Google Cloud Next '26: Agenten wandern vom Chatfenster in den Hintergrundbetrieb

Der Wandel vom Prompten zum Delegieren

Googles zentrale These lautet, dass KI sich von einer Technologie, die Arbeit verändert, zu einer entwickelt hat, die im großen Maßstab läuft. Als konkreten Beleg dafür nennt das Unternehmen die Einführung langlaufender Agenten, die laut Ankündigung „autonom im Hintergrund in sicheren Cloud-Sandboxes arbeiten, während Sie sich anderen Dingen widmen können.“

Das ist ein anderes Betriebsmodell als ein Chatbot, mit dem man Zug um Zug interagiert. Ein Hintergrund-Agent, der einen mehrstufigen Geschäftsprozess abarbeitet, braucht eine Umgebung zum Laufen, klare Grenzen dafür, worauf er zugreifen darf, und eine Möglichkeit für Menschen, ihn zu überprüfen. Google adressiert alle drei Punkte: Die Sandbox sorgt für die Eingrenzung, und die neue Agent Inbox ist die Kontrollebene, über die Nutzer „überwachen, steuern und verwalten“ können, was Agenten tun.

Die Agent Inbox ist das aufschlussreichste Detail. Google räumt damit implizit ein, dass sich das Interface-Problem verschiebt, sobald viele Agenten eigenständig handeln: Es geht nicht mehr um Konversation, sondern um Aufsicht. Eine Inbox für maschinelle Arbeit ist eine Wette darauf, dass Menschen Flotten von Agenten künftig so verwalten, wie sie heute ihre E-Mails sortieren.

Zwei Zielgruppen, zwei Entwicklungswege

Google teilt seine Werkzeuge danach auf, wer sie entwickelt. Für technische Teams bietet die Gemini Enterprise Agent Platform den Agent Studio, eine Low-Code-Oberfläche, sowie direkten Zugriff auf Gemini 3.1 Pro, Gemini 3.1 Flash Image (Nano Banana 2), Lyria 3 und – bemerkenswert – Anthropics Claude Opus 4.7. Das Modell eines Konkurrenten innerhalb der eigenen Plattform anzubieten, ist Googles erklärte Haltung der „offenen Wahlfreiheit“.

Für alle anderen bringt die Gemini Enterprise App den No-Code Agent Designer für „triggerbasierte Workflows, ohne eine einzige Zeile Code zu schreiben.“ Die wiederholte Betonung, dass man „keinen Doktortitel im maschinellen Lernen“ brauche, zeigt, wohin Google die Agentenerstellung lenken will: weg von ML-Spezialisten, hin zu Fachanwendern, die Automatisierungen in natürlicher Sprache definieren.

Das Risiko dieser Ausrichtung liegt darin, dass Governance schwieriger ist als das reine Erstellen. Wenn jeder einen triggerbasierten Agenten bauen kann, erweitert das den Kreis der Menschen, die einen Prozess automatisieren können – es erweitert aber nicht automatisch das Verständnis für mögliche Fehlerquellen. Die Agent Inbox und die Sandboxes sind Googles Antworten darauf, doch die Verantwortung, sichere Trigger zu definieren, liegt weiterhin bei fachfremden Anwendern.

Inferenz-Ökonomie direkt in Silizium gegossen

Die Infrastruktur-Ankündigung fällt konkreter aus als sonst üblich. Google teilt seine TPUs der achten Generation in zwei Rollen auf: die TPU 8t für Training und die TPU 8i für Inferenz, wobei der Inferenz-Chip mit „80 % besserer Leistung pro Dollar“ angegeben wird.

Diese Aufteilung ist für alle relevant, die Agenten in großem Umfang betreiben wollen. Training ist eine eher einmalige Kostenposition; Inferenz ist das, was bei jeder Aktion eines Agenten anfällt. Einen dedizierten Chip für den laufenden Betrieb zu optimieren – und die Kennzahl in Leistung pro Dollar statt in reiner Geschwindigkeit anzugeben – spiegelt Googles eigene Argumentation wider, dass „der Betrieb von Millionen von KI-Agenten ernsthafte Rechenleistung erfordert.“ Nicht nur die Fähigkeiten autonomer Arbeit, sondern auch ihre Kosten sind die Größe, gegen die hier konstruiert wird.

Die ergänzenden Komponenten unterstreichen, dass Datenbewegung der Engpass ist: das Virgo Network zur Vernetzung von Supercomputern und Managed Lustre mit angegebenen 10 Terabyte pro Sekunde. Zudem positioniert sich Google als früher Anbieter von NVIDIAs Vera Rubin NVL72 neben den eigenen Axion-Prozessoren und hält damit an einer Multi-Vendor-Strategie für Rechenleistung fest.

Daten dort zu lassen, wo sie sind, ist die leisere, aber größere Aussage

Die Agentic Data Cloud enthält den Satz, der für reale Einsätze am relevantesten ist: Ein Agent „ist nur so hilfreich wie die Informationen, die er versteht.“ Zwei Komponenten stützen das. Der Knowledge Catalog nutzt Gemini, um Unternehmensdaten autonom zu taggen und zu verknüpfen, damit Agenten unternehmensspezifischen Kontext erfassen. Das Cross-Cloud Lakehouse, standardisiert auf Apache Iceberg, ermöglicht Abfragen von Daten dort, wo sie bereits liegen.

Standardisiert auf Apache Iceberg, können Sie Ihre Daten genau dort lassen, wo sie sind – selbst wenn sie sich in AWS befinden – und sie sofort und ohne Reibungsverluste abfragen.Montana Labs

AWS explizit als Ort zu nennen, an dem Daten verbleiben können, ist ein gezielter Schritt. Er räumt ein, dass Kunden nicht alles migrieren werden, um Googles Agenten zu nutzen, und senkt damit die Einstiegshürde, sie überhaupt auszuprobieren. Für die Automatisierung im Speziellen adressiert das die praktische Blockade: Agenten scheitern, wenn ihnen Kontext fehlt, und dieser Kontext liegt meist verteilt über Systeme, die niemand vorab konsolidieren möchte.

Die genannten Einsätze – Home Depots In-Store-Assistent, Papa Johns Ordering Agent, der sich „die übliche Bestellung“ merkt, Mars und Citadel Securities im Bereich quantitative Forschung sowie Unilever mit Agenten, die unternehmensweit für 3,7 Milliarden Verbraucher im Einsatz sind – beschreiben Agenten, die in bestehende Abläufe eingebunden werden, statt völlig neue Systeme von Grund auf aufzubauen. Das ist der gemeinsame Nenner der sieben Highlights: Google optimiert für Automatisierung, die auf den bereits vorhandenen, unübersichtlichen Daten und Infrastrukturen von Unternehmen aufsetzt – nicht für Automatisierung, die zunächst einen kompletten Neuaufbau erfordert.