Gemini, Agents e Vibe Coding: o Day 2 do Next’25 provou que, em IA, o Google não joga — dita as regras
O segundo dia do Google Cloud Next 2025 foi mais do que uma sequência de lançamentos — foi um convite direto à próxima fase da computação inteligente. Com foco em aplicações práticas da inteligência artificial generativa, a programação abordou como desenvolvedores, engenheiros de dados e líderes corporativos podem adotar agentes autônomos, modelos com janelas de […]
IA & GenAI · 14 abr 2025 · 14 min · por Sauter Marketing
O segundo dia do Google Cloud Next 2025 foi mais do que uma sequência de lançamentos — foi um convite direto à próxima fase da computação inteligente. Com foco em aplicações práticas da inteligência artificial generativa, a programação abordou como desenvolvedores, engenheiros de dados e líderes corporativos podem adotar agentes autônomos, modelos com janelas de contexto ampliadas, e ferramentas integradas com IA para transformar não apenas código, mas operações inteiras.
O evento revelou uma visão sistêmica da IA, onde agentes conversam entre si, desenvolvem tarefas completas de forma autônoma, aprendem com feedbacks e se integram aos fluxos reais de negócios e produtos. O Gemini deixou de ser apenas um modelo: virou infraestrutura, copiloto, gerente de projeto e até juiz de campeonato.
Este artigo traz uma análise aprofundada das principais inovações do Day 2, com foco no impacto técnico e estratégico das soluções anunciadas. Vamos explorar como o Google está redefinindo o papel da IA na criação de software, gestão de dados, automação de processos e até mesmo no esporte.
1. IA no controle: Gemini assume o Google Workspace
A inteligência artificial deixou de ser uma ferramenta paralela para se tornar parte do fluxo principal de trabalho. Com as atualizações apresentadas no Day 2, o Gemini está profundamente integrado ao Google Workspace, atuando como um copiloto ativo em ferramentas como Gmail, Docs, Meet e Calendar.
O destaque não está apenas na automação de tarefas, mas na forma como a IA entende o contexto contínuo das atividades, oferecendo suporte personalizado com base em dados passados, interações recentes e preferências do usuário. O Gemini escreve e-mails, responde mensagens, resume documentos, agenda reuniões e ainda sugere ações — tudo com base em um entendimento real da dinâmica de trabalho da equipe.
Essa evolução traz um impacto direto e mensurável para empresas:
Redução de tempo em tarefas operacionais
Menos dispersão entre aplicativos e fluxos
Aumento de produtividade e foco nas decisões estratégicas
Mais do que um assistente, o Gemini agora atua como um coautor e organizador do dia a dia digital, moldando um novo padrão de trabalho inteligente, contextual e proativo.
2. Educação inteligente: NotebookLM como tutor corporativo
O NotebookLM evoluiu para se tornar mais do que um repositório de notas com IA — ele agora atua como um verdadeiro tutor inteligente, com memória de longo prazo, capacidade de raciocínio e compreensão profunda de documentos complexos.
A Google apresentou o NotebookLM com suporte a até 1 milhão de tokens de contexto, o que significa que a ferramenta consegue lidar com conteúdos extensos — como apostilas, apresentações, manuais ou conjuntos de relatórios — mantendo coerência entre perguntas, respostas e raciocínios sucessivos.
Essa nova capacidade transforma o NotebookLM em um ativo estratégico para:
Treinamentos técnicos e capacitação de times
Onboarding inteligente com guias personalizados por área ou projeto
Acompanhamento contínuo de aprendizado com base em interações anteriores
Além de responder perguntas, o modelo justifica, explica e até gera materiais de apoio — como apresentações, quizzes ou planos de estudo. Em outras palavras, empresas agora podem escalar conhecimento com qualidade e contexto, substituindo PDFs estáticos por experiências de aprendizado orientadas por IA.
O NotebookLM deixa claro: a IA não apenas responde — ela ensina, acompanha e evolui com os usuários.
3. Gemini Agents: IA sem código e para todos
A promessa de criar agentes autônomos com inteligência artificial parecia, até pouco tempo atrás, restrita a times de engenharia altamente especializados. A Google quebrou essa barreira ao apresentar uma estrutura simples e poderosa para a criação de agentes baseados no Gemini, sem a necessidade de código ou configurações complexas.
Esses agentes são capazes de:
Executar tarefas corporativas com lógica e autonomia, como gerar orçamentos, preencher formulários, consultar permissões ou enviar requisições.
Atuar como pontes entre sistemas, conectando APIs, bancos de dados e documentos.
Aprender com interações anteriores, se adaptando ao estilo e necessidades do usuário.
Tudo isso é orquestrado por meio do Vertex AI, que centraliza o ciclo de vida dos agentes — da construção ao monitoramento. Com a introdução do Agent Development Kit (ADK), a criação de agentes passa a seguir uma lógica de três elementos: instruções, ferramentas e modelo. Isso permite que qualquer profissional, com conhecimento de negócio e linguagem natural, consiga prototipar soluções inteligentes de forma escalável.
Na prática, o que o Google mostrou foi uma nova camada de software, onde tarefas antes manuais passam a ser delegadas para agentes com raciocínio próprio — abrindo espaço para pessoas focarem no que realmente importa: estratégia, análise e decisão.
4. Gemini 2.5 Pro: memória, raciocínio e contexto de verdade
O lançamento do Gemini 2.5 Pro marcou um salto significativo na capacidade cognitiva dos modelos de linguagem. Com uma janela de contexto de até 1 milhão de tokens, o modelo consegue analisar documentos longos, grandes bases de código, múltiplos anexos e históricos complexos — sem perder o fio da meada.
Essa profundidade contextual abre possibilidades reais para casos como:
Análise jurídica com milhares de páginas e pareceres.
Debugging avançado com rastreio de múltiplos arquivos e interações.
Arquitetura de sistemas, revisando integrações, dependências e decisões técnicas.
Geração de documentos técnicos ou relatórios executivos, com base em materiais extensos.
Além da capacidade de memória, o Gemini 2.5 Pro se destaca pelo seu raciocínio incremental e uso de Search Grounding — ou seja, ele pode buscar dados atualizados via Google Search e fundamentar suas respostas com fontes reais e recentes.
Outro diferencial é a multimodalidade: o modelo pode entender e gerar texto, código, imagens, planilhas e até vídeos. Isso transforma o Gemini 2.5 Pro em uma plataforma de raciocínio generalista, adaptável a qualquer tipo de problema ou contexto.
Se antes os modelos de IA eram ferramentas de apoio pontual, agora se tornam parceiros de resolução profunda, com visão de longo prazo, memória funcional e capacidade de pensar em escala.
5. Gemini Code Assist Kanban Board: IA que programa e gerencia
O desenvolvimento de software está mudando — e o Google mostrou como. Com o lançamento do Gemini Code Assist Kanban Board, o ciclo de vida da engenharia passa a ser gerenciado, executado e acompanhado por agentes de IA, com uma nova interface visual orientada por tarefas.
No lugar de interações isoladas em editores de código, o Kanban Board transforma o desenvolvimento em uma experiência coordenada:
A IA recebe tarefas a partir de comentários em documentos, issues em repositórios ou mensagens em chats corporativos.
Essas tarefas viram cards visuais, com rastreabilidade, histórico e execução acompanhada em tempo real.
Cada etapa do desenvolvimento — da geração de código ao teste, revisão, documentação ou migração — pode ser delegada a agentes especializados.
Um dos grandes diferenciais é o chamado “Backpack”, um repositório de contexto técnico associado ao desenvolvedor ou projeto. Ele armazena:
Estilo de codificação
Padrões de segurança
Convenções de formatação
Feedbacks anteriores e histórico de decisões
Isso permite que a IA trabalhe de forma alinhada com a cultura do time, reduzindo retrabalho e garantindo consistência técnica.
Mais do que um copiloto, o Gemini se posiciona aqui como um gestor de sprint invisível, capaz de distribuir tarefas, priorizar bugs, revisar pull requests e entregar software de forma autônoma e interativa. Um novo paradigma para equipes que buscam velocidade, qualidade e governança em escala.
6. Vertex AI Agent Engine + Agentspace: infraestrutura para agentes
Para que agentes autônomos funcionem em escala corporativa, é preciso mais do que modelos inteligentes — é necessário infraestrutura de execução, controle e governança. Foi exatamente isso que o Google apresentou com o lançamento do Vertex AI Agent Engine e do Agentspace.
O Agent Engine é um ambiente gerenciado onde agentes podem ser implementados, executados e monitorados com:
Segurança corporativa embutida
Logs, rastreamento e métricas de performance
Avaliação contínua de qualidade
Suporte a múltiplos frameworks de agentes, incluindo o novo Agent Development Kit (ADK)
Essa base permite que as empresas não apenas testem agentes, mas os coloquem em produção com confiabilidade e controle, como qualquer outro microserviço.
Já o Agentspace funciona como um marketplace interno e colaborativo, onde agentes podem ser:
Registrados e publicados por desenvolvedores
Compartilhados com equipes ou toda a organização
Acessados com base em permissões e políticas corporativas
Descobertos por outros usuários de forma intuitiva, com descrição de capacidades e casos de uso
A combinação entre Engine e Agentspace dá origem a um novo ciclo de vida de software: agora, times podem construir, versionar, publicar, rodar e monitorar agentes de IA como ativos da organização, com governança e colaboração integrada.
É o início de uma nova camada de abstração na nuvem: a plataforma de agentes corporativos.
7. Sistemas Multiagentes + A2A Protocol: IAs que colaboram entre si
À medida que agentes de IA ganham autonomia e capacidades especializadas, surge um novo desafio: fazer com que eles colaborem entre si de forma coordenada e confiável. A resposta do Google para isso foi a introdução de sistemas multiagentes, suportados pelo Vertex AI Agent Engine, e o lançamento do novo A2A Protocol (Agent2Agent).
Durante o Day 2, o Google demonstrou como um sistema completo pode ser construído com múltiplos agentes, cada um com uma função específica:
Um agente para geração de propostas técnicas
Outro para verificação de permissões e regulamentações
E um terceiro para orquestrar pedidos e entregas de materiais
Esses agentes são orquestrados por um agente raiz, que entende o objetivo maior e distribui tarefas com base em instruções escritas em linguagem natural. O resultado é uma arquitetura modular, extensível e altamente escalável — sem dependência de código rígido.
Para facilitar ainda mais a interoperabilidade, foi lançado o A2A Protocol, um padrão aberto que permite que agentes:
Conversem entre si, mesmo sendo construídos com diferentes frameworks e fornecedores.
Negociem objetivos, compartilhem contexto e coordenem decisões.
Operem em ecossistemas híbridos, como cloud, edge e on-premises.
Complementando essa estrutura, o Google apresentou o recurso Cloud Assist Investigations, que permite investigar falhas em sistemas de agentes com logs inteligentes, geração de hipóteses e até sugestões de correção via Gemini — tudo integrado ao ciclo de vida do agente.
Com isso, a Google inaugura um novo momento da computação distribuída: não mais entre máquinas, mas entre inteligências.
8. Data Science Agents + TimesFM: IA que entende séries temporais
Se antes os cientistas de dados dependiam de notebooks manuais, longas sessões de codificação e um bom tempo de exploração para gerar insights, o Google mostrou que isso está mudando — rápido. Com os novos Data Science Agents, integrados ao BigQuery Notebooks e ao Colab, profissionais agora contam com um parceiro inteligente de análise, capaz de transformar dados brutos em produtos analíticos prontos para o negócio.
Esses agentes atuam diretamente nos ambientes de dados e permitem:
Geração automática de queries, visualizações e transformações.
Explicações dos resultados em linguagem natural.
Criação de análises preditivas com modelos de última geração — sem precisar sair do notebook.
O grande destaque foi o lançamento do TimesFM, um modelo de forecasting treinado com grandes volumes de séries temporais, disponível diretamente no BigQuery. Ele permite gerar previsões robustas com pouca engenharia de features, o que acelera ciclos de experimentação e simplifica o uso por equipes menos técnicas.
Além disso, com poucos cliques, os dados podem ser transformados em Data Apps interativos, que gestores e usuários de negócio podem acessar para gerar previsões personalizadas — sem escrever uma linha de código.
O resultado é um novo fluxo de valor para times de dados:
O agente prepara os dados.
O modelo gera as previsões.
A IA monta um app com os resultados.
O stakeholder consome a previsão em tempo real.
Essa é a IA não substituindo o cientista de dados, mas elevando sua capacidade de entrega e multiplicando seu impacto em escala.
9. Vibe Coding: desenvolvimento com Gemini nos seus próprios termos
Codar com IA deixou de ser apenas sobre receber sugestões em uma linha de código. O conceito de Vibe Coding, apresentado no evento, amplia essa experiência para algo mais natural, interativo e fluido — onde o desenvolvedor conversa com a IA em tempo real, dentro da ferramenta que já usa no dia a dia.
O Gemini 2.5 Pro agora está integrado a uma série de IDEs, como:
Windsurf, voltado à criação de agentes com um fluxo visual e enxuto
Cursor, ideal para análise e refatoração de bases de código extensas
IntelliJ + Copilot, com suporte a múltiplos idiomas (inclusive prompts em português)
Visual Studio Code, Tabnine, Cognition, Aider, entre outros
Essas experiências não apenas completam código — elas:
Geram micro serviços completos
Realizam validações e refatorações contextuais
Criam testes unitários e sugerem melhorias
Entendem o projeto como um todo, não apenas o trecho atual
Além disso, o Google levou o Gemini também para o Firebase Studio, criando uma experiência IA-first no desenvolvimento de apps web e mobile. Com isso, o desenvolvedor pode:
Receber sugestões baseadas em dados reais de uso do app
Criar componentes com foco em UX e performance
Construir jornadas personalizadas com base no comportamento do usuário
O Vibe Coding representa uma mudança de mentalidade: codar com IA não é só acelerar o que já fazíamos, é fazer de um jeito completamente novo — mais criativo, interativo, leve e contextualizado. E o desenvolvedor continua no centro da experiência, agora com um parceiro que entende o que está sendo construído.
10. Esporte e IA: Gemini como comentarista, analista e juiz
O Day 2 também provou que a IA não se limita a planilhas, código e análises corporativas. A integração entre Gemini e Vertex AI está abrindo espaço para casos de uso no esporte que mostram o potencial da tecnologia em contextos com alto volume de dados, necessidade de decisões em tempo real e impactos diretos na experiência humana.
MLB + Google Cloud
A Major League Baseball está utilizando Gemini para processar 25 milhões de dados por jogo com a infraestrutura do Vertex AI. Isso permite:
Comparar jogadas em tempo real com bases históricas (Statcast)
Gerar insights técnicos sobre performance de atletas
Alimentar painéis ao vivo com métricas de difícil percepção visual
Além disso, a parceria rendeu um hackathon, onde foi desenvolvido um agente com capacidade de analisar a biomecânica de arremessos com base em vídeo — e tudo isso, sem precisar de câmeras de alta velocidade ou equipamentos especiais. Com poucos prompts e uso de Computer Vision via Gemini, qualquer atleta pode receber análises personalizadas, seja amador ou profissional.
X-Games: IA como juiz e comentarista
Outro exemplo impactante foi nos X-Games, onde a IA atuou como comentarista e juíza das competições, analisando manobras, pontuação e desempenho técnico de forma imparcial. Em apenas oito semanas, uma equipe construiu:
Um agente comentarista com linguagem natural e tom de narrador esportivo
Um sistema de scoring assistido por IA, capaz de avaliar manobras com base em padrões técnicos
Um modelo preditivo que acertou os três primeiros colocados com base em análises de treino
A mensagem foi clara: a IA pode operar em tempo real, com precisão e imparcialidade, complementando o julgamento humano com dados e consistência.
Esses cases mostram que a IA não está apenas automatizando — está ampliando o que é possível em ambientes que exigem velocidade, julgamento técnico e experiência. O campo de jogo mudou. E a IA agora está na arbitragem.
Conclusão
O Day 2 do Google Cloud Next 2025 deixou claro que a IA generativa não é mais uma aposta futura — ela já está moldando a forma como trabalhamos, desenvolvemos, analisamos e decidimos. O que vimos foi uma virada de chave: o Gemini não é mais apenas um modelo. Ele é um agente, um gerente, um parceiro técnico, um tutor e um analista — operando dentro dos fluxos reais de trabalho, com contexto, autonomia e escala.
Combinando interfaces naturais, modelos robustos, agentes modulares e infraestrutura de execução, o Google apresentou uma nova arquitetura de produtividade — uma em que toda função pode ser potencializada por IA, desde o código até a reunião de diretoria.
Se a primeira onda da IA generativa foi sobre experimentação, a segunda — liderada pelo que vimos no ontem — é sobre aplicação sistemática, governada e integrada à operação.
Como a Sauter trabalha isso
Este tema está dentro do nosso pilar de Forward Deployment Engineers. Veja como ficou na prática: GPA, com consultas que levavam 7 dias passaram a levar 15 segundos.
Somos Google Cloud Premier Partner, Partner of the Year em 2023 e 2024, e a primeira parceira oficial da Anthropic no Brasil. Fale com um especialista.
The second day of Google Cloud Next 2025 was more than a sequence of launches — it was a direct invitation to the next phase of intelligent computing. Focused on practical applications of generative artificial intelligence, the program addressed how developers, data engineers, and corporate leaders can adopt autonomous agents, models with expanded context windows, and AI-integrated tools to transform not just code, but entire operations.
The event revealed a systemic vision of AI, where agents converse with each other, complete tasks autonomously, learn from feedback, and integrate into real business and product workflows. Gemini is no longer just a model: it has become infrastructure, copilot, project manager, and even championship judge.
This article provides an in-depth analysis of the key innovations from Day 2, focusing on the technical and strategic impact of the announced solutions. We'll explore how Google is redefining the role of AI in software development, data management, process automation, and even sports.
1. AI in Control: Gemini Takes Over Google Workspace
Artificial intelligence has gone from being a parallel tool to becoming part of the core workflow. With the updates presented on Day 2, Gemini is deeply integrated into Google Workspace, acting as an active copilot in tools like Gmail, Docs, Meet, and Calendar.
The highlight is not just task automation, but how AI understands the continuous context of activities, offering personalized support based on past data, recent interactions, and user preferences. Gemini writes emails, responds to messages, summarizes documents, schedules meetings, and even suggests actions — all based on a real understanding of the team's work dynamics.
This evolution brings a direct and measurable impact for companies:
Reduction of time on operational tasks
Less context-switching between apps and workflows
Increased productivity and focus on strategic decisions
More than an assistant, Gemini now acts as a co-author and organizer of the digital workday, shaping a new standard of intelligent, contextual, and proactive work.
2. Intelligent Education: NotebookLM as a Corporate Tutor
NotebookLM has evolved to become more than a note repository with AI — it now acts as a true intelligent tutor, with long-term memory, reasoning capability, and deep understanding of complex documents.
Google presented NotebookLM with support for up to 1 million context tokens, meaning the tool can handle extensive content — such as courseware, presentations, manuals, or sets of reports — while maintaining coherence between questions, answers, and successive reasoning.
This new capability transforms NotebookLM into a strategic asset for:
Technical training and team enablement
Intelligent onboarding with personalized guides by area or project
Continuous learning tracking based on previous interactions
Beyond answering questions, the model justifies, explains, and even generates supporting materials — such as presentations, quizzes, or study plans. In other words, companies can now scale knowledge with quality and context, replacing static PDFs with AI-driven learning experiences.
NotebookLM makes it clear: AI doesn't just answer — it teaches, accompanies, and evolves with users.
3. Gemini Agents: No-Code AI for Everyone
The promise of creating autonomous agents with artificial intelligence seemed, until recently, restricted to highly specialized engineering teams. Google broke this barrier by presenting a simple and powerful framework for creating Gemini-based agents, without the need for code or complex configurations.
These agents are capable of:
Executing corporate tasks with logic and autonomy, such as generating budgets, filling out forms, querying permissions, or sending requests.
Acting as bridges between systems, connecting APIs, databases, and documents.
Learning from previous interactions, adapting to the user's style and needs.
All of this is orchestrated through Vertex AI, which centralizes the agent lifecycle — from building to monitoring. With the introduction of the Agent Development Kit (ADK), agent creation follows a three-element logic: instructions, tools, and model. This allows any professional, with business knowledge and natural language, to prototype intelligent solutions at scale.
In practice, what Google showed was a new software layer, where previously manual tasks are now delegated to agents with their own reasoning — opening space for people to focus on what really matters: strategy, analysis, and decision-making.
4. Gemini 2.5 Pro: Memory, Reasoning, and Real Context
The launch of Gemini 2.5 Pro marked a significant leap in the cognitive capacity of language models. With a context window of up to 1 million tokens, the model can analyze long documents, large codebases, multiple attachments, and complex histories — without losing the thread.
This contextual depth opens real possibilities for cases such as:
Legal analysis with thousands of pages and opinions.
Advanced debugging with multi-file and interaction tracing.
Systems architecture, reviewing integrations, dependencies, and technical decisions.
Generating technical documents or executive reports, based on extensive materials.
Beyond memory capacity, Gemini 2.5 Pro stands out for its incremental reasoning and use of Search Grounding — meaning it can fetch updated data via Google Search and substantiate its answers with real and recent sources.
Another differentiator is multimodality: the model can understand and generate text, code, images, spreadsheets, and even videos. This transforms Gemini 2.5 Pro into a generalist reasoning platform, adaptable to any type of problem or context.
If AI models were previously tools for occasional support, they have now become deep resolution partners, with long-term vision, functional memory, and the ability to think at scale.
5. Gemini Code Assist Kanban Board: AI That Programs and Manages
Software development is changing — and Google showed how. With the launch of the Gemini Code Assist Kanban Board, the engineering lifecycle is now managed, executed, and tracked by AI agents, with a new task-oriented visual interface.
Instead of isolated interactions in code editors, the Kanban Board transforms development into a coordinated experience:
The AI receives tasks from comments in documents, issues in repositories, or messages in corporate chats.
These tasks become visual cards, with traceability, history, and real-time execution tracking.
Each stage of development — from code generation to testing, review, documentation, or migration — can be delegated to specialized agents.
One of the major differentiators is the so-called "Backpack", a technical context repository associated with the developer or project. It stores:
Coding style
Security standards
Formatting conventions
Previous feedback and decision history
This allows the AI to work in alignment with the team's culture, reducing rework and ensuring technical consistency.
More than a copilot, Gemini positions itself here as an invisible sprint manager, capable of distributing tasks, prioritizing bugs, reviewing pull requests, and delivering software autonomously and interactively. A new paradigm for teams seeking speed, quality, and governance at scale.
6. Vertex AI Agent Engine + Agentspace: Infrastructure for Agents
For autonomous agents to work at enterprise scale, more than intelligent models are needed — it requires execution, control, and governance infrastructure. That's exactly what Google presented with the launch of Vertex AI Agent Engine and Agentspace.
The Agent Engine is a managed environment where agents can be deployed, executed, and monitored with:
Built-in enterprise security
Logs, tracing, and performance metrics
Continuous quality evaluation
Support for multiple agent frameworks, including the new Agent Development Kit (ADK)
This foundation allows companies to not only test agents, but put them into production with reliability and control, like any other microservice.
Agentspace, in turn, functions as an internal and collaborative marketplace, where agents can be:
Registered and published by developers
Shared with teams or the entire organization
Accessed based on permissions and corporate policies
Discovered by other users intuitively, with descriptions of capabilities and use cases
The combination of Engine and Agentspace gives rise to a new software lifecycle: now, teams can build, version, publish, run, and monitor AI agents as organizational assets, with integrated governance and collaboration.
It's the beginning of a new abstraction layer in the cloud: the enterprise agent platform.
7. Multi-Agent Systems + A2A Protocol: AIs That Collaborate with Each Other
As AI agents gain autonomy and specialized capabilities, a new challenge arises: making them collaborate with each other in a coordinated and reliable way. Google's answer to this was the introduction of multi-agent systems, supported by the Vertex AI Agent Engine, and the launch of the new A2A Protocol (Agent2Agent).
During Day 2, Google demonstrated how a complete system can be built with multiple agents, each with a specific function:
One agent for generating technical proposals
Another for verifying permissions and regulations
And a third for orchestrating orders and material deliveries
These agents are orchestrated by a root agent, which understands the bigger objective and distributes tasks based on instructions written in natural language. The result is a modular, extensible, and highly scalable architecture — without dependency on rigid code.
To further facilitate interoperability, the A2A Protocol was launched — an open standard that allows agents to:
Converse with each other, even when built with different frameworks and vendors.
Negotiate objectives, share context, and coordinate decisions.
Operate in hybrid ecosystems, such as cloud, edge, and on-premises.
Complementing this structure, Google introduced the Cloud Assist Investigations feature, which allows investigating failures in agent systems with intelligent logs, hypothesis generation, and even correction suggestions via Gemini — all integrated into the agent lifecycle.
With this, Google inaugurates a new era of distributed computing: no longer between machines, but between intelligences.
8. Data Science Agents + TimesFM: AI That Understands Time Series
If data scientists previously relied on manual notebooks, long coding sessions, and significant exploration time to generate insights, Google showed that this is changing — fast. With the new Data Science Agents, integrated into BigQuery Notebooks and Colab, professionals now have an intelligent analysis partner, capable of transforming raw data into business-ready analytical products.
These agents operate directly in data environments and enable:
Automatic generation of queries, visualizations, and transformations.
Explanations of results in natural language.
Creation of predictive analyses with state-of-the-art models — without leaving the notebook.
The major highlight was the launch of TimesFM, a forecasting model trained on large volumes of time series data, available directly in BigQuery. It enables generating robust forecasts with minimal feature engineering, which accelerates experimentation cycles and simplifies use by less technical teams.
Additionally, with just a few clicks, data can be transformed into interactive Data Apps, which managers and business users can access to generate customized forecasts — without writing a single line of code.
The result is a new value stream for data teams:
The agent prepares the data.
The model generates the forecasts.
The AI builds an app with the results.
The stakeholder consumes the forecast in real time.
This is AI not replacing the data scientist, but elevating their delivery capacity and multiplying their impact at scale.
9. Vibe Coding: Development with Gemini on Your Own Terms
Coding with AI has gone beyond just receiving suggestions on a single line of code. The concept of Vibe Coding, presented at the event, expands this experience into something more natural, interactive, and fluid — where the developer converses with AI in real time, within the tool they already use daily.
Gemini 2.5 Pro is now integrated into a range of IDEs, including:
Windsurf, designed for agent creation with a visual and lean workflow
Cursor, ideal for analysis and refactoring of large codebases
IntelliJ + Copilot, with multi-language support (including prompts in Portuguese)
Visual Studio Code, Tabnine, Cognition, Aider, among others
These experiences don't just complete code — they:
Generate complete microservices
Perform contextual validations and refactoring
Create unit tests and suggest improvements
Understand the project as a whole, not just the current snippet
Additionally, Google brought Gemini to Firebase Studio, creating an AI-first experience in web and mobile app development. With this, developers can:
Receive suggestions based on real app usage data
Create components focused on UX and performance
Build personalized journeys based on user behavior
Vibe Coding represents a mindset shift: coding with AI is not just about speeding up what we already did — it's about doing it in a completely new way — more creative, interactive, light, and contextualized. And the developer remains at the center of the experience, now with a partner that understands what is being built.
10. Sports and AI: Gemini as Commentator, Analyst, and Judge
Day 2 also proved that AI is not limited to spreadsheets, code, and corporate analyses. The integration between Gemini and Vertex AI is opening space for sports use cases that showcase the technology's potential in contexts with high data volumes, the need for real-time decisions, and direct impacts on human experience.
MLB + Google Cloud
Major League Baseball is using Gemini to process 25 million data points per game with Vertex AI infrastructure. This enables:
Comparing plays in real time with historical databases (Statcast)
Generating technical insights on athlete performance
Feeding live dashboards with metrics that are hard to perceive visually
Additionally, the partnership resulted in a hackathon, where an agent was developed with the ability to analyze the biomechanics of pitches based on video — all without needing high-speed cameras or special equipment. With a few prompts and the use of Computer Vision via Gemini, any athlete can receive personalized analyses, whether amateur or professional.
X-Games: AI as Judge and Commentator
Another impactful example was at the X-Games, where AI acted as commentator and judge of the competitions, analyzing tricks, scoring, and technical performance impartially. In just eight weeks, a team built:
A commentator agent with natural language and a sports narrator tone
An AI-assisted scoring system, capable of evaluating tricks based on technical standards
A predictive model that correctly identified the top three finishers based on training analyses
The message was clear: AI can operate in real time, with precision and impartiality, complementing human judgment with data and consistency.
These cases show that AI is not just automating — it's expanding what is possible in environments that demand speed, technical judgment, and experience. The playing field has changed. And AI is now in the referee's seat.
Conclusion
Day 2 of Google Cloud Next 2025 made it clear that generative AI is no longer a future bet — it's already shaping how we work, develop, analyze, and decide. What we saw was a turning point: Gemini is no longer just a model. It's an agent, a manager, a technical partner, a tutor, and an analyst — operating within real workflows, with context, autonomy, and scale.
Combining natural interfaces, robust models, modular agents, and execution infrastructure, Google presented a new productivity architecture — one where every function can be enhanced by AI, from code to the boardroom.
If the first wave of generative AI was about experimentation, the second — led by what we saw yesterday — is about systematic, governed, and operations-integrated application.
How Sauter works on this
This topic sits inside our Forward Deployment Engineers practice. See how it played out in production at GPA, with queries that took 7 days now take 15 seconds.
Google Cloud Premier Partner, Partner of the Year 2023 and 2024, and the first official Anthropic partner in Brazil. Talk to a specialist.
