Что Google представила на Google Cloud: суть анонса
Google представила на мероприятии Google Cloud единого AI-агента на базе Gemini. Он планирует и выполняет задачи от имени пользователя, а не ограничивается ответами на вопросы. Агент разбивает цель на подзадачи, делегирует их субагентам, сам подбирает модель под каждую операцию и подключается к корпоративным системам компании. Детали анонса приводит TechCrunch.
Масштаб, на который опирается Google, озвучил CEO компании Сундар Пичаи. По его словам, у Gemini более 1 млрд активных пользователей в месяц, а почти 90% компаний из списка Fortune 100 уже используют Gemini Enterprise в работе.
На старте Google нацелилась на бизнес-сегмент, до потребительского запуска дело дойдёт позже. Среди первых тестировщиков агента - производитель спортивной одежды On, а также Shopify и PayPal. Общедоступным продукт на момент анонса не стал.
Ключевое отличие от привычного чат-бота: агент получает цели, а не пошаговые инструкции. Эту формулировку на мероприятии использовал CEO Google Cloud Томас Куриан.
Как работает AI-агент Gemini: архитектура и ключевые механики
Работу агента можно описать тремя слоями: планирование, выбор модели и доступ к данным. Планировщик разбирает запрос на подзадачи, каждая уходит конкретному субагенту, а результаты собираются в общий ответ. Запрос при этом может включать вложения: файлы, папки или проекты под отдельные рабочие процессы, например комбинации файлов и навыков.
Субагенты и оркестрация моделей: как агент выбирает инструмент под задачу
По умолчанию агент сам решает, какая модель справится с конкретной подзадачей лучше. Простые шаги логично отдать быстрым и дешёвым моделям, сложные рассуждения - мощным. Это и есть мультимодельная оркестрация: она экономит токены и время, потому что не прогоняет всю работу через одну тяжёлую модель.
Автоматику можно отключить. Пользователь способен перехватить управление и выбрать модель вручную, включая сторонние. Первым внешним поставщиком стала Anthropic с моделями Claude. Google заявила, что позже расширит список open source и другими приватными моделями, но конкретных сроков не назвала.
MCP-серверы: как агент подключается к внешним и внутренним системам
Model Context Protocol (MCP) - открытый стандарт, который описывает, как AI-модель обращается к внешним инструментам и данным. Агент Gemini умеет безопасно работать с любым MCP-сервером внутри сети компании или за её пределами. Практический смысл: команда подключает агента к собственному сервису сама, без ожидания официального коннектора. Как устроен такой доступ на примере другого продукта Google, разбирали в материале про MCP-сервер для Google Home.
Помимо MCP есть готовые интеграции с корпоративными системами: Google Workspace, Microsoft 365, Slack, Jira, Confluence, Git, BigQuery, Databricks, Postgres, Snowflake и другие. Для аналитики это прямой доступ к данным в BigQuery, Snowflake или Databricks, для разработки - к репозиториям в Git и документации в Confluence.
Отдельный вопрос, который придётся решать на внедрении: какие права выдавать агенту в каждой из этих систем. Технически он умеет ходить почти везде, а политика доступа остаётся на стороне компании.
Рабочий аккаунт агента и аудит действий: как это устроено
Самая необычная деталь анонса: агент получает собственный рабочий аккаунт, как будто он ещё один сотрудник. У него есть свой email-адрес и собственный контекст. Он знает, кто в компании в какой команде, в каком часовом поясе работает человек, кто согласует задачи и что стоит у коллег в календарях. Агенту не нужно каждый раз объяснять организационную структуру заново.
Каждое действие попадает в аудит-лог и атрибутируется агенту, а не человеку - так описывает механику TechCrunch. Можно проверить, кто отправил письмо, создал задачу или обновил документ: подпись будет у агента, а не у сотрудника, чьё имя стоит в теме.
Обратная сторона: аудит фиксирует факты, но не оценивает их корректность. Решение о том, что агент сделал правильно, всё равно принимает человек. Логичный минимум перед запуском в прод - ограничить список систем, где у агента есть доступ на запись, и требовать подтверждения для необратимых действий.
Управление агентом через tasks inbox и доступные платформы
За работой агента следят через интерфейс tasks inbox. Там виден процесс размышления, делегирование задач субагентам, загрузка специальных навыков, код и прогресс. Это ближе к трекеру задач, чем к окну чата: понятно, на каком шаге агент застрял и почему.
Доступен агент с iOS и Android, с Windows и macOS, из командной строки, а также внутри Google Workspace, Microsoft 365, ServiceNow и Slack. Вызвать его можно четырьмя способами: отметить в сообщении, отправить ему письмо, поделиться с ним файлом или добавить в групповой чат. Вложения поддерживаются: это могут быть файлы, папки или проекты под конкретный рабочий процесс.
Что это даёт бизнесу: практические сценарии и первые кейсы
Первыми агента тестируют On, Shopify и PayPal - об этом сообщает TechCrunch. Какие именно задачи решают эти компании, Google не раскрыла, поэтому дальше речь о сценариях, которые прямо следуют из заявленных возможностей.
Общая логика такая: агент закрывает разрыв между системами. Данные лежат в BigQuery или Snowflake, обсуждение идёт в Slack, задачи живут в Jira, документация в Confluence, код в Git. Человек обычно вручную переносит контекст между этими точками. Агент с доступом к каждой из них делает это сам.
Примеры использования в компаниях: от автоматизации до аналитики
Сценарий с отчётностью. Агент собирает метрики из BigQuery и Databricks, формирует сводку и отправляет её в нужный канал Slack. Если цифра выбилась из ожидаемого диапазона, он добавляет пояснение со ссылкой на источник данных.
Сценарий с задачами. В рабочем чате обсуждают баг. Агент читает тред, создаёт задачу в Jira с описанием и вложениями, а затем уведомляет ответственного. Аудит-лог покажет, что задачу поставил агент, а не человек, который вёл обсуждение.
Сценарий с разработкой. Агент поднимает документацию из Confluence и историю изменений в Git, чтобы ответить на вопрос о поведении сервиса, и прикладывает ссылки на конкретные коммиты. Проверять выводы стоит в любом случае: агент работает с тем, что нашёл, и не всегда отличает устаревшую инструкцию от актуальной.
Похожие задачи в производственной среде решают и другими стеками. Пример разбора - кейс Mobileye с агентом на Amazon Bedrock AgentCore, где часть нагрузки поддержки снимает гибридный агент с Claude и MCP.
Ограничения и риски: что важно учесть до внедрения
Главное ограничение - доступность. На старте агент ориентирован на бизнес-сегмент, для потребителей его выпустят позже. Если компания не пользуется Gemini Enterprise, остаётся ждать публичного запуска.
Права и безопасность. Подключение к внутренним системам и MCP-серверам означает, что кто-то должен определить, к чему агент имеет доступ на чтение, а к чему на запись. Чем шире список интеграций, тем больше поверхность для ошибок: неверная команда может уйти не в тот канал или создать лишнюю задачу в Jira.
Стоимость. Мультимодельная оркестрация снижает расходы на простых шагах, но длинные цепочки подзадач с дорогими моделями обходятся недешёво. Google объявила гибкие опции контроля расходов: умную маршрутизацию, мультимодельную оркестрацию и лимиты трат в реальном времени. Как устроен бюджетный контроль в родственном продукте, разбирали в статье про Managed Agents в Gemini API и параметр max_total_tokens.
Зависимость от экосистемы. Агент плотно завязан на Google Workspace и Gemini Enterprise: это упрощает жизнь тем, кто уже внутри, и добавляет работы тем, кто строит инфраструктуру вокруг Microsoft 365. Аудит-лог фиксирует действия, но не отменяет человеческого контроля. Проверять результаты и разбирать ошибки придётся людям.
Как начать использовать агента Gemini: шаги для компаний
Публичной формы записи на тест Google не объявила. Практический путь выглядит так:
- Проверить, есть ли у компании доступ к Gemini Enterprise. Почти 90% Fortune 100 уже внутри, но это не значит, что тариф открыт для любой организации.
- Выбрать один-два процесса с понятным входом и выходом: например, сбор недельного отчёта или разбор входящих обращений.
- Перечислить системы, нужные для этих процессов, и заранее выписать права агента в каждой из них.
- Задать лимиты трат и правила маршрутизации моделей до запуска, а не после первого счёта.
- Проверить аудит: действия агента должны попадать в лог с корректной атрибуцией.
- Договориться с представителями Google Cloud о пилотном доступе. Официального self-service на момент анонса нет.
Если нужен опыт похожих агентных запусков, полезно посмотреть, как команды строят автономные сценарии в Google Antigravity 2.0, где агенты работают с планировщиком задач, хуками и фоновым режимом.
Место Gemini-агента среди других AI-агентов
Сравнивать агента Gemini с решениями Microsoft и OpenAI по функциям пока рано: в анонсе нет данных о конкурентах, независимых тестов не публиковалось. Зафиксировать можно набор особенностей, которые Google вынесла вперёд.
Собственный рабочий аккаунт с email-адресом и организационным контекстом. Аудит-лог с атрибуцией действий агенту. Поддержка любого MCP-сервера внутри и вне сети компании. Выбор сторонних моделей, начиная с Claude от Anthropic. Глубокие интеграции с корпоративными системами от Jira и Git до BigQuery и Snowflake.
По совокупности это попытка встроить агента внутрь рабочих инструментов, с правами и ответственностью, близкими к сотруднику. Насколько такая схема выдержит реальные корпоративные процессы, покажут пилоты On, Shopify и PayPal. Если вы уже пользуетесь Gemini Enterprise, самый быстрый следующий шаг - выбрать один процесс с измеримым результатом и запросить доступ к пилоту у Google Cloud.