Google Gemini Agent unifica il lavoro, ma il vero banco di prova è il controllo aziendale
Google ha presentato l'agente Google Gemini come assistente universale per il lavoro l'8 ottobre 2026, sostituendo una raccolta di interazioni IA separate con un livello agente condiviso. Può rispondere a domande, svolgere attività di knowledge work, creare contenuti multimediali, analizzare dati aziendali e scrivere o eseguire codice. La proposta va oltre un'altra release di funzionalità Gemini. Google punta a un unico agente che accompagni i dipendenti per l'intera giornata lavorativa.
L'annuncio, adattato dal keynote Gemini at Work 2026 del CEO di Google Cloud Thomas Kurian, colloca inoltre l'agente direttamente all'interno di Workspace. Gmail, Drive, Docs, Slides, Sheets, Chat e Calendar possono utilizzare la stessa memoria, le stesse competenze e gli stessi controlli amministrativi. Gli utenti non dovrebbero più dover ricostruire il contesto ogni volta che passano da un'email a un foglio di calcolo, una riunione o una presentazione.
Questo crea una competizione immediata con la strategia Copilot di Microsoft e con altre piattaforme di agenti aziendali. La domanda importante non è quale assistente generi un paragrafo migliore. È se un agente universale possa agire sui sistemi aziendali senza indebolire supervisione, privacy o affidabilità.
L'agente Google Gemini diventa un livello condiviso per il lavoro
Google sta trasformando Gemini da una raccolta di assistenti in un agente persistente in grado di operare tra attività e applicazioni.
L'annuncio di Gemini at Work descrive Gemini come un unico agente per domande, knowledge work, creazione multimediale e sviluppo software. Queste funzioni apparivano in precedenza come esperienze distinte, anche quando utilizzavano modelli correlati.
Il nuovo approccio è importante perché i dipendenti raramente portano a termine un lavoro significativo all'interno di un'unica casella di prompt. Un product manager potrebbe iniziare dalle email dei clienti, esaminare un foglio di calcolo sull'utilizzo, redigere un documento dei requisiti e preparare slide per la leadership. Ogni passaggio dipende dal contesto creato in quello precedente.
Google afferma che l'agente Gemini può mantenere memoria, competenze e controlli lungo questa sequenza. In questo caso, la memoria indica il contesto conservato sul lavoro dell'utente, sulle sue preferenze e sulle attività in corso. Le competenze sono capacità riutilizzabili che aiutano l'agente a svolgere specifici tipi di lavoro.
L'agente è inoltre concepito per fare più che recuperare informazioni. Può creare immagini e altri contenuti multimediali, manipolare conoscenza e scrivere o eseguire codice. Questo riunisce lavoro creativo, analitico e tecnico dietro un'unica interfaccia conversazionale.
Questo design modifica il ruolo delle applicazioni Workspace. Gmail resta un servizio email e Sheets resta un foglio di calcolo. Tuttavia, Gemini può fornire un livello di ragionamento comune tra entrambe le applicazioni e le informazioni che contengono.
L'accesso integrato è centrale nella strategia. Google afferma che Gemini funzionerà direttamente all'interno di Gmail, Drive, Docs, Slides, Sheets, Chat e Calendar. Gli utenti dovrebbero poter richiedere assistenza dove il lavoro già esiste, senza aprire un assistente separato e trasferire manualmente il contesto.
Si pensi a un responsabile vendite che prepara una revisione trimestrale. L'agente potrebbe identificare le conversazioni rilevanti con i clienti in Gmail, recuperare documenti sugli account da Drive, esaminare i dati della pipeline e redigere una presentazione. L'annuncio di Google stabilisce queste capacità componenti, anche se l'affidabilità nel mondo reale lungo flussi di lavoro complessi richiede ancora test indipendenti.
Lo stesso schema si applica al lavoro software. Un dipendente potrebbe chiedere a Gemini di interpretare una richiesta di prodotto, esaminare materiali di supporto, produrre codice ed eseguirlo. La promessa più ampia è che l'agente comprenda l'attività come un unico progetto connesso.
Google presenta dunque l'agente come infrastruttura di connessione, non come un chatbot aggiunto a singoli prodotti. La distinzione modellerà il modo in cui le aziende lo valuteranno. Uno strumento di scrittura può essere giudicato dalla qualità dell'output, mentre un agente di lavoro deve essere giudicato anche per permessi, esecuzione, tracciabilità e recupero dagli errori.
Questa responsabilità più ampia crea la tensione centrale dell'articolo. Il valore dell'agente Google Gemini cresce man mano che acquisisce più contesto e autorità. Allo stesso tempo, crescono le potenziali conseguenze di un errore.
Perché Google vuole un agente in ogni app Workspace
La strategia dell'agente universale affronta una debolezza persistente dell'IA sul posto di lavoro: il contesto utile resta disperso tra applicazioni, team e sistemi di dati.
Spesso i dipendenti sanno che esistono informazioni rilevanti senza sapere dove trovarle. Una decisione può essere registrata in una riunione, rivista in un documento, discussa in Chat e riflessa in seguito in un foglio di calcolo. La ricerca tradizionale recupera file, ma non sempre ricostruisce il ragionamento che li collega.
Un agente persistente può affrontare il problema in modo diverso. Può usare la richiesta dell'utente, le informazioni aziendali accessibili e le interazioni precedenti per assemblare una risposta o completare un'attività in più fasi. Questa è l'idea alla base del lavoro consapevole del contesto.
Google ha un vantaggio strutturale nel perseguire questo modello. Workspace ospita già comunicazioni, documenti, calendari, presentazioni e fogli di calcolo per molte organizzazioni. Google Cloud fornisce inoltre servizi per dati, analisi, sviluppo e infrastruttura.
Collegare questi ambienti consente a Google di sostenere che Gemini possa estendersi sia alla produttività quotidiana sia al lavoro tecnico specializzato. L'agente potrebbe aiutare un dipendente a redigere un'email e poi aiutare un analista a indagare i dati operativi che vi stanno dietro.
Per questo motivo l'annuncio aggiunge nuove competenze per dati e analisi. Google afferma che specialisti tecnici e normali utenti aziendali possono porre domande in linguaggio naturale e arrivare a informazioni operative utilizzabili in pochi minuti.
L'analisi in linguaggio naturale consente di formulare una domanda in modo conversazionale invece di scrivere una query di database. L'agente deve comunque avere un accesso regolato ai dati sottostanti e tradurre la richiesta in operazioni analitiche valide.
Questa traduzione potrebbe ampliare l'accesso alla business intelligence. Un responsabile di magazzino potrebbe chiedere quali strutture hanno prodotto più ordini in ritardo questa settimana. Un responsabile finanziario potrebbe richiedere i principali fattori dietro una variazione del margine senza prima creare una dashboard.
Tuttavia, il linguaggio naturale non elimina la necessità di rigore analitico. Una domanda vaga può produrre una risposta tecnicamente valida ma fuorviante. Definizioni, intervalli temporali, esclusioni e qualità dei dati restano importanti, anche quando l'interfaccia diventa più semplice.
La spinta di Google risponde anche a un problema fondamentale di adozione. I lavoratori sono meno propensi a utilizzare un assistente IA quando ogni attività richiede di cambiare strumento, trovare file e spiegare nuovamente il contesto. Integrare Gemini in Workspace riduce questi passaggi.
La strategia ricorda l'approccio esistente di Google a Workspace with Gemini, ma l'annuncio del 2026 alza il livello dell'ambizione. L'assistenza nelle singole applicazioni diventa lavoro coordinato tra applicazioni.
Questo rende l'agente più rilevante per i flussi di lavoro aziendali. Mette anche pressione sugli strumenti IA indipendenti che non possono accedere alla stessa combinazione di email, calendari, file, dati aziendali e ambienti di sviluppo.
Gli strumenti di conoscenza indipendenti mantengono comunque un ruolo. Possono organizzare informazioni oltre una singola suite di produttività e offrire agli individui un livello di memoria più deliberato. Una base di conoscenza personale può inoltre aiutare gli utenti a separare il contesto personale dai sistemi controllati dall'azienda.
Il vantaggio di Google è la distribuzione, ma la distribuzione da sola non determinerà l'adozione. Le aziende chiederanno se l'agente rispetta i permessi esistenti, produce risultati affidabili e si adatta ai loro obblighi di conformità. Queste esigenze diventano più rigorose quando un assistente inizia a intraprendere azioni.
Microsoft Copilot affronta una competizione Workspace più ampia
La principale competizione non è più chatbot contro chatbot; è il livello di lavoro integrato di Google contro quello integrato di Microsoft.
Microsoft ha perseguito una destinazione simile attraverso Microsoft 365 Copilot. Il suo assistente opera tra applicazioni come Outlook, Word, Excel, PowerPoint e Teams, attingendo alle informazioni organizzative attraverso l'ambiente software aziendale di Microsoft.
Questo rende Microsoft il più chiaro concorrente principale della strategia di agente universale di Google. Entrambe le aziende controllano suite di produttività largamente utilizzate, piattaforme cloud, sistemi di identità e servizi per sviluppatori. Entrambe possono collocare un assistente all'interno degli strumenti che i dipendenti già aprono ogni giorno.
La loro competizione ruota attorno a dove risiede il contesto di lavoro. Google può combinare il materiale di Workspace con i dati e i servizi di sviluppo di Google Cloud. Microsoft può collegare i contenuti di Microsoft 365 con Azure, Teams, Power Platform, GitHub e il suo più ampio portafoglio di software aziendale.
Il risultato è una competizione per il livello operativo dell'azienda. Se i dipendenti chiedono costantemente a un agente di trovare informazioni, analizzare dati, creare contenuti e compiere azioni, quell'agente diventa un'interfaccia importante per l'organizzazione.
Questa posizione ha valore strategico. L'agente può influenzare quali applicazioni aprono gli utenti, quali piattaforme dati privilegiano le aziende e quali sistemi di sviluppo adottano i team. Può inoltre rendere più difficile cambiare fornitore, perché i flussi di lavoro diventano collegati ai permessi e ai connettori di un singolo provider.
L'annuncio di Google non stabilisce un vincitore. Stabilisce che l'unità competitiva si è ampliata. La qualità dei modelli resta importante, ma le imprese confronteranno molto più delle prestazioni nei benchmark.
Esamineranno la copertura delle applicazioni, la profondità dei connettori, l'integrazione delle identità, l'applicazione delle policy, i registri di audit, il comportamento dei modelli e la visibilità amministrativa. Misureranno inoltre se l'agente fa risparmiare tempo dopo aver incluso il lavoro di verifica e correzione.
Altre aziende restano rilevanti come concorrenti complementari. Salesforce promuove agenti connessi ai dati dei clienti e operativi attraverso Agentforce. ServiceNow, Oracle, SAP e fornitori specializzati occupano anch'essi posizioni consolidate in particolari processi aziendali.
Queste piattaforme possono competere grazie alla profondità di dominio. Un agente di servizio specializzato può comprendere un flusso di assistenza meglio di un assistente universale. Un prodotto legale può offrire controlli di revisione progettati specificamente per contratti e documenti regolamentati.
Google affronta questa sfida con una specializzazione specifica per settore. Il suo annuncio evidenzia strumenti, competenze, connettori e conoscenze progettati per i servizi finanziari e i team legali.
Questo è più di una decisione di packaging. Il lavoro settoriale dipende da vocabolario, fonti approvate, regole di conservazione dei documenti e azioni attentamente limitate. Un agente generico può sembrare convincente pur non disponendo dei controlli che rendono utilizzabile una risposta.
L'approccio di Google combina un agente universale con capacità specializzate. L'agente fornisce un'interfaccia coerente, mentre i pacchetti di settore offrono strumenti e contesto per lavori specifici. Questo equilibrio determinerà se Gemini risulterà ampiamente utile o semplicemente ampiamente disponibile.
Microsoft affronta lo stesso problema di progettazione. Entrambe le aziende devono offrire sufficiente standardizzazione agli amministratori preservando al contempo la profondità richiesta dai singoli reparti.
La pressione competitiva si estende agli acquirenti enterprise. Scegliere un agente significa sempre più scegliere un piano di controllo per il lavoro. I team di procurement dovranno valutare non solo le funzionalità attuali, ma anche il modo in cui ciascun fornitore governa le future azioni autonome.
Come l'agente Gemini trasforma il contesto in azione
Il salto tecnico non è una finestra di chat più ampia; è il coordinamento di memoria, strumenti, accesso ai dati ed esecuzione sotto un'unica identità.
Un agente di lavoro necessita di vari componenti per gestire un incarico esteso. Deve comprendere la richiesta, individuare le informazioni pertinenti, decidere quali strumenti usare, eseguire le operazioni consentite e restituire risultati che una persona possa esaminare.
La memoria aiuta l'agente a conservare il contesto utile attraverso questi passaggi. Potrebbe ricordare il progetto in discussione, il formato di reporting preferito o una decisione precedente. La memoria persistente può ridurre le spiegazioni ripetute, ma le organizzazioni hanno bisogno di limiti chiari su ciò che viene conservato.
Gli strumenti consentono all'agente di interagire con applicazioni e servizi. Leggere un calendario, aggiornare un documento, eseguire codice o interrogare un sistema di dati richiede interfacce definite. L'agente deve usare ogni interfaccia con l'identità autorizzata dell'utente.
Le skill raccolgono comportamenti ripetibili. Una skill di analisi finanziaria potrebbe recuperare dati approvati, applicare un metodo specificato e produrre un report strutturato. Una skill legale potrebbe esaminare documenti rispetto alle clausole e alle policy selezionate da un'organizzazione.
I connettori estendono l'agente oltre le applicazioni proprietarie di Google. Possono fornire accesso controllato a sistemi aziendali esterni, database e repository di contenuti. La qualità dei connettori influenzerà quanto l'agente sembrerà universale negli ambienti tecnologici misti.
Il livello di orchestrazione coordina questi elementi. L'orchestrazione consiste nel selezionare la sequenza corretta di modelli, strumenti e fonti di dati per un'attività. Deve inoltre riconoscere quando l'agente non dispone di informazioni o autorità sufficienti.
Un flusso di lavoro tipico illustra il meccanismo. Un responsabile delle operazioni chiede perché i resi di prodotto siano aumentati. Gemini identifica il periodo pertinente, interroga i dati accessibili, raggruppa i resi per motivo e crea un riepilogo in Docs.
Potrebbe quindi redigere un'email e preparare slide per una riunione. Ogni nuova azione dipende dalle informazioni generate in precedenza. Il valore deriva dal mantenere lo stato dell'attività lungo l'intera sequenza.
La capacità di programmazione amplia questo meccanismo. Se uno strumento esistente non è in grado di effettuare un'analisi, l'agente potrebbe scrivere codice per trasformare dati o automatizzare un calcolo. L'esecuzione di quel codice introduce un ulteriore livello di rischio, perché il software generato può contenere errori o operazioni non sicure.
Le organizzazioni avranno bisogno di limiti di esecuzione. Il codice dovrebbe essere eseguito in ambienti controllati, con accesso limitato, attività registrata e regole di approvazione chiare. I sistemi di produzione sensibili richiedono un trattamento più rigoroso rispetto agli ambienti di analisi temporanei.
La generazione di contenuti multimediali aggiunge considerazioni simili. Creare un diagramma o un'immagine per una presentazione può ridurre i tempi di produzione, ma l'agente necessita comunque di materiale di origine accurato e di diritti appropriati. Le immagini generate non dovrebbero essere considerate prove fattuali senza revisione.
Le nuove skill analitiche affrontano una sfida di accuratezza distinta. Le domande aziendali dipendono spesso da definizioni interne assenti dai dati grezzi. “Cliente attivo”, “ordine in ritardo” e “opportunità qualificata” possono avere significati diversi tra i vari team.
Un agente affidabile deve basare la propria analisi sulle definizioni approvate dall'organizzazione. Dovrebbe inoltre rendere visibile una parte sufficiente del proprio metodo affinché un utente possa verificare la conclusione. Una risposta rifinita senza un ragionamento tracciabile può creare falsa fiducia.
Qui diventa rilevante la combinazione della conoscenza. Un utente può avere bisogno di unire informazioni aziendali, note personali e nuove ricerche senza perdere l'origine di ciascuna affermazione. Un flusso di lavoro di knowledge blending può preservare queste distinzioni quando un unico agente enterprise universale non è l'unica fonte.
Il meccanismo di Google è interessante perché riduce i passaggi di consegna tra assistenti separati. Il suo successo dipenderà dal fatto che tali passaggi diventino chiamate agli strumenti affidabili anziché salti nascosti nel ragionamento.
La memoria universale crea un problema di governance universale
Le funzionalità che rendono utile l'agente Google Gemini creano anche il suo problema enterprise più difficile: ogni autorizzazione aggiuntiva amplia l'impatto di un'azione errata.
Google afferma che l'agente mantiene gli stessi controlli nei suoi diversi ambienti di lavoro. Questa coerenza è necessaria. Un agente non dovrebbe ottenere un accesso più ampio solo perché un utente passa da Gmail a Sheets o richiama una skill di programmazione.
Le autorizzazioni esistenti forniscono un punto di partenza, ma l'accesso agentico introduce nuove domande. Una persona potrebbe avere il permesso di leggere migliaia di file senza che ci si aspetti da lei che li combini in un unico riepilogo sensibile. Un agente può effettuare questa sintesi rapidamente.
Questo problema viene talvolta chiamato rischio di aggregazione. I singoli record possono essere correttamente accessibili, ma la loro combinazione può rivelare informazioni che non erano mai destinate a un solo pubblico o a una sola decisione.
La memoria aggiunge un'altra sfida. Una preferenza ricordata è utile, mentre informazioni riservate ricordate possono diventare pericolose se compaiono nell'attività sbagliata. Amministratori e utenti devono poter vedere cosa l'agente conserva e come rimuoverlo.
La specializzazione settoriale alza ulteriormente la posta. Il lavoro finanziario e legale coinvolge spesso informazioni regolamentate, policy formali di conservazione, comunicazioni privilegiate e decisioni che richiedono responsabilità professionale.
Un agente legale può aiutare a confrontare clausole o individuare precedenti, ma non può assumersi la responsabilità di un avvocato qualificato. Un agente finanziario può accelerare l'analisi, ma il suo output dipende comunque dalla qualità dei dati, dalle definizioni delle policy e dalla revisione umana.
Il più ampio framework di sicurezza di Google spiega come l'azienda affronta la protezione dell'AI e del cloud. L'annuncio del 2026, tuttavia, non dovrebbe essere considerato una prova indipendente che ogni flusso di lavoro Gemini in più fasi si comporterà correttamente in produzione.
Le aziende hanno bisogno di prove nei propri ambienti. I programmi pilota dovrebbero misurare tentativi di accesso non autorizzato, selezione errata degli strumenti, conclusioni non supportate, completamento delle attività e quantità di correzioni umane richieste.
L'auditabilità è particolarmente importante. Gli amministratori hanno bisogno di registri che mostrino quali informazioni l'agente ha consultato, quali strumenti ha richiamato, quali azioni ha proposto e cosa ha modificato. Una risposta finale da sola non può spiegare un guasto complesso.
Anche la progettazione delle approvazioni è importante. Le azioni a basso rischio, come la redazione di un riepilogo privato, possono richiedere meno attrito. Le azioni ad alto impatto, come l'invio di un messaggio a tutta l'azienda o la modifica del codice di produzione, dovrebbero richiedere una conferma esplicita.
Il sistema deve distinguere le raccomandazioni dall'esecuzione. Un agente che suggerisce una modifica al calendario presenta un livello di rischio. Un agente che riprogramma una riunione dei dirigenti senza revisione ne presenta un altro.
La prompt injection resta una preoccupazione pratica. Un'istruzione malevola nascosta in un documento o in una pagina web può tentare di reindirizzare un agente. Gli agenti che usano strumenti necessitano di difese che impediscano ai contenuti non attendibili di trasformarsi in istruzioni autorevoli.
Gli output errati sono un'altra questione irrisolta. I modelli linguistici possono produrre affermazioni plausibili non supportate dalle prove disponibili. Collegare un modello ai dati aziendali riduce una parte dell'incertezza, ma non elimina le interpretazioni errate.
L'adozione da parte dei dipendenti può fallire anche quando i controlli di sicurezza sono solidi. Se i lavoratori devono verificare ogni passaggio, correggere errori frequenti o attendere approvazioni, l'agente potrebbe far risparmiare meno tempo di quanto suggeriscano le dimostrazioni.
Il fallimento opposto è la fiducia eccessiva. Gli utenti possono accettare un risultato rifinito perché l'agente sembra comprendere i sistemi dell'azienda. Un contesto familiare può rendere una risposta errata più credibile.
Le aziende dovrebbero quindi trattare l'implementazione come ingegneria dei flussi di lavoro, non come attivazione di un account. Hanno bisogno di limiti chiari per le attività, test rappresentativi, percorsi di escalation e responsabili nominati per ciascun processo automatizzato.
Il compromesso centrale non può essere eliminato. Più contesto e autorità possono produrre un lavoro più utile. Possono anche creare errori dalle conseguenze più gravi. La capacità di Google di rendere questo compromesso visibile e gestibile determinerà se la promessa dell'agente universale resisterà all'esame delle imprese.
Tre segnali mostreranno se Gemini at Work 2026 conta davvero
Il prossimo banco di prova è l'esecuzione: Google deve dimostrare che un solo agente può operare tra applicazioni diverse, soddisfare team specialistici e restare governabile su scala enterprise.
Il primo segnale è la reale disponibilità dell'agente in Workspace e Cloud. Gli acquirenti dovrebbero osservare quali capacità raggiungono la disponibilità generale, quali restano anteprime limitate e se la memoria si comporta in modo coerente tra le applicazioni.
Un rilascio graduale non invaliderebbe la strategia di Google. Mostrerebbe quanto dell'esperienza dell'agente universale esista come un unico sistema operativo anziché come una raccolta di dimostrazioni.
Le prove più solide arriveranno dai flussi di lavoro completi. L'agente può passare da una richiesta via email a un'analisi dei dati governata, quindi creare un documento e programmare una revisione senza perdere il contesto? Un amministratore può ispezionare ogni passaggio importante?
Se questi flussi di lavoro diventano ripetibili, l'argomentazione di Google a favore di un livello unificato diventa più forte. Se gli utenti hanno ancora bisogno di copiare, riautorizzare e correggere ampiamente, il prodotto si comporterà più come diversi assistenti sotto un unico nome.
Il secondo segnale è l'adozione nei servizi finanziari e nei team legali. Questi settori offrono un test impegnativo perché combinano informazioni preziose, vocabolario specializzato e responsabilità rigorosa.
Google ha bisogno di esempi che descrivano l'attività esatta, i controlli applicati e la revisione umana richiesta. Dichiarazioni generali sulla produttività riveleranno poco sul fatto che la specializzazione funzioni.
Gli acquirenti dovrebbero cercare prove che le skill di settore usino conoscenze approvate e rispettino le restrizioni sui documenti. Dovrebbero inoltre chiedere se le organizzazioni possano modificare tali skill affinché riflettano le loro policy.
Un'adozione riuscita sosterrebbe il modello universale più specializzato di Google. Programmi pilota limitati alla redazione e alla ricerca suggerirebbero che il lavoro autonomo resta troppo rischioso per i processi critici.
Il terzo segnale è la risposta di Microsoft. La risposta rilevante non è un altro cambio di branding o annuncio di modello. È un coordinamento più profondo tra Microsoft 365, Azure, GitHub e i sistemi line-of-business.
Microsoft dispone della distribuzione e delle relazioni enterprise per competere direttamente con Google. Se migliorerà la memoria tra applicazioni, l'esecuzione degli strumenti e i controlli amministrativi, gli acquirenti confronteranno piattaforme di lavoro complete anziché singole funzionalità di AI.
Questa concorrenza potrebbe avvantaggiare i clienti producendo modelli di autorizzazione più chiari e strumenti di valutazione più efficaci. Potrebbe anche approfondire la dipendenza dallo stack di produttività e cloud di un singolo fornitore.
Le imprese dovrebbero preservare le opzioni dove possibile. Possono definire flussi di lavoro tramite interfacce documentate, mantenere pratiche dei dati portabili ed evitare di collocare ogni processo critico dietro un unico agente opaco.
Dovrebbero inoltre monitorare le metriche di risultato anziché il volume dei prompt. Le misure utili includono attività completate, tempo di correzione, ritardi nelle approvazioni, tassi di errore e incidenti che coinvolgono accessi impropri ai dati.
I knowledge worker hanno una decisione più immediata. Dovrebbero identificare quali attività traggono beneficio dal contesto condiviso e quali meritano una separazione deliberata. Redigere un aggiornamento di routine è diverso dal valutare una posizione legale o modificare il codice di produzione.
L’agente Google Gemini rappresenta un chiaro cambiamento nell’AI sul posto di lavoro. Google non chiede più agli utenti di visitare un assistente per ricevere aiuto su singole attività. Vuole che Gemini resti presente mentre il lavoro passa attraverso messaggi, file, riunioni, dati, media e software.
Questa visione può ridurre l’attrito del lavoro frammentato. Può anche concentrare contesto, decisioni ed esecuzione all’interno di un unico sistema. I prossimi mesi dovrebbero chiarire se Google riuscirà a offrire il primo vantaggio senza nascondere il secondo.
I team che valutano l’agente Google Gemini dovrebbero iniziare con un flusso di lavoro circoscritto e misurabile. Fornitegli dati rappresentativi, mantenete l’approvazione umana e registrate ogni correzione. Poi ponetevi la domanda più importante della copertura delle funzionalità: l’agente porta a termine un lavoro affidabile, oppure produce semplicemente risultati convincenti più velocemente?
