Gemini Managed Agents: KI-Agenten laufen im Hintergrund weiter

KI-Agenten von Gemini können jetzt einen mehrstufigen Auftrag übernehmen und auf Googles Server weiterarbeiten, nachdem die Verbindung getrennt wurde. Code, Dateien, installierte Pakete und angebundene Remote-Tools bleiben dabei erhalten. Das Managed-Agents-Update vom Juli 2026 ergänzt vier Bausteine, die diesen Einsatz praxistauglich machen: Ausführung im Hintergrund, direkte Remote-MCP-Verbindungen, eigene Funktionsaufrufe und die Aktualisierung von Zugangsdaten, ohne den Arbeitsbereich neu aufzubauen.

Damit ändert sich auch das passende Denkmodell. Es geht weniger darum, einen Chatbot-Tab geöffnet zu halten, als vielmehr darum, einem Cloud-Mitarbeiter ein Arbeitsticket zu übergeben und das Ergebnis abzurufen, sobald es fertig ist.

Was KI-Agenten mit Gemini Managed Agents tatsächlich sind

Gemini Managed Agents sind temporäre Cloud-Mitarbeiter mit einem eigenen Linux-Arbeitsbereich. Ein einziger Aufruf über Googles Interactions API kann diesen Arbeitsbereich bereitstellen. Anschließend kann der Agent eine Aufgabe schrittweise durchdenken, Bash, Python oder Node.js ausführen, Pakete installieren, Dateien verwalten, das Web durchsuchen und diese Schritte wiederholen, bis ein Ergebnis vorliegt.

Standardmäßig kommt Googles Antigravity-Agent zum Einsatz. Er wird derzeit als antigravity-preview-05-2026 geführt und basiert auf Gemini 3.5 Flash. Die Interactions API ist seit Juni 2026 allgemein verfügbar; Managed Agents und ihre Umgebungen befinden sich dagegen weiterhin in der Public Preview.

Zwei IDs speichern zwei unterschiedliche Arten von Gedächtnis:

• previous_interaction_id ist die Auftragsakte. Darin bleiben Unterhaltung, Gedankengang und Tool-Verlauf erhalten.
• environment_id ist der Schlüssel zur Werkstatt. Damit öffnet sich dasselbe Dateisystem einschließlich installierter Pakete und Repository-Zustand erneut.

Beides lässt sich unabhängig voneinander behalten. Wer nur die Umgebungs-ID wiederverwendet, beginnt eine neue Unterhaltung im vorhandenen Arbeitsbereich. Mit beiden IDs wird dagegen derselbe Auftrag am selben Ort fortgesetzt. Ab etwa 135,000 Token setzt automatisch eine Kontextkomprimierung ein. So kann eine lange Sitzung ältere Details verwerfen, ohne sofort an ihre Kontextgrenze zu stoßen.

Das Ergebnis liegt zwischen den KI-Agenten für Endnutzer, die viele Teams bereits kennen, und einer Infrastruktur, die sonst selbst aufgebaut werden müsste. Google betreibt die Modellschleife und die Sandbox. Produktlogik, Berechtigungen, Freigaberegeln, Überwachung und Nutzererlebnis bleiben in der eigenen Verantwortung.

So funktioniert KI-Workflow-Automatisierung mit Managed Agents

Der neue Ablauf besteht aus sechs Teilen:

1. Arbeitsbereich starten oder erneut öffnen. environment: "remote" legt eine neue Sandbox an. Alternativ lässt sich eine Umgebungs-ID wiederverwenden oder eine vollständige Umgebungskonfiguration mit Quellcode-Repositorys und Netzwerkregeln übergeben.
2. Nur die wirklich benötigten Tools bereitstellen. In seiner Umgebung verfügt der Agent über Codeausführung, Google Search, URL-Aufruf und Dateisystemzugriff. Ein Remote-MCP-Server ist ein standardisierter Konnektor für externe Tools. Er benötigt einen kleingeschriebenen Namen, eine URL und Streamable HTTP als Transport. Außerdem lässt sich einschränken, welche Tools dieses Servers der Agent aufrufen darf.
3. Den Auftrag in den Hintergrund schicken. Mit background: true liefert die API sofort eine Interaktions-ID zurück. Eine anfällige HTTP-Verbindung muss damit nicht während der gesamten Aufgabe bestehen bleiben. Hintergrundaufträge setzen store: true voraus; dies ist die Standardeinstellung.
4. Fortschritt verfolgen, ohne die Verbindung offenzuhalten. Die Interaktion kann abgefragt oder ihr Ereignisstrom verfolgt werden. Bricht der Stream ab, lässt er sich mit der letzten event_id wiederaufnehmen. Ein Auftrag kann laufen, auf eine Aktion warten, abgeschlossen, fehlgeschlagen oder abgebrochen sein.
5. Sensible Geschäftsvorgänge in der eigenen Anwendung ausführen. Die integrierten Sandbox-Tools laufen bei Google. Eine eigene Funktion pausiert die Interaktion im Zustand requires_action. Dadurch kann die Anwendung den Aufruf prüfen, eine menschliche Freigabe einholen, lokale Geschäftslogik ausführen und das Ergebnis zurücksenden.
6. Nach dem Abschluss weiterarbeiten. Ein Folgeauftrag kann die ID der abgeschlossenen Interaktion zusammen mit ihrer Umgebungs-ID nutzen. Läuft ein Zugriffstoken ab, wird dieselbe Umgebungs-ID mit einer neuen Netzwerkkonfiguration gesendet. Die neuen Regeln ersetzen die alten, während Dateien, Pakete und geklonte Repositorys erhalten bleiben.

Der Arbeitsbereich ist beständig, aber nicht dauerhaft. Nach 15 Minuten Inaktivität wird er angehalten und als Snapshot gesichert. Ab der letzten Aktivität lässt er sich sieben Tage lang wiederaufnehmen, danach wird er gelöscht. Jede Umgebung stellt derzeit vier CPU-Kerne und 16 GB Arbeitsspeicher bereit.

Die sieben Einsatzszenarien mit dem größten Nutzen

Die Reihenfolge richtet sich danach, wie unmittelbar die neuen Funktionen einen teuren betrieblichen Engpass beseitigen.

1. Softwareteams prüfen KI-generierte Pull Requests

Ein Produktteam, bei dem laufend maschinell erzeugter Code eingeht, könnte für jeden Pull Request einen eigenen Hintergrundauftrag starten. Der Agent öffnet das Repository, untersucht den Diff, installiert das Projekt, führt Tests aus, verfolgt einen Fehler über mehrere Dateien hinweg und erstellt einen Review mit Protokollen und einem vorgeschlagenen Patch. GitHub oder GitLab kann über Remote MCP angebunden werden; der abschließende Kommentar oder die Codeänderung bleibt hinter einer eigenen Freigabefunktion geschützt.

Der Gewinn ist kein weiterer pauschaler Review-Kommentar, sondern eine erste Prüfung mit Laufzeitbelegen, die bereitsteht, bevor ein Senior Engineer den Pull Request öffnet. Das wird wichtiger, weil asynchrones Programmieren zum normalen Arbeitsmuster wird – eine Entwicklung, die sich bereits bei mobilen und im Hintergrund arbeitenden Coding-Agenten zeigt.

2. Finanz- und Datenteams nutzen KI für Datenanalyse und wiederkehrende Betriebsberichte

Sobald die neuesten CSV-Exporte vorliegen, könnte ein Operations Analyst einen Mitarbeiter starten, ihn per MCP mit einem Data Warehouse verbinden und dort Daten bereinigen, Python-Analysen ausführen, Diagramme erstellen und sämtliche Arbeitsdateien in einer Umgebung speichern lassen. Läuft ein kurzlebiges Warehouse-Token ab, kann die Anwendung ein neues bereitstellen, ohne dass der Agent seinen Software-Stack neu installieren oder Zwischendateien erneut anlegen muss.

Der Vorteil liegt in der Kontinuität. Statt Daten immer wieder zwischen Notebook, Tabellenkalkulation, Diagramm-Tool und Chatfenster zu verschieben, prüft der Analyst einen fertig zusammengestellten Bericht samt Belegdateien.

3. Reliability-Teams untersuchen Störungen

Ein Bereitschaftstechniker könnte dem Agenten Zugriff auf einen Observability-MCP-Server und einen Versionsverwaltungskonnektor geben. Sein Auftrag: einen Latenzanstieg mit Deployments, Protokollen und jüngsten Commits abgleichen. Die Analyse läuft im Hintergrund weiter, während sich der Techniker um die akute Störung kümmert. In seinem Arbeitsbereich kann der Agent eine Zeitleiste, mögliche Ursachen und Diagnoseskripte erstellen.

Unter Zeitdruck lassen sich so schneller belastbare Belege zusammentragen. Eingriffe in die Produktionsumgebung sollten dennoch ausdrücklich von einem Menschen freigegeben werden. Ein Mitarbeiter, der während einer Störung Tools aufrufen kann, ist hilfreich; ein unbeaufsichtigter Mitarbeiter mit weitreichenden Produktionszugängen ist dagegen bereits die nächste Störung in Vorbereitung.

4. Sicherheitsteams stellen Auditnachweise zusammen

Für eine Zugriffsprüfung könnte die Compliance-Leitung die Sandbox auf freigegebene Domains beschränken, Zugangsdaten mit reinen Leserechten über Googles Egress-Proxy bereitstellen und einen Agenten Richtliniendokumente, Repository-Einstellungen und Änderungshistorien zusammentragen lassen. Da die Zugangsdaten an der Netzwerkgrenze ergänzt werden, landen sie weder in Sandbox-Dateien noch in Umgebungsvariablen.

Das Ergebnis ist ein reproduzierbares Nachweispaket statt einer Woche voller Screenshots und Kopierarbeit. Die Anwendung braucht trotzdem eine eigene Auditspur und einen Freigabeprozess, denn Managed Agents sind kein fertiges Compliance-Produkt.

5. Investitions- und Einkaufsteams führen Due-Diligence-Prüfungen durch

Ein kleines Investmentteam könnte einem Hintergrundmitarbeiter ein klar begrenztes Recherchebriefing geben: einen Markt abbilden, Anbieteraussagen vergleichen, ein Repository untersuchen, Berechnungen durchführen und ein Memo mit Quellenangaben erstellen. Dateien und Skripte bleiben für Rückfragen verfügbar. Im zweiten Durchgang lassen sich daher Annahmen hinterfragen, statt die Rechercheumgebung neu aufzubauen.

So entsteht mehr Tiefe, ohne die Browsersitzung eines Analysten zu blockieren. Allerdings zählt auch die Einschränkung: Antigravity akzeptiert derzeit Text- und Bildeingaben, jedoch weder Audio-, Video- noch Dokumenteingaben. Dokumentenlastige Abläufe benötigen deshalb einen externen Extraktionsschritt.

6. Agenturen führen wiederholbare Kundenaudits durch

Eine Analytics- oder Entwicklungsagentur könnte für jeden Kundenaudit eine eigene Umgebung anlegen, ausschließlich die freigegebenen Systeme dieses Kunden verbinden und umfangreiche Prüfungen getrennt voneinander in die Warteschlange stellen. In einem Arbeitsbereich liegen beispielsweise eine geklonte Website und Performance-Skripte, in einem anderen ein Kampagnenexport und der Code für die Berichterstellung.

Der Nutzen besteht in Trennung und Wiederholbarkeit. Während des siebentägigen Zeitfensters lässt sich der exakte Arbeitsstand für einen Folgeauftrag bewahren, ohne Dateien oder Zugangsdaten verschiedener Kunden zu vermischen.

7. Backoffice-Teams bearbeiten komplexe Fälle

Ein Versicherungs-, Logistik- oder Supportteam könnte einen Managed Worker einsetzen, um die Historie eines Falls aus mehreren Systemen zusammenzutragen, Richtlinien zu prüfen, Optionen zu berechnen und den nächsten Schritt vorzubereiten. Remote-MCP-Tools liefern Lesezugriff; eigene Funktionen reservieren Erstattungen, Kontoänderungen oder Leistungsentscheidungen für geprüfte Anwendungslogik und eine menschliche Freigabe.

Der Vorteil ist ein durchgängiger Fall-Arbeitsbereich über mehrere Systeme hinweg. Das lohnt sich besonders, wenn die Recherche zu einem Fall mehrere Minuten dauert und sich nicht auf eine simple Wenn-dann-Automatisierung reduzieren lässt.

Drei Produkte, deren Entwicklung sich lohnt

Die grundlegende Funktion ist breit einsetzbar. Marktfähige Produkte sind dagegen eng zugeschnitten, messbar und mit Kontrollmechanismen versehen, die Vertrauen schaffen.

1. Die stärkste Idee: ein Repository-Betreuer, der jeden Befund belegt

Sinnvoll wäre eine GitHub- oder GitLab-App für Teams, denen Kommentare zum Diff nicht genügen. Sie führt das Projekt für jeden Pull Request in einem isolierten Arbeitsbereich aus, reproduziert vermutete Probleme, hängt Protokolle an, entwirft eine Korrektur und wartet vor jeder Codeänderung auf einen Menschen.

Die Nachfrage ist konkret. DataForSEO schätzt das US-Suchvolumen für „AI code review“ auf rund 1,300 Suchanfragen pro Monat, bei einem CPC von $46.65. „AI code review tools“ bringt weitere rund 590 monatliche Suchanfragen und verzeichnet im aktuellen Keyword-Datensatz einen Anstieg von 85% im Jahresvergleich. Käufer zahlen bereits: CodeRabbit führt bei jährlicher Abrechnung Tarife von $24 bis $48 pro Nutzer und Monat, Greptile verlangt $30 pro Arbeitsplatz und Monat.

Die kleinste verkaufbare Version braucht eine einzige Versionsverwaltungsintegration, eine Repository-Anweisungsdatei, einen Test Runner im Hintergrund, eine Ergebnisseite mit Rohbelegen und genau eine Freigabeaktion, um einen Review zu veröffentlichen oder einen Patch zu öffnen. Nicht jede Sprache muss von Anfang an unterstützt werden. Besser ist ein einzelnes Ökosystem, in dem Tests üblich und Laufzeitumgebungen berechenbar sind.

Der Haken: Der Markt ist voll, und Vertrauen bleibt ein Problem. Zu den tatsächlichen Suchfragen zählen „How does AI code review work?“ und „Is the AI code safe?“. Ein nachhaltiger Wettbewerbsvorteil entsteht nicht durch den Zugang zu Gemini, sondern durch einen wachsenden Evaluationsdatensatz, Repository-spezifische Regeln, wenige Fehlalarme und Belege, die jeden Befund nachvollziehbar machen.

2. Ein Agent für wiederkehrende Datenabschlüsse in einem Betriebsteam

Das Produkt verwandelt die wöchentlichen oder monatlichen Quelldaten eines Unternehmens in einen abgestimmten Bericht; Analysecode und Zwischendateien bleiben gemeinsam mit dem Ergebnis erhalten. Operations-, Revenue- und Finanzteams zahlen dafür, weil die Aufgabe regelmäßig anfällt und Fehler sichtbar sind.

DataForSEO schätzt 3,600 US-Suchanfragen pro Monat für „AI for data analysis“. Die kommerziell geprägte Suchanfrage erreicht einen CPC von $41.92. Das spezifischere „AI agent for data analysis“ kommt auf rund 320 monatliche Suchanfragen und hat im aktuellen Datensatz eine Keyword Difficulty von 2. Das deutet trotz des Wettbewerbs im breiteren Markt auf einen noch offenen Einstiegskanal hin.

Das MVP umfasst einen externen Zeitplaner oder Trigger bei Dateieingang, einen Warehouse-Konnektor, ein Ziel in einer Tabellenkalkulation, eine feste Berichtsvorlage, ein Ausführungsprotokoll und eine Abstimmungsansicht. Der ehrliche Haken liegt in der Verlässlichkeit der Ausgabe. Antigravity unterstützt keine strukturierten Ausgaben. Wichtige Tabellen und Summen müssen deshalb vor der Auslieferung deterministisch geprüft werden.

3. Ein vertikaler Workflow-Runner mit echten Freigabeschranken

Der Ansatz konzentriert sich auf einen einzigen Falltyp, etwa Lieferanten-Onboarding, Schaden-Triage oder das Sammeln von Sicherheitsnachweisen. Das Produkt ruft Kontext über zwei oder drei MCP-Verbindungen ab, erledigt die aufwendige Analyse im Hintergrund und nutzt eigene Funktionen für die wenigen Aktionen, die geprüft oder freigegeben werden müssen.

DataForSEO schätzt 1,000 US-Suchanfragen pro Monat für „AI workflow automation“, mit kommerzieller Suchabsicht und einem CPC von $49.51. „AI workflow automation platform“ bringt weitere rund 260 monatliche Suchanfragen und weist im aktuellen Keyword-Datensatz ein Jahreswachstum von 320% auf. Nutzer fragen ausdrücklich: „How can I automate my workflows using AI?“

Das MVP besteht aus einer Warteschlange, einem eng definierten Ablauf, zwei Integrationen, einem Freigabepostfach und einem vollständigen Ausführungsprotokoll. Die Falle ist der Anspruch einer horizontalen Plattform. Verspricht die erste Version, jeden beliebigen Workflow zu automatisieren, verschlingen Konnektoren und Sonderfälle das Produkt. Zuerst muss das Produkt bei einem einzigen kostspieligen Prozess überzeugen.

Was damit nicht gelöst ist

Verwaltete Ausführung reduziert den Infrastrukturaufwand, beseitigt jedoch weder Produkt- noch Betriebsrisiken.

Auch die Aktualisierung von Zugangsdaten muss präzise verstanden werden. Google erhält die Umgebung, wenn die Anwendung neue Netzwerkregeln und ein frisches Token bereitstellt. Der Agent stellt dieses Token weder selbst aus noch rotiert er es.

Meine Einschätzung: Sinnvoll ist der Einsatz für begrenzte Aufträge mit eindeutigen Abschlusskriterien, überprüfbaren Artefakten, eng gefassten Berechtigungen und Freigabeschranken. Ein Preview-Agent sollte nicht als unbegrenzt agierender Produktionsadministrator eingesetzt werden. Google empfiehlt ausdrücklich, generierten Code, Datentransformationen, Konfigurationsänderungen und externe Aktionen zu prüfen, bevor man sich darauf verlässt.

Was ist KI-gestützte Workflow-Automatisierung?

Dabei interpretiert ein Modell den jeweiligen Kontext und entscheidet zwischen mehreren Tools, statt nur einer festen Abfolge von Triggern zu folgen. Gemini Managed Agents ergänzen einen gehosteten Arbeitsbereich und eine Hintergrundlaufzeit; Berechtigungen, Trigger, Validierung und Freigaben definiert weiterhin die eigene Anwendung.

Wie lassen sich Workflows mit KI automatisieren?

Am Anfang sollte ein klar begrenzter Auftrag mit eindeutiger Eingabe, überprüfbarem Ergebnis und höchstens wenigen Tool-Verbindungen stehen. Die Analyse läuft im Hintergrund, Lesezugriffe bleiben eng gefasst, und jede unumkehrbare Aktion wird durch eine eigene Funktion oder menschliche Freigabe abgesichert.

Was ist ein Beispiel für einen KI-Automatisierungsworkflow?

Ein Pull-Request-Betreuer ist ein überzeugendes Beispiel: Er nimmt einen neuen Pull Request entgegen, öffnet das Repository in einer Sandbox, installiert Abhängigkeiten, führt Tests aus, untersucht Fehler, entwirft einen Review und wartet vor dem Veröffentlichen oder Ändern von Code auf eine Freigabe.

Wie funktioniert KI-Code-Review?

Der Reviewer liest eine Codeänderung im Kontext des Repositorys, sucht nach Fehlern oder Regelverstößen und formuliert Befunde. Ein Managed Agent kann darüber hinaus das Projekt ausführen sowie Protokolle oder Testergebnisse beilegen. Ob ein Befund zur tatsächlichen Produktabsicht passt, sollte dennoch ein Mensch beurteilen.

Ist KI-Code sicher?

Nicht automatisch. Eine Sandbox begrenzt zwar den Ausführungsort, doch Sicherheit hängt ebenso von Code, Tool-Berechtigungen, Netzwerkregeln, Zugangsdaten, Tests und menschlicher Prüfung ab. Agentenausgaben sollten als nicht vertrauenswürdige Beiträge behandelt werden, bis sie alle üblichen Prüfungen bestanden haben.

Wer einen solchen Mitarbeiter passend zu den eigenen Systemen, Berechtigungen und Freigaberegeln entwickeln lassen möchte, findet weitere Informationen unter Entwicklung von KI-Agenten.