Was ist Vertex AI?

Aktualisiert im Juli 2026

Vertex AI ist die einheitliche Plattform von Google Cloud für das Erstellen, Bereitstellen und Verwalten von Machine-Learning- und generativen KI-Modellen im Enterprise-Maßstab. Sie vereint Modelltraining, einen kuratierten Modell-Marktplatz namens Model Garden, Tools zum Erstellen von Agenten und MLOps-Infrastruktur in einer einzigen Konsole, sodass Datenteams von der Experimentierphase zur Produktion übergehen können, ohne separate Dienste manuell zusammenzufügen.

Diese Definition beschreibt das Produkt weiterhin, aber der Name hat sich geändert. Im April 2026 benannte Google auf der Google Cloud Next Vertex AI in Gemini Enterprise Agent Platform um, integrierte dabei Agentspace und positionierte den Dienst neu rund um Agenten statt allein um Modelle. Die zugrunde liegenden APIs, der Model Garden, die Trainingspipelines und die Endpunkte haben sich nicht geändert, und die meisten Praktiker, Dokumentationen und Stellenanzeigen sagen aus Gewohnheit weiterhin „Vertex AI". Dieser Artikel verwendet deshalb durchgehend „Vertex AI" und weist darauf hin, wo das Rebranding tatsächlich etwas verändert.

Was Vertex AI tatsächlich leistet

Vertex AI deckt den gesamten Weg von Rohdaten bis zum laufenden Modell ab, und genau das unterscheidet die Plattform von einer Single-Purpose-API.

Modelltraining und individuelle Entwicklung. Teams können mit AutoML eigene Modelle für strukturierte Daten und gängige Aufgaben von Grund auf trainieren oder vollständig individuelle Machine-Learning-Pipelines mit eigenem Code, eigenen Daten und eigener Rechenleistung aufbauen. Vertex AI Pipelines, Feature Store und Experiments übernehmen die technische Grundlagenarbeit: die Versionierung von Datensätzen, das Nachverfolgen von Trainingsläufen und die Verwaltung der Merkmale, die ein Modell speisen.

Model Garden. Statt alles von null an zu trainieren, beginnen die meisten Teams hier. Model Garden ist ein einziger Katalog mit mehr als 200 Foundation Models von Google und seinen Partnern, darunter Googles eigene Gemini-Familie, Claude von Anthropic, Llama von Meta, Mistral, Gemma, DeepSeek und Qwen. Teams können Modelle direkt vergleichen, die dafür geeigneten per Fine-Tuning anpassen und mit wenigen Klicks bereitstellen, statt eine eigene Serving-Infrastruktur aufzubauen. Hier beginnt auf der Plattform auch der Großteil der Arbeit mit Generative AI, egal ob Textgenerierung, Bildgenerierung mit Imagen oder Videogenerierung mit Veo.

Agent Builder. Das ist der Teil der Plattform, den Google beim Rebranding 2026 am stärksten in den Vordergrund gerückt hat. Agent Builder bündelt das Agent Development Kit (ADK), ein Open-Source-Framework mit Code-First-Ansatz zum Erstellen von KI-Agenten in Python, Go, Java oder TypeScript, Agent Studio, eine Low-Code-Oberfläche zum Entwerfen von agentischen Workflows, sowie Agent Garden, eine Bibliothek mit vorgefertigten Agenten-Vorlagen. Dazu kommt RAG Engine, um Agenten-Antworten in Unternehmensdaten zu verankern, sowie Agent Identity und Agent Registry für die Rechtevergabe und Katalogisierung von Agenten, sobald eine Organisation mehr als eine Handvoll davon im Einsatz hat.

MLOps. Sobald ein Modell oder ein Agent live ist, übernimmt Vertex AI die operative Ebene: Model Monitoring für Drift und Leistungsabbau, versionierte Modellregister, automatisierte Retraining-Trigger und die Skalierung von Endpunkten. Das ist klassische MLOps-Disziplin, angewendet auf Plattformebene. Für Teams, die speziell Generative-AI-Funktionen bauen, sieht diese operative Ebene zunehmend nach LLMOps aus und umfasst Prompt-Versionierung, Evaluierungssets und die Gesundheit der Retrieval-Pipeline statt nur der Modellgenauigkeit.

Für wen Vertex AI gedacht ist

Vertex AI ist für Enterprise-Machine-Learning- und Datenteams konzipiert, nicht für einzelne Entwickler, die mit einem einzigen Prompt experimentieren. Die Plattform setzt voraus, dass bereits eine Dateninfrastruktur vorhanden ist (meist BigQuery), eine Identitäts- und Zugriffsverwaltung über Google Cloud IAM eingerichtet ist und ein Grund besteht, Modelle, Pipelines und Agenten in einer einzigen, kontrollierten Umgebung zu halten, statt sie über Notebooks und persönliche API-Keys verstreut zu lassen.

In der Praxis profitieren davon vor allem drei Gruppen. Data-Science- und ML-Engineering-Teams nutzen die Plattform, um eigene Modelle zu trainieren, zu versionieren und bereitzustellen, ohne einen eigenen MLOps-Stack aufzubauen. Anwendungs- und Plattformteams nutzen Agent Builder und Model Garden, um bestehenden Produkten Generative-AI-Funktionen hinzuzufügen, ohne etwas von Grund auf zu trainieren. Und IT- und Governance-Teams nutzen die Identitäts-, Audit-Protokollierungs- und Zugriffskontrollfunktionen, um die KI-Nutzung konform zu halten, wenn die Einführung über ein einzelnes Pilotteam hinauswächst.

Organisationen, die bereits auf Google Cloud laufen, insbesondere solche mit Daten in BigQuery, haben einen deutlich kürzeren Weg zur Produktion als Teams, die mit einem leeren Cloud-Konto starten, weil die Datengravitation und die KI-Plattform am selben Ort liegen.

Wie Vertex AI bepreist wird

Vertex AI nutzt ein verbrauchsbasiertes Preismodell ohne pauschale Plattformgebühr. Was Sie zahlen, hängt davon ab, welchen Teil der Plattform Sie nutzen.

Generative-AI-Modellaufrufe werden pro Token abgerechnet, wobei die Sätze je Modell festgelegt sind. Stand Mitte 2026 kostet Gemini 2.5 Flash-Lite 0,10 US-Dollar pro Million Input-Token und 0,40 US-Dollar pro Million Output-Token, während das Flaggschiff Gemini 2.5 Pro bei 1,25 US-Dollar pro Million Input-Token und 10,00 US-Dollar pro Million Output-Token beginnt. Die Preise steigen bei längeren Kontextfenstern und sinken bei kleineren, schnelleren Modellen, weshalb Teams mit hohem Volumen einfache Anfragen häufig an ein günstigeres Modell weiterleiten und das teurere Modell für schwierigere Aufgaben reservieren.

Individuelles Training und Compute werden pro Node-Stunde abgerechnet, wobei GPU- und TPU-Kosten zusätzlich zum Basis-Compute-Satz anfallen. Eine NVIDIA A100 GPU kostet beispielsweise rund 2,93 US-Dollar pro Stunde an Compute zuzüglich einer Vertex-AI-Verwaltungsgebühr von 0,44 US-Dollar pro Stunde, zusammen also etwa 3,37 US-Dollar pro Stunde. Supervised Fine-Tuning wird nach verarbeiteten Trainings-Token abgerechnet statt nach Stunden.

Durchsatzstufen skalieren automatisch: Googles Standard-PayGo-Stufe erhöht den verfügbaren Durchsatz, wenn die gleitenden 30-Tage-Ausgaben steigen, und für planbare Workloads gibt es Rabatte bei fester Nutzungsbindung, wobei Google im Vergleich zu AWS oder Azure in der Regel längere Bindungsfristen im Austausch für einen niedrigeren Satz anbietet.

Das praktische Risiko ist dasselbe wie bei jeder Hyperscaler-KI-Plattform: Ein genannter Preis pro Token wirkt klein, bis Inferenzvolumen, Fine-Tuning-Läufe, Speicher und Netzwerk über ein ganzes Jahr hinweg zusammengerechnet werden. Genau dafür ist ein Gesamtbetriebskosten-Rahmenwerk für KI gedacht, und es lohnt sich, dieses zu erstellen, bevor Budget allein auf Basis einer Schlagzeilen-Zahl pro Token zugesagt wird.

Vertex AI vs. AWS Bedrock vs. Azure AI Foundry

Alle drei Hyperscaler-KI-Plattformen bieten führende kommerzielle und Open-Weight-Modelle, unterstützen Fine-Tuning und integrieren sich in die Identitäts- und Speichersysteme der jeweils eigenen Cloud. Die Unterschiede zeigen sich in der Tiefe des Katalogs, im Agenten-Tooling und darin, in welchem Ökosystem ein Unternehmen bereits verankert ist.

Keine der drei Plattformen gewinnt allein aufgrund der Modellqualität. Die Leistungsunterschiede zwischen den führenden Anbietern sind meist gering, sodass die Plattformentscheidung in der Regel davon abhängt, in welcher Cloud die eigenen Daten bereits liegen, welche Compliance-Anforderungen bestehen und welches technische Know-how im Team vorhanden ist. Genau diese Abwägung lohnt sich in einer strukturierten KI-Anbieterbewertung statt in einer reinen Feature-Checkliste zu treffen.

Wichtige Fakten

• Google hat Vertex AI im April 2026 auf der Google Cloud Next in Gemini Enterprise Agent Platform umbenannt, Agentspace integriert und das Produkt neu rund um Agenten positioniert, während bestehende APIs und Endpunkte unverändert blieben, laut der offiziellen Produktseite von Google Cloud.
• Model Garden bietet Zugriff auf mehr als 200 validierte Modelle von Google und seinen Partnern, darunter Gemma, Qwen, DeepSeek und Llama, laut der Model-Garden-Seite von Google Cloud.
• Der Umsatz von Google Cloud überschritt im ersten Quartal 2026 erstmals die Marke von 20 Milliarden US-Dollar in einem einzigen Quartal und wuchs im Jahresvergleich um 63 Prozent, laut der Berichterstattung von CNBC zu den Q1-2026-Ergebnissen von Alphabet.
• Google Cloud hält 2026 rund 12 Prozent des globalen Marktes für Cloud-Infrastruktur, hinter AWS mit etwa 31 bis 33 Prozent und Microsoft Azure mit etwa 23 bis 25 Prozent, basierend auf Daten der Synergy Research Group, berichtet von BusinessStats.
• Gemini 2.5 Pro kostet ab 1,25 US-Dollar pro Million Input-Token und 10,00 US-Dollar pro Million Output-Token, während Gemini 2.5 Flash-Lite bei 0,10 US-Dollar pro Million Input-Token und 0,40 US-Dollar pro Million Output-Token liegt, laut der Vertex-AI-Preisaufschlüsselung 2026 von CloudZero.
• Individuelles Training auf einer NVIDIA A100 GPU kostet etwa 2,93 US-Dollar pro Stunde an Compute zuzüglich einer Vertex-AI-Verwaltungsgebühr von 0,44 US-Dollar pro Stunde, zusammen rund 3,37 US-Dollar pro Stunde, laut der Preisanalyse von CloudZero.

Warum Vertex AI für das Unternehmen wichtig ist

Das strategische Argument für Vertex AI ist nicht die Modellqualität, denn Gemini, Claude und GPT-Klasse-Modelle wechseln sich alle paar Monate an der Spitze ab, und die Unterschiede zwischen ihnen sind meist gering. Entscheidend ist die operative Ebene rund um die Modelle: ein einziger Ort, an dem KI-Arbeit trainiert, bereitgestellt, überwacht und gesteuert wird, statt separate Anbieter für Inferenz, Fine-Tuning, Agenten-Orchestrierung und Compliance-Protokollierung zu verwalten.

Diese Konsolidierung wird umso wichtiger, je weiter sich die KI-Nutzung über ein einzelnes Pilotteam hinaus ausbreitet. Eine Lücke im Model Monitoring, ein ungesteuerter Agent mit zu weitreichendem Zugriff oder eine nicht nachverfolgte Fine-Tuning-Rechnung sind genau die Art von Problemen, die klein bleiben, solange ein Team experimentiert, aber teuer werden, sobald ein Dutzend Teams unabhängig voneinander KI-Funktionen ausliefert. Der Cloud-Auftragsbestand von Google Cloud in Höhe von 462 Milliarden US-Dollar, der zusammen mit den Q1-2026-Ergebnissen gemeldet wurde, laut der Alphabet-Ergebnisvorschau von IG.com, zeigt, wie viel Enterprise-KI-Budget mittlerweile Jahre im Voraus zugesagt wird statt bei Bedarf eingekauft zu werden, und genau auf diese Art von Plattformwette ist Vertex AI ausgelegt.

Für Organisationen, die bereits auf Google Cloud laufen, liegt der praktische Vorteil in der Nähe: Daten in BigQuery, Modelle in Model Garden und Agenten in Agent Builder, alles innerhalb derselben IAM-Grenze. Das reduziert den Integrationsaufwand auf dem Weg von einem funktionierenden Prototyp zu einer produktiven Funktion, was üblicherweise die langsamere Hälfte jedes Enterprise-KI-Projekts ist.

Grenzen, die man kennen sollte

Vertex AI ist nicht für jedes Team die richtige Standardwahl, und einige Einschränkungen sollten vor einer Entscheidung abgewogen werden.

• Das Rebranding 2026 sorgt für Reibung. Dokumentationen, Jobtitel, Tutorials von Drittanbietern und interne Runbooks verweisen weiterhin auf „Vertex AI", während neues Marketing und einige neuere Funktionen die Gemini Enterprise Agent Platform nennen. Rechnen Sie eine Weile mit uneinheitlicher Namensgebung.
• Am stärksten ist die Plattform innerhalb des Google-Cloud-Ökosystems. Teams ohne bestehende GCP-Infrastruktur, insbesondere ohne BigQuery, haben zusätzlichen Einrichtungsaufwand, den AWS- oder Azure-native Teams auf ihren jeweiligen Plattformen nicht haben.
• Die Kosten sind mehrschichtig und schwer vorherzusagen. Token-Preise, Node-Stunden-Compute, Speicher und Netzwerk werden jeweils separat abgerechnet, und eine grobe Schätzung allein auf Basis des genannten Preises pro Token unterschätzt die tatsächlichen Ausgaben regelmäßig.
• Das Agenten-Tooling ist neuer als die Seite des Modelltrainings. Agent Builder, ADK und Agent Registry wurden größtenteils 2025 und 2026 eingeführt oder ausgereift, sodass das Ökosystem an Beispielen, Integrationen von Drittanbietern und verfügbaren Fachkräften kleiner ist als bei den länger etablierten Trainings- und Deployment-Funktionen der Plattform.
• Regionale und modellbezogene Verfügbarkeit variiert. Nicht jedes Modell im Model Garden ist in jeder Google-Cloud-Region verfügbar, was für Teams mit Anforderungen an die Datenresidenz relevant ist.

Verwandte KI-Konzepte

• Retrieval-Augmented Generation - Die Technik, mit der RAG Engine von Vertex AI Agenten-Antworten in Unternehmensdaten verankert
• API-Integration - Wie die Modelle und Agenten von Vertex AI mit bestehenden Geschäftsanwendungen verbunden werden
• Model Serving - Die Infrastrukturebene, über die Vertex AI trainierte Modelle als produktive Endpunkte bereitstellt

Externe Ressourcen

• Gemini Enterprise Agent Platform (ehemals Vertex AI) - Die offizielle Produktübersicht von Google Cloud
• Model Garden auf Google Cloud - Der offizielle Katalog mit über 200 Modellen, die über Vertex AI verfügbar sind
• Vertex AI Preise - Die offizielle Preisreferenz von Google Cloud