbetrieb nutzt AutoML für die automatisierte Bildklassifikation in der Fertigung, um Defekte frühzeitig zu erkennen, ohne dass ein eigenes ML-Team benötigt wird.
Migration bestehender Vertex-AI-Workloads
Ein Unternehmen mit etablierten Vertex-AI-Pipelines migriert schrittweise in die neue Plattformstruktur, um von den zusätzlichen Agent- und Governance-Funktionen zu profitieren, ohne bestehenden Code sofort anpassen zu müssen.
MLOps über mehrere Teams hinweg
Ein Technologieunternehmen orchestriert Trainings-, Evaluierungs- und Deployment-Schritte über Pipelines, um Modellversionen nachvollziehbar zu verwalten und Time-to-Production zu verkürzen.
Vorteile
- Eine Plattform für Modelle, ML und Agenten: Statt getrennter Tools für Vertex AI und Agentspace stehen alle Funktionen unter einer Oberfläche zur Verfügung.
- Breiter Modellzugriff: Model Garden bietet Zugang zu Google-, Partner- und Open-Source-Modellen, ohne den Anbieter wechseln zu müssen.
- Abwärtskompatibilität: Bestehende Vertex-AI-Integrationen bleiben funktionsfähig, was Migrationsrisiken reduziert.
- EU-Verfügbarkeit: Mehrere EU-Regionen ermöglichen Datenverarbeitung und -speicherung in Europa.
- Flexible Kostenmodelle: Nutzungsbasierte Abrechnung sowie Provisioned Throughput, Batch- und Caching-Optionen erlauben gezielte Kostensteuerung.
Integration mit innFactory
Als zertifizierter Google Cloud Partner unterstützt innFactory Sie bei der Einführung und Migration auf die Gemini Enterprise Agent Platform: Architektur-Design, Migration bestehender Vertex-AI-Workloads, Aufbau von KI-Agenten, MLOps-Setup und Kostenoptimierung.
Kontaktieren Sie uns für eine Beratung zur Gemini Enterprise Agent Platform und Google Cloud.
Verfügbare Varianten & Optionen
Agent Platform (Kernplattform)
- Vollständige MLOps- und Agent-Fähigkeiten
- Training eigener Modelle
- Model Monitoring und Governance
- Erfordert ML- bzw. Agent-Expertise
- Kann bei komplexen Setups aufwendig sein
AutoML (in der Plattform integriert)
- Kein Code erforderlich
- Automatisiertes Feature Engineering
- Schneller Time-to-Value
- Weniger Kontrolle
- Höhere Kosten pro Prediction
Notebook-Umgebungen (Workbench/Colab Enterprise)
- Jupyter-Notebook-Umgebung
- Vorkonfigurierte Frameworks
- Kollaborationsfunktionen
- Compute-Kosten
- Erfordert aktives Management
Typische Anwendungsfälle
Häufig gestellte Fragen
Was ist die Gemini Enterprise Agent Platform?
Die Gemini Enterprise Agent Platform ist die im April 2026 vorgestellte Weiterentwicklung von Vertex AI. Sie bündelt Modellzugriff über Model Garden, ML-Training, Deployment und den Aufbau von KI-Agenten unter einer gemeinsamen Plattform mit den Bereichen Build, Scale, Govern und Optimize. Bestehender Code, der die Vertex-AI-API nutzt, funktioniert unverändert weiter.
Muss ich meinen bestehenden Vertex-AI-Code umschreiben?
Nein. Google hat betont, dass bestehende Vertex-AI-API-Aufrufe und SDKs ohne Codeänderungen weiterlaufen. Die Umbenennung betrifft primär Produktname, Konsole und Dokumentation, nicht die technischen Schnittstellen.
Wie kann ich Gemini-Modelle auf der Plattform nutzen?
Gemini-Modelle sind über die API der Plattform verfügbar. Sie lassen sich für multimodale Aufgaben mit großem Kontextfenster einsetzen, per Fine-Tuning anpassen oder über Model Garden als vortrainierte Varianten nutzen. Die Integration erfolgt über REST API, Python SDK oder in den bereitgestellten Notebook-Umgebungen.
Wann sollte ich AutoML statt Custom Training verwenden?
AutoML eignet sich für schnelle Prototypen und Standardaufgaben ohne tiefes ML-Know-how, da es Feature Engineering und Hyperparameter-Tuning automatisiert. Custom Training bietet mehr Kontrolle über Modellarchitektur und ist notwendig bei speziellen Anforderungen oder wenn bestehender Code migriert wird.
Wie funktioniert das Preismodell?
Die Abrechnung erfolgt nutzungsbasiert: Modelle nach Input- und Output-Tokens, Training nach Compute-Stunden und Predictions nach Knotenlaufzeit. Für planbare Lasten gibt es Provisioned Throughput mit reservierter Kapazität sowie Batch-Verarbeitung und Caching zur Kostensenkung. Aktuelle Preise finden Sie in der Google-Cloud-Preisliste.
Was ist mit Agentspace und Agent Builder passiert?
Agentspace und die bisherigen Agent-Builder-Funktionen sind in die Gemini Enterprise Agent Platform aufgegangen. Model Garden, AutoML, Model Registry, Endpoints und Pipelines aus Vertex AI stehen als Bausteine der neuen Plattform weiter zur Verfügung.
Ist die Plattform DSGVO-konform und in der EU verfügbar?
Ja, die Plattform ist in mehreren EU-Regionen verfügbar und unterstützt Datenverarbeitung und -speicherung in europäischen Rechenzentren. Die konkrete regionale Verfügbarkeit unterscheidet sich je nach Modell und Feature, daher sollte dies vor dem produktiven Einsatz projektspezifisch geprüft werden.
Hinweis: Alle Produktinformationen auf dieser Seite wurden sorgfältig zusammengestellt, sind jedoch ohne Gewähr und können veraltet oder unvollständig sein. Cloud-Services entwickeln sich schnell weiter — Funktionen, Preise, SLAs und Verfügbarkeit ändern sich laufend. Verbindliche und aktuelle Informationen finden Sie ausschließlich auf der offiziellen Produktseite von Google Cloud (offizielle Dokumentation). Diese Seite stellt kein Angebot von Google Cloud dar.
