Google Cloud præsenterer Gemini, sin universelle agent til arbejde

Google Cloud annoncerede Gemini-agenten den 8. oktober 2026 ved sit Gemini at Work 2026‑arrangement og beskrev den som en enkelt, universel agent til arbejde, der håndterer vidensarbejde, besvarelse af spørgsmål, indholdsoprettelse og kodning fra én prompt‑boks.

I meddelelsen på The Keyword sagde Google, at agenten indeholder en organisations forretningskontekst, planlægger arbejdet, bruger færdigheder og værktøjer, forbinder til Cloud‑kundernes forretningssystemer og returnerer færdigt arbejde i de dokumenter, indbakker og udviklermiljøer, som folk allerede bruger. Firmaet sagde, at agenten vælger den bedste model til hver opgave, inkluderer indbyggede omkostningskontroller og leverer den sikkerhed, administration og styring, som enterprise‑kunder kræver. Et detaljeret indlæg på Google Cloud Blog, tilpasset fra Google Cloud‑administrerende direktør Thomas Kurian’s hovedtale ved arrangementet, beskriver agentens arkitektur, adgangsoverflader og enterprise‑kontroller.

Kurian’s indlæg rapporterer, at næsten 500 Google Cloud‑kunder hver behandlede mere end en billion tokens i løbet af det foregående år, at næsten 80 % af alle Google Cloud‑kunder bruger dets AI‑produkter, og at næsten 90 % af Fortune 100 bruger Gemini Enterprise.

Indlægget nævner tidlige testere og kunder, som ifølge det allerede bruger de nye funktioner. Ifølge indlægget testede sportstøjsmærket On agentens dynamiske model‑valg‑funktion, Shopify kombinerer frontier‑modeller for millioner af handlende, og PayPal dirigerer 10 million multi‑model‑anmodninger hver uge. Det rapporterer også, at den brasilianske bank Bradesco reducerede dokumentgennemgangstiden fra én time til fem minutter, og at telekommunikationsoperatøren Orange Spain har implementeret mere end 1,000 tilpassede Gemini Enterprise‑agenter.

Agentarkitektur

Indlægget beskriver en agent bygget omkring et sæt arkitektoniske principper. Som en samlet agent svarer Gemini på spørgsmål i chat, arbejder autonomt på mål, som brugerne tildeler, og genererer kode, alt fra én enkelt grænseflade og ét API; brugere kan tildele arbejde, planlægge opgaver eller lade agenten reagere på hændelser. Adgang spænder over internettet, iOS‑ og Android‑enheder, Windows‑ og Mac‑desktop, kommandolinjen, Google Workspace, Microsoft 365 og Slack, og agenten kan også køre headless i tredjeparts‑applikationer uden en dedikeret grænseflade. Da den kører vedvarende i skyen, opretholder agenten ét sæt af hukommelser, kontekst og en enkelt personaliseringsgraf på tværs af enheder, og arbejde, der tager timer eller dage, fortsætter, når en bruger lukker en bærbar computer.

For multi‑trinsopgaver kan Gemini dynamisk oprette midlertidige under‑agenter, hver med sin egen identitet, og koordinere parallelle og sekventielle trin, som kan køre i timer eller dage. En coworker‑tilstand giver agenten en vedvarende, defineret rolle: coworker‑agenter får deres egne @agents.company.com‑e‑mailadresser og vedvarende lager, og de har kun adgang til den kontekst, som brugere eller teammedlemmer leverer. Google siger, at agenten er adskilt fra den underliggende model, og at Gemini i øjeblikket orkestrerer på tværs af sin Gemini‑modelfamilie og Anthropic’s Claude‑modeller, med andre private og åbne modeller planlagt, så den matcher modellen til hver opgave for kvalitet og omkostning.

Værktøjer, færdigheder og hukommelse

Ifølge indlægget giver tre funktioner agenten dens forretningskontekst. Et værktøjslag forbinder Gemini med samarbejdssoftware såsom Confluence, Microsoft Office, Teams, Slack og Workspace; udviklingsværktøjer inklusive Git og Jira; enterprise‑platforme såsom Salesforce og ServiceNow; databaser inklusive BigQuery, Databricks, Postgres og Snowflake; filer på brugerens egen desktop; og enhver Model Context Protocol‑server inden for eller uden for virksomhedens netværk. Et enterprise‑værktøjsregister giver teams mulighed for at bygge og udgive værktøjer til resten af virksomheden.

Færdigheder er genanvendelige sæt af instruktioner, viden eller arbejdsprocesser gemt som modulære prompts; Gemini leveres med et globalt færdighedsbibliotek, teams kan udgive tilpassede færdigheder til et delt virksomhedsregister, og enkeltpersoner kan bygge personlige færdigheder. Indlægget siger, at agenten bevarer fire typer hukommelse — session, semantisk, proceduremæssig og episodisk — og at den onboarder sig selv på samme måde som en ny medarbejder, ved at lære brugeren, værktøjerne og teamet, før den påbegynder arbejdet.

Gemini i Google Workspace

Gemini fungerer også indlejret i Gmail, Drive, Docs, Slides, Sheets, Chat og Calendar og bærer den samme hukommelse, færdigheder og kontrol, som den har andre steder. Indlægget beskriver tre Workspace‑tilstande. I en personlig‑assistance‑tilstand ankommer agenten allerede informeret om en brugers kalender, team og projekter. I en proaktiv‑delegations‑tilstand genkender Workspace Intelligence delegérbare opgaver og tilbyder en enkelt‑klik overdragelse. I coworker‑tilstanden får agenten sin egen Workspace‑konto med en e‑mailadresse, kalender, Drive og en tilstedeværelse i virksomhedens katalog. En coworker‑agent handler under sin egen identitet i stedet for brugerens, ser kun det, der deles med den, og følger de delings‑ og medlemskabsindstillinger, som et team allerede bruger.

Datafærdigheder og branchespecialiseringer

Nye dataskills gør det muligt for ingeniører at beskrive et resultat i almindeligt sprog, mens Gemini genererer PySpark‑kode, leverer notebooks til redigering og test, træner modeller og fejlsøger pipeline‑problemer, ifølge indlægget. Forretningsbrugere kan generere realtids‑driftsrapporter ved at spørge, gennem skills integreret med BigQuery og Knowledge Catalog, og gemte rapporter kan køres igen på efterspørgsel uden at pådrage sig token‑omkostninger.

Indlægget nævner tre funktioner, der holder svarene forankrede: Knowledge Catalog, som kortlægger forretningsdefinitioner én gang, så alle agenter bruger dem, og læser målinger, hvor de findes i Databricks, dbt, LookML eller SAP; Smart Storage, som beriger ustrukturerede objekter på stedet; og en Borderless Lakehouse, der forespørger Amazon S3 og Azure Data Lake uden variable udgående gebyrer og læser Salesforce Data 360, SAP, ServiceNow og Workday uden at kopiere data.

Branchespecialiseringer er i preview for Financial Services og Legal, med versioner for Government, Healthcare og Retail, der er annonceret som kommende. Google sagde, at Financial Services‑versionen trækker på data fra FactSet, LSEG, SEC‑indberetninger og en kundes egne proprietære lagre, leveres med mere end 50 grundlæggende skills og allerede er i brug hos CME Group og Deutsche Bank. Legal‑versionen arver sags‑niveau tilladelser og etiske vægge fra dokumenthåndteringsplatformene NetDocuments og iManage; Google navngiver Harvey og Onit som partnere og oplyser, at Cooley bygger en agent til redigering af fortrolige oplysninger på Legal‑versionen.

Sikkerhed, styring og omkostningskontrol

Under styringsmodellen får hver agent sin egen kryptografisk bekræftede, mindst‑privilegerede identitet, som indlejres i loggene, der registrerer dens arbejde, sammen med fin‑granulerede, rollebaserede tilladelser godkendt af organisationens sikkerhedsadministratorer; når agenten opretter forbindelse til et eksternt system, videresendes dens identitet via OAuth. Hver handling, agenten udfører, skrives til et revisionsspor, der tilskrives agenten i stedet for en person. Alle Gemini agenter kører inden for en Agent Sandbox med sin egen netværksgrænse, og al trafik passerer gennem Agent Gateway, som indlægget beskriver som en AI‑netværksfirewall, der håndhæver organisationens politikker i realtid.

Omkostningskontrol omfatter multi‑model orkestrering; et Smart Routing‑værktøj, der automatisk prioriterer virksomhedens arbejdsbelastninger, så hver kører på den model, der leverer maksimal ydeevne til den lavest mulige pris; og realtids‑forbrugsgrænser sat pr. projekt i Cloud Billing Console, som pauserer et projekts agent, når grænsen nås. Google sagde, at deres seneste TPU 8i‑system leverer 80 % bedre pris‑ydeevne end den foregående generation, og de navngav deres modelportefølje som Argon for grænse‑forsknings‑resonering, Flash for hastighed og volumen, Omni for generativ media og Gemma for letvægts‑open‑weights kant‑arbejdsbelastninger.