Упродовж останнього року "computer use" перетворився з лабораторної демонстрації на функцію, яку найближчим часом очікують побачити у кожній великій AI-моделі. Anthropic першою відкрила цей напрямок із Claude Computer Use ще восени 2024-го, Microsoft розвиває схожий підхід через Copilot, а тепер Google зробив наступний крок — і, мабуть, найрадикальніший з усіх.
За даними The Decoder, Google вбудував управління комп'ютером безпосередньо в Gemini 3.5 Flash. Тепер модель може бачити екран і взаємодіяти з ним нативно — без додаткових API-прошарків, без сторонніх агентських фреймворків, без окремих плагінів. Це змінює саму архітектуру того, як AI взаємодіє з цифровим середовищем.
Для AI-білдерів це не просто оновлення специфікації. Це зміна парадигми в тому, як ми будуємо автоматизовані pipeline, browser agents і продукти, що керують інтерфейсами від імені користувача.
Що таке нативний computer use і чому це важливо
До цього більшість реалізацій "computer use" виглядали як архітектурний костиль: AI-модель отримувала скриншот через зовнішній інструмент, аналізувала його як зображення, генерувала координати дій, а окремий програмний шар — Python-скрипт, агентський фреймворк, browser automation — виконував ці дії. Ланцюжок виходив довгим, ламким і затратним по токенах.
Нативна інтеграція в Gemini 3.5 Flash означає, що модель отримує доступ до стану екрана як до першокласного контексту — без посередників. Ключові наслідки для тих, хто будує агентські системи:
- Менша латентність — немає додаткового round-trip між моделлю та зовнішнім агентом
- Нижчі витрати — менше токенів витрачається на передачу контексту між компонентами
- Краща конзистентність — модель утримує повний контекст сесії, а не відновлює його з фрагментів
- Простіша розробка — один виклик API замість оркестрації кількох шарів
Для команд, що будують browser automation або RPA на основі AI, — це суттєве зниження складності стеку.
Чому Flash, а не Pro
Варто звернути увагу, що Google обрав саме Flash-гілку для цієї функції, а не Gemini 2.5 Pro. Це стратегічне рішення, а не технічна випадковість.
Gemini 3.5 Flash позиціонується як «швидка й дешева» модель — аналог Claude Haiku чи GPT-4o mini. Вбудування computer use саме сюди натякає на те, що Google бачить основну нішу цієї функції в:
- Масштабних автоматизаційних задачах — де критично важлива вартість одного запиту
- Тривалих агентських сесіях — де модель виконує десятки кроків поспіль без зупинки
- Edge-інтеграціях — де потрібна швидка реакція, а не глибина аналізу
Це відповідає загальній тенденції ринку: складна логіка залишається за великими моделями, а рутинне виконання — за швидкими та дешевими. Computer use за своєю природою ближче до «виконавця», ніж до «мислителя».
Практичні сценарії для білдерів
Якщо ви будуєте продукт прямо зараз, ось де нативний computer use у Gemini 3.5 Flash відкриває реальні можливості:
Автоматизація без API. Сервіси, що не мають публічного API — старі CRM, legacy ERP, державні портали — раніше вимагали або ручної роботи, або складних Selenium/Playwright pipeline. Тепер агент може просто «подивитись» на інтерфейс і виконати дію, як це робить людина.
QA-автоматизація через природну мову. Тестувальники можуть описати сценарій словами, а модель сама пройде флоу, клікне кнопки, перевірить стани. Підтримка крихких тест-скриптів стає менш актуальною.
Персональні AI-асистенти для десктопу. Застосунки, що виконують задачі від імені користувача — переносять файли, заповнюють форми, агрегують інформацію з різних вікон — отримують значно простіший шлях до реалізації.
Моніторинг і аналітика в реальному часі. Агент може спостерігати за дашбордами, сповіщати про аномалії, формувати звіти — без окремих інтеграцій із системою моніторингу.
Висновок AiiN: між «можливо» і «продакшн»
Нативний computer use у Gemini 3.5 Flash — це не черговий маркетинговий слайд. Це заявка на те, що AI-моделі стають повноправними учасниками цифрового середовища, а не лише порадниками в текстовому чаті.
Для AI-білдерів це означає переосмислення архітектури агентів. Якщо раніше стек виглядав як «LLM + окремий browser agent + orchestration layer», то тепер виникає реальна спокуса все спростити до одного API-виклику — і це спрощення часто буде виправданим.
Але між «можливо» і «безпечно масштабувати» завжди є робота. Команди, що захочуть впровадити computer use у продакшн, неминуче зіткнуться з питаннями безпеки та ізоляції (як модель відрізняє легітимні дії від шкідливих?), контролю й аудиту (що саме модель «бачила» і що робила?), а також меж дозволів (як обмежити доступ до певних частин екрана чи застосунків?).
Це не аргументи проти технології — це наступний рядок у беклозі будь-якої серйозної команди. Google дав молоток. Тепер справа за гвіздками.