Google прискорює перехід до «дієвого штучного інтелекту»… з TPU 8 у центрі уваги, роблячи ставку на єдину платформу проксі-агента

Промислове застосування штучного інтелекту(AI)ринок швидко змінює свою орієнтацію. Аналіз показує, що ми переходимо від етапу відповіді на питання та генерації контенту до епохи “інтелектуальних агентів AI”, які виконують реальні завдання та допомагають у прийнятті рішень. Генеральний директор Google Cloud Томас Куріан(Thomas Kurian) підкреслив, що ця зміна полягає не лише у додаванні функцій, а в необхідності повного перепроектування інфраструктури та загальної архітектури програмного забезпечення.

На нещодавній конференції “Google Cloud Next 2026” компанія Google одночасно продемонструвала наступне покоління TPU 8, платформу даних та AI, а також платформу інтелектуальних агентів. Основна ідея ясна: від напівпровідників до хмарної інфраструктури, стеку даних, моделей AI і до застосунків — потрібно об’єднати їх у єдину систему, щоб стабільно працювали масштабовані “активні AI”. Ринок оцінює це як початок активної конкуренції за домінування у “повному стеку AI”.

TPU 8 виходить на передній план, по суті, як боротьба за “єдину платформу”

Зовні найбільш помітним анонсом є TPU 8. Хоча Google заявляє про значне покращення продуктивності та масштабованості нового чипу, увага галузі зосереджена не лише на технічних характеристиках напівпровідника, а й на його стратегічному значенні. Адже TPU — це ключова основа, яка дозволяє Google швидше та дешевше керувати своїми AI-сервісами.

Однак це важко вважати прямим протистоянням з NVIDIA. Багато розробників і компаній досі залежать від екосистеми CUDA від NVIDIA, і Google не прагне її виключити, а швидше — розширити вибір. Іншими словами, TPU більше схожий на спосіб Google більш тісно поєднати апаратне та програмне забезпечення для досягнення диференціації, а не на засіб заміни NVIDIA.

Аналітики та дослідницькі агентства зазначають, що справжній фокус цього релізу — не сам TPU 8, а те, як Google пов’язує його з платформою даних, передовими моделями AI і платформою інтелектуальних агентів. Це означає, що Google починає з’єднувати напівпровідники — дані — AI-моделі — виконання завдань у єдину безперервну структуру.

“SaaS” до “сервісного програмного забезпечення”

Ця трансформація також руйнує існуючі рамки індустрії програмного забезпечення. Раніше перехід від локального розгортання до SaaS(SaaS) змінював спосіб доставки та експлуатації програм; тепер ж аналіз свідчить, що програмне забезпечення еволюціонує у стадію “сервісного програмного забезпечення”, яке безпосередньо генерує бізнес-результати.

Ключовим у цій зміні є AI-інтелектуальні агенти. Проблема у тому, що якщо інтелектуальні агенти обмежуються системами окремих департаментів, їхня цінність буде дуже обмеженою. Хоча вони можуть автоматизувати прості повторювані задачі, важко досягти покращення показників у всій компанії — скорочення часу найму та адаптації, усунення вузьких місць у процесах від ціноутворення до отримання платежів.

Зрештою, компанії потрібен “інтелектуальний шар”, що з’єднує різні дані та бізнес-системи. Випуск “Каталогу знань”(Knowledge Catalog) від Google можна вважати початком цього напрямку. Його структура спрямована на об’єднання аналітичних та операційних даних компанії, щоб допомогти AI зрозуміти “що відбувається”.

Конкуренція за платформу даних, тепер уже з розширенням до “цифрових двійників”

Галузь вважає, що зрілість платформи даних переходить від простого створення звітів до побудови “цифрових двійників” підприємства. Цифровий двійник — це цифрове відображення у реальному часі співробітників, активів, процесів і діяльності компанії. Щоб AI-інтелектуальні агенти могли діяти на основі реального стану підприємства, а не на неточних фрагментарних даних, потрібна саме така структура.

На початкових етапах увага зосереджена на департаментних даних і системах звітності. Пізніше з’явилися платформи BigQuery, Snowflake, Databricks, які розширили можливості самостійного аналізу, але кожен департамент зберігав свої “правди” щодо даних. Наступний етап — це реальне відображення подій і операційних даних у реальному часі для більш точної моделювання діяльності підприємства.

Salesforce і SAP також працюють у цьому напрямку, але Google, інтегруючи BigQuery, Spanner і метадані, здобула унікальний досвід у масштабі хмарних провайдерів, здатний конкурувати з Snowflake і Databricks, і отримала визнання. Стратегія інтелектуальних агентів базується саме на цій платформі даних.

Ключ до поширення інтелектуальних агентів — “безпечне виконання”

Найскладніша частина корпоративного AI — поєднати гнучкість генеративного AI із строгістю систем компанії. AI добре генерує текст і ідеї, але реальні бізнес-процеси вимагають чітких правил, ясних дозволів, можливості аудиту та відповідальності. Тому галузь вважає, що для ефективної роботи інтелектуальних агентів потрібно створити “детермінований рівень виконання” поверх “творчості”.

Наприклад, навіть якщо інтелектуальний агент виконує ціль, потрібно одночасно визначити, за яких умов дозволено діяти, які умови мають бути виконані до і після, і як фіксувати результати. Лише за такої структури можливо створити “безпечний AI”, а не просто “розумний AI”.

У цьому процесі важливі концепції, як-от корпоративна онтологія, правила поведінки, реальні цифрові двійники, платформи автономного управління тощо. Простими словами, AI має виходити за межі роботи з Excel і панелей моніторингу, досліджувати реальний стан і мережі зв’язків підприємства та діяти в рамках правил.

Переваги та обмеження Google очевидні й очевидні

Google досягла значних успіхів у витяганні метаданих, управлінні походженням даних, створенні неструктурованих знань у графах та оцінці багатоступеневих інтелектуальних агентів. Особливо корисною є функція підсумовування невдач інтелектуальних агентів і пропозиції шляхів їх покращення, що вважається кроком вперед у розвитку “операційних агентів”.

Однак виклики залишаються. Найбільша проблема — це інтеграція однакових сутностей, розподілених по різних системах. Наприклад, якщо об’єкт “клієнт” визначений по-різному у CRM, фінансах, службі підтримки і логістиці, AI важко зрозуміти його як єдину сутність. Деякі вважають, що лише правила якості даних і глосарії недостатні, потрібні й правила, що відображають реальні бізнес-процеси.

Ще одна складність — захопити “чому” від експертів. Google намагається покращити функції пояснення, як AI дійшов висновків, але цього недостатньо для заміни досвідчених співробітників. Випадкові ситуації, конфлікти пріоритетів і контекстуальні рішення все ще значною мірою залежать від людського досвіду.

Кодинг інтелектуальних агентів відкриває нову конкуренцію

Ще одним полем битви у конкуренції за платформи інтелектуальних агентів є “програмування”. Вважається, що найшвидший шлях до створення універсальних інтелектуальних агентів — це їхнє кодування. Адже для взаємодії з зовнішнім світом агентам потрібно викликати різні інструменти, а для цього необхідно вміти писати, змінювати і виконувати код.

Приклади — Claude Code від Anthropic, Codex від OpenAI. Google не просуває окремий продукт для кодування, а інтегрує його у свої рішення.