AI agentic în Google Cloud: date, Model Armor și Agentic Data Cloud

Ce merge acum: customer service/support, marketing și cercetare/productivitate

În 2024 și 2025, se vorbea despre AI ca „transformare", „creștere productivitate", „copiloți", „automatizare", dar, când ajungeai în organizație, apăreau aceleași întrebări concrete:

• La ce date are voie să se uite AI?
• Cine verifică rezultatele AI?
• Cum oprim un chatbot să spună prostii clienților?
• Cum trecem de la experiment la încrederea necesară pentru procesele interne?

În 2026, conform celui mai recent raport Google Cloud: AI Agent Trends 2026 (link➛), 52% din conducerea organizațiilor care folosesc GenAI declară că au deja agenți AI în producție.

La reuniunea anuală Google Cloud Next (Las Vegas, 22-24 aprilie 2026), tema principală a fost sfârșitul erei de AI pilot și trecerea la era AI agentic.

Sundar Pichai, CEO Google a comparat atitudinea comună în 2025 „putem să construim un agent" cu cea din 2026: „Cum administrăm acum mii de agenți?" (Link ➛)

Topul departamentelor care folosesc acești agenți este interesant:

• 49% pentru customer service.
• 46% pentru operațiuni de marketing sau securitate cibernetică (SecOps).
• 45% pentru suport tehnic.
• 43% pentru inovație în produse, productivitate și cercetare.

De ce aceste domenii? În aceste departamente se lucrează pe proceduri și fluxuri de lucru (workflows) bine definite, pe o bază de date stabilă. De exemplu, organizația comunică cu clienții pentru suport pe baza documentațiilor tehnice și procedurilor scrise. Chiar și în cazul marketing și securitate cibernetică, organizația se raportează la cele mai bune informații disponibile, ca un tot unitar. Pe scurt, acestea sunt domeniile în care organizația acționează ca un tot unitar. Un agent AI integrat corect în aceste zone multiplică capacitatea oamenilor, fără a crea procese noi.

În plus, în aceste domenii nu afectezi organizarea internă (ierarhia, permisiunile), nici nu trebuie să pornești de la o schimbare organizațională bruscă. Dacă trebuie schimbate procedurile de suport sau marketing, se definește o nouă strategie, apoi agenții AI pot fi reconfigurați.

Dar cum se va folosi AI agentic la nivelul întregii organizații?

Direcție pentru întreaga organizație: Util, sigur, scalabil

Un chatbot răspunde, dar un agent AI lucrează într-un proces. Agenții pot funcționa corect doar acolo unde compania are o bază de cunoaștere despre cum lucrează și care sunt limitele acceptate, ceea ce reduce riscurile inerente. Pentru a folosi AI agentic la nivelul întregii organizații, inclusiv în interiorul ei, direcția pentru 2027 începe să se vadă din lansările recente Google Cloud, inclusiv la Google Cloud Next 26.

Sunt trei direcții complementare pentru crearea unui spațiu comun AI într-o companie:

1. Acces inteligent la date - BI generalizat

Integrarea AI în data warehouse ca BigQuery și în BI ca Data Studio sau Looker. Creează interfețe în care utilizatorul nu mai caută doar un dashboard, ci poate întreba datele direct, cu acuratețe crescută.

2. Model Armor - Filtrare LLM

Model Armor lansat în Google Cloud este un AI Firewall, un strat de protecție pentru aplicațiile AI, care inspectează prompturi, răspunsuri și interacțiuni agentice, atât la primire (prompt, atașamente) cât și la ieșire (output AI). Organizația poate alege sau crea reguli de securitate, confidențialitate, brand și conformitate peste LLM. Unele reguli sunt deterministe, de exemplu detecția patternurilor de carduri bancare.

3. Agentic Data Cloud cu Knowledge Catalog - Infrastructură de cunoaștere

Produsele Google Cloud includ Agentic Data Cloud cu Knowledge Catalog și se folosesc protocoalele A2A (Agent 2 Agent), MCP (Model Context Protocol). Datele, metadatele, procedurile de business și politicile sunt organizate într-un spațiu unic pentru agenți AI. Spațiu aflat sub controlul organizației.

I. Acces inteligent la date pentru raportare: Evoluția BigQuery / AI / Data Studio

Cea mai mare sursă de frustrare în management este distanța dintre datele deținute și luarea deciziei, când ai datele, dar pentru a le analiza ești obligat să treci prin traseul cerere către analist ➛ interogare SQL ➛ export ➛ dashboard ➛ interpretare ➛ revenire cu întrebări suplimentare.

Adopția AI în core business este înceată din același motiv: cum va ști un agent AI să țină cont de aspecte pe care managerul le cunoaște din experiență, de data points pe care trebuie să le culeagă fără o procedură clară?

Soluția pentru 2027

O arhitectură de date care combină:

• Depozitul central de date: BigQuery
• Modele de limbaj: Gemini
• Strat de vizualizare și guvernanță semantică: Data Studio / Looker.

Agentul de date transformă întrebarea într-o operațiune asupra datelor (SQL): generează interogarea ➛ o execută ➛ verifică rezultatul ➛ produce o explicație ➛ construiește o vizualizare.

Înainte, dashboard-ul era ca o vitrină. Vedeai ce fusese pregătit pentru tine și trebuia să ceri modificarea vitrinei. În modelul nou, dashboard-ul este un birou de analiză. Întrebi, primești răspuns, verifici sursa, continui conversația.

Pentru diminuarea halucinațiilor, Google Cloud propune funcționalitatea opțională de codare în fundal, agentul AI execută chiar cod pentru a obține interogările SQL și rapoartele grafice instant.

Dashboard-urile rămân foarte importante pentru monitorizare, management, întâlniri, alerte și raportări recurente. Dar lângă dashboard apare conversația cu datele.

• Combinația BigQuery, Data Studio și Gemini din Google Cloud este în acest moment cea mai adaptată și pentru volume de date relativ mici, orice manager poate lucra cu conversational AI la costuri controlabile. Iar produsul Data Studio are o variantă no-cost pentru analiză individuală (se recomandă Data Studio Pro de la $9 per user x project / lună).
• Produsul Looker (în loc de Data Studio) rămâne ideal pentru Business Intelligence guvernat la nivel enterprise, cu modele semantice și logică de business definită în detaliu, unde sursele de date trebuie declarate pentru performanță AI.

Ce ar vrea să știe managementul?

• Care sunt produsele unde competitorii au scăzut prețul în ultimele 30 de zile?
• Ce clienți B2B au comandat mai rar în trimestrul curent față de trimestrul anterior?
• Care sunt comenzile cu risc de întârziere?
• Ce campanii au generat lead-uri bune, nu doar lead-uri multe?
• Ce produse au marjă bună, dar conversie slabă?
• Care sunt top 20 tichete recurente și ce proces intern le generează?

Întrebările ideale pentru compania ta sunt esențiale pentru controlul accesului la date. Agentul AI trebuie să știe la ce tabele are acces, de unde provin ele (ERP / CRM / ecommerce etc), ce înseamnă indicatorii, ce date sunt sensibile și ce răspunsuri trebuie să refuze.

Unde este ideal accesul inteligent la datele companiei?

I. Analiză comercială și pricing

În zona de ecommerce și distribuție, agenții de date pot ajuta echipele să înțeleagă prețurile, stocurile, comportamentul competitorilor, profitabilitatea și sezonalitatea. „Unde avem pierdere de competitivitate, dar încă putem păstra marja?"

II. Suport pentru vânzări

Un agent conectat la CRM și istoricul comenzilor poate ajuta echipa de vânzări să pregătească întâlniri, să vadă istoricul clientului, să observe scăderi de activitate sau să propună următorul pas.

II. Control operațional pentru cash-flow și calitate

În companiile cu multe procese repetitive și rulaj rapid, agentul AI poate identifica excepții: stocuri stagnante, comenzi blocate, facturi neînchise, tichete nerezolvate, produse fără stoc, clienți fără follow-up, inclusiv din datele din CRM-uri ca HubSpot, în acest caz existând agenți specializați în CRM.

Exemplu din raportul Google: Suzano

Suzano este unul dintre cei mai mari producători de celuloză din lume. Compania a lucrat cu Google Cloud și Sauter pentru a dezvolta un agent AI bazat pe Gemini Pro care traduce întrebări în limbaj natural în cod SQL pentru a interoga date SAP Materials în BigQuery. Rezultatul raportat: reducere de 95% a timpului necesar pentru interogări pentru cei 50.000 de angajați care folosesc datele.

Acest exemplu este important pentru că arată foarte clar unde apare valoarea: nu în înlocuirea echipei de date, ci în eficientizarea accesului la date.

Pentru succes, nu uitați să indexați datele proprii (ERP, CRM, ecommerce) și să le corelați, să definiți întrebările la care managementul dorește răspuns și pe baza lor, la ce are acces AI.

Analizați în continuare celelalte două zone pentru succes în 2027: filtrarea LLM-urilor (Model Armor) și baza de cunoștințe AI a companiei (Knowledge Catalog). Filtrarea reduce riscul, iar catalogul de cunoștințe și guvernanța lui crește radical consistența acțiunilor agenților AI.

II. Filtrare pentru siguranță în aplicațiile AI: Model Armor

Dacă Agenții AI accesează datele și clienții companiei (pilonul 1), pilonul 2 se asigură că agenții AI nu expun compania la riscuri catastrofale, limitându-le acțiunile cu reguli și filtre explicite.

Soluția pentru 2027

Model Armor este un Enterprise Firewall (filtru de securitate și conformitate) dezvoltat de Google Cloud, interpus între utilizator (sau o altă aplicație) și modelul AI propriu-zis LLM. Este instanțierea tehnică a ceea ce în Ghidul 1 OPTI numim „Business Guardrails".

Ideea de bază este simplă:

• Înainte ca un prompt să ajungă la model
• Cu reguli predefinite din bibliotecă (cybersecurity, data loss prevention, verificări de vârstă) sau definite de administratorul companiei, se aplică politici de securitate și conformitate.
• După ce rulează modelul dar înainte ca răspunsul să ajungă la utilizator sau aplicație

Riscul LLM apare mereu în conversație. Un prompt aparent normal poate încerca să manipuleze modelul, un răspuns aparent util poate conține date sensibile, conținut la limita legii sau formulări care creează probleme comerciale.

Model Armor filtrează comunicațiile din jurul modelului LLM (ex: Gemini). În plus față de traficul efectiv, se uită la conținut, intenție, date sensibile, tehnici de hacking (prompt injection, jailbreak, malware, URL-uri periculoase) și conținut periculos pentru organizație.

Ce ar vrea să prevină echipa de securitate?

Câteva riscuri pentru care există filtre predefinite:

• Prompt injection: utilizatorul sau un document contaminat încearcă să modifice comportamentul LLM
• Jailbreaking: ocolirea regulilor de siguranță / guardrails LLM
• Obținere de date sensibile: modelul poate returna date personale, informații financiare, parole sau secretele companiei (data loss prevention)
• Conținut riscant: răspunsuri care afectează brandul, compania sau utilizatorii.
• Risc juridic: promisiuni comerciale neaprobate sau interpretări riscante.
• URL-uri sau fișiere malițioase produse de prompt sau răspunsuri;
• Folosirea agentului în afara scopurilor companiei: folosire tokenilor plătiți de companie pentru alt scop (ex: codarea unui site într-un chatbot de e-commerce)

Simplificat, Model Armor funcționează prin doi pași. Mai întâi, inspectarea promptului. Aici în funcție de politică, promptul este permis, blocat sau trimis mai departe cu transformări (sanitizare). Apoi, inspectarea răspunsului (inclusiv în funcție de context și istoric). Se aplică aceleași variante în funcție de politică.

Unde este ideală filtrarea interacțiunii cu LLM?

În practică, politicile pot fi diferite în funcție de agent AI, dar se recomandă controlul centralizat la nivelul echipei de securitate:

• un agent de HR are reguli pentru date personale
• un agent de suport clienți are reguli pentru promisiuni comerciale, ton și verificări de vârstă
• un agent de marketing are reguli de siguranța brandului
• un agent de raportare financiară are reguli pentru date sensibile și conformitate

1. Agenți pentru procese reglementate

În domeniul bancar, asigurări, software medical sau sector public și educație, agenții AI nu pot fi experimente informale. Aici Model Armor este mai mult decât un feature de securitate.

2. Sisteme de ofertare automată sau order-taking

Agenții AI pot crea și chiar propune oferte complexe, inclusiv Bill of Materials. Model Armor poate fi suplimentat de companie cu reguli deterministe din aplicație, de exemplu pentru a asigura că marja totală nu scade niciodată sub X% sau că oferta este rezonabilă față de alte oferte precedente (conform politicilor definite de companie).

3. Agenți de customer service

Când agentul AI vorbește cu clientul, poate oferi informații despre orice date are acces și poate fi păcălit (să ofere ce nu trebuie) sau exploatat (să facă sarcini fără legătură care consumă token-urile companiei).

Model Armor ajută prin biblioteca de reguli de securitate predefinite: ce nu are voie să spună agentul, ce date personale sau secrete ale companiei nu are voie să expună, ce ton/limbaj trebuie blocate și când se transferă conversația către o persoană.

Exemplu Google Cloud: Starling Bank

Din studiul de caz disponibil (link ➛), banca Starling din Marea Britanie a migrat procesarea de date către BigQuery și a adoptat Vertex AI (redenumit astăzi de Google în Gemini Enterprise Agent Platform). A construit apoi un instrument numit Scam Intelligence, prin care clienții pot trimite imaginea unui anunț de marketplace, iar sistemul caută semnale de fraudă: preț prea mic, presiune din partea vânzătorului, alte indicii de păcălire.

Rezultatele raportate includ o creștere de 300% a ratei la care clienții anulează plăți marketplace suspecte, reducere cu 50% a apelurilor către customer service și 8.000 de ore economisite lunar.

III. Agentic Data Cloud și Knowledge Catalog: de la agenți izolați la departament AI

Al treilea pilon definește cel mai bine orizontul 2027, conform trendurilor de la Google Next. Trecerea de la „Asistenți AI care accesează și recomandă pentru companie" la „Agenți AI care execută și negociază între ei pentru beneficiul și sub controlul companiei". Provocarea este organizațională: într-o companie, datele sunt adesea separate pe departamente:

• CRM-ul spune o informație
• ERP-ul spune alte informații
• Platforma e-commerce are alte coduri de produs
• Echipa de marketing și departamentul financiar folosesc alți indicatori

Cel mai important, când oamenii lucrează împreună de mult timp, compensează aceste diferențe: întreabă pe cineva, verifică un Excel, știu că o coloană nu se mai folosește, știu că un raport are excepții. Knowledge Catalog (catalogul de cunoaștere) în Google Cloud este încercarea de a defini acest spațiu comun de traducere inclusiv pentru agenți AI, pentru crearea unui departament AI real în core business.

Soluția pentru 2027

Google a introdus Knowledge Catalog în Dataplex. Acesta este un catalog cu integrare adâncă AI pentru context corect și guvernanță la nivelul datelor companiei din cloud, care acționează ca o sursă unică de adevăr. Peste acesta, operează protocoale deschise precum A2A (Agent2Agent) și MCP (Model Context Protocol), care permit agenților AI din companii diferite sau din interiorul companiei să comunice autonom.

Agentic Data Cloud cu Knowledge Catalog include:

• Pregătirea datelor unei organizații pentru o lume în care nu doar oamenii le citesc, ci și agenții AI le folosesc pentru a lucra.
• Crearea contextului organizațional corect, pentru toate scopurile și departamentele în care lucrează agenții AI. Agregă metadate, definiții, relații, reguli de guvernanță și prompturi pentru AI.
• Va răspunde la întrebări ca: ce înseamnă datele, ce definiții sunt oficiale, ce relații există între entități, ce surse sunt mai de încredere, ce politici se aplică, ce exemple de interogări sunt validate, cine este owner-ul unor date.

Ce e revoluționar în modul de funcționare?

• Îmbogățire semantică continuă (en. Continuous Semantic Enrichment). Nu folosește doar etichete manuale, ci Gemini extrage semantică și proceduri din loguri, scheme și documente nestructurate.
• Acces sigur agentic (en. Secure, Agentic Access). Prin politici similare cu Model Armor, aplică dinamic și continuu separațiile de securitate. Fiecare agent AI poate avea definite reguli de acces și editare date și procese, reguli controlate centralizat și aplicate continuu în cadrul execuției care este autonomă. Agenții pot rula zile în șir și verificările trebuie să se facă continuu.
• Copie separată de procesele existente (en. Zero-Copy Federation): Knowledge Catalog funcționează în paralel cu sistemele clasice centrale (ex: ERP, CRM, ecommerce), integrările fiind controlate și, ideal, deterministe (agentul nu lucrează direct în SAP).

Dacă agenții AI primesc acces la toate sursele de date fără catalog, vor produce răspunsuri aparent coerente, dar inconsistente pe termen lung și mediu, pentru că nu înțeleg ce contează și ce nu. Knowledge Catalog reduce ambiguitatea, creează relații între date, ajută la descoperirea surselor și oferă agenților dicționarul comun al companiei.

Ce vrea să știe managementul despre cum lucrează agenții AI?

De exemplu, compania vrea să transforme procesele manuale de achiziție, verificare stocuri și reconciliere facturi într-o interacțiune agent-agent ultra-rapidă, dar care trebuie să fie complet auditabilă. Două protocoale se vor folosi, populare acum în Google Cloud: A2A și MCP.

1. A2A (Agent2Agent)

Este protocolul prin care agenți construiți în platforme diferite pot comunica și colabora. Nicio companie mare nu are toți agenții de la un singur vendor pentru toate funcțiile. Există agenți construiți intern, agenți furnizați de parteneri, agenți din aplicații enterprise, agenți specializați pe industrii etc.

2. MCP (Model Context Protocol)

Este standardul prin care agenții AI pot accesa instrumentele companiei (chiar de execuție) și surse de date într-un mod structurat. Dacă A2A este limbajul dintre agenți, MCP este puntea prin care agenții AI ajung la date și instrumente.

Viitorul AI în organizații nu va fi un singur chatbot mare, ci o rețea de agenți specializați, cu reguli de comunicare, acces, audit și guvernanță.

Unde este ideală colaborarea agenților AI într-un spațiu comun?

1. Knowledge management și procese operaționale multi-departament

Companiile mari au mii de documente: proceduri, politici, contracte, manuale, prezentări, specificații tehnice, rapoarte, documentație de produs. O comandă B2B atinge zonele de CRM, ofertare, ERP, stoc, livrare, facturare și suport.

Un agent care trebuie să răspundă la întrebarea „de ce întârzie comanda acestui client?" trebuie să înțeleagă relațiile între sisteme, posibil cu reducerea halucinațiilor prin Knowledge Catalog.

2. Compliance și audit

În industrii reglementate ca medical / farma, agenții pot ajuta la monitorizarea modificărilor legislative, identificarea procedurilor afectate și propunerea de modificări. Trasabilitatea este esențială, de unde importanța protocoalelor și a logurilor de interacțiune auditabile ca să știi fiecare pas executat.

3. Producție și operațiuni

În producție și distribuție, politicile și procedurile diferă de la site la site. Documentele pot fi numeroase, neuniforme și greu de comparat. Un agent AI poate extrage insight-uri, compara proceduri, identifica inconsecvențe și reduce riscul de informații divergente.

4. Ecosisteme cu parteneri

Agenții AI nu vor lucra doar în interiorul companiei. Vor exista scenarii în care un agent din companie colaborează cu un agent al unui furnizor, al unui partener logistic, al unui CRM sau al unei platforme de suport. Aici interoperabilitatea va fi esențială.

Google Next a anunțat și parteneriatul dintre Salesforce și Google Cloud: agenții CRM-ului (Salesforce) comunică nativ cu agenții de date (Google Cloud) via protocolul A2A. AI va putea negocia între comercianți și prin alte protocoale, nu doar în interiorul unei organizații.

Exemplu Google Cloud: Elanco

Conform studiului de caz Google Cloud citat în raport, Elanco (lider în sănătatea animalelor) folosește agenți Gemini pentru a restructura și reconcilia automat peste 2.500 de documente de proceduri operaționale pe fabrică.

Orchestrarea agentică reduce riscul erorilor de conformitate, economisind până la 1.3 milioane de dolari.

AI-ul util nu este cel mai spectaculos, ci cel mai bine conectat

În 2027, diferența dintre AI demonstrativ și AI de business va fi dată de trei lucruri simple: acces la date, reguli de control și context organizațional.

• Un agent fără date este doar un chatbot generic
• Orice agent care face acțiuni fără reguli este un risc
• Un agent fără catalog comun este o insulă izolată de companie

Google Cloud încearcă să rezolve exact aceste trei probleme prin BigQuery/Data Studio/Looker și data agents, prin Model Armor și prin Agentic Data Cloud cu Knowledge Catalog.

Ce poți face acum?

Răspunde la 3 întrebări:

• Ce date vrem să facem accesibile prin AI?
• Ce reguli trebuie să respecte AI-ul?
• Ce beneficii minime urmărim pentru ca integrarea AI să fie un succes?

📖 Citește ghidul nostru complet pentru AI în vânzări: Descarcă gratuit seria „AI în B2B 2026 - Guide #1: AI Recommendations, Upsell, and Rules" pentru a vedea exemple de cod și arhitecturi hibride pe care le implementăm astăzi.

⚙️ Verifică-ți nivelul de pregătire: Programează un audit gratuit cu experții OPTI Software pentru a evalua dacă infrastructura ta actuală (ERP, baze de date) este pregătită pentru era Agentic Enterprise.