Google DeepMind zamienił korzystanie z komputera w narzędzie wbudowane w Gemini 3.5 Flash, dając programistom natywny sposób tworzenia agentów AI, którzy mogą wchodzić w interakcję z oprogramowaniem na różnych platformach bez konieczności korzystania z frameworków innych firm.

Ogłoszenie, opublikowane 24 czerwca 2026 r. na oficjalnym blogu Google dotyczącym słów kluczowych, pozycjonuje Gemini 3.5 Flash jako pretendenta na szybko rozwijającym się rynku agentów, którzy mogą widzieć ekran, przesuwać kursor, klikać i pisać — czyli możliwości, które do niedawna wymagały znacznych niestandardowych prac inżynieryjnych. Więcej kontekstu na ten temat znajdziesz w naszych wiadomości AI.

„Obsługa komputera jest teraz wbudowanym narzędziem w Gemini 3.5 Flash, umożliwiającym tworzenie agentów, którzy mogą wchodzić w interakcje na różnych platformach” – napisała firma. Autorem posta jest Mateo Quiros, menedżer produktu w Google DeepMind.

Jak to działa

Korzystanie z komputera pozwala modelowi obsługiwać komputer podobnie jak człowiek: interpretując to, co jest na ekranie i wykonując czynności, takie jak klikanie, przewijanie i wprowadzanie tekstu. Wprowadzając tę ​​funkcję bezpośrednio do Gemini 3.5 Flash, zamiast oferować ją jako oddzielny produkt, Google obniża barierę dla programistów, którzy chcą tworzyć agenty umożliwiające nawigację w rzeczywistych aplikacjach, witrynach internetowych i systemach operacyjnych.

Zgodnie z postem na blogu programiści i przedsiębiorstwa mogą rozpocząć korzystanie z komputera w wersji 3.5 Flash za pośrednictwem interfejsu Gemini API i platformy Gemini Enterprise Agent Platform, dedykowanego środowiska Google do tworzenia i wdrażania agentów na dużą skalę.

Google zademonstrował tę możliwość na konkretnych przypadkach użycia. W jednym przykładzie program Gemini 3.5 Flash wykorzystał komputer do analizy samej aplikacji Gemini i zwrócenia podzielonej na kategorie listy funkcji. W innym przypadku model skontrolował własną dokumentację pod kątem problemów z dostępnością — było to samodzielne zadanie, które wskazuje, w jaki sposób agenci korzystający z komputerów mogą pewnego dnia pomóc w utrzymaniu ekosystemów oprogramowania, na których działają.

Bezpieczeństwo: szkolenie kontradyktoryjne i podejście „głębokiej obrony”.

Najbardziej konsekwentną częścią tej publikacji może być to, co Google powiedział na temat bezpieczeństwa. Agenci działający w środowiskach działających na żywo są wyjątkowo podatni na natychmiastowe wstrzykiwanie — ataki, podczas których ukryte instrukcje osadzone na stronie internetowej, w wiadomości e-mail lub dokumencie porywają agenta w celu podjęcia niezamierzonych działań.

Google stwierdziło, że wykorzystało ukierunkowane szkolenie kontradyktoryjne w zakresie obsługi komputera z oprogramowaniem Gemini 3.5 Flash, aby złagodzić to ryzyko. Udostępnia także dwa opcjonalne systemy zabezpieczeń dla przedsiębiorstw, które według firmy umożliwiają organizacjom lepszą kontrolę nad tym, co mogą zrobić ich agenci.

Stosując podejście „ochrony dogłębnej”, Google zachęcał programistów do łączenia tych funkcji z bezpieczną piaskownicą, weryfikacją typu „człowiek w pętli” i ścisłą kontrolą dostępu. Firma opublikowała dodatkowe wytyczne w swojej dokumentacji najlepszych praktyk dotyczących tej funkcji.

To kadrowanie ma znaczenie. Korzystanie z komputera jest powszechnie postrzegane jako jedna z najniebezpieczniejszych możliwości agenta, ponieważ zaatakowany agent może podejmować rzeczywiste działania na kontach i systemach użytkownika. Prowadząc szkolenia kontradyktoryjności i wielopoziomowe zabezpieczenia, Google stara się uspokoić nabywców korporacyjnych, którzy wahali się przed przekazaniem kontroli nad kursorem sztucznej inteligencji.

Dlaczego korzystanie z komputera staje się polem bitwy

Zastosowanie komputera Gemini 3.5 Flash pojawia się w momencie, gdy główne laboratoria sztucznej inteligencji ścigają się w tworzeniu agentów, którzy będą mogli wykonywać pożyteczną pracę, a nie tylko odpowiadać na pytania. Pod koniec 2024 r. firma Anthropic wprowadziła narzędzie do obsługi komputera dla Claude’a, a produkty operatorskie i agentowe OpenAI poszły w tym samym kierunku. Udostępnienie tej funkcji natywnie szybkiemu i ekonomicznemu modelowi, takiemu jak Flash – zamiast rezerwować ją dla warstwy premium – sygnalizuje, że Google chce szybko utowarowić kontrolę agentów.

Sam wybór Flasha jest godny uwagi. Flash to model Google zapewniający najwyższą wydajność, zoptymalizowany pod kątem szybkości i kosztów. Osadzanie tam użycia komputera, a nie tylko w większym modelu Pro, sugeruje, że Google spodziewa się dużych obciążeń agentów wrażliwych na opóźnienia – takich, które automatyzują powtarzalne zadania w oprogramowaniu biznesowym na dużą skalę.

Google stwierdził, że już zauważa, że ​​klienci zwiększają wartość dzięki korzystaniu z komputera, chociaż w poście na blogu nie wymieniono konkretnych wdrożeń komercyjnych ani nie określono ilościowo wyników.

Konkurencyjne stawki

Dla programistów atrakcyjność wbudowanego narzędzia do obsługi komputera jest prosta: mniej integracji do utrzymania i jeden dostawca odpowiedzialny zarówno za model, jak i warstwę agentową. Ale pogłębia także zależność od platformy Google, co jest kompromisem, który przedsiębiorstwa rozważą w porównaniu z elastycznością struktur agentów niezależnych od modeli.

Publikacja ta zaostrza także szersze napięcie w gospodarce agentów. Niezależnie opracowane bramy agentów typu open source, takie jak platforma Lightport, która zapewnia kompatybilność z OpenAI wielu dostawców LLM, pokazują, jak duże jest zapotrzebowanie na przenośną infrastrukturę agentów. Google zakłada, że ​​własne, zabezpieczone pod kątem bezpieczeństwa narzędzie do obsługi komputera przekona programistów, którzy w przeciwnym razie połączyliby narzędzia innych firm. W miarę jak modele zyskują możliwość działania na ekranach, granica między asystentem AI a autonomicznym operatorem stale się zaciera – podobnie jak granica między przełomem w produktywności a zagrożeniem dla bezpieczeństwa. Odpowiedzią Google na to napięcie są warstwowe zabezpieczenia i szkolenie kontradyktoryjne. To, czy to wystarczy, aby zadowolić przedsiębiorstwa niechętne ryzyku, określi, jak szybko agenci korzystający z komputerów przejdą od wersji demonstracyjnych do codziennego użytku.

W przypadku Gemini 3.5 Flash firma Google postawiła jasne założenie: przyszłość sztucznej inteligencji to nie tylko modele, które odpowiadają, ale modele, które działają — i chce, aby programiści tworzyli te działające modele na swojej platformie.

---

Bądź na Bieżąco z AI

Najnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.

Czytaj więcej wiadomości AI →