Czym jest Vertex AI? Platforma, moduły i cennik (dziś Gemini Enterprise Agent Platform)

Czym jest Vertex AI? Platforma, moduły i cennik (dziś Gemini Enterprise Agent Platform)

Jeśli porównujesz Vertex AI wprost z platformą AWS, to osobny temat, który omawiamy w tekście Vertex AI a SageMaker. Tutaj skupiamy się na samym Vertex AI.

Rebranding i dlaczego nadal piszemy „Vertex AI”

Podczas Google Cloud Next w kwietniu 2026 roku Google wycofał markę „Vertex AI” i włączył platformę do Gemini Enterprise Agent Platform. To zmiana pozycjonowania, a nie demontaż produktu. Wszystko, co składało się na Vertex AI, działa dalej: Model Garden, trenowanie własnych modeli, AutoML, rejestr modeli, endpointy, feature store i potoki. Google prezentuje to teraz pod wspólnym szyldem Agent Platform, a dalszy rozwój coraz mocniej skręca w stronę zastosowań agentowych.

W całym tekście zostajemy przy nazwie „Vertex AI”, bo jest w niemal powszechnym użyciu. To jej ludzie szukają w wyszukiwarce, to nią posługuje się istniejąca dokumentacja i poradniki, i to ona przewija się przez rok wpisów na blogach oraz odpowiedzi na Stack Overflow. W konsoli Google Cloud zobaczysz dziś nową nazwę, więc praktyczne przełożenie jest proste: Vertex AI, którego szukałeś, to dziś Gemini Enterprise Agent Platform widoczna w konsoli. Oficjalną stronę produktu znajdziesz tutaj: Gemini Enterprise Agent Platform (dawniej Vertex AI).

Czym Vertex AI jest w praktyce

Vertex AI wystartował w 2021 roku jako zunifikowana platforma ML od Google. Zebrał pod jednym dachem usługi, które wcześniej były porozrzucane osobno, między innymi AI Platform i AutoML. Idea jest prosta: w jednym zarządzanym środowisku zespół przechodzi od surowych danych do wdrożonego modelu i gotowej predykcji, bez sklejania osobnych narzędzi i bez utrzymywania własnej infrastruktury do trenowania i serwowania.

W praktyce platforma stoi na stosie danych i mocy obliczeniowej Google Cloud. Najlepiej czuje się tam, gdzie zespół już działa na Google Cloud, a dane trzyma w BigQuery, bo właśnie te integracje są najściślejsze. Jeśli to opis Twojej sytuacji, dobrym punktem odniesienia jest odpowiednik tego podejścia na AWS. Pokazuje on, jak „zunifikowane dane i AI” wyglądają na drugiej dużej chmurze.

Moduły, które mają znaczenie

Vertex AI najłatwiej rozumieć jako zestaw modułów, które przyjmujesz pojedynczo i w swoim tempie, a nie jako jeden monolit. Poniżej te, które najczęściej pojawiają się na realnych projektach.

• Model Garden. Katalog modeli, które możesz wdrożyć lub wywołać: rodzina Gemini od Google, modele open-weight oraz modele firm trzecich, w tym Claude. To punkt wejścia do większości prac z generatywną AI na tej platformie i, jak za chwilę zobaczysz, miejsce, w którym cennik najmocniej się rozwarstwia.
• Trenowanie własnych modeli. Zarządzane zadania trenowania na CPU, GPU lub TPU. Przynosisz swój kod trenujący, a Google uruchamia infrastrukturę pod spodem. Płacisz za moc obliczeniową przez czas, w którym zadanie się liczy.
• AutoML. Trenowanie modeli na danych tabelarycznych, obrazach lub tekście bez pisania kodu modelu. Oddajesz część kontroli, a w zamian zyskujesz na czasie.
• Rejestr modeli i endpointy. Rejestrujesz kolejne wersje modeli, a potem wdrażasz je na endpointy do predykcji online lub wsadowej. To właśnie endpointy najczęściej zaskakują na rachunku, o czym piszemy niżej.
• Pipeline. Układasz kroki procesu ML, czyli przygotowanie danych, trenowanie, ocenę i wdrożenie, w powtarzalny i wersjonowany przebieg, zamiast trzymać luźny zbiór skryptów.
• Feature store i metadane. Wspólna infrastruktura, która serwuje cechy spójnie między trenowaniem a inferencją i pozwala śledzić pochodzenie danych.

Narzędzia agentowe i generatywne, które rebranding z 2026 roku wysuwa na pierwszy plan, stoją na tych samych fundamentach: modele bierzesz z Model Garden, serwujesz je przez endpointy, a całość spinasz w jeden pipeline.

Jak działa cennik Vertex AI

Nie ma jednej „ceny Vertex AI”. Rachunek to suma kilku osobno mierzonych pozycji, a najczęściej zaskakują zespoły dwie z nich: endpointy i Model Garden.

• Endpointy naliczają koszt za czas wdrożenia, a nie za użycie. Płacisz za model wdrożony na endpoint tak długo, jak długo tam działa, nawet gdy nie obsługuje ani jednej predykcji. Żeby zatrzymać opłatę, musisz go wycofać z wdrożenia. Zapomniany endpoint, który cicho pracuje przez noc i weekend, to pojedyncza, najczęstsza niespodzianka na rachunku.
• Model Garden to kilka sposobów rozliczania naraz. Modele firm trzecich, na przykład Claude, naliczają się po stawce dostawcy. Modele open-weight rozlicza Google za token według własnej stawki. Modele, które wdrożysz samodzielnie, płacisz za godzinę pracy GPU na maszynie, na której działają. Wybór modelu przesądza więc o całym sposobie rozliczania, a nie tylko o jednej liczbie.
• Trenowanie naliczasz za czas pracy maszyny. Czas CPU, GPU lub TPU przez okres, w którym zadanie się liczy. Jest z góry ograniczony i łatwy do oszacowania, czyli odwrotnie niż przy stale włączonym endpoincie.
• Zniżki za zobowiązanie wpływają na rachunek najefektywniej. Przy przewidywalnych, stabilnych obciążeniach committed-use discounts w Google Cloud potrafią wyraźnie obniżyć efektywną stawkę. Na stabilnej platformie dobrze dobrana strategia zniżek znaczy więcej niż sam cennik katalogowy za jednostkę.
• Transfer danych na zewnątrz i usługi towarzyszące (pamięć masowa, sieć, feature store) to ciche dodatki. To głównie przez nie koszt rzeczywisty rozjeżdża się ze stawką katalogową za samą moc obliczeniową.

Nowe konta Google Cloud dostają darmowe środki (300 USD w chwili pisania). Wystarczą, aby spokojnie poznać platformę, ale nie na to, by długo utrzymać stale pracujący endpoint.

Mechanikę zniżek rozkładamy na części w tekście o optymalizacji kosztów GCP.

Kiedy Vertex AI jest właściwym wyborem

• Twoje dane już leżą w Google Cloud. Integracja z BigQuery to najmocniejszy pojedynczy argument, żeby oprzeć się na Vertex AI. Uruchamianie go na danych z innej chmury dokłada koszt integracji, który zwykle przewyższa każdą przewagę w funkcjach.
• Chcesz Gemini i Model Garden z wieloma dostawcami. Jeśli zależy Ci na dostępie do modeli Google obok opcji open-weight i firm trzecich, to właśnie Model Garden najmocniej przyciąga.
• Budujesz wokół agentów. Po rebrandingu kierunek jest wprost agent-first, więc nowe narzędzia agentowe pojawiają się tu w pierwszej kolejności.
• Twój zespół działa już na GKE i open source’owym stosie ML od Google. Platforma spotyka Cię tam, gdzie już jesteś.

Jeśli natomiast Twoja infrastruktura i dane siedzą na AWS, uczciwa odpowiedź brzmi zwykle: zostań tam, gdzie jesteś. Cały ten kompromis rozkładamy na części w porównaniu Vertex AI a SageMaker.

Kiedy warto wprowadzić zewnętrznego partnera

• Wybór platformy rozpięty między chmurami. Gdy dane leżą w jednej chmurze, a zespół zna drugą, koszt integracji jest realny. Lepiej przeliczyć go przed decyzją niż po niej.
• Modelowanie kosztów przed wdrożeniem. Koszty endpointów, tokenów i transferu danych łatwo niedoszacować. Rzetelny model na starcie oszczędza niespodzianek z bezczynnymi endpointami i daje mocniejsze podstawy pod decyzje o zobowiązaniach.
• Przejście po rebrandingu. Skrypty, narzędzia i wewnętrzną dokumentację opisane pod „Vertex AI” warto świadomie przełożyć na Gemini Enterprise Agent Platform z góry, a nie odkrywać kolejne zmiany nazw po jednym zepsutym linku.
• Wdrożenia agentowe i generatywne. Kierunek agent-first otwiera nowe wzorce. Dobre zaprojektowanie architektury na starcie wychodzi taniej niż przerabianie produkcyjnego agenta później.

Podsumowanie

Vertex AI to zarządzana platforma ML od Google Cloud, która obejmuje cały cykl życia modelu: Model Garden, trenowanie, endpointy, potoki i infrastrukturę wokół nich. Od kwietnia 2026 roku dostajesz ją jako Gemini Enterprise Agent Platform.

Trzy rzeczy warto zapamiętać:

1. Zmieniła się nazwa, a nie platforma. „Vertex AI” to dziś Gemini Enterprise Agent Platform z akcentem przestawionym na agentów. W wyszukiwarce wciąż króluje dawna nazwa, więc to pod nią znajdziesz dokumentację i poradniki, a w konsoli zobaczysz już nową.
2. Moduły przyjmujesz pojedynczo. Model Garden, trenowanie własnych modeli, AutoML, endpointy i potoki bierzesz w miarę potrzeb. To nie jest zobowiązanie na zasadzie wszystko albo nic.
3. Rachunek się układa, a nie jest z góry ustalony. Bezczynne endpointy i tak naliczają koszt, Model Garden nakłada kilka sposobów rozliczania, a zniżki za zobowiązanie obniżają koszt efektywny mocniej niż stawki katalogowe. Dlatego przelicz własne użycie, zanim się zobowiążesz.

Budujesz na Vertex AI?

Umów bezpłatną 30-minutową rozmowę. Pomagamy zespołom ocenić, czy Vertex AI (dziś Gemini Enterprise Agent Platform) pasuje do ich chmury, przeliczyć realne koszty endpointów i tokenów przed wdrożeniem oraz zaplanować architekturę dla obciążeń ML i agentowych.

Umów rozmowę Napisz do nas