Google enthüllt BigQuery-Tools für KI-Agenten-Datenzugriff

Google enthüllt neues Toolset zur Verbindung von KI-Agenten mit BigQuery-Daten

Mountain View, CA – 30. Juli 2025 – Google hat ein neues Toolset auf den Markt gebracht, das Unternehmen durch die nahtlose Verbindung ihrer KI-Agenten mit in BigQuery, ihrem Cloud-basierten Data Warehouse, gespeicherten Daten stärken soll. Diese Entwicklung reagiert auf die steigende Nachfrage nach „agentenbasierten Anwendungen“ – KI-Systemen, die Aufgaben autonom ohne menschliches Eingreifen ausführen können – und zielt darauf ab, diesen Agenten den reichen Kontext zu liefern, der für genauere und relevantere Antworten erforderlich ist.

Der Aufstieg von KI-Agenten ist ein signifikanter Trend im Jahr 2025, wobei viele Unternehmen diese aktiv testen und einsetzen, um repetitive Aufgaben zu automatisieren, Kundenerlebnisse zu verbessern und menschliche Fähigkeiten zu erweitern. Eine entscheidende Herausforderung war jedoch, diesen Agenten eine sichere und intelligente Interaktion mit riesigen Mengen an Unternehmensdaten zu ermöglichen. Googles neues Toolset begegnet diesem Problem direkt, indem es eine sichere und zuverlässige Brücke zwischen KI-Agenten und BigQuery bietet.

Das neu eingeführte Toolset umfasst eine Reihe von Funktionalitäten, die es KI-Agenten ermöglichen, Abfragen in BigQuery auszuführen und wichtige Metadaten abzurufen. Schlüsselwerkzeuge in diesem Set sind list_dataset_ids (um alle Dataset-IDs in einem Google Cloud-Projekt zu erhalten), get_dataset_info (für detaillierte Dataset-Metadaten), list_table_ids (um Tabellen-IDs innerhalb eines Datasets aufzulisten), get_table_info (um Metadaten für einzelne Tabellen abzurufen) und execute_sql (um SQL-Abfragen auszuführen und Ergebnisse direkt aus BigQuery abzurufen).

Dieses Toolset ist keine eigenständige Lösung; es integriert sich mit Googles bestehenden Open-Source-Angeboten: dem Agent Development Kit (ADK) und der MCP Toolbox for Databases (früher bekannt als Generative AI Toolbox for Databases). Unternehmen können das Toolset einem innerhalb des ADK-Frameworks erstellten Agenten zuweisen, indem sie es aus dem agents.tools-Modul in einer Python-Umgebung importieren und die ADK CLI und SDK verwenden. Der Parameter tool_filter ermöglicht auch eine selektive Offenlegung von Tools für den Agenten.

Alternativ unterstützt die MCP Toolbox for Databases nativ das vorgefertigte Toolset von BigQuery. Um diese Tools zu nutzen, benötigen Unternehmen eine Python-unterstützte Umgebung, um einen mcp-toolbox-Ordner zu erstellen und die MCP Toolbox zu installieren. Die MCP Toolbox fungiert als Open-Source-Server, der das Hosting und die Verwaltung von Toolsets zentralisiert und es Agenten ermöglicht, als MCP-Clients zu agieren und Tools von der Toolbox anzufordern, die dann die Komplexität sicherer Verbindungen, Authentifizierung und Abfrageausführung handhabt. Darüber hinaus ermöglicht der MCP Toolbox-Bereitstellungsmodus die Definition benutzerdefinierter SQL-Tools.

Branchenexperten wie Charlie Dai, Vice President und Principal Analyst bei Forrester, glauben, dass diese Integration die Entwicklung agentenbasierter Anwendungen erheblich beschleunigen wird. Dai merkt an, dass „Googles ADK- und MCP-Integration vorgefertigte Frameworks zur Verfügung stellt, um KI-Agenten direkt mit BigQuery-Daten zu verbinden. Dies eliminiert kundenspezifische Integrationsarbeiten, reduziert den Entwicklungsaufwand und ermöglicht es Agenten, Unternehmenskontext für genaue Antworten zu nutzen.“

Googles Schritt erfolgt inmitten eines breiteren Branchentrends, bei dem sich große Datenplattformanbieter darauf konzentrieren, KI-Agenten mit Unternehmensdaten zu verbinden. Rivalen wie Databricks, Snowflake und Teradata haben ebenfalls ihre eigenen Model Context Protocol (MCP) Server und verwandte Angebote eingeführt, um die Interaktion von KI-Agenten mit in ihren Data Lakehouses und Datenbanken gespeicherten Daten zu erleichtern. Das Model Context Protocol (MCP selbst, ursprünglich von Anthropic eingeführt, entwickelt sich zu einem entscheidenden offenen Protokoll für die Verbindung großer Sprachmodelle (LLMs) mit Datenquellen wie BigQuery, wodurch sie SQL-Abfragen ausführen und direkt aus bestehenden Tools mit Projekten interagieren können.

Google hat BigQuery auch aktiv mit spezialisierten KI-Agenten und einer autonomen Datenbasis verbessert. Dazu gehören ein Daten-Engineering-Agent, der beim Aufbau von Datenpipelines und der Automatisierung der Metadatengenerierung hilft, ein Datenwissenschafts-Agent, der in Colab-Notebooks eingebettet ist, um Feature Engineering und Modellauswahl zu automatisieren, und ein Looker-Konversationsanalyse-Agent, der Abfragen in natürlicher Sprache ermöglicht und Erklärungen für seine Schlussfolgerungen liefert. Diese Fortschritte werden durch die BigQuery Knowledge Engine untermauert, die Googles Gemini-Modelle nutzt, um Schema-Beziehungen, Tabellenbeschreibungen und Abfragehistorien zu analysieren, Metadaten zu generieren und semantische Suchen zu unterstützen. Google hat Pläne angekündigt, das neu angekündigte Toolset in Zukunft um weitere Funktionalitäten zu erweitern.