Google lanzó Gemini Enterprise Agent Platform el 23 de abril de 2026 durante Google Cloud Next 2026. La plataforma permite a equipos técnicos construir, desplegar y gestionar agentes de IA a escala en entornos empresariales, con herramientas para gobernanza, observabilidad y ciclo de vida de agentes. Compite directamente con Amazon Bedrock AgentCore y Microsoft Azure AI Foundry.
En 30 segundos
- Google anunció Gemini Enterprise Agent Platform en Cloud Next 2026, orientada a equipos de TI y desarrolladores (no a directivos de negocio).
- Tiene cuatro pilares: Build, Scale, Govern y Optimize, con más de 200 modelos disponibles en Model Garden.
- Agent Studio es la herramienta sin código; Agent Development Kit (ADK) es la opción code-first para developers.
- El 80% de las empresas Fortune 500 ya usan agentes IA, pero el 29% sin aprobación del equipo de seguridad.
- La plataforma reemplaza la arquitectura anterior de Vertex AI y convive con la app Gemini Enterprise (lanzada en octubre de 2025) para usuarios de negocio.
Gemini es un modelo de lenguaje grande multimodal desarrollado por Google DeepMind que procesa texto, imágenes y videos. Se ofrece a través de Google Cloud para aplicaciones empresariales de análisis y generación de contenido.
Qué es Gemini Enterprise Agent Platform
Gemini Enterprise Agent Platform es la infraestructura de Google Cloud para construir, desplegar y supervisar agentes de IA en producción dentro de organizaciones. Según el anuncio oficial de Google Cloud, la plataforma reemplaza la arquitectura anterior de Vertex AI y agrupa bajo un mismo techo las herramientas de desarrollo, escala, gobierno y optimización de agentes.
Eso sí: la decisión estratégica más llamativa no es la tecnología en sí. Como señala TechCrunch en su cobertura del evento, Google tomó una “elección interesante” al posicionarla: la Agent Platform está diseñada para ingenieros de plataforma y equipos de TI, no para gerentes ni responsables de operaciones. Los directivos siguen usando la app Gemini Enterprise, lanzada en octubre de 2025. Dos capas, dos públicos, una sola empresa.
¿Por qué esa separación? El razonamiento tiene lógica. Los agentes de IA son más maduros hoy en tareas técnicas (programación, operaciones IT, debugging) que en tareas de negocio (análisis de mercado, planificación estratégica). Darle a los ingenieros las herramientas adecuadas primero tiene más sentido que intentar resolver todo a la vez.
Agent Studio vs Agent Development Kit: cuándo usar cada uno
Dentro de la plataforma hay dos puntos de entrada principales, y elegir el equivocado va a costarte tiempo.
Agent Studio: la opción sin código
Agent Studio es la herramienta visual para armar agentes sin escribir código. Está pensada para usuarios de negocio o equipos que quieren prototipar flujos rápido: conectar herramientas, definir instrucciones, probar comportamientos. Si alguna vez usaste n8n o Zapier, la interfaz va a resultarte familiar (aunque con modelos de Gemini en el centro).
Casos donde tiene sentido: automatizar aprobaciones de documentos, armar un agente que consulte BigQuery y genere reportes, o integrar datos de CRM con respuestas automáticas. Nada que requiera lógica condicional compleja ni integraciones custom.
Agent Development Kit (ADK): code-first para developers
El ADK es la herramienta para quienes necesitan control total. Code-first, orientado a developers que van a construir agentes complejos con múltiples herramientas, estados, bifurcaciones y lógica de negocio no trivial. Se integra con Model Garden, que tiene más de 200 modelos disponibles (incluidos modelos de terceros, no solo Gemini). Cubrimos ese tema en detalle en nuestro análisis comparativo de modelos.
La diferencia práctica: con Studio armás un agente de atención al cliente en una tarde; con ADK construís un sistema de monitoreo de infraestructura que decide solo cuándo escalar un cluster. Son herramientas para problemas distintos.
Los 4 pilares: Build, Scale, Govern, Optimize
La plataforma se organiza en cuatro áreas. No son marketing puro: cada una tiene capacidades concretas.
Build
Acá está Agent Studio, el ADK y acceso a Model Garden con más de 200 modelos. Podés combinar modelos según la tarea: uno para razonamiento pesado, otro para generación rápida, otro para embeddings.
Scale
Agent Runtime maneja la ejecución a escala: orquestación de múltiples agentes, gestión de sesiones, paralelización de tareas. El punto crítico acá es que en producción los agentes fallan de maneras que en desarrollo no aparecen (loops infinitos, llamadas a herramientas en cascada, timeouts inesperados). Agent Runtime intenta mitigar eso con mecanismos de control de ejecución.
Govern
El pilar más relevante para los CISOs. Agent Identity asigna identidades verificables a cada agente, con permisos granulares sobre qué herramientas puede usar, qué datos puede acceder y qué acciones puede ejecutar. Sin esto, un agente con acceso a Google Drive y permisos mal configurados puede leer (o escribir) cosas que no debería.
Optimize
Monitoreo de rendimiento y calidad: tokens consumidos, latencia por llamada, tasa de éxito de herramientas. La idea es que tengas visibilidad sobre qué está haciendo cada agente en producción, no solo si “funcionó” o “no funcionó”. Ya lo cubrimos antes en desafíos de escalabilidad en IA empresarial.
Gobernanza y seguridad: el problema que nadie quiere mirar
El dato que más debería preocuparte: el 80% de las empresas Fortune 500 ya usa agentes de IA, pero el 29% lo hace sin aprobación del equipo de seguridad. Ponele que eso se traduce a tu empresa mediana. ¿Cuántos agentes tienen acceso a datos de clientes, a sistemas internos, a APIs de pago, sin que nadie en IT sepa que existen?
La respuesta de Google acá es un framework Zero Trust aplicado a agentes: cada agente tiene una identidad, permisos explícitos y un ciclo de vida controlado. Cuando un agente ya no sirve, se da de baja. Cuando necesita más permisos, los pide con aprobación. No es diferente a cómo gestionás cuentas de servicio en cualquier sistema, pero la industria tardó en entender que los agentes necesitan el mismo tratamiento.
La observabilidad también entra acá. Un agente que alucinó y devolvió un dato incorrecto no es lo mismo que un agente que falló en llamar a una API y generó un error en cascada (aunque el resultado final para el usuario sea igual de malo). Saber cuál fue el problema te dice cómo resolverlo.
Casos de uso: dónde los agentes realmente funcionan hoy
Seamos honestos sobre el estado actual. Los agentes de IA tienen tracción real en tareas técnicas: revisión de código, debugging automatizado, operaciones IT, monitoreo de infraestructura, análisis de logs. En esos contextos, el espacio de posibles acciones es acotado y verificable.
Las tareas de negocio son otra historia. “Analizá el mercado y decime si deberíamos expandirnos a Chile” requiere juicio, contexto no estructurado y tolerancia al error que los agentes actuales no tienen de forma confiable. Google lo sabe, y por eso posicionó la Agent Platform para equipos técnicos.
Dos productos que sí muestran madurez en tareas de negocio: Deep Research (que arma reportes de investigación con múltiples fuentes) y NotebookLM Enterprise (que permite a equipos trabajar con documentos internos de forma privada). Pero son productos verticales, no una plataforma horizontal de agentes. Para más detalles técnicos, mirá extensiones que integran Gemini.
Comparativa: Gemini Agent Platform vs Amazon Bedrock vs Azure AI Foundry
| Característica | Gemini Agent Platform | Amazon Bedrock AgentCore | Azure AI Foundry |
|---|---|---|---|
| Modelos disponibles | 200+ (Model Garden, incluye terceros) | Multiproveedor (Anthropic, Meta, Mistral, etc.) | GPT-4o, Phi, Mistral, Llama y otros |
| Herramienta sin código | Agent Studio | Bedrock Flows | Prompt Flow |
| SDK para developers | Agent Development Kit (ADK) | Bedrock Agents SDK | Azure AI SDK + Semantic Kernel |
| Gobernanza de agentes | Agent Identity + permisos granulares + Zero Trust | IAM roles + guardrails nativos | Azure RBAC + responsable AI tools |
| Observabilidad | Agent Observability nativa (tokens, latencia, herramientas) | CloudWatch + Bedrock monitoring | Azure Monitor + App Insights |
| Integración cloud nativa | BigQuery, Workspace, Vertex AI | AWS ecosystem completo (S3, Lambda, etc.) | Microsoft 365, Azure DevOps, Teams |
| Deep Research integrado | Sí (vía Google Search) | No nativo | Sí (vía Bing + Microsoft Graph) |
| Madurez para agentes IT | Alta | Alta | Media-alta |
Si tu empresa ya vive en AWS, Bedrock AgentCore tiene sentido por la integración nativa con todo el ecosistema. Si usás Microsoft 365 intensamente, Azure AI Foundry tiene ventaja por la integración con Teams, SharePoint y Graph. Gemini Agent Platform tiene ventaja si ya tenés datos en BigQuery o usás Google Workspace, y si necesitás acceso a la mayor variedad de modelos desde una sola plataforma.
¿Alguien ganó la comparativa de forma contundente? Todavía no. Los tres tienen casos donde brillan y casos donde quedan cortos.
Observabilidad en producción: los errores que no ves venir
Ponele que desplegás un agente que procesa tickets de soporte, consulta una base de conocimiento interna y asigna prioridades. En desarrollo funciona. En producción, a la semana, empezás a ver asignaciones raras. ¿Qué falló?
Puede ser cualquier cosa: la API de la base de conocimiento tardó más de lo esperado y el agente tomó una decisión con información incompleta. O el modelo fue fine-tuned en ejemplos de otro dominio y generalizó mal. O el prompt tiene una instrucción que en producción colisiona con casos de borde que en testing no aparecieron.
Agent Observability de Gemini expone métricas por agente: tokens consumidos, latencia por llamada, tasa de éxito de cada herramienta invocada, y trazas de ejecución. La diferencia importante: distinguir entre una alucinación (el modelo inventó algo) y un error de herramienta (la API falló o devolvió algo inesperado) cambia completamente cómo respondés. El primero es un problema de prompt o modelo; el segundo es un problema de integración.
Los errores más comunes que aparecen en producción con agentes: loops infinitos cuando el agente no sabe cómo salir de un estado, costos inesperados por llamadas a herramientas en cascada, y desajuste modelo-tarea cuando se usa un modelo grande para algo que un modelo chico haría igual de bien a un décimo del costo. Relacionado: capacidades de análisis de seguridad.
Qué está confirmado / Qué no
Confirmado
- Lanzamiento en Google Cloud Next 2026 el 23 de abril.
- Cuatro pilares: Build, Scale, Govern, Optimize.
- Agent Studio (sin código) y ADK (code-first) como herramientas principales.
- Más de 200 modelos en Model Garden.
- Agent Identity con permisos granulares para gobernanza Zero Trust.
- La plataforma es para equipos técnicos; Gemini Enterprise (app, octubre 2025) sigue siendo para usuarios de negocio.
No confirmado o pendiente
- Precios concretos por agente/llamada/token (Google no publicó tabla de precios al cierre de esta nota).
- Disponibilidad regional y si los datos procesados por agentes se quedan en la región del cliente.
- Integración nativa con Workspace para todos los planes o solo Enterprise.
- Fechas de GA (disponibilidad general) vs preview para las distintas funcionalidades del ADK.
Errores comunes al adoptar plataformas de agentes IA
1. Desplegar agentes sin definir el scope de permisos. El error más frecuente y el más caro: un agente con acceso de lectura/escritura a herramientas que no necesita. En producción, un agente que puede escribir en Google Drive y no tiene instrucciones claras de qué no tocar puede generar inconsistencias de datos difíciles de detectar. Definí permisos mínimos antes de desplegar, no después.
2. Usar el mismo modelo para todas las tareas. Gemini Ultra para clasificar tickets de soporte es como usar un camión para hacer mandados. Model Garden tiene más de 200 opciones. Para tareas de clasificación simple o extracción de entidades, un modelo más chico hace el trabajo a una fracción del costo y con menor latencia.
3. Confundir prototipo con producción. Un agente que funciona en Agent Studio con 10 casos de prueba no es un agente listo para recibir 10.000 tickets reales. Los loops infinitos, los timeouts y los comportamientos inesperados ante entradas raras aparecen con volumen. Si vas a escalar, pasá por Agent Runtime y activá la observabilidad desde el primer día.
Preguntas Frecuentes
¿Qué es Gemini Enterprise Agent Platform y para qué sirve?
Gemini Enterprise Agent Platform es la infraestructura de Google Cloud para construir, desplegar y gestionar agentes de IA en entornos empresariales. Lanzada el 23 de abril de 2026 en Google Cloud Next, está orientada a equipos técnicos e IT que necesitan herramientas de gobernanza, observabilidad y ciclo de vida para agentes en producción. No reemplaza la app Gemini Enterprise para usuarios de negocio.
¿Cuál es la diferencia entre Agent Studio y Agent Development Kit?
Agent Studio es la herramienta visual sin código para armar agentes mediante interfaces gráficas, pensada para prototipos y usuarios de negocio. El Agent Development Kit (ADK) es code-first, orientado a developers que necesitan control total sobre lógica compleja, integraciones custom y acceso completo a Model Garden. Para automatizaciones simples, Studio alcanza; para sistemas de producción complejos, el ADK es el camino.
¿Cómo se gobiernan los agentes de IA en producción con esta plataforma?
La plataforma usa Agent Identity para asignar identidades verificables a cada agente, con permisos granulares sobre herramientas y datos. El modelo es Zero Trust: cada agente tiene acceso explícito solo a lo que necesita, y hay un ciclo de vida controlado para crear, actualizar y dar de baja agentes. Agent Observability provee trazas de ejecución, tokens consumidos y tasa de éxito por herramienta.
¿Es mejor Gemini Agent Platform, Amazon Bedrock o Azure AI Foundry para agentes empresariales?
Depende del ecosistema que ya usés. Si tu empresa tiene datos en BigQuery y usa Google Workspace, Gemini Agent Platform tiene ventaja por integración nativa y acceso a 200+ modelos. Bedrock es mejor opción si el stack es AWS. Azure AI Foundry gana si la empresa depende de Microsoft 365 y Teams. Los tres tienen gobernanza y observabilidad; la diferencia está en las integraciones, no en la capacidad de los modelos.
¿Para qué tipos de tareas están maduros los agentes de IA hoy?
Los agentes de IA tienen madurez demostrada en tareas técnicas: revisión de código, debugging, monitoreo de infraestructura, análisis de logs y operaciones IT. Las tareas de negocio como análisis de mercado o planificación estratégica siguen siendo territorio con más fricciones. Google posicionó la Agent Platform para IT primero por esa razón: los casos de uso técnicos tienen espacio de error más acotado y resultados más verificables.
Conclusión
Google entró al 2026 con una propuesta clara para el mercado de agentes empresariales: una plataforma técnica, con gobernanza seria y más de 200 modelos, orientada a los equipos que realmente van a construir y mantener agentes en producción. La separación entre la Agent Platform (para IT) y la app Gemini Enterprise (para negocio) es una apuesta que puede funcionar si los ingenieros adoptan el ADK y los directivos no se frustran con tener dos consolas distintas.
El problema que la plataforma intenta resolver es real: el 29% de las Fortune 500 que usan agentes sin aprobación de seguridad es una bomba de tiempo. Agent Identity y los permisos granulares son la respuesta correcta. La pregunta es si llegó a tiempo o si muchas empresas ya tienen agentes corriendo en producción con accesos que nadie auditó.
Si estás evaluando dónde desplegar agentes de IA en tu organización y ya usás Google Cloud, vale la pena explorar la plataforma. Si recién empezás con infraestructura cloud, también es buen momento para considerar un proveedor local como donweb.com para los componentes que no necesitan estar en el cloud de los grandes. Y si venís de Vertex AI, la migración a la nueva plataforma va a darte herramientas que antes tenías que armar a mano.
Fuentes
- Google Cloud Blog — Anuncio oficial de Gemini Enterprise Agent Platform
- WWWhat’s New — Cobertura de Google Cloud Next 2026 con Sundar Pichai
- Google Cloud — Página de producto Gemini Enterprise Agent Platform
- Diario Bitcoin — Google relanza Gemini Enterprise con Agent Platform
- Xenoss — Comparativa AWS Bedrock vs Azure AI vs Google Vertex AI