All’evento Google Cloud Next 2026 il discorso centrale è stato la transizione verso un’«agentic enterprise», ovvero l’adozione diffusa di agenti autonomi che percepiscono, ragionano e agiscono nei processi aziendali. La strategia annunciata combina innovazioni nell’hardware, nella gestione dei dati e nella sicurezza per affrontare i vincoli pratici che impediscono oggi la messa in produzione degli agenti AI. In questa visione, Google non punta più a una soluzione unica per ogni carico di lavoro, ma a una stack specializzata che ottimizza training, inference e orchestrazione.
Le novità presentate includono la nuova piattaforma Gemini Enterprise, un sistema di governance e runtime per agenti, e la doppia linea di acceleratori denominata TPU 8t e TPU 8i. Sul fronte dei dati è emersa l’idea di un Agentic Data Cloud basato su standard come Apache Iceberg e progettato per consentire interrogazioni e ragionamento su dati distribuiti tra cloud diversi.
Infine, la sicurezza è stata rafforzata con l’integrazione di Wiz e la proposta di uno stack di difesa agentico.
La scelta architetturale: due chip per due problemi
Google ha scelto di separare funzioni che fino a oggi convivevano su un’unica famiglia di acceleratori. Il TPU 8t è ottimizzato per il pre-training su larga scala, con elevate capacità di memoria condivisa e throughput elevato tra migliaia di die; il TPU 8i mira invece alle attività di sampling, serving e reasoning, con SRAM on-chip maggiorata e motori di collettive che riducono la latenza nelle operazioni di decoding. Questa biforcazione nasce dall’osservazione che i colli di bottiglia e l’economia unitaria cambiano radicalmente quando l’inference a bassa latenza e milioni di agenti concorrenti diventano il centro dei costi.
Implicazioni tecniche e operative
Dividere le famiglie di chip significa anche ripensare la collocazione dei dati e delle cache: mantenere i key-value cache vicino al silicio e ridurre la latenza delle riduzioni durante il decoding sono priorità per i casi d’uso agentici. Google mette in evidenza miglioramenti di performance per dollaro fino all’80% per l’inference sui carichi più sensibili, mentre il TPU 8t promette guadagni significativi nel training su superpod di larga scala. Per le aziende la scelta pratica sarà mappare i workload su silicon specifico, evitando il compromesso di un die progettato per fare tutto.
Il dato come fondamento: Agentic Data Cloud e federazione
Una componente cruciale dell’offerta è il nuovo Agentic Data Cloud, che evolve catalog e metadati in un knowledge catalog capace di mappare semantiche di business su dati strutturati e non strutturati.
L’obiettivo è ridurre il rischio di hallucination degli agenti fornendo contesti verificati, glossari e pattern SQL generati e validati automaticamente. Parallelamente, la strategia cross-cloud si concretizza con un lakehouse federato basato su Apache Iceberg per permettere query su dati che restano in AWS, Azure o altrove senza migrazioni massicce.
Integrazioni e limiti attuali
Tra le integrazioni in preview figurano collegamenti con fornitori come Databricks, Snowflake e servizi SaaS tradizionali, ma molte funzionalità chiave sono ancora in anteprima. La fattibilità operativa dipenderà dall’adozione reale di standard neutrali come Iceberg e dalla stabilità delle API di catalogo tra fornitori che hanno incentivi commerciali a differenziarsi. Per questo motivo le aziende dovranno valutare attentamente quali elementi sono già GA e quali restano a rischio di cambiamento.
Sicurezza, go-to-market e raccomandazioni per i leader IT
La dimensione della sicurezza è stata rafforzata con l’integrazione dello specialista Wiz nella proposta di Agentic Defense, unendo intelligence sulle minacce e operazioni di security per proteggere agenti a lunga esecuzione. Al contempo, Google ha mostrato cifre che segnano l’adozione: oltre 330 clienti hanno processato più di un trilione di token nell’ultimo anno, 35 di questi superando i 10 trilioni, e il throughput dei modelli proprietari supera i 16 miliardi di token al minuto. Sul fronte investimenti, Alphabet ha annunciato un piano capex 2026 di 175-185 miliardi di dollari che supporta questa roadmap.
Per i responsabili tecnologici la lezione pratica è distinguere chiaramente tra spesa di training, di inference e di orchestrazione agentica, evitando commit a lungo termine su architetture monolitiche prima di valutare la biforcazione che Google propone. Un audit dei workload in produzione, la verifica delle feature in preview e una pianificazione che abbini modello, dati e silicon alle reali necessità di latenza e scala sono passi essenziali per non pagare costi operativi eccessivi.
