Google bringt Gemini als agentischen KI‑Assistenten fürs Unternehmen – er plant Aufgaben, nutzt verschiedene Modelle und verbindet sich mit internen Systemen.
In Kürze
- Agent führt Aufgaben autonom aus und plant nötige Schritte
- Verknüpft Workspace, Slack, Jira und Datenbanken via MCP
- Erst Enterprise‑Rollout mit Kosten‑ und Betriebssteuerung
Google bringt Gemini in die nächste Phase
Auf einem Cloud-Event hat das Unternehmen angekündigt, den KI-Dienst in eine „agentische“ Form zu überführen — ein einheitlicher Agent in einer Oberfläche, der nicht nur Fragen beantwortet, sondern eigenständig Aufgaben übernimmt.
Beispiele dafür:
- Code schreiben
- Meetings planen
- Buchungen erledigen
- andere wiederkehrende Arbeiten ausführen
Warum Google jetzt darauf setzt
KI-Tools entwickeln sich weg vom reinen Chat-Erlebnis hin zu Agenten, die Verantwortung für Aufgaben übernehmen. Konkurrenzprojekte wie Metas Muse, Messaging-Agenten wie Instinct oder ChatGPTs Dots zeigen denselben Trend. Google bringt dafür eine starke Ausgangslage mit: Sundar Pichai nennt über eine Milliarde monatliche Gemini‑Nutzer und fast 90 % der Fortune‑100‑Firmen nutzen Gemini Enterprise. Deshalb rollt Google die agentische Variante zuerst für Unternehmen aus, um Sicherheits-, Skalierungs‑ und Leistungsfragen in kontrollierter Umgebung zu klären, bevor Verbraucher:innen Zugang bekommen.
Was der Gemini‑Agent kann
Der Agent arbeitet auf einer höheren Ebene als klassische Chat‑Assistenten. Du kannst ihm nicht nur konkrete Anweisungen geben, sondern auch Ziele setzen — daraufhin plant er die notwendigen Schritte, ruft spezielle Fähigkeiten oder Tools auf und verbindet sich mit internen Systemen, um das Ziel zu erreichen. Standardmäßig entscheidet die KI selbst, welches Modell am besten passt; es ist aber auch möglich, manuell ein Modell auszuwählen. Zum Start sind Drittanbieter‑Modelle wie Anthropic’s Claude verfügbar; Google plant später Unterstützung für Open‑Source‑ und private Modelle.
Der Agent verarbeitet auch Anhänge (Dateien, Ordner, projektbezogene Workflows) und kann auf eine breite Palette von Unternehmensdaten und Diensten zugreifen:
- Google Workspace
- Microsoft 365
- Slack
- Jira
- Confluence
- Git
- BigQuery
- Databricks
- Postgres
- Snowflake
- und mehr
Technisch arbeitet er sicher mit jedem Model Context Protocol (MCP)-Server zusammen — eine Schnittstelle, mit der Modell‑Server innerhalb oder außerhalb eines Netzwerks angebunden werden können. Sichtbar wird die Arbeitsweise des Agenten über ein „Tasks Inbox“-Interface: Dort siehst du geplante Schritte, eingesetzte Unteragenten und Skills, erzeugten Code und den Fortschritt der Aufgaben.
Wie der Agent im Unternehmensalltag auftritt
Im Unternehmenskontext bekommt der Agent ein eigenes Workspace‑Konto — quasi ein Kollege mit eigener E‑Mail und eigenem Kontext. Er kennt Teamstrukturen, Zeitzonen, Freigabeschritte und Kalenderdaten. Du kannst ihn per Erwähnung, E‑Mail, Teilen oder in Gruppenchats ansprechen; seine Aktionen werden in einem Audit‑Trail protokolliert, der dem Agenten zugeordnet ist (nicht einer einzelnen Person).
Zugriff, Tests und erste Kunden
Der Agent ist auf iOS, Android, Windows und Mac verfügbar, lässt sich über die Kommandozeile ansteuern und ist in Google Workspace, Microsoft 365, ServiceNow und Slack erreichbar.
Frühe Tester waren Marken wie On, Shopify und PayPal. Zu den Gemini Enterprise-Kunden zählen unter anderem:
- BNP Paribas
- Bradesco
- Merck
- Orange Spain
- Santee Cooper
- SOMPO
- Ulta Beauty
- Wesfarmers
Kosten- und Betriebssteuerung
Google bietet Optionen zur Kontrolle von Kosten und Betrieb:
- Multi‑Model‑Orchestrierung erlaubt den gleichzeitigen Einsatz verschiedener Modelle
- smartes Routing verteilt Anfragen effizient
- Echtzeit‑Spendlimits (Spend‑Limits) sollen Ausgaben in Grenzen halten
Kurzfristig setzt Google damit auf einen mächtigen, unternehmensfokussierten Agenten, der autonom Aufgaben ausführt, sich mit internen Systemen verbindet und verschiedene Modelltypen nutzen kann — zunächst für Firmen, später für Endnutzer:innen.
Quellen
- Quelle: Google
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
