Computer Use w Gemini API już dostępne. Agent klika za człowieka

Czym jest Computer Use w Gemini API

Computer Use to narzędzie, dzięki któremu model nie tylko odpowiada tekstem, ale wykonuje działania w interfejsie graficznym. Aplikacja programisty wysyła modelowi zrzut ekranu i polecenie, a model zwraca konkretną akcję, na przykład kliknięcie w danym miejscu albo wpisanie tekstu. Aplikacja wykonuje tę akcję, robi kolejny zrzut i pętla trwa do zakończenia zadania.

Do tej pory funkcja miała status preview. Wpis w changelogu Gemini API z 30 października informuje wyłącznie o przejściu do GA w obu interfejsach. Google nie opublikował przy tej okazji osobnego komunikatu ani nowych wyników testów, a strona dokumentacji została zaktualizowana tego samego dnia.

Obsługiwane modele i środowiska

Dokumentacja wskazuje Gemini 3.8 Flash jako model rekomendowany do sterowania komputerem. Gemini 4 Argon opisano jako najbardziej zdolny wariant, a Gemini 3.5 Flash-Lite jako najtańszy i najszybszy. Model gemini-3-flash-preview nadal ma oznaczenie preview, więc nie warto opierać na nim nowych wdrożeń.

Google rozróżnia trzy środowiska pracy agenta. Każde ma własny zestaw akcji, które model może zwrócić.

• Przeglądarka - najszerszy zestaw akcji, m.in. kliknięcie, wpisywanie, przewijanie, otwarcie adresu oraz przejście wstecz i dalej.
• Android - akcje dopasowane do telefonu, m.in. otwarcie aplikacji, lista aplikacji, długie przytrzymanie i przycisk wstecz.
• Pulpit - polecenia kursora i klawiatury na poziomie systemu operacyjnego, w tym skróty klawiszowe oraz osobne wciśnięcie i zwolnienie klawisza.

Ile kosztuje Computer Use w złotych

Cennik Gemini API nie przewiduje osobnej stawki za Computer Use. Rozliczenie odbywa się według ceny tokenów wybranego modelu, a narzędzie nie działa w planie bezpłatnym. Każdy krok agenta to kolejny zrzut ekranu wysłany do modelu, dlatego dłuższe zadania szybko zwiększają liczbę tokenów wejściowych.

Poniżej ceny za milion tokenów w płatnym planie standardowym, przeliczone po średnim kursie NBP z 30 października 2026 roku (1 USD = 3,9251 zł). Kwoty są netto, bez VAT. Gemini 3.8 Flash kosztuje 0,75 USD (2,94 zł) za wejście i 3,75 USD (14,72 zł) za wyjście do 31 grudnia 2026 roku, a od 1 stycznia 2027 roku 1,50 USD (5,89 zł) i 7,50 USD (29,44 zł). Gemini 3.5 Flash-Lite kosztuje 0,30 USD (1,18 zł) za wejście i 2,50 USD (9,81 zł) za wyjście. Gemini 4 Argon kosztuje 2 USD (7,85 zł) i 10 USD (39,25 zł) do 30 listopada 2026 roku, a od 1 grudnia 4 USD (15,70 zł) i 20 USD (78,50 zł).

Zabezpieczenia i potwierdzenia człowieka

Każda akcja zwracana przez model może mieć decyzję bezpieczeństwa. Akcja jest dozwolona, zablokowana albo wymaga potwierdzenia. W tym ostatnim przypadku aplikacja musi pokazać prośbę człowiekowi i odesłać modelowi potwierdzenie, zanim agent pójdzie dalej.

Google opisuje siedem kategorii zasad, które uruchamiają takie decyzje. Obejmują one m.in. transakcje finansowe, zmianę danych wrażliwych, wysyłanie wiadomości, zakładanie kont, zgody użytkownika oraz akceptację regulaminów. Część zasad programista może wyłączyć, ale model i tak może poprosić o potwierdzenie.

Dla modeli od Gemini 3.5 Flash-Lite wzwyż dostępne jest wykrywanie prompt injection, czyli ukrytych poleceń umieszczonych na stronie lub w aplikacji. Funkcja jest domyślnie wyłączona i trzeba ją włączyć samodzielnie.

Ograniczenia i ryzyka

Sam Google ostrzega w dokumentacji, że Computer Use może zawierać błędy i luki bezpieczeństwa. Zaleca ścisły nadzór, unikanie krytycznych decyzji, danych wrażliwych i działań nieodwracalnych oraz uruchamianie agenta w odizolowanej maszynie wirtualnej lub kontenerze, czyli w sandboxie.

Status GA oznacza stabilny interfejs i wsparcie produkcyjne, a nie gwarancję skuteczności. Google nie podał przy tej zmianie nowych wyników benchmarków, a dokumentacja nie wskazuje ograniczeń regionalnych wprost, tylko odsyła do osobnej listy dostępnych regionów. Firmy w Polsce, które przetwarzają w ten sposób dane klientów, powinny też sprawdzić ustawienia przechowywania zapytań w Gemini API.

Dla kogo to ma sens

W naszej ocenie Computer Use najlepiej sprawdzi się tam, gdzie brakuje API, a praca polega na powtarzalnym klikaniu. Przykłady to przenoszenie danych między starszymi systemami, testy interfejsu aplikacji webowych i mobilnych albo wypełnianie formularzy w portalach dostawców.

Przed wdrożeniem warto zacząć od tańszego Gemini 3.5 Flash-Lite lub Gemini 3.8 Flash, zmierzyć liczbę kroków i tokenów na jedno zadanie i dopiero wtedy policzyć koszt miesięczny. Trzeba przy tym pamiętać o podwyżce cen Gemini 3.8 Flash od stycznia 2027 roku i o tym, że każda akcja finansowa lub prawna powinna przechodzić przez potwierdzenie człowieka.