- Google impulsa la “empresa agéntica” con Gemini Enterprise Agent Platform y una capa de uso unificada para que empleados y agentes colaboren sobre procesos reales.
- La infraestructura AI Hypercomputer, con las nuevas TPU 8t y 8i, almacenamiento de alto rendimiento y redes Virgo, soporta cargas masivas de entrenamiento e inferencia.
- Agentic Data Cloud estructura datos multicloud con Cross-Cloud Lakehouse, Knowledge Catalog y Data Agent Kit para que los agentes razonen con contexto empresarial.
- Agentic Defense y la integración con Wiz aportan agentes especializados en detección, investigación y corrección para proteger entornos cloud e interacciones digitales.
Google Cloud Next se ha convertido en el gran escaparate donde la compañía está redefiniendo cómo las empresas van a trabajar con inteligencia artificial en los próximos años. Lo que hasta hace nada se presentaba como asistentes puntuales o pequeños copilotos, ahora se articula como un modelo completo de “empresa agéntica”: organizaciones en las que los agentes de IA no solo contestan preguntas, sino que toman decisiones, coordinan sistemas y ejecutan procesos críticos de principio a fin.
En la edición de Next 26 celebrada en Las Vegas, con más de 32.000 asistentes entre líderes de negocio y desarrolladores, el mensaje fue nítido: la etapa de pruebas y pilotos se está quedando atrás. La mayoría de organizaciones ya no se conforman con experimentar; quieren llevar la IA a producción, integrarla en sus flujos reales y medir impacto en tiempo, costes y calidad. Para responder a este giro, Google ha sacado toda la artillería: Gemini Enterprise Agent Platform, nuevas TPU 8t y 8i, Agentic Data Cloud, Agentic Defense, mejoras en Workspace y una arquitectura de infraestructura que ha bautizado como AI Hypercomputer.
Qué entiende Google por empresa agéntica y por qué importa
El concepto de “empresa agéntica” resume el cambio de enfoque que Google quiere impulsar en sus clientes: pasar de usar chatbots aislados a desplegar agentes capaces de percibir su entorno de datos, razonar con contexto, coordinarse entre sí y actuar de forma autónoma o semiautónoma. Estos agentes no se quedan en responder dudas; abren tickets, modifican configuraciones, consultan sistemas internos, preparan informes y piden aprobación humana cuando es necesario.
Durante el evento, los ejecutivos de Google Cloud insistieron en que la IA deja de ser una iniciativa lateral para integrarse en los procesos de negocio: atención al cliente, finanzas, operaciones, marketing, soporte interno, TI o seguridad. Los casos de uso que se mostraron abarcan desde agentes que gestionan reclamaciones de clientes de extremo a extremo hasta agentes que ayudan a equipos de datos a preparar pipelines complejos sin escribir apenas código.
Esta visión se apoya en una realidad ya tangible: alrededor del 75 % de los clientes de Google Cloud utilizan alguna capacidad de IA de la plataforma, y los modelos de la compañía procesan decenas de miles de millones de tokens por minuto vía API. Es decir, no estamos solo ante prototipos; hay empresas grandes en banca, retail, telecomunicaciones, industria o salud que ya han dado el salto de la prueba de concepto al despliegue en producción.
Para hacer viable esta empresa agéntica, Google ha estructurado su propuesta alrededor de cuatro grandes pilares técnicos: agentes, datos, infraestructura y seguridad. Sobre ellos se apoyan el resto de anuncios: productividad en Workspace, ecosistema de partners, protocolos abiertos y herramientas para desarrolladores y equipos de TI.
Gemini Enterprise: la capa donde viven los agentes de negocio
Gemini Enterprise es la puerta de entrada para que cualquier persona de la organización, no solo los equipos técnicos, pueda trabajar con agentes de IA de forma cotidiana. Google la presenta como una capa de uso unificada donde empleados y agentes comparten espacios de trabajo, documentos, objetivos y contexto.
Dentro de esta propuesta se diferencian dos grandes componentes: Gemini Enterprise App y Gemini Enterprise Agent Platform. La primera es la aplicación corporativa en la que los usuarios interactúan con la IA en su día a día; la segunda es la plataforma técnica sobre la que los equipos de datos, desarrollo y operaciones construyen, escalan y gobiernan esos agentes a nivel empresarial.
En la parte de experiencia de usuario, Gemini Enterprise App incorpora novedades pensadas para hacer que los agentes sean algo natural en la jornada laboral. Entre ellas destaca Gemini Enterprise Projects, que permite que personas y agentes trabajen juntos orientados a objetivos concretos: lanzar un producto, cerrar una campaña, preparar un informe o automatizar un proceso interno.
La aplicación también integra un nuevo modo Canvas, que facilita crear y editar contenido de forma interactiva tanto en Google Workspace como en Microsoft 365 sin tener que andar cambiando de aplicación. Así, un mismo lienzo puede mezclar texto, tablas, diapositivas, código o tareas, con un agente ayudando a completar, corregir o conectar piezas según el contexto.
Otro elemento importante es el Agent Designer incluido en Gemini Enterprise App. Esta herramienta de bajo código ayuda a crear agentes basados en horarios (por ejemplo, cierres diarios o mensuales) o desencadenantes (un correo entrante, un cambio de estado, un evento en un sistema externo). Permite configurar agentes de larga duración para procesos que se extienden durante horas o días, gestionar su bandeja de actividad y crear “Skills” que funcionan como atajos para tareas repetitivas.
Gemini Enterprise Agent Platform: el núcleo técnico de los agentes
Si Gemini Enterprise es la cara visible para el empleado, la Gemini Enterprise Agent Platform es la maquinaria interna para los equipos de TI y desarrollo. Google la define como una plataforma integral para desarrollar, coordinar, escalar y gobernar flotas enteras de agentes empresariales, construida sobre la base de Vertex AI pero con un enfoque mucho más integrado y orientado a producción.
La plataforma se articula en torno a cuatro ejes: construcción de agentes, escalabilidad, gobernanza y optimización. En construcción, el protagonista es el Agent Development Kit (ADK), un kit de desarrollo que permite implementar agentes a gran escala con buenas prácticas incorporadas. Se complementa con Agent Studio, una interfaz de bajo código con la que se pueden diseñar agentes especificando objetivos, fuentes de datos, herramientas y políticas de control.
Uno de los puntos más novedosos es la . En lugar de tener un solo agente monolítico que lo hace todo, la plataforma permite que múltiples agentes especializados colaboren entre sí, se deleguen tareas y coordinen acciones como parte de un sistema distribuido. Para simplificar despliegues, la integración con Agent Marketplace facilita utilizar agentes empaquetados por partners como Atlassian, Box, Oracle, ServiceNow, Workday o Lovable directamente desde Gemini Enterprise.
De cara a la escalabilidad, la plataforma incorpora mejoras para acelerar el salto de la prueba de concepto a producción: tiempos de ejecución por debajo del segundo en muchos escenarios, soporte para agentes de larga duración que pueden operar hasta siete días sin perder estado y bancos de memoria persistentes que actúan como “Memory Banks” para mantener contexto a lo largo del tiempo.
En el ámbito de la gobernanza, Google ha puesto el foco en algo que muchas empresas ya empiezan a sufrir: flotas de agentes descontroladas, creadas departamento a departamento sin una visión común. Para eso introduce Agent Identity y Agent Gateway, apoyados en tecnología Model Armor, que permiten gestionar permisos, autenticación, rutas de acceso y políticas de uso para cada agente. Además, se añaden mecanismos automáticos de detección de anomalías para identificar comportamientos extraños o potencialmente riesgosos.
Por último, la parte de optimización se centra en mejorar precisión, reducir latencia y controlar costes. La observabilidad de agentes permite entender cómo se comportan, en qué gastan tokens o tiempo y cómo responden ante distintos tipos de solicitudes. La simulación automatizada de usuarios se utiliza para pruebas de estrés, validando que los agentes se comportan como se espera antes de lanzarlos a escenarios críticos.
En conjunto, Gemini Enterprise Agent Platform reúne piezas como Agent Studio, Agent-to-Agent Orchestration, Agent Registry, Agent Identity, Agent Gateway y Agent Observability. Todas ellas resuelven problemas muy concretos que ya venían arrastrando los primeros adoptantes: falta de trazabilidad, ausencia de control de versiones, dificultades para auditar y riesgos en seguridad cuando los agentes empiezan a tener poder de acción real.
Modelos y capacidades de IA que alimentan a los agentes
El músculo de los agentes de Google Cloud lo ponen los modelos de última generación incluidos dentro de la oferta de Gemini y sus socios. En Next 26 se reforzó el acceso a modelos como Gemini 3.1 Pro para tareas de alto nivel y razonamiento complejo, y Gemini 3.1 Flash Image con tecnología Nano Banana 2 para trabajo con imágenes e interfaces multimodales.
Además, la plataforma abre la puerta a modelos de terceros como los de Anthropic, incluyendo Claude Opus (también en su versión 4.7), Sonnet y Haiku. Esta combinación permite a las empresas elegir el modelo más adecuado en función de la tarea, el presupuesto, los requisitos de latencia o las restricciones regulatorias que tengan que cumplir.
En paralelo, se ha evolucionado la noción de memoria a largo plazo con los citados Memory Banks, capaces de mantener contexto durante meses en lugar de limitarse a una ventana de conversación. Esto permite, por ejemplo, que un agente recuerde el histórico de interacciones con un cliente, la evolución de un proyecto o decisiones previas de un comité, y las use como base para sus siguientes acciones.
Otra pieza relevante es el trabajo colaborativo entre humanos y agentes mediante Projects. En estos espacios compartidos, personas y agentes comparten documentos, tareas, comentarios y resultados, con la IA actuando tanto de ejecutor como de copiloto, según lo que tenga sentido en cada momento. La idea es que la IA deje de ser una “ventana aparte” y se integre en el flujo natural del trabajo.
Google también ha introducido mejoras bajo el paraguas de Workspace Intelligence, una capa contextual sobre Gmail, Docs, Drive, Meet, Chat, Sheets y Slides. Con ella, la IA es capaz de conectar la información dispersa entre estas aplicaciones, resumir hilos largos, preparar resúmenes automáticos de reuniones, generar presentaciones a partir de documentos y disparar acciones desde un mismo lugar sin ir saltando de app en app.
AI Hypercomputer y TPU 8t/8i: la infraestructura para la empresa agéntica
Todo este despliegue de agentes y modelos necesita una infraestructura capaz de soportar cargas intensivas de cálculo, con contextos largos, inferencias masivas y entrenamiento continuo. Aquí entra en juego la arquitectura de AI Hypercomputer de Google, que combina TPU propias, CPU Axion y GPU NVIDIA para ofrecer un entorno optimizado para IA a gran escala.
El anuncio estrella en este frente son las TPU de octava generación, divididas por primera vez en dos líneas especializadas: TPU 8t y TPU 8i. La TPU 8t está pensada para entrenamiento de modelos de frontera, con una topología que permite escalar hasta 9.600 TPU y 2 PB de memoria compartida de alto ancho de banda en un único “superpod”. Google afirma que esta generación ofrece aproximadamente tres veces la potencia de proceso de Ironwood y hasta el doble de rendimiento por vatio.
La TPU 8i, por su parte, se orienta a escenarios de inferencia y ejecución de agentes con baja latencia. Utiliza una nueva topología de interconexión llamada Boardfly, capaz de conectar directamente 1.152 TPU en un solo pod. Según los datos de Google, la TPU 8i logra hasta un 80 % más de rendimiento por dólar en inferencia respecto a la generación anterior, lo que es clave cuando se escala a millones de agentes concurrentes que necesitan respuestas rápidas.
Más allá del silicio, el AI Hypercomputer integra mejoras en almacenamiento y red para evitar cuellos de botella. Managed Lustre alcanza rendimientos de hasta 10 TB/s hacia instancias A5X o TPU 8t mediante RDMA, y Rapid Storage eleva el ancho de banda de unos 6 TB/s a alrededor de 15 TB/s. Esto acelera tanto los entrenamientos como las cargas de inferencia que manejan grandes volúmenes de datos.
En redes, la novedad es Virgo Networking, una red diseñada específicamente para IA que conecta superpods de TPU 8t o sistemas NVIDIA Vera Rubin NVL72 para formar supercomputadores con cientos de miles de aceleradores. El objetivo es claro: soportar el entrenamiento distribuido de modelos de frontera y las cargas agénticas intensivas sin que la comunicación interna se convierta en el cuello de botella.
En la capa de computación general, los Google Cloud Compute Services amplían sus motores de inferencia y frameworks open source, incorporando soporte nativo para PyTorch sobre TPU y optimizaciones para vLLM tanto en GPU como en TPU. Google Kubernetes Engine (GKE) también ha recibido mejoras: arranques en frío mucho más rápidos, escalado afinado para cargas de inferencia y nuevos agentes de sandboxes capaces de desplegar hasta 300 entornos por segundo y por clúster con tiempos de respuesta inferiores al segundo para la primera instrucción.
Agentic Data Cloud: datos listos para agentes, no solo para informes
Sin datos bien organizados y contextualizados, no hay empresa agéntica que valga. Por eso Google ha presentado Agentic Data Cloud, una arquitectura de datos nativa para IA diseñada para que los agentes no solo consulten información, sino que la entiendan y actúen en base a ella de forma responsable.
Uno de los pilares de esta propuesta es el Cross-Cloud Lakehouse, un lakehouse multicloud estandarizado en Apache Iceberg que permite consultar datos alojados en AWS y, próximamente, en Azure sin necesidad de moverlos físicamente. Esto se traduce en acceso “copia cero” a aplicaciones y plataformas como Databricks, Salesforce, SAP, ServiceNow, Snowflake, Workday o Data360, reduciendo el bloqueo de proveedor y los costes asociados al movimiento masivo de datos.
Otro componente clave es el Knowledge Catalog, que crea un gráfico de contexto unificado y dinámico de la empresa. Mediante la combinación de Smart Storage y la API de contexto de objetos, los archivos almacenados en Google Cloud Storage se etiquetan y enriquecen automáticamente con metadatos antes de que cualquier agente los use. Después, el motor de conocimiento basado en Gemini se encarga de etiquetar de forma autónoma, definir lógicas de relación y mapear conexiones complejas entre entidades, documentos, personas y sistemas.
Para los equipos de datos, Google ha lanzado Data Agent Kit, una experiencia de creación de contenido de ciencia de datos apoyada en Gemini que funciona entre IDEs, notebooks y terminales agénticas. El enfoque es que los profesionales definan el objetivo de negocio (por ejemplo, reducir el churn, optimizar inventario o detectar fraude) y el propio kit genere el código necesario en Python, Spark o SQL, orquestando los pasos intermedios con ayuda de agentes especializados.
Con esta combinación, Agentic Data Cloud pretende que los agentes puedan razonar sobre datos estructurados y no estructurados con un entendimiento profundo del contexto, permisos y reglas internas. Es la diferencia entre tener un chatbot conectado a una base documental y tener un sistema que sabe qué significan realmente las tablas, los campos, los informes financieros o los registros de actividad.
Seguridad y Agentic Defense: agentes que atacan y defienden
Cuanto más poder otorgas a los agentes de IA para actuar sobre sistemas reales, más crítico se vuelve el tema de la seguridad. Google ha respondido con una estrategia que agrupa su inteligencia de amenazas, operaciones de seguridad y colaboración con Wiz bajo el paraguas de Agentic Defense, una defensa basada en agentes para entornos cloud, multicloud e híbridos.
La integración con Wiz y su plataforma AI-APP permite ofrecer protección autónoma desde el código hasta la nube. Google y Wiz introducen agentes especializados capaces de detectar amenazas, realizar ingeniería de detecciones, investigar incidentes y aplicar correcciones de forma continua, apoyándose en el Grafo de Seguridad de Wiz y en la telemetría de tiempo real de Google Cloud.
Entre estos agentes destacan varias figuras con “colores”: Wiz Red Agent, que actúa como un investigador de seguridad que razona sobre el comportamiento de aplicaciones web y APIs, adaptándose en tiempo real y validando riesgos explotables; Wiz Blue Agent, que recopila pruebas a partir de telemetría en la nube, señales de ejecución e información de identidad para investigar amenazas y evaluar su gravedad; y Wiz Green Agent, que funciona como motor integrado de investigación y corrección, sintetizando contexto para identificar causas raíz y recomendar la resolución más segura y eficiente.
Complementando a estos agentes, Wiz Agentic Workflows ofrece un centro de coordinación para orquestar flujos de seguridad cloud e IA, conectando detecciones, investigaciones y remediaciones de forma coherente. La idea es que, si los agentes de negocio automatizan procesos críticos, la defensa también tenga que apoyarse en agentes que trabajen a la misma velocidad y escala.
Dentro de la oferta de seguridad de Google Cloud se incluye también Google Cloud Fraud Defense, evolución de reCAPTCHA hacia una plataforma integral para diferenciar la legitimidad y autorización de bots, personas y agentes. Su objetivo es proporcionar la inteligencia necesaria para que las empresas puedan confiar en sus interacciones digitales y operaciones de comercio, reduciendo fraude y abuso automatizado. Además, la integración con soluciones de pago y detección permite enlazar despliegues con pasarelas de pago y procesos de autorización.
En conjunto, Agentic Defense agrupa Google Threat Intelligence, Security Operations y la colaboración con Wiz para detectar, prevenir y responder a riesgos que van desde la inyección de instrucciones en prompts hasta el acceso indebido a datos o el uso malicioso de herramientas por parte de agentes comprometidos. Aquí entran también mecanismos como Agent Identity, Agent Gateway y Model Armor, que ayudan a definir qué puede hacer cada agente, con qué permisos y bajo qué condiciones.
Workspace Intelligence y experiencia del empleado
La dimensión más visible para la mayoría de trabajadores está en las mejoras de Google Workspace bajo el paraguas de Workspace Intelligence. El objetivo es que la IA sea un tejido conectivo entre aplicaciones, y no una funcionalidad aislada en cada una de ellas.
Entre las novedades destaca AI Inbox en Gmail, una bandeja de entrada inteligente que no solo resume correos, sino que prioriza, agrupa y propone acciones en función de lo que realmente importa a cada usuario. Un agente puede detectar, por ejemplo, que hay un hilo crítico relacionado con un proyecto en curso y sugerir acciones directas o preparar un resumen para una reunión.
En Google Chat se incorpora Ask Gemini, que permite preguntar a la IA desde la propia conversación y ejecutar acciones relacionadas con el contexto del chat: recuperar documentos, extraer acuerdos clave, generar respuestas sugeridas o crear tareas vinculadas a un proyecto de Gemini Enterprise.
Herramientas como Docs, Sheets y Slides se benefician de nuevas capacidades generativas alineadas con el contexto de la organización. Esto va más allá de redactar un texto o rellenar una tabla: los agentes pueden, por ejemplo, analizar datos de ventas en Sheets, generar un resumen ejecutivo en Docs y montar una presentación en Slides con los principales hallazgos, todo ello apoyado en datos reales que residen en Agentic Data Cloud.
Además, Google ha presentado Agentic Taskforce, una propuesta para mejorar la experiencia de cliente y de empleado integrando agentes empresariales en Workspace. Esta “taskforce” de agentes se encarga de tareas como preparar documentación antes de una reunión, resumir decisiones después de una llamada o mantener sincronizados los distintos artefactos relacionados con un proyecto.
Protocolos abiertos, comparativa con otros hyperscalers y adopción real
Un aspecto estratégico de la propuesta de Google es su apuesta por protocolos abiertos para integrar herramientas externas y permitir que los agentes se comuniquen entre sí. En Next 26 se hizo referencia explícita a MCP (Model Context Protocol) y Agent2Agent, estándares emergentes que buscan evitar que cada integración sea un proyecto ad hoc, aportando un lenguaje común para que modelos, herramientas y agentes se entiendan.
Esta apertura se enmarca en una competencia directa con AWS Bedrock + AgentCore y Azure AI Foundry, las apuestas de Amazon y Microsoft para el mismo espacio de agentes empresariales. Mientras AWS se apoya en un catálogo amplísimo de modelos y en su ecosistema de servicios cloud, y Microsoft explota su distribución masiva vía Microsoft 365 y Copilot, Google intenta diferenciarse integrando de forma muy estrecha chip propio (TPU), modelos Gemini, datos (Agentic Data Cloud), seguridad (Agentic Defense) y productividad (Workspace Intelligence).
La verticalización que plantea Google recuerda a estrategias anteriores: control de la pila completa, desde la capa física hasta la aplicación final. Esto ofrece ventajas en rendimiento y coherencia, pero también abre debates sobre dependencia de proveedor, portabilidad de cargas, cumplimiento normativo o soberanía del dato, especialmente en regiones con regulaciones estrictas.
En cuanto a adopción real, Google ha citado casos de clientes en sectores como banca, retail, telecomunicaciones, salud o atención al cliente, con nombres como Mercedes-Benz, Deutsche Bank, Mercado Libre, Verizon o The Home Depot en el escaparate. Estos ejemplos muestran agentes trabajando en procesos como gestión de incidencias, soporte técnico, análisis de grandes volúmenes de datos o automatización documental.
Conviene, eso sí, leer estos casos con cierto filtro: suelen mostrar la parte más vistosa del despliegue, mientras que los retos de fondo —latencia, costes, integración con sistemas heredados, gobierno del dato— siguen resolviéndose caso a caso. Aun así, el patrón es claro: las organizaciones que más rápido avanzan son las que conectan la IA con objetivos de negocio muy concretos y construyen una hoja de ruta gradual para ir ampliando el alcance de los agentes.
Por el lado de disponibilidad y precios, Google ha indicado que Gemini Enterprise Agent Platform y la app de Gemini Enterprise se encuentran en una fase de preview ampliada para clientes actuales, con despliegue general progresivo a lo largo del año. Las TPU 8t y 8i empezarán en manos de clientes seleccionados del AI Hypercomputer, antes de abrirse de forma más amplia a través de Compute Engine. Los modelos de costes combinan licencias por usuario para Gemini Enterprise con consumo para infraestructura, agentes y almacenamiento, cerrándose los acuerdos de forma personalizada en función de región, cargas y compromisos.
El movimiento de Google Cloud Next 26 deja claro que la batalla en la nube ya no va solo de máquinas virtuales o bases de datos, sino de quién será la plataforma donde las empresas construyan, conecten y gobiernen sus agentes de IA a gran escala. Con Gemini Enterprise, Agentic Data Cloud, Agentic Defense y las nuevas TPU, Google ha puesto sobre la mesa una estrategia ambiciosa que apuesta por la empresa agéntica como el siguiente paso natural de la IA corporativa: un modelo donde los agentes pasan a formar parte estable de la operación, integrados en datos, seguridad e infraestructuras, y donde el reto ya no es probar la tecnología, sino operarla de forma sostenida, segura y rentable en el tiempo.
