Google Gemini — multimodales Reasoning, langer Kontext, Distribution im Unternehmenseinsatz

Worum es geht

Google Gemini ist Google DeepMinds Flaggschiff-Modellfamilie, verfügbar über vier für Unternehmen erreichbare Oberflächen: Vertex AI (die verwaltete API für Produktions-Workloads), AI Studio (Entwickler-Experimentierumgebung), Gemini für Google Workspace (eingebettet in Docs, Sheets, Gmail, Meet) sowie die im Mai 2026 angekündigte Gemini CLI DevOps Extension für terminalnative SRE-Workflows. Die Familie umfasst Gemini Flash (latenzoptimiert, kostenoptimiert, ideal für hochdurchsatzstarke Annotations- oder Streaming-Aufgaben), Gemini-Pro-Stufen (Allzweck-Reasoning + multimodale Analyse) sowie Gemini Ultra (Premium-Fähigkeit, Zugriff vertraglich geregelt). Die Versionsbenennung wird hier bewusst nicht festgelegt — Google iteriert die Benennung schnell, und cloud.google.com/vertex-ai/docs ist die einzige maßgebliche Quelle.

Langer Kontext als strukturelle Designentscheidung. Gemini Pros öffentlich dokumentiertes Kontextfenster — bis zu 1 Mio. Token und experimentell 2 Mio. — ist Mitte 2026 das größte unter allen allgemein verfügbaren Frontier-Modellen. Das ist kein bloßes Werbemerkmal: Es verändert, welche Retrieval-Architekturen überhaupt benötigt werden. Passt der Korpus in den Kontext (eine 500-seitige technische Spezifikation, eine gesamte Microservice-Codebasis, zwölf Quartale an Earnings-Transkripten), können Chunking, Embedding und Vektor-Ähnlichkeit vollständig übersprungen werden, und das Modell liest das gesamte Dokument nativ. Der Trade-off liegt bei den Kosten: Jedes Token im Kontext verursacht Inferenzkosten, sodass Ganzdokument-Muster nur dann wirtschaftlich gerechtfertigt sind, wenn Retrieval-Präzision wichtiger ist als der Preis pro Anfrage. Wann langer Kontext statt RAG: Langen Kontext wählen, wenn die Dokumentstruktur dicht ist und Fragen abschnittsübergreifendes Reasoning erfordern; RAG wählen, wenn der Korpus unbegrenzt wächst und die meisten Anfragen nur einen kleinen Ausschnitt betreffen.

Warum es zählt

• Langen Kontext statt RAG wählen, wenn der Korpus dicht ist und Fragen abschnittsübergreifendes Reasoning erfordern (eine 500-seitige Spezifikation, eine gesamte Codebasis, zwölf Quartale an Transkripten); RAG wählen, wenn der Korpus unbegrenzt wächst.
• Jedes im Kontext gehaltene Token kostet weiterhin Inferenzgeld, sodass Ganzdokument-Muster nur gerechtfertigt sind, wenn Retrieval-Präzision wichtiger ist als der Preis pro Anfrage.
• Gemini war bereits im ersten Pre-Training-Lauf multimodal, nicht nachträglich mit einem Vision-Encoder ausgestattet, und verarbeitet daher ein in Text eingebettetes Diagramm als einen einheitlichen Token-Strom.

Kernpunkte

• Familienaufstellung — Gemini-Pro-Stufen (allgemeines Reasoning), Gemini Flash (kostenoptimiert, latenzarm), Gemini Ultra (Premium); die genaue Versionsbenennung entwickelt sich schnell weiter — für die aktuelle Generation deepmind.google konsultieren.
• Strukturelle Unterscheidungsmerkmale — von Grund auf multimodal konzipiert (Text + Bild + Audio + Video, nicht nachträglich mit Vision versehen) sowie langer Kontext bis zu 1-2 Mio. Token in den Pro-Stufen (Anbieterdokumentation).
• Architekturdetails nicht offengelegt — Parameteranzahl, Layer-Tiefe, MoE-Konfiguration NICHT öffentlich veröffentlicht; Peer-Review der Anbieter-Benchmark-Angaben steht aus.
• Enterprise-Distribution — Vertex AI auf Google Cloud, AI Studio für Entwickler, Gemini in Workspace, Gemini CLI DevOps Extension (angekündigt am 2026-05-11) für SRE-/Plattform-Teams.
• Agentic-AI-Governance — Google hat am 2026-05-12 ein produktisiertes Enterprise-Kontrollebenen-Angebot angekündigt (laut Berichterstattung von Artificial Intelligence News), parallel zum SAP AI Agent Hub (C211); Unternehmen betreiben typischerweise beides — für SAP-berührende Agenten versus Nicht-SAP.
• SAP-Passung — keine exklusive SAP-Partnerschaft; Gemini erreicht Joule über die anbieterunabhängige Ebene des SAP AI Agent Hub (C211).

Begriffe auf dieser Seite

Gemini Pro / Flash / Ultra

Googles gestufte Produktisierung von Gemini für den Unternehmenseinsatz — Pro für allgemeines Reasoning, Flash für kostenoptimierte, latenzarme Nutzung, Ultra historisch für Premium-Reasoning; konkrete Versionsnamen entwickeln sich schnell weiter.

Long context (1M-2M tokens)

Gemini Pros struktureller Vorteil — die Fähigkeit, ganze Codebasen oder Dokumentenkorpora ohne Retrieval-Augmentation in einen einzigen Prompt zu laden, laut Google-Anbieterdokumentation.

SIMA 2

DeepMind-Agent (Ankündigung 2026-05-12), der in virtuellen 3D-Welten spielt, denkt und lernt — Beispiel dafür, wie sich Googles von Grund auf multimodale Abstammungslinie auf verkörperte/interaktive Agenten ausdehnt.

Gemini CLI DevOps Extension

Am 2026-05-11 angekündigter terminalnativer Gemini-Zugriff für SRE-/Plattform-Ingenieure; erweitert die Gemini-Distribution über IDE-/Browser-Oberflächen hinaus.

Kontrollebene

Die Ebene, die Policies, Zugriff, Lineage, Monitoring und Eskalation im gesamten Betriebsmodell durchsetzt.

Quellen

1. Google Cloud — Vertex AI documentation (Gemini enterprise distribution, regions, pricing)
2. DeepMind — SIMA 2 agent announcement (2026-05-12)
3. Artificial Intelligence News — 'Google made agentic AI governance a product' (2026-05-12)
4. Stanford HAI — AI Index Report 2026 (frontier-model landscape, long-context evaluations)
5. NIST — AI Risk Management Framework
6. SAP Business AI — official product page
7. SAP Generative AI — official product page
8. Google — Gemini API models documentation (checked Sep 2026)
9. Google Cloud — Vertex AI generative AI models documentation
10. Google Cloud — VPC Service Controls overview
11. Google Cloud — Customer-Managed Encryption Keys (CMEK) overview
12. SAP — SAP AI Agent Hub, agents at work at scale (news.sap.com, 2026-09)