KI-Modelle und Plattformen
Google Cloud stellt KI-Metadatenextraktion in Cloud Storage als Vorschau vor

Wichtige PunkteObjekterweiterungen verlagern die KI-Inferenz-Orchestrierung in Cloud Storage, sodass…
Mehr anzeigen
- Objekterweiterungen verlagern die KI-Inferenz-Orchestrierung in Cloud Storage, sodass Agenten vorbereitete Metadaten abfragen, anstatt Frames erneut zu verarbeiten.
- Google berechnet Bildannotationen 75 % günstiger als ähnliche Dienste anderer Cloud-Anbieter.
- Die Vorschau schließt die Gemini-Anreicherung sowie Rapid- oder hierarchische Namespace-Buckets aus und begrenzt Objekte auf 20 MiB.
Google Cloud führte am 19. November 2026 Objektanreicherungen ein: einen als Vorschau verfügbaren Cloud-Storage-Dienst, der strukturierte Metadaten aus gespeicherten Bildern und PDFs für KI-Agenten und Analysen extrahiert. In einem veröffentlichten Preisbeispiel kostet die Verarbeitung von 10 Millionen Bildern mit einem Bildmodell 700 US-Dollar.
Die vollständig verwaltete Funktion ist über die Cloud-Storage-Konsole und die API verfügbar. Sie scannt geeignete Objekte asynchron, führt die ausgewählten Modelle aus, wertet deren Antworten aus und schreibt die Ergebnisse in die jeweiligen Objekte. Integrierte Wiederholungsversuche und Drosselung machen Warteschlangen, Worker, Zeitplanung und eigens entwickelten Pipeline-Code überflüssig, die Kunden andernfalls rund um Infrastruktur wie Cloud Run oder Google Kubernetes Engine einrichten müssten.
Das der Entwicklung zugrunde liegende Agentenbeispiel ist ein Betriebssystem, das Tausende von Aufnahmen intelligenter Kameras oder Fahrzeugkameras nach einer Paketzustellung oder einer Gefahr im Straßenverkehr durchsucht. Würden diese Aufnahmen bei jeder Eingabeaufforderung in ein Modell eingespeist, verbrauchte das Tokens und verursachte mehrere Minuten Verzögerung. Werden stattdessen zuvor erstellte Metadaten abgefragt, verlagert sich diese Arbeit in einen asynchronen Verarbeitungsschritt auf der Speicherseite. Die Metadaten bleiben außerdem mit dem Objekt verknüpft, statt in einem separat zu synchronisierenden Speicher abgelegt zu werden.
Fünf Modelle und Objektkontexte
Die Dokumentation zu Objektanreicherungen führt fünf Modelle aus dem eigenen Angebot auf. Objekterkennung und Bildbeschriftung liefern Kategorien und rechteckige Begrenzungen. Die Gesichtserkennung ergänzt Gesichtsmerkmale und Wahrscheinlichkeitswerte für Gesichtsausdrücke, und die PDF-Klassifizierung ordnet Dokumente Kategorien mit zugehörigen Werten zu. Zu diesen Kategorien zählen Geschäfts- und Branchenbereiche wie Finanzen, Spiele, Nachrichten und Gesundheit.
Anmerkungen werden als Objektkontexte gespeichert, einem Cloud-Storage-Metadatenkonstrukt mit einem Schlüssel, einem Zeichenfolgenwert und Zeitstempeln sowie einer optionalen JSON-Nutzlast von bis zu 128 KiB für detaillierte Ergebnisse. Anwendungen können Objektlisten anhand von Kontextschlüsseln und -werten filtern. Berechtigungen für Identity and Access Management legen fest, wer diese hinzufügen, ändern oder entfernen darf. Bei Kopier-, Rewrite-, Compose-, Verschiebe- und Wiederherstellungsvorgängen werden Kontexte automatisch übertragen.
Storage-Insights-Datasets können die Metadaten für Millionen oder Milliarden von Objekten nach BigQuery exportieren. Datenteams können anschließend die Daten abfragen object_contexts_catalog_view mit Standard-SQL und Labels oder Dokumentklassifizierungen mit strukturierten Geschäftstabellen verknüpfen. So lassen sich Assets auffinden, Trainingsdaten zusammenstellen und multimodale Analysen durchführen, ohne eine separate ETL-Pipeline zu schreiben.
Preise und erste Kundenergebnisse
Google zufolge kosten seine Bildannotationen 75 % weniger als vergleichbare Dienste anderer Cloud-Anbieter. Die veröffentlichten Preise für Cloud Storage bieten einen konkreteren Vergleichswert: Für jedes Bildmodell kosten die ersten 1 Million Objekte pro Monat 0,25 US-Dollar je 1.000 Objekte; oberhalb dieser Grenze sind es 0,05 US-Dollar je 1.000 Objekte.
In Googles Beispiel werden 10 Millionen Bilder mit Objekterkennung und Bildbeschriftung verarbeitet. Dabei fallen einmalige Inferenzkosten von 1.400 US-Dollar sowie wiederkehrende monatliche Kosten von 55,20 US-Dollar für Objektkontexte, Storage Intelligence und die Speicherung des Datasets an. Objektkontexte kosten 3 US-Dollar pro Million Kontexte und Monat. Für die Funktion fallen außerdem Gebühren für den Datenzugriff und die Vernetzung an. Das Lesen der Objekte kann zudem in Buckets mit Autoclass einen Wechsel der Speicherklasse auslösen.
Für die PDF-Klassifizierung gelten in der Vorschau andere Bedingungen: Bis zur allgemeinen Verfügbarkeit später im Jahr 2026 ist sie kostenlos. Während der öffentlichen Vorschau ist die Nutzung auf 100 Millionen Objekte pro Kunde begrenzt. Wird derselbe Bucket mit demselben Modell an mehreren Verarbeitungsstandorten konfiguriert, fallen die Arbeit und die Kosten jeweils erneut an. Daher muss der Standortumfang in die Kostenberechnung einbezogen werden.
Kundenberichte, die zusammen mit der Ankündigung veröffentlicht wurden, schildern größere betriebliche Auswirkungen. Antoine Castex, leitender Daten- und KI-Architekt bei L’Oreal, sagte, der Dienst habe das Kreativ-Asset-Repository des Unternehmens 100-mal schneller und zu einem Bruchteil der bisherigen Pipeline-Kosten beschriftet. Mayur Pillay, Vizepräsident für Partnerschaften bei Hyperscience, berichtete von einer um mehr als 50 % gestiegenen Genauigkeit bei der Dokumentklassifizierung und zwei- bis dreimal niedrigeren Inferenzkosten. Brandon Bunker, Vizepräsident für Produkt-KI bei Vivint, sagte, Objektanreicherungen und BigQuery hätten die Entwicklungszeit für KI von sechs Monaten auf einen Monat verkürzt.
Einschränkungen der Vorschau und Gemini-Roadmap
In der Vorschau werden Bild- und PDF-Objekte mit einer Größe von höchstens 20 MiB akzeptiert. Jedes Objekt benötigt einen gültigen, unterstützten Content-Type Wert, der den Dateityp angibt. Unterstützte Bildformate sind BMP, GIF, ICO, JPEG, PNG, TIFF und WEBP. Die Verarbeitung ist verfügbar in den us, eu und asia Standorten. Kunden können so einen Standort entsprechend den Anforderungen an die Datensouveränität und der Nähe zur Speicherregion des Buckets auswählen.
Objektanreicherungen lassen sich weder für Rapid-Buckets noch für Buckets mit hierarchischem Namensraum aktivieren. Kundenseitig bereitgestellte Verschlüsselungsschlüssel werden nicht unterstützt, und es müssen exakte Bucket-Namen statt Platzhaltern oder regulären Ausdrücken verwendet werden. Eine ausdrückliche Begrenzung der Arbeitslast gibt es nicht, doch Kapazitätsengpässe können die Verarbeitung verzögern. Cloud Monitoring erfasst ausstehende Objekte, die Anzahl der Modellausführungen und den Verarbeitungsstatus.
Google gibt an, dass die native Gemini-Anreicherung bevorsteht und nicht in dieser Vorschau enthalten ist. Sie ist für multimodales Schlussfolgern über Text, PDFs, Bilder, Audio und Video hinweg vorgesehen. Zu den möglichen Anwendungsfällen zählen Zusammenfassungen, Extraktion von Entitäten, Transkription und Übersetzung. Google fordert interessierte Kunden auf, den Zugang separat zu beantragen.
Für Unternehmen zeigt sich der Zielkonflikt in der Vorschau deutlich: Google verwaltet die Inferenz-Orchestrierung und verknüpft die Metadaten mit dem Objekt, während sich die Abrechnung nach jedem Modelllauf, dem gespeicherten Kontext und den gelesenen Daten richtet. Die Bedeutung der Funktion für die Agenteninfrastruktur liegt darin, diese Aufgaben in Cloud Storage zu bündeln, statt ein weiteres Repository und einen zusätzlichen Verarbeitungs-Stack hinzuzufügen, auf die Agenten angewiesen wären.












