Data pipelines are the backbone of the modern enterprise, yet a barrier to entry exists for orchestrating them, making this critical capability unavailable to many data professionals. Following our announcements at Google Cloud NEXT ’26, where we introduced the Orchestration Pipelines framework, we are fundamentally changing this dynamic.

To bring this powerful framework directly to practitioners, we offer the Data Agent Kit — a unified, freely available, and open-source collection of data engineering and data science tools that integrate directly into your preferred IDE or CLI (such as VS Code, Claude Code, or Codex).

The Data Agent Kit seamlessly embeds the Orchestration Pipelines framework into your workflow in two distinct ways. First, it provides a dedicated Data Engineering tab for comprehensive pipeline management. Second, it includes a specialized agentic skill designed to author, deploy, and troubleshoot production-grade Apache Airflow® DAGs using natural language.

By pairing these specialized agent skills with a declarative YAML DSL, all data personas — from analysts to ML engineers — can bypass complex Python Airflow boilerplate. This framework decouples high-level orchestration logic from underlying compute execution, democratizing access to powerful MLOps capabilities across your entire data organization.

In this post, we will walk through an exemplary MLOps use case to demonstrate how easily this can be achieved.

Setting up your environment

Before authoring your first Orchestration Pipeline, you need to set up your local development environment. Getting started takes less than two minutes.

1. Install and configure the extension

To install the extension in your preferred IDE or CLI — such as VS Code, VS Code forks, Antigravity, Claude Code, Antigravity CLI, or Codex — and authenticate it with your Google Cloud account, follow the step-by-step setup guide in the official documentation: Google Cloud Data Agent Kit installation guide

2. Verify orchestration pipeline skills

Once installed, verify that the required agent skills are active:

1. Open the ‘Google Cloud Data Agent Kit’ panel on the VS Code activity bar.

2. Navigate to ‘Settings’ then ‘Skills’.

3. Ensure the ‘gcp-pipelines-orchestration’ skill is enabled.

This skill provides the agent with deep contextual knowledge of pipeline syntax, variable substitution, secret management, and automated incident diagnosis for Airflow runs.

3. Building your first pipeline

To start authoring, building, and validating orchestration pipelines directly inside the any VS Code compatible IDE using natural language prompts, follow the official building guide: Build pipelines guide

An example business problem: Proactive supply chain management

Let’s walk through an example business problem. In the logistics and retail sector, customer satisfaction hinges on accurate delivery estimates. When an order is delayed without warning, customer churn can spike and support costs can escalate.

To address this, we are building an end-to-end MLOps architecture that predicts the exact transit time (in days) based on warehouse location, customer location, and order characteristics. By predicting these delays before shipping, operations teams can proactively notify customers or automatically upgrade shipping tiers before Service Level Agreements (SLAs) are breached.

To make this architecture fully reproducible, we use the bigquery-public-data.thelook_ecommerce public dataset in BigQuery. For demo purposes, we split this static dataset into training and inference sets. In a real-life scenario, inference would be performed on new, incoming data. This dataset provides authentic operational complexity:

• Geographical data: Latitude and longitude for both customer addresses (users) and distribution centers (distribution_centers).

• Temporal data: Granular order lifecycle timestamps (created_at, shipped_at, delivered_at).

• Order attributes: Product categories, pricing, and fulfillment status (orders, order_items).

By combining this dataset with BigQuery, Managed Service for Apache Spark serverless, Gemini Enterprise Agent Platform, and dbt, we will demonstrate how to build an automated, self-healing MLOps loop that handles training, daily batch inference, and model drift evaluation.

The agentic workflow: From prompt to pipeline in minutes

With the extension configured, we can bypass boilerplate Python for DAG authoring entirely. Inside VS Code, we opened the Data Agent Kit chat and provided a single natural language prompt to define our continuous MLOps feedback loop:

Note: The detailed prompt was crafted with repeatability in mind specifically for this blog post. In real-life scenarios, you can achieve the same result in a more conversational way, pipeline by pipeline. The complete prompt and all generated files are available in the Orchestration-pipelines GitHub repository. 

Note: While frontier models equipped with the Orchestration Pipelines skill can often scaffold complete workflows in a single step, LLM responses naturally vary based on model versions, workspace context, and token depth. If a specific parameter, dataset path, or dependency is omitted in the initial pass, simply provide a short follow-up prompt.

Within minutes, the Data Agent Kit generated the underlying PySpark scripts, dbt configurations, and the three declarative YAML pipelines.

Please find below the generated YAML pipelines and a visual diagram of them. This pipeline is a simplified example designed to showcase Orchestration Pipelines capabilities. In practice, recommended production MLOps setups will vary depending on your specific use cases and operational needs.

Pipeline 1: The training engine
This pipeline serves as our heavy-compute engine. The agent generated a YAML definition that first queries BigQuery to extract historical completed orders. It then dynamically provisions a Managed Spark serverless cluster to calculate geographical distances and train a model for production use. Finally, it pushes the trained model to Gemini Enterprise Agent Platform Model Registry.

Pipeline 2: Daily inference
For our daily operational workflow, this lightweight pipeline applies the trained model to all currently in-transit orders. It queries the dataset via BigQuery job, executes inference job via Gemini Enterprise Agent Platform, and writes the results back to a BigQuery table to flag potential SLA breaches for the customer support team.

Pipeline 3: Automated evaluation and branching
The daily evaluation pipeline acts as our automated quality gate. It triggers dbt models to join our predictions with actual delivery timestamps, calculating absolute errors and SLA breaches.

Using built-in logic, the pipeline automatically evaluates these metrics. If the model’s error rate exceeds our acceptable threshold, it conditionally triggers the ‘training-pipeline’ to generate a fresh model.

Automated deployment to Managed Service for Apache Airflow

Authoring pipeline logic is only half the battle; deploying it securely and reliably to production is where data teams historically lose valuable time.

With Orchestration Pipelines, deployment is streamlined through standard CI/CD practices. Rather than manually writing deployment scripts or configuring complex environment boundaries, the Data Agent Kit automatically generates the necessary continuous integration workflows (such as GitHub Actions) for your workspace.

This means you can simply click commit, and the framework will seamlessly package and deploy your Orchestration Pipeline bundle directly to your Managed Airflow environment.

For a comprehensive guide on integrating these automated workflows into your existing CI/CD pipelines, review the official guide: Deploying Orchestration Pipelines.

Day-two operations: Monitoring and agentic troubleshooting

Maintaining these pipelines is just as intuitive as building them. By bringing the orchestration control plane directly into your IDE, the Data Agent Kit provides real-time monitoring of your Managed Airflow runs without requiring you to constantly context-switch between browser tabs.

Inevitably, infrastructure or data issues occur—perhaps a Managed Spark cluster hits an out-of-memory exception due to a seasonal data spike, or a BigQuery quota is reached. Resolving these issues no longer requires digging through thousands of lines of raw execution logs.

If a pipeline fails, the Data Agent Kit provides out-of-the-box agentic troubleshooting. With the click of a "Troubleshoot" button in your IDE, the Data Engineering Agent analyzes the failure context. It can accurately distinguish between infrastructure quota limits and code-level bugs, instantly providing a root-cause summary and suggesting an inline fix (such as scaling up the compute template).

Summary: Accelerating time to value

Building a resilient MLOps architecture — extracting historical data, executing dbt transformations, provisioning Managed Spark ML compute, integrating Gemini Enterprise Agent Platform for model registry and inference, and configuring cross-DAG conditional triggers — traditionally takes platform engineering teams weeks of writing complex Python Operator logic.

With Orchestration Pipelines and the Data Agent Kit, this entire lifecycle was authored, deployed, and easily maintained in a matter of minutes. By replacing boilerplate infrastructure code with a declarative, agent-ready standard, we are ensuring your data organization spends less time orchestrating pipelines and more time delivering tangible business value.

Get Started Today:

• Review the Orchestration Pipelines documentation.

• Install the Data Agent Kit in your preferred IDE or CLI and configure your workspace.

• Learn more about the broader ecosystem in our recent blog post: Data Agent Kit brings data skills and tools to your IDE or CLI.

• Explore reference architectures in the Data Agent Kit documentation.

Welcome back to What’s new in AI infrastructure and orchestration this month, a collection of product updates, how-tos, customer stories, research and other resources about all the AI compute, networks, storage, frameworks, and orchestration software that you can find at Google Cloud. To be honest, we thought August would be a slow month, but nothing could be further from the truth. Read on and you’ll see what we mean.

August 2026

Product, technology, and tools updates

• Product update: Filestore, Google Cloud’s first-party, secure, scalable NFS file service, has emerged as a popular storage platform for AI and agentic workflows, and now, it’s even better suited to the task, with a new backend storage layer built directly on Colossus, Google’s foundational distributed storage system. This new backend lets you provision IOPS independently from storage capacity, and is deeply integrated with GKE. In AI environments, this can help you service so-called agentic swarms — large groups of agents that need to read and write to a common dataset — without a drop off in performance. For more, check out the blog post. 

• New feature: gVisor sandboxes are now available in distributed Ray clusters on GKE. In partnership with Anyscale, we introduced an experimental library for Ray that brings gVisor, Google’s open-source application kernel, directly into distributed Ray clusters. gVisor provides lightweight environments with stronger isolation than ordinary containers, plus fast startup times and low memory overhead. To try out these sandboxing capabilities on GKE, head over to the Ray sandboxing User Guide.

• Product update: Looking for high-performance, easy-to-use infrastructure on which to run a personal AI agent, but don’t want to spend a lot of money? New Cloud Run instances are dedicated, singleton compute runtimes on Cloud Run that won’t shut down when the agent is idle. Better yet, the cost to run a Cloud Run instance with 1 vCPU and 1 GiB of memory continuously for 30 days is just $5.70.  

Practitioner guides, documentation and how-tos

• How-to guide: Big news in Model Context Protocol (MCP) land: As of the 2026-07-28 specification, the protocol core is “completely stateless. The handshake is gone. The initialize / initialized handshake (SEP-2575) and the logical Mcp-Session-Id header (SEP-2567) have been removed entirely. Instead, every request is now self-describing and independent.” Whoa. Learn more about the changes that the latest MCP specification brings, and more importantly, how to implement them, in this Google Developers blog.  
• Guide: Real-time AI systems make a mess of traditional network load balancing techniques. “Instead of handling isolated requests, the backend has to manage a continuous, live bidirectional stream. You’re dealing with a constant stream of audio chunks, transcripts, model outputs, and synthesized speech flowing back and forth simultaneously.” Things only get worse when the user gets involved. “The server has to immediately halt its current speech generation, pivot to update the context, maybe trigger a new tool, and start drafting a different response; this must be done without dropping the connection.” For a new approach to managing load in the AI era, read Scaling real-time AI agents with session-aware load balancing.
• How-to: Learn how to build an elastic, scalable LLM inference platform on GKE, even with a mix of different GPU accelerators. The proposed architecture combines Capacity Advisor and Compute Advisor, plus high-performance storage like RunAI:model streamer or GCPFuse with parallel downloads. Get all the details here.
• Documentation: The thing about hosts with GPUs or TPUs is that you can’t use live migration to update them, setting up a maintenance challenge. In this new docs page, learn how to update accelerator-equipped hosts according to your tolerance for downtime for your training and inference workloads.    
• Documentation: Advanced Compute Images, or ACIs, are standardized image stacks for AI/ML and HPC infrastructure, so you don’t need to manually build your own custom images. In this new docs page, learn how to create an ACI image using the Google Cloud CLI, console, or SchedMD's Slurm workload manager. 
• Guide: AI workloads are notoriously difficult to architect, resource-intensive, and bursty, which can also lead to scaling bottlenecks and large pools of underutilized — or misutilized — compute resources. A new blog outlines the three main ways to achieve dynamic capacity management in Google Cloud: 1) scheduling capacity for planned downtime; 2) maintaining automated fallback capacity for unplanned downtime; and 3) relying on GKE’s core orchestration capabilities to automate resource allocation. 

Customer and partner updates

• Business orchestration software provider UiPath was dealing with spiky workloads, and wanted more predictable costs. To get there, it re-architected its infrastructure, moving from isolated clusters to a shared Google Cloud GPU fleet that included both A3 VM instances (NVIDIA H100 GPUs) for training with G4 VM instances (NVIDIA RTX PRO 6000 Blackwell Server Edition GPUs) for inference. You can read more about their architecture here. 

• Mirendil, an frontier AI lab focused on accelerating AI development, announced that it is using AI Hypercomputer with both TPUs and NVIDIA GPUs to support its model pre-training and post-training applications. 

• Replenit, a retail CRM provider, built its AI decision engine in Google Cloud, using BigQuery, Gemini Enterprise Agent Platform, and open-source Gemma models that it runs on Cloud TPUs. This latter combination provided Replenit with 90% lower pipeline costs than their previous cloud provider, the company reports. Read the full case study for more. 

• Malachyte architected its AI-powered e-commerce recommendation platform on top of Bigtable, Managed Service for Apache Kafka, Pub/Sub, Compute Engine, and last but not least, GKE. See how it all comes together in this blog.

July 2026

Product, technology, and tools updates

• Product update: Google Cloud Managed Lustre is now GA, and available in four distinct performance tiers that deliver throughput ranging from 125 MB/s, 250 MB/s, 500 MB/s, to 1000 MB/s per TiB of capacity — with the ability to scale up to 8 PB of storage capacity. The Managed Lustre solution is powered by DDN’s EXAScaler, combining DDN's decades of leadership in high-performance storage with Google Cloud's expertise in cloud infrastructure.

• Product update: C4N network and storage optimized VMs are now GA. C4N is our first network- and block-storage-optimized VM series built to eliminate data-transfer bottlenecks. Powered by 5th Gen Intel Xeon Scalable processors and built on Google's Titanium offloading hardware, it achieves 400 Gbps network bandwidth, 95 million packets per second (MPPS), and up to 25 GiB/s of block storage throughput when paired with Hyperdisk Extreme.

• New feature: GKE Dataplane V2 up to 15K Nodes with Network Policies (GA). This capability enables standard GKE clusters to scale up to 15,000 nodes while maintaining full active Network Policy enforcement, supporting the massive infrastructure needs of large enterprise and AI/ML customers.

• New feature: Co-operative time-slicing in llm-d. If you’re running reinforcement learning (RL) workloads, you can now interleave independent RL jobs onto shared physical hardware, increasing aggregate accelerator duty cycles from a ~40% baseline up to 70% without impacting model convergence or accuracy. 

• New AI security tool: Looking to secure your AI supply chain on GKE, deploy AI workloads safely, and cut down on shadow AI? We open-sourced k8s-aibom, a lightweight, unprivileged Kubernetes controller that continuously monitors container clusters to automatically detect running AI runtimes (like vLLM and Triton) and generate standard CycloneDX Machine Learning Bill of Materials (ML-BOMs). Check out the k8s-aibom project and get involved.

Practitioner guides and how-tos

• How-to guide: On July 27, Google announced Day 0 support for Moonshot AI’s Kimi K3 2.8-trillion-parameter open-weight model, the day weights were released. Whichever your preferred deployment path — via Model Garden, custom orchestration, or GKE with llm-d recipes — this guide offers detailed step-by-step instructions to help you evaluate and pilot Kimi K3 in Google Cloud. 

• How-to guide: Google Kubernetes Engine (GKE) managed DRANET supports both GPUs and TPUs. There are several configurations to use this implementation, including standard cluster (where you have full control) and autopilot cluster (where Google does the heavy configs for you). Take a deeper dive in the hands-on lab, GKE Autopilot clusters with TPUs, GKE managed DRANET and Gemma 4.

• How-to guide: Learn to run Ray on TPUs, not GPUs. In Part 1 of this two-part series, we discuss TPU slices (hint: Ray thinks of them as just another accelerator on which to schedule), then walk through Ray’s various AI libraries (Part 2).

• How-to guide: Evaluate TPUs for sample workloads using a new microbenchmark suite that helps you accurately assess whether a device is achieving its theoretical performance specifications, and to identify specific performance gaps or architecture-specific bottlenecks. Dive in here. 

• How-to guide: Scale your agents without killing your budget. Learn how GKE orchestration can help you safely pack more agents onto a fixed compute footprint with GKE Agent Sandbox and Pod snapshots. Whether your goal is performance or cost optimization, we teach you how to turn the right dials for optimal agent efficiency. 

• Technical blueprint: Inside the optimization of Mistral 3 large inference on Ironwood. This blog outlines how one Google team optimized Mistral 3 large MoE model inference on Google’s Ironwood (TPU v7x), achieving a 1.5x performance gain. They did so with hybrid sharding, replacing linear VPU summations with tree reductions, optimizing GMM/MLA kernels, and adopting asynchronous scheduling. As a result, they boosted throughput by up to 48% while maintaining benchmark accuracy neutrality. Read the full blog here.

Research, reports and deep-dives

• Report: Google was named a Leader in the inaugural GartnerⓇ Magic Quadrant™ for AI Infrastructure, positioned highest for ‘Ability to Execute’ and furthest for ‘Completeness of Vision’. Gartner called out Google’s proprietary scalable compute, integrated AI Hypercomputer architecture, and the scale of our AI compute capacity as key strengths. Download a copy here.

• Report: We recently surveyed more than 1,400 senior IT leaders for our State of AI Infrastructure report, and a resounding pattern emerged: The gap between AI ambition and infrastructure reality is widening. In fact, 83% of organizations say they require infrastructure upgrades to support production-grade agentic AI. Read the accompanying blog to understand how adapting your infrastructure to meet the demands that agentic applications place on your systems will help you move from pilot to production.

June 2026

Product, technology and tool updates

• Product update: Protecting sensitive data used with AI is a critical part of advanced and secure cloud infrastructure. Confidential Computing cryptographically protects data in use in hardware-based Trusted Execution Environments (TEEs) with verifiable data integrity, and is now available on the accelerator-optimized G4 machine series, featuring NVIDIA RTX PRO 6000 Blackwell Server Edition GPUs. Get started with Confidential G4 VMs and Confidential G4 GKE Nodes.

• Developer resource: The new TPU Developer Hub is the place to go for model builders, optimizers, and developers to learn to unlock the full performance of Google Cloud TPUs. Read more in this blog. 

• New product: Scale your AI workloads with the new OpenTelemetry-Based TPU AI Telemetry Collector Agent. For the first time, you can route high-fidelity TPU hardware telemetry to Google Cloud Monitoring, Google Managed Prometheus, or your own self-hosted Grafana stack.

Practitioner guides and how-tos

• How-to guide: Learn how to build high availability into an AI inference workload running on GKE Inference Gateway with TPUs, Cloud Storage FUSE and Dynamic Resource Allocation (DRA). This blog provides an overview, or you can get all the technical details in the hands-on codelab.

• How-to guide: Did you know you can connect your AI agents to unstructured data in Cloud Storage via Model Context Protocol (MCP)? In this blog, learn about why would want to do that from three customer examples, then how to do it, choosing either a fully managed service, or a self-managed local server for more customization and control. 

Research, reports and deep-dives

• Report: According to an independent benchmark report, GKE Inference Gateway outperforms the next leading managed Kubernetes service with 15.7% higher throughput, 92.8% shorter wait times, and 62.6% lower inter-token latency. This performance can be attributed to its use of prefix caching, which optimizes LLM performance by storing the KV cache (activation states) of long, repetitive prompt prefixes. Learn more in the blog. 

• Architecture deep dive: A closer look at the cold start problem, this time for TPUs and GKE, and how the Run:ai Model Streamer can help change the dynamic. 

Customer and partner updates

• Customer win: Leveraging GKE, BigQuery, Cloud SQL, and Gemini Enterprise Agent Platform, Pager Health is eliminating operational fragmentation to deliver a simplified, personalized U.S. healthcare experience that transforms lives.

• Customer win: Trustpilot, the customer review platform, built a high-volume streaming pipeline using fine-tuned Gemma models with Dataflow and Gemini Enterprise Agent Platform running on cost-optimized A2 VMs using A100 GPUs, as well as optimized version of vLLM maintained by Gemini Enterprise Agent Platform.

May 2026

Product, technology and tool updates

• Product update: GKE Agent Sandbox is now generally available.

• New open-source project: Agent Substrate is a new open-source project aimed at continuing to push the limits of agentic infrastructure density

• New feature: Google AI Edge Portal, a solution for testing and benchmarking on-device machine learning (ML) at scale, now supports benchmarking and debugging on-device LLMs. Read more here. 

• Product deep dive: We went into depth about Cloud Storage Rapid, a new family of high-performance storage offerings for AI workloads. At launch, offerings include Rapid Bucket (formerly Rapid Storage), a high-performance zonal object storage offering, and Rapid Cache (formerly Anywhere Cache), which accelerates reads on-demand and colocates compute and data for workloads in existing buckets. 

Research, reports and deep dives

• Architecture deep dive: Google Global Infrastructure VP Bikash Koley and Engineering Fellow Arjun Singh provide a high-level overview of the challenges that AI workloads pose to network infrastructure, and discuss the deep enhancements we’ve made to our data center fabrics, WAN, and global networks to better support them. 

• Architecture deep dive: We unveiled a new cluster-level reliability model for developing frontier AI models on TPUs, ditching instance-level reliability 

Customer and partner updates

• Customer win: Visual media provider Imgix serves more than 8 billion images and videos from AI Hypercomputer equipped with G4 VMs powered by NVIDIA RTX PRO 6000 Blackwell GPUs.

Many of the questions that matter in enterprise data aren't just about individual rows — they're about how things connect: how two accounts are linked, what path a payment took, what context grounds an AI agent's answer. That’s what a graph is built to solve. Historically, unlocking these insights meant extracting data into standalone graph databases, creating silos and operational overhead. To remove these barriers, we brought native graph capabilities directly to the data warehouse. Today, we are announcing the general availability of BigQuery Graph.

We introduced BigQuery Graph in preview to unify graph and relational analytics. ISO-standard Graph Query Language (GQL) sits alongside SQL, traversals run natively, and there’s no ETL. And because it’s built on BigQuery, BigQuery Graph inherits and expands its capabilities: It reaches petabyte-scale without the memory bottlenecks of a scale-up database, runs under your existing row- and column-level security, and calls BigQuery ML and AI functions in the same query. One engine, two jobs — large-scale graph analytics, and connected context for AI agents.

"BigQuery Graph has been a game-changer for our threat detection pipeline, allowing us to move beyond simple, siloed alerts. By modeling our security signal data as a property graph, we can now perform complex, multi-hop traversals in seconds - something that was previously computationally prohibitive. This graph-centric approach automatically clusters anomalies into coherent attack stories, which, combined with the seamless integration of Gemini models, helps us generate actionable threat narratives. We look forward to integrating native BigQuery Graph algorithms to further streamline our workflows." - Pete Rubio, VP of Global engineering at Thales Cybersecurity Products

Since preview, we saw data teams across industries adopt BigQuery Graph for both analytical and agentic workflows:

• Threat and fraud detection:  Security and financial organizations correlate signals across event logs to uncover multi-hop attack paths, fraud networks, and suspicious transaction loops.

• Supply chain digital twins: Manufacturing and logistics organizations map dependencies across suppliers, parts, and distribution routes to simulate disruptions and optimize fulfillment.

• Identity resolution and Customer 360: Ad-tech and retail platforms stitch fragmented user identifiers and behavioral touchpoints into unified customer profiles across channels.

• Knowledge graphs and AI agent grounding: Enterprise AI teams build structured knowledge graphs from unstructured documents, providing domain context to ground Gemini models and GraphRAG workflows. 

• Network lineage and infrastructure management: Telecommunications and enterprise IT teams track complex network topologies, service dependencies, and data lineage across multi-hop paths.

What’s new in BigQuery Graph

Reaching GA is more than a stability milestone. The work fell into two movements: we made the graph engine itself faster and broader, and we built an agentic ecosystem around it — so agents can build a graph, chat with it, and keep an auditable memory on it. Some of what follows is generally available today; some is in preview or rolling out over the coming weeks.

A faster, broader graph engine

“Advertising has spent decades optimizing individual events; the agentic era will optimize the relationships between them. At Yahoo, BigQuery Graph gives our AI agents connected context - campaigns, audiences, exposures, and outcomes, traversable with standard GQL right where our monetization data already lives, with no separate graph engine and no data movement. Our agents don't just read the graph; they reason over it and write their conclusions back as new relationships. That's how monetization moves beyond automation, to autonomous systems we can trust to act.” - Mikul Bhatt, Director of Engineering, Monetization Platform at Yahoo

Borderless graph Lakehouse

Agents are only as good as the context they can reason over, and that context is rarely in one place. With borderless Lakehouse, a single BigQuery Graph can span native BigQuery tables and open Iceberg tables in other clouds — through Databricks Unity Catalog, AWS Glue, or Snowflake — traversed in place, without copying data or building ETL pipelines.

Say a support agent needs to answer, "who supplies the product behind this customer's delayed order, and where are they based?" The customer data sits in an Iceberg lakehouse on Google Cloud, the product and supplier records in a Databricks catalog on AWS. Instead of stitching the sources together per request, the agent traverses one virtual knowledge graph that already connects them — over data that never moved.

The following DDL statement shows how you can define this virtual graph, mapping your node and edge tables directly across both cloud environments:

With that, the agent gets a grounded, multi-hop answer assembled across two clouds in a single traversal:

Faster and more expressive GQL

BigQuery Graph is built for questions about connection: how two accounts are linked, what path a payment took, which entities sit within a few hops of a flagged one. These are the questions SQL joins struggle to express, and they're where a graph engine earns its place. At GA, we've made them both faster to run and easier to write:

• Faster execution. GA optimizes path-finding for acyclic and undirected traversals: against public benchmarks, GQL is 2x faster since preview and undirected traversal 100x, with faster, more resource-efficient cycle detection in ACYCLIC and TRAIL path modes. Lower query latency keeps the neighborhood and path lookups that ground an agent's answer responsive under frequent, interactive access.

• More expressive queries. With the new CALL statement and extended subquery support, you can run a graph subquery for each entity in a result, or invoke a reusable named function, so a complex question breaks into parts instead of one sprawling pattern. The same functions an analyst writes become the building blocks an agent calls as a tool.

Built for the agentic era

“Companies have plenty of workforce data, but very little shared understanding of what their people can do or where they fit. BigQuery Graph lets us turn that scattered information into a reusable property graph and traverse connections across people, roles, capabilities, and evidence at scale, so the same connected workforce context can support thousands of decisions instead of being recreated one decision at a time. That gives AI a stronger foundation for much harder questions about how work should get done.”  - Heiko Roth, Founder & CEO, Workerbee

Chat with your graphs

You don't have to write GQL to explore a graph. BigQuery conversational analytics lets you chat with your graph directly in natural language: it reads the relationships in your schema to translate a question into SQL or GQL, and visualizes the traversal for path-based answers. The agent draws on graph metadata like descriptions and synonyms to keep results grounded — the relationships that make a graph a graph are exactly what cut the ambiguity and hallucination that plague free-form natural language querying. You can also connect Gemini Enterprise to BigQuery Graph through an MCP server, or publish the conversational data agent to it directly.

Build a graph with an agent

Standing up a graph — modeling tables into nodes and edges, then writing GQL against them — is work you can hand to the data agent you already use. We've packaged BigQuery Graph expertise into an agent skill that makes your agent fluent in graph: GQL pattern matching, blending graph and SQL, and schema design that follows our recommended practices. The capabilities are accessible out of the box in your preferred agentic coding tool, such as Antigravity, Visual Studio Code, Claude Code, and Codex, with the Google Cloud Data Agaent Kit extension.

The skill is also learning to author, not just advise — a capability rolling out soon. Point it at a dataset, a model document, or an ER diagram and it proposes the nodes and edges, then verifies each relationship against your data before building, showing you the match rates: this one resolves at, say, 98%, that one 56%. You get a graph you can trust from day one.

Give your agents an auditable memory

Grounding an agent is half the job; the other half is remembering what it did. As agents move from advising to acting, every decision has to be explainable after the fact — which option was chosen, which policy applied, which alternatives were rejected. With context graph in BigQuery Agent Analytics, each action an agent takes is captured and shaped into a context graph: a typed, queryable trace of the agent's reasoning, stored right in BigQuery Graph. Because the trace is itself a graph, "why did the agent do this?" is a single traversal — and the outcomes you join back to those decisions become the data that improves the next one.

Get started with BigQuery Graph today

BigQuery Graph runs graph analytics and grounds AI agents on your data, across clouds. To get started, check out the overview and data model to see how GQL, node tables, and edge tables fit together, then put them to work on your team’s common patterns. Trace suspicious money movement and synthetic identities in the fraud detection codelab, stitch fragmented emails, devices, and cookies into one customer in the identity resolution codelab, or model a supply chain as a digital twin you can query for hidden dependencies when disruption hits.

From there, take it toward agents. The agent context graph codelab turns raw event logs into a graph that audits, explains, and traces what your autonomous agents actually did — the connected memory behind a system you can trust to act. If your workloads span both real-time operational transactions and massive-scale analytics, explore our unified graph solution to see how Spanner Graph and BigQuery Graph work together. And when you are ready to go deeper — our ebook walks the journey end-to-end.

Introduction 

Beginning in 2024 Mandiant investigated a string of compromises affecting Brazilian financial services, retail, and eCommerce organizations. Google Threat Intelligence Group (GTIG) tracks this activity as BREEZE COMET (formerly UNC5669), a financially motivated threat actor specializing in manipulating payment systems and banking software in Brazil to conduct fraudulent transfers. This activity overlaps with operations publicly reported as Plump Spider and SHADOW-AETHER-064. In this blog, we detail BREEZE COMET’s tactics and toolkit, and provide mitigation recommendations and detections to support organizations in defending against this active and developing threat.

BREEZE COMET tactics have evolved over time to leverage a customized malware suite and compromised, trusted websites to facilitate initial access, command and control (C2), and to interact with financial software and payment APIs. BREEZE COMET’s operational infrastructure may also indicate intent to expand their infrastructure footprint to other countries in Latin America and Africa. Additionally, we have evidence that BREEZE COMET is using generative artificial intelligence (AI) to support malware development, which may further increase the scale, speed, and sophistication of their operations in the future.  

BREEZE COMET Targets Brazilian Financial Technology 

BREEZE COMET operations target organizations with permission to conduct transactions through banking software, APIs, and payment systems such as Pix, STR, and Boleto. This typically includes banks, payment processors, retailers, exchanges, as well as fintech and banking software providers. 

To achieve their objective of conducting fraudulent transfers, BREEZE COMET must maintain:

• Access to the National Financial System Network (Rede Nacional do Setor Financeiro, RSFN) through an entity with this access.

• Access to mTLS credentials that allow sending authenticated payloads with transactional orders to Pix, STR (Brazilian Reserves Transfer System), or any transactional listener to be executed with minimal restrictions in the name of an organization with available funds.

• Persistent access to multiple accounts in targeted organizations’ Active Directory and/or cloud environments.

• Understanding of an organization’s transfer processing procedures, network controls, fintech integrations and anti-fraud systems.

In order to support these requirements, BREEZE COMET evolved to operate in multiple compromised environments at the same time, crafting custom C2 malware to automate activities such as reconnaissance, lateral movement, persistence, and exfiltration. 

Initial Compromise and Establish Foothold

BREEZE COMET has used various methods for initial access. In early compromises, Mandiant observed this threat actor use password spraying as well as voice calls impersonating IT support teams to convince users to install Remote Monitoring and Management (RMM) tools such as AnyDesk. Axur corroborates use of voice phishing, and suggests that the group has also attempted to recruit insiders at targeted organizations.

In mid-2025, GTIG observed BREEZE COMET using compromised Brazilian small government websites to stage RMM tools, infostealers disguised as legitimate tax or receipt documents (e.g., ComprovantePDF.exe), or backdoors such as XWORM set to persist via automated startup shortcut modifications. XWORM is a backdoor that is widely available for purchase on cyber crime forums, with leaked or “cracked” versions also available. BREEZE COMET then used these compromised government websites to facilitate social engineering operations for initial access, and as C2 endpoints. The use of compromised, trusted infrastructure allowed the threat actors to avoid detection by network domain reputation filters. GTIG also observed BREEZE COMET replicating this behavior with municipal domains in Nigeria, Paraguay, Ghana, and Venezuela, suggesting a potentially growing targeting focus. Analysis of compromised municipal domains indicated that BREEZE COMET reused the same staging infrastructure to host and deliver XWORM payloads across operations targeting multiple organizations.

In 2025, we first observed BREEZE COMET connect rogue hardware devices directly into retail store networks to establish footholds into targeted environments. From this initial network access, BREEZE COMET moved laterally to internal systems then downloaded the Netcat utility alongside custom scripts to pull down subsequent post-exploitation frameworks from external open directories. Trend Micro has reported that the group also exploited vulnerabilities in JBoss AS servers to gain initial access. 

Escalate Privileges & Internal Reconnaissance

BREEZE COMET used publicly available reconnaissance utilities such as Impacket, ADRecon and ADVipscan, as well as with custom malware, often profiting from environments with low observability. These utilities were often observed being downloaded from GitHub repositories and executed in memory via PowerShell for defense evasion. 

The threat actor deployed the custom LDAP brute-forcing utility REALBREEZE. Beyond traditional Active Directory compromise, BREEZE COMET specifically targets development and cloud environments to escalate privileges. The group actively mines continuous integration and continuous delivery (CI/CD) environments to steal hard-coded pipeline credentials, application programming interface (API) keys, and highly privileged cloud access tokens.

BREEZE COMET used custom scripts to search internal host files and environmental variables to identify mTLS credentials and administrative certificates necessary to authenticate against core banking systems. Observed search terms included: boleto, cnab, remessa, webhook.*pix and instant.*payment. 

Move Laterally

BREEZE COMET abuses standard protocols to navigate the network, using hijacked service accounts to initiate unauthorized Remote Desktop Protocol (RDP) sessions and execute commands via SMB network file shares. BREEZE COMET was observed executing network scanning tools across internal subnets specifically to enumerate available SMB pathways. 

To maneuver through segmented financial networks and bypass strict internal firewalls, BREEZE COMET deploys specialized routing malware: COBALTSPIN. Written in Rust, COBALTSPIN operates as a lightweight, evasive network tunneler, used to communicate with and maintain persistent network access to financial API infrastructure. By establishing a reverse SOCKS5 proxy over a WebSocket connection, COBALTSPIN routes network traffic securely back and forth between the C2 and internal targets, enabling lateral movement directly through boundary firewalls without requiring built-in persistence mechanisms that might trigger detection.

Maintain Presence: Orchestrating the Compromise via Bespoke C2 Frameworks

In 2024, BREEZE COMET relied on commercial RMM tools  to maintain access to targeted environments. In 2025, BREEZE COMET also deployed malicious Kubernetes pods to maintain persistence and steal cloud secrets, exfiltrating them to public facing notepad websites (such as dontpad[.]com). 

In 2025 and 2026 Mandiant identified multiple backdoors that BREEZE COMET developed to establish redundant access and expand their foothold in targeted environments.  

• LIGHTPAINT: This custom Java-based backdoor is specifically designed to install a legitimate VPN, such as SoftEther, and configure it for automated persistence. To protect this access, GTIG observed BREEZE COMET programmatically adding inbound Windows Defender Firewall rules to allow all traffic from the deployed VPN manager, while subsequently clearing the Windows Networking Vpn Plugin Platform  event logs to erase forensic evidence of the connection.

• MILDFROST: Operating as a passive Java JAR backdoor hiding inside the JVM process space, MILDFROST uses classes like DnsCommandBeacon.class to establish slow, covert DNS tunnels. It also serves as a fallback C2; it dynamically queries delegated subdomains to receive instructions and pull down fresh copies of the C++ executables.

• KICKPLATE: To continuously deliver auxiliary payloads and enforce host-level persistence, BREEZE COMET uses KICKPLATE. This custom Nim-based backdoor impersonates Windows Update Health Tools. It executes commands to control SOCKS5 tunnelers, update registry startup keys, and silently modify Windows services. The group supplements KICKPLATE by abusing native scheduled tasks (schtasks.exe running as SYSTEM) and malicious shortcut (.lnk) modifications in user startup folders.

• BOATBEAM: Adding a final layer to their redundant architecture, BREEZE COMET deploys BOATBEAM, a Golang backdoor that initiates a fake IIS HTTPS server on port 443. This artifact hides backdoor traffic by masquerading as a legitimate web server, only activating its C2 functionalities when it receives a specific session cookie.

To ensure these persistence mechanisms survive, BREEZE COMET actively impairs endpoint defenses. Telemetry confirms the threat actors executing direct PowerShell commands (Set-MpPreference -DisableRealtimeMonitoring $true) to disable Windows Defender's real-time monitoring across compromised hosts, guaranteeing their malware suite remains operational.

Furthermore, Mandiant identified evidence that BREEZE COMET used large language models (LLMs) to accelerate the creation of custom scripts for network reconnaissance, credential validation, mass deployment, victim-specific pivoting, and data extraction. Analysis of recovered BREEZE COMET scripts has shown the tools are highly customized and functional, but lack human idiosyncrasies, heavily relying on unrolled code structures, verbose explanatory comments, and standardized execution headers.

#!/bin/bash
# RODA DENTRO DO 10.0.9.9 - DIRETO NA REDE INTERNA
echo "###############################################"
echo "### STEP 1: ENUM ALL LINUX (SSH PORT 22) ###"
echo "###############################################"
Scan SSH em todos os ranges conhecidos
echo "=== SCANNING SSH PORTS ==="
> /tmp/ssh_open.txt

Figure 1: Excerpt of script showing verbose comments

Complete Mission: Mass Fraudulent Transactions

Forensic evidence analyzed by Mandiant demonstrates that BREEZE COMET used COBALTSPIN and compromised privileged accounts to access core financial applications. Within 24-48 hours of establishing this access, the threat actor executed two waves of hundreds of fraudulent transactions, based on reporting by a client and third party forensic analysis. 

Subsequently, BREEZE COMET cleared event logs across compromised hosts to hide evidence of their lateral movement, privilege escalation, and interactions with APIs associated with financial software and payment systems. The attacker also deleted directories they had created during the compromise. 

Outlook and Implications

Since 2024, BREEZE COMET has steadily increased the complexity and effectiveness of their operations manipulating Brazilian financial systems and software, and has successfully executed at least one heist of tens of thousands of USD in assets. This analysis is intended to support financial services, fintech, retail, and government organizations, particularly in Brazil, to track and defend against BREEZE COMET.   

While the Latin American cybercrime ecosystem has historically been defined by client-side, high-volume retail fraud, BREEZE COMET’s campaigns represent a notable shift that may serve as a model for future financially motivated threats against organizations in this region.This transition from opportunistic retail banking fraud to direct intrusions into the core financial switch and instant payment infrastructure is notable not just for this shift in targeting, but also the capabilities of the threat actor. 

BREEZE COMET exemplifies how threat actors are operationalizing generative AI to enhance the speed, scale, and sophistication of their campaigns. By leveraging LLMs to generate bespoke reconnaissance scripts, validate credentials, and automate deployment workflows on the fly, the actor compresses the development lifecycle. This automation also lowers the operational threshold required to coordinate synchronized, multi-environment attacks. Finally, orchestrating their usage of AI-generated tooling alongside bespoke multi-language C2 architectures demonstrates how actors can elevate their overall capabilities and lower technical barriers to entry. The progression to a multi-tiered ecosystem—combining custom-built Rust, Nim, and Go backdoors with AI-accelerated operational scripts—demonstrates a measurable maturation in BREEZE COMET's technical capability.

As threat groups increasingly leverage LLMs to streamline routine tradecraft, defenders must anticipate shorter adversary turnaround times and heightened pressure on interconnected financial ecosystems.

Remediation and Hardening

Application Control & Unapproved Remote Management (RMM) Blocking

• Enforce Application Control (e.g. Windows WDAC, macOS Gatekeeper/MDM, or Linux fapolicyd) to block execution in user-writable directories (Windows  %APPDATA%, macOS ~/Downloads, Linux /tmp or /var/tmp).

• Partition Linux hosts to mount /tmp and /home with the noexec flag.

• Audit software inventory to alert on portable RMM execution and unapproved system service/daemon registrations.

• Train users on social engineering tactics impersonating IT Support.

Network Access Control & Branch Physical Hardening

• Deploy 802.1X Network Access Control (NAC) across physical Ethernet switch ports at branch/retail locations to prevent unauthorized hardware devices from obtaining an internet protocol (IP) address or communicating on internal subnets.

• Disable unused switch ports and enforce Port Security (e.g. MAC limiting) on critical network drops.

• Physically restrict access to networking closets and secure public-facing jacks.

Active Directory & Credential Hardening

• Restrict administrative utilities (e.g. ntdsutil.exe, vssadmin.exe) and alert on volume shadow copy creation/deletion.

• Enforce PowerShell Constrained Language Mode (CLM), Script Block Logging (Event ID 4104), and Antimalware Scan Interface (AMSI) to detect in-memory execution of reconnaissance scripts.

• Mandate phishing-resistant multifactor authentication (MFA) and lockout controls across all external portals (VPNs, Software-as-a-Service (SaaS)).

Deep Packet Inspection & Egress Traffic Control

• Perform SSL/TLS Decryption and Deep Packet Inspection (DPI) on outbound web traffic rather than relying on domain reputation or .gov top-level domain (TLD) allowlists.

• Block non-essential egress ports and protocols (e.g., outbound Internet Control Message Protocol (ICMP)) and restrict tunneling utilities like Chisel or GSocket).

• Segment networks to block lateral SMB (port 445) and RDP (port 3389) traffic between workstations and servers.

Kubernetes & Cloud Workload Isolation

• Enforce strict Kubernetes Role-Based Access Control (RBAC) using least privilege for service accounts.

• Use dynamic admission controllers (e.g., OPA Gatekeeper or Kyverno) and native Pod Security Admission (PSA) to block privileged containers.

• Apply egress network policies to block nodes and pods from accessing unauthorized public platforms.

Secrets Management & Financial System Micro-Segmentation

• Mandate a centralized Secrets Manager (e.g., HashiCorp Vault) with access logging; eliminate plaintext keys in code.

• Implement identity-based / Layer 7 micro-segmentation for financial workloads.

• Limit administrative access exclusively to dedicated jump hosts via privileged access management (PAM).

Indicators of Compromise (IOCs)

File Indicators

Network Indicators

Table 2: Network Indicators

Detections

Google Security Operations (SecOps)

Google SecOps customers have access to these broad category rules and more under the "Mandiant Hunting Rules" rule pack. The activity discussed in the blog post is detected in Google SecOps under the rule names:

• "Network DNS Connections To Pastebin"

• "Powershell Downloadstring Method With Suspicious Arguments"

• "Powershell Loading Net Assembly"

YARA Rules

rule M_Utility_REALBREEZE_2 {
    meta:
        author = "Google Threat Intelligence Group"
strings:
    $s1 = "IP/REDE" wide
    $s2 = "SENHA" wide
    $s3 = "U\x00S\x00U\x00\xc1\x00R\x00I\x00O\x00:"
    $s4 = "Arquivo de Texto (*.txt)|*.txt" wide
    $s5 = "get_SamAccountName"
    $s6 = "get_txtHostname"

condition:
  uint16(0) == 0x5A4D
  and all of them 

}

rule G_Tunneler_COBALTSPIN_1
{
  meta:
    author = "Google Threat Intelligence Group"
strings:
$p00_0 = {488985[4]72??4c8b47??4c8b6f??488985[4]eb??4989f04989c5488b85}
$p00_1 = {4d8bae[4]4d85ed4c897d??897d??4c8975??89b5[4]74??498bbe[4]4d89ee}
condition:
uint16(0) == 0x5A4D and uint32(uint32(0x3C)) == 0x00004550 and
(
($p00_0 in (560000..600000) and $p00_1 in (1500000..1600000))
)
}

rule G_Backdoor_BOATBEAM_1
{
  meta:
    author = "Google Threat Intelligence Group"
strings:
$p00_0 = {4d89d84889ce488bbc24[4]e9[4]0f82[4]4c89ac24[4]4c89e74d29ec4c896424}
$p00_1 = {e8[4]498903498973??498953??4d8943??488942??488957??4889f8488b4c24}
condition:
uint16(0) == 0x5A4D and uint32(uint32(0x3C)) == 0x00004550 and
(
($p00_0 in (1500000..1600000) and $p00_1 in (2700000..2800000))
)
}

rule G_Backdoor_MILDFROST_1 
{
  meta:
author = "Google Threat Intelligence Group"

strings:
$s1 = "sc tcp ok" fullword
$s2 = "fl comando vazio" fullword
$s3 = "noop" fullword
$s4 = "wait:" fullword
$s5 = "shell:" fullword
$s6 = "exec:" fullword
$s7 = "upload," fullword
$s8 = "dl|" fullword
$s9 = "tc|" fullword
condition:
uint16(0)==0x5a4d and 7 of them
}

※この投稿は米国時間 2026 年 8 月 7 日に、Google Cloud blog に投稿されたものの抄訳です。

現代のデータ環境において、クエリ パフォーマンスのチューニングやシステムのコスト パフォーマンスの管理は、大きな課題になっています。特に、エージェント型ワークロードの増加に伴い、その難易度はさらに高まっています。データの量、多様性、速度が爆発的に増加し続けるなか、クエリ実行プランの分析やスキーマの調整、クエリヒントの追加といった作業は、経験豊富な開発者や DBA にとっても終わりのないルーチンワークとなり、ビジネスの機動力を削いでいます。

パフォーマンス チューニングは一般的な手法ですが、最新のデータ プラットフォームに求められるのは、それだけではありません。データ プラットフォームが「インテリジェンス システム」から「アクション システム」へと進化し、分析ワークロードの主体が「人間による 1 日数回の実行」から「無数のエージェントによる毎分数千回の実行」へと移行するなか、従来の手動によるクエリ調整はもはや限界を迎えています。ユーザーのアクションに応じてエージェントやアプリケーションがクエリを自動生成するようになると、手動での最適化は事実上不可能です。

BigQuery は、データ ウェアハウスからエージェント型 AI 時代の主要なエンジンへと進化しました。ストレージとコンピューティングを真に分離した独自のアーキテクチャ、サーバーレス処理、きめ細かいコンピューティング管理を基盤に、BigQuery は自律的なクエリ処理の限界を押し広げ続けています。Google の究極の目標は、クエリ、スキーマ、データ、ワークロードを問わず、人間とエージェントの双方が手間をかけずに最適なコスト パフォーマンスを享受できる、自律型クエリ プロセッサを実現することです。2025 年だけでも、クエリのパフォーマンスが最大 35% 向上し、クエリ処理コスト（スロット使用量）が最大 40% 削減されました。

以下は、パフォーマンスと総所有コスト（TCO）の改善に貢献する主なイノベーションの一部です。これには、回帰に対する組み込みのガードレールも含まれます。

BigQuery の自己学習エンジン: 履歴ベースの最適化（HBO）

BigQuery の自律型クエリ プロセッサの基盤となる機能の一つが、履歴ベースの最適化です。

従来のクエリ オプティマイザーは、静的な統計情報やメタデータ、カーディナリティ推定に依存しています。そのため、非常に複雑な複数テーブルの結合や、急速に増加または変化するデータに直面すると、その精度が著しく低下することがあります。これらに対応することは、管理者にとって極めて重要な業務であり、効果的かつ効率的な運用には、ワークロードごとに自動化をきめ細やかに調整する必要があります。すべてが最新かつ正確であっても、自然なデータスキューや利用可能なコンピューティング リソースの変化により、クエリの動作が大きく異なることがあります。履歴ベースの最適化は、これまでのパラダイムを転換します。クエリ実行中にプランやリソース割り当てを変更できる BigQuery の既存の適応型クエリ実行に加え、過去の実行から学習し、将来の実行に向けてさらなる最適化を自動的に適用します。

過去のクエリのランタイム統計を追跡して、どの最適化が有益だったかを「記憶」し、それらを適用し続けます。また、以前のミスから学習して、同じミスを繰り返さないようにします。同じまたは類似のクエリが再度実行されると、BigQuery は効果が実証されている最適化手法を自動的に適用し、回帰を引き起こす可能性のある手法を回避します。

ユーザーの操作が不要、安全ガードレールが標準実装

履歴ベースの最適化では、アプリケーションの書き換え、SQL の修正、スキーマの変更は必要ありません。ユーザーは文字どおり何もする必要がなく、定期的なダッシュボード、ELT パイプライン、エージェント ワークロード、事業部門モジュールがより高速に実行されます。

重要なのは、これが安全ガードレールを標準実装した、自己メンテナンス型、自己改善型のクローズドループ システムであるということです。履歴ベースの最適化は、パフォーマンスの向上が確実に見込まれる場合にのみ適用されます。もし最適化の判断を誤った場合は、どうなるでしょうか？この機能には本質的に自己修正能力が備わっています。最適化が適用されると、システムが結果を測定します。期待される改善が確認された場合、最適化が承認されます。パフォーマンスが大幅に向上しない場合、またはさらに悪いことに、パフォーマンスが低下したり、失敗につながったりした場合、その最適化は直ちに拒否され、取り消され、そのクエリに対して再度試行されることはありません。これにはデータスキューの検出も含まれます。これにより、パラメータ依存のプランを持つクエリにおいて、WHERE 句などのパラメータを一つ変更しただけでパフォーマンスが大幅に低下する、といった事態を防ぐことができます。

その結果、実行時間の短縮とスロットの削減が実現します。ある企業のお客様は、P90 の実行時間が最大 50% 短縮され、スロット使用量が最大 15% 削減されたと報告しています。これにより、コスト パフォーマンスが大幅に向上し、回帰も発生しなくなりました。

BigQuery 実行エンジンに新しいトリックを教える: 高度なランタイム

BigQuery の自律型機能は、BigQuery の高度なランタイムによって、実行レイヤの深部にまで及びます。このエンジンのアップグレードにより、手動での細かなチューニングを一切行うことなく、クエリに最適な物理実行パスが自動的に決定されます。

1. ベクトル化の強化

ベクトル化実行自体は新しいコンセプトではありませんが、BigQuery は単一命令複数データ（SIMD）命令による最新のプロセッサ処理効率を活用することで、その実装を強化しました。エンジンは、重複する計算を回避する機会を自律的に特定し、辞書とランレングス圧縮でデータをネイティブに処理します。最先端の並列アルゴリズムと組み合わせ、対象となるクエリステージに適用することで、高速化の機会を増やします。効果: 完全に自動化されたプロセスを通じて、対象となるクエリを最大 10 倍まで安全に高速化し、全体のスロット時間を最大 40% 削減することに成功しています。

2. 短いクエリの最適化

高い同時実行性と低レイテンシが求められる BI ダッシュボードや、1 秒未満のレイテンシを必要とし、数千件のクエリを生成するエージェント型アプリケーションの場合、分散処理に伴うオーバーヘッドがボトルネックになる可能性があります。BigQuery は、同時実行されている他のクエリに影響を与えることなく、対象となる「短い」クエリを自律的に高速化できるようになりました。ステージ数を減らしてデータ シャッフルを減らすことで、BigQuery はクエリのレイテンシとリソース効率を全体的に向上させます。BigQuery は、スケーラブルな大規模並列処理（MPP）分散データベースにおいて、効率的な対称型マルチプロセッシング（SMP）クエリパスを透過的に実現しています。効果: 短いクエリのスロット使用量が最大 10 分の 1 に減少し、P99 のクエリ レイテンシが 1 秒未満になります。各クエリのスロット占有時間が短縮されることで、一部のお客様のワークロードではスループットが最大 3 倍向上しました。これらはすべて、エンドユーザーが一切意識することなく、透過的に実現されます。

データ形式を問わない共通のメリット

Apache Iceberg のようなオープン テーブル形式を使用してオープン レイクハウス アーキテクチャを採用する場合でも、自律的なパフォーマンスを犠牲にする必要はないと Google は考えています。BigQuery のパフォーマンス向上は、基盤となるテーブルやデータ形式に関係なく同じように機能します。すなわち、BigQuery のネイティブ Capacitor ストレージ形式を使用する場合でも、基盤となるデータが Parquet 形式の Iceberg テーブルを使用する場合でも、同じメリットが得られるということです。

フィルタの自動プッシュダウン、列メタデータ インデックス（CMETA）の枝刈り、ページスキップと非同期読み取りによる I/O レイヤの最適化、同じ拡張ベクトル化の採用など、オープン形式でもネイティブ テーブルと変わらない自動高速化の恩恵を受けられます。

流動的なスケーリング: 実際の使用量のみを支払うオートスケーラー

BigQuery のコンピューティング モデルは、ノードやクラスタのスライスではなく、消費されたスロット秒に直接結びついているため、自律的なパフォーマンスの向上は直接的なコスト削減につながります。流動的なスケーリングで強化された BigQuery オートスケーラーを使用すると、コストとパフォーマンスのトレードオフを解消した優れた自動スケーリング モデルで、変動の大きいワークロードを柔軟に組み合わせて実行できます。BigQuery の流動的なスケーリングにより、消費されたコンピューティング リソース（スロット）に対して厳密な秒単位の課金が可能になり、自動スケーリング ワークロードのコストが平均で最大 34% 削減されます。

流動的なスケーリングがもたらすコストパフォーマンスのメリットについて、1 日 1 PB 以上のデータを処理し、月間 3 兆件を超える入札を管理する大手アドテック企業 RISE の CEO / 共同創業者である Chen Shalit 氏は次のように述べています。「広告の世界は競争が激しく、1 セントも無駄にできません。BigQuery の流動的なスケーリングにより、インフラストラクチャのコストが 25% 削減され、スロット消費をスケールしてワークフロー全体を加速できるようになりました。モデルの結果をより迅速に提供し、1 時間あたりのデータ処理スループットを向上させることで、お客様に可能な限り最新のデータを提供できるようになりました。」

エージェント時代の未来に向けた基盤

これらの自律型機能は、現在のビジネス インテリジェンス ダッシュボードや分析クエリの実行を高速化するだけでなく、最新のデータ プラットフォームの未来を支える基盤となります。AI や ML の導入が急速に進むなか、組織のワークロードはエージェント型へと移行しつつあります。

AI エージェントによるデータの扱いは、人間とは根本的に異なります。クエリのレイテンシや同時実行数（QPS）に対する要件水準は、人間のユーザーが生成するものよりも桁違いに厳しく、人間を基準に設計された従来の分析プラットフォームの限界を超えています。自律型エージェントがリアルタイムの意思決定を行うために、1 秒間に数千もの異なる秒間クエリを発行するような状況では、人間参加型のクエリ チューニングなど到底不可能です。

自己チューニングや自己学習システムといった BigQuery の差別化された機能には、回帰に対する組み込みの安全ガードレールが組み込まれています。こうした自律性が基準となることで、インフラストラクチャの手動管理、事後対応的なクエリの最適化、急増するコンピューティング費用の抑制といった作業に、貴重なエンジニアリング サイクルを浪費する必要がなくなります。その分、高度なエージェント アプリケーションでユーザーに最高のエクスペリエンスを提供するという、真に価値のある業務に時間と労力を集中させることができます。

BigQuery が TCO に与える総合的な効果: 高速化とコスト パフォーマンスのさらなる向上

履歴ベースの自己学習型オプティマイザーと、高度にスケーラブルなメタデータ プラットフォーム（CMETA）でサポートされる自動スケーリングの高度なランタイム エンジンを組み合わせることで、パフォーマンスと総所有コスト（TCO）に大きな効果がもたらされます。

まとめ

Google が目指しているのは、ユーザーの手を煩わせることなく BigQuery がクエリを自動的かつ安全に最適化することです。それにより、ユーザーが「出勤するだけで、BigQuery が前日よりも速くなっている」と感じられるような体験を提供したいと考えています。

データスキューや古い統計情報によるパフォーマンス低下の心配は無用です。どのクエリにどのプランガイドが最適か、時間帯や時期（日次、月次）に合わせて頭を悩ませる必要はなくなります。低価格なスポット インスタンスが不足して予算が足りなくなるのでは、と気をもむ必要はもうありません。組織の目標に集中するだけで、あとは BigQuery データ プラットフォームがエージェントと人間のワークロードの両方に最適なコスト パフォーマンスを自律的に提供します。特別な操作や設定は一切不要です。

BigQuery のデータと AI 機能の詳細を確認し、無料トライアルを開始しましょう。

- プロダクト マネージャー、Joe Yong

- グループ プロダクト マネージャー、Manan Goel

※この投稿は米国時間 2026 年 8 月 7 日に、Google Cloud blog に投稿されたものの抄訳です。

ほぼすべての大手 AI 研究所が、モデルのトレーニング、エージェントの推論、最先端の研究などに Google Cloud インフラストラクチャを使用しています。Google Cloud は、業界の研究とイノベーションを牽引する急成長中の新興 AI スタートアップから選ばれるプラットフォームであり続けています。

このたび、AI 開発の加速に注力する最先端の AI 研究所である Mirendil も、Google Cloud の AI Hypercomputer を採用することを発表しました。具体的には、Google の TPU AI アクセラレータと、Google Cloud 上で稼働するフルスタックの NVIDIA AI インフラストラクチャを併用し、この専用設計の AI インフラストラクチャによって Mirendil のモデル事前トレーニングと事後トレーニングのアプリケーションをサポートします。

Mirendil チームは、AI の研究開発を加速し、民主化するのに役立つ新しい AI システムを構築しています。これはつまり、初期モデルの事前トレーニングから事後トレーニングまで、複雑なエンドツーエンドのトレーニング ワークフローを管理し、大規模な強化学習をサポートすることを意味します。Google Cloud を通じて TPU と、NVIDIA のフルスタック アクセラレーテッド コンピューティング プラットフォームの両方を自在に組み合わせることで、Mirendil は不可欠なコンピューティングに非常に迅速にアクセスし、状況の変化に合わせてワークロードを最適なアーキテクチャに適合させ続けることが可能になっています。

Google は Mirendil と緊密に連携して、コンピューティング、ストレージ、ネットワーク、コントロール プレーンの各層にわたって、TPU と NVIDIA AI インフラを統合した環境の設計からデプロイまでをエンドツーエンドで実施しました。また、Gemini Enterprise Agent Platform で実行されるマネージド トレーニング クラスタを使用するシステム構築でも協力し、Mirendil における TPU と GPU 両環境のプロビジョニングと管理を大幅に効率化しました。Mirendil はすでに TPU v5P チップのクラスタでの運用を開始しており、NVIDIA AI アクセラレーテッド コンピューティング システムも近日中に稼働を開始する予定です。

Mirendil の共同創業者 / CEO である Behnam Neyshabur 氏は、次のように述べています。「AI の進歩は、実験の設計、結果の評価、反復という研究ループを人間がどれだけ速く実行できるかによって制限されてきました。私たちは、そのループ自体を加速させ、改善することができる AI システムを構築しています。Google Cloud を基盤として拡張することで、システムをさらに進化させ、最先端の AI 研究機能をより多くの科学者やエンジニアの手に届けるためのスケールと柔軟性が得られます。これにより、研究ループをより迅速かつ大規模に回すことが可能になります。」

Google と Mirendil のパートナーシップについて詳しくは、Mirendil のブログをご覧ください。

- Google、グローバル スタートアップおよび投資家エコシステム担当バイス プレジデント、Darren Mowry

※この投稿は米国時間 2026 年 7 月 22 日に、Google Maps Platform blog に投稿されたものの抄訳です。

編集者注: 今回の記事は、Google Maps Platform のセールスリードである Rawleigh Smith と、Google マップのプロダクト マーケティング マネージャーである Emily Gao によるものです。Sony Pictures の映画『Spider-ManTM: Brand New Day』（邦題: スパイダーマン: ブランド・ニュー・デイ）に登場するスパイディ トラッカーを支えるエクスペリエンスがどのように開発されたかを両氏が紹介します。

7 月 31 日、私たちの親愛なる隣人であるスパイダーマンが、Sony Pictures の待望の新作『スパイダーマンTM: ブランド・ニュー・デイ』で劇場に帰ってきました。この記念すべき劇場公開を祝して、Sony Pictures は Samsung および Google マップのチームとともに、映画の魅力を世界中のファンに直接届けることにしました。SpideyTracker.com は、映画の中で Ned Leeds（Jacob Batalon）が作成した架空のアプリに着想を得たもので、Ned は Samsung のスマートフォンを使用してスパイダーマンの居場所を追跡します。Sony Pictures は、このアイデアを実際のオンライン エクスペリエンスとして具現化しました。

スパイディ トラッカーのウェブサイトには、スパイダーマンの目撃情報、キャンペーン イベント、イースター エッグ、ファンが作成したユーザー生成コンテンツ、映画の限定コンテンツなどが掲載されています。スパイディ トラッカーでは、Google Maps Platform を使用して開発されたオリジナルの地図を通じて、世界中のスパイダーマン関連イベントを閲覧したり、視覚的な体験を楽しんだりできます。

Google Maps Platform で開発されたスパイディ トラッカー

スパイディ トラッカーは、主人公のピーター パーカーの世界をファンが直接体験できるカスタムメイドの没入型のマップであり、世界 35 か国で利用可能です。開発にあたっては、トラフィックの多いプロモーション サイトを構築するために、スケーラビリティ、スピード、場所に関する豊富な情報のシームレスな統合が必要であり、開発者はこのビジョンを実現するために、Google Maps Platform API の堅牢な機能を積極的に利用しました。このサイトの基盤は Maps JavaScript API で構築されており、これにより、高度にカスタマイズされたインタラクティブな世界地図を提供しています。Cloud ベースのマップのスタイル設定が、地図に特徴的な外観を与え、高度なマーカーがカスタム デザインのピンで目撃情報を生き生きと表現しています。一部の目撃場所では、ファンはストリートビューを通じて直接そのシーンに足を踏み入れることができ、その位置情報により、ユーザーはリアルタイムで地図上の自分の位置を把握できます。地図自体に加え、@SpideyTracker からの最新投稿を表示するライブ X フィードや、世界中のスパイダーマン関連イベントの最新情報をファンに提供するカスタム イベント パネルも備わっています。Samsung が提供するこのエクスペリエンスは、「Exclusives」セクションによってさらに充実しています。Galaxy デバイス向けの壁紙、ステッカー、絵文字パックをダウンロードでき、これらのブランド コンテンツを画面の外の世界でも楽しめるように設計されています。

Google マップのストリートビューで宝探し

映画の公開を記念して、ニューヨーク市内のストリートビューに 5 つの象徴的なサプライズが隠されています。これらは、ストリートビューの撮影車がスパイダーマンの活躍に偶然遭遇したときに撮影された、スパイダーマンならではの特別な瞬間です。屋上の見張り台からの眺め、ウェブスリング（「スウィップ」）の瞬間、路上での遭遇後の余韻など、すべてのシーンが Google マップにシームレスに組み込まれています。そして何よりすばらしいのは、ファンが自分自身でそれらを発見できることです。Google マップのストリートビューが持つ没入感あふれる機能を活用してニューヨークをバーチャルに探索することで、街中に隠されたスパイダーマンのサプライズを発見できます。

Google マップの公式ソーシャル チャネルをこまめにチェックして手がかりを探しましょう。お気に入りの街をまったく新しい方法で体験できる絶好の機会です。

アクションの世界へ飛び込みましょう

7 月 31 日の映画公開にあたって、デベロッパーもファンも、アクションの世界に足を踏み入れることができます。Google マップと Google Maps Platform を統合することで、Sony Pictures は、地図を利用したストーリーテリングの驚くべき力を示す、真に没入感のあるエクスペリエンスを創出しました。ぜひ宝探しを楽しんでください！

- Google Maps Platform、セールスリード、Rawleigh Smith
- Google マップ、プロダクト マーケティング マネージャー、Emily Gao

※この投稿は米国時間 2026 年 8 月 21 日に、Google Cloud blog に投稿されたものの抄訳です。

5 月の I/O で Gemini Enterprise Agent Platform の Google Antigravity を発表して以来、お客様から有益なフィードバックをいただいています。デベロッパーは、さまざまなサーフェスでコーディング エージェントに簡単にアクセスしたいと考えています。企業ガバナンス チームは、セキュリティ管理とライセンス管理を求めています。財務チームは、プリペイド トークンが未使用のままになることがないよう、使用できるトークンをプールしたいと考えています。このたび、いずれのチームの要望にも対応できるようになりました。

• Antigravity は、対象となる Gemini Enterprise app サブスクリプションの一部として提供されます。これには、すぐに利用できる管理機能と支出管理機能が含まれます。

• 新しい IDE 拡張機能により、デベロッパーは VS Code などの任意の IDE で Antigravity を使用できます。

AI デベロッパー ツールとエンタープライズ グレードの管理機能を 1 つのサブスクリプションに統合

デベロッパーに高度なエージェント ツールを提供するために、アドオン ライセンス、請求書、課金コンソール、セキュリティ設定を個別に管理する必要はありません。Gemini Enterprise サブスクリプションに含まれる AI デベロッパー ツールを使用すると、管理者は、対象となる Gemini Enterprise Standard、Plus、Standard Emerging Market のライセンスを持つユーザーに対して Antigravity と Android Studio を簡単に有効化でき、Gemini Enterprise 管理コンソールに統合された費用、セキュリティ、オブザーバビリティ、使用状況の指標を使用して、完全なガバナンスを維持できます。

支出を管理しながら、デベロッパーの障害を取り除く

Gemini Enterprise の柔軟な課金および費用管理ツールにより、費用を管理しながら、デベロッパーに必要なリソースを確保できます。

• 詳細な費用上限: 管理者は、課金コンソールでプロジェクト レベルの月間予算上限を直接設定できます。ユーザーごと、チームごとの追加の管理機能は、今年中にリリースされる予定です。

• 割り当てのプール: トークンの共有プールにより、需要の高いチームに柔軟性がもたらされ、組織全体で購入した割り当てが使用されずに残ることを防ぎます。

• 超過分の有効化: プールされた割り当てを使い切ってもデベロッパーのワークフローを継続できるように、管理者は月額費用の上限を設定して超過分を有効にすることで、超過分の使用量を標準の使用量ベースの料金にスムーズに移行できます。

• 使用状況の指標: 使用状況を一元的に追跡することで、トークンの使用量、API 呼び出し、デベロッパーのアクティビティを可視化し、組織が AI への投資を継続的に最適化できるようにします。

組み込みのプライバシーとセキュリティの機能で組織のコードとデータを保護

Gemini Enterprise サブスクリプションでは、Google Antigravity が Google Cloud の標準的なセキュリティとコンプライアンスの保護の対象となります。管理者と IT チームは、単一のコンソールから、ワークスペースへのアクセスに関する明確な境界を設定し、完全な監査ロギングを有効にして、データ プライバシーを適用できます。

• 構成可能なセキュリティ ポリシー: ワークスペースのサンドボックス化、ブラウザと MCP サーバーへのアクセスなど、セキュリティとコンプライアンスの管理を適用して、AI エージェントが承認されたエンタープライズ環境内で安全に動作するようにします。

• 一元的な監査ロギング: 1 回の切り替えで包括的な監査ロギングを有効にし、プロンプト、エージェントの回答、メタデータをキャプチャしてコンプライアンス レポートを作成します。

• データ プライバシー: Google Cloud の利用規約に基づいてデータの所有権を維持し、すべてのエージェント アクティビティが安全なクラウド境界内で厳密に実行されるようにします。

チームが好む開発環境にエージェント コーディングを直接導入

このたび、デベロッパーは、新しい IDE 拡張機能、Antigravity 2.0 デスクトップ アプリ、Antigravity CLI を介して、Visual Studio Code、Visual Studio（プレビュー版）、Jetbrains（プレビュー版）、Zed IDE（プレビュー版）など、すでに使い慣れているサーフェスで Antigravity を使用できるようになりました。

管理者は、すべてのサーフェスで、企業 ID 標準を適用でき、また Workforce Identity 連携（WIF）とアプリケーションのデフォルト認証情報（ADC）のネイティブ サポートにより、技術チームのセットアップの煩雑さを解消できます。

お客様の声

Google Antigravity は、迅速なコード生成からエンドツーエンドのタスク自動化まで、Google Cloud の安定性、ガバナンス、スケールに支えられた最先端の AI 開発の勢いをエンジニアリング チームに与えています。大手企業のお客様とパートナー様が、本番環境で測定可能な成果をどのように実現しているかをご紹介します。

「Accenture では、Gemini Enterprise に Antigravity をデプロイすることで、Google Cloud の安全で信頼できる基盤上で、Google DeepMind の優れたテクノロジーをエンジニアに提供しています。運用の複雑さを取り除くことで、当社のチームは開発スピードとエンタープライズ グレードのガバナンスのどちらかを選ぶ必要がなくなり、お客様に迅速なエンジニアリングと革新的な価値を提供できるようになりました。」- Accenture Google ビジネス グループ、グローバル プラクティス リード、Chetna Sehgal 氏

「AirAsia とグループ全体で、従業員の能力強化に力を入れています。Antigravity 2.0 を使用して、高性能な Gemini モデルを日々のワークフローに直接組み込むことで、まさにそれを実現しています。当社は、ソフトウェア エンジニアリングから、財務、マーケティング、法務、人事などに至るまで、全従業員に最先端の AI 機能を提供しています。これにより、デベロッパーと重要なバックオフィス チームの両方が、これまでにないペースでイノベーションを起こし、全体的に時間を節約できるようになりました。」- AirAsia Next、CTO、Nikunj Shanti 氏

「企業は AI の試験運用から一歩進んで、測定可能なビジネス成果を期待しています。Gemini Enterprise と、Antigravity 2.0 や Antigravity CLI などの次世代デベロッパー ツールにより、エージェント型 AI、特に Gemini モデルの高度な推論機能をソフトウェア デリバリー ワークフローに直接組み込む大きな機会が生まれています。これは生産性向上にとどまらず、意思決定の迅速化、コード品質の向上、技術的負債の削減を大規模に実現します。特に際立っているのは、これらの機能が、コードの記述から成果のオーケストレーションへとチームを進化させ、ソフトウェア開発ライフサイクルのあらゆるフェーズを強化しながら、安全かつ責任を持ってイノベーションを拡大するのに役立っている点です。」- CGI、アジア太平洋グローバル デリバリー センター オブ エクセレンス担当プレジデント、Rakesh Aerath 氏

「デベロッパーのワークフローはそれぞれ異なります。エンジニアがエージェント型 AI に適応するのではなく、エージェント型 AI がはエンジニアに適応するべきです。Google Antigravity は、デベロッパーが好む IDE、デスクトップ アプリ、CLI でサポートされているため、Cognizant はエージェント型エンジニアリングをグローバル デリバリー センター全体にシームレスに組み込むことができます。これにより、当社のチームは好みのサーフェスを自由に選択しながら、お客様に高速で安全なソフトウェアを提供できます。」- Cognizant India、グローバル オペレーション担当プレジデント兼会長兼マネージング ディレクター、Rajesh Varrier 氏

「Antigravity は、Datamatics の AI ファースト戦略を推進するうえで重要な役割を果たしています。この数か月間、当社のチームは Antigravity を使用して、複数のアプリケーションを迅速に構築、デプロイし、ソリューション開発を加速させ、AI をコアビジネス プロセスに組み込んできました。AI Impact Hub から分析ソリューションやセールス イネーブルメント ソリューションまで、Antigravity は当社が試験運用段階から実際の実行段階へと移行するうえで役立ちました。その結果、測定可能なビジネス成果を達成し、チームがより迅速かつ大規模にイノベーションを起こせるようになりました。」- Datamatics、情報システム グループ（ISG）担当バイス プレジデント、Vijay Venkatachalam 氏

「Google Antigravity の自律機能を Gemini Enterprise の開発環境に直接組み込むことで、社内チームと現場配置エンジニアリング チームが複雑なタスクを自動化できるようになりました。プラットフォームの新しい FinOps とガバナンス管理に支えられ、当社のチームは、価値が高く、安全で、費用対効果の高い成果をお客様のために大規模にオーケストレートすることに自信を持って集中できます。」— Deloitte、米国 AI / エンジニアリング戦略およびサービス リーダー、Faruk Muratovic 氏

「Wipro は Antigravity を採用したことで、AI 主導のソフトウェア開発ライフサイクルの最先端に立っています。Antigravity 2.0、CLI、新しい IDE 拡張機能を、シームレスなデベロッパー エクスペリエンスおよび優れたコード精度と組み合わせることは、当社の AI ファーストのエンジニアリング戦略に自然に適合します。Google Cloud と連携することで、ソフトウェア デリバリーを加速し、グローバル企業のお客様に次世代の価値を提供できます。」- Wipro、Google パートナーシップ担当バイス プレジデント兼グローバル責任者、Debashish Ghosh 氏

Gemini Enterprise で Antigravity を使ってみる

Gemini Enterprise の Google Antigravity は、対象となる Gemini Enterprise Standard、Plus、Standard Emerging Market のライセンスをお持ちのお客様に、本日よりご利用いただけます。また、まもなく、より幅広いお客様にご利用いただけるようになる予定です。

• 管理者の場合: 企業向けのセットアップ ガイドにアクセスして、Google Antigravity と Android Studio の AI デベロッパー ツールを有効にすることができます。

• デベロッパーの場合: Antigravity 2.0、Antigravity CLI、または Antigravity IDE 拡張機能を介したお好みの IDE で構築を開始できます。

- エンジニアリング担当シニア ディレクター、Scott Densmore

- グループ プロダクト マネージャー、Damith Karunaratne

※この投稿は米国時間 2026 年 8 月 21 日に、Google Cloud blog に投稿されたものの抄訳です。

このたび、2026 年 Gartner® Magic Quadrant™ クラウドネイティブ アプリケーション プラットフォーム（CNAP）部門で、Google が 3 年連続リーダーに選出されました。リーダー・クアドラントという位置付けは、デベロッパー中心の使いやすいプラットフォームを提供し、オンボーディングの加速や最新ワークロードでの迅速なプロトタイピングを支援するという、Google の取り組みが評価された結果であると考えています。

「アプリケーション中心のクラウド」という Google のビジョンが目指すのは、インフラストラクチャの複雑さを排除して、デベロッパーがコードの作成や、エージェントまたは従来型アプリの構築に専念できる環境を提供することです。Google Cloud は、サーバーレス、コンテナ化、エージェント型のデプロイ オプションに対応する統合実行環境を提供します。今回の Google の選出は、標準的なエンタープライズ マイクロサービスと次世代の自律型 AI アプリケーションの両方を支える、Google 独自の万全な体制を裏付けるものと考えています。

Google のプラットフォームの主な機能と特長を以下にご紹介します。

アイデアから実装まで

生成 AI はバイブ コーディングという波を巻き起こしました。これにより、誰もがアイデアを形にし、アプリケーションとしてデプロイするまでを、従来の数分の一の時間で実現できるようになっています。これをさらにスムーズに行えるように、Google Cloud はサーバーレス インフラストラクチャを AI バイブ コーディングおよびプロトタイピング ツールと統合しています。また、マネージド MCP サーバーやエージェント スキルなどのツールを使用して、Google Cloud リソースへのアクセスを簡素化しています。エージェント スキルは、AI に専門的な複数ステップのワークフローを実行する方法を教えるための、一連の指示、スクリプト、リソースをパッケージ化したものです。

• Google AI Studio でのワンクリック プロトタイピング: デベロッパーは、Google AI Studio 内でフルスタック アプリケーションを直接構築してデプロイできるため、同ツールはプロトタイピングやテストに最適な環境となっています。ワンクリックで、バイブ コーディングされたアプリケーションをパッケージ化して Cloud Run に公開できます。

• Google が管理する MCP サーバー: AI エージェントがクラウド リソースとやり取りできるように、公式のフルマネージド リモート MCP サーバーが用意されています。たとえば、Cloud Run MCP サーバー（run.googleapis.com/mcp 経由）を使用すると、デベロッパーはエンドポイントを簡単に起動でき、サーバーサイド ロジックをデプロイできます。MCP ツールは簡単な構成でデプロイできるため、クラウドビルドをスキップして数秒でコードを起動し、デベロッパーの貴重な時間を節約できます。これらのフルマネージド サーバーは IAM および VPC Service Controls と統合されており、コンテンツ セキュリティには Model Armor を活用しています。

• Google 公式のスキル リポジトリ: さまざまな Google Cloud テクノロジーに関する専門知識を凝縮した追加のスキルで、エージェントを強化できます。エージェント レジストリで公開されているリポジトリには、Cloud Run のスキル、Well-Architected の柱（セキュリティ、信頼性、費用の最適化）などが含まれています。

バイブ コーディングを試してみませんか？バイブ コーディングされたアプリを構築して Cloud Run にデプロイする Codelab で実際に体験してみてください。

実装からエンタープライズ対応まで

Google Cloud は、デベロッパー、アーキテクト、プラットフォーム エンジニアリング用のツールをフルパッケージで用意しており、プロトタイプを本番環境グレードの安全で費用対効果の高いエンタープライズ ソフトウェアに変換するのに優れています。アプリケーションの設計から Day 2（2 日目からの）運用の最適化まで、Google はアプリケーションのライフサイクル全体にわたってビルド、運用、デプロイするのに役立つサービスとツールを提供しており、あらゆる言語、ライブラリ、フレームワークを使用して自由に構築できます。

ビルド

• Google Antigravity によるビルド: Google では、Antigravity ハーネスを基盤として開発エコシステムの簡素化と拡張を進めており、開発におけるサイロ化を解消して、統合されたオーケストレーション レイヤへと一元化しています。Antigravity は、マルチステップの AI 推論をデベロッパー ワークフローに直接統合することで、ローカル コードベース開発を Google のクラウドネイティブ アプリケーション プラットフォーム（Cloud Run など）にネイティブに導入します。

• App Design Center（ADC）を使用した設計とデプロイ: App Design Center を使用して Terraform と YAML の手動構成を排除することで、デベロッパーのスピードと企業の管理のギャップを埋めることができます。このプラットフォーム エンジニアリング コンポーネントは、チームが Google Cloud でテンプレート駆動型アプリケーションを設計、標準化、デプロイするのに役立ちます。また、Gemini Cloud Assist 設計エージェントの一部として統合され、MCP サーバーとして公開されています。ADC を使用すると、自動化された Gemini Cloud Assist セキュリティ テンプレートを基盤とする Cloud Run サービス、データベース、イベント ブローカーを使用して、アーキテクチャを視覚的に設計できます。ADC は、人間が主導する設計だけでなく、HITL（人間参加型）でない場合のプログラマティックなオーケストレーションも可能にします。これにより、自動化されたパイプラインが、ポリシーで管理された Terraform 構成を直接かつ自律的にプロビジョニングできるようになります。

運用

• インテリジェントな調査: Gemini Cloud Assist をネイティブ テレメトリーと統合することで、Day-2 インシデント向けの AI 主導のフレームワークが作成されます。アラートが発せられると、オペレーターは Gemini Cloud Assist を使用してログと指標を即座に統合し、根本原因を特定して修復策を生成します。このコンテキストは、サポートのエスカレーションを迅速化するために引き継ぐことができます。重要なのは、IAM 権限によってすべての AI 推奨事項が厳密に管理され、インフラストラクチャの変更が行われる前に、人間参加型の明示的な承認が確実に必要になるということです。

• 費用の分析と最適化: 機械学習アルゴリズムが季節ごとの自然なトラフィック サイクルを学習し、費用の異常を数分以内に検出して通知をトリガーします。これにより、インフラストラクチャのシャットダウンといった致命的なリスクを避けながら、収益を保護できます。

デプロイ

• 信頼性と高可用性: Cloud Run はデフォルトではリージョン サービスですが、1 つの gcloud コマンドで複数のリージョンにアプリをデプロイできます。Service Health との連携により、Cloud Run はクロスリージョン フェイルオーバーとフェイルバックを自動化します。あるリージョンのサービスが異常な状態になると、トラフィックは次に近い正常なリージョンに自動的にルーティングされ、問題が解決するとフェイルバックします。

• オープン プラットフォーム: Google は、Cloud Native Computing Foundation（CNCF）への長年にわたる主要な貢献者として、オープンソース ファーストの戦略を推進しています。コミュニティ主導の基盤テクノロジーを統合することで、マルチクラウドの柔軟性をますます重視するエンタープライズのお客様が、アプリケーションのポータビリティを実現できるようサポートしています。

Google Cloud へのアプリのデプロイを開始する準備はできましたか？次の Codelab で実際に体験してみてください。

• Cloud Run で Antigravity を使用してアプリをビルドする。

• App Design Center を使用して Cloud Run アプリをデプロイする。

• Gemini Cloud Assist でアプリケーションの費用を最適化する。

エンタープライズ対応から自律型へ

AI エージェントはソフトウェアの次なるフロンティアです。生産性と効率の向上だけでなく、飛躍的な成長も実現できます。企業に堅牢なエージェント型のデプロイ オプションを提供するため、Google Cloud は、自律型エージェント群のホスト、管理、保護に特化した専用のインフラストラクチャ スタックを提供します。このスタックは、Google の Agent Development Kit（ADK）やその他の主要なエージェント フレームワークとシームレスに統合され、デベロッパーに最大限の柔軟性を提供します。

Gemini Enterprise Agent Runtimeこのスタックの中核となるのは、Gemini Enterprise Agent Platform とその専用の Agent Runtime です。これらは、エンタープライズ規模のエージェント開発に必要なサーバーレスおよびコンテナ化されたデプロイ オプションを提供し、次のような機能を備えています。

• ネイティブのパーソナライズ: 組み込みのセッションとメモリバンクがコンテキストと長期的な状態を管理し、費用が膨らむのを防ぎます。

• エージェントのオブザーバビリティとトレース: OpenTelemetry（OTel）標準とエージェント スキーマに基づいて構築されたターンキー ダッシュボードには、エージェントのトポロジグラフと、セッション、ツール呼び出し、推論パスの詳細を示すインタラクティブなトレースログが用意されています。

• エージェントの評価とシミュレーション: 自動シミュレーション ツールにより、デベロッパーはゴールデン セットに対してエージェントをテストし、並べて比較できます。また、数千ものインタラクションをシミュレートしてエッジケースをテストできます。

Cloud Run でのエージェントのホスティングさらなる柔軟性、きめ細かい制御、特定の規制遵守を必要とするお客様には、エージェントをホストする優れたサーバーレスの代替手段として Cloud Run をご利用いただけます。最新の機能には、次のようなものがあります。

• Cloud Run インスタンス （近日提供予定）: このプリミティブは、Cloud Storage ボリューム マウントを統合した、個別にアドレス指定可能な長時間実行のシングルトン リソースを管理します。これにより、常駐型のバックグラウンド エージェントをコスト効率よくデプロイできるようになります。

• Cloud Run サンドボックス: 500 ミリ秒未満でスピンアップするハードウェア的に隔離された環境で、信頼性の低いモデル生成コードを安全に実行し、ホストシステムを不正アクセスから保護します。

エージェントのセキュリティ、ガバナンス、監査可能性AI エージェントを安全にデプロイし、管理されていないシャドー AI を防止するために、企業は堅牢なガバナンス フレームワークを必要とします。Google Cloud は、Agent Identity（暗号化 ID を使用した非人間用 IAM）を通じて、すべてのアクションと推論の監査可能なトレイルを提供します。また、一元化さらた Agent Registry により、承認済みのエージェント、スキル、ツール、アプリケーション アーティファクトを管理して、不正なツールの統合を防止します。さらに、Agent Gateway を使用して、トラフィックをプロキシ経由にし、Model Armor ポリシーを適用して、破壊的なアクションを積極的にブロックします。これらの機能は現在 Agent Runtime で利用可能で、Cloud Run と Google Kubernetes Engine（GKE）でもまもなく利用可能になります。

エージェントのデプロイを開始する準備はできましたか？Gemini Enterprise Agent Platform を取り上げたさまざまな Codelab は、こちらでご覧いただけます。

クラウドネイティブ アプリケーションの未来を構築

初めてフルスタック アプリケーションをデプロイするバイブ コーダーから、本番環境のマイクロサービスを標準化するソフトウェア アーキテクト、そして安全な AI エージェント群をスケーリングさせる企業チームまで、Google Cloud はあらゆるニーズに応えるシンプルさ、弾力性、そしてセキュリティを提供します。レポート全文を読む: 2026 Gartner® Magic Quadrant™ クラウドネイティブ アプリケーション プラットフォーム部門（CNAP）を無料でダウンロードできます。

^{「Magic Quadrant for Cloud-Native Application Platforms」、Mukul Saha、Alex Coqueiro、Prasanna Lakshmi Narasimha、Richard Watson 著、2026 年 8 月 3 日}

^{Gartner および Magic Quadrant は、Gartner, Inc. および/またはその関係会社の商標です。上の図は、リサーチ ドキュメントの一部として Gartner, Inc. より公開されているもので、ドキュメント全体の文脈に即して評価する必要があります。この Gartner のドキュメントをご希望の方は、Google までご請求ください。}

^{Gartner は、発行物に掲載されている特定の企業、ベンダー、製品、サービスを推奨するものではありません。また、最高の格付けまたはその他の評価を得たベンダーのみを選択するように助言するものでもありません。Gartner の発行物は、Gartner のビジネスおよびテクノロジー インサイト組織の見解を表したものであり、事実を表現したものではありません。Gartner は、明示または黙示を問わず、商品性や特定の目的への適合性を含め、本出版物に関連したいかなる保証も行いません。}

- プロダクト管理担当シニア ディレクター、Ines Envid

- Google Cloud、プロダクト マネージャー、Lisa Shen

※この投稿は米国時間 2026 年 8 月 20 日に、Google Cloud blog に投稿されたものの抄訳です。

Apache Hive メタストア（HMS）は、10 年以上にわたり、ビッグデータ分析における事実上のメタデータ管理基盤として機能してきました。Hadoop クラスタ上でも、MySQL や PostgreSQL を基盤とする自己管理型の Compute Engine VM 上でも、HMS は中央スキーマ レジストリとして機能し、Apache Spark、Presto、Hive が未加工の .parquet ファイルや .orc ファイルをクエリできるようにしてきました。

しかし、企業のデータ アーキテクチャがペタバイト規模に拡大し、複数のクエリエンジン（Google Cloud Managed Service for Apache Spark、BigQuery、Trino など）を横断的に利用するようになると、従来の Hive メタストアが運用上の深刻なボトルネックとして顕在化するようになりました。

このブログ記事では、エージェント規模の最新のクラウド環境において、従来のメタストアがなぜ課題を抱えているのかを探り、昨年発表したサーバーレスの Google Cloud Lakehouse ランタイム カタログが、その解決にどのように役立つかを紹介します。このカタログは、オープンな Apache Iceberg REST カタログ仕様に基づいて構築されており、本番環境の Hive テーブルをわずか数分で即座に実行可能な形で移行できる、データコピー不要の移行ソリューションです。

従来の Hive メタストアの課題

本番環境で大規模な分析を実行しているデータ エンジニアやインフラストラクチャ責任者の方々と話をすると、スタンドアロンの Hive メタストアには共通して 3 つの課題があることが分かります。

アーキテクチャとスケーリングのボトルネックスタンドアロンの HMS デプロイでは、テーブル スキーマ、パーティション、保存場所を追跡するために、リレーショナル データベースのバックエンド（MySQL や Postgres など）に依存しています。データレイクが数十万ものパーティション分割テーブルにまで拡大すると、パーティションのプルーニングや大量のリスト処理が発生し、このことがリレーショナル データベースにおける深刻なパフォーマンスのボトルネックを引き起こします。パーティション メタデータを要求する複雑な Spark ジョブが実行されると、メタストアの CPU 使用率が 100% に達し、クラスタ全体のクエリ処理に遅延が生じたり、メモリ不足（OOM）が発生したりする可能性があります。

サイロ化された ID とセキュリティ ガバナンス従来のメタストアは、境界ベースの Hadoop セキュリティ モデルに基づいて設計されています。そのため、Apache Spark のコンピューティング ジョブと BigQuery のようなエンタープライズ SQL エンジンの両方で、テーブルレベルのアクセス制御リスト（ACL）などの最新のきめ細かいデータ ガバナンスを適用するには、2 つの異なるコントロール プレーンに分断された、重複するセキュリティ ポリシーを維持する必要があります。

運用上のオーバーヘッドと総所有コスト（TCO）高可用性 MySQL / Postgres インスタンスの管理、HMS デーモンのパッチ適用、JDBC 接続プールの調整、アイドル状態でも課金されるインスタンス ベースのメタストア サーバーの運用などは、データ プラットフォーム チームに大きな負荷を強いるものであり、本来であればエージェント向けの高価値なデータ プロダクトの開発に充てるべき、データ プラットフォーム チームの貴重な時間を奪っています。

解決策: Lakehouse ランタイム カタログ

既存のペタバイト規模のストレージ ペイロードを書き換えることなく、こうしたアーキテクチャ上のボトルネックを解消するために、Google は Iceberg REST カタログと Hive カタログをサポートする Lakehouse ランタイム カタログを構築しました。

Lakehouse ランタイム カタログは、高可用性を備えた完全にサーバーレスな統合メタデータ レジストリであり、従来の Hive / Parquet テーブルと、Apache Iceberg などの最新のオープン テーブル形式の両方をサポートするようにゼロから設計されています。 Lakehouse ランタイム カタログでは、Apache Iceberg REST カタログ仕様をネイティブに実装することで、メタデータ検出をコンピューティング エンジンから分離しています。カタログとコンピューティング エンジンをこのように分離することで、複数の Iceberg 互換エンジンがデータコピー不要で同じデータにアクセスできるようになり、その結果、顧客側でデータのコピーを複数維持する必要性が軽減され、ワークロードをより早く本番環境に移行できるようになります。

このアプローチには、アーキテクチャ上のメリットが数多くあります。

• マルチエンジンの相互運用性: 登録されたテーブルは、標準の REST インターフェースを介して、Google Cloud Managed Spark、BigQuery、オープンソース エンジンで即座に検出やクエリが可能になります。

• オープン API: Iceberg REST カタログと Hive カタログをサポートしているため、異なるチームがそれぞれ好みの分析ツールを使用しながら、単一の統合データセットを共有できます。

• データコピー不要: テーブル定義は、Google Cloud Storage の既存のデータを直接参照します。基盤となるデータの移動、書き換え、複製を行う必要はありません。

• AI を活用したガバナンス、セキュリティ、信頼できるコンテキスト: Lakehouse ランタイム カタログは、Knowledge Catalog および Cloud IAM と直接統合されているため、エージェント用の信頼できるコンテキストや、すべてのコンピューティング エンジンに一貫して適用されるテーブルレベルのセキュリティを定義できます。さらに、認証情報ベンディングなどの主要な認証メカニズムもサポートしています。これにより、基盤となる Cloud Storage バケット内のファイルに直接アクセスすることなく、テーブルにアクセスできます。

• エンタープライズ対応、スケーリング、TCO 削減: Google の地球規模のインフラストラクチャと Spanner を基盤としたメタデータは、データに合わせてスケールできます。Cloud Storage のデュアルリージョン バケットとマルチリージョン バケットのサポートにより、フェイルオーバーのユースケースが可能になります。また、サーバーレスな NoOps 環境と、あらゆるワークロード サイズに対応可能なスケーラビリティにより TCO を削減します。

従来の Hive メタストアからゼロコピーで移行

実際の運用においてスムーズなカットオーバーが可能であることを示すために、従来の自己管理型 Hive メタストアを Google Cloud Lakehouse にモダナイズできる機能を提供しています。この機能は、従来の Hive メタストアに直接接続し、外部テーブルの定義とパーティション マップを抽出して、サーバーレスの Lakehouse カタログに直接登録します。登録後は、Google Managed Spark、BigQuery、Gemini の会話型分析エージェントでデータを利用できます。

Lakehouse にモダナイズし、主要なエージェント ジャーニーで即座にデータを活用できるようにしましょう。

データ アーキテクチャをモダナイズする準備はできていますか？

従来の Hive メタストアから Google Cloud の Lakehouse にモダナイズすることで、分析エンジンやエージェント間のデータサイロを最小限に抑え、マルチエンジンのガバナンスを統合し、信頼できるコンテキストをエージェントに提供し、運用コストを大幅に削減できます。これにより、最新のクラウド環境をエージェント規模で運用できる基盤が整います。

今すぐ Apache Hive メタストア テーブルを Google Cloud に移行して、エージェントの時代に備えましょう。Google Cloud Lakehouse の詳細については、こちらをご覧ください。

- Lakehouse 担当プロダクト リード、Vinod Ramachandran

- バイス プレジデント、Pratibha Suryadevara

※この投稿は米国時間 2026 年 7 月 23 日に、Google Maps Platform blog に投稿されたものの抄訳です。

適切な場所とタイミングの把握

物理的な拠点を有する企業や、自社の業務が刻々と変化する現実世界の状況に左右される企業にとって、その地点について理解することは、新たなビジネス機会を見出すうえで極めて重要です。

Google Maps Platform の最新機能を活用して、建物の立地、クリーン エネルギーの可能性、大気質を分析することで、元データを空間インテリジェンスに変換して、トレンドの特定や予測、サステナブルな収益源の構築に役立てることができます。

立地情報の重要性: Places Insights データセットを拡張

実店舗を構える企業にとって、新しい店舗や施設をどこに建設、開設するかという判断は、収益や ROI に大きな影響を及ぼします。事業拡大を成功させるには、現地の市場を正確に把握する必要があります。

Google Maps Platform の Places Insights データセットは、これまでも、店舗のパフォーマンス分析や新規の見込み顧客の特定に必要なインテリジェンスを提供してきました。このたび、米国、英国、カナダ、オーストラリアにおける Places Insights を拡張し、ブランドの展開状況に関する情報が含まれるようになりました。

この新しい Places Insights データセットは、商業エリアの特性や、補完または競合する事業者の所在地を把握するのに役立ち、販売エリアの最適化、配送ネットワークの拡大、新規事業との統合の評価など、さまざまな用途に利用できます。この新しいデータを活用して商業密度を分析することで、市場拡大、製品流通、出店場所の選定といったデータドリブンな意思決定をより精緻化できます。

Places Insights のデータはすべて BigQuery で利用できるため、それらのデータを自社の売上、顧客、運用のデータや、サードパーティの人口統計、交通、環境のデータにマッピングして、わかりやすい形で可視化できます。また、データサイロを解消することで、市場飽和度、市場浸透度、空間需要をより効率的に分析できるようになります。

Places Insights は、アルゼンチン、フィンランド、韓国などで新たに利用できるようになり、合わせて 50 か国へと拡大しました。

太陽光発電パネルの設置状況を把握

屋上太陽光発電パネルが設置されている場所を特定するには、これまでは衛星画像を丹念に調べる必要がありました。新しい Detected Arrays は、既存の太陽光発電パネルの設置状況を可視化することで、あらゆる建物の発電の可能性を把握できるようにします。

Google は、当社の Earth AI の地理空間基盤モデルを使用して、Solar API にこの新しい太陽光発電検出データセットを作成しました。これにより、地域全体の実際の太陽光発電容量をデスクトップから直接分析できるようになり、現地調査にかかる時間と費用を削減できます。

エネルギー状況をミクロな視点で把握できるようになることで、クリーン エネルギーの機器やサービスを提供する事業者は、住宅の電化を検討している顧客の発掘、現地調査の強化、拡大の余地がある地域の特定などが可能になります。また、エネルギー事業者は、エネルギー インフラストラクチャ、負荷調整、バーチャル パワー プラント プログラムについて、エビデンスに基づく意思決定を行い、新規ビジネスの獲得につなげることができます。

過去の大気質と花粉のデータを実践的なビジネス戦略に変換

花粉の量と、花粉が原因で起こる季節性アレルギーは、地域ごとに絶えず変化しています。Air Quality Insights は、汚染物質に関する超局地的な最新データを長年にわたって提供しており、健康やビジネスのリスクをより正確に評価できるようにしてきました。

このたび、Pollen Insights と Air Quality Insights のデータセットに 4 年分のデータが追加されました。これにより、リアルタイムのモニタリングだけでなく、予測的な分析も可能になり、季節的な環境要因が人々に影響を及ぼす前に予測できるようになります。

製薬、ヘルスケア、ライフ サイエンスの企業は、この花粉と大気質の過去のデータを活用して、研究開発に役立てたり、季節ごとのサプライ チェーンを最適化したりできます。また、粒子状物質、アレルゲン、花粉（形状や種類なども含む）を詳細に把握することで、アレルギーをより適切に管理するために必要な予測や健康に関する推奨事項を提供できます。

さらに、BigQuery では、大気質や花粉のデータと各企業固有のビジネスデータとを簡単に結合できるため、呼吸器系の健康動向や、関連する医薬品のサプライ チェーンの需要予測に役立てることができます。Air Quality Insights と Pollen Insights は、米国、カナダ、オーストラリアでご利用いただけます。

Google Maps Platform の新旧のデータセットと機能を組み合わせることで、強力な「空間インテリジェンス エンジン」を実現できます。業務をより深く理解して、新たな機会を特定できるほか、ビジネスの実世界におけるフットプリントを賢く、かつ持続可能な形で最適化することが可能になります。

Places Insights、Solar API、Pollen Insights で、Google Maps Platform の最新のデータセットを今すぐご利用ください。

- Google Maps Platform、シニア プロダクト マネージャー、Saleem Van Groenou
- Google Maps Platform、プロダクト マネージャー、Amit Lesman
- Google Maps Platform、グループ プロダクト マネージャー、Erika Yamasaki

Welcome back to What’s new in AI infrastructure and orchestration this month, a collection of product updates, how-tos, customer stories, research and other resources about all the AI compute, networks, storage, frameworks, and orchestration software that you can find at Google Cloud. To be honest, we thought August would be a slow month, but nothing could be further from the truth. Read on and you’ll see what we mean.

August 2026

Product, technology, and tools updates

• Product update: Filestore, Google Cloud’s first-party, secure, scalable NFS file service, has emerged as a popular storage platform for AI and agentic workflows, and now, it’s even better suited to the task, with a new backend storage layer built directly on Colossus, Google’s foundational distributed storage system. This new backend lets you provision IOPS independently from storage capacity, and is deeply integrated with GKE. In AI environments, this can help you service so-called agentic swarms — large groups of agents that need to read and write to a common dataset — without a drop off in performance. For more, check out the blog post. 

• New feature: gVisor sandboxes are now available in distributed Ray clusters on GKE. In partnership with Anyscale, we introduced an experimental library for Ray that brings gVisor, Google’s open-source application kernel, directly into distributed Ray clusters. gVisor provides lightweight environments with stronger isolation than ordinary containers, plus fast startup times and low memory overhead. To try out these sandboxing capabilities on GKE, head over to the Ray sandboxing User Guide.

• Product update: Looking for high-performance, easy-to-use infrastructure on which to run a personal AI agent, but don’t want to spend a lot of money? New Cloud Run instances are dedicated, singleton compute runtimes on Cloud Run that won’t shut down when the agent is idle. Better yet, the cost to run a Cloud Run instance with 1 vCPU and 1 GiB of memory continuously for 30 days is just $5.70.  

Practitioner guides, documentation and how-tos

• How-to guide: Big news in Model Context Protocol (MCP) land: As of the 2026-07-28 specification, the protocol core is “completely stateless. The handshake is gone. The initialize / initialized handshake (SEP-2575) and the logical Mcp-Session-Id header (SEP-2567) have been removed entirely. Instead, every request is now self-describing and independent.” Whoa. Learn more about the changes that the latest MCP specification brings, and more importantly, how to implement them, in this Google Developers blog.  
• Guide: Real-time AI systems make a mess of traditional network load balancing techniques. “Instead of handling isolated requests, the backend has to manage a continuous, live bidirectional stream. You’re dealing with a constant stream of audio chunks, transcripts, model outputs, and synthesized speech flowing back and forth simultaneously.” Things only get worse when the user gets involved. “The server has to immediately halt its current speech generation, pivot to update the context, maybe trigger a new tool, and start drafting a different response; this must be done without dropping the connection.” For a new approach to managing load in the AI era, read Scaling real-time AI agents with session-aware load balancing.
• How-to: Learn how to build an elastic, scalable LLM inference platform on GKE, even with a mix of different GPU accelerators. The proposed architecture combines Capacity Advisor and Compute Advisor, plus high-performance storage like RunAI:model streamer or GCPFuse with parallel downloads. Get all the details here.
• Documentation: The thing about hosts with GPUs or TPUs is that you can’t use live migration to update them, setting up a maintenance challenge. In this new docs page, learn how to update accelerator-equipped hosts according to your tolerance for downtime for your training and inference workloads.    
• Documentation: Advanced Compute Images, or ACIs, are standardized image stacks for AI/ML and HPC infrastructure, so you don’t need to manually build your own custom images. In this new docs page, learn how to create an ACI image using the Google Cloud CLI, console, or SchedMD's Slurm workload manager. 
• Guide: AI workloads are notoriously difficult to architect, resource-intensive, and bursty, which can also lead to scaling bottlenecks and large pools of underutilized — or misutilized — compute resources. A new blog outlines the three main ways to achieve dynamic capacity management in Google Cloud: 1) scheduling capacity for planned downtime; 2) maintaining automated fallback capacity for unplanned downtime; and 3) relying on GKE’s core orchestration capabilities to automate resource allocation. 

Customer and partner updates

• Business orchestration software provider UiPath was dealing with spiky workloads, and wanted more predictable costs. To get there, it re-architected its infrastructure, moving from isolated clusters to a shared Google Cloud GPU fleet that included both A3 VM instances (NVIDIA H100 GPUs) for training with G4 VM instances (NVIDIA RTX PRO 6000 Blackwell Server Edition GPUs) for inference. You can read more about their architecture here. 

• Mirendil, an frontier AI lab focused on accelerating AI development, announced that it is using AI Hypercomputer with both TPUs and NVIDIA GPUs to support its model pre-training and post-training applications. 

• Replenit, a retail CRM provider, built its AI decision engine in Google Cloud, using BigQuery, Gemini Enterprise Agent Platform, and open-source Gemma models that it runs on Cloud TPUs. This latter combination provided Replenit with 90% lower pipeline costs than their previous cloud provider, the company reports. Read the full case study for more. 

• Malachyte architected its AI-powered e-commerce recommendation platform on top of Bigtable, Managed Service for Apache Kafka, Pub/Sub, Compute Engine, and last but not least, GKE. See how it all comes together in this blog.

July 2026

Product, technology, and tools updates

• Product update: Google Cloud Managed Lustre is now GA, and available in four distinct performance tiers that deliver throughput ranging from 125 MB/s, 250 MB/s, 500 MB/s, to 1000 MB/s per TiB of capacity — with the ability to scale up to 8 PB of storage capacity. The Managed Lustre solution is powered by DDN’s EXAScaler, combining DDN's decades of leadership in high-performance storage with Google Cloud's expertise in cloud infrastructure.

• Product update: C4N network and storage optimized VMs are now GA. C4N is our first network- and block-storage-optimized VM series built to eliminate data-transfer bottlenecks. Powered by 5th Gen Intel Xeon Scalable processors and built on Google's Titanium offloading hardware, it achieves 400 Gbps network bandwidth, 95 million packets per second (MPPS), and up to 25 GiB/s of block storage throughput when paired with Hyperdisk Extreme.

• New feature: GKE Dataplane V2 up to 15K Nodes with Network Policies (GA). This capability enables standard GKE clusters to scale up to 15,000 nodes while maintaining full active Network Policy enforcement, supporting the massive infrastructure needs of large enterprise and AI/ML customers.

• New feature: Co-operative time-slicing in llm-d. If you’re running reinforcement learning (RL) workloads, you can now interleave independent RL jobs onto shared physical hardware, increasing aggregate accelerator duty cycles from a ~40% baseline up to 70% without impacting model convergence or accuracy. 

• New AI security tool: Looking to secure your AI supply chain on GKE, deploy AI workloads safely, and cut down on shadow AI? We open-sourced k8s-aibom, a lightweight, unprivileged Kubernetes controller that continuously monitors container clusters to automatically detect running AI runtimes (like vLLM and Triton) and generate standard CycloneDX Machine Learning Bill of Materials (ML-BOMs). Check out the k8s-aibom project and get involved.

Practitioner guides and how-tos

• How-to guide: On July 27, Google announced Day 0 support for Moonshot AI’s Kimi K3 2.8-trillion-parameter open-weight model, the day weights were released. Whichever your preferred deployment path — via Model Garden, custom orchestration, or GKE with llm-d recipes — this guide offers detailed step-by-step instructions to help you evaluate and pilot Kimi K3 in Google Cloud. 

• How-to guide: Google Kubernetes Engine (GKE) managed DRANET supports both GPUs and TPUs. There are several configurations to use this implementation, including standard cluster (where you have full control) and autopilot cluster (where Google does the heavy configs for you). Take a deeper dive in the hands-on lab, GKE Autopilot clusters with TPUs, GKE managed DRANET and Gemma 4.

• How-to guide: Learn to run Ray on TPUs, not GPUs. In Part 1 of this two-part series, we discuss TPU slices (hint: Ray thinks of them as just another accelerator on which to schedule), then walk through Ray’s various AI libraries (Part 2).

• How-to guide: Evaluate TPUs for sample workloads using a new microbenchmark suite that helps you accurately assess whether a device is achieving its theoretical performance specifications, and to identify specific performance gaps or architecture-specific bottlenecks. Dive in here. 

• How-to guide: Scale your agents without killing your budget. Learn how GKE orchestration can help you safely pack more agents onto a fixed compute footprint with GKE Agent Sandbox and Pod snapshots. Whether your goal is performance or cost optimization, we teach you how to turn the right dials for optimal agent efficiency. 

• Technical blueprint: Inside the optimization of Mistral 3 large inference on Ironwood. This blog outlines how one Google team optimized Mistral 3 large MoE model inference on Google’s Ironwood (TPU v7x), achieving a 1.5x performance gain. They did so with hybrid sharding, replacing linear VPU summations with tree reductions, optimizing GMM/MLA kernels, and adopting asynchronous scheduling. As a result, they boosted throughput by up to 48% while maintaining benchmark accuracy neutrality. Read the full blog here.

Research, reports and deep-dives

• Report: Google was named a Leader in the inaugural GartnerⓇ Magic Quadrant™ for AI Infrastructure, positioned highest for ‘Ability to Execute’ and furthest for ‘Completeness of Vision’. Gartner called out Google’s proprietary scalable compute, integrated AI Hypercomputer architecture, and the scale of our AI compute capacity as key strengths. Download a copy here.

• Report: We recently surveyed more than 1,400 senior IT leaders for our State of AI Infrastructure report, and a resounding pattern emerged: The gap between AI ambition and infrastructure reality is widening. In fact, 83% of organizations say they require infrastructure upgrades to support production-grade agentic AI. Read the accompanying blog to understand how adapting your infrastructure to meet the demands that agentic applications place on your systems will help you move from pilot to production.

June 2026

Product, technology and tool updates

• Product update: Protecting sensitive data used with AI is a critical part of advanced and secure cloud infrastructure. Confidential Computing cryptographically protects data in use in hardware-based Trusted Execution Environments (TEEs) with verifiable data integrity, and is now available on the accelerator-optimized G4 machine series, featuring NVIDIA RTX PRO 6000 Blackwell Server Edition GPUs. Get started with Confidential G4 VMs and Confidential G4 GKE Nodes.

• Developer resource: The new TPU Developer Hub is the place to go for model builders, optimizers, and developers to learn to unlock the full performance of Google Cloud TPUs. Read more in this blog. 

• New product: Scale your AI workloads with the new OpenTelemetry-Based TPU AI Telemetry Collector Agent. For the first time, you can route high-fidelity TPU hardware telemetry to Google Cloud Monitoring, Google Managed Prometheus, or your own self-hosted Grafana stack.

Practitioner guides and how-tos

• How-to guide: Learn how to build high availability into an AI inference workload running on GKE Inference Gateway with TPUs, Cloud Storage FUSE and Dynamic Resource Allocation (DRA). This blog provides an overview, or you can get all the technical details in the hands-on codelab.

• How-to guide: Did you know you can connect your AI agents to unstructured data in Cloud Storage via Model Context Protocol (MCP)? In this blog, learn about why would want to do that from three customer examples, then how to do it, choosing either a fully managed service, or a self-managed local server for more customization and control. 

Research, reports and deep-dives

• Report: According to an independent benchmark report, GKE Inference Gateway outperforms the next leading managed Kubernetes service with 15.7% higher throughput, 92.8% shorter wait times, and 62.6% lower inter-token latency. This performance can be attributed to its use of prefix caching, which optimizes LLM performance by storing the KV cache (activation states) of long, repetitive prompt prefixes. Learn more in the blog. 

• Architecture deep dive: A closer look at the cold start problem, this time for TPUs and GKE, and how the Run:ai Model Streamer can help change the dynamic. 

Customer and partner updates

• Customer win: Leveraging GKE, BigQuery, Cloud SQL, and Gemini Enterprise Agent Platform, Pager Health is eliminating operational fragmentation to deliver a simplified, personalized U.S. healthcare experience that transforms lives.

• Customer win: Trustpilot, the customer review platform, built a high-volume streaming pipeline using fine-tuned Gemma models with Dataflow and Gemini Enterprise Agent Platform running on cost-optimized A2 VMs using A100 GPUs, as well as optimized version of vLLM maintained by Gemini Enterprise Agent Platform.

May 2026

Product, technology and tool updates

• Product update: GKE Agent Sandbox is now generally available.

• New open-source project: Agent Substrate is a new open-source project aimed at continuing to push the limits of agentic infrastructure density

• New feature: Google AI Edge Portal, a solution for testing and benchmarking on-device machine learning (ML) at scale, now supports benchmarking and debugging on-device LLMs. Read more here. 

• Product deep dive: We went into depth about Cloud Storage Rapid, a new family of high-performance storage offerings for AI workloads. At launch, offerings include Rapid Bucket (formerly Rapid Storage), a high-performance zonal object storage offering, and Rapid Cache (formerly Anywhere Cache), which accelerates reads on-demand and colocates compute and data for workloads in existing buckets. 

Research, reports and deep dives

• Architecture deep dive: Google Global Infrastructure VP Bikash Koley and Engineering Fellow Arjun Singh provide a high-level overview of the challenges that AI workloads pose to network infrastructure, and discuss the deep enhancements we’ve made to our data center fabrics, WAN, and global networks to better support them. 

• Architecture deep dive: We unveiled a new cluster-level reliability model for developing frontier AI models on TPUs, ditching instance-level reliability 

Customer and partner updates

• Customer win: Visual media provider Imgix serves more than 8 billion images and videos from AI Hypercomputer equipped with G4 VMs powered by NVIDIA RTX PRO 6000 Blackwell GPUs.