Google Cloud positioniert sich im rasant wachsenden Markt für künstliche Intelligenz mit einer unmissverständlichen Strategie: Der Cloud-Anbieter setzt auf einen tief greifend integrierten KI-Technologie-Stack, der Infrastruktur, fundierte Datenplattformen und fortschrittliche KI-Modelle nahtlos miteinander verknüpft, um sogenannte Agenten-KI (Agentic AI) maßgeblich voranzutreiben. Dieser strukturelle Vorteil soll es Unternehmen ermöglichen, nicht mehr nur reaktive generative KI-Anwendungen zu nutzen, sondern autonome Systeme zu erschaffen, die eigenständig Handlungen ausführen und Geschäftsprozesse steuern können. Begleitet wird diese vertikale Integration durch eine dezidiert offene Partnerschaftsstrategie, die eine reibungslose Zusammenarbeit mit Drittanbietern und sogar konkurrierenden Cloud-Ökosystemen gewährleistet. Die Symbiose aus hauseigener Optimierung und weitreichender Interoperabilität verdeutlicht den Anspruch, die technologische Grundlage für die nächste Generation intelligenter Unternehmenssoftware zu liefern.
⚡ TL;DR
- Andi Gutmans betonte auf der Google Cloud Next die Bedeutung einer "Agentic Data Cloud" für handlungsorientierte KI-Systeme.
- Der neue Knowledge Catalog analysiert unstrukturierte Daten mittels Vertex AI automatisch, ohne manuellen Vorbereitungsaufwand.
- Google Cloud vertieft Hardware-Partnerschaften mit Nvidia und unterstützt das Hosting von Salesforce und ServiceNow direkt auf der GCP.
- Eine Cross-Cloud-Lakehouse-Lösung ermöglicht ab sofort performante Datenabfragen über AWS- und Azure-Instanzen hinweg.
Die Vision der Agentic Data Cloud
Die Evolution der künstlichen Intelligenz verlagert sich gegenwärtig von einfachen, prompt-basierten Systemen hin zu sogenannten KI-Agenten. Diese Agenten generieren nicht nur Text oder Code, sondern sind in der Lage, komplexe Aufgaben über verschiedene Systeme hinweg selbstständig auszuführen. Auf der Google Cloud Next Konferenz unterstrich Andi Gutmans diese Entwicklung Nachdruck und stellte das Konzept der "Agentic Data Cloud" in den Mittelpunkt. In seinen Ausführungen fokussierte er sich darauf, wie moderne Dateninfrastrukturen beschaffen sein müssen, um ein "System of Action" zu ermöglichen. Der herkömmliche Ansatz, Daten lediglich für Analysedashboards oder als "System of Record" aufzubereiten, reicht für autonome Agenten nicht mehr aus.
Ein KI-Agent benötigt Zugriff auf strukturierte und unstrukturierte Informationen in Echtzeit, muss den Kontext geschäftlicher Parameter verstehen und auf Basis dieser Erkenntnisse Transaktionen anstoßen können. Google Cloud baut seine Architektur genau für diesen Zweck um. Der strukturelle Vorteil des Unternehmens liegt hier in der engen Verzahnung der einzelnen Ebenen: Die physische Recheninfrastruktur (Compute), die hochspezialisierten Sprach- und Multimodal-Modelle (wie die Gemini-Familie) und die zugrunde liegende Datenplattform (BigQuery und verwandte Dienste) arbeiten als ein geschlossener, hochgradig optimierter Regelkreis zusammen. Dieser ganzheitliche Ansatz verringert Reibungsverluste drastisch, die andernfalls beim Einsatz disparater Einzelsysteme entstehen würden. Wenn ein Agent auf einem Gemini-Modell basiert, kann er über tief integrierte APIs der Datenplattform native Sicherheits- und Governance-Richtlinien respektieren, was in einem Enterprise-Umfeld absolut geschäftskritisch ist.
Gutmans Vision adressiert ein Kernproblem vieler IT-Organisationen: Die Fragmentierung von Daten und Werkzeugen. Die strategische Marschroute von Google Cloud sieht vor, dass Entwickler nicht mehr mühsam eigene Orchestrierungsschichten bauen müssen, um Daten aus einem Silo mit einem KI-Modell aus einem anderen Silo zu verbinden. Die Agentic Data Cloud stellt vielmehr die notwendigen Werkzeuge als konsistente Dienste zur Verfügung. Dadurch reduziert sich die Komplexität bei der Entwicklung von KI-Agenten, die beispielsweise im Kundenservice eigenständig Rückerstattungen vornehmen oder in der Logistik Lieferketten dynamisch umplanen können.
Knowledge Catalog erschließt unstrukturierte Daten automatisch
Eines der größten Hindernisse bei der Implementierung von KI im Unternehmenskontext ist die Natur der vorhandenen Daten. Schätzungen zufolge liegen bis zu 80 Prozent aller Unternehmensdaten unstrukturiert vor – in Form von Textdokumenten, PDF-Dateien, E-Mails, Bildern oder technischen Handbüchern. Bisher erforderte die Nutzbarmachung dieser Datenschätze für maschinelle Lernverfahren einen immensen manuellen Aufwand. Datenexperten mussten komplexe ETL-Pipelines (Extract, Transform, Load) aufsetzen, Metadaten manuell vergeben und Entitäten aufwendig extrahieren. Mit dem neu vorgestellten Knowledge Catalog adressiert Google Cloud exakt dieses Nadelöhr.
Der Knowledge Catalog automatisiert die Aufbereitung unstrukturierter Daten grundlegend. Durch die nahtlose Integration mit Vertex AI ist das System in der Lage, Dokumente wie umfangreiche PDFs völlig selbstständig zu analysieren. Vertex AI übernimmt dabei die schwerste Aufgabe: Das automatische Extrahieren relevanter Entitäten, das Erkennen fachlicher Zusammenhänge und die Zuordnung von Relationen innerhalb der Dokumente. Die Modelle klassifizieren die Inhalte, versehen sie mit semantischen Metadaten und überführen sie in eine durchsuchbare Struktur, die für KI-Agenten sofort nutzbar ist. Dieser Prozess durchbricht den Flaschenhals der manuellen Vorbereitung durch teure und knappe Datenexperten.
Aus technologischer Sicht bedeutet dies einen Paradigmenwechsel in der Datenkatalogisierung. Anstatt nur zu registrieren, dass eine bestimmte PDF-Datei existiert, versteht der Knowledge Catalog den Inhalt. Wenn ein KI-Agent eine Frage zur Compliance-Richtlinie eines bestimmten Geschäftsjahres beantworten soll, greift er auf den semantisch angereicherten Index des Knowledge Catalogs zu. Die zugrunde liegenden Modelle strukturieren das Wissen so vor, dass Retrieval-Augmented Generation (RAG) Systeme mit höchster Präzision arbeiten können. Fehler, die durch Halluzinationen oder veraltete Informationen entstehen, werden durch diesen automatisierten, aber strikt verwalteten Datenfluss massiv reduziert. Die Demokratisierung des Datenzugangs für KI-Workloads erreicht damit ein neues Niveau der Skalierbarkeit im Enterprise-Segment.
Hardware-Power und SaaS-Integration durch strategische Allianzen
Obwohl Google Cloud über beträchtliches internes Know-how beim Chipdesign verfügt – insbesondere durch die hauseigenen Tensor Processing Units (TPUs) –, verschließt sich der Konzern nicht den Industriestandards. Die strategische Partnerschaft mit Nvidia verdeutlicht den Pragmatismus dieser Ausrichtung. Google Cloud arbeitet intensiv mit dem führenden KI-Chip-Hersteller zusammen, um hochleistungsfähige Beschleuniger wie die Blackwell-Architektur, HGX B200 und GB200 tief in die eigene Cloud-Infrastruktur zu integrieren. Diese Hardware-Optionen richten sich speziell an Kunden, die gigantische KI-Modelle trainieren oder inferieren müssen und dabei auf das etablierte CUDA-Ökosystem von Nvidia vertrauen.
Die Integration modernster Nvidia-Hardware ermöglicht es Google Cloud, ein breites Spektrum an Rechenanforderungen abzudecken. Während TPUs oftmals Kostenvorteile bei spezifischen Google-optimierten Workloads bieten, stellen die leistungsstarken Nvidia-GPUs sicher, dass Drittanbieter-Modelle und offene Frameworks mit maximaler Effizienz und minimaler Latenz betrieben werden können. Diese Dualität in der Hardware-Strategie sichert Flexibilität und beugt einem Hardware-Lock-in vor, was für viele Großkunden ein zentrales Entscheidungskriterium der Cloud-Strategie darstellt.
Neben der Hardware-Ebene öffnet Google Cloud auch seine Software-Plattform für führende Branchen-Anwendungen. Die Partnerschaften mit den SaaS-Giganten Salesforce und ServiceNow sind Belege für diese Offenheit. ServiceNow hat seine Partnerschaft erweitert, um Lösungen direkt über den Google Cloud Marketplace sowie für isolierte Umgebungen auf der Google Distributed Cloud bereitzustellen. Ebenso unterstützt Salesforce das Hosting durch seine CG Cloud Processing Services nativ auf der Google Cloud Platform. Da viele Unternehmen ihre geschäftskritischen Prozesse in Salesforce und ServiceNow abbilden, ermöglicht die physische Nähe dieser Anwendungen zur Daten- und KI-Infrastruktur von Google Cloud signifikante Vorteile: Geringere Latenzen bei API-Aufrufen, vereinfachte Sicherheitsprotokolle beim Datenaustausch und erhebliche Kosteneinsparungen bei der Datenübertragung. KI-Agenten, die in der GCP gehostet werden, können so in Echtzeit auf Kunden- oder Ticketdaten aus diesen SaaS-Lösungen zugreifen und Aktionen auslösen.
Multi-Cloud-Realität: Das Cross-Cloud-Lakehouse
Die Realität moderner IT-Infrastrukturen in Großkonzernen ist fast ausnahmslos durch Multi-Cloud-Strategien geprägt. Daten liegen nicht isoliert bei einem einzigen Anbieter, sondern sind über Amazon Web Services (AWS), Microsoft Azure und Google Cloud Platform (GCP) verteilt. Das Zusammenführen dieser verteilten Datensilos für unternehmensweite Analysen oder umfassendes KI-Training war in der Vergangenheit mit enormen Kosten und architektonischen Herausforderungen verbunden. Hohe Egress-Gebühren (Kosten für den Datenabfluss aus einer Cloud) und komplexe Synchronisationsprozesse machten ein agiles Arbeiten nahezu unmöglich.
Mit der Cross-Cloud-Lakehouse-Lösung liefert Google Cloud eine technologische Antwort auf diese Schmerzpunkte. Die Lösung erlaubt es Kunden, Daten, die physisch in AWS oder Microsoft Azure gespeichert sind, direkt und mit minimaler Latenz abzufragen, ohne diese Daten im Vorfeld massenhaft in die Google Cloud verschieben (kopieren) zu müssen. Technologisch wird dies oftmals durch Open-Source-Standards und moderne Data-Mesh-Architekturen realisiert, bei denen Metadaten und Speicherformate interoperabel gehalten werden. Durch die Nutzung von Konzepten wie Zero-ETL (Extract, Transform, Load) und Delta Sharing entfällt der Bedarf an fragilen Datenduplikationen.
Für den Einsatz von Agenten-KI bedeutet dies einen massiven strategischen Vorteil. Ein KI-Agent, dessen Kernlogik in der Google Cloud läuft und Modelle wie Gemini nutzt, kann über das Cross-Cloud-Lakehouse direkt auf Telemetriedaten in AWS oder Finanztransaktionen in Azure zugreifen. Die dezentralen Datensätze verbleiben sicher in ihrer Ursprungsumgebung, während die Rechen- und Analyseleistung auf GCP gebündelt wird. Dieser architektonische Bruch mit dem klassischen Datenzentrismus ermöglicht es Unternehmen, Best-of-Breed-Services unterschiedlicher Anbieter zu kombinieren und gleichzeitig die Datensouveränität sowie strenge Governance-Vorgaben sicherzustellen.
So What?
Der strategische Vorstoß von Google Cloud, einen stark integrierten KI-Stack mit weitreichenden offenen Partnerschaften zu kombinieren, sendet ein klares Signal an den Markt: Isolierte KI-Tools sind nicht zukunftsfähig. Die Verschmelzung von fundamentaler Compute-Leistung durch Partnerschaften mit Nvidia, intelligenten Datenaufbereitungstools wie dem Knowledge Catalog und fortschrittlichen Sprachmodellen senkt die Einstiegsbarrieren für die Entwicklung autonomer KI-Agenten drastisch. Automatisierte Extrahierungsprozesse für unstrukturierte Daten eliminieren zeit- und kostenintensive manuelle Arbeiten, was den "Time-to-Value" für KI-Initiativen im Enterprise-Segment extrem verkürzt.
Für IT-Entscheider bedeutet diese Entwicklung ein signifikant geringeres Risiko beim Aufbau moderner Datenökosysteme. Durch Cross-Cloud-Konzepte und die Verfügbarkeit dominanter SaaS-Plattformen wie Salesforce oder ServiceNow auf der eigenen Infrastruktur baut Google Cloud die gefürchteten Barrieren des Vendor-Lock-ins ab. Unternehmen erhalten die Flexibilität, bestehende Investitionen in anderen Clouds (AWS, Azure) unangetastet zu lassen und dennoch die volle analytische Präzision der Google-Modelle darauf anzuwenden. Diese Architektur ist nicht weniger als die Blaupause für die vollständig datengetriebene und KI-gesteuerte Unternehmensorganisation der nächsten Dekade.
Fazit
Google Cloud manifestiert durch seine jüngsten Entwicklungen eine klare Doppelstrategie: Tiefgreifende technologische Integration im eigenen Stack gepaart mit absoluter Interoperabilität bei Daten und Systemumgebungen. Die technologischen Innovationen – allen voran der Knowledge Catalog und das Engagement für eine Agentic Data Cloud – zeigen, dass sich das Unternehmen auf die nächste Stufe der industriellen KI vorbereitet. Es geht nicht mehr um bloße Wissensabfrage, sondern um autonome Systeme, die konkrete Handlungen im Unternehmenskontext vollziehen.
Die Kooperationen mit Nvidia auf Hardware-Ebene sowie die Cross-Cloud-Fähigkeiten beweisen technologischen Weitblick und Kundenorientierung. Der Markt wird nicht mehr durch Datensilos oder Hardware-Zwang dominiert, sondern über die intelligenteste und nahtloseste Integration von Datenströmen gewonnen. Ob Google mit dieser Strategie seine Konkurrenten ausbremsen kann, wird sich in den kommenden Quartalen bei den großen Enterprise-Rollouts zeigen. Die architektonischen Grundsteine für ein offenes, handlungsorientiertes KI-Zeitalter sind jedenfalls eindrucksvoll gelegt.
❓ Häufig gestellte Fragen
Was verbirgt sich hinter dem Konzept der "Agentic Data Cloud"?
Die "Agentic Data Cloud" ist ein architektonischer Ansatz, bei dem Datenplattformen speziell darauf ausgelegt werden, autonome KI-Agenten zu unterstützen. Anders als klassische analytische Datenbanken oder Data Warehouses, die für menschliche Analysten optimiert sind, liefert die Agentic Data Cloud Echtzeitdaten, Metadaten und Transaktionsmöglichkeiten direkt an KI-Modelle. Sie verwandelt Daten so von einem passiven Archiv (System of Record) in ein aktives Handlungsumfeld (System of Action).
Wie transformiert der Knowledge Catalog unstrukturierte Daten?
Bislang mussten unstrukturierte Daten wie PDFs oder Bilder manuell von Data Scientists aufbereitet und mit Metadaten versehen werden, um für KI nutzbar zu sein. Der Knowledge Catalog von Google Cloud automatisiert diesen Prozess, indem er native Vertex-AI-Modelle einsetzt. Diese Modelle scannen die Dokumente automatisiert, erkennen relevante Entitäten, extrahieren Informationen und setzen semantische Relationen, wodurch der manuelle Aufwand nahezu eliminiert wird.
Warum ist das Cross-Cloud-Lakehouse für Unternehmen wichtig?
Große Unternehmen betreiben ihre IT meist verteilt auf mehrere Cloud-Anbieter (Multi-Cloud). Wenn Daten aus AWS oder Azure für KI-Modelle in der Google Cloud benötigt wurden, war das Verschieben der Daten bisher teuer und zeitaufwendig. Das Cross-Cloud-Lakehouse verknüpft diese föderierten Datenquellen, sodass KI-Modelle und Datenanalysen Abfragen auch über Cloud-Grenzen hinweg mit sehr geringer Latenz ausführen können, ohne die Daten physisch zu duplizieren.
✅ 10 Claims geprüft, davon 5 mehrfach verifiziert
