Die Google Cloud Next '26 dauerte drei Tage, und das größte Signal ließ sich im Grunde in einem Satz zusammenfassen: Der Name Vertex AI wird nicht mehr verwendet; der neue Name lautet Gemini Enterprise Agent Platform.
Es klingt nach einer bloßen Umbenennung, aber Google hat diesmal die gesamte Produktlinie, die gesamte Hardware-Roadmap und sogar die gesamte Verkaufsstrategie der Cloud-Dienste neu um den Kern "Agent" herum ausgerichtet.
Was aus Vertex AI geworden ist
Die Gemini Enterprise Agent Platform ist keine einfache Neulackierung von Vertex AI, sondern wurde als Full-Stack-Plattform speziell für Agenten neu geschrieben.
Sie integriert über 200 Modelle – darunter Googles eigene Modelle Gemini 3.1 Pro, Flash Image, Lyria 3, Gemma 4, und hat auch Anthropics Claude Opus, Sonnet und Haiku direkt angebunden. Dieser Punkt ist durchaus delikat: Einerseits investiert Google 40 Milliarden US-Dollar in Anthropic, andererseits wird Claude im Unternehmensprodukt als gleichwertige Option neben dem eigenen Gemini platziert.
Die Komponenten der Plattform decken nach Angaben von Google den gesamten Lebenszyklus eines Agenten ab:
- Agent Studio – Entwicklungsumgebung
- Agent Development Kit – SDK
- Agent Runtime – Laufzeitumgebung
- Agent-to-Agent Orchestration – Multi-Agenten-Koordination
- Agent Gateway – Verkehrs- und Zugriffskontrolle
- Agent Identity – Identitätsauthentifizierung
- Agent Registry – Registrierungsstelle
- Agent Observability – Beobachtbarkeit
- Agent Simulation / Evaluation – Simulation und Bewertung
Wer mit dieser Terminologie vertraut ist, wird erkennen: Google hat im Grunde das, was in den letzten zehn Jahren im Cloud-Native-Bereich (Service Mesh, API Gateway, Identity usw.) gemacht wurde, eins zu eins auf Agenten übertragen. Kurz gesagt: Agenten als eine neue Form von Dienstleistung verwalten.
TPU diesmal komplett in zwei Linien aufgeteilt
Auf der Hardwareseite wurde die achte TPU-Generation offiziell vorgestellt, aber anders als bei den Vorgängern gibt es keinen "universellen" Chip mehr, sondern Training und Inferenz wurden in zwei separate Produktlinien aufgeteilt.
TPU 8t (Trainingsversion):
- Ein Superpod erweitert auf 9.600 Chips
- Gemeinsamer Speicher 2 PB
- Rechenleistung 121 ExaFlops
- Die Rechenleistung pro Pod ist fast 3-mal so hoch wie in der Vorgängergeneration
- Speicherzugriffsgeschwindigkeit 10-mal so hoch wie in der Vorgängergeneration
TPU 8i (Inferenzversion):
- On-Chip-SRAM verdreifacht
- Verbindungsbandbreite verdoppelt auf 19,2 Tb/s
- Leistung pro Dollar um 80 % gesteigert
Die Überlegung hinter dieser Aufteilung ist recht klar: Die Hardware-Anforderungen für Training und Inferenz haben sich zu weit auseinanderentwickelt. Training benötigt riesigen gemeinsamen Speicher für verteilte Optimierung, Inferenz benötigt niedrige Latenz, hohe Konnektivität und großen On-Chip-Cache. Es lohnt sich nicht mehr, beide mit einem Chip bedienen zu wollen.
Nvidia hat einen ähnlichen Weg bereits beschritten (Differenzierung zwischen H100/H200 und L40S), aber Google hat dies direkt in die Benennung der TPU-Generationen einfließen lassen – entschlossener.
Das gesamte Rechenzentrum neu gemacht
Unterstützt wird diese neue TPU durch eine neue Rechenzentrumsarchitektur namens Virgo Network:
- Ein Netzwerk verbindet 134.000 TPU 8t
- Nicht-blockierende Bandbreite 47 Pb/s
- Die nutzbare Bandbreite pro TPU 8t ist 4-mal so hoch wie in der Vorgängergeneration
- Leerlauf-Latenz um 40 % reduziert
Was bedeutet die Zahl 47 Pb/s? Sie entspricht in etwa der Gesamtbandbreite der globalen Internet-Kernknoten, die in ein einziges Rechenzentrum gepackt wird.
Die Software-Ebene drückt weiter auf die Kosten
Allein mit Hardware-Optimierungen ist es nicht getan; auch die Software-Ebene zielt diesmal stark auf die Senkung der Betriebskosten ab:
- GKE Agent Sandbox: Startet 300 Sandboxen pro Sekunde, Leistung pro Dollar um 30 % gesteigert
- BigQuery fluid scaling: Durchschnittliche Kosten um 34 % gesenkt
- Lightning Engine for Apache Spark: Leistung pro Dollar verdoppelt
- Managed Lustre: Durchsatz bis zu 10 TB/s
- M4N VM-Serie: Ausführung von Oracle-Workloads, TCO um über 20 % gesenkt
Dieser Ansatz auf der Daten- und Orchestrierungsebene zielt auf die traditionellen Unternehmensworkloads ab, die "sich Vertex AI nicht leisten können, aber dennoch KI machen müssen".
Wie groß dieser Schachzug ist
Die Google Cloud Next der letzten Jahre hatte jedes Mal "KI", aber diesmal war es deutlich anders:
- Der Name wurde geändert – von einer Tool-Plattform (Vertex AI) zu einer Anwendungsplattform (Agent Platform)
- Der Chip wurde aufgeteilt – Training und Inferenz getrennt, eine Investition auf Produktlinienebene
- Das Rechenzentrum wurde neu gemacht – Virgo ist ein Neuanfang von der grundlegenden Architektur her
- Das Verkaufsargument hat sich geändert – früher wurde "KI-Fähigkeit" verkauft, jetzt "Agenten-Lebenszyklus-Management"
Die Überlegung dahinter ist: In Zukunft werden die Arbeitslasten in der Cloud nicht mehr hauptsächlich aus von Menschen geschriebenem Code bestehen, sondern aus Aufgaben, die von Agenten ausgeführt werden. Wenn diese Annahme richtig ist, müssen alle Produkte der Cloud-Anbieter neu um Agenten herum gestaltet werden; wenn sie falsch ist, hat Google mindestens zwei Jahre Forschungs- und Entwicklungsbudget in eine falsche Richtung investiert.
AWS hat noch nicht reagiert (re:Invent kommt erst Ende des Jahres), und Azure mit Microsoft Fabric MCP hat sich letzten Monat bereits bewegt. Aber Googles Stärke liegt diesmal darin, Hardware, Netzwerk, Plattform und Kommerzialisierungsmodell auf einen Schlag neu zusammengesetzt zu haben.
Wer in der Cloud-Branche bewandert ist, weiß: Bei Chip-Generationen und Rechenzentrumsarchitekturen braucht man mindestens drei Jahre, um einen Fehler zu korrigieren. Dass Google so stark setzt, zeigt, dass es wirklich Vertrauen in seine Agenten-Roadmap hat.
Quellenangabe: Google Cloud Next '26: Gemini Enterprise Agent Platform Leads AI-Centric News (Virtualization Review); Google Cloud Next made it clear: AI is coming for everything (The Register); CocoLoop, Google Cloud Next 2026: News and updates (Offizieller Google-Blog)