Gemini Enterprise Agent Platform mira o padrão corporativo de agentes: ADK processa 6 trilhões de tokens/mês, Memory Bank e agentes de dias

Resumo: o Google fechou a evolução da Vertex AI em um novo produto chamado Gemini Enterprise Agent Platform, agora o ponto único onde uma empresa constrói, escala, governa e otimiza frotas de agentes de IA. Os números anunciados pela companhia sustentam a mudança: o Agent Development Kit (ADK) já processa mais de 6 trilhões de tokens por mês, o Memory Bank dá aos agentes memória persistente entre sessões, o Agent Runtime promete cold start em menos de um segundo e o Model Garden entrega mais de 200 modelos — incluindo Claude Opus, Sonnet e Haiku da Anthropic ao lado da família Gemini.

O que é o Gemini Enterprise Agent Platform

O Gemini Enterprise Agent Platform é, na prática, a Vertex AI reescrita para o mundo agêntico. Em vez de oferecer principalmente treinamento e deploy de modelos, a plataforma agora coloca no centro o ciclo de vida do agente: definição, orquestração, memória, avaliação e execução em produção. É a resposta direta do Google ao ChatGPT Work e Enterprise (OpenAI), ao Claude Cowork (Anthropic) e ao AWS Bedrock AgentCore.

Agent Development Kit (ADK)

O ADK é um framework Python-native para construir agentes deterministas, com estado, ferramentas e sub-agentes. Ele é model-agnostic — significa que você troca o modelo (Gemini, Claude, Llama, Gemma) sem reescrever o agente. Isso encerra na prática o vendor lock por SDK, comum nos primeiros meses de agentes empresariais.

Memory Bank e Memory Profiles

Memory Bank persiste preferências e histórico entre sessões e usuários. Memory Profiles cria memórias por persona (ex.: “agente de compras do time A”). Em conjunto, resolvem o problema clássico do agente que “esquece” a preferência do cliente entre chamadas e força a repetição de contexto — que, com Fable 5 e Opus 4.8 caros, tem custo real.

Model Garden — 200+ modelos, incluindo Claude

O Model Garden entrega acesso a mais de 200 modelos, entre eles Gemini 3.1 Pro, Gemini 3.1 Flash Image, Lyria 3, Gemma abertos, Llama e — de forma inédita para o Vertex — Claude Opus, Sonnet e Haiku. Multi-modelo por padrão é o ponto de virada: em vez de escolher provedor no início do projeto, a decisão passa a ser roteamento por tarefa.

Agent Runtime

O Agent Runtime foi reescrito para dar cold start abaixo de um segundo, o que reduz a fricção de subir centenas ou milhares de agentes por hora. Além disso, permite agentes de longa duração — instâncias que rodam por dias, consumindo contexto e ferramentas conforme a tarefa avança. Isso muda o desenho de aplicações como “agente de fechamento contábil” ou “agente de matching de currículos” que hoje precisam ser fatiados em jobs.

Por que importa e o status no Brasil

Para o mercado corporativo brasileiro, o Gemini Enterprise Agent Platform toca em três dores concretas: (i) proliferação descontrolada de agentes em silos (marketing tem os seus, TI tem os dele, finanças tem outros); (ii) dependência de um único provedor de LLM, que virou risco de continuidade e de custo; e (iii) auditoria — o compliance ainda não tinha um plano de controle único para agentes que executam em nome do usuário. Empresas com data residency em São Paulo podem usar o Model Garden dentro do Google Cloud região southamerica-east1, respeitando LGPD para agentes que tratem dados pessoais.

Riscos e limitações

Três alertas para quem for adotar agora. Primeiro, a documentação está em plena reescrita — muita coisa que aparece como “Vertex AI” em referências antigas hoje vive dentro do novo plano. Segundo, agentes de dias mudam o desenho de blast radius: uma falha ou prompt injection pode se propagar por muito mais operações. Terceiro, o preço efetivo ainda depende do modelo escolhido — Fable 5 pelo Model Garden custa o mesmo que direto na Anthropic, e vira a linha mais cara da fatura.

SWOT — Gemini Enterprise Agent Platform como padrão corporativo

.pn-swot{display:grid;grid-template-columns:1fr 1fr;gap:12px;margin:20px 0;font-family:inherit}
.pn-swot .pn-q{padding:16px 18px;border-radius:8px;color:#fff}
.pn-swot .pn-q h4{margin:0 0 8px 0;font-size:1.05em;letter-spacing:.5px}
.pn-swot .pn-q ul{margin:0;padding-left:18px}
.pn-swot .pn-f{background:#1b7a3a}
.pn-swot .pn-fr{background:#d17d18}
.pn-swot .pn-o{background:#1d5fa8}
.pn-swot .pn-a{background:#a12727}
@media(max-width:640px){.pn-swot{grid-template-columns:1fr}}

Cenário — para onde vai

Três apostas razoáveis até o fim do trimestre: (1) MCP consolidando-se como camada de integração com Slack, GitHub, ServiceNow e SAP; (2) times de plataforma internos comprando o plano do Gemini Enterprise por padrão e liberando modelos por política; (3) surgimento de agent gateways — semelhantes aos gateways de API — para governar rate limit, custo e observabilidade por agente.

Conclusão prática

Se você já opera dois ou mais agentes em produção, vale abrir uma prova de conceito de 30 dias com foco em três coisas: substituir sua orquestração custom por ADK; migrar sua memória atual para Memory Bank; e montar um roteamento simples entre Gemini 3.1 Pro e Claude Sonnet 5 via Model Garden. O ganho não está no “mais um SDK”, mas em reduzir surface area de fornecedores e transformar agentes em objetos governáveis — algo que o Brasil vai precisar antes que a ANPD comece as fiscalizações previstas para 2027.

Fonte original: Google Cloud Blog — The new Gemini Enterprise e Introducing Gemini Enterprise Agent Platform.