O Google Cloud Next '26 durou três dias, e o maior sinal pode ser resumido em uma frase: O nome Vertex AI não é mais usado; o novo nome é Gemini Enterprise Agent Platform.
Pode parecer apenas uma mudança de nome, mas desta vez o Google reorganizou toda a linha de produtos, todo o roteiro de hardware e até mesmo toda a estratégia de venda dos serviços em nuvem em torno do núcleo "agente".
O que o Vertex AI se tornou
O Gemini Enterprise Agent Platform não é uma simples reformulação do Vertex AI; foi reescrito como uma plataforma full-stack especializada para executar agentes.
Ele integra mais de 200 modelos – incluindo os modelos próprios do Google, como Gemini 3.1 Pro, Flash Image, Lyria 3, Gemma 4, e também integrou diretamente o Claude Opus, Sonnet e Haiku da Anthropic. Este ponto é bastante sutil: por um lado, o Google investiu 40 bilhões de dólares na Anthropic; por outro, coloca o Claude como uma opção equivalente ao próprio Gemini em seu produto empresarial.
Os componentes da plataforma, segundo o Google, cobrem todo o ciclo de vida do agente:
- Agent Studio — Ambiente de desenvolvimento
- Agent Development Kit — SDK
- Agent Runtime — Ambiente de execução
- Agent-to-Agent Orchestration — Colaboração entre múltiplos agentes
- Agent Gateway — Controle de tráfego e acesso
- Agent Identity — Autenticação de identidade
- Agent Registry — Centro de registro
- Agent Observability — Observabilidade
- Agent Simulation / Evaluation — Simulação e avaliação
Quem está familiarizado com essa terminologia perceberá: o Google basicamente pegou o que foi feito na última década no ambiente cloud-native (Service Mesh, API Gateway, Identity, etc.) e aplicou diretamente aos agentes. Em uma frase: gerenciar agentes como uma nova forma de serviço.
TPU desta vez completamente dividido em duas linhas
No lado do hardware, o TPU de oitava geração foi oficialmente lançado, mas, ao contrário das gerações anteriores que tinham um chip "universal", o treinamento e a inferência foram separados em duas linhas de produtos distintas.
TPU 8t (versão de treinamento):
- Um superpod expandido para 9.600 chips
- Memória compartilhada de 2 PB
- Potência de computação de 121 ExaFlops
- A potência por pod é quase 3 vezes a da geração anterior
- Velocidade de acesso ao armazenamento 10 vezes a da geração anterior
TPU 8i (versão de inferência):
- SRAM no chip triplicada
- Largura de banda de interconexão duplicada para 19,2 Tb/s
- Desempenho por dólar aumentado em 80%
A lógica por trás dessa separação é bastante clara: as demandas de hardware para treinamento e inferência divergiram demais. O treinamento precisa de memória compartilhada massiva para otimização distribuída; a inferência precisa de baixa latência, alta conectividade e grande cache no chip. Usar um único chip para atender a ambos não é mais eficiente.
A Nvidia também percorreu um caminho semelhante (diferenciação entre H100/H200 e L40S), mas o Google incorporou isso diretamente na nomenclatura das gerações de TPU, de forma mais decisiva.
Redesenho completo do datacenter
Suportando este novo TPU está uma nova arquitetura de datacenter chamada Virgo Network:
- Uma rede conectando 134.000 TPUs 8t
- Largura de banda sem bloqueio de 47 Pb/s
- A largura de banda utilizável por TPU 8t é 4 vezes a da geração anterior
- Latência sem carga reduzida em 40%
O que significa o número 47 Pb/s? Ele equivale aproximadamente à largura de banda total dos nós centrais da internet global concentrada em um único datacenter.
A camada de software continua cortando custos
Só otimizar o hardware não basta; a camada de software também está focada em reduzir os custos operacionais:
- GKE Agent Sandbox: Inicia 300 sandboxes por segundo, desempenho por dólar aumentado em 30%
- BigQuery fluid scaling: Custo médio reduzido em 34%
- Lightning Engine for Apache Spark: Desempenho por dólar duplicado
- Managed Lustre: Taxa de transferência de até 10 TB/s
- Série de VMs M4N: Execução de cargas de trabalho Oracle, TCO reduzido em mais de 20%
Essa abordagem nas camadas de dados e orquestração visa as cargas de trabalho empresariais tradicionais que "não podem pagar pelo Vertex AI, mas precisam fazer IA".
O tamanho desta aposta
As conferências Google Cloud Next dos últimos anos sempre tiveram "IA", mas desta vez foi claramente diferente:
- O nome mudou – de uma plataforma de ferramentas (Vertex AI) para uma plataforma de aplicações (Agent Platform)
- O chip foi dividido – treinamento e inferência separados, um investimento ao nível da linha de produtos
- O datacenter foi refeito – Virgo é um recomeço a partir da arquitetura fundamental
- O argumento de venda mudou – antes vendia "capacidade de IA", agora vende "gerenciamento do ciclo de vida do agente"
A lógica por trás disso é: no futuro, as cargas de trabalho na nuvem não serão mais compostas principalmente por código escrito por humanos, mas por tarefas executadas por agentes. Se essa lógica estiver correta, todos os produtos dos provedores de nuvem precisarão ser redesenhados em torno de agentes; se estiver errada, o Google terá apostado pelo menos dois anos de orçamento de P&D em uma direção equivocada.
A AWS ainda não se manifestou (re:Invent só no final do ano), e o Azure com o Microsoft Fabric MCP já se moveu no mês passado. Mas a força do Google desta vez está em ter remontado hardware, rede, plataforma e modelo de comercialização de uma só vez.
Quem conhece o setor de nuvem sabe: gerações de chips e arquiteturas de datacenter, se feitos errados, levam pelo menos três anos para serem corrigidos. O Google ousar apostar tão forte mostra que realmente confia em seu roteiro de agentes.
Fontes de referência: 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 do Google)