A Las Vegas si e’ aperto Google Cloud Next 2026, la conferenza annuale di Google Cloud che si e’ tenuta dal 22 al 24 aprile con 32.000 partecipanti e oltre 260 annunci. Il CEO Thomas Kurian ha presentato la strategia Agentic Enterprise, costruita su tre piloni: la nuova Gemini Enterprise Agent Platform con funzionalita’ Inbox per la gestione degli agenti e Knowledge Catalog per l’orchestrazione, le TPU di ottava generazione divise in TPU 8t per il training e TPU 8i per l’inferenza, e il rilascio sotto licenza Apache 2.0 di Gemma 4. Il dato che racconta lo stato dell’adozione e’ netto: 75% dei clienti Google Cloud usano prodotti AI, e la API processa 16 miliardi di token al minuto, contro i 10 miliardi del trimestre precedente. Per i CIO italiani che pianificano l’infrastruttura agentica per fine 2026, le novita’ definiscono il nuovo standard di mercato.
L’Agentic Enterprise come categoria di prodotto
Thomas Kurian ha aperto la keynote del 22 aprile con una tesi precisa: il software enterprise dei prossimi cinque anni non sara’ fatto di applicazioni con interfaccia umana, ma di agenti che dialogano tra loro, con sistemi legacy, con API esterne, e occasionalmente con esseri umani per validazioni o decisioni eccezionali. La categoria Agentic Enterprise raggruppa gli strumenti che Google Cloud propone per costruire, deployare, gestire e governare questi agenti.
Il punto di novita’ e’ la dimensione di scala. Singoli agenti AI esistono nei prodotti enterprise da almeno due anni. Una piattaforma che permette di gestirne centinaia in un’organizzazione, con orchestrazione, monitoraggio del comportamento, gestione degli accessi e auditing dei dati toccati, e’ un livello di maturita’ diverso. Per le imprese italiane la domanda operativa e’ semplice: quanti agenti gestiremo nel 2027? Se la risposta e’ meno di dieci, le piattaforme leggere bastano. Se e’ oltre cinquanta, serve un’infrastruttura come quella annunciata da Google.
La Gemini Enterprise Agent Platform e l’Inbox
Il componente Inbox della Gemini Enterprise Agent Platform e’ la metafora con cui Google rende usabile la gestione di flotte di agenti. Ogni agente ha una propria casella di richieste in arrivo (da utenti umani, da altri agenti, da sistemi automatici), una propria coda di task in lavorazione, un proprio histtorico delle azioni eseguite. Un manager umano vede la situazione di tutti gli agenti come un cruscotto, puo’ intervenire in caso di blocchi, puo’ modificare le priorita’, puo’ richiedere validazione su decisioni rischiose.
Il Knowledge Catalog e’ la base condivisa che gli agenti consultano. E’ una versione strutturata e governata dei knowledge base aziendali, con metadati che indicano permessi di accesso, freschezza dei dati, livello di affidabilita’. Un agente che deve rispondere a una domanda puo’ attingere al Knowledge Catalog con tracciabilita’ completa di quale documento e’ stato consultato e quale risposta e’ derivata da quale fonte. Per la conformita’ all’AI Act questa tracciabilita’ e’ un asset operativo, non solo una funzione di governance.
TPU 8t e TPU 8i: i numeri che contano
Le TPU di ottava generazione sono la risposta di Google al dominio NVIDIA nelle GPU per AI. La TPU 8t (training) raggiunge in configurazione superpod 9.600 chip, 2 PB di memoria condivisa, 121 ExaFlops di capacita’ di calcolo, con un goodput target del 97%. La TPU 8i (inferenza) introduce 288 GB di memoria HBM e 384 MB di SRAM on-chip, tre volte la generazione precedente.
I numeri raccontano due strategie. Per il training, Google sta costruendo cluster da 9.600 chip che competono direttamente con i superpod NVIDIA basati su Blackwell. Il goodput del 97% e’ una metrica che indica quanta capacita’ nominale viene effettivamente usata in un job di training reale: il 3% di overhead e’ il limite tecnico oltre cui non si puo’ scendere senza rivoluzionare l’orchestrazione. Per l’inferenza, l’aumento della SRAM on-chip a 384 MB permette di mantenere in memoria interna i pesi di modelli di dimensione media-grande, riducendo i tempi di accesso esterno e quindi la latenza per token generato.
Gemma 4 sotto Apache 2.0
Il rilascio di Gemma 4 sotto licenza Apache 2.0 e’ la mossa con cui Google compete nel segmento dei modelli open source ad alta capacita’. Apache 2.0 e’ una licenza permissiva: chi usa Gemma 4 puo’ modificarlo, redistribuirlo, integrarlo in prodotti commerciali, senza obbligo di riversare le modifiche. La differenza con Llama 3 di Meta, che usa una licenza con restrizioni per uso oltre una certa scala, e’ significativa per le grandi imprese.
Per le imprese italiane il calcolo e’ preciso. Gemma 4 e’ disponibile in tre tagli (small, medium, large) con prestazioni ai vertici della categoria open. Per casi d’uso che richiedono dati on-premise per ragioni di compliance (sanita’, finanza regolata, infrastrutture critiche), Gemma 4 sotto Apache 2.0 e’ oggi la scelta tecnica piu’ conveniente. Resta da fare il calcolo del costo totale: l’addestramento fine-tuning, l’hosting, la manutenzione richiedono competenze interne o un fornitore esterno specializzato.
Deep Research Max e i casi d’uso enterprise
Tra gli altri annunci della conferenza, Deep Research Max e’ la versione enterprise dello strumento di ricerca approfondita che Google ha introdotto in Gemini Advanced nel 2025. La differenza e’ la possibilita’ di accedere ai knowledge interni dell’organizzazione, oltre che al web pubblico, e di produrre rapporti di sintesi con citazioni complete e con un livello di rigore documentale superiore. Per funzioni come il legal in-house, il M&A, il risk management, la consulenza interna, lo strumento sostituisce ore di lavoro di analista junior.
La soglia di ingresso resta il dato da considerare. Deep Research Max e’ incluso nei piani Gemini Enterprise di fascia alta, e il costo per utente e’ significativo. Per le PMI italiane il rapporto costi-benefici dipende dalla densita’ di task di ricerca documentale che il personale gestisce. Le aziende che hanno almeno 10-20 utenti con uso intensivo trovano il break-even nei primi mesi.
L’API che processa 16 miliardi di token al minuto
Il dato sui 16 miliardi di token al minuto processati dalla API Gemini e’ il piu’ rivelatore della keynote. Era a 10 miliardi nel trimestre precedente, e’ cresciuto del 60% in tre mesi. Significa che l’adozione di AI nelle applicazioni cloud e’ in fase di accelerazione, non di plateau. Significa anche che Google Cloud sta consolidando una posizione nel mercato API che fino al 2024 era dominata da OpenAI.
Per i product manager italiani questo dato pesa nelle scelte di vendor. Una piattaforma che processa 16 miliardi di token al minuto ha capacita’ di scaling collaudata, latenze prevedibili, percentili di errore bassi. Una piattaforma piu’ piccola puo’ offrire prezzi migliori ma rischi operativi maggiori in caso di picchi imprevisti. La figura dell’AI Product Manager secondo la UNI 11621-8 include espressamente la valutazione di questi trade-off come competenza chiave.
Il 75% di clienti che usano AI: cosa significa davvero
Il dato che 75% dei clienti Google Cloud usano prodotti AI va letto con attenzione. Non significa che tre quarti delle aziende clienti hanno integrato AI in produzione su processi critici. Significa che tre quarti hanno almeno un caso d’uso attivo: una funzione di summarization in un workflow, un assistente per il customer service, un agente di ricerca interna, una pipeline di data analysis. La differenza tra ha attivato un caso d’uso e ha integrato AI nel core business e’ ampia, e la maggior parte delle aziende e’ ancora nella prima posizione.
La transizione verso il secondo livello richiede competenze che la norma UNI 11621-8 mappa nei 12 profili professionali: AI Consultant per il disegno strategico, AI Data Engineer per la gestione dei flussi, AI Product Manager per la roadmap di prodotto, AI Security Specialist per la valutazione del rischio. Le aziende italiane che hanno completato questa mappatura interna nel 2025 hanno un anno di vantaggio competitivo sulle aziende che la avvieranno nel 2026.
Cosa devono pianificare i CIO entro fine 2026
Per i CIO italiani le novita’ di Google Cloud Next 2026 fissano alcune date di pianificazione. Entro luglio 2026 serve la decisione sull’architettura agentica: piattaforma centralizzata (Google Gemini Enterprise, Microsoft Foundry, AWS Bedrock) o approccio multivendor. Entro settembre serve il piano di skill, con identificazione dei profili da assumere o formare. Entro novembre serve il primo prototipo di agente in produzione su un caso d’uso non critico. Entro fine anno serve la valutazione del primo trimestre di operativita’, con metriche di costo, qualita’, conformita’.
Chi rispetta questo calendario arriva al 2027 con un’infrastruttura agentica funzionante e con il personale formato per gestirla. Chi rinvia, parte da zero quando i concorrenti saranno gia’ al secondo o terzo ciclo iterativo.
L’agentic come riallineamento del software enterprise
Le 260 funzioni annunciate a Google Cloud Next 2026 non sono incrementi marginali su prodotti esistenti. Sono la costruzione di una categoria di software che sostituisce gradualmente quella precedente. Il software enterprise dei prossimi anni avra’ una superficie utente piu’ piccola e una superficie di automazione molto piu’ grande. Le imprese italiane che pianificano oggi la propria roadmap IT lo fanno in un mercato dove i grandi vendor stanno riscrivendo i prodotti dalla base. Restare fermi sulle architetture del 2023 significa accumulare debito tecnico che diventera’ insostenibile entro fine 2027.
