Google hat die Agent and Model Evaluations in seiner Enterprise Agent Platform am 31. Juli 2026 aus dem Beta-Status in die allgemeine Verfügbarkeit (GA) überführt. Das bedeutet: Unternehmen können KI-Agenten nun mit standardisierten Messmethoden entwickeln, testen und in der Produktion überwachen – auf einer einzigen Plattform mit konsistenten Metriken.
Kurz & knapp
- Über 20 vordefinierte Metriken für Qualität, Sicherheit, Grounding und Agent-Tool-Nutzung stehen sofort zur Verfügung
- Adaptive Rubrics passen Bewertungskriterien an jeden einzelnen Fall an – statt einer starren Prompt-Vorlage für alle Inputs
- Lokale und Server-seitige Experimente möglich; Server-Variante speichert alle Artefakte in Cloud Storage zur Revision und Reproduzierbarkeit
- Continuous Evaluation auf Live-Traffic mit automatischen Drift-Alerts – ohne Custom-Datenverarbeitung
Was jetzt verfügbar ist
Die Evaluierungs-Suite deckt den gesamten Lebenszyklus eines KI-Agenten ab. Entwickler starten mit mehr als 20 vordefinierten Metriken, die Qualität, Sicherheit, Grounding, Agent-Tool-Nutzung und Trajektorien abdecken. Für Aufgaben wie Zusammenfassung oder Übersetzung gibt es auch referenzbasierte Scoring-Optionen.
Das Kernkonzept: Adaptive Rubrics. Sie passen die Bewertungskriterien an jeden einzelnen Fall an, statt eine universelle LLM-as-Judge-Prompt über völlig unterschiedliche Eingaben zu legen. Zusätzlich können Unternehmen eigene Code- oder LLM-basierte Metriken definieren und zentral versioniert speichern – so bleibt die Vergleichbarkeit über die Zeit gewährleistet.
Experimente lokal oder in der Cloud
Die Evaluierungen laufen entweder lokal für schnelle Iterationen oder server-seitig auf der Agent Platform. Der Server-Modus hat einen großen Vorteil: Alle Artefakte landen in Cloud Storage und sind damit revisionssicher und reproduzierbar – wichtig für Compliance und Nachvollziehbarkeit.
Google integriert hier auch User Simulator (um Multi-Turn-Szenarien ohne manuelles Scripting zu spielen) und Environment Simulator (um fehlerhafte oder langsame Backend-Systeme zu emulieren, ohne die Produktion zu beeinträchtigen).
Monitoring in der Live-Produktion
Nach dem Launch wird es interessant: Online Monitors und Telemetry Integrations bewerten die Traces, die der Agent ohnehin schon sammelt, und erzeugen Score-over-Time-Charts sowie Drift-Alerts – ohne dass Teams Custom-Datenverarbeitungs-Pipelines aufbauen müssen.
Besonders praktisch für größere Evaluierungen: Issue Clustering gruppiert Fehler automatisch in interpretierbare, handlungsrelevante Cluster. Wer noch keine eigene Fehler-Taxonomie hat, kann auf Googles vordefinierte Klassifizierung zurückgreifen, die häufige Agent-Fehler abdeckt.
Was das für deutsche Unternehmen bedeutet
Die GA-Verfügbarkeit signalisiert, dass KI-Agent-Evaluierung im Mainstream angekommen ist – nicht mehr Forschung, sondern Production-Ready. Deutsche Unternehmen, die Enterprise-Agenten einführen wollen, bekommen damit ein standardisiertes Werkzeug, um Qualität messbar zu machen. Das reduziert das Risiko von unkontrolliertem Agent-Verhalten in Produktion und macht Entscheidungen über Agent-Updates datengestützt.
Offen bleibt, wie gut die vordefinierten Metriken für spezifische deutsche Use-Cases (etwa regulierte Branchen wie Finanzdienstleistungen oder Gesundheit) passen – das wird sich in der Praxis zeigen.
Quellen
Redaktionell verantwortet von Ideal Syka. Quellen und Arbeitsweise: Redaktion & Methode. Hinweise und Korrekturen: ai@i6eal.de.
