Google Cloud bietet mehrere KI-Dienste an. Für Modellentwicklung und Betrieb verwendet die aktuelle Dokumentation die Bezeichnung Gemini Enterprise Agent Platform. Sie beschreibt diese als Weiterentwicklung von Vertex AI. „Google Cloud AI“ ist deshalb keine hinreichend genaue Bezeichnung für ein einzelnes Werkzeug mit einheitlichem Funktionsumfang.
Stand: 27. Oktober 2026. Dieses Profil konzentriert sich auf Machine Learning: Daten vorbereiten, Modelle trainieren, verwalten und anwenden. Es unterscheidet diese Aufgaben von der Entwicklung von Agenten und der Nutzung fertiger generativer Modelle.
Was aus der Bezeichnung Vertex AI wurde
Google dokumentiert die Umbenennung von Vertex AI Platform in Gemini Enterprise Agent Platform. Auch einzelne Bausteine tragen neue Namen, beispielsweise Managed Training, Model Registry und Pipelines im Umfeld der Agent Platform. Ältere Dokumentationslinks können bereits auf die neuen Seiten weiterleiten.
Eine neue Bezeichnung bedeutet nicht automatisch, dass jeder frühere Dienst denselben Umfang oder dieselben Voraussetzungen behält. Prüfen Sie die konkrete Funktion, verwendete Schnittstelle und aktuelle Anleitung. Der Name allein reicht für eine technische Planung nicht aus.
Daten und Modelltraining
Die aktuelle Machine-Learning-Übersicht nennt verwaltete Datensätze, AutoML und eigenes Modelltraining. AutoML bietet einen geführten Weg; eigenes Training erlaubt die Verwendung von Frameworks und selbst festgelegten Trainingsabläufen. Wählen Sie den Ansatz nach Datenart und Aufgabe.
Legen Sie Zielvariable und Bewertungsmaß vorab fest. Prüfen Sie, welche Informationen beim späteren Einsatz verfügbar wären, und trennen Sie Trainings- und Bewertungsdaten passend dazu. Ein verwalteter Trainingsdienst macht eine ungeeignete Datengrundlage nicht automatisch geeignet.
Modelle verwalten und bereitstellen
Die Dokumentation beschreibt eine Model Registry zur Verwaltung von Modellfassungen und zur Vorbereitung der Bereitstellung. Modelltraining und spätere Anwendung sind verschiedene Schritte: Für eine nutzbare Vorhersage müssen Modell, Eingaben, Verarbeitung und erwartete Ausgabe zusammenpassen.
Dokumentieren Sie, welches Modell mit welchem Datenstand geprüft wurde. Kontrollieren Sie vor einer Übergabe typische Fälle und bekannte Fehler. Nach Änderungen sollten diese Prüfungen erneut stattfinden.
Machine Learning, generative KI und Agenten trennen
Die Agent Platform umfasst neben Machine-Learning-Funktionen auch Modelle und Werkzeuge zur Entwicklung von Agenten. Ein trainiertes Vorhersagemodell, ein Aufruf eines Sprachmodells und ein Agent mit Zugriff auf andere Systeme lösen unterschiedliche Aufgaben.
Beschreiben Sie für einen Vergleich zuerst das gewünschte Ergebnis. Brauchen Sie eine Prognose aus strukturierten Daten, einen Textentwurf oder einen Ablauf mit mehreren Aktionen? Erst danach lässt sich sinnvoll prüfen, welche Bausteine, Datenzugriffe und Ausführungsrechte benötigt werden.
Kosten, Standort und Betriebsumfang
Google Cloud ist ein kommerzielles Cloud-Angebot. Prüfen Sie Training und spätere Ausführung jeweils am aktuellen Dienst und an den tatsächlich benötigten Ressourcen. Ein kostenloser Einstieg oder Testguthaben ist keine Zusage für einen dauerhaft kostenfreien Betrieb.
Klären Sie vor dem Pilot Region, Datenzugriff, Rechenressourcen und Zuständigkeiten für Fehler. Planen Sie auch laufende Modelle und angrenzende Dienste ein. Herstellerbeispiele zur Leistung ersetzen keine Bewertung mit Ihren eigenen Daten.
Für wen ist der Einstieg geeignet?
Die ML-Funktionen kommen für Teams infrage, die Modelle in einer verwalteten Cloud-Umgebung entwickeln und betreiben möchten. Ein begrenzter Pilot mit klarer Zielgröße und nachvollziehbaren Testfällen hilft, Produktumfang und Betriebsaufwand realistisch zu beurteilen.
Quellen
Geprüft wurden die aktuellen offiziellen Google-Seiten Agent Platform im Überblick, Änderungen der Vertex-AI-Bezeichnungen und Machine Learning auf Agent Platform. Ein eigener Modellbenchmark wurde nicht durchgeführt.
