Google hat die erweiterte Beobachtbarkeit von KI-Agenten in der Google Data Cloud angekündigt, mit Neuerungen in BigQuery und Looker. Die Ankündigung, veröffentlicht im Google Cloud Blog am 14. November, schafft einen einheitlichen Weg, um nachzuvollziehen, wie Datenagenten schlussfolgern, auf welche Daten sie zugreifen und was ihr Betrieb kostet — sowohl für Googles eigene Agenten als auch für eigene Agenten, die mit Frameworks wie dem Agent Development Kit (ADK) oder LangGraph gebaut wurden.
Die Idee ist, die Beobachtbarkeit von Agenten als Teil des Betriebs zu behandeln, nicht als Zusatz: Sobald ein Agent vom Prototyp in die Produktion wechselt, müssen Teams mehrstufiges Schlussfolgern einsehen, sensible Daten schützen, den Token-Verbrauch kontrollieren und die Antwortqualität bewerten, bevor eine Prompt- oder Schemaänderung die Nutzer erreicht.
Ein einziger Telemetrie-Fluss für alle Agenten
Im Zentrum der Ankündigung steht ein einheitliches Telemetrie-Framework, das für jeden Agenten gleich funktioniert: Telemetrie erfassen, in BigQuery-Tabellen ablegen, die dem Kunden gehören, und dort analysieren, wo die Teams ohnehin arbeiten.
- Erfassung: Eigene Conversational-Analytics-Agenten senden Telemetrie automatisch, ohne Einrichtung. Anfragen, die über Agent-zu-Agent-Workflows (A2A, jetzt allgemein verfügbar) an BigQuery-Datenagenten in Gemini Enterprise geleitet werden, senden Cloud-Monitoring-Metriken, Cloud-Trace-Spans und Gesprächsprotokolle direkt in das Projekt des Agenten. Eigene ADK- oder LangGraph-Agenten senden dieselbe strukturierte Telemetrie mit einzeiliger SDK-Instrumentierung.
- Ziel: Alles landet in den eigenen BigQuery-Tabellen des Kunden, unter dessen Berechtigungen und Governance-Regeln, statt in einem Dashboard eines Drittanbieters eingeschlossen zu sein.
- Analyse: Vorgefertigte Dashboards in BigQuery Studio und Looker zeigen Nutzung, aktive Sitzungen, wichtigste Wissensquellen, Latenz und Token-Verbrauch. Teams können auch eigene Berichte mit einer Open-Source-Data-Studio-Vorlage oder dem Looker Block for Agent Analytics erstellen.
Was bereits verfügbar ist und was noch Vorschau ist
Allgemein verfügbar sind jetzt die Gesprächsprotokollierung in BigQuery, die Conversational-Analytics-API, A2A-Workflows, Monitoring-Dashboards in BigQuery Studio und Looker-System-Activity-Dashboards, sowohl in Looker (Google Cloud core) als auch im ursprünglichen Looker. In der Vorschau bleiben Nutzerbewertungen und Abfrageprüfung im Tab Responses & feedback von Looker, tägliche Eingabe- und Ausgabe-Token-Kontingente sowie native Agentenbewertungen in BigQuery, über API und ein geführtes Colab-Notebook.
Betriebliche Telemetrie getrennt vom Inhalt
Ein zentraler Designpunkt ist die Trennung der betrieblichen Telemetrie vom Gesprächsinhalt, damit jede Ebene ihre eigene Governance hat. Aggregierte Cloud-Monitoring-Metriken und bereinigte Cloud-Trace-Spans schließen die zentralen Inhalte des Kunden aus: Prompts, Antworten, interne Gedanken und generiertes SQL.
Wenn die Prüfung den Inhalt braucht, ist die Gesprächsprotokollierung optional, pro Agent: Ein von Google verwalteter Service-Agent überträgt Prompts, Antworten und Telemetrie pro Runde in eine kundeneigene agent_events-Tabelle über die BigQuery Storage Write API und erbt dabei die IAM-Berechtigungen, kundenseitig verwaltete Verschlüsselungsschlüssel (CMEK) und VPC Service Controls des Datasets. Die Datenschutz-Leitplanken sind fail-closed: Vor jeder Runde überspringt das System die Protokollierung, sobald eine Wissensquelle Row-Level-Security, spaltenbezogene Policy-Tags oder dynamische Datenmaskierung nutzt. Die Ausführung ist dagegen fail-open: Schlägt die Protokollierung fehl, läuft die Sitzung des Nutzers ohne Unterbrechung weiter.
Für eigene Agenten sendet das Open-Source-ADK-Plugin BigQueryAgentAnalyticsPlugin vollständige Tool-Aufruf-Bäume, Zeitreihen-Telemetrie und multimodale Payloads. Und da die Protokolle in der eigenen Tabelle des Kunden liegen, lassen sich Fehler diagnostizieren, ohne Export-Pipelines zu bauen: mit BigQuery-KI-Funktionen wie AI.GENERATE und AI.EMBED mit VECTOR_SEARCH oder mit dem Python-SDK bigquery-agent-analytics und einem Starter-Colab-Notebook.
Kostenkontrolle mit FinOps-Leitplanken
Jede Runde erfasst Eingabe-, Ausgabe-, Denk-, Cache- und Gesamt-Tokenzahlen sowie die Gesamtlatenz, und Looker System Activity meldet geschätzte Eingabe- und Ausgabe-Token in Business-Intelligence-Workloads. Um Überraschungen auf der Rechnung zu vermeiden, lässt sich eine Obergrenze pro Abfrage für gescannte BigQuery-Bytes festlegen (big_query_max_billed_bytes), die mit Dry-Run-Schätzungen zu große Abfragen blockiert, ohne On-Demand-Scan-Gebühren auszulösen. Tägliche Eingabe- und Ausgabe-Token-Kontingente pro Projekt, Nutzer oder Agent sind in der Vorschau. Google weist zudem darauf hin, dass für Conversational Analytics derzeit eine Testphase mit Aktionspreisen läuft.
Bewertung vor dem Produktivbetrieb
Protokolle zeigen, wie sich ein Agent verhalten hat; die Bewertung zeigt, ob eine Änderung die Antwortqualität verbessert oder verschlechtert. Dafür hat Google Prism veröffentlicht, ein Open-Source-Tool, das Conversational-Analytics-Agenten testet, die in BigQuery-Tabellen oder Looker Explores verankert sind — mit wiederverwendbaren Test-Suiten, Regex-Assertions und Multi-Region-Discovery. Prism kann Bewertungsergebnisse direkt in tagespartitionierte BigQuery-Tabellen streamen, neben die Produktionsprotokolle, zum direkten Vergleich.
Kontext: Google beschleunigt seine Agenten-Infrastruktur
Die Ankündigung kommt in derselben Woche, in der Google A2UI 1.0 veröffentlicht hat, ein offenes Protokoll, mit dem KI-Agenten mit interaktiven Bildschirmen antworten. Zusammen zeigen die beiden Schritte Googles Strategie für Agenten in der Produktion: an der Oberfläche Interfaces, die Nutzer sehen; dahinter Telemetrie, Governance und Kostenkontrolle für die Teams, die diese Agenten betreiben.
Bildnachweis: Diagramm des einheitlichen Frameworks zur Beobachtbarkeit von Agenten, aus dem Google Cloud Blog.
Quellen: Google Cloud Blog; Unite.AI.
Transparenz: Dieser Artikel wurde mit Hilfe künstlicher Intelligenz erstellt und mit öffentlichen Beiträgen auf X sowie Quellen aus dem Internet abgeglichen. Wir empfehlen, die Originalquellen für weitere Details zu konsultieren.
Von Muse
