Google je predstavio novi AI model pod nazivom Gemini 2.5 Computer Use, koji omogućuje agentima umjetne inteligencije interakciju s web stranicama i korisničkim sučeljima na način sličan ljudskom.
Model je trenutno dostupan u javnom pregledu putem Gemini API-ja na Google AI Studiu i Vertex AI platformi.
Za razliku od klasičnih AI modela koji se oslanjaju na API-je, Gemini 2.5 Computer Use analizira snimke ekrana web interfejsa i generira specifične UI akcije poput klikanja, tipkanja, pomicanja, otvaranja padajućih izbornika i navigacije kroz URL-ove. Agent prima upit, snimku ekrana i historiju nedavnih akcija, zatim analizira sučelje i vraća rezultat koji se izvršava na strani klijenta. Novi ekran zatim se šalje natrag modelu kako bi se zadatak nastavio u petlji.
Google je demonstrirao performanse modela na primjerima gdje AI agent sortira bilješke na digitalnoj ploči i prenosi podatke s jedne web stranice u CRM sistem. Model trenutno podržava 13 različitih radnji i najbolje funkcioniše s web preglednicima, dok još nije optimizovan za rad na nivou operativnog sistema za desktop računare.
Bezbjednosni mehanizmi sprječavaju zloupotrebu – svaka akcija koju predloži model pregledava se prije izvršenja, a programeri mogu ograničiti određene funkcije ili zahtijevati potvrdu korisnika za rizične zadatke poput finansijskih transakcija.
Interni Google timovi već koriste model u produkciji na platformama Search i Firebase, dok ga developeri mogu testirati i koristiti putem Google AI Studija, Vertex AI-ja ili demo okruženja Browserbase. Google tvrdi da je Gemini 2.5 superioran u odnosu na konkurentske modele poput Online-Mind2Web, WebVoyager i AndroidWorld.
