Google Cloud Next '26: gli agenti passano dalla chat ai processi in background

Dal prompt alla delega

Il messaggio centrale di Google è che l'IA è passata dal trasformare il lavoro al farlo girare su scala. La prova concreta è l'introduzione di agenti a lungo termine che, come si legge nell'annuncio, "lavorano in autonomia in background all'interno di sandbox cloud sicure, mentre tu ti occupi di altro".

È un modello operativo diverso da un chatbot con cui interagisci a turni. Un agente in background che lavora su un processo aziendale a più fasi ha bisogno di un posto dove operare, di limiti su cosa può toccare e di un modo perché una persona possa controllarlo. Google copre tutti e tre gli aspetti: la sandbox è il contenimento, e il nuovo Agent Inbox è il livello di supervisione da cui gli utenti "monitorano, guidano e gestiscono" cosa stanno facendo gli agenti.

L'Agent Inbox è il dettaglio più significativo. Google riconosce implicitamente che, una volta che hai molti agenti che agiscono da soli, il problema dell'interfaccia non è più la conversazione, ma la supervisione. Una casella per il lavoro delle macchine è una scommessa sul fatto che le persone gestiranno flotte di agenti come fanno con la posta in arrivo.

Due pubblici, due percorsi di sviluppo

Google ha diviso gli strumenti in base a chi costruisce. Per i team tecnici, la Gemini Enterprise Agent Platform offre Agent Studio, un'interfaccia low-code, più accesso diretto a Gemini 3.1 Pro, Gemini 3.1 Flash Image (Nano Banana 2), Lyria 3 e — da notare — Claude Opus 4.7 di Anthropic. Offrire il modello di un concorrente all'interno della propria piattaforma è la posizione di "scelta aperta" dichiarata da Google.

Per tutti gli altri, l'app Gemini Enterprise include Agent Designer, uno strumento no-code per "flussi di lavoro basati su trigger senza scrivere una sola riga di codice". L'insistenza ripetuta sul fatto che "non devi avere un dottorato in machine learning" indica dove Google pensa che stia andando la creazione di agenti: lontano dagli specialisti di ML, verso utenti business che definiscono automazioni in linguaggio naturale.

Il rischio di questo approccio è che governare è più difficile che creare. Permettere a chiunque di costruire un agente basato su trigger amplia chi può automatizzare un processo, ma non amplia automaticamente chi capisce le modalità di fallimento. L'Agent Inbox e le sandbox sono le misure di mitigazione offerte da Google, ma l'onere di definire trigger sicuri resta comunque sulle spalle di chi non è specialista.

L'economia dell'inferenza incorporata nel silicio

L'annuncio sull'infrastruttura è più specifico del solito. Google ha diviso le sue TPU di ottava generazione in due ruoli: la TPU 8t per l'addestramento e la TPU 8i per l'inferenza, con il chip di inferenza indicato come capace di un "80% di prestazioni per dollaro in più".

Questa distinzione conta per chiunque pianifichi di far girare agenti su larga scala. L'addestramento è un costo tendenzialmente una tantum; l'inferenza è ciò che paghi ogni volta che un agente agisce. Ottimizzare un chip dedicato al servizio — e citare la metrica in prestazioni per dollaro piuttosto che in velocità grezza — riflette l'argomentazione di Google secondo cui "far girare milioni di agenti IA richiede una potenza di calcolo seria". Il costo del lavoro autonomo, non solo la sua capacità, è il vincolo su cui si sta progettando.

I componenti a supporto rafforzano l'idea che il movimento dei dati sia il collo di bottiglia: la Virgo Network per collegare i supercomputer, e Managed Lustre, indicato a 10 terabyte al secondo. Google si posiziona anche come uno dei primi host del Vera Rubin NVL72 di NVIDIA, insieme ai propri processori Axion, mantenendo una narrazione multi-vendor sul calcolo.

Lasciare i dati dove sono è l'affermazione più silenziosa, ma più importante

L'Agentic Data Cloud contiene la frase più rilevante per le implementazioni reali: un agente "è utile solo quanto le informazioni che riesce a comprendere". Due componenti sostengono questa idea. Il Knowledge Catalog usa Gemini per taggare e collegare in autonomia i dati aziendali, così che gli agenti colgano il contesto specifico dell'azienda. Il Cross-Cloud Lakehouse, standardizzato su Apache Iceberg, permette di interrogare i dati dove già si trovano.

Standardizzato su Apache Iceberg, questo ti permette di lasciare i tuoi dati esattamente dove sono — anche se sono su AWS — e interrogarli all'istante, senza attriti.Montana Labs

Nominare esplicitamente AWS come luogo dove i tuoi dati possono restare è una scelta precisa. Ammette che i clienti non migreranno tutto per far girare gli agenti di Google, e riduce il costo di passare a provarli. Per l'automazione in particolare, questo risolve un blocco pratico: gli agenti falliscono quando manca il contesto, e il contesto di solito è disperso tra sistemi che nessuno vuole consolidare prima.

Le implementazioni citate — l'assistente in negozio di Home Depot, l'Ordering Agent di Papa John's che ricorda "il solito", Mars e Citadel Securities sulla ricerca quantitativa, e Unilever che distribuisce agenti in tutta l'organizzazione al servizio di 3,7 miliardi di consumatori — descrivono agenti collegati a operazioni già esistenti, non progetti costruiti da zero. Questo è il filo conduttore coerente tra i sette casi evidenziati: Google sta ottimizzando per un'automazione che gira sopra i dati e le infrastrutture disordinate che le aziende già hanno, non per un'automazione che richiede prima di ricostruire tutto.