KI-Analyse ohne Datenexport: Gemini in BigQuery ist da

Was ist am 4. August 2026 passiert?

Google hat ein entscheidendes Puzzleteil seiner KI-Strategie für Unternehmen finalisiert: Die Integration des KI-Modells Gemini in die Datenplattform BigQuery ist seit dem 4. August 2026 allgemein verfügbar. Dies wurde nach einer längeren Preview-Phase, die auf der Google Cloud Next Konferenz angekündigt wurde, nun für alle Kunden freigeschaltet.

Was bedeutet das konkret? Bisher mussten Unternehmen für komplexe KI-Analysen ihre Daten oft aus dem Data Warehouse exportieren, über eine API an ein grosses Sprachmodell (LLM) senden und die Ergebnisse wieder importieren. Dieser Prozess ist nicht nur umständlich, sondern auch aus Compliance-Sicht heikel. Mit der nativen Integration können Data Analysts und Entwickler nun KI-Funktionen direkt mit SQL-Befehlen auf den Daten ausführen, die bereits in BigQuery liegen. Die KI kommt zu den Daten, nicht umgekehrt.

Warum ist das für Schweizer Unternehmen relevant?

Diese Entwicklung adressiert zwei der grössten Hürden bei der KI-Einführung in Schweizer KMU und Konzernen: Datensicherheit und Souveränität.

1. Datensouveränität und DSG/revDSG: Der grösste Vorteil liegt in der Datenkontrolle. Viele Schweizer Unternehmen nutzen bereits die Google Cloud Region in Zürich (europe-west6), um ihre Daten physisch in der Schweiz zu halten. Wenn Gemini-Anfragen nun direkt innerhalb der BigQuery-Instanz in Zürich verarbeitet werden, verlassen sensible Kundendaten das definierte juristische und geografische Umfeld nicht. Dies vereinfacht die Einhaltung des neuen Datenschutzgesetzes (revDSG) massiv und reduziert den Compliance-Aufwand, da keine komplexen Datenübermittlungsverträge für jeden Analyse-Workflow mehr nötig sind.

1. Effizienz für Daten- und Finanzteams: Analysten können jetzt komplexe Aufgaben wie Sentiment-Analysen von Kundenfeedbacks, die Kategorisierung von Transaktionen oder das Zusammenfassen von unstrukturierten Texten direkt in SQL durchführen. Ein Befehl wie `AI.GENERATE_TEXT()` kann direkt auf einer Spalte mit Kunden-E-Mails ausgeführt werden, um deren Inhalt zu klassifizieren. Dies erspart den Umweg über Python-Notebooks und externe API-Calls, was Entwicklungszyklen von Wochen auf Stunden verkürzen kann.

1. Kostenkontrolle: Der traditionelle Weg über API-Calls an externe Modelle kann schnell zu unvorhersehbaren Kosten führen, die pro verarbeitetem Token abgerechnet werden. Die Integration in BigQuery verspricht ein planbareres Kostenmodell, da die KI-Funktionen in die bestehenden Preismodelle von BigQuery eingebettet sind. Viele Kernfunktionen sind sogar ohne Zusatzkosten in den bestehenden Editionen enthalten. Das macht KI-gestützte Analysen für das Controlling besser kalkulierbar.

Ein Paradigmenwechsel mit Vorbehalten

Trotz der offensichtlichen Vorteile ist Vorsicht geboten. Die Nutzung von Gemini innerhalb von BigQuery bedeutet eine noch stärkere Bindung an das Google-Ökosystem. Unternehmen müssen sicherstellen, dass sie nicht in einen Vendor-Lock-in geraten, der zukünftige Wechsel zu anderen Anbietern oder Multi-Cloud-Strategien erschwert.

Zudem bleibt die Verantwortung für die Ergebnisse beim Unternehmen. Nur weil eine KI einen Report generiert, heisst das nicht, dass dieser fehlerfrei ist. Es müssen weiterhin robuste Validierungs- und Governance-Prozesse etabliert werden, um die von der KI generierten Erkenntnisse zu überprüfen, bevor darauf basierende Geschäftsentscheidungen getroffen werden.

Ihre konkrete Handlungsempfehlung

Für Fach- und Führungskräfte in den Bereichen Data, Finance und Engineering ist jetzt der richtige Zeitpunkt, die neuen Möglichkeiten aktiv zu testen. Warten Sie nicht, bis die Technologie zum Standard wird. Gehen Sie proaktiv vor:

1. Identifizieren Sie einen Pilot-Anwendungsfall: Suchen Sie einen Analyseprozess, der heute manuell oder durch umständliche Datenexporte gelöst wird. Ein gutes Beispiel ist die Klassifizierung von Support-Tickets oder die Analyse von Produktbewertungen aus einer Textspalte in Ihrer Datenbank.

1. Führen Sie einen Benchmark durch: Lassen Sie Ihr Datenteam den identifizierten Anwendungsfall einmal auf dem herkömmlichen Weg (Datenexport, API-Call) und einmal mit den neuen `AI.*`-Funktionen direkt in BigQuery umsetzen. Vergleichen Sie die Ergebnisse in Bezug auf Entwicklungszeit, Ausführungsgeschwindigkeit, Kosten und vor allem den Compliance-Aufwand.

1. Evaluieren Sie die Governance: Klären Sie ab, wer die Verantwortung für die Prompts und die Validierung der KI-Ergebnisse übernimmt. Die neuen Funktionen machen KI für eine breitere Gruppe von Analysten zugänglich. Stellen Sie sicher, dass die notwendigen Kompetenzen und Kontrollmechanismen vorhanden sind. Das Seminar "KI für Controlling & Finance" kann hierfür eine wertvolle Grundlage schaffen.

Die Integration von Gemini in BigQuery ist mehr als nur ein technisches Update. Es ist ein strategischer Schritt, der die Hürden für sichere und datenschutzkonforme KI-Anwendungen in der Schweiz deutlich senkt. Unternehmen, die diese Chance jetzt ergreifen, können sich einen entscheidenden Wettbewerbsvorteil sichern.