Google, acelera a transformação para 'IA orientada à ação'… com TPU 8 como núcleo, apostando em uma plataforma de proxy unificada

A centralidade do mercado de inteligência artificial empresarial(AI) está mudando rapidamente. Análises indicam que estamos passando de uma fase de responder perguntas e gerar conteúdo, para uma era de “IA de agentes inteligentes” que executa tarefas reais e auxilia na tomada de decisão. Thomas Kurian, CEO do Google Cloud,(Thomas Kurian), destacou que essa mudança não é apenas um aumento de funcionalidades, mas exige uma reformulação completa da infraestrutura e da arquitetura de software.

Na conferência “Google Cloud Next 2026” realizada recentemente, a Google também apresentou a próxima geração de TPU 8, a plataforma de dados e IA, e a plataforma de agentes inteligentes. A mensagem principal é clara: do semicondutor à infraestrutura de nuvem, pilha de dados, modelos de IA e aplicações, tudo deve ser integrado em um sistema unificado para que seja possível operar de forma estável uma grande escala de “IA de ação”. A avaliação do mercado é que a Google já está oficialmente entrando com força na disputa pelo domínio do “IA de pilha completa”.

TPU 8 assume o protagonismo, essencialmente na disputa por uma “plataforma unificada”

À primeira vista, o lançamento mais destacado é o TPU 8. Embora a Google afirme que o novo chip apresenta melhorias significativas em desempenho e escalabilidade, o foco do setor não é apenas o desempenho do semicondutor, mas seu significado estratégico. Isso porque o TPU é a base central que permite à Google operar seus serviços de IA de forma mais rápida e com menor custo.

No entanto, isso dificilmente pode ser visto como um confronto direto com a Nvidia. Muitos desenvolvedores e empresas ainda dependem do ecossistema CUDA da Nvidia, e a Google não pretende excluí-lo, mas sim ampliar as opções. Em outras palavras, o TPU parece mais uma estratégia de Google de integrar hardware e software de forma mais estreita para buscar diferenciação, ao invés de uma arma para substituir a Nvidia.

Instituições de pesquisa de mercado e analistas do setor apontam que o verdadeiro foco do lançamento não é o TPU 8 em si, mas a narrativa de que ele está sendo conectado à plataforma de dados, aos modelos avançados de IA e à plataforma de agentes inteligentes. Isso indica que a Google começou a ligar o semicondutor, os dados, os modelos de IA e a execução de tarefas em uma estrutura fluida.

De “SaaS” a “software de serviço”

Essa transformação também está abalando o paradigma atual da indústria de software. No passado, a mudança de implantação local para software como serviço(SaaS) alterou a forma de entrega e operação do software; agora, analistas acreditam que o software está evoluindo para uma fase de “software de serviço” que gera resultados comerciais concretos.

O núcleo dessa mudança é a inteligência artificial de agentes. O problema é que, se esses agentes ficarem limitados aos sistemas de cada departamento, seu valor será bastante restrito. Embora possam automatizar tarefas repetitivas simples, é difícil alcançar melhorias de desempenho em toda a empresa, como reduzir o tempo de recrutamento e onboarding ou eliminar gargalos entre cotações e recebimentos.

No final, as empresas precisam de uma “camada inteligente” que conecte múltiplos dados e sistemas de negócios. A Google lançou o “Catálogo de Conhecimento”(Knowledge Catalog), que pode ser visto como o início dessa direção. Sua estrutura visa colocar os dados analíticos e operacionais da empresa na mesma narrativa, ajudando a IA a entender “o que está acontecendo”.

Competição por plataformas de dados, agora expandida para “gêmeos digitais”

O setor acredita que a maturidade das plataformas de dados está evoluindo de simples geração de relatórios para a construção de “gêmeos digitais empresariais”. Gêmeos digitais são representações digitais em tempo real de pessoas, ativos, processos e atividades dentro de uma empresa. Para que a IA de agentes possa tomar decisões e agir com base no estado em tempo real da empresa, essa estrutura é essencial.

Na fase inicial, o foco era em dados departamentais e sistemas de relatórios. Depois, plataformas como BigQuery, Snowflake e Databricks ampliaram o ambiente de análise autônoma, mas cada departamento ainda tinha sua própria “verdade” de dados. A próxima etapa é refletir eventos e dados operacionais em tempo real, para modelar com maior fidelidade as atividades empresariais.

Salesforce e SAP também estão avançando nessa direção, mas a Google, ao integrar BigQuery, Spanner e camadas de metadados, possui uma plataforma de dados de grande escala, capaz de competir de frente com Snowflake e Databricks, e que vem sendo reconhecida por isso. Essa estratégia de agentes inteligentes é uma extensão dessa base de dados.

A disseminação de agentes inteligentes depende de “execução segura”

O maior desafio da IA empresarial é equilibrar a flexibilidade do IA generativa com a rigorosidade dos sistemas corporativos. A IA é boa em gerar textos e ideias, mas os negócios reais exigem regras claras, permissões bem definidas, auditabilidade e responsabilidade. Assim, o setor acredita que, para que os agentes tenham impacto, é necessário estabelecer uma camada de “execução determinística” acima da “criatividade”.

Por exemplo, mesmo que um agente execute um objetivo, deve definir sob quais condições pode agir, o que deve ser satisfeito antes e depois da execução, e como registrar os resultados. Somente com essa estrutura é possível criar uma “IA segura para operação”, e não apenas uma “IA inteligente”.

Nesse processo, conceitos como gráfico de conhecimento empresarial, regras de comportamento, gêmeos digitais em tempo real e plataformas de operação autônoma tornam-se essenciais. Em resumo, a IA precisa ir além de referências a arquivos Excel e dashboards, explorando o estado real da empresa e suas redes de relacionamento, atuando dentro de um quadro de regras.

Vantagens e limitações da Google também são evidentes

A Google avançou significativamente na extração de metadados, gestão de linhagem de dados, conhecimento de documentos não estruturados, avaliação de agentes em múltiplas etapas, entre outros. Especialmente, sua funcionalidade de consolidar casos de falha de agentes e propor melhorias foi avaliada como além de uma simples demonstração, uma tentativa de avançar para a fase de “operações de agentes inteligentes”.

Por outro lado, há desafios consideráveis. O maior deles é integrar entidades dispersas em diferentes sistemas. Por exemplo, se o objeto “cliente” for definido de forma diferente em CRM, financeiro, atendimento ao cliente e logística, será difícil para a IA entender que se trata de uma única entidade. Alguns apontam que apenas regras de qualidade de dados e glossários de negócios não são suficientes; é preciso também regras que expressem os processos de negócio reais.

Outro desafio é captar o “porquê” dos especialistas humanos. A Google está fortalecendo a capacidade de mostrar como os agentes chegam às conclusões, mas isso por si só não substitui o julgamento de funcionários experientes. Porque exceções, prioridades conflitantes e julgamentos baseados no contexto ainda dependem muito da experiência humana.

Codificação de agentes inteligentes abre nova rodada de competição

Outro campo de disputa na competição por agentes inteligentes é a “codificação”. Analistas acreditam que o caminho mais rápido para criar agentes de conhecimento geral é por meio da codificação de agentes, pois, para interagir com o mundo externo, eles precisarão chamar diversas ferramentas, e a capacidade de escrever, modificar e executar código será fundamental.

Modelos como Claude Code da Anthropic, Codex da OpenAI, são exemplos típicos. A Google, contudo, não promoveu um produto de codificação independente, mas integrou essa capacidade…