Um zu verstehen, was das praktisch bedeutet, hilft ein Blick auf die Art, wie multimodale Systeme früher gebaut wurden. Lange Zeit war es üblich, für jede Modalität ein eigenes Spezialmodell einzusetzen: eine Spracherkennung, die Audio in Text umwandelt, ein Bilderkennungsmodell, das Objekte benennt, eine OCR, die Text aus Scans liest – und am Ende ein Sprachmodell, das die Einzelergebnisse zusammenführt. Dieses Hintereinanderschalten funktioniert, verliert aber an jeder Übergabestelle Information. Die Spracherkennung liefert nur Worte, aber nicht den Tonfall; die Bilderkennung liefert Begriffe, aber nicht die räumlichen Zusammenhänge; die OCR liefert Zeichen, aber nicht die Bedeutung der Tabelle.
Ein nativ multimodales Modell wie Gemini geht einen anderen Weg. Es wurde mit Daten aus verschiedenen Modalitäten gemeinsam trainiert und verarbeitet sie in einem einheitlichen Modell. Ein Video wird dabei nicht erst in ein Transkript und eine Reihe von Bildbeschreibungen zerlegt, sondern als zusammenhängender Strom aus Bildern und Ton verstanden. Das Modell kann deshalb Fragen beantworten, die sich nur aus der Kombination ergeben – etwa, an welcher Stelle eines Schulungsvideos der Sprecher etwas sagt, das nicht zu dem passt, was im Bild zu sehen ist, oder welche Positionen einer abfotografierten Tabelle sich auf eine Aussage in einer begleitenden E-Mail beziehen.
Ein großer Teil des Wissens in Unternehmen liegt nicht in sauberen Datenbanken, sondern in unstrukturierten Formaten vor: in Fotos von Baustellen und Maschinen, in Aufzeichnungen von Besprechungen und Kundentelefonaten, in Schulungsvideos, in eingescannten Lieferscheinen, in Präsentationen und in Hunderten von PDF-Dokumenten. Bislang ließ sich dieses Wissen nur mit viel Handarbeit erschließen. Multimodale Modelle verändern das grundlegend, weil sie diese Formate direkt lesen, hören und sehen können. Aus einem Archiv voller Videos wird so eine durchsuchbare Wissensbasis, aus einem Foto eines Typenschilds ein strukturierter Datensatz, aus einer Besprechungsaufzeichnung ein Protokoll mit Aufgabenliste.
Gemini ist dabei nicht der einzige Anbieter – OpenAI, Anthropic und zahlreiche offene Modelle bieten ebenfalls multimodale Fähigkeiten. Google hat jedoch einige Eigenschaften besonders betont, die für Unternehmen interessant sind: die Verarbeitung sehr langer Eingaben in einem Durchgang, eine ausgeprägte Video- und Audiokompetenz und die enge Verzahnung mit einem Ökosystem, das viele Unternehmen ohnehin nutzen – von Google Workspace über die Cloud-Plattform bis zu BigQuery.
Angesprochen sind Geschäftsführung, IT-Verantwortliche, Datenschutzbeauftragte und Fachabteilungen in mittelständischen Unternehmen, die verstehen wollen, was multimodale KI auf Basis von Gemini leisten kann und wo die Grenzen liegen. Technisches Detailwissen ist nicht erforderlich. Nach der Lektüre sollten Sie einschätzen können, für welche Aufgaben sich Gemini eignet, welcher Zugangsweg zu Ihrem Schutzbedarf passt, wie sich Gemini von Alternativen wie GPT-4o, Claude Vision oder offenen Vision-Language-Modellen unterscheidet und welche Fragen Sie vor einer Einführung klären sollten.
Wir arbeiten herstellerneutral und bewusst zurückhaltend mit Zahlen. Modellversionen, Kontextfenstergrößen, Preise pro Anfrage, Dateigrößenlimits und Benchmark-Ergebnisse ändern sich in der Gemini-Familie in kurzen Abständen. Statt Werte zu nennen, die schon bald veraltet sein könnten, sprechen wir von der „aktuellen Gemini-Generation“ und beschreiben Fähigkeiten qualitativ. Alle konkreten Angaben sollten Sie unmittelbar vor einer Entscheidung in der offiziellen Dokumentation und den Vertragsbedingungen von Google prüfen. Unser Ziel ist Orientierung, nicht ein Datenblatt.
Google veröffentlicht neue Gemini-Generationen in kurzen Abständen und bietet innerhalb jeder Generation typischerweise mehrere Varianten an. Die Bezeichnungen wechseln, das Grundmuster ist aber über die Generationen hinweg recht stabil geblieben: Es gibt leistungsstarke Modelle für anspruchsvolle Analyse- und Denkaufgaben, schnellere und günstigere Modelle für den Massenbetrieb und sehr schlanke Varianten für hohe Volumina oder den Einsatz auf Endgeräten. Ergänzt wird die Familie durch spezialisierte Modelle, etwa für Bild- und Videogenerierung, und durch die offene Modellfamilie Gemma, die auf verwandter Forschung basiert, aber selbst betrieben werden kann.
Mindestens so wichtig wie die Modellklasse ist der Weg, über den Gemini genutzt wird. Für den Unternehmenseinsatz lassen sich vier Kanäle unterscheiden, die sich nicht nur in der Bedienung, sondern vor allem in den rechtlichen und vertraglichen Rahmenbedingungen unterscheiden.
Die Gemini App – im Browser und auf dem Smartphone – ist der Endnutzer-Zugang. Hier können Personen Fotos hochladen, Dokumente analysieren, Sprachgespräche führen oder Videos auswerten lassen. Für private Konten gelten Verbraucherbedingungen, die unter anderem vorsehen können, dass Unterhaltungen zur Verbesserung der Dienste ausgewertet und von Menschen geprüft werden; Details hängen von den Einstellungen und den jeweils aktuellen Bedingungen ab. Für den Umgang mit Firmendaten ist dieser Zugang in der Regel ungeeignet.
Google Workspace integriert Gemini in Gmail, Docs, Sheets, Slides, Meet und Drive und bietet zusätzlich die Gemini App unter dem Unternehmenskonto an. Hier gelten die Workspace-Unternehmensbedingungen, die nach Angaben von Google insbesondere vorsehen, dass Kundendaten nicht zum Training der Modelle verwendet werden. Die Gemini API mit Google AI Studio richtet sich an Entwickler: AI Studio ist eine Weboberfläche zum Ausprobieren von Prompts und Modellen, die API der programmatische Zugang. Hier ist die Unterscheidung zwischen kostenlosem Kontingent und kostenpflichtiger Nutzung entscheidend, weil sich die Datennutzungsregeln unterscheiden können. Vertex AI schließlich ist die Unternehmens-KI-Plattform in Google Cloud – mit Regionenwahl, Zugriffssteuerung, Auditierung und den Datenverarbeitungsbedingungen der Cloud.
In Gesprächen mit Unternehmen erleben wir häufig, dass die Diskussion sich auf die Frage verengt, welches Modell gerade an der Spitze der Bestenlisten steht. Für die Praxis ist das selten die entscheidende Frage. Dasselbe Gemini-Modell kann über die private App datenschutzrechtlich problematisch und über Vertex AI in einer EU-Region gut vertretbar genutzt werden. Die Modellversion bestimmt, wie gut eine Aufgabe gelöst wird; der Zugangsweg bestimmt, ob Sie die Aufgabe mit echten Unternehmensdaten überhaupt lösen dürfen. Wer diese Reihenfolge beachtet – erst den Rahmen klären, dann das Modell wählen –, vermeidet teure Umwege.
Bei Bildern reicht die Bandbreite von der einfachen Beschreibung bis zur detaillierten Analyse. Gemini kann einen Screenshot einer Fehlermeldung erklären, eine handschriftliche Notiz abschreiben, ein technisches Diagramm interpretieren, auf einem Foto eines Lagerregals einzelne Artikel zählen oder zwei Produktfotos auf Abweichungen hin vergleichen. Für Unternehmen besonders relevant: Text in Bildern wird mitgelesen und im Kontext verstanden. Ein Foto eines Typenschilds liefert damit nicht nur eine Zeichenfolge, sondern auf Wunsch einen strukturierten Datensatz mit Hersteller, Modell, Seriennummer und Baujahr.
PDF-Dokumente verarbeitet die aktuelle Gemini-Generation nativ. Das Modell liest nicht nur den eingebetteten Text, sondern betrachtet die Seiten auch visuell – Tabellen, Diagramme, Stempel, Unterschriftenfelder und Layout fließen in die Analyse ein. Weil das Kontextfenster der Gemini-Modelle vergleichsweise groß ausgelegt ist, lassen sich auch umfangreiche Dokumente oder mehrere Dokumente gleichzeitig verarbeiten, etwa um ein Angebot mit einer Ausschreibung abzugleichen oder Unterschiede zwischen zwei Vertragsfassungen herauszuarbeiten. Die genauen Grenzen für Seitenzahlen und Dateigrößen hängen vom Zugangsweg ab und sollten geprüft werden.
Bei der Verarbeitung von Video hat Google die Gemini-Familie früh und deutlich positioniert. Ein Video wird vom Modell als Folge von Einzelbildern zusammen mit der Tonspur verstanden. Dadurch kann Gemini Fragen beantworten wie: „An welcher Stelle wird im Schulungsvideo das Sicherheitsventil geöffnet?“ oder „Fasse die drei wichtigsten Entscheidungen aus dieser Besprechungsaufzeichnung zusammen und nenne die Zeitpunkte.“ Antworten mit Zeitbezug sind ein großer praktischer Vorteil, weil sie die Prüfung durch Menschen erleichtern: Wer die Aussage verifizieren will, springt direkt an die genannte Stelle.
Auch Audio wird direkt verstanden, nicht nur in Text umgewandelt. Neben klassischer Transkription kann das Modell Sprecher unterscheiden, Inhalte zusammenfassen, Stimmungen einschätzen oder Geräusche einordnen. Für viele Unternehmen ist das eine Alternative zu spezialisierten Transkriptionsdiensten – mit dem Unterschied, dass Transkription und inhaltliche Auswertung in einem Schritt erfolgen. Wie gut die Erkennung bei Dialekten, Fachbegriffen, schlechter Aufnahmequalität oder vielen Sprechern funktioniert, muss allerdings im eigenen Test geprüft werden.
So breit die Fähigkeiten sind – Grenzen gibt es. Bei Videos wird das Bildmaterial in der Regel mit einer begrenzten Bildrate abgetastet; sehr schnelle Vorgänge oder kleine Details können dabei untergehen. Bei Bildern sind feine Messungen, exaktes Zählen vieler kleiner Objekte und räumliche Präzisionsaufgaben nach wie vor fehleranfällig. Bei langen Eingaben kann die Aufmerksamkeit des Modells für Details in der Mitte nachlassen, auch wenn sich das in den letzten Generationen verbessert hat. Und wie jedes generative Modell kann Gemini plausibel klingende, aber falsche Aussagen erzeugen – etwa einen Wert aus einer Tabelle falsch zuordnen oder einen Zeitpunkt im Video ungenau angeben. Für kritische Prozesse bleibt eine Prüflogik deshalb unverzichtbar.
Für die Automatisierung ist eine Fähigkeit besonders wichtig: Gemini kann Antworten in einem vorgegebenen, maschinenlesbaren Format liefern. Statt eines freien Textes beschreibt man ein Schema – etwa die Felder einer Rechnung oder die Merkmale eines Schadensbildes – und das Modell gibt seine Ergebnisse genau in dieser Struktur zurück. Damit lassen sich die Ausgaben ohne fehleranfällige Nachbearbeitung direkt in ERP-, CRM- oder Ticketsysteme übernehmen.
Einen Schritt weiter geht das sogenannte Function Calling. Dabei beschreibt man dem Modell eine Reihe von Funktionen, die es aufrufen darf – zum Beispiel „Kundendaten abfragen“, „Ersatzteil im Lager suchen“ oder „Serviceticket anlegen“. Das Modell entscheidet anhand der Eingabe, welche Funktion mit welchen Parametern sinnvoll ist, und gibt einen entsprechenden Aufrufwunsch zurück. Die eigentliche Ausführung erfolgt in der eigenen Anwendung, die damit die Kontrolle behält. So kann ein Techniker ein Foto eines defekten Bauteils schicken, das Modell erkennt das Teil, ruft die Lagerabfrage auf und formuliert eine Antwort mit Verfügbarkeit und Lieferzeit.
Ergänzend bietet die Plattform weitere Werkzeuge an, deren Verfügbarkeit je nach Modell und Zugang zu prüfen ist: die Ausführung von Programmcode für Berechnungen und Datenanalysen, die Anreicherung von Antworten mit Ergebnissen der Google-Suche (sogenanntes Grounding) sowie die Anbindung an eigene Datenquellen. Gerade das Grounding über eine öffentliche Suche sollte man allerdings bewusst einsetzen, weil dabei Teile der Anfrage in einen weiteren Dienst fließen können.
Mit der Live-API bietet Google eine Schnittstelle für Echtzeit-Interaktion. Statt einzelne Anfragen zu senden und auf eine Antwort zu warten, wird eine fortlaufende Verbindung aufgebaut, über die Audio, Video oder Bildschirminhalte gestreamt werden. Das Modell kann zuhören, mitsehen und mit gesprochener Sprache antworten – und sich dabei auch unterbrechen lassen, wie in einem natürlichen Gespräch. Für Unternehmen eröffnen sich damit Szenarien wie sprachgesteuerte Assistenten für Servicetechniker, die per Smartphone-Kamera eine Anlage zeigen und Fragen stellen, interaktive Schulungsanwendungen oder Sprachdialogsysteme im Kundenservice.
Solche Echtzeitszenarien sind technisch anspruchsvoller als klassische Anfragen: Latenz, Netzqualität, Gesprächssteuerung und das Zusammenspiel mit Function Calling wollen sorgfältig entworfen werden. Datenschutzrechtlich kommt hinzu, dass Sprach- und Bildaufnahmen von Personen besonders sensibel sein können – insbesondere, wenn Kunden oder Dritte beteiligt sind. Transparenz gegenüber den Betroffenen und eine klare Rechtsgrundlage sind hier Pflicht.
Unter dem Stichwort Agenten fasst man Systeme zusammen, in denen ein Modell eine Aufgabe in mehreren Schritten selbstständig bearbeitet: Es plant, ruft Werkzeuge auf, wertet Zwischenergebnisse aus und entscheidet über den nächsten Schritt. Google bietet dafür auf Vertex AI eigene Bausteine und Entwicklungswerkzeuge an, und auch in Workspace und der Gemini App finden sich zunehmend agentische Funktionen, etwa für mehrstufige Recherchen. Daneben lassen sich Gemini-Modelle in verbreitete, herstellerunabhängige Agenten-Frameworks einbinden.
Die multimodale Fähigkeit macht Agenten besonders vielseitig: Ein Agent kann einen eingehenden Schadensbericht mit Fotos lesen, die Bilder bewerten, im Vertragsarchiv die passende Police finden, eine Ersteinschätzung formulieren und den Vorgang an die richtige Sachbearbeitung übergeben. Gleichzeitig gilt: Je autonomer ein System handelt, desto wichtiger werden Grenzen, Protokollierung und menschliche Kontrolle an den entscheidenden Stellen. Wir empfehlen, Agenten zunächst mit eng umrissenen Befugnissen zu starten und die Autonomie erst dann schrittweise zu erweitern, wenn Qualität und Nachvollziehbarkeit belegt sind. Das Prinzip „Human in the Loop“ ist dabei kein Hemmschuh, sondern die Voraussetzung dafür, dass Automatisierung im Unternehmen Vertrauen gewinnt.
In Google Workspace erscheint Gemini direkt in den Anwendungen, mit denen Mitarbeitende ohnehin arbeiten. In Gmail hilft es beim Zusammenfassen von Nachrichtenverläufen und beim Formulieren von Antworten, in Docs beim Entwerfen und Überarbeiten von Texten, in Sheets beim Strukturieren und Auswerten von Daten, in Slides beim Gestalten von Präsentationen und in Meet bei Notizen und Zusammenfassungen von Besprechungen. Über die Seitenleiste lassen sich Inhalte aus Drive einbeziehen – etwa um aus mehreren PDFs eine Übersicht zu erstellen. Mit NotebookLM bietet Google zudem ein Werkzeug, das eigene Quellen wie Dokumente, Präsentationen oder Audiodateien zu einer abfragbaren Wissenssammlung bündelt.
Der Vorteil dieses Weges liegt in der niedrigen Einstiegshürde: Es ist keine Entwicklung nötig, und die Nutzung erfolgt unter den Workspace-Unternehmensbedingungen. Die Grenze liegt in der Tiefe der Automatisierung – Workspace-Funktionen unterstützen Menschen bei ihrer Arbeit, ersetzen aber keine durchgängig automatisierten Prozesse. Welche Funktionen in welcher Workspace-Edition enthalten sind und welche Datenverarbeitungsbedingungen konkret gelten, ändert sich regelmäßig und sollte vor einer Einführung geprüft werden.
Für eigene Anwendungen und automatisierte Prozesse ist Vertex AI der zentrale Baustein. Die Plattform stellt Gemini-Modelle als verwaltete Dienste bereit und ergänzt sie um Funktionen, die im Unternehmensbetrieb wichtig sind: Auswahl der Verarbeitungsregion, Identitäts- und Zugriffsverwaltung, Netzwerkisolation, Protokollierung, Verschlüsselung mit eigenen Schlüsseln, Quoten- und Kostensteuerung. Im sogenannten Model Garden finden sich zudem weitere Modelle – darunter offene Modelle wie Gemma und Modelle anderer Anbieter –, sodass sich unterschiedliche Modelle unter einem Dach vergleichen lassen.
Ergänzend bietet Vertex AI Bausteine für Retrieval-Augmented Generation (RAG), also die Verknüpfung des Modells mit eigenen Dokumentenbeständen, für die Evaluation von Modellantworten, für das Anpassen von Modellen an eigene Daten und für die Entwicklung von Agenten. Für mittelständische Unternehmen ohne eigenes KI-Team ist die Plattform mächtig, aber nicht trivial; ein strukturierter Aufbau mit klaren Verantwortlichkeiten zahlt sich aus.
Für datengetriebene Unternehmen ist die Verbindung von Gemini mit BigQuery, dem Data Warehouse von Google Cloud, besonders interessant. Gemini-Modelle lassen sich aus BigQuery heraus ansprechen, sodass sich große Mengen von Texten, Bildern oder Dokumenten, die in Cloud Storage liegen, per Datenbankabfrage analysieren lassen – etwa um Tausende von Kundenrückmeldungen zu klassifizieren, Produktbilder zu verschlagworten oder Inhalte aus Dokumenten in Tabellenform zu überführen. Ergänzend unterstützt Gemini in BigQuery und Looker bei der Formulierung von Abfragen und der Interpretation von Daten. Wer seine Daten nicht in Google Cloud hält, kann Gemini über die API auch aus anderen Umgebungen ansprechen; Konnektoren und Workflow-Werkzeuge für Microsoft-, SAP- oder Low-Code-Umgebungen sind verbreitet. Hier gilt es jedoch genau zu prüfen, an welchen Stellen Daten den eigenen Verantwortungsbereich verlassen.
OpenAI hat mit GPT-4o und dessen Nachfolgern ebenfalls ein breit multimodales Angebot geschaffen, das Bild, Audio und Echtzeit-Sprachdialog umfasst. Im Alltag liegen beide Familien bei vielen Bild- und Dokumentenaufgaben nah beieinander; welches Modell bei Ihrer konkreten Aufgabe besser abschneidet, lässt sich nur im direkten Test entscheiden. Unterschiede zeigen sich vor allem bei Video, wo Gemini einen klaren Schwerpunkt gesetzt hat, und bei der Verarbeitung sehr langer Eingaben. Auf der Ökosystem-Seite ist die Lage spiegelbildlich: OpenAI-Modelle sind über Microsoft Azure eng in die Microsoft-Welt eingebunden, Gemini in die Google-Welt. Für viele Unternehmen entscheidet deshalb die bestehende IT-Landschaft mehr als die Modellqualität. Datenschutzrechtlich handelt es sich in beiden Fällen um US-Anbieter mit vergleichbaren Grundfragen.
Anthropic positioniert Claude mit Bild- und PDF-Verständnis vor allem für anspruchsvolle Analyse-, Schreib- und Dokumentenaufgaben. Claude verarbeitet Bilder und Dokumente, bietet aber kein natives Video- und Audioverständnis in vergleichbarer Breite. Wer vorrangig Verträge, Berichte und technische Dokumentation analysiert, findet in beiden Familien starke Optionen; wer Video oder Audio direkt auswerten will, landet eher bei Gemini. Auch Anthropic ist ein US-Anbieter; Claude ist zusätzlich über große Cloud-Plattformen, darunter Vertex AI, verfügbar – ein Hinweis darauf, dass die Wahl der Plattform und die Wahl des Modells zunehmend getrennt betrachtet werden können.
Offene Vision-Language-Modelle – darunter Googles eigene Gemma-Familie, aber auch Modelle anderer Anbieter wie Qwen-VL oder spezialisierte Dokumentenmodelle – lassen sich auf eigener Hardware betreiben. Sie erreichen in der Regel nicht die Breite und Tiefe der großen Cloud-Modelle, insbesondere bei langem Video und Audio, sind aber für klar umrissene Aufgaben wie Bildklassifikation, Dokumentenextraktion oder Qualitätsprüfung oft völlig ausreichend. Ihr entscheidender Vorteil liegt in der Datenhoheit: Kein Bild und kein Dokument verlässt das eigene Rechenzentrum. Bei Modellen aus anderen Rechtsräumen ist zusätzlich die Lizenz- und Herkunftsfrage zu prüfen; im Eigenbetrieb fließen zwar keine Daten zum Anbieter, die Bewertung der Modellherkunft gehört aber trotzdem zur Sorgfalt. In der Praxis bewähren sich gestaffelte Architekturen: ein offenes Modell für sensible Standardfälle im eigenen Haus, ein großes Cloud-Modell wie Gemini über eine EU-Region für komplexe oder unkritische Aufgaben.
Bewährt hat sich ein Vorgehen in klar getrennten Phasen. Am Anfang steht eine Bestandsaufnahme: Welche multimodalen Daten liegen vor, welche Prozesse sind besonders zeitaufwendig, welcher Schutzbedarf besteht? Darauf folgt eine Richtlinie, die festlegt, welche Daten über welchen Zugangsweg verarbeitet werden dürfen – und welche Kanäle, etwa private Konten oder kostenlose Kontingente, für Firmendaten ausgeschlossen sind. Erst dann beginnt der Test mit realen, gegebenenfalls anonymisierten Beispielen, idealerweise im Vergleich mit mindestens einer Alternative. Ein Pilot mit eng umrissenem Anwendungsfall, klaren Erfolgskriterien und begrenztem Nutzerkreis schließt sich an, bevor über einen breiteren Rollout entschieden wird.
Wichtig ist, Qualität messbar zu machen. Für Extraktionsaufgaben bedeutet das eine Stichprobe mit bekannten richtigen Ergebnissen, gegen die das Modell geprüft wird. Für Zusammenfassungen von Besprechungen oder Videos heißt das, dass Fachleute eine Auswahl der Ergebnisse systematisch bewerten. Ohne solche Messungen bleibt jede Aussage über Qualität eine Vermutung – und jede Modellumstellung ein Blindflug.
Ein Aspekt, der oft unterschätzt wird, ist der schnelle Generationswechsel. Google veröffentlicht regelmäßig neue Modellversionen und stellt ältere nach einer Übergangsfrist ein. Für produktive Prozesse bedeutet das: Modellversionen sollten bewusst festgelegt, Ankündigungen zur Abkündigung verfolgt und Umstellungen mit derselben Teststichprobe geprüft werden, die schon bei der Einführung verwendet wurde. Ein neues Modell ist nicht automatisch in jeder Aufgabe besser – manchmal ändern sich Formatierungen, Antwortlängen oder das Verhalten bei Grenzfällen.
Hinzu kommen Kostenkontrolle und Monitoring. Multimodale Eingaben, besonders lange Videos und Audiodateien, verbrauchen deutlich mehr Rechenkapazität als kurze Texte. Budgets, Quoten und Warnschwellen in der Cloud-Konsole verhindern Überraschungen. Protokolle über Anfragen, Fehlerraten und manuelle Korrekturen zeigen, wo ein Prozess nachgeschärft werden muss. Und schließlich braucht es eine verantwortliche Person oder ein kleines Team, das den Betrieb begleitet, Rückmeldungen der Fachabteilungen sammelt und Verbesserungen umsetzt.
Diese Szenarien klingen eingängig, sind aber keine Selbstläufer. Ein Foto vom Handy einer Technikerin ist oft unscharf, schlecht ausgeleuchtet oder zeigt nur einen Ausschnitt. Eine Besprechungsaufzeichnung enthält Nebengespräche, Unterbrechungen und Fachjargon. Ein Schulungsvideo ist manchmal älter als die Anlage, die es zeigt. Der Nutzen entsteht deshalb nicht allein durch das Modell, sondern durch einen sauber gestalteten Prozess: klare Vorgaben für die Aufnahme, eine Prüflogik für die Ergebnisse und eine einfache Möglichkeit für Mitarbeitende, Fehler zu korrigieren. Rechnen Sie damit, dass ein Teil der Fälle weiterhin von Menschen bearbeitet wird – der wirtschaftliche Vorteil liegt darin, dass Routinefälle schneller und Ausnahmen gezielter behandelt werden.
Ein guter Einstieg vereint drei Eigenschaften: Er ist klar abgegrenzt, er erzeugt spürbaren Nutzen und er lässt sich mit überschaubarem Datenschutzrisiko umsetzen. Interne Schulungsvideos sind häufig ein idealer Startpunkt: Sie enthalten meist wenige personenbezogene Daten, der Nutzen einer durchsuchbaren Wissensbasis ist sofort greifbar, und Ergebnisse lassen sich von Fachleuten gut prüfen. Ähnlich geeignet sind die Verschlagwortung von Produktbildern oder die Analyse technischer Datenblätter. Anwendungsfälle mit Kundengesprächen, Personalakten oder Gesundheitsdaten sollten dagegen erst angegangen werden, wenn Zugangsweg, Verträge und Datenschutz-Folgenabschätzung sauber geklärt sind.
Multimodale KI berührt den Arbeitsalltag unmittelbar – und oft auch die Mitarbeitenden selbst, etwa wenn Besprechungen aufgezeichnet oder Arbeitsvorgänge gefilmt werden. Transparenz ist deshalb unverzichtbar: Wer wird wann aufgezeichnet, wofür werden die Daten genutzt, wer hat Zugriff, wann wird gelöscht? In vielen Unternehmen ist bei solchen Themen zudem der Betriebsrat einzubinden. Ebenso wichtig ist Befähigung: Mitarbeitende sollten verstehen, wo die Stärken und Schwächen des Modells liegen, wie man gute Anweisungen formuliert und warum eine Prüfung der Ergebnisse dazugehört. Kurze, praxisnahe Schulungen mit Beispielen aus dem eigenen Haus wirken dabei deutlich besser als allgemeine KI-Seminare.
Bei multimodaler KI unterscheiden sich die Kostenprofile stark von reinen Textanwendungen. Ein langes Video oder eine stundenlange Audioaufnahme erzeugt ein Vielfaches des Verbrauchs eines kurzen Textes; wer Tausende solcher Dateien verarbeitet, sollte vorab mit einer repräsentativen Stichprobe kalkulieren. Die Wahl der Modellklasse hat großen Einfluss: Viele Aufgaben lassen sich mit einem Modell der Flash-Klasse gut lösen, während die Pro-Klasse nur für die wirklich anspruchsvollen Fälle eingesetzt wird. Zusätzlich bietet Google je nach Zugang Mechanismen wie Batch-Verarbeitung für nicht zeitkritische Aufgaben oder das Zwischenspeichern wiederkehrender Kontexte an, die die Kosten senken können.
Der größte Posten liegt jedoch oft außerhalb der Modellnutzung: in der Gestaltung des Prozesses, der Integration in bestehende Systeme, dem Aufbau von Tests und Prüflogik sowie im laufenden Betrieb. Wer diese Aufwände ehrlich einplant, vermeidet enttäuschte Erwartungen. Verlässliche Zahlen ergeben sich nur aus einer konkreten Aufwandsschätzung für Ihren Anwendungsfall.
Die wichtigste Unterscheidung beim Datenschutz ist die zwischen Consumer- und Unternehmensangeboten. In der privaten Gemini App und im kostenlosen Kontingent der Gemini API können nach den jeweils geltenden Bedingungen Eingaben zur Verbesserung der Produkte verwendet und teilweise von Menschen geprüft werden. Für Unternehmensdaten – und erst recht für personenbezogene Daten von Kunden oder Mitarbeitenden – sind diese Zugänge deshalb in aller Regel nicht geeignet. Unter den Unternehmensbedingungen von Google Workspace, der kostenpflichtigen API-Nutzung und Vertex AI sagt Google dagegen zu, Kundendaten nicht zum Training der Modelle zu verwenden, und stellt Vereinbarungen zur Auftragsverarbeitung bereit. Die genauen Formulierungen ändern sich gelegentlich und sollten vor jeder Entscheidung im aktuellen Vertragswerk geprüft werden.
Auch mit Unternehmensvertrag bleibt Google ein US-Unternehmen. Für die DSGVO bedeutet das: Werden personenbezogene Daten verarbeitet, ist der Drittlandbezug zu bewerten – insbesondere die Frage, ob und unter welchen Voraussetzungen US-Behörden auf Daten zugreifen könnten, auch wenn diese in europäischen Rechenzentren liegen. Rechtsgrundlagen für den Datentransfer, Standardvertragsklauseln und Zertifizierungen können die Lage absichern, ändern aber nichts an der grundsätzlichen Abhängigkeit von einem außereuropäischen Anbieter. Wer Wert auf digitale Souveränität legt, sollte diese Abhängigkeit bewusst bewerten und nicht nur juristisch, sondern auch strategisch betrachten.
Für den produktiven Einsatz mit Firmendaten empfehlen wir deshalb in erster Linie Vertex AI mit einer EU-Region. Dort lassen sich Verarbeitungsort, Zugriffe und Protokollierung steuern, und Google bietet für viele Funktionen Zusagen zur Datenresidenz an. Prüfen Sie dabei genau, welche Zusagen für welche Funktion gelten – einzelne Funktionen, etwa das Grounding über die öffentliche Suche oder globale Endpunkte, können abweichende Bedingungen haben. Für besonders sensible Daten ist das Self-Hosting offener Modelle wie Gemma auf eigener Hardware oder bei einem europäischen Hoster die DSGVO-konformere und souveränere Option: Daten verlassen das eigene Haus nicht, und es besteht keine Abhängigkeit von einem US-Clouddienst. Der Preis dafür ist ein geringerer Funktionsumfang – insbesondere bei langem Video und Audio – und ein höherer Eigenaufwand. Viele Unternehmen kombinieren deshalb beide Wege und entscheiden je nach Schutzbedarf, welcher Datentyp welchen Weg nimmt.
Unabhängig vom Zugangsweg bleibt das Unternehmen für die rechtmäßige Verarbeitung verantwortlich. Dazu gehören ein Eintrag im Verzeichnis von Verarbeitungstätigkeiten, gegebenenfalls eine Datenschutz-Folgenabschätzung – bei systematischer Auswertung von Aufnahmen oder Bildern von Personen naheliegend –, technische und organisatorische Maßnahmen, Informationspflichten gegenüber Betroffenen und klare Lösch- und Zugriffskonzepte. Hinzu kommen die Anforderungen der europäischen KI-Verordnung, die je nach Einsatzzweck Transparenz-, Dokumentations- und Kompetenzpflichten mit sich bringen kann. Ein sauber dokumentiertes Vorgehen ist nicht nur Pflicht, sondern schafft auch Vertrauen bei Mitarbeitenden, Kunden und Partnern.