Google Cloud Next '26: os agentes passam da janela de chat para trabalhadores em segundo plano

A passagem de dar instruções a delegar tarefas

A mensagem central da Google é que a AI (mantém-se o acrónimo em inglês) deixou de ser algo que transforma o trabalho e passou a funcionar à escala. A prova concreta dessa afirmação é a introdução de agentes de longa duração que, segundo o anúncio, 'trabalham de forma autónoma em segundo plano, dentro de sandboxes seguras na cloud, enquanto o utilizador se ocupa de outras tarefas'.

Este é um modelo de funcionamento diferente de um chatbot com o qual se interage turno a turno. Um agente em segundo plano a trabalhar num processo empresarial de várias etapas precisa de um local onde correr, de limites sobre aquilo a que pode aceder e de uma forma de o utilizador acompanhar o seu trabalho. A Google responde às três necessidades: a sandbox garante o isolamento, e a nova Agent Inbox é a camada de supervisão onde os utilizadores 'monitorizam, orientam e gerem' aquilo que os agentes estão a fazer.

A Agent Inbox é o detalhe mais revelador. A Google está, na prática, a reconhecer que, quando existem muitos agentes a agir de forma autónoma, o problema de interface deixa de ser a conversação — passa a ser a supervisão. Uma caixa de entrada para trabalho de máquinas é uma aposta em que as pessoas vão gerir frotas de agentes da mesma forma que gerem o email.

Dois públicos, dois caminhos de desenvolvimento

A Google dividiu as ferramentas de acordo com quem está a construir. Para equipas técnicas, a Gemini Enterprise Agent Platform oferece o Agent Studio, uma interface low-code, além de acesso direto ao Gemini 3.1 Pro, ao Gemini 3.1 Flash Image (Nano Banana 2), ao Lyria 3 e — de forma notável — ao Claude Opus 4.7, da Anthropic. Disponibilizar o modelo de um concorrente dentro da própria plataforma é a posição de 'escolha aberta' assumida pela Google.

Para os restantes utilizadores, a aplicação Gemini Enterprise oferece o Agent Designer, sem necessidade de código, para 'fluxos de trabalho baseados em gatilhos, sem escrever uma única linha de código'. A insistência repetida em que 'não é preciso ser doutorado em machine learning' indica o caminho que a Google prevê para a criação de agentes: cada vez mais afastado dos especialistas em ML e mais próximo dos utilizadores empresariais que definem automações em linguagem natural.

O risco desta abordagem é que a governação é mais difícil do que a criação. Permitir que qualquer pessoa construa um agente baseado em gatilhos amplia quem pode automatizar um processo; não amplia automaticamente quem compreende os modos de falha. A Agent Inbox e as sandboxes são as medidas de mitigação que a Google oferece, mas a responsabilidade de definir gatilhos seguros continua a recair sobre utilizadores sem formação especializada.

Economia da inferência incorporada no silício

O anúncio de infraestrutura é mais específico do que o habitual. A Google dividiu as suas TPUs de oitava geração em duas funções: a TPU 8t para treino e a TPU 8i para inferência, com o chip de inferência apresentado como tendo '80% melhor desempenho por dólar'.

Essa divisão é relevante para quem planeia correr agentes em grande volume. O treino é um custo praticamente único; a inferência é o que se paga cada vez que um agente age. Otimizar um chip dedicado ao serviço em produção — e apresentar a métrica em desempenho por dólar, e não em velocidade bruta — reflete o próprio argumento da Google de que 'correr milhões de agentes de AI (mantém-se o acrónimo em inglês) exige uma capacidade de computação considerável'. O custo do trabalho autónomo, e não apenas a sua capacidade, é a restrição que está a ser trabalhada por engenharia.

As peças de suporte reforçam a movimentação de dados como o principal ponto de estrangulamento: a Virgo Network para ligar supercomputadores, e o Managed Lustre, apresentado com 10 terabytes por segundo. A Google também se está a posicionar como uma das primeiras a hospedar o NVIDIA Vera Rubin NVL72, a par dos seus próprios processadores Axion, mantendo assim uma estratégia de computação com múltiplos fornecedores.

Deixar os dados no lugar é a afirmação mais discreta — e mais importante

A Agentic Data Cloud contém a frase mais relevante para implementações reais: um agente 'só é tão útil quanto a informação que compreende'. Dois componentes sustentam esta ideia. O Knowledge Catalog usa o Gemini para etiquetar e ligar autonomamente os dados empresariais, de modo a que os agentes compreendam o contexto específico de cada empresa. O Cross-Cloud Lakehouse, padronizado sobre Apache Iceberg, permite consultar os dados no local onde já se encontram.

Padronizado sobre Apache Iceberg, isto permite deixar os dados exatamente onde estão — mesmo que estejam na AWS — e consultá-los de imediato, sem qualquer fricção.Montana Labs

Nomear explicitamente a AWS como um local onde os dados podem permanecer é uma decisão significativa. A Google reconhece, assim, que os clientes não vão migrar tudo para correr os seus agentes, e reduz o custo de experimentar a plataforma. No caso específico da automação, isto resolve um bloqueio prático: os agentes falham quando lhes falta contexto, e esse contexto está normalmente disperso por sistemas que ninguém quer consolidar antes de avançar.

As implementações identificadas — o assistente em loja da Home Depot, o Ordering Agent da Papa John's que se recorda 'do costume', a Mars e a Citadel Securities em investigação quantitativa, e a Unilever a implementar agentes numa organização que serve 3,7 mil milhões de consumidores — descrevem agentes integrados em operações já existentes, e não construções de raiz. É esse o fio condutor comum aos sete destaques: a Google está a otimizar para uma automação que funciona sobre os dados e a infraestrutura, muitas vezes complexos, que as empresas já têm, e não para uma automação que exige reconstruir tudo do zero.