Suchergebnisse für: „Gemini“

Ein Auto, das nur auf einer Autobahn fahren kann, aber extrem effizient ist – das klingt absurd. Google verfolgt Berichten zufolge einen ähnlichen Ansatz mit einem neuen Chip. Statt eines universellen Prozessors wird die Architektur von Googles eigenem Gemini-Modell fest in die Hardware integriert. Das Projekt trägt den internen Codenamen „Frozen v2“ und wurde von The Information enthüllt. Reuters und Bloomberg Law berichteten darüber; die Alphabet-Aktie stieg um bis zu 3,7 Prozent. Google hat das Projekt nicht bestätigt. Eine Markteinführung ist wohl noch Jahre entfernt. Die Idee ist eine klare Wette auf die Zukunft der KI-Infrastruktur.

Ein Modell fest in Hardware gegossen

Die meisten KI-Chips sind Allzweckprozessoren. Man lädt ein Modell in den Speicher, der Chip führt Matrix-Operationen aus, und das wiederholt sich millionenfach. Das ist flexibel – jedes Modell kann laufen – aber Energie und Zeit gehen verloren, weil Daten ständig zwischen Speicher und Recheneinheit bewegt werden. Frozen v2 setzt hier an. Der Chip ist so konzipiert, dass das neuronale Netz von Gemini direkt ins Silizium integriert wird. Die Hardware ist auf die Form des Modells zugeschnitten. Verschaltung der Schichten, Anzahl der Neuronen, Aktivierungsfunktionen – all das ist fest verdrahtet. Die Gewichte bleiben aktualisierbar, die Architektur ist starr. Laut The Information wird noch entschieden, wie viel genau fest verdrahtet wird.

Der Vorteil ist die Effizienz. Ein Chip für ein einzelnes Modell vermeidet Overheads generalistischer Beschleuniger, wie Logik für dynamische Speicherverwaltung oder flexible Pipelines. Das spart Platz, Strom und Zeit. Laut The Information könnte Frozen v2 pro Energieeinheit sechs- bis zehnmal mehr Tokens verarbeiten als aktuelle TPUs. Tokens sind die Basiseinheiten, die Sprachmodelle verarbeiten; jeder Token entspricht etwa einem Wortteil. Praktisch bedeutet das: Bei gleichem Stromverbrauch ließe sich mehr Anfragen zur gleichen Zeit beantworten. Google plant den Chip als eigene Produktlinie, nicht als TPU-Ersatz. Ein möglicher Einsatztermin ist 2028.

Warum Google auf 2028 zielt

Warum 2028? The Information zufolge reagiert Google mit Frozen v2 auf einen Kapazitätsengpass. Der Bedarf an KI-Rechenleistung ist so stark gestiegen, dass Google Cloud externe Kunden abweisen musste. Das führte zu internen Spannungen. Effizienz ist wichtig: Jedes eingesparte Watt im Rechenzentrum spart Geld. Ein Chip für das hauseigene Modell kann Zusatzschaltkreise universeller Chips weglassen. Das senkt die Latenz drastisch. Für Echtzeitanwendungen wie Sprachassistenten ist das ein Vorteil. Ein Satz ins Smartphone, die Antwort kommt ohne spürbare Pause. Das wirkt wie ein Detail, verändert aber das Nutzergefühl grundlegend.

Das Projekt hat auch eine strategische Komponente. Google entwickelt seit Jahren eigene TPUs, um unabhängiger von Nvidia zu werden. Ein Gemini-spezifischer Chip würde die Eigenständigkeit weiter erhöhen. Google verteilt Chip-Bestellungen auf Broadcom und Marvell. Ein eigener Chip für das Milliarden-Modell wäre ein starkes Signal. Andere verfolgen ähnliche Ideen. Das Startup Taalas vermarktet einen ähnlichen Ansatz: Es integriert Gewichte und Architektur eines KI-Modells direkt auf einen Chip namens „Hardcore“. Taalas gibt an, der Chip schaffe bis zu 17.000 Tokens pro Sekunde – ein Nvidia-Board schafft etwa 150 Tokens pro Nutzer. Der Chip benötigt keinen teuren Hochgeschwindigkeitsspeicher, was Memory-Engpässe lindern könnte.

Die Wette: Tempo statt Flexibilität

Die Wette: Ein Modell im Silizium opfert Flexibilität für Geschwindigkeit, niedrige Kosten und Energieeffizienz. Für ein Unternehmen mit einem Modell für Milliarden Nutzer – wie Google mit Gemini – kann sich das lohnen. Der gleiche Impuls treibt Versuche, Sprachmodelle auf Smartphones zu bringen: lokal, ohne Cloud, mit Gewinn an Geschwindigkeit und Datenschutz. Frozen v2 überträgt das auf die Server-Seite.

Die Gefahr ist die Starrheit. KI entwickelt sich schnell. Ein Chip für die heutige Gemini-Version könnte 2028 veraltet sein – wie ein Anzug nach einer Diät. Google mildert das ab, indem die Gewichte aktualisierbar bleiben. Die Architektur – Schichtenanzahl, Aufmerksamkeitsmechanismen – steht fest. Ändert sich das Design großer Sprachmodelle grundlegend – durch effizientere Architekturen wie Mamba – wäre der Chip nicht mehr optimal. Google müsste dann entweder den Chip nicht nutzen oder ein veraltetes Modell verwenden. Beides wäre teuer.

Signal statt fertiges Produkt

Google hat das Projekt nicht bestätigt. Ein Sprecher sagte, die Teams experimentierten mit Ideen für hohe Effizienz; nicht jedes Laborprojekt werde ein Produkt. Frozen v2 ist eher ein Signal als ein Produkt. Das Signal: Der Wettlauf um maßgeschneidertes KI-Silizium verlagert sich vom universellen Beschleuniger zur Verschmelzung von Modell und Hardware. Setzt Google das um, müssen Konkurrenten von Amazon bis zu Chip-Startups reagieren. In ein paar Jahren könnten KI-Dienste schneller, günstiger und flüssiger laufen – ohne dass der Nutzer etwas merkt. Die Hardware wird unsichtbar, die Erfahrung natürlicher. Das ist das Ziel jeder Technologie.

Quelle: thenextweb.com

Das Problem ist bekannt: Du sammelst Artikel, Studien und Notizen zu einem Thema, ordnest sie in Ordnern und hoffst, den roten Faden nicht zu verlieren. Irgendwann sitzt du vor einem Berg von Quellen und weißt nicht, wo du anfangen sollst. Hier setzt Googles NotebookLM an – ein digitales Notizbuch, das mit KI deine Materialien versteht. Jetzt hat Google diesem Tool einen neuen Namen gegeben und neue Fähigkeiten verliehen. Aus NotebookLM wird Gemini Notebook.

Der Wechsel ist kein Etikettenaustausch. Laut dem offiziellen Blogbeitrag von Google bleibt Gemini Notebook ein eigenständiges Produkt, das sich auf Forschung und Lernen konzentriert. Es wird stärker mit dem Google-Ökosystem verwoben – insbesondere mit der Gemini-App und der KI-gestützten Suche. Die größte Neuerung: Jedes Notebook erhält einen sicheren Cloud-Computer. Technisch klingt das komplex. Im Kern bedeutet es, dass dein Notizbuch jetzt Code schreiben und ausführen kann. Es wird vom passiven Sammler zum aktiven Analysten.

Ein Cloud-Computer für jedes Notizbuch

Stell dir eine Tabelle mit Umsatzzahlen vor. Bisher konntest du sie nur einfügen und manuell vergleichen. Mit dem neuen Gemini Notebook analysierst du die Tabelle direkt im Tool. Du schreibst eine Aufforderung wie „Zeige mir den durchschnittlichen Umsatz pro Quartal“ – das Notebook führt selbstständig Code aus, berechnet die Werte und präsentiert das Ergebnis. Der Autor des Google-Beitrags erklärt, dass diese Funktion auf einem sicheren Cloud-Computer basiert, der jedem Notebook zugewiesen wird. Die Berechnungen laufen nicht auf deinem lokalen Gerät, sondern in Googles Infrastruktur – schneller und sicherer, weil deine Quellen den Rechner nicht verlassen müssen.

Diese Code-Ausführung ist zunächst für Google AI Ultra-Nutzer und Workspace-Kunden mit speziellen Zugriffsrechten verfügbar. In den kommenden Wochen soll sie auf alle Pro-Nutzer im Web ausgeweitet werden. Der Schritt ist strategisch: Statt Werkzeuge wie Excel oder Python-Skripte extra zu öffnen, bleibt deine gesamte Analyse in einem Tool. Du verlierst keinen Kontext, und die KI stützt ihre Schlüsse direkt auf deine gesammelten Quellen. Für Datenjournalisten, Wissenschaftler oder Unternehmensanalysten eröffnet das neue Möglichkeiten – ohne tiefe Programmierkenntnisse.

Nahtlose Verbindung mit der Gemini-App und der Suche

Neben der Rechenleistung verspricht Google eine bessere Synchronisation. Du kannst deine Notizbücher bereits jetzt in der Gemini-App anlegen und bearbeiten – vollständig synchron mit der eigenständigen Gemini-Notebook-Oberfläche. Bald sollen Notebooks auch in der KI-Modus genannten Funktion der Google-Suche auftauchen. Du suchst nach „Klimadaten 2024 Europa“, und dein persönliches Notizbuch mit eigenen Analysen erscheint direkt in den Suchergebnissen. Deine Forschung wird nicht mehr isoliert in einer App gefangen gehalten, sondern ist dort verfügbar, wo du Informationen abrufst.

Das erinnert an die Idee eines „Second Brain“ – eines digitalen Gedächtnisses, das speichert, verknüpft und Schlussfolgerungen zieht. Google positioniert Gemini Notebook als das zentrale Werkzeug für diesen Ansatz. Die Umbenennung unterstreicht den Anspruch: Es ist kein experimentelles Laborprodukt mehr, sondern ein ernstzunehmender Teil der Gemini-Produktfamilie, zu der auch der Chatbot und die API gehören. Der Autor betont, dass bereits über 30 Millionen Menschen und 600.000 Organisationen das Tool nutzen. Die Zahlen zeigen: Der Bedarf ist groß.

Was bedeutet das konkret für deinen Arbeitsalltag?

Wenn du beruflich oder privat viel recherchierst, profitierst du von der Entwicklung. Du springst nicht mehr zwischen mehreren Anwendungen hin und her. Du sammelst Quellen in einem Notebook, lässt die KI Zusammenfassungen oder Audio-Versionen deiner Notizen erstellen – und kannst jetzt zusätzlich Berechnungen direkt durchführen. Das spart Zeit und reduziert Fehler beim manuellen Übertragen von Daten. Allerdings solltest du nicht blind auf die Ergebnisse vertrauen. Der Cloud-Computer arbeitet auf Basis deiner Quellen, aber die KI ist nicht unfehlbar. Bei komplexen Analysen prüfst du die Ergebnisse stichprobenartig. Google selbst weist darauf hin, dass generative KI experimentell ist.

Für Einsteiger in die Welt der Künstlichen Intelligenz bietet Gemini Notebook einen niedrigschwelligen Zugang. Du musst keine KI-Modelle trainieren oder Programmiersprachen lernen. Du arbeitest wie gewohnt mit Text, Bildern und Tabellen – das Notebook erledigt den Rest. Die Analogie eines digitalen Assistenten, der dir über die Schulter schaut und bei Bedarf eingreift, trifft es gut. Nur dass dieser Assistent jetzt auch rechnen kann.

Einordnung: Mehr als nur ein neuer Name

Die Umbenennung von NotebookLM zu Gemini Notebook wirkt auf den ersten Blick wie eine Marketingmaßnahme. Tatsächlich steckt mehr dahinter. Google vereinheitlicht seine KI-Angebote unter einer Marke, was die Orientierung erleichtert. Gleichzeitig bekommt das Tool substanzielle neue Fähigkeiten, die es von einem passiven Notizbuch zu einem aktiven Analysewerkzeug machen. Der Cloud-Computer ist der entscheidende Baustein, denn er ermöglicht native Codeausführung – ohne dass du deine Daten aus der Hand geben musst. Das ist ein Vorteil gegenüber herkömmlichen Notiz-Apps wie Evernote oder OneNote.

Ob die Code-Ausführung in der Praxis gut funktioniert, bleibt abzuwarten. Ist sie bei großen Datenmengen performant? Lassen sich Bibliotheken wie Pandas oder Matplotlib nutzen? Google gibt dazu im Blogbeitrag keine Details. Auch die Datensicherheit ist nicht vollständig geklärt: Wo laufen die Berechnungen? Wer hat Zugriff auf den Cloud-Computer? Der Autor spricht von einem „sicheren Cloud-Computer“, die konkreten Sicherheitsmechanismen bleiben vage. Für sensible Unternehmensdaten könnte das ein Hindernis sein.

Die Richtung ist trotz offener Punkte klar. Google will das Notizbuch der Zukunft bauen – eines, das mitdenkt, rechnet und sich nahtlos in deine digitale Umgebung einfügt. Der Name „Gemini Notebook“ ist der sichtbare Ausdruck. Wer sich auf das Experiment einlässt, sollte neugierig bleiben und kritisch hinterfragen. Selbstständiges Denken und Prüfen kann dir keine KI abnehmen. Gemini Notebook ist ein nützliches Werkzeug, aber der Funke der Erkenntnis springt bei dir über.

Quelle: blog.google

Du bestellst ein Möbelstück, das in sechs Wochen geliefert werden soll. Nach zwei Monaten kommt eine Nachricht: „Es dauert noch etwas, wir wollen die Qualität verbessern.“ Ärgerlich, aber verständlich. Genau das passiert mit Googles neuem KI-Modell Gemini 3.5 Pro – nur dass die Möbel aus Algorithmen bestehen und die Verzögerung an den Börsen für Unruhe sorgt.

Alphabet, die Muttergesellschaft von Google, verlor am vergangenen Donnerstag rund vier Prozent an Börsenwert. Auslöser war ein Bericht von Bloomberg: Das Unternehmen verschiebe die Markteinführung seines leistungsstärksten KI-Modells Gemini 3.5 Pro um mehrere Monate. Grund seien Unzulänglichkeiten bei der Code-Generierung – einem Bereich, der für Entwickler und Unternehmen entscheidend ist. Während Google nachjustiert, haben Wettbewerber wie OpenAI mit GPT-5.6 Sol oder Meta mit Muse Spark 1.1 bereits neue Modelle vorgestellt, die genau in dieser Disziplin glänzen.

Im Alltag gilt: Wer zu spät kommt, den bestraft das Leben. Bei Google könnte die Verzögerung mehr sein als ein temporärer Dämpfer. Es geht um Vertrauen in die Innovationskraft eines Tech-Giganten, der bisher als führend in der KI-Entwicklung galt. Die Branche dreht sich schnell – wenn das eigene Flaggschiff nicht rechtzeitig vom Stapel läuft, fragen sich Kunden und Investoren, ob die Konkurrenz nicht längst die besseren Segel setzt.

Was genau ist Gemini 3.5 Pro? Es ist das fortschrittlichste Modell in Googles Gemini-Familie, einer Reihe von KI-Systemen, die Texte, Bilder, Code und mehr verarbeiten können. Auf der Entwicklerkonferenz Google I/O im Mai kündigte das Unternehmen an, dass das Modell intern bereits genutzt werde, aber für eine breite Auslieferung noch nicht bereit sei. Ursprünglich sollte der Rollout im Juli folgen. Jetzt wird daraus wohl Herbst oder Winter. Die versprochene Steigerung bei der Code-Generierung – dem automatischen Schreiben von Programmen – scheint besonders schwer umsetzbar.

Code zu generieren ist eine der anspruchsvollsten Aufgaben für KI-Modelle. Der Output muss syntaktisch korrekt, logisch konsistent und sicher sein. Ein Fehler im produzierten Code kann Systeme lahmlegen oder Sicherheitslücken reißen. Google will hier kein Risiko eingehen – das ist klug. Allerdings zeigt der Schritt auch, wie weit die Konkurrenz in diesem Bereich bereits ist. OpenAI hat GPT-5.6 Sol explizit auf agentische Codierungsaufgaben getrimmt und wirbt mit 54 Prozent höherer Token-Effizienz. Meta preist Muse Spark 1.1 als „stärkstes Modell für Agenten- und Codearbeiten“. Chinesische Labs wie Moonshot AI oder Z.ai bieten offene Gewichtsvarianten an, die Entwickler kostenlos nutzen können.

Die Verzögerung von Gemini 3.5 Pro ist nicht nur ein technisches Problem. Sie ist ein Signal an den Markt: Google muss aufholen, und das kostet Zeit. Ein Sprecher von Alphabet betonte gegenüber CNBC, man arbeite „schnell an einer breiten Palette von Modellen“ und halte sie kosteneffizient für Kunden. Man sei in der Testphase mit Partnern und der US-Regierung. Das klingt diplomatisch und verrät wenig über konkrete Termine.

Stell dir vor, du baust ein Haus. Die Grundmauern stehen, das Dach ist drauf, aber die Elektrik funktioniert nicht richtig. Du könntest provisorische Leitungen legen und einziehen – oder du nimmst dir Zeit, alles fachgerecht zu verlegen. Google scheint den zweiten Weg zu wählen. Das Problem: Während du noch am Kabelziehen bist, haben die Nachbarn ihre Smart-Home-Systeme installiert und feiern Einweihungsparty. Entwickler und Unternehmen fragen sich, ob sie nicht lieber gleich nebenan einziehen sollen.

Trotzdem wäre es voreilig, Google abzuschreiben. Das Unternehmen hat enorme Ressourcen, eine starke Cloud-Infrastruktur und eine riesige Nutzerbasis. Gemini ist nicht das einzige Modell im Portfolio. Es gibt kleinere Varianten wie Gemini Nano für On-Device-Anwendungen oder Gemini Flash als effiziente Alternative. Die Verzögerung des Flaggschiffs könnte bedeuten, dass Google die Qualitätsschraube so weit anzieht, dass das fertige Produkt am Ende deutlich überlegen ist. Die Frage ist nur, ob der Markt so lange wartet.

Für Nutzer und Entwickler heißt das: Sich nicht blind auf ein einziges Ökosystem verlassen. Die KI-Landschaft wird diverser. Wer heute auf ein bestimmtes Modell setzt, muss morgen vielleicht umsteigen. Die Code-Generierung entwickelt sich rasant – und mit ihr die Anforderungen an Zuverlässigkeit und Sicherheit. Googles Zögern könnte sich langfristig auszahlen, wenn das Modell dann stabiler und leistungsfähiger ist. Kurzfristig gibt es Raum für andere Anbieter, die schneller liefern.

KI-Modelle sind keine Fertigprodukte von der Stange. Sie sind hochkomplexe Gebilde, die ständig trainiert, getunt und getestet werden müssen. Verzögerungen sind normal – auch bei Branchengrößen. Der Hype um schnelle Releases sollte nicht darüber hinwegtäuschen, dass Qualität Zeit braucht. Gleichzeitig zeigt der Fall Gemini, wie stark der Wettbewerbsdruck ist. Wer zu lange braucht, verliert Marktanteile. Ein schmaler Grat.

Für Investoren ist die Aktie von Alphabet ein klassischer Fall von „buy the rumor, sell the news“. Die Marktreaktion war hart, aber vielleicht übertrieben. Wer langfristig denkt, weiß, dass Google noch viele Trümpfe in der Hand hält. Für Entwickler heißt es: Augen auf bei der Wahl der KI-Assistenten. Testet verschiedene Modelle, vergleicht die Code-Qualität und entscheidet nach Ergebnissen, nicht nach Versprechungen. Und für alle anderen: Nehmt Verzögerungen in der Tech-Branche nicht automatisch als Zeichen von Schwäche. Manchmal ist Langsamkeit die schnellste Art, etwas richtig zu machen.

Die Geschichte von Gemini 3.5 Pro ist noch nicht zu Ende geschrieben. Google arbeitet daran, die Lücken zu schließen. Die Konkurrenz schläft nicht. Wir sitzen in der ersten Reihe und schauen zu, wie sich ein neues Kapitel der KI-Entwicklung entfaltet – mit Höhen, Tiefen und unvermeidlichen Verzögerungen.

Quelle: cnbc.com

Du baust einen KI-Agenten, der nicht nur auf Anfragen wartet, sondern eigenständig im Hintergrund arbeitet – etwa um eine große Datenbank zu durchforsten, während du die nächste Aufgabe startest. Oder dein Agent soll auf interne Firmen-APIs zugreifen, ohne dass du jedes Mal eine Proxy-Schicht programmieren musst. Googles neueste Erweiterung der Managed Agents in der Gemini API macht das möglich. Mit Background Execution, Remote MCP Server Integration, Custom Function Calling und Credential Refresh werden die Agenten zu asynchronen Workern, die du in deine Produktionsumgebung integrieren kannst.

Managed Agents sind ein persönlicher Assistent in einem abgeschotteten Cloud-Sandkasten. Du rufst eine einzige API auf, und Gemini übernimmt Reasoning, Codeausführung, Paketinstallation, Dateiverwaltung und Webabfragen – alles isoliert. Bisher arbeitete der Assistent nur, solange die Verbindung bestand. Die neuen Features lassen ihn auch nach Verbindungsabbruch weiterarbeiten, mit externen Werkzeugen kommunizieren und abgelaufene Zugangsschlüssel selbst erneuern.

Hintergrundausführung: Der Agent arbeitet auch ohne dich

Ein klassisches Problem bei langlaufenden Aufgaben sind instabile HTTP-Verbindungen. Hältst du die Verbindung offen, während der Agent eine Stunde eine Datenbank abfragt, drohen Timeouts. Mit der Background Execution änderst du das grundlegend. Du übergibst das Flag background: true, die API startet die Interaktion asynchron. Die Antwort kommt sofort – eine eindeutige ID. Damit fragst du später den Status ab, streamst Fortschritte oder nimmst die Verbindung wieder auf. Keine blockierenden Requests mehr, weniger Fehleranfälligkeit. Der Agent läuft nebenher, während deine App andere Dinge erledigt.

Die API gibt sofort eine Interaktions-ID zurück. Dein Client nutzt sie für regelmäßiges Polling oder abonniert einen Streaming-Endpunkt. Bricht die Verbindung ab, fragst du später mit derselben ID den aktuellen Stand ab und holst die Ergebnisse. Das ist nützlich für Datenanalyse, Batch-Verarbeitung oder das Durchsuchen großer Dokumentenbestände. Du musst nicht auf den Abschluss warten – der Agent arbeitet zuverlässig im Hintergrund.

Remote-MCP-Server: Der Agent holt sich selbst, was er braucht

Der Zugriff auf private Datenquellen war bisher umständlich. Du musstest Middleware oder Proxy-Server schreiben, um deinem Agenten Zugang zu internen APIs, Datenbanken oder Legacy-Systemen zu geben. Jetzt integrierst du sie direkt über das Model Context Protocol (MCP), einen offenen Standard für externe Tools und Ressourcen. Du verbindest deinen Managed Agent mit einem Remote-MCP-Server, ohne Proxy-Code.

Dein Unternehmen betreibt ein CRM-System mit einer REST-API. Statt einen eigenen Adapter zu bauen, definierst du einen MCP-Server, der die CRM-Daten abstrahiert. Dein Gemini-Agent ruft dann mcp_server als Tool auf – zusammen mit anderen Sandbox-Funktionen wie Google-Suche oder Codeausführung. Der Agent entscheidet selbst, welche Daten er benötigt, und holt sie sich aus deiner geschützten Umgebung. Du kombinierst mehrere MCP-Server, legst Authentifizierungsregeln fest und stellst sicher, dass nur autorisierte Daten fließen. Das ergibt einen einheitlichen Zugang zu allen Quellen, ohne Netzwerkkomplexität.

Die Integration erfolgt zur Laufzeit: Du übergibst die Konfiguration des MCP-Servers zusammen mit den anderen Tools. Der Agent kommuniziert aus seinem sicheren Sandkasten mit deinem internen Dienst. Befolge Best Practices: kurze Token-Laufzeiten, begrenzte Rechte des MCP-Servers, Zugriffe überwachen. So bleibt dein System sicher.

Benutzerdefinierte Funktionen: Lokale Logik im Sandwich

Nicht jeder Schritt soll im Cloud-Sandkasten stattfinden. Manche Aktionen sind besser auf dem Client ausgeführt – etwa lokale Dateien schreiben, Hardware-Aktionen auslösen oder mit lokalen Diensten interagieren. Custom Function Calling erlaubt dir, eigene Tools zu definieren, die lokal laufen, und sie mit den eingebauten Sandbox-Funktionen zu kombinieren.

Die API gleicht intelligent ab: Eingebaute Tools wie Datenbankabfragen oder Webzugriffe werden automatisch im Server ausgeführt. Sobald der Agent auf eine benutzerdefinierte Funktion stößt, wechselt die Interaktion in den Status requires_action. Dein Client erhält die Aufforderung, die Funktion auszuführen, und schickt das Ergebnis zurück. Ein Sandwich: Der Server bereitet den Rahmen vor, der Client fügt die lokale Zutat hinzu, der Server backt fertig. Du behältst die Kontrolle über sensible oder lokale Operationen.

Ein Beispiel: Dein Agent soll eine Bestellung auslösen. Die Prüfung der Kundendaten übernimmt der Cloud-Sandkasten (zentrale Datenbank). Der finale Bestellvorgang läuft über eine lokale API auf deinem Firmenrechner. Der Agent ruft die benutzerdefinierte Funktion auf, deine lokale Anwendung führt sie aus, das Ergebnis fließt zurück. So kombinierst du beide Welten ohne Sicherheitslücken.

Netzwerk-Credentials automatisch erneuern: Der Agent vergisst den Schlüssel nicht

Access Tokens laufen ab. Du gibst deinem Agenten einen gültigen Schlüssel mit, nach einer Stunde ist er ungültig. Bisher musstest du die Interaktion abbrechen, den Schlüssel erneuern und neu starten. Die Credential Refresh Funktion löst das elegant.

Du übergibst einer laufenden Interaktion eine neue Netzwerkkonfiguration, indem du die vorhandene environment_id mit frischen Credentials kombinierst. Die neuen Regeln ersetzen die alten sofort – der Sandkasten behält seinen gesamten Zustand: Dateisystem, installierte Pakete, geklonte Repositories. Alles bleibt erhalten. Der Agent wechselt den Schlüssel und macht weiter, ohne einen Schritt zu verlieren.

Diese Funktion ist wertvoll für langlebige Agenten, die über Stunden oder Tage laufen. Ein Monitoring-Agent ruft regelmäßig Daten aus einer externen API ab. Seine Credentials laufen ab. Dank Credential Refresh gibst du ihm eine neue Konfiguration mit, und er setzt seine Arbeit nahtlos fort. Du musst keine Sessions verwalten oder Workflows unterbrechen.

Was bedeutet das für Entwickler?

Diese vier Erweiterungen – Background Execution, Remote-MCP, Custom Functions und Credential Refresh – machen Managed Agents zu einem Werkzeug für die Produktion. Du baust keine Prototypen mehr, die nur unter Idealbedingungen funktionieren. Du erhältst einen zuverlässigen, asynchronen Worker, der sich in deine bestehende Infrastruktur einfügt. Die API übernimmt die komplexe Orchestrierung: Timeouts, konsistenter Zustand, Kontrolle über kritische Schritte lokal.

Wenn du die Gemini Interactions API noch nicht kennst, ist jetzt ein guter Zeitpunkt, dich damit zu beschäftigen. Die neuen Features adressieren direkte Rückmeldungen von Entwicklern. Du musst kein KI-Experte sein – mit wenigen Zeilen Code startest du einen leistungsfähigen Agenten. Die Dokumentation bietet ausführliche Guides zu Background Execution, MCP-Integration und mehr.

KI-Agenten sollen nicht nur in kontrollierten Demos glänzen, sondern im rauen Alltag der Softwareentwicklung bestehen. Mit diesen Neuerungen macht Google einen Schritt in Richtung Alltagstauglichkeit. Du musst keine Kompromisse zwischen Einfachheit und Leistungsfähigkeit machen – der Agent arbeitet im Hintergrund und Vordergrund, nutzt deine vorhandenen Systeme und erneuert seine Schlüssel. Das ist der Unterschied zwischen einem Spielzeug und einem Werkzeug. Hier fängt das Bauen ernsthafter KI-gestützter Anwendungen an.

Quelle: blog.google

Jeden Morgen öffnest du Gmail mit 50 ungelesenen Nachrichten. Ein Teil davon sind Newsletter, die du nie gelesen hast. Ein anderer Teil sind Fragen, die du beantworten müsstest. Irgendwo dazwischen versteckt sich eine Deadline aus einer E-Mail deines Chefs. Statt den Überblick zu behalten, scrollst du durch eine Endlosschleife.

Google will das mit einer neuen Funktion lösen. Laut einem Bericht von Alexey Shabanov auf TestingCatalog arbeitet der Konzern an einer dedizierten Inbox innerhalb der Gemini-App für Business- und Workspace-Kunden. Die Funktion wurde in aktuellen Builds gesichtet, ist aber noch nicht öffentlich verfügbar. Sie filtert nicht nur E-Mails, sondern verwandelt sie in eine strukturierte Aufgabenliste – außerhalb von Gmail, im Gemini-Interface.

Drei Filter helfen dir, den Überblick zu behalten. „To follow up“ sammelt Dinge, auf die du reagieren musst. „Review“ zeigt dir, was du als erledigt markiert hast – vielleicht zur erneuten Prüfung. „Needs review“ ist der spannendste Filter. Ein KI-Agent legt dort alles ab, was deine Aufmerksamkeit erfordert – nicht nur E-Mails, sondern auch Daten aus anderen Quellen.

Das Layout erinnert an Inbox Zero, nur dass die Arbeit nicht in Gmail, sondern in Gemini passiert. Statt um eine Zusammenfassung zu bitten, übernimmt die KI die Sortierung komplett. Sie hebt Nachrichten mit Aufgabencharakter hervor, archiviert irrelevante Mails und präsentiert eine klare To-do-Liste. Das könnte die Produktivität steigern.

Google betrachtet dieses Feature nicht isoliert. Das Unternehmen hat Gemini in den vergangenen Monaten von einem Chatbot zu einem Arbeitsassistenten umgebaut – mit einer macOS-App, browserbasierten Agentenläufen und Workspace Studio, einem No-Code-Automatisierungsbaukasten in Gmail. Die neue Inbox ergänzt dieses Puzzle: Sie bündelt E-Mail-Triage, Aufgabenverfolgung und Automatisierungen in einem Fenster. So entsteht ein Arbeitsbereich, in dem du mit Gemini zusammenarbeitest, statt es nur zu fragen.

Der Filter „Needs review“ deutet auf einen proaktiven Agenten hin. Er scannt nicht nur auf Anfrage, sondern selbstständig Mails und Kalenderdaten, priorisiert und macht strukturierte Vorschläge. Das geht über intelligente Suche hinaus – es ist ein persönlicher Assistent. Ähnliche Muster gibt es in anderen Google-Apps. Die „Daily Brief“-Funktion kompiliert dringende Mails und Termine. „Gemini Spark“ archiviert Newsletter und schlägt Folgetermine vor. Eine frühere Gmail-basierte KI-Inbox hob Deadlines an den oberen Rand der Mail-Liste.

Die neue Gemini-Inbox löst diese Aufgaben aus dem Mail-Interface. Du wechselst nicht mehr zwischen Posteingang, Kalender und To-do-Liste, sondern landest in einem zentralen Dashboard, das die KI vorbereitet hat. Das spart Zeit, vor allem bei vielen projektbezogenen E-Mails. Der Agent kann dir sagen: „Diese E-Mail braucht deine Antwort bis morgen, jene enthält eine Anlage zur Prüfung, diese drei kannst du archivieren.“

Ob daraus eine Art All-in-One-App für Workspace wird, bleibt abzuwarten. Die Richtung ist klar. Google will Gemini zum Zentrum der Arbeitswelt machen, wo Computersteuerung, Browserautomation und E-Mail-Verwaltung zusammenfließen. Auch andere Plattformen wie Microsoft mit Copilot oder OpenAI mit ChatGPT-Integrationen bewegen sich in eine ähnliche Richtung. Der Wettbewerb um den digitalen Arbeitsplatz hat begonnen.

Was bedeutet das für dich als Nutzer? Wenn du Workspace-Kunde bist, wirst du in den nächsten Monaten eine neue Oberfläche sehen, die dir vorschlägt, welche Mails du heute angehen solltest. Statt selbst zu entscheiden, ob eine Nachricht wichtig ist, überlässt du die erste Sortierung der KI. Das kann befreiend wirken – es setzt aber Vertrauen voraus. Ein Algorithmus, der entscheidet, was „Needs review“ ist, muss zuverlässig sein. Sonst verpasst du vielleicht die Nachricht, die später Probleme macht. Googles Vorteil ist die Datenmenge über deine Kommunikationsmuster. Der Nachteil: Dieselbe Datenbasis macht viele Nutzer skeptisch, was die Privatsphäre angeht.

Betrachte die neue Inbox nicht als Allheilmittel, sondern als Werkzeug. Sie kann dir helfen, den Überblick zu behalten, wenn du der KI vertraust. Sie ersetzt nicht deine Urteilskraft. Selbst die beste Triage braucht einen Menschen, der am Ende entscheidet. Die Gemini-Inbox ist ein Schritt in eine Zukunft, in der KI aktiv arbeitet – aber die Kontrolle bleibt bei dir.

Quelle: testingcatalog.com