Google Cloud Next '26: οι agents περνούν από το παράθυρο συνομιλίας σε ρόλο background worker

Η μετάβαση από το prompting στην ανάθεση

Η κεντρική θέση της Google είναι ότι η ΤΝ έχει περάσει από τη μεταμόρφωση της εργασίας στην εκτέλεσή της σε μεγάλη κλίμακα. Η συγκεκριμένη απόδειξη αυτής της θέσης είναι η εισαγωγή agents μακράς διάρκειας λειτουργίας που, σύμφωνα με την ανακοίνωση, «δουλεύουν αυτόνομα στο παρασκήνιο, μέσα σε ασφαλή cloud sandboxes, όσο εσείς ασχολείστε με άλλα πράγματα».

Αυτό είναι ένα διαφορετικό μοντέλο λειτουργίας από ένα chatbot με το οποίο αλληλεπιδράτε βήμα προς βήμα. Ένας background agent που δουλεύει σε μια επιχειρηματική διαδικασία πολλών σταδίων χρειάζεται έναν χώρο εκτέλεσης, σαφή όρια ως προς τι μπορεί να αγγίξει, και έναν τρόπο ώστε κάποιος άνθρωπος να τον ελέγχει. Η Google καλύπτει και τα τρία: το sandbox αποτελεί τον περιορισμό, και το νέο Agent Inbox είναι το επίπεδο επίβλεψης όπου οι χρήστες «παρακολουθούν, καθοδηγούν και διαχειρίζονται» τι κάνουν οι agents.

Το Agent Inbox είναι η πιο αποκαλυπτική λεπτομέρεια. Η Google ουσιαστικά παραδέχεται ότι όταν έχετε πολλούς agents να δρουν αυτόνομα, το πρόβλημα διεπαφής δεν είναι πλέον η συνομιλία, αλλά η επίβλεψη. Ένα inbox για τη δουλειά των μηχανών είναι ένα στοίχημα ότι οι άνθρωποι θα διαχειρίζονται στόλους agents όπως διαχειρίζονται τα εισερχόμενα email τους.

Δύο κοινά, δύο διαφορετικές διαδρομές ανάπτυξης

Η Google χώρισε τα εργαλεία της με βάση το ποιος τα χρησιμοποιεί για να χτίσει λύσεις. Για τις τεχνικές ομάδες, το Gemini Enterprise Agent Platform προσφέρει το Agent Studio, μια διεπαφή low-code, καθώς και άμεση πρόσβαση στα Gemini 3.1 Pro, Gemini 3.1 Flash Image (Nano Banana 2), Lyria 3, και —αξίζει να σημειωθεί— στο Claude Opus 4.7 της Anthropic. Το να προσφέρει το μοντέλο ενός ανταγωνιστή μέσα στην ίδια της την πλατφόρμα είναι η δηλωμένη θέση της Google περί «ελεύθερης επιλογής».

Για όλους τους υπόλοιπους, η εφαρμογή Gemini Enterprise διαθέτει τον no-code Agent Designer για «ροές εργασίας βάσει trigger, χωρίς να γράψετε ούτε μία γραμμή κώδικα». Η επαναλαμβανόμενη διαβεβαίωση ότι «δεν χρειάζεται να είστε διδάκτορας machine learning» δείχνει πού πιστεύει η Google ότι πηγαίνει η δημιουργία agents: μακριά από τους ειδικούς machine learning και πιο κοντά σε επαγγελματίες που ορίζουν αυτοματοποιήσεις σε φυσική γλώσσα.

Ο κίνδυνος σε αυτή τη λογική είναι ότι η διακυβέρνηση είναι πιο δύσκολη από τη συγγραφή. Το να επιτρέπεται σε οποιονδήποτε να φτιάξει έναν agent βάσει trigger διευρύνει το ποιος μπορεί να αυτοματοποιήσει μια διαδικασία· δεν διευρύνει αυτόματα το ποιος κατανοεί τους τρόπους αστοχίας. Το Agent Inbox και τα sandboxes είναι τα μέτρα μετριασμού που προσφέρει η Google, αλλά το βάρος του να οριστούν ασφαλή triggers παραμένει σε ανθρώπους χωρίς ειδική τεχνική κατάρτιση.

Τα οικονομικά του inference ενσωματωμένα στο silicon

Η ανακοίνωση για την υποδομή είναι πιο συγκεκριμένη από το συνηθισμένο. Η Google χώρισε τα TPUs όγδοης γενιάς της σε δύο ρόλους: το TPU 8t για εκπαίδευση και το TPU 8i για inference, με το chip inference να αναφέρεται ότι προσφέρει «80% καλύτερη απόδοση ανά δολάριο».

Αυτός ο διαχωρισμός έχει σημασία για όποιον σχεδιάζει να τρέχει agents σε μεγάλο όγκο. Η εκπαίδευση είναι, σε γενικές γραμμές, ένα εφάπαξ κόστος· το inference είναι αυτό που πληρώνετε κάθε φορά που ένας agent ενεργεί. Η βελτιστοποίηση ενός αποκλειστικού chip για εξυπηρέτηση —και η αναφορά της μέτρησης σε απόδοση ανά δολάριο και όχι σε ωμή ταχύτητα— αντικατοπτρίζει το επιχείρημα της ίδιας της Google ότι «η εκτέλεση εκατομμυρίων agents ΤΝ απαιτεί σοβαρή υπολογιστική ισχύ». Το κόστος της αυτόνομης εργασίας, όχι μόνο η ικανότητά της, είναι ο περιορισμός γύρω από τον οποίο γίνεται ο σχεδιασμός.

Τα υποστηρικτικά στοιχεία επιβεβαιώνουν ότι η μετακίνηση δεδομένων είναι το σημείο συμφόρησης: το Virgo Network για τη σύνδεση υπερυπολογιστών, και το Managed Lustre, με αναφερόμενη ταχύτητα 10 terabytes το δευτερόλεπτο. Η Google τοποθετείται επίσης ως πρώιμος πάροχος φιλοξενίας του NVIDIA Vera Rubin NVL72, παράλληλα με τους δικούς της επεξεργαστές Axion, διατηρώντας μια αφήγηση υπολογιστικής ισχύος πολλών προμηθευτών.

Το να αφήνεις τα δεδομένα εκεί που είναι είναι ο πιο σιωπηλός, αλλά πιο σημαντικός ισχυρισμός

Το Agentic Data Cloud περιλαμβάνει τη φράση που έχει τη μεγαλύτερη σημασία για πραγματικές υλοποιήσεις: ένας agent «είναι τόσο χρήσιμος όσο και η πληροφορία που κατανοεί». Δύο συνιστώσες στηρίζουν αυτό. Ο Knowledge Catalog χρησιμοποιεί το Gemini για να επισημαίνει και να συνδέει αυτόνομα εταιρικά δεδομένα, ώστε οι agents να κατανοούν το πλαίσιο συγκεκριμένης εταιρείας. Το Cross-Cloud Lakehouse, τυποποιημένο στο Apache Iceberg, επιτρέπει το ερωτηματολόγιο δεδομένων εκεί όπου βρίσκονται ήδη.

Τυποποιημένο στο Apache Iceberg, αυτό σας επιτρέπει να αφήνετε τα δεδομένα σας εκεί ακριβώς που βρίσκονται —ακόμα και αν είναι στο AWS— και να τα ερωτάτε άμεσα, χωρίς καμία τριβή.Montana Labs

Το να αναφέρεται ρητά το AWS ως χώρος όπου μπορούν να παραμείνουν τα δεδομένα σας είναι μια στοχευμένη κίνηση. Παραδέχεται ότι οι πελάτες δεν θα μεταφέρουν τα πάντα για να τρέξουν τους agents της Google, και μειώνει το κόστος δοκιμής τους. Ειδικά για την αυτοματοποίηση, αυτό αντιμετωπίζει το πραγματικό εμπόδιο: οι agents αποτυγχάνουν όταν δεν έχουν πλαίσιο, και το πλαίσιο συνήθως βρίσκεται διασκορπισμένο σε συστήματα που κανείς δεν θέλει να ενοποιήσει πρώτα.

Οι ονομαστικά αναφερόμενες υλοποιήσεις —ο βοηθός εντός καταστήματος της Home Depot, ο Ordering Agent της Papa John's που θυμάται «τα συνηθισμένα», η Mars και η Citadel Securities σε ποσοτική έρευνα, και η Unilever που αναπτύσσει agents σε έναν οργανισμό που εξυπηρετεί 3,7 δισεκατομμύρια καταναλωτές— περιγράφουν agents ενσωματωμένους σε υπάρχουσες λειτουργίες και όχι κατασκευές από το μηδέν. Αυτό είναι το συνεκτικό νήμα στα επτά highlights: η Google βελτιστοποιεί για αυτοματοποίηση που λειτουργεί πάνω στα ήδη υπάρχοντα, ακατάστατα δεδομένα και υποδομές των εταιρειών, όχι για αυτοματοποίηση που απαιτεί πρώτα ανακατασκευή.