Das Google AI Ökosystem – vom Prompt bis zum Produkt

Sobald du mehr willst als „Prompt rein, Antwort raus”, stößt du bei KI schnell auf eine Frage: Wo gehört das eigentlich hin? In ein Tool? In Code? In die Cloud?

Bei den meisten Anbietern endet die Antwort schnell bei einer API und einem externen Hosting-Dienst. Bei Google sieht das anders aus.

Google AI ist kein Produkt. Es ist eine Plattform – mit mehreren Schichten, die ineinandergreifen. Und genau das ist der strukturelle Unterschied zu anderen KI-Anbietern.

Die vier Schichten im Überblick

Du bewegst dich von oben nach unten – je produktiver und komplexer dein Use Case wird, desto tiefer gehst du in den Stack. AI Studio ist der Einstieg, Google Cloud ist das Fundament.

Dazu kommt Google Workspace als horizontale Schicht – tief integriert in Docs, Sheets, Gmail, Meet. Wer dort ohnehin arbeitet, ist bereits Teil des Ökosystems.

Schicht 1: Google AI Studio

Der Einstiegspunkt für alles – und in den meisten Fällen der richtige Ort, um zu starten.

AI Studio ist kein Ort, an dem etwas „live geht”. Es ist der Ort, an dem du festlegst, wie etwas funktionieren soll: Systemanweisungen, strukturierter Output, Modellwahl. Einmal definiert, immer wieder reproduzierbar.

Was das konkret bedeutet, haben wir im ersten Artikel dieser Serie ausführlicher besprochen. Hier die Rolle im Stack: AI Studio ist der Prototypen-Layer. Kein Setup, kein Billing-Overhead, kein Framework-Zwang – dafür direkte Verbindung zur API, sobald du bereit bist.

Schicht 2: Gemini API

Sobald etwas aus AI Studio funktioniert, geht es über die API in die eigene Anwendung.

Die Gemini-Modelle decken dabei unterschiedliche Anforderungen ab:

Modell	Stärke	Typischer Einsatz
Gemini 2.0 Flash	schnell, günstig	Automatisierungen, große Mengen
Gemini 2.5 Pro	komplex, multimodal	Analyse, Reasoning, Code
Gemini Nano	lokal, on-device	Mobile, Datenschutz

Die Wahl des Modells ist meist ein Trade-off zwischen Kosten, Geschwindigkeit und Qualität – nicht eine Frage von „besser oder schlechter”.

Der generierte Code aus AI Studio ist ein Startpunkt – nicht die fertige Integration. In der Praxis kommen dann Themen wie API-Keys, Rate Limits und Fehlerhandling dazu. Das ist kein Kritikpunkt, sondern normale Entwicklungsarbeit – aber wer damit nicht gerechnet hat, verliert Zeit.

Schicht 3: Vertex AI

Vertex AI ist die Produktionsumgebung für den Fall, dass AI Studio zu klein geworden ist.

Was AI Studio kann, kann Vertex AI ebenfalls – aber mit:

• fein granuliertem Zugriff und IAM-Kontrolle
• eigenen Modell-Finetunings
• MLOps-Funktionen (Pipelines, Monitoring, Deployment)
• SLA-Garantien und Enterprise-Support

Für Freelancer ist Vertex AI in den meisten Fällen zu viel. Du brauchst es typischerweise erst, wenn:

• mehrere Services zusammenspielen (z. B. API + Datenpipeline)
• Logs, Monitoring oder Versionierung relevant werden
• ein Kunde Anforderungen an Hosting oder Compliance stellt

Wer ohne konkreten Auslöser in Vertex AI springt, zahlt für Komplexität, die er nicht braucht.

Mehr dazu in einem späteren Artikel dieser Serie: Wann du von AI Studio zu Vertex AI wechseln solltest.

Schicht 4: Google Cloud

Darunter liegt die Infrastruktur – das Fundament, das die meisten nicht direkt anfassen, aber spüren, sobald Daten, Hosting oder Automatisierung ins Spiel kommen.

Drei Dienste, die in Verbindung mit Gemini besonders relevant sind:

• BigQuery: SQL auf großen Datenmengen, direkt mit Gemini kombinierbar
• Cloud Run: serverlose Ausführung von API-Logik, ohne eigenes Hosting
• Cloud Storage: Dateiverwaltung für Pipelines und Uploads

Google hat hier einen echten Vorteil: Die Nähe zu eigenen Datenquellen (Search, Maps, YouTube, Workspace) ist kein Zufallsprodukt – sie ist Teil der Plattformstrategie.

Workspace: der einfachste Einstieg

Gemini ist in Google Workspace tief eingebaut – in Docs, Sheets, Gmail, Meet, Drive.

Workspace ist der einfachste Einstieg in das Google-Ökosystem, weil du keine API brauchst. Gemini kann in Sheets direkt Daten analysieren, in Docs Strukturen vorschlagen, in Gmail Antworten vorbereiten – ohne eine Zeile Code.

Viele nutzen Gemini hier, ohne überhaupt zu merken, dass sie bereits Teil des größeren Systems sind. Für Freelancer, die ohnehin in Workspace arbeiten, ist das der natürliche erste Schritt.

Warum Google End-to-End denkt

Der entscheidende Unterschied zu OpenAI oder Anthropic liegt nicht im Modell. Er liegt im Stack.

Ein typischer Flow kann so aussehen:

• Daten liegen in BigQuery
• Gemini analysiert sie per API
• Das Ergebnis wird automatisch in ein Google Doc geschrieben
• Versand über Gmail erfolgt automatisiert

Das läuft ohne Drittanbieter, ohne Umwege, innerhalb einer Plattform. Wie weit Google diesen Ansatz treibt, zeigt Google Stitch: Design, Logik und Code wachsen zusammen – direkt integriert in AI Studio und Gemini. Noch nicht perfekt, aber ein klarer Hinweis auf die Richtung.

Kosten: mit jeder Schicht steigt beides

Mit jeder Schicht steigen die Kosten – aber auch die Kontrolle.

• AI Studio: fast kostenlos, großzügige Free-Tier-Limits
• Gemini API: nutzungsbasiert (pay-per-token), gut kalkulierbar
• Vertex AI: zusätzliche Infrastrukturkosten, aber präzise steuerbar
• Google Cloud: je nach Dienst, oft günstiger als vergleichbare AWS-Dienste

Wer früh anfängt, die Kosten im Blick zu behalten, wird später nicht von der Rechnung überrascht.

Was bedeutet das für Freelancer?

Situation	Empfehlung	Typischer Einstieg
Erste Tests	AI Studio	Browser, kostenlos
Integration bauen	Gemini API	kleines Skript
Kundenworkflows	Gemini in Workspace	bestehende Tools
Skalierung, Compliance	Vertex AI	Cloud Setup
Datenanalyse	BigQuery + Gemini	SQL + API

Du musst nicht alles nutzen. Aber du solltest wissen, was wann relevant wird.

Typische Fehler

• Zu lange im Chat-Modus bleiben: AI Studio bietet mehr als einen besseren Chat – wer das ignoriert, verschenkt den eigentlichen Wert.
• Zu früh in Vertex AI springen: Ohne konkreten Auslöser ist das oft verschwendete Komplexität.
• Struktur nicht nutzen: JSON-Output, System Instructions, Schemas – das ist nicht optional, sondern der Kern.
• Multimodalität ignorieren: Bilder, Screenshots, PDFs – ein unterschätzter Hebel, besonders für Content- und Analyse-Workflows.

Einordnung

Die wichtigste Entscheidung ist nicht, ob du Google AI nutzt – sondern wie tief du einsteigst.

Google AI ist kein Bündel von Tools. Es ist ein System mit einer klaren Logik: Wer einmal auf dem Stack ist, bleibt auf dem Stack. Das ist ein Vorteil – alles integriert, alles aufeinander abgestimmt. Es ist gleichzeitig eine strategische Entscheidung: Du baust auf Googles Infrastruktur, mit Googles Daten, nach Googles Regeln.

Wer das versteht, kann bewusst entscheiden, wie tief er einsteigt – und wann ein anderer Ansatz sinnvoller ist.

Im nächsten Artikel geht es um die praktische Seite: Warum Freelancer mehr brauchen als Chatbots – und wo klassische Chat-KI im Alltag an ihre Grenzen stößt.