Google, acelera a transformação para a 'IA orientada à ação'… centrando-se no TPU 8, apostando numa plataforma de proxy unificada

As empresas estão mudando rapidamente o foco do mercado de inteligência artificial(AI). 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. O CEO do Google Cloud, Thomas Kurian(Thomas Kurian), destacou que essa mudança não é apenas uma adição de funcionalidades, mas exige uma reformulação completa da infraestrutura e da arquitetura de software.

Na recente conferência “Google Cloud Next 2026”, o 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 estar integrado em um sistema unificado para que o grande volume de “IA de ação” funcione de forma estável. A avaliação do mercado é que o Google já está oficialmente entrando com força na competição pelo domínio do “IA de pilha completa”.

TPU 8 no centro das atenções, na essência uma disputa por uma “plataforma unificada”

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

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 o Google não pretende excluí-lo, mas sim ampliar as opções. Em outras palavras, o TPU parece mais uma estratégia do Google de integrar hardware e software de forma mais estreita para buscar diferenciação, e não 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 do Google ao vinculá-lo à plataforma de dados, modelos avançados de IA e plataforma de agentes inteligentes. Isso indica que o Google começou a conectar semicondutores, dados, modelos de IA e tarefas de forma 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 reais.

O núcleo dessa mudança é a IA de agentes inteligentes. 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. O “Catálogo de Conhecimento(Knowledge Catalog)” lançado pelo Google pode ser visto como o começo 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”

A indústria acredita que a fase de maturidade das plataformas de dados está passando 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 inteligentes 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 self-service, mas cada departamento ainda tinha suas próprias “verdades” de dados. A próxima etapa é refletir eventos e dados operacionais em tempo real, modelando de forma mais precisa as atividades empresariais.

Salesforce e SAP também estão avançando nessa direção, mas o Google, ao integrar BigQuery, Spanner e camadas de metadados, possui uma plataforma de dados capaz de competir de frente com Snowflake e Databricks, algo raro entre grandes provedores de nuvem, e que tem sido reconhecido. 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 da 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, auditoria e responsabilidade. Assim, a indústria acredita que, para que os agentes desempenhem seu papel, é necessário estabelecer uma camada de “execução determinística” acima da “criatividade”.

Por exemplo, mesmo que o agente inteligente 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. Só 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 do Google também são evidentes

O Google avançou significativamente na extração de metadados, gestão de linhagem de dados, gráficos de conhecimento de documentos não estruturados e avaliação de agentes inteligentes em múltiplas etapas. 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 argumentam que regras de qualidade de dados e glossários de negócios não são suficientes, sendo necessário também regras que expressem processos de negócio reais.

Outro desafio é captar o “porquê” dos especialistas humanos. O Google está fortalecendo a exibição de como os agentes chegam às conclusões, mas isso por si só não substitui o julgamento de funcionários experientes. Exceções que não podem ser explicadas por regras, prioridades conflitantes e julgamentos baseados no contexto ainda dependem muito da experiência humana.

Codificar agentes inteligentes para a próxima rodada de competição

Outro campo de batalha na competição por plataformas de agentes inteligentes é a “codificação”. Acredita-se que o caminho mais rápido para criar agentes de conhecimento geral é através da codificação de agentes. Porque, para interagir com o mundo externo, eles precisarão chamar diversas ferramentas, e a capacidade de escrever, modificar e executar código será fundamental.

Exemplos típicos incluem Claude Code da Anthropic, Codex da OpenAI, entre outros. O Google, no entanto, não colocou um produto de codificação independente em destaque, mas integrou essa capacidade em suas plataformas.