Google Cloud Next '26 duró tres días, y la señal más grande se puede resumir en una frase: El nombre Vertex AI ya no se usa; el nuevo nombre es Gemini Enterprise Agent Platform.
Puede sonar solo a un cambio de nombre, pero esta vez Google ha reorganizado toda la línea de productos, toda la hoja de ruta de hardware e incluso toda la estrategia de venta de servicios en la nube en torno al núcleo "agente".
En qué se ha convertido Vertex AI
Gemini Enterprise Agent Platform no es un simple cambio de imagen de Vertex AI; ha sido reescrito como una plataforma full-stack especializada para ejecutar agentes.
Integra más de 200 modelos, incluidos los modelos propios de Google como Gemini 3.1 Pro, Flash Image, Lyria 3, Gemma 4, y también ha integrado directamente Claude Opus, Sonnet y Haiku de Anthropic. Este punto es bastante delicado: por un lado, Google invierte 40 mil millones de dólares en Anthropic; por otro, coloca a Claude como una opción equivalente a su propio Gemini en un producto empresarial.
Los componentes de la plataforma, según Google, cubren todo el ciclo de vida del agente:
- Agent Studio — Entorno de desarrollo
- Agent Development Kit — SDK
- Agent Runtime — Entorno de ejecución
- Agent-to-Agent Orchestration — Coordinación entre múltiples agentes
- Agent Gateway — Control de tráfico y acceso
- Agent Identity — Autenticación de identidad
- Agent Registry — Centro de registro
- Agent Observability — Observabilidad
- Agent Simulation / Evaluation — Simulación y evaluación
Quien esté familiarizado con esta terminología notará: Google básicamente ha tomado lo que se hizo en la última década en el ámbito cloud-native (Service Mesh, API Gateway, Identity, etc.) y lo ha aplicado directamente a los agentes. En una frase: gestionar agentes como una nueva forma de servicio.
TPU esta vez completamente dividido en dos líneas
En el lado del hardware, el TPU de octava generación se presentó oficialmente, pero a diferencia de generaciones anteriores que tenían un chip "universal", el entrenamiento y la inferencia se han separado en dos líneas de productos distintas.
TPU 8t (versión de entrenamiento):
- Un superpod expandido a 9.600 chips
- Memoria compartida de 2 PB
- Potencia de cómputo de 121 ExaFlops
- La potencia por pod es casi 3 veces la de la generación anterior
- Velocidad de acceso al almacenamiento 10 veces la de la generación anterior
TPU 8i (versión de inferencia):
- SRAM en chip triplicada
- Ancho de banda de interconexión duplicado a 19,2 Tb/s
- Rendimiento por dólar aumentado en un 80%
La lógica detrás de esta separación es bastante clara: las demandas de hardware para entrenamiento e inferencia han divergido demasiado. El entrenamiento necesita memoria compartida masiva para optimización distribuida; la inferencia necesita baja latencia, alta conectividad y gran caché en chip. Usar un solo chip para satisfacer ambas ya no es eficiente.
Nvidia también ha recorrido un camino similar (diferenciación entre H100/H200 y L40S), pero Google ha incorporado esto directamente en la nomenclatura de las generaciones de TPU, de manera más decidida.
Rediseño completo del centro de datos
Apoyando a este nuevo TPU hay una nueva arquitectura de centro de datos llamada Virgo Network:
- Una red que conecta 134.000 TPU 8t
- Ancho de banda sin bloqueo de 47 Pb/s
- El ancho de banda utilizable por TPU 8t es 4 veces el de la generación anterior
- Latencia sin carga reducida en un 40%
¿Qué significa la cifra de 47 Pb/s? Equivale aproximadamente al ancho de banda total de los nodos centrales de internet global concentrado en un solo centro de datos.
La capa de software sigue recortando costos
No basta con optimizar solo el hardware; la capa de software también se centra en reducir los costos operativos:
- GKE Agent Sandbox: Inicia 300 sandboxes por segundo, rendimiento por dólar aumentado en un 30%
- BigQuery fluid scaling: Costo promedio reducido en un 34%
- Lightning Engine for Apache Spark: Rendimiento por dólar duplicado
- Managed Lustre: Rendimiento de hasta 10 TB/s
- Serie de VMs M4N: Ejecución de cargas de trabajo Oracle, TCO reducido en más de un 20%
Este enfoque en las capas de datos y orquestación apunta a las cargas de trabajo empresariales tradicionales que "no pueden pagar Vertex AI pero necesitan hacer IA".
El tamaño de esta jugada
Las conferencias Google Cloud Next de los últimos años siempre tuvieron "IA", pero esta vez fue claramente diferente:
- El nombre cambió – de una plataforma de herramientas (Vertex AI) a una plataforma de aplicaciones (Agent Platform)
- El chip se dividió – entrenamiento e inferencia separados, una inversión a nivel de línea de productos
- El centro de datos se rehizo – Virgo es un reinicio desde la arquitectura fundamental
- El argumento de venta cambió – antes vendía "capacidad de IA", ahora vende "gestión del ciclo de vida del agente"
La lógica detrás de esto es: en el futuro, las cargas de trabajo en la nube ya no serán principalmente código escrito por humanos, sino tareas ejecutadas por agentes. Si esta lógica es correcta, todos los productos de los proveedores de nube deberán rediseñarse en torno a los agentes; si es incorrecta, Google habrá apostado al menos dos años de presupuesto de I+D en una dirección equivocada.
AWS aún no ha respondido (re:Invent no es hasta fin de año), y Azure con Microsoft Fabric MCP ya se movió el mes pasado. Pero la fortaleza de Google esta vez radica en haber reensamblado hardware, red, plataforma y modelo de comercialización de una sola vez.
Quien conoce la industria de la nube sabe: las generaciones de chips y las arquitecturas de centros de datos, si se hacen mal, requieren al menos tres años para corregirse. Que Google se atreva a apostar tan fuerte demuestra que realmente confía en su hoja de ruta de agentes.
Fuentes de referencia: 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 (Blog oficial de Google)