Google Cloud Next 2026 segna il passaggio da un’AI usata come assistente a un’AI pensata come sistema operativo dell’impresa. Il messaggio chiave di Thomas Kurian, CEO di Google Cloud, e Sundar Pichai, CEO di Google, è l’ingresso pieno nell’era della Agentic Enterprise: un modello in cui gli agenti AI non si limitano a eseguire compiti isolati, ma collaborano, mantengono memoria, accedono ai dati aziendali, operano su più applicazioni e agiscono entro regole definite di sicurezza e governance.
Il fulcro della strategia è Gemini Enterprise, presentato come piattaforma unificata per collegare dati, persone, applicazioni e agenti in un unico sistema operativo. La novità principale è Gemini Enterprise Agent Platform, progettata per costruire, orchestrare, governare e ottimizzare agenti su larga scala, mentre la Gemini Enterprise app estende queste capacità direttamente ai dipendenti, con strumenti come Agent Designer, Inbox, Projects, Skills e Canvas.
A supporto di questo disegno, Google rafforza l’intero stack tecnologico. Sul piano infrastrutturale arrivano le TPU di ottava generazione, con TPU 8t per il training e TPU 8i per l’inferenza, affiancate da innovazioni su storage, networking e Kubernetes per sostenere workload AI e milioni di agenti concorrenti. Sul piano dei dati nasce l’Agentic Data Cloud, con componenti come Knowledge Catalog, Data Agent Kit e Cross-Cloud Lakehouse, pensati per rendere i dati più accessibili, semanticamente strutturati e utilizzabili in tempo reale dagli agenti.
La sicurezza diventa un pilastro altrettanto centrale. Con Agentic Defense, Google integra threat intelligence, security operations e la piattaforma Wiz per proteggere applicazioni AI, agenti, dati e infrastrutture in ambienti multicloud e ibridi. Parallelamente, l’approccio agentico viene esteso alla customer experience e alla produttività con Gemini Enterprise for Customer Experience e Workspace Intelligence, portando l’AI in modo trasversale su ricerca, commercio, assistenza, email, documenti e collaborazione.
Nel dettaglio, Kurian e Pichai delineano un’architettura completa in cui queste componenti convergono in un sistema coerente. Gemini Enterprise viene posizionato come piattaforma end-to-end per l’Agentic Era, capace di trasformare i processi aziendali in flussi intelligenti e continui. Questo approccio è già sostenuto da una crescita concreta: nel primo trimestre dell’anno gli utenti attivi mensili a pagamento sono aumentati del 40% su base trimestrale, segnale di un’adozione che si sta rapidamente consolidando.
Gemini Enterprise Agent Platform: la regia completa degli agenti
Il cuore degli annunci è Gemini Enterprise Agent Platform, la nuova piattaforma che Google Cloud posiziona come fondazione dell’impresa agentica. L’obiettivo è offrire un ambiente unificato per costruire, scalare, governare e ottimizzare gli agenti AI, integrando in un unico stack le capacità di infrastruttura, sicurezza, dati, orchestrazione e distribuzione.
La piattaforma raccoglie l’eredità di Vertex AI e la amplia in modo sostanziale. Non si tratta più solo di selezionare modelli, addestrarli o metterli in produzione, ma di gestire ecosistemi di agenti che possono cooperare tra loro, usare strumenti, accedere ai dati aziendali, essere monitorati in tempo reale e rientrare in una cornice di policy, audit e compliance. In parallelo, questa piattaforma è strettamente connessa alla Gemini Enterprise app, che diventa l’interfaccia di accesso all’AI per i dipendenti e per i flussi di lavoro aziendali.
I modelli: Gemini 3.1, media generation e apertura all’ecosistema Anthropic
Google presenta Agent Platform come un ambiente con accesso di primo livello ai suoi modelli più avanzati. Tra questi compare Gemini 3.1 Pro, descritto come il modello più evoluto per l’orchestrazione di workflow complessi. Sul fronte visuale arriva Gemini 3.1 Flash Image, indicato anche come Nano Banana 2, pensato per generare interfacce utente ad alta fedeltà e asset visivi. Sul piano audio e musicale viene introdotto Lyria 3, definito come modello di nuova generazione per produzione professionale di audio e musica.
A questo si aggiunge l’apertura a modelli esterni, in particolare quelli di Anthropic. La piattaforma offre infatti supporto per Claude Opus, Sonnet e Haiku, e Google annuncia contestualmente l’aggiunta di Claude Opus 4.7. La logica è chiara: l’impresa agentica non viene incorniciata come un ambiente chiuso che impone un solo modello, ma come una piattaforma che valorizza la scelta e la combinazione di modelli differenti in un contesto governato.
Costruire gli agenti: framework graph-based, low-code e registry centralizzato
Il primo asse della piattaforma riguarda la capacità di costruire agenti in modo rapido e scalabile. Google punta esplicitamente a coinvolgere non soltanto gli sviluppatori, ma anche gli utenti business e le figure ibride che si collocano tra area tecnica e area operativa.
L’Agent Developer Kit viene potenziato con un nuovo framework graph-based, che consente di definire in modo chiaro la logica con cui agenti diversi collaborano per risolvere problemi articolati. Questa evoluzione è importante perché sposta l’attenzione dall’agente isolato alla progettazione di reti di agenti coordinate.
Accanto all’ADK viene introdotto Agent Studio, una nuova interfaccia low-code con cui gli sviluppatori possono creare, testare e pubblicare agenti usando il linguaggio naturale. A questa si affianca Agent Registry, pensato come punto di controllo unico che indicizza tutti gli agenti interni e gli strumenti dell’organizzazione, in modo che siano rintracciabili, riusabili e sottoposti a governance.
Google introduce anche Ecosystem Integrations attraverso Agent Marketplace, che permette di distribuire rapidamente agenti specializzati di partner come Atlassian, Box, Lovable, Oracle, ServiceNow, Workday e altri, direttamente dentro Gemini Enterprise. In parallelo, la piattaforma supporta il Model Context Protocol, così da collegarsi a qualunque MCP Server, mentre i servizi Google Cloud vengono esposti come MCP per consentire a qualunque agente di interagire con Google Cloud in modo nativo e coerente con i protocolli agentici emergenti.
Scalare gli agenti: orchestrazione, sandbox, memoria persistente e runtime ottimizzato
Il secondo asse è la capacità di scalare gli agenti e portarli dal proof of concept alla produzione. Google descrive una serie modulare di servizi che possono essere usati insieme o separatamente per gestire il percorso verso ambienti reali.
Il componente più rilevante è Agent-to-Agent Orchestration, che consente a un agente di delegare compiti a un altro, supportando pattern sia generativi sia deterministici. L’accento viene posto sulla capacità di definire percorsi certi per flussi sensibili, come quelli di compliance, in cui la flessibilità generativa deve convivere con la ripetibilità e il rispetto di procedure precise.
Il runtime viene aggiornato per offrire cold start inferiori al secondo e la possibilità di provisionare nuovi agenti in pochi secondi, riducendo al tempo stesso il costo dell’infrastruttura inattiva. Arriva poi il supporto ai long-running agents, che possono sostenere ragionamento autonomo e gestire workflow multi-step estesi nel tempo.
Per le attività più delicate, Google introduce secure sandboxes isolate, ambienti nei quali gli agenti possono eseguire codice generato dal modello o svolgere attività di computer use, comprese automazioni browser-based, senza mettere a rischio i sistemi host. Un tassello cruciale è la memoria: Memory Bank e Memory Profiles permettono di sostituire la logica della sessione temporanea con una memoria persistente e scalabile, attraverso cui gli agenti possono ricordare dettagli utente e cronologie di progetto per mesi. Gli Agent Sessions aggiungono infine identificatori unici per tracciare con precisione le sessioni tra sistemi enterprise differenti.
Governare gli agenti: identità crittografica, policy enforcement e rilevamento delle anomalie
Il terzo asse riguarda la capacità di governare gli agenti con lo stesso rigore applicato ai sistemi mission-critical. Google parte dall’idea che un’organizzazione popolata da agenti autonomi richieda strutture di controllo, tracciabilità e autorizzazione native.
Con Agent Identity, ogni agente riceve un’identità crittografica univoca e policy di autorizzazione ben definite, verificabili e sottoponibili ad audit. Questo consente agli agenti di essere trattati come soggetti operativi con un perimetro di azione chiaro, integrato nelle policy aziendali e capace di richiedere l’intervento umano quando la situazione eccede il contesto previsto.
Con Agent Gateway, Google introduce quella che descrive come una torre di controllo del traffico agentico. Il gateway comprende protocolli come MCP e A2A e centralizza l’enforcement in tempo reale delle policy, con l’obiettivo di rendere sicure, conformi e scalabili le interazioni fra agenti, dati e strumenti. Dentro questo livello di controllo si inserisce Model Armor, che protegge contro prompt injection, tool poisoning e fuga di dati sensibili.
A rafforzare il quadro arriva Agent Anomaly Detection, che analizza l’intento sottostante alle azioni degli agenti per rilevare comportamenti sospetti, come uso improprio di tool, accesso non autorizzato ai dati e deriva del ragionamento. Il Security dashboard dedicato agli agenti, integrato con Security Command Center, fornisce visibilità su rischi AI e compliance, mappa le relazioni tra agenti e modelli, automatizza l’asset discovery e scansiona vulnerabilità nei sistemi operativi e nei pacchetti linguistici sottostanti.
Ottimizzare gli agenti: observability, simulation ed evaluation continua
Il quarto asse è l’ottimizzazione. Qui Google trasferisce nel dominio agentico strumenti che ricordano il monitoraggio applicativo avanzato, il testing e il controllo di qualità continuo.
Con Agent Observability arrivano dashboard già pronte, logging automatico e auditing degli agenti basati su telemetria standardizzata compatibile con OTel. Questo consente di seguire ogni passaggio tra agente, strumento e API, verificare i handoff, visualizzare i percorsi di esecuzione e diagnosticare rapidamente loop di ragionamento o degradi di performance.
Agent Simulation permette di sottoporre gli agenti a stress test su larga scala attraverso interazioni sintetiche di tipo umano, così da valutare logica, flow conversazionale e resilienza in un ambiente controllato. Agent Evaluation introduce invece una misurazione continua sulle interazioni reali di produzione, usando autorater multi-turn per individuare in tempo reale deterioramenti qualitativi e anomalie comportamentali.
Gemini Enterprise app: l’interfaccia dell’AI per ogni dipendente
Se la Agent Platform è il motore tecnico, la Gemini Enterprise app è l’ambiente in cui queste capacità vengono rese operative per i team. Google la presenta come uno spazio unico in cui i dipendenti possono scoprire, creare, condividere e utilizzare agenti.
Tra le novità più importanti c’è Agent Designer, che porta in mano agli utenti la stessa esperienza no-code della piattaforma e consente di costruire agenti sofisticati basati su trigger o schedulazioni, collegandoli ai connettori aziendali. Il sistema offre una rappresentazione visuale del workflow, così da poter ispezionare, testare e approvare ogni passaggio, caratteristica essenziale per processi critici.
I long-running agents vengono messi a disposizione come strumenti in grado di eseguire processi di business complessi in autonomia, lavorando in sandbox cloud sicure, orchestrando logica applicativa, scrivendo codice per tool personalizzati e portando a termine attività multi-step come la riconciliazione o il prospect sequencing commerciale senza prompting continuo.
Con Inbox, Gemini Enterprise centralizza il monitoraggio delle attività degli agenti, raggruppando notifiche in categorie operative come “Needs your input”, “Errors” e “Completed”. Con Projects crea invece spazi dedicati nei quali la memoria dell’agente è confinata ai file e alle conversazioni assegnate dal team. Collegandolo a sorgenti come Google Drive, NotebookLM e Google Group Chats, l’agente può diventare specialista di un determinato tema e produrre briefing giornalieri o aggiornamenti di stato senza richiedere ricerca manuale nei documenti.
Le Skills introducono scorciatoie richiamabili con “@” per attività ripetitive come l’applicazione di linee guida di brand, la formattazione di report o il recupero di dati specifici. Canvas porta dentro Gemini Enterprise un editor interattivo per creare e modificare Docs e Slides, con possibilità di esportare anche in file Microsoft 365 senza cambiare ambiente. Infine, con Agent Gallery, Google estende l’accesso ad agenti di terze parti di partner come Adobe, Atlassian, Lovable e ServiceNow, aggiungendo nuovi connettori per Asana, Mailchimp, Workday e altri sistemi di record aziendali.
AI Hypercomputer: l’infrastruttura costruita per workload agentici
Un secondo blocco centrale degli annunci riguarda l’infrastruttura. Google definisce AI Hypercomputer come un’architettura purpose-built per workload AI ad alta intensità, nella quale calcolo, storage, rete, software open, framework ML e modelli di consumo vengono unificati in un sistema integrato.
La tesi è che nell’era degli agenti non basti offrire singoli acceleratori o singoli servizi cloud: serve un disegno complessivo in cui hardware e software evolvano in parallelo. Per questo Google insiste sulla possibilità di co-progettare chip, memoria condivisa, interconnessioni, framework di inferenza, Kubernetes e sandboxes per ottenere efficienza energetica, densità operativa e capacità di scala superiori a quelle delle architetture frammentate.
TPU di ottava generazione: TPU 8t e TPU 8i
L’annuncio hardware principale è quello delle TPU di ottava generazione, che arrivano con un’impostazione duale.
TPU 8t è ottimizzata per il training. Usa la tecnologia Inter-Chip Interconnect (ICI) per scalare fino a 9.600 TPU e 2 petabyte di memoria condivisa ad alta banda in un singolo superpod. Google sostiene che offra tre volte la potenza di elaborazione di Ironwood e fino a due volte le prestazioni per watt.
TPU 8i è invece progettata per l’inferenza. Adotta la nuova topologia Boardfly, che connette direttamente 1.152 TPU in un singolo pod, integra tre volte più SRAM on-chip rispetto alla generazione precedente per ospitare cache KV più grandi interamente on-silicon e incorpora un Collectives Acceleration Engine dedicato. Il risultato dichiarato è un 80% di miglioramento nel rapporto performance/dollaro rispetto alla generazione precedente, con l’obiettivo di rendere possibile l’esecuzione cost-effective di milioni di agenti concorrenti.
Non solo TPU: Vera Rubin, Axion, C4N e M4N
Google afferma di offrire la gamma più ampia di opzioni di calcolo, che comprende non soltanto le TPU proprietarie ma anche CPU Axion e GPU NVIDIA.
Nel portafoglio entrano le future istanze NVIDIA Vera Rubin NVL72, oltre a quelle già basate su Blackwell e Hopper. Sul lato CPU viene richiamata Google Cloud Axion, con le istanze N4A lanciate a gennaio, presentate con un price-performance superiore del 100% rispetto a istanze x86 comparabili, in particolare per workload agentici che richiedono efficienza prolungata.
Per i carichi più legati alla comunicazione e alla rete, arrivano le nuove serie C4N e M4N, pensate per comunicazioni ad alto volume tra agenti, core telco 5G e database enterprise. Le istanze C4N possono fornire quasi quattro volte più banda di rete per vCPU rispetto alle C4 standard.
Storage e rete: Managed Lustre, Rapid Storage, Smart Storage e Virgo Network
Anche lo storage viene ripensato in funzione dell’AI su larga scala. Managed Lustre raggiunge 10 TB al secondo di throughput verso A5X o TPU 8t via RDMA, accelerando i processi di training. Rapid Storage viene potenziato passando da 6 TB/s a 15 TB/s, per migliorare sia training sia inferenza.
Particolarmente significativa è l’introduzione di Smart Storage, che applica significato semantico ai dati non strutturati e viene presentato come base dell’Enterprise Knowledge Graph. In altri termini, lo storage non è più solo un livello di persistenza, ma comincia a contribuire direttamente alla costruzione del contesto semantico su cui gli agenti operano.
Sul fronte networking debutta Virgo Network, una rete AI-optimized progettata per collegare sistemi NVIDIA Vera Rubin NVL72 o superpod TPU 8t in supercomputer con centinaia di migliaia di acceleratori, per il training distribuito dei modelli più avanzati su scala massiva.
Framework e servizi di esecuzione: PyTorch per TPU, vLLM e GKE accelerato
Google amplia anche la parte software e di esecuzione. Gli OSS Frameworks e gli Inference Engines si estendono con supporto nativo a PyTorch per TPU e supporto ottimizzato a vLLM su GPU e TPU. Sul fronte orchestrazione, Google Kubernetes Engine introduce nuove capacità che promettono cold start molto più rapidi e scale-out accelerato per workload di AI inference.
Vengono inoltre annunciati nuovi agent sandboxes in grado di distribuire fino a 300 sandbox al secondo per cluster, con tempo inferiore al secondo fino alla prima istruzione. Il messaggio è che un cloud pensato per gli agenti deve essere a sua volta capace di reagire con la stessa elasticità, rapidità e granularità richiesta dagli agenti che ospita.
Un cloud che si autogestisce: servizi Google Cloud come tool orchestrabili
Google esplicita poi una visione ancora più radicale: nell’era agentica non è più sostenibile che esseri umani aprano manualmente ticket per gestire capacità o correggere configurazioni. Per questo ogni servizio Google Cloud viene trasformato in uno strumento orchestrabile tramite Model Context Protocol.
Integrando il ragionamento di Gemini con le librerie di telemetria, il sistema è presentato come capace di eseguire autonomous root-cause analysis, identificando errori di configurazione e relative remediation prima ancora che un umano percepisca il problema. La proposta non riguarda quindi solo l’infrastruttura per gli agenti, ma anche un’infrastruttura che adotta essa stessa logiche agentiche di auto-gestione e auto-correzione.
Agentic Data Cloud: dai sistemi di intelligence ai sistemi di azione
Un altro pilastro della strategia è Agentic Data Cloud. Google sostiene che l’impresa agentica richieda un cambiamento strutturale dell’architettura dati. I sistemi del decennio precedente vengono descritti come “systems of intelligence” costruiti per scala umana e orientati all’archiviazione reattiva. Il nuovo obiettivo è passare a “systems of action” per agenti proattivi, affidabili e capaci di operare alla velocità e alla scala richieste da workflow autonomi.
L’Agentic Data Cloud è quindi presentato come una fondazione unificata che libera i dati dai silos storici e li rende immediatamente disponibili perché gli agenti possano percepire, ragionare e agire in tempo reale. Il punto chiave è che il dato non viene più trattato soltanto come informazione da interrogare, ma come contesto da strutturare semanticamente affinché l’AI possa operare su basi affidabili e coerenti.
Cross-Cloud Lakehouse e Lightning Engine for Apache Spark
Tra le novità principali c’è Cross-Cloud Lakehouse, standardizzato su Apache Iceberg, che consente di lasciare i dati in AWS o Azure – per quest’ultimo con disponibilità prevista più avanti nell’anno – e interrogarli istantaneamente senza costi e attriti legati al trasferimento. Google parla di accesso zero-copy da parte di applicazioni, sistemi operativi e piattaforme AI come Databricks, Palantir, Salesforce Data360, SAP, ServiceNow, Snowflake e Workday, con l’obiettivo di ridurre vendor lock-in e costi di movimentazione.
Accanto a questo arriva Lightning Engine for Apache Spark, motore serverless in tempo reale che Google dichiara essere fino a 4,5 volte più veloce delle alternative open source e con un price-performance fino a due volte migliore rispetto al principale concorrente per dataset di grandi dimensioni.
Data Agent Kit, Knowledge Catalog e Deep Research Agent
Con Data Agent Kit, Google porta Gemini dentro il lavoro dei data practitioner in IDE, Notebook e Agentic Terminals, offrendo un’esperienza di authoring guidata dall’intento in Python, Spark e SQL. L’utente definisce l’obiettivo di business, mentre il sistema si occupa di tradurre quell’intento nei passaggi operativi.
Con Knowledge Catalog viene introdotto un grafo dinamico di contesto dell’intera azienda, pensato per dare agli agenti una base semantica coerente. Grazie a Smart Storage e all’Object Context API, i file presenti in Google Cloud Storage vengono immediatamente taggati ed arricchiti di metadati ancora prima che gli agenti li utilizzino. Successivamente, il Knowledge Engine basato su Gemini tagga, definisce logiche e mappa relazioni complesse su tutto il patrimonio aziendale.
A chiudere questo blocco arriva Deep Research Agent for enterprise insight, un agente autonomo che unisce ricerca e analisi. Se già Deep Research in Gemini Enterprise lavora su documenti e sistemi SaaS, ora viene esteso a piattaforme dati come BigQuery, in modo da fornire una vista combinata su dati strutturati e non strutturati. L’obiettivo è permettere risposte a domande complesse, come l’individuazione della causa di una disruption nella supply chain o lo svolgimento di audit finanziari regionali, con citazioni e livelli di precisione che in precedenza avrebbero richiesto settimane di lavoro manuale.
Agentic Defense: sicurezza AI per ambienti multicloud, ibridi e agentici
La sicurezza viene affrontata come una sfida strutturale dell’era agentica. Le organizzazioni stanno ampliando la superficie di attacco in ambienti complessi, mentre affidano dati sensibili e processi critici ad agenti AI. Contemporaneamente, anche gli attaccanti stanno usando l’AI per accelerare e sofisticare le offensive.
La risposta proposta è una piattaforma di cybersecurity che combina Threat Intelligence e Security Operations di Google con la Cloud and AI Security Platform di Wiz. Google afferma che il proprio Triage and Investigation Agent ha già processato oltre 5 milioni di alert, riducendo una tipica analisi manuale da 30 minuti a 60 secondi. L’impostazione complessiva è chiara: gli analisti umani devono essere affiancati da agenti AI se vogliono mantenere capacità di difesa adeguate alla velocità delle minacce contemporanee.
Agentic SecOps: Dark Web Intelligence, Threat Hunting Agent e Detection Engineering Agent
Nel perimetro di Agentic SecOps, Google introduce Dark Web Intelligence, che costruisce un profilo sfaccettato dell’organizzazione sfruttando i nuovi modelli Gemini e l’esperienza del Google Threat Intelligence Group nel dark web. Nei test interni, questa soluzione avrebbe mostrato la capacità di analizzare milioni di eventi esterni al giorno con un’accuratezza del 98%, elevando solo le minacce realmente rilevanti.
Con Threat Hunting Agent, i team possono cercare in modo proattivo pattern di attacco innovativi e comportamenti avversari che sfuggono ai controlli tradizionali. Con Detection Engineering Agent, la creazione di regole persistenti per scenari di minaccia viene automatizzata, trasformando l’ingegneria della detection da pratica manuale a processo strutturato e ripetibile.
Wiz AI-APP e gli agenti Red, Blue, Green
Sul lato Wiz, l’annuncio più importante è AI Application Protection Platform (AI-APP), che protegge l’intero stack delle applicazioni AI: infrastruttura, dati, accessi, modelli, agenti e applicazioni, dal codice al runtime e in ogni ambiente di esecuzione.
La piattaforma supporta ora Databricks e nuovi ambienti di costruzione agentica come AWS Agentcore, Gemini Enterprise Agent Builder, Microsoft Azure Copilot Studio e Salesforce Agentforce. Inoltre estende la propria visibilità allo strato esterno del cloud, comprendendo Apigee, Cloudflare, Vercel e altri, per avere più contesto sull’attack surface.
Wiz Red Agent viene descritto come un ricercatore di sicurezza capace di ragionare sul comportamento applicativo, adattare il proprio metodo in tempo reale e validare rischi sfruttabili in web app e API. Wiz Blue Agent raccoglie prove da telemetria cloud, segnali runtime e contesto identitario per investigare una minaccia e valutarne la severità, esplicitando la logica seguita. Wiz Green Agent opera come motore di investigazione e remediation, sintetizzando il contesto del Security Graph, le relazioni code-to-cloud, le ownership identitarie e i pattern storici di correzione per individuare la vera causa radice e guidare la remediation più efficace e durevole.
A questo si affianca Wiz Agentic Workflows, un hub con interfaccia drag-and-drop per orchestrare la sicurezza cloud e AI, combinando il contesto di Wiz con l’analisi degli agenti e definendo quando intervengano le automazioni e quando il fattore umano.
Google Cloud Fraud Defense: l’evoluzione di reCAPTCHA
Nello stesso blocco Google introduce Google Cloud Fraud Defense, presentato come evoluzione di reCAPTCHA. La piattaforma punta a distinguere la legittimità e l’autorizzazione di bot, umani e agenti, fornendo alle imprese gli strumenti per decidere di quali interazioni digitali e commerciali fidarsi. In un ecosistema in cui il traffico agentico diventa sempre più diffuso, questa distinzione assume una rilevanza crescente sia sul piano della sicurezza sia su quello della gestione del rischio operativo.
Una sicurezza pensata per ambienti realmente multicloud
Google insiste sul fatto che la maggior parte delle imprese opera su combinazioni di cloud e ambienti ibridi. Per questo l’integrazione fra il contesto cloud di Wiz e la threat intelligence di Google viene presentata come una modalità per offrire una vista unificata di ogni asset AI, dal codice al cloud, mantenendo governance senza rallentare l’innovazione. La proposta si rivolge quindi a organizzazioni che non vogliono confinare l’AI in un solo perimetro infrastrutturale e hanno bisogno di sicurezza trasversale a più ambienti.
Agentic Taskforce: customer journey senza attrito e produttività del lavoro
Google presenta poi il tema dell’Agentic Taskforce, che si muove su due fronti: l’esperienza cliente e l’efficacia dei dipendenti. La tesi è che le imprese moderne debbano contemporaneamente offrire percorsi fluidi ai consumatori e aumentare la produttività interna, e che Gemini Enterprise possa diventare il sistema unificato per orchestrare entrambe le dimensioni integrandosi con le applicazioni e gli investimenti già esistenti.
Gemini Enterprise for Customer Experience: retail, supporto e omnicanalità
Nel settore retail, Gemini Enterprise for Customer Experience punta a unificare ricerca, commercio e servizio in un’unica customer journey personalizzata e intelligente.
Gli Shopping e Food Ordering agents coprono il percorso dalla scoperta al checkout interamente in linguaggio naturale. Con il Food Ordering Agent, Papa John’s sta sviluppando un sistema iper-personalizzato che ricorda le preferenze del cliente per portare la cena a casa più rapidamente.
I Customer Support agents mirano a rendere senza attrito il percorso che va dalla ricerca al servizio, trasformando ogni interazione in una possibile opportunità di ricavo. Conversational Insights introduce una piattaforma analitica che individua i driver delle chiamate ed esegue quality evaluation automatica sul 100% delle interazioni.
Agent Assist supporta in tempo reale gli operatori umani offrendo conoscenza contestuale, smart reply e riepiloghi automatici delle chiamate. Best Buy viene citata come esempio di impiego per accompagnare i clienti tra specifiche tecniche complesse, risoluzione dei problemi e gestione degli appuntamenti.
Con Omnichannel Gateway arriva un punto di ingresso unico per WhatsApp, SMS, RCS e Voice, con storico coerente cross-channel. Universal Consumer Context tiene traccia delle interazioni su canali diversi e le trasforma nella prosecuzione di un’unica conversazione di lunga durata. Le Human-Like Voice capabilities promettono audio a bassa latenza in ingresso e uscita, conservazione del tono umano e passaggio multilingue naturale.
In India, Reliance viene portata come esempio di trasformazione retail su larga scala attraverso uno Shopping Agent che, a partire da richieste come “Plan a birthday party”, accompagna il cliente nel percorso, compone il carrello e aumenta il valore generato per sessione. A sostenere questa esperienza c’è anche l’arricchimento catalogo alimentato da Gemini, che analizza milioni di immagini in minuti invece che in mesi.
Workspace Intelligence: il layer semantico che unifica il lavoro
Sul lato della produttività, Google sposta il focus da una suite di app a un vero livello semantico condiviso. Workspace Intelligence viene definito come il layer che abbatte i silos di informazione e contesto tra meeting notes, email, file e conversazioni, creando una base comune utilizzabile sia dalle persone sia dagli agenti.
In Gmail, con AI Inbox e AI Overviews, Gemini diventa un assistente personale proattivo per la gestione della posta. In Google Chat, Ask Gemini consente di sintetizzare informazioni, estrarre insight e interrogare progetti da tutto Workspace direttamente dalla finestra di conversazione, ma anche di agire immediatamente, ad esempio fissando una riunione o creando un documento preparatorio.
In Docs, Sheets e Slides arriva una content creation completamente ripensata. In Docs, Gemini genera prime bozze già formattate combinando contenuti da Drive, Gmail e web e cercando di imitare la voce e lo stile dell’utente. In Sheets, dati grezzi possono essere trasformati in dashboard interattive, tracker di progetto, piani e strutture organizzative.
In Slides, un builder agentico crea e modifica interi deck coerenti con il brand a partire da un solo prompt.
Con Google Drive Projects, Drive smette di essere solo archivio e diventa spazio intelligente che organizza file ed email per gestire workflow, generare contenuti e rispondere su basi contestuali ricche. A questo si aggiunge il Workspace agent in Gemini Enterprise, capace di eseguire task complessi e multi-step attraverso le applicazioni di Workspace senza uscire dall’ambiente Gemini.
Sul piano della competizione con Microsoft, Google annuncia anche Rapid Enterprise Migration, che promette di rendere fino a cinque volte più veloce la migrazione di intere organizzazioni, incluse strutture legali e finanziarie complesse, da Microsoft 365 a Google Workspace.
Ecosistema aperto: modelli, agenti partner e system integrator
Google insiste a più riprese sul fatto che l’openness sia un requisito essenziale. La promessa è quella di offrire scelta a ogni livello dello stack, dai modelli agli acceleratori AI, dal software ML open agli agenti e alle applicazioni ISV, fino ai servizi di implementazione dei partner.
Tra i partner software citati compaiono Salesforce, SAP, ServiceNow, Workday e centinaia di altre aziende che stanno integrando Gemini nei propri prodotti. Migliaia di agenti costruiti dai partner sono già presenti in Google Cloud Marketplace e ora una selezione di essi diventa accessibile direttamente via Gemini Enterprise, con la partecipazione di partner come Accenture, Adobe, Atlassian, Deloitte, Lovable, Oracle, Palo Alto Networks, Replit, S&P Global, Salesforce, ServiceNow e Workday.
Sul lato implementativo, Google sottolinea che tutti i principali system integrator mettono già a disposizione consulenti e specialisti AI, per un totale di oltre 330.000 consulenti formati sulle tecnologie Google Cloud AI. L’azienda annuncia anche l’invio di forward-deployed engineers che lavoreranno a stretto contatto con team di Accenture, Capgemini, Cognizant, Deloitte, Devoteam, HCLTech e TCS per accelerare i percorsi agentici dei clienti.
Si aggiunge poi un early model access program per partner selezionati come Accenture, Bain & Company, BCG, Deloitte e McKinsey, che potranno iniziare a lavorare con versioni pre-release dei futuri modelli Google DeepMind. Per i settori regolati, inclusi servizi finanziari e sanità, Google richiama il proprio portafoglio di soluzioni di sovranità, tra cui Data Boundary, Google Cloud Air-Gapped e Google Cloud Dedicated, annunciando il supporto ai più recenti modelli Gemini 3 sia in ambienti connessi sia air-gapped.
Sundar Pichai: crescita, token, infrastruttura e Google come “customer zero”
Nell’intervento di apertura, Sundar Pichai collega la rapidità del cambiamento tecnologico alla crescita di Google Cloud e all’accelerazione dell’uso dei modelli proprietari. I modelli first-party di Google elaborano ora oltre 16 miliardi di token al minuto tramite uso diretto via API da parte dei clienti, in aumento rispetto ai 10 miliardi del trimestre precedente. Per sostenere questa crescita, Google prevede che nel 2026 poco più della metà dell’intero investimento in ML compute venga destinato al business Cloud, così da sostenere clienti e partner.
Pichai organizza poi il messaggio attorno a quattro direttrici. La prima è l’ingresso pieno nell’era agentica di Gemini. Dopo il lancio autunnale di Gemini Enterprise come sistema end-to-end per l’Agentic Era, la crescita mostrerebbe che ogni dipendente può diventare un builder, ma anche che la sfida si è spostata dal costruire il singolo agente al governarne migliaia. In questo contesto la nuova Gemini Enterprise Agent Platform viene presentata come il mission control dell’impresa agentica.
La seconda direttrice è la sicurezza. I clienti cloud hanno ora l’AI dalla loro parte per proteggere le organizzazioni, attraverso nuove soluzioni agentiche per la threat detection e attraverso la nuova Wiz AI Application Protection Platform, che fornisce protezione autonoma dal codice al cloud fino al runtime in ambienti multicloud, ibridi e AI-driven.
La terza direttrice è l’infrastruttura, con l’introduzione delle TPU di ottava generazione, TPU 8t per il training e TPU 8i per l’inferenza, che entrano nel portafoglio accanto alle GPU NVIDIA.
La quarta direttrice è il principio del customer zero. Google sostiene di voler essere il primo utilizzatore delle proprie tecnologie per immaginarle, testarle, costruirle e scalarle prima di portarle ai clienti. Bigtable e TPU vengono ricordati come esempi storici di questo approccio, ma l’accento viene posto sugli sviluppi più recenti.
Sul coding, Google dichiara che oggi il 75% di tutto il nuovo codice prodotto internamente è generato da AI e approvato dagli ingegneri, rispetto al 50% dell’autunno precedente. I team starebbero già passando a workflow realmente agentici, orchestrando task force digitali autonome. Un caso citato riguarda una migrazione di codice particolarmente complessa completata sei volte più rapidamente rispetto a quanto fosse possibile un anno prima con i soli ingegneri. Per l’app Gemini su macOS, il team avrebbe costruito il primo rilascio come prototipo Swift nativo in pochi giorni grazie alla piattaforma di sviluppo agentico Antigravity.
Sul fronte sicurezza, gli agenti del Security Operations Center di Google analizzano automaticamente decine di migliaia di report di minaccia non strutturati ogni mese, riducendo i tempi di mitigazione di oltre il 90%. Vengono citati anche agenti basati su Gemini, come CodeMender, utilizzati per individuare e correggere vulnerabilità software critiche.
Sul piano marketing e operativo, in occasione del lancio di Gemini in Chrome i team di Google hanno usato i modelli per generare rapidamente migliaia di varianti di asset creativi, un’attività che in precedenza avrebbe richiesto settimane. L’uso dell’AI avrebbe prodotto un 70% di accelerazione del turnaround e un 20% di incremento nelle conversioni, consentendo di andare sul mercato più rapidamente e con maggiore efficacia.
La direzione strategica: dall’AI come feature all’AI come architettura d’impresa
Il messaggio che emerge dall’apertura di Google Cloud Next 2026 è che la partita non si giochi più soltanto sulla qualità dei foundation model, ma sulla capacità di costruire una piattaforma completa in cui gli agenti possano essere creati, messi in relazione, eseguiti, monitorati, corretti, protetti e ottimizzati su scala aziendale.
Google prova a saldare in un’unica proposta tre piani che spesso restano separati: l’infrastruttura, con TPU, rete e storage; i dati, con catalogazione semantica, knowledge graph e accesso cross-cloud; le applicazioni e i processi, con Gemini Enterprise, Workspace Intelligence, Customer Experience e sicurezza agentica. Il risultato è una visione in cui il cloud non è più solo il luogo in cui si eseguono workload AI, ma il sistema in cui l’impresa stessa può iniziare a operare come una rete coordinata di agenti, con memoria, contesto, osservabilità, policy e capacità di azione. È questa l’ambizione che definisce l’apertura di Google Cloud Next 2026: non semplicemente introdurre nuovi prodotti AI, ma proporre l’architettura di riferimento dell’impresa agentica.
