作者：Sunny Shih
Agentic Data Cloud 是 Google Cloud 為 Agentic AI 打造的資料架構，目標是把企業資料、AI 模型與營運資料連接成可供 Agent 理解與行動的基礎。Google 在 Google Cloud Next 2026 強化 Knowledge Catalog、Data Agents、Data Agent Kit 與跨雲 Lakehouse，讓 AI Agent 不只「找到資料」，而是取得可信任的 Business Context，進一步分析、推理並採取行動。
為什麼 AI Agent 最後會變成一個 Data Problem？
因為 Agent 再聰明，如果取得的資料不完整、過時或缺乏商業脈絡，就很難做出可靠決策。
一般生成式 AI 可以只根據 Prompt 產生內容，但企業 Agent 可能需要回答：
- 這位客戶目前的訂單狀態是什麼？
- 哪些產品庫存即將不足？
- 哪個市場的營收異常？
- 這份合約是否符合公司政策？
- 發現異常後，下一步應該執行什麼？
這些問題不能只靠模型本身回答。
Agent 還需要知道：
資料在哪裡 → 資料代表什麼 → 是否可信任 → 是否有權限使用 → 現在的狀態是什麼
Google 因此把 Agentic Data Cloud 定位成 Agentic AI 的資料與 Context 基礎，而不只是傳統 Analytics Platform。Google 甚至將它描述成把 Data、AI Models 與 Operational Databases 整合成 System of Action。
Agentic Data Cloud 是什麼？
Agentic Data Cloud 的核心，是讓企業資料能被 AI Agent 即時發現、理解、分析並安全使用。
Google Cloud Next 2026 的架構可以濃縮成三個關鍵層：
| 核心能力 | 解決的問題 | 對 AI Agent 的意義 |
| Knowledge Catalog | 資料代表什麼？是否可信？ | 提供統一的 Business Context |
| Data Agents / Data Agent Kit | 如何分析與操作資料？ | 把資料專業能力變成 Agent Skills |
| Borderless Lakehouse | 資料散落不同平台怎麼辦？ | 跨 Google Cloud、AWS 與其他資料平台取得資料 |
Google 在 Next 2026 的官方發布中，也將 Knowledge Catalog、Data Agent Kit 與 cross-cloud AI-native Lakehouse列為 Agentic Data Cloud 的三項重要能力。
真正的變化在於：
Data Platform 不再只服務 Analyst，而開始直接服務 AI Agent。
Knowledge Catalog：Agent 找到資料後，怎麼知道它代表什麼？
Knowledge Catalog 的作用，是把傳統 Metadata Catalog 進一步轉化成 AI 可以理解的 Business Context Layer。
這點很重要。
假設 Agent 找到一個叫做 revenue 的欄位，它仍然需要知道：
- Revenue 是 Gross 還是 Net？
- 使用哪一種 Currency？
- 哪一張 Table 才是官方來源？
- 這份資料多久更新一次？
- 哪些欄位包含敏感資訊？
- Revenue 和 Customer、Product、Region 有什麼關係？
如果缺少這些 Context，即使 SQL Query 正確，最後的 Business Answer 仍可能錯誤。
Google 的 Knowledge Catalog 因此不只儲存 Metadata，也透過 Search 與 AI 建立資料之間的語意關係。Google 表示，其 Semantic Search 採用來自 Google Search 的 Query Rewriting 與 Machine Learning 技術，目標是在 Agent 需要資訊時快速找出相關 Context。
Google 也推出 Smart Storage 與 Object Context API，能對進入 Google Cloud Storage 的檔案自動建立標籤、Embedding 與 Metadata，讓原本較難被發現的非結構化資料也能進入 Knowledge Catalog。
因此 Knowledge Catalog 解決的不是：
「Agent 找不找得到資料？」
而是：
「Agent 找到之後，知不知道該怎麼理解它？」
Data Agents：資料團隊也開始 Agent 化
Data Agents 把 Data Engineering、Data Science、Analytics 與 Database Management 等專業能力封裝成 AI 可以協助執行的工作流程。
Google 正在把 Data Agent 能力提供給不同角色，包括 Business Analysts、Data Scientists、Data Engineers、Database Administrators 與 Developers。
其中 Data Agent Kit 提供預先定義的 Agentic Skills，例如 Machine Learning Best Practices、ELT 與 Data App Development，並能將這些能力帶進 IDE 或 CLI。
這裡真正值得注意的不是「AI 可以幫忙寫 SQL」。
而是企業可以開始把：
Data Expertise → Rules / Best Practices → Reusable Agent Skills
例如過去資深 Data Engineer 知道：
「這類 Pipeline 應該怎麼寫、怎麼驗證、哪些錯誤不能發生。」
未來這些知識可以逐步被 Codify 成 Agent 可以重複使用的技能。
因此 Agentic Data Cloud 不只是讓一般使用者更容易「問資料」，也在改變資料團隊本身的工作方式。
Borderless Lakehouse：資料一定要搬到 Google Cloud 才能給 Agent 用嗎？
不一定。Google 的 Borderless Lakehouse 強調跨雲與開放格式，目標是讓 Agent 能使用資料，而不必先把所有資料集中搬到單一平台。
企業資料很少只存在一個地方。
常見情況可能是：
BigQuery + AWS + Databricks + Snowflake + SAP
如果每次 Agent 要使用資料，都必須先複製到另一套平台，不只會增加 Latency、Storage 與 Data Movement Cost，也會讓 Data Governance 更複雜。
Google 因此強化 Lakehouse 的跨平台能力，包括 Apache Iceberg REST Catalog、Catalog Federation，以及與 AWS Glue、Databricks、Snowflake 和 SAP 等資料生態的互通。
Google 將這套架構稱為 Borderless Lakehouse：資料的位置不應該成為 Agent 理解與行動的邊界。這也是 Agentic AI 和傳統「先把資料全部搬到同一個 Data Warehouse」思維的重要差異。
Agentic Data Cloud 如何讓資料從 Insight 走向 Action？
Agentic Data Cloud 的目標不只是在資料上產生 Insight，而是讓 Agent 能根據資料觸發下一步行動。
這點在 Streaming AI 特別明顯。
Google 在 Next 2026 將新的 Streaming AI 能力加入 Agentic Data Cloud，目標是讓 Agent 取得即時 Context，並針對即時事件採取行動。
例如傳統流程可能是：
Data Event → Dashboard → Human sees it → Human decides → Action
Agentic Workflow 則可能變成：
Data Event → AI Analysis → Agent Decision → Business Action
例如：
庫存跌破安全水位
→ Agent 分析近期銷售速度
→ 比對供應商交期
→ 產生補貨建議
→ 送交採購人員確認
因此資料平台開始從：
System of Record / System of Insight
往：
System of Action
延伸。Google 也用這個概念描述 Agentic Data Cloud 的發展方向。
Agentic Data Cloud 和 Gemini Enterprise Agent Platform 有什麼不同？
Gemini Enterprise Agent Platform 管理 Agent 的 Lifecycle；Agentic Data Cloud 則提供 Agent 執行任務所需的 Data 與 Business Context。
| Gemini Enterprise Agent Platform | Agentic Data Cloud | |
| 核心問題 | Agent 怎麼被建立與管理？ | Agent 怎麼理解企業資料？ |
| 主要能力 | Build、Scale、Govern、Optimize | Catalog、Data Agents、Lakehouse、Analytics |
| 管理對象 | Agents、Tools、Runtime | Data、Metadata、Knowledge、Analytics |
| 架構角色 | Agent Platform Layer | Enterprise Data & Context Layer |
兩者結合後，Agent 才能形成比較完整的工作流程：
Business Goal → Agent → Trusted Data → Reasoning → Tool / Action
也就是：
Agent Platform 決定 Agent「怎麼工作」；Agentic Data Cloud 提供 Agent「根據什麼工作」。
✦延伸閱讀：Gemini Enterprise Agent Platform 是什麼？一次看懂 Google 企業 AI Agent 平台
Agentic Data Cloud 和 Workspace Intelligence 有什麼不同？
這兩者都在談 Context，但來源不同。
Workspace Intelligence 著重員工日常工作的 Context，例如 Gmail、Docs、Chat、Drive、Projects 與 Collaborators。
Agentic Data Cloud 則著重企業 Data Estate，包括結構化資料、非結構化資料、Database、Analytics 與跨雲資料。
可以簡單理解成：
| Workspace Intelligence | Agentic Data Cloud | |
| 主要 Context | 工作脈絡 | 企業資料與商業脈絡 |
| 資料來源 | Gmail、Docs、Drive、Chat 等 | BigQuery、Database、Lakehouse、Cloud Storage 等 |
| 核心問題 | 使用者正在做什麼？ | 企業資料代表什麼？ |
| 最終目的 | 支援 Agentic Workplace | 支援 Data-driven Agents |
當兩者都能被 Agent 使用，AI 才比較有可能同時理解：
「員工正在做什麼」＋「企業現在發生什麼」。
✦延伸閱讀：Workspace Intelligence 是什麼？Google 如何讓 Gemini 真正理解你的工作脈絡
Agentic Data Cloud 對企業真正代表什麼？
從企業 Data Strategy 來看，最值得注意的是三個轉變。
1. Data Quality 開始直接決定 Agent Quality
過去資料品質差，可能造成 Dashboard 不準。
到了 Agentic AI，資料品質差可能進一步造成：
Agent 做出錯誤 Action。
因此 Data Governance、Metadata 與 Business Definition 的重要性反而會提高，而不是因為有 AI 就降低。
2. Data Catalog 正從「給人查」變成「給 Agent 理解」
過去 Data Catalog 主要服務 Data Analyst 與 Data Engineer。
Knowledge Catalog 則反映新的需求：
Agent 也需要一套機器可以理解的 Enterprise Knowledge Layer。
3. Data Architecture 必須支援即時 Action
如果 Agent 需要根據即時事件採取行動，企業 Data Architecture 就不能只支援 Batch Reporting。
Streaming、Real-time Context 與 Secure Data Access 會成為 Agentic Workflow 的重要基礎。
企業導入 Agentic Data Cloud，可以先從哪裡開始？
企業不需要先把所有資料搬到同一個平台，更重要的是先找出 Agent 真正需要哪些可信任的 Context。
- 先選一個 Agent Use Case
確認需要哪些 Business Data，而不是先整理整個 Data Estate。 - 建立 Trusted Data Source
明確定義哪些 Table、Document 與 Business Metric 是可信任來源。 - 補上 Metadata 與 Business Context
讓 Agent 不只取得欄位值，也理解 Definition、Relationship 與 Governance。 - 建立 Secure Access Boundary
定義 Agent 可以取得哪些資料、可以進行哪些 Query。 - 再從 Insight 延伸到 Action
當 Data Accuracy 與 Governance 穩定後，再讓 Agent進一步執行 Workflow。
這個順序的核心是：
先讓 Agent 正確理解企業，再讓 Agent 代表企業行動。
FAQ：Agentic Data Cloud 常見問題
Agentic Data Cloud 是什麼？
Agentic Data Cloud 是 Google Cloud 為 Agentic AI 建立的資料架構，整合 Knowledge Catalog、Data Agents、Data Agent Kit、Lakehouse 與即時資料能力，讓 AI Agent 能取得可信任的 Business Context，再進一步分析與採取行動。
Knowledge Catalog 是什麼？
Knowledge Catalog 是 Google Cloud 用來管理並理解企業 Data、Metadata 與 Business Context 的知識層，協助人與 AI Agent 發現可信任、具有語意關係的資料。
Borderless Lakehouse 是什麼？
Borderless Lakehouse 是 Google Cloud 強調跨雲、開放與互通性的 Lakehouse 架構，讓企業與 Agent 可以使用分散在不同 Cloud 與 Data Platform 的資料，而不必先把所有資料集中到單一環境。
Agentic Data Cloud 和傳統 Data Cloud 有什麼不同？
核心差異在於使用者不再只有 Analyst 與 Application，也包含 AI Agent。除了 Storage 與 Analytics，Agentic Data Cloud 還需要提供即時 Context、Knowledge、Agent Tools 與安全資料存取，讓 Agent 可以根據企業資料進一步採取 Action。
從「讓人看懂資料」，走向「讓 Agent 理解企業」
傳統企業 Data Platform 的核心任務，是把資料整理好，讓人可以分析、做報表與制定決策。
Agentic AI 增加了一個新的使用者：
AI Agent。
當 Agent 開始代表企業取得資料、推理甚至執行工作，資料平台就不只需要回答：
「資料在哪裡？」
還必須回答：
「資料代表什麼？能不能相信？誰可以使用？現在發生了什麼？」
Knowledge Catalog、Data Agents 與 Borderless Lakehouse，正是 Google 試圖建立的答案。
對企業而言，Agentic Data Cloud 真正重要的地方也不是多一套 Data Product，而是：
企業資料正在從提供分析的資產，進一步成為 AI Agent 理解、決策與行動的基礎。
iKala，企業轉型的 AI 顧問！
身為 Google Cloud Premier Partner，iKala 不僅是您導入工具的推手，更是企業在雲端數位轉型旅程中的技術後盾。iKala 透過深度整合 Google Workspace 與 Google Cloud Platform 全球基礎設施，協助企業建構高可用性且具備高度彈性的現代化辦公環境。從基礎的混合雲架構設計、Identity & Security (IAM) 身分資安控管，到進階的 BigQuery 建置，我們專精於打破資料孤島，讓企業能利用 Gemini 模型實現自動化工作流與客製化 AI 模型開發。
iKala 提供從初期架構盤點、中期的 PoC 技術驗證，到後期在地化技術支援與成本優化建議的「一站式陪跑服務」，致力於降低導入門檻並確保轉型路徑與商業目標一致。選擇 iKala，您獲得的不只是領先的 AI 解決方案，更是加速創新、提升全球營運效率的長期策略盟友。
如果您正在尋找能加速創新與提升營運效率的 AI 解決方案，歡迎聯繫 iKala，獲得量身打造的技術建議與實作協助。
