Strukturierte Ausgaben mit Gemini: JSON-Schema und Validierung für verlässliche KI-Prozesse

Ein Sprachmodell, das gute Texte schreibt, ist schön. Für einen Geschäftsprozess reicht das nicht. Wenn Gemini aus einem Lieferschein die Positionen herausziehen, eine Kundenanfrage einer Abteilung zuordnen oder einem Agenten die Eingaben für das nächste Werkzeug liefern soll, muss die Antwort eine feste Form haben. Sonst bricht der nächste Schritt, oder schlimmer: Er läuft mit falschen Werten weiter.

Genau dafür gibt es strukturierte Ausgaben. Du gibst dem Modell ein JSON-Schema vor, und die Antwort hält sich an diese Struktur. Dieser Beitrag zeigt, wie das mit Gemini funktioniert, wo die Grenzen liegen und wie Du eine Validierung aufbaust, auf die sich Dein Betrieb verlassen kann.

Was strukturierte Ausgaben sind

Laut Gemini-API-Dokumentation lassen sich Gemini-Modelle so konfigurieren, dass ihre Antworten einem vorgegebenen JSON-Schema folgen. Google nennt drei typische Einsatzfelder:

• Datenextraktion: bestimmte Angaben wie Namen, Daten oder Beträge aus Text herausziehen.
• Strukturierte Klassifizierung: Texte in vorher festgelegte Kategorien einordnen.
• Agenten-Abläufe: strukturierte Eingaben für Werkzeuge oder Schnittstellen erzeugen.

Das Schema beschreibt, welche Felder es gibt, welchen Typ sie haben (Text, Zahl, Ganzzahl, Wahrheitswert, Objekt, Liste) und welche Felder Pflicht sind. Mit enum legst Du eine feste Liste erlaubter Werte fest, etwa die Abteilungen Vertrieb, Service und Buchhaltung. In den Google-SDKs kannst Du das Schema auch mit Pydantic (Python) oder Zod (JavaScript) definieren.

Warum JSON-Modus allein nicht reicht

Viele Teams starten mit der Anweisung im Prompt, bitte JSON zu liefern, oder setzen nur den Ausgabetyp auf JSON. Die Google-Cloud-Dokumentation zu strukturierten Ausgaben ist hier deutlich: Der Ausgabetyp application/json ohne Schema ist nur ein starker Hinweis an das Modell. Bei komplexen Antworten kann trotzdem fehlerhaftes JSON entstehen. Erst die Kombination aus Ausgabetyp und Schema stellt laut Google sicher, dass gültiges JSON zurückkommt. Wo Du kein Schema vorab festlegen kannst, empfiehlt Google eine Prüfung auf Deiner Seite mit erneutem Versuch.

Die Grenzen, die Du kennen musst

Gültiges JSON heißt nicht, dass der Inhalt stimmt. Google schreibt das selbst: Die Ausgabe ist syntaktisch korrekt, die Werte musst Du trotzdem in Deiner Anwendung prüfen. Dazu kommen technische Grenzen, die in der Praxis oft übersehen werden:

• Nur eine Teilmenge von JSON Schema wird unterstützt. Nicht jedes Schlüsselwort aus der JSON-Schema-Spezifikation wird beim Erzeugen durchgesetzt.
• Längen- und Zählregeln werden ignoriert. Laut Gemini-Dokumentation werden minLength, maxLength, minProperties und maxProperties nicht erzwungen und vom Server entfernt, auch wenn Pydantic oder Zod sie automatisch ins Schema schreiben. Eine Artikelnummer mit genau acht Zeichen musst Du also selbst prüfen.
• Zu komplexe Schemas werden abgelehnt. Sehr große oder tief verschachtelte Schemas können zu einem Fehler führen. Google rät dann zu kürzeren Feldnamen, flacheren Strukturen, weniger optionalen Feldern und kürzeren Werte-Listen.
• Die Reihenfolge zählt. Wenn Dein Prompt Beispiele enthält, sollten sie die Felder in derselben Reihenfolge zeigen wie das Schema. Sonst kann das Modell laut Google durcheinanderkommen.

Strukturierte Ausgaben oder Function Calling?

Beides wirkt ähnlich, hat aber einen anderen Zweck. Strukturierte Ausgaben legen das Format der Antwort fest. Function Calling nutzt Du, wenn das Modell während eines Gesprächs eine Aktion anstoßen soll, zum Beispiel eine Kundennummer im System nachschlagen. In vielen Abläufen kommt beides vor: Der Agent ruft Werkzeuge auf und liefert am Ende ein Ergebnis in fester Struktur. Laut Gemini-Dokumentation lässt sich das bei Modellen der Gemini-3-Reihe als Vorschau auch kombinieren.

Validierung in vier Schichten

Bewährt hat sich ein Aufbau in vier Schichten. Jede Schicht fängt andere Fehler ab:

1. Form: Antwort mit Schema anfordern und in Deiner Anwendung noch einmal gegen das Schema prüfen, zum Beispiel mit Pydantic. Hier landen auch die Längen- und Zählregeln, die das Modell ignoriert.
2. Fachregeln: Stimmt die Summe der Positionen mit dem Gesamtbetrag überein? Liegt das Lieferdatum in einem plausiblen Zeitraum? Ist die Menge größer als null?
3. Abgleich mit Stammdaten: Gibt es die Lieferantennummer wirklich? Passt die Artikelnummer zu einem aktiven Artikel? Diese Prüfung gegen ERP, Warenwirtschaft oder eine Google-Tabelle verhindert die meisten teuren Fehler.
4. Mensch bei Unklarheit: Fällt eine Prüfung durch, geht der Vorgang nicht stillschweigend weiter, sondern in eine Prüfliste für einen Menschen. Erlaube im Schema ausdrücklich leere Werte (null), statt das Modell zum Raten zu zwingen.

So kann das bei Lieferscheinen aussehen: Ein n8n-Ablauf fordert von Gemini Lieferant, Lieferscheinnummer, Datum und Positionen als JSON an. Fehlt die Lieferscheinnummer, liefert Gemini null, der Ablauf erkennt das und legt den Beleg einer Person zur Prüfung vor. Was dabei sonst schiefgehen kann, zeigt unser Erfahrungsbericht Wie wir unsere Belegverarbeitung mit n8n automatisiert haben.

Schema-Design: fünf praktische Regeln

• Beschreibungen nutzen: Das Feld description erklärt dem Modell, was gemeint ist, etwa „Nettobetrag in Euro ohne Versandkosten“.
• Feste Werte statt Freitext: Wo es geht, mit enum arbeiten. Das macht die Weiterverarbeitung einfacher und Auswertungen vergleichbar.
• Flach halten: Lieber zwei einfache Aufrufe als ein Schema mit fünf Ebenen.
• Versionieren: Ändert sich das Schema, bekommt es eine neue Versionsnummer, und Deine Tests laufen erneut.
• Mit echten Beispielen testen: Ein kleines Testset aus echten, anonymisierten Belegen oder Anfragen zeigt schnell, wo das Schema hakt. Wie Du so ein Testset aufbaust, beschreibt unser Beitrag zu Evaluation und Betrieb von KI-Agenten.

Sicherheit nicht vergessen

Ein Schema schützt nicht vor manipulierten Eingaben. Wenn eine E-Mail oder ein PDF versteckte Anweisungen enthält, kann das Modell trotzdem falsche Werte in die richtigen Felder schreiben. Deshalb gehören Fachregeln, Stammdatenabgleich und Freigaben für kritische Aktionen immer dazu. Mehr dazu in unserem Beitrag zu Agent-Guardrails und Prompt Injection.

Wo strukturierte Ausgaben im Mittelstand sofort helfen

• Kundenservice: Anfragen mit Kategorie, Dringlichkeit und Kundennummer einordnen. Wie das im Ticketsystem aussieht, zeigt unser Beitrag KI im Kundenservice mit Gemini.
• Einkauf: Angebote verschiedener Lieferanten in eine einheitliche Tabelle bringen.
• Buchhaltung: Rechnungsdaten vorerfassen, mit Freigabe durch einen Menschen.
• Agenten: Eingaben für Werkzeuge sauber erzeugen, bevor etwas in einem System geändert wird.

So startest Du

Such Dir einen Ablauf mit vielen gleichartigen Dokumenten und klarer Zielstruktur. Leg das Schema gemeinsam mit der Fachabteilung fest, bau die vier Prüfschichten und teste mit echten Beispielen, bevor der Ablauf live geht. Wenn Du wissen willst, wo Dein Betrieb beim Thema KI steht, hilft unser AI-Readiness-Check, und im Whitepaper zur AI Readiness findest Du die Grundlagen kompakt. Für die Umsetzung in bestehende Abläufe schau Dir unsere Prozessautomatisierung an.

Fazit

Strukturierte Ausgaben machen aus einem Sprachmodell einen verlässlichen Baustein im Prozess. Das Schema sorgt für die Form, Deine Validierung für den Inhalt. Wer beides sauber trennt, bekommt KI-Abläufe, die auch nach Monaten noch stabil laufen. Lass uns in einem kostenlosen Erstgespräch klären, welcher Ablauf bei Dir der beste Start ist.