Jul, 134 min de leitura
Automação
News · Retrospetiva de clientes da Google no Cloud Next '26: o que está realmente a ser lançado
Apr, 224 min de leitura
AutomaçãoRetrospetiva de clientes da Google no Cloud Next '26: o que está realmente a ser lançado
Por detrás de dez implementações de agentes de destaque está uma plataforma recorrente e um punhado de números que sustentam o discurso
Gemini Enterprise é o fio condutor, não os dez logótipos
O artigo apresenta dez histórias aparentemente independentes, mas a maioria assenta no mesmo produto. O Magic Apron da Home Depot e o seu agente telefónico são construídos sobre o Gemini Enterprise e o Gemini Enterprise for Customer Experience. A plataforma da Merck, avaliada em até mil milhões de dólares, implementa o Gemini Enterprise nas áreas de I&D, produção, comercial e corporativa. A Mars nomeou o Gemini Enterprise o seu "sistema operativo de AI (keep the English acronym) primário". A solução de aquisições da Unilever utiliza a Gemini Enterprise Agent Platform, tal como o AI Concierge da Vodafone. O Rovey, da Virgin Voyages, é alimentado pelo Gemini Enterprise em conjunto com a Google Distributed Cloud.
Essa repetição é o verdadeiro anúncio. A Google não está a mostrar dez colaborações de investigação feitas por medida; está a demonstrar que uma plataforma comercial está a ser adotada como camada padrão dentro de grandes empresas. Os nomes dos clientes conferem credibilidade; o nome do produto conta a verdadeira história.
Que números têm substância e quais são decoração
Alguns valores do artigo são concretos e verificáveis. Os agentes de testes de jogo da Capcom registam mais de 30.000 horas de testes por mês, percorrendo mundos virtuais para detetar falhas, defeitos visuais e inconsistências de áudio. A Home Depot relata que o seu agente telefónico conseguiu identificar a necessidade de um cliente em 10 segundos num projeto-piloto a nível nacional. A Citadel Securities menciona TPUs a executar cargas de trabalho de AI (keep the English acronym) até quatro vezes mais rápido e a um custo 30% inferior, reduzindo a dias tarefas que antes demoravam semanas para apenas minutos. A Tata Steel implementou mais de 300 agentes especializados em nove meses. A Virgin Voyages afirma que a Distributed Cloud reduziu os prazos de produção até 60%.
Outras afirmações são aspiracionais e não medidas. O investimento da Merck é "avaliado em até mil milhões de dólares" e visa aumentar a produtividade de 75.000 colaboradores, mas não é reportado qualquer resultado concreto. A "personalização à escala" da Unilever para 3,7 mil milhões de pessoas descreve uma ambição, não um resultado já implementado. Cabe ao leitor separar as métricas de projetos-piloto das promessas — e as evidências mais sólidas aqui vêm da Capcom, da Citadel e da Home Depot, onde um número específico está associado a uma tarefa específica.
A infraestrutura por detrás dos agentes
Duas das dez histórias são, na verdade, sobre hardware e implementação na periferia (edge), e não tanto sobre agentes em si. A citação da Citadel Securities centra-se totalmente no TPU Ironwood e na execução de milhares de chips em paralelo para uma única carga de trabalho — um argumento de que os investigadores deveriam ser limitados pela sua própria criatividade, e não pela escala ou economia da plataforma. O Rovey da Virgin Voyages depende da Google Distributed Cloud para manter o agente concierge a funcionar em navios com conetividade limitada em alto mar.
Estes exemplos são relevantes porque mostram onde está realmente a limitação. Um agente só é útil na medida da capacidade de computação a que consegue aceder a baixo custo e da conetividade que consegue suportar na sua ausência. O custo por experiência da Citadel e a resiliência offline da Virgin são as condições que tornam a camada de agentes viável, e a Google está discretamente a destacar o seu silício e a sua infraestrutura de edge a par dos seus modelos.
A mudança que esta retrospetiva documenta: de assistentes gerais para frotas com tarefas delimitadas
O detalhe mais instrutivo é o quão restrito é o âmbito da maioria destes agentes. A Capcom descreve agentes de inspeção visual, previsão e conhecimento institucional — três funções especializadas, não um único assistente geral. A Tata Steel fala de uma frota com mais de 300 agentes e de uma plataforma low-code, a Zen AI, que permite a quem não é cientista de dados construir e implementar os seus próprios agentes. A Unilever construiu uma solução multiagente delimitada a decisões de aquisições. Até as ferramentas voltadas para o cliente têm funções muito específicas: o agente telefónico da Home Depot direciona a intenção do utilizador; o Citi Sky responde à pergunta "Estou financeiramente bem?" e não substitui, de forma explícita, os consultores financeiros.
Esse é o padrão de automação que vale a pena reter deste artigo. As implementações que apresentam números reais são as direcionadas para uma tarefa delimitada e repetitiva — horas de testes de jogo, encaminhamento de chamadas, iterações de investigação — e não para raciocínio de âmbito aberto. Para as equipas que constroem os seus próprios agentes, a conclusão não é que os agentes conseguem fazer tudo, mas sim que os que já produzem resultados mensuráveis são aqueles a quem foi atribuída uma única tarefa bem definida e a infraestrutura para a executar em grande volume.
Find this story relevant to you?
Contact us to find a unique solution
Precisa de um parceiro de engenharia de IA que saiba executar?
Ajudamos equipas em Portugal a integrar IA em produtos, automatizar processos de alto valor e modernizar os sistemas que suportam o negocio.
Leitura relacionada
Mais análises sobre entrega de produto, AI operacional e o trabalho de sistemas que faz com que a implementação funcione na prática.