Agentic Data Cloud、能動的な System of Action 向けデータ基盤
企業向けのデータ基盤を前提から組み直す立場の読者向けに、Google Cloud は、人的な作業日のペースを超えて常時動かすエージェント負荷、事後的な要約にとどまらない同時点での操作、生データ列の所在だけを並べ替えるのにとどまらない同義差と使われ方の区別、という三つの圧力を一つの枠にまとめ、受動的に状況を知らせるだけの System of Intelligence から、自律するエージェントが能動的に行動する System of Action へ重心を置く、という主張を展開する。この枠を同社は Agentic Data Cloud と名付け、従来の部品同士の接合だけの「モダン」積層は、囲い込み、品目一覧にとどまる文脈、分析と取引系の分断、AI に最適化されない帯域で立ち上がる費用、のいずれかに触れると、エージェント負荷の下で一気に破綻しやすい、という整理に寄せる。
この枠に求められる三条件は、層のどこにでも AI 処理を差し込める AI ネイティブさ、囲い込みを外しオープンな形式、複数のクラウド、オンプレ、ネイティブな各エンジンにまたがってデータを活かす柔軟性、説明と許可づきで自動実行を区切れる信頼、である。コスト面では、外部の部品同士の継ぎ目を増やすのではなく、自社積層上でモデルとストレージ周りを揃え、余計なネットワーク経路を減らす、という方針が前面に出る。接続面では、Lakehouse for Apache Iceberg で基盤を一本化しつつ、Omni で他クラウドやオンプレと跨げる、という取り扱いが併存する。意味づけは Knowledge Catalog が起点となり、データの集約、意味づけ、高精度な検索を束ね、非構造ファイルの意味抽出に Smart Storage と Gemini を用い、カタログを受動的な目録以上の層に引き上げる、とされる。
上記の枠の積層は、人間向け作業の削減群（Data Science や Data Engineering、データベース可観測性、会話型分析、Model Context Protocol ベースの Google Cloud Data Agent Kit）、知識と記憶（Knowledge Catalog、Agent Platform Memory Bank、可観測性）と、Spanner や AlloyDB、Cloud SQL、Looker、BigQuery に届く一つの行動面、加えてグラフ・ベクトル・検索とマルチモーダルをエンジン内に内蔵し到着し続けるデータ行をその場で判断する層、に分かれる。累計 10 億件超の問い合わせを同社の移行支援で扱い、年間成長は 2 倍超、BigQuery 上の Gemini 経路で処理するデータ量は年間 30 倍前後、BigQuery の Model Context Protocol サーバ利用は 6 か月で約 20 倍、といった数値は、Palo Alto Networks や CME Group、UKG など、セキュリティと金融、人事分野の顧客例とともに示されている。