Google, acelera su transformación hacia la 'IA orientada a la acción'… centrada en TPU 8, apostando por una plataforma de agentes unificada

Las empresas y la inteligencia artificial(AI)El centro de atención del mercado está cambiando rápidamente. Los análisis indican que estamos pasando de una etapa de responder preguntas y generar contenido, a una era de “IA de agentes inteligentes” que ejecutan tareas reales y ayudan en la toma de decisiones. El CEO de Google Cloud, Thomas Kurian(Thomas Kurian), enfatizó que este cambio no se trata solo de agregar funciones, sino de rediseñar toda la infraestructura y la arquitectura del software.

En la reciente conferencia “Google Cloud Next 2026”, Google también presentó la próxima generación de TPU 8, la plataforma de datos y AI, y la plataforma de agentes inteligentes. La información clave es clara: desde semiconductores hasta infraestructura en la nube, pila de datos, modelos de IA y aplicaciones, deben integrarse en un sistema unificado para que la operación de una gran escala de “IA de acción” sea estable. La evaluación del mercado es que Google ha lanzado oficialmente una ofensiva en la competencia por el dominio del “IA de pila completa”.

TPU 8 en primer plano, en esencia, una lucha por una “plataforma unificada”

A simple vista, el anuncio más destacado es TPU 8. Aunque Google afirmó que el nuevo chip presenta mejoras significativas en rendimiento y escalabilidad, el foco de atención en la industria no es solo el rendimiento del semiconductor, sino su significado estratégico. Porque TPU es la base central que permite a Google operar sus servicios de IA de manera más rápida y con menor costo.

Sin embargo, esto difícilmente puede considerarse un enfrentamiento directo con Nvidia. Muchos desarrolladores y empresas todavía dependen del ecosistema CUDA de Nvidia, y Google no busca excluirlo, sino ampliar las opciones. En otras palabras, TPU es más una estrategia de Google para integrar hardware y software de manera más estrecha y buscar diferenciación, en lugar de reemplazar a Nvidia con armas propias.

Las instituciones de investigación de mercado y analistas de la industria señalan que el verdadero foco del anuncio no es el TPU 8 en sí, sino cómo Google lo conecta con la narrativa de plataformas de datos, modelos de IA de vanguardia y plataformas de agentes inteligentes. Esto significa que Google está comenzando a enlazar semiconductores, datos, modelos de IA y tareas en una estructura fluida.

De “SaaS” a “software de servicio”

Este cambio también está sacudiendo el marco de la industria del software existente. En el pasado, la transición de despliegue local a software como servicio(SaaS) implicaba un cambio en la forma de entrega y operación del software; ahora, se considera que el software está evolucionando hacia una etapa de “software de servicio” que genera resultados comerciales tangibles.

El núcleo de esta transformación es la IA de agentes inteligentes. El problema es que, si los agentes se limitan a los sistemas departamentales, su valor será muy limitado. Aunque pueden automatizar tareas repetitivas simples, es difícil que generen mejoras de rendimiento a nivel de toda la empresa, como reducir el tiempo de reclutamiento y onboarding, o eliminar cuellos de botella en cotizaciones y pagos.

Finalmente, las empresas necesitan una “capa inteligente” que conecte múltiples datos y sistemas de negocio. La “Knowledge Catalog” de Google(Knowledge Catalog) puede considerarse un comienzo en esta dirección. Su estructura busca poner los datos analíticos y operativos de toda la empresa en un mismo contexto, ayudando a la IA a entender “qué está sucediendo”.

Competencia en plataformas de datos, ahora extendida a “gemelos digitales”

La industria considera que la madurez de las plataformas de datos está pasando de generar informes simples a construir “gemelos digitales empresariales”. Un gemelo digital es una representación digital en tiempo real que refleja a empleados, activos, procesos y actividades dentro de la empresa. Para que la IA de agentes inteligentes pueda tomar decisiones y actuar basándose en el estado en tiempo real de la empresa, necesita esta estructura.

En las etapas iniciales, el enfoque estaba en datos departamentales y sistemas de informes. Luego, plataformas como BigQuery, Snowflake y Databricks ampliaron los entornos de análisis autoservicio, pero cada departamento seguía teniendo su propia “verdad” de datos. La siguiente fase es reflejar en tiempo real eventos y datos operativos, para modelar con mayor fidelidad las actividades empresariales.

Salesforce y SAP también trabajan en esta dirección, pero Google, al integrar BigQuery, Spanner y capas de metadatos, ha logrado una plataforma de datos capaz de competir de frente con Snowflake y Databricks en la escala de la nube, y ha sido reconocida por ello. La estrategia de agentes inteligentes que presenta ahora se basa en esta infraestructura de datos.

La difusión de agentes inteligentes, clave en la “ejecución segura”

El mayor desafío para la IA empresarial es conectar la flexibilidad de la IA generativa con la rigurosidad de los sistemas empresariales. La IA es buena generando textos y proponiendo ideas, pero los negocios reales requieren reglas claras, permisos definidos, auditorías y responsabilidades transparentes. Por ello, la industria considera que los agentes deben contar con una capa de “ejecución determinista” sobre su creatividad.

Por ejemplo, incluso si un agente ejecuta un objetivo, debe definir en qué condiciones se permite qué acciones, qué condiciones deben cumplirse antes y después de la ejecución, y cómo registrar los resultados. Solo con esta estructura se puede crear una “IA segura para operar”, y no solo una “IA inteligente”.

En este proceso, conceptos como el grafo de conocimiento empresarial, las reglas de comportamiento, los gemelos digitales en tiempo real y las plataformas de operación autónoma se vuelven fundamentales. En resumen, la IA debe ir más allá de consultar archivos Excel y dashboards, explorando el estado real y las relaciones dentro de la empresa, y actuando dentro de un marco de reglas.

Las ventajas y limitaciones de Google son evidentes

Google ha logrado avances significativos en extracción de metadatos, gestión de linajes de datos, grafos de conocimiento de documentos no estructurados y evaluación de agentes en múltiples pasos. En particular, su función de recopilar casos de fallos de agentes y proponer mejoras ha sido calificada como un avance que va más allá de simples demostraciones, marcando un paso hacia la “operación de agentes inteligentes”.

Pero también enfrenta desafíos. El mayor problema es integrar entidades dispersas en diferentes sistemas. Por ejemplo, si el objeto “cliente” se define de manera diferente en CRM, finanzas, atención al cliente y logística, será difícil que la IA lo entienda como una sola entidad. Algunos señalan que solo las reglas de calidad de datos y los glosarios de negocio no son suficientes; también se necesitan reglas que puedan expresar los procesos reales de negocio.

Otro reto es captar el “por qué” de los expertos humanos. Google está mejorando en mostrar cómo los agentes llegan a sus conclusiones, pero esto por sí solo no reemplaza el juicio de empleados experimentados. Porque las excepciones que no se pueden explicar con reglas, las prioridades conflictivas y los juicios contextuales dependen en gran medida de la experiencia humana.

La codificación de agentes abre la próxima ronda de competencia

Otra área de competencia en plataformas de agentes inteligentes es la “codificación”. La industria considera que el camino más rápido hacia agentes de conocimiento general es mediante la codificación de agentes. Porque, para interactuar con el mundo exterior, los agentes finalmente necesitan llamar a diversas herramientas, y en ese proceso, la capacidad de escribir, modificar y ejecutar código se vuelve clave.

Ejemplos típicos son Claude Code de Anthropic y Codex de OpenAI. Google no ha lanzado un producto de codificación independiente, sino que lo ha integrado en su estrategia.