Google Cloud Next '26: agentes saem do chat e passam a trabalhar em segundo plano

A mudança de dar comandos para delegar tarefas

O discurso central do Google é que a IA deixou de apenas transformar o trabalho e passou a operar em escala. A evidência concreta dessa afirmação é a introdução de agentes de longa duração que, segundo o anúncio, 'trabalham de forma autônoma em segundo plano, dentro de sandboxes seguros na nuvem, enquanto você se dedica a outras coisas'.

Isso é um modelo de operação bem diferente de um chatbot com quem você interage turno a turno. Um agente rodando em segundo plano em um processo de negócio com várias etapas precisa de um lugar para funcionar, limites claros sobre o que pode acessar e uma forma de o humano acompanhar o que está sendo feito. O Google resolve os três pontos: o sandbox garante a contenção, e a nova Agent Inbox é a camada de supervisão onde os usuários 'monitoram, orientam e gerenciam' o que os agentes estão fazendo.

A Agent Inbox é o detalhe mais revelador. O Google está reconhecendo, na prática, que quando você tem vários agentes agindo por conta própria, o desafio de interface deixa de ser a conversa e passa a ser a supervisão. Uma caixa de entrada para o trabalho das máquinas é uma aposta de que as pessoas vão gerenciar frotas de agentes do mesmo jeito que organizam e-mails.

Dois públicos, dois caminhos de construção

O Google dividiu as ferramentas de acordo com quem vai construir os agentes. Para equipes técnicas, a Gemini Enterprise Agent Platform oferece o Agent Studio, uma interface low-code, além de acesso direto ao Gemini 3.1 Pro, Gemini 3.1 Flash Image (Nano Banana 2), Lyria 3 e — vale destacar — ao Claude Opus 4.7, da Anthropic. Oferecer o modelo de um concorrente dentro da própria plataforma é a posição de 'liberdade de escolha' que o Google diz defender.

Para o restante dos usuários, o app Gemini Enterprise traz o Agent Designer, no-code, para criar 'fluxos de trabalho baseados em gatilhos sem escrever uma linha de código.' A insistência repetida de que 'você não precisa ser um PhD em machine learning' mostra para onde o Google acredita que a criação de agentes está caminhando: menos nas mãos de especialistas em ML e mais nas de usuários de negócio definindo automações em linguagem natural.

O risco nesse discurso é que governança é mais difícil do que criação. Permitir que qualquer pessoa construa um agente baseado em gatilhos amplia quem pode automatizar um processo; isso não amplia automaticamente quem entende os modos de falha. A Agent Inbox e os sandboxes são as mitigações que o Google oferece, mas a responsabilidade de definir gatilhos seguros ainda recai sobre pessoas que não são especialistas.

Economia de inferência embutida no silício

O anúncio de infraestrutura foi mais específico do que o normal. O Google dividiu suas TPUs de oitava geração em dois papéis: a TPU 8t para treinamento e a TPU 8i para inferência, com o chip de inferência citado como '80% melhor em desempenho por dólar'.

Essa divisão importa para quem planeja rodar agentes em volume. O treinamento é um custo praticamente único; a inferência é o que você paga a cada ação de um agente. Otimizar um chip dedicado ao atendimento — e apresentar a métrica em desempenho por dólar, e não em velocidade bruta — reflete o próprio argumento do Google de que 'rodar milhões de agentes de IA exige bastante poder computacional.' O custo do trabalho autônomo, não só sua capacidade, é a restrição que está sendo endereçada por engenharia.

As peças de apoio reforçam a movimentação de dados como o principal gargalo: a Virgo Network para conectar supercomputadores e o Managed Lustre, citado com 10 terabytes por segundo. O Google também se posiciona como um dos primeiros a hospedar o NVIDIA Vera Rubin NVL72, ao lado de seus próprios processadores Axion, mantendo uma estratégia de computação com múltiplos fornecedores.

Deixar os dados onde estão é a aposta mais discreta — e mais importante

O Agentic Data Cloud carrega a frase mais relevante para implantações reais: um agente 'só é tão útil quanto a informação que ele entende.' Dois componentes sustentam isso. O Knowledge Catalog usa o Gemini para marcar e conectar automaticamente os dados da empresa, para que os agentes entendam o contexto específico do negócio. O Cross-Cloud Lakehouse, padronizado em Apache Iceberg, permite consultar os dados onde eles já estão armazenados.

Padronizado em Apache Iceberg, isso permite deixar seus dados exatamente onde estão — mesmo que estejam na AWS — e consultá-los instantaneamente, sem nenhum atrito.Montana Labs

Citar explicitamente a AWS como um lugar onde seus dados podem permanecer é uma jogada certeira. O Google admite que os clientes não vão migrar tudo para rodar os agentes dele, e isso reduz o custo de experimentar a plataforma. Especificamente para automação, isso resolve um bloqueio prático: agentes falham quando não têm contexto, e o contexto geralmente está espalhado por sistemas que ninguém quer consolidar antes de começar.

As implantações citadas — o assistente de loja da Home Depot, o Ordering Agent da Papa John's que lembra 'o pedido de sempre', a Mars e a Citadel Securities em pesquisa quantitativa, e a Unilever implantando agentes em uma organização que atende 3,7 bilhões de consumidores — descrevem agentes conectados a operações já existentes, e não construções do zero. Esse é o fio condutor dos sete destaques: o Google está otimizando a automação para funcionar sobre os dados e a infraestrutura bagunçados que as empresas já têm, e não uma automação que exige reconstruir tudo antes.