Următorul pas pentru asistenții AI
Suntem obișnuiți ca asistenții AI să funcționeze prin comenzi vocale sau prin interfețe de programare (API-uri) structurate. Dar ce-ar fi dacă un AI ar putea interacționa direct cu aplicațiile și site-urile web la fel cum o facem noi? Acesta este conceptul din spatele noului model
Gemini 2.5 Computer Use de la Google un tip de inteligență artificială care poate vedea ce este pe ecran pentru a da clic, a tasta și a derula, navigând interfețe grafice complexe. Această capacitate reprezintă un „pas următor crucial în construirea unor agenți puternici, cu scop general”, transformând
AI-ul dintr-un simplu interpret de comenzi într-un operator digital capabil să execute sarcini în lumea digitală reală.
Dincolo de API-uri un AI care "vede" și interacționează cu interfețe grafice
Spre deosebire de modelele
AI care se bazează pe
API-uri predefinite pentru a interacționa cu software-ul, modelul
Gemini 2.5 Computer Use este conceput pentru a lucra direct cu interfețele grafice ale utilizatorului (GUI). Acest lucru îi permite să execute sarcini pe orice site web sau aplicație, la fel ca un om, inclusiv completarea formularelor, navigarea pe pagini web și operarea în spatele unui login. Capacitățile sale de bază sunt expuse prin noul instrument computer_use din
API-ul Gemini. Într-o buclă iterativă, instrumentul primește ca input solicitarea utilizatorului, o captură de ecran a mediului și un istoric al acțiunilor recente. Apoi, generează o acțiune, cum ar fi „clic pe buton” sau „tastează text”. Acțiunea este executată, se face o nouă captură de ecran, iar ciclul se repetă până când sarcina este finalizată. Este important de menționat că modelul
Gemini 2.5 Computer Use este optimizat în principal pentru browsere web și demonstrează un potențial ridicat pentru controlul interfețelor mobile. Momentan, nu este încă optimizat pentru controlul la nivelul sistemului de operare desktop.
Performanță de top cu latență redusă
Conform datelor publicate, modelul
Gemini 2.5 Computer Use „depășește alternativele de top în mai multe benchmark-uri de control web și mobil”. Unul dintre cele mai importante aspecte este că atinge această acuratețe ridicată „cu o latență mai mică”. Testele efectuate pe platforma
Browserbase pentru Online-Mind2Web
confirmă că modelul oferă o calitate de vârf în controlul browserului, menținând în același timp un timp de răspuns foarte scăzut. Această combinație de acuratețe ridicată și latență redusă este o realizare fundamentală pentru
AI-ul agentic. Latența scăzută este cheia pentru crearea unor agenți care se simt reactivi și practici pentru sarcini în timp real, transformându-i din roboți lenți și greoi în asistenți digitali fluizi și eficienți.
Siguranța este integrată, nu adăugată ulterior
Google subliniază că a abordat siguranța ca pe o componentă fundamentală a modelului.
Agenții AI care controlează computere introduc riscuri unice, precum utilizarea abuzivă, comportamentul neașteptat sau vulnerabilitatea la atacuri de tip „prompt injection”. Pentru a contracara aceste riscuri, funcționalitățile de siguranță au fost integrate direct în model. În plus, dezvoltatorii primesc controale de siguranță specifice pentru a preveni acțiuni potențial periculoase. Acestea includ: Serviciul de siguranță per-pas: Un serviciu care rulează la momentul inferenței și evaluează fiecare acțiune propusă de model înainte de a fi executată. • Instrucțiuni de sistem (System instructions): Dezvoltatorii pot specifica reguli suplimentare pentru ca agentul să refuze sau să ceară confirmarea utilizatorului înainte de a efectua anumite acțiuni cu miză mare.
Această abordare responsabilă este critică pentru a construi agenți
AI de încredere. 4. Nu este un concept, ci o tehnologie deja în producție Această tehnologie nu este doar un experiment de laborator, ci este deja implementată în produse și servicii reale. Conform
Google, versiuni ale acestui model sunt deja folosite pentru: • Testarea interfețelor de utilizator (UI testing) în cadrul
Google, accelerând dezvoltarea software-ului. • Susținerea proiectului Project Mariner. • Alimentarea Firebase Testing Agent. • Anumite capabilități agentice din modulul
AI Mode in Search. Implementarea în scenarii reale demonstrează maturitatea și utilitatea practică a modelului, confirmând că este pregătit pentru a fi utilizat în aplicații complexe.
Concluzie ce înseamnă pentru viitor un AI care "folosește computerul"?
Asistăm la o tranziție fundamentală: inteligența artificială evoluează de la înțelegerea comenzilor noastre la operarea directă a interfețelor digitale pe care le folosim în fiecare zi. Modele precum Gemini 2.5 Computer Use deschid calea către o nouă generație de automatizare, în care sarcinile digitale complexe pot fi delegate unui agent inteligent. Pentru dezvoltatorii dornici să exploreze aceste capabilități, modelul este disponibil începând de astăzi în public preview, accesibil prin
API-ul Gemini în Google AI Studio și
Vertex AI. Acest lucru ne lasă cu o întrebare provocatoare: ce noi posibilități se deschid atunci când oricine poate automatiza sarcini digitale complexe doar descriindu-le în limbaj natural?
