عامل Gemini گوگل؛ تبدیل چت سازمانی به نیروی کار هوشمند

چه اتفاقی افتاد؟

عامل Gemini گوگل در ۸ اکتبر ۲۰۲۶ و در رویداد Gemini at Work 2026 معرفی شد؛ Google Cloud آن را «single, universal agent for work» می‌نامد. پیام اصلی روشن است: Gemini دیگر فقط یک چت‌بات یا endpoint مدل نیست، بلکه قرار است کار سازمانی را بپذیرد، برنامه‌ریزی کند، اجرا کند و خروجی آماده را در همان ابزارهایی برگرداند که کارمند هر روز استفاده می‌کند.

این اعلامیه در دو متن رسمی منتشر شد: یک پست کوتاه در وبلاگ Google و یک پست مفصل‌تر در Google Cloud Blog که از سخنرانی Thomas Kurian، مدیرعامل Google Cloud، اقتباس شده است. گوگل در معرفی رسمی گفت Gemini می‌تواند از زمینهٔ کسب‌وکار سازمان استفاده کند، «plan the work» انجام دهد، از skills و tools بهره بگیرد، به سیستم‌های سازمانی وصل شود و کار تکمیل‌شده را داخل documents، inbox و developer environments برگرداند.

جملهٔ کلیدی Google Cloud این است: «Work now starts in the prompt window.» یعنی محل شروع کار، دیگر الزاماً نرم‌افزارهای جداگانه، فرم‌ها یا داشبوردهای پیچیده نیست؛ می‌تواند یک پنجرهٔ پرامپت باشد که پشت آن هویت، دسترسی، داده، مدل، ابزار و سیاست سازمانی قرار گرفته است.

منابع رسمی این خبر را می‌توانید در وبلاگ Google و Google Cloud Blog بخوانید. اما اهمیت خبر فقط در نام یک محصول جدید نیست؛ اهمیت آن در این است که گوگل می‌خواهد «عامل سازمانی» را به لایهٔ اصلی کار در شرکت‌ها تبدیل کند.

عامل Gemini گوگل دقیقاً چیست؟

پاسخ کوتاه: Gemini agent یک عامل کاری سازمانی است که به‌جای گرفتن دستورهای ریز، هدف می‌گیرد و خروجی تحویل می‌دهد. گوگل آن را چنین توضیح می‌دهد: «You give it objectives, not instructions. You delegate an outcome and come back to finished work.»

این تفاوت ظاهراً ساده، از نظر محصولی مهم است. در مدل چت‌باتی، کاربر سؤال می‌پرسد، پاسخ می‌گیرد، آن را کپی می‌کند، در ابزار دیگری می‌گذارد و خودش ادامهٔ کار را انجام می‌دهد. در مدل agentic، کاربر نتیجه می‌خواهد: جلسه را تنظیم کن، گزارش بساز، اسلاید آماده کن، issue را بررسی کن، کوئری را بنویس، کد را اجرا کن، یا تحلیل را به داشبورد تبدیل کن.

Google Cloud برای این محصول چند نام و لایهٔ مرتبط معرفی کرده است: Gemini Enterprise به‌عنوان زمینهٔ سازمانی، Gemini Enterprise Agent Platform برای ساخت و اجرای عامل‌ها، Workspace Intelligence برای تشخیص کارهای قابل‌واگذاری در Workspace، Agent Sandbox برای اجرای ایزوله، Agent Gateway به‌عنوان «AI network firewall»، و AI Solution Finder برای کشف agent و connectorهای ثالث.

نکتهٔ راهبردی این است که گوگل نمی‌خواهد فقط یک UI تازه برای چت بسازد. هدف، تعریف یک control plane سازمانی است: جایی که هویت، اتصال به ابزارها، انتخاب مدل، ثبت عملیات، سیاست امنیتی، دادهٔ سازمانی و سقف هزینه کنار هم کنترل شوند. برای آشنایی کلی‌تر با خانوادهٔ Gemini، می‌توانید راهنمای هوشی دربارهٔ Gemini را هم بخوانید.

معماری: از چت واحد تا اجرای پایدار در ابر

پاسخ مستقیم: معماری Gemini agent بر یک رابط واحد، دسترسی همه‌جا، اجرای پایدار ابری، ارکستراسیون چندعامل، زمینهٔ عمیق و انتخاب انعطاف‌پذیر مدل بنا شده است. همین ترکیب است که آن را از یک دستیار ساده جدا می‌کند.

Google Cloud شش اصل معماری را برای Gemini agent توضیح می‌دهد. نخست، unified agent: یک رابط برای چت، کار خودکار و تولید کد. دوم، omnipresent access: حضور روی وب، iOS، Android، Windows، Mac، command line، Google Workspace، Microsoft 365، Slack، اپلیکیشن‌های ثالث و حتی deploymentهای headless. سوم، persistent execution: کارها در ابر ادامه پیدا می‌کنند و با بسته‌شدن لپ‌تاپ متوقف نمی‌شوند.

اصل چهارم multi-agent orchestration است؛ Gemini می‌تواند برای کارهای چندمرحله‌ای، زیرعامل‌های موقت با هویت جدا بسازد و آن‌ها را موازی یا ترتیبی هماهنگ کند. اصل پنجم deep context است؛ یعنی یادگیری از ابزارها، داده‌ها، تاریخچهٔ کار، تعامل‌ها، پروژه‌های تیمی و زمینهٔ سازمان. اصل ششم هم model choice flexibility است.

Google Cloud می‌گوید: «Gemini is the agent, and the model underneath it is a separate choice.»

این جمله برای بازار مهم است. گوگل می‌گوید خود Gemini لایهٔ عامل است و مدل زیرین می‌تواند بسته به کار انتخاب شود. طبق اعلام Google Cloud، این ارکستراسیون امروز روی خانوادهٔ مدل‌های Gemini و Claude models from Anthropic انجام می‌شود و برای آینده، مدل‌های خصوصی و open نیز برنامه‌ریزی شده‌اند. خانواده‌های Argon، Flash، Omni و Gemma هم در متن Google Cloud نام برده شده‌اند.

Workspace، ابزارها و حافظه؛ عامل کجا کار می‌کند؟

پاسخ کوتاه: Gemini agent قرار است داخل جریان کار روزمره ظاهر شود، نه در یک کنسول جدا. گوگل می‌گوید این عامل در Gmail، Drive، Docs، Slides، Sheets، Chat و Calendar به‌صورت inline کار می‌کند و همان حافظه، skills و کنترل‌های سازمانی را همراه دارد.

در Workspace سه حالت اصلی مطرح شده است. در حالت personal assistance، Gemini تقویم، تیم، پروژه‌ها و اسناد کاربر را می‌فهمد؛ مثلاً می‌توان از آن خواست جلسه‌ای با لیدهای معمول یک رویداد منطقه‌ای تنظیم کند، بدون اینکه نام افراد گفته شود. در حالت proactive delegation، Workspace Intelligence کارهای قابل‌واگذاری را تشخیص می‌دهد؛ مثلاً ایمیلی که درخواست update پروژه به‌شکل slide deck دارد و با یک کلیک به Gemini سپرده می‌شود.

حالت سوم جذاب‌تر و حساس‌تر است: coworker agent. کاربر می‌تواند عامل همکار با حساب Workspace، ایمیل، تقویم، Drive و حضور در directory شرکت بسازد. چنین عاملی می‌تواند به Chat space اضافه شود، در کامنت‌ها mention شود، سند را به گروه برگرداند و در version history با نام خودش دیده شود.

از نظر اتصال، گوگل فهرست گسترده‌ای از ابزارها را نام برده است: Confluence، Microsoft Office، Teams، Slack، Workspace، Git، Jira، Salesforce، ServiceNow، BigQuery، Databricks، Postgres، Snowflake، فایل‌های دسکتاپ کاربر و هر MCP server داخل یا خارج شبکهٔ شرکت. در کنار این‌ها، tools registry و skills registry قرار می‌گیرند تا تیم‌ها ابزارها و دستورالعمل‌های قابل‌استفادهٔ مجدد بسازند و منتشر کنند.

حافظه هم چهار نوع دارد: session memory، semantic memory، procedural memory و episodic memory. تشبیه گوگل این است که Gemini «مثل یک نیروی تازه‌وارد خودش را onboard می‌کند»؛ یعنی کاربر، ابزارها و تیم را می‌شناسد و سپس وارد انجام کار می‌شود.

داده، تحلیل و توسعه‌دهنده‌ها؛ نقطهٔ جدی رقابت

پاسخ مستقیم: یکی از جدی‌ترین میدان‌های Gemini agent، داده و مهندسی نرم‌افزار است. گوگل می‌خواهد پرسش‌های طبیعی را به کوئری، گزارش، نمودار، داشبورد، PySpark، SQL، Python، notebook و workflowهای ML تبدیل کند.

برای data و ML engineerها، Gemini می‌تواند PySpark code تولید کند، notebook برای ویرایش و تست ارائه دهد، مدل آموزش دهد و مشکلات pipeline را عیب‌یابی یا رفع کند. برای کاربران کسب‌وکار، Google Cloud می‌گوید Gemini می‌تواند با reporting skills متصل به BigQuery و Knowledge Catalog، از سؤال طبیعی گزارش عملیاتی بسازد. نکتهٔ هزینه‌ای مهم این است که وقتی کوئری ذخیره شد، تیم‌ها می‌توانند گزارش‌ها را بدون token cost دوباره اجرا کنند.

سه قابلیت داده‌ای در مرکز این روایت قرار دارند. Knowledge Catalog تعریف‌های کسب‌وکاری را نگاشت می‌کند تا عامل‌ها از metric و schema یکسان استفاده کنند. Smart Storage objectهای بدون‌ساختار مثل PDF، تصویر، اسکن و صوت را در محل خودشان غنی می‌کند. Borderless Lakehouse هم طبق گفتهٔ گوگل اجازه می‌دهد Gemini در Google Cloud، Amazon S3، Azure Data Lake، Salesforce Data 360، SAP، Workday، Apache Iceberg، Databricks Unity، Snowflake Horizon و AWS Glue پرس‌وجو کند، بدون اینکه الزاماً داده جابه‌جا یا کپی شود.

برای توسعه‌دهنده‌ها، پیام روشن است: ساخت agent دیگر فقط prompt نوشتن نیست. باید ابزار امن تعریف کرد، skills قابل‌استفادهٔ مجدد ساخت، MCP server طراحی کرد، permission و identity را درست چید، sandboxed code execution داشت، log و policy enforcement را دید و روی budget کنترل گذاشت. اگر در ایران به ساخت محصول‌های AI فکر می‌کنید، راهنمای API توسعه‌دهندگان هوشی می‌تواند دید خوبی از اتصال چندمدلی به محصول بدهد.

امنیت و حاکمیت؛ چرا این بخش اصل خبر است؟

پاسخ کوتاه: اگر عامل‌ها قرار است واقعاً کار انجام دهند، باید مثل نیروی انسانی یا service account کنترل شوند. گوگل دقیقاً روی هویت مستقل، حداقل دسترسی، OAuth، audit trail، sandbox، gateway و سیاست‌های سراسری تمرکز کرده است.

Google Cloud چهار پرسش حاکمیتی مطرح می‌کند: عامل کیست و چه هویتی دارد؟ اجازهٔ چه کاری را دارد؟ چه کاری انجام داده و مدیران کجا می‌توانند ببینند؟ و چه‌چیزی را هرگز نباید لمس کند؟ این چهار سؤال خلاصهٔ نگرانی CIO و CISO در عصر agentهاست.

طبق اعلام گوگل، هر agent هویت cryptographically attested خودش را دارد و مثل یک کارمند اداره می‌شود. دسترسی‌ها باید fine-grained و role-based باشند و توسط security admin تأیید شوند. هنگام اتصال به سیستم‌های خارجی، agent identity از طریق استانداردهایی مانند OAuth نگاشت و propagate می‌شود. هر اقدام هم log می‌شود و به خود عامل نسبت داده می‌شود، نه به یک شخص.

دو قطعهٔ دیگر هم مهم‌اند: Agent Sandbox و Agent Gateway. Sandbox محیط اجرای agent را با مرز شبکهٔ جدا فراهم می‌کند. Gateway نیز به‌گفتهٔ گوگل «AI network firewall» است که همهٔ ترافیک عامل‌ها از آن عبور می‌کند و policy را در لحظه اجرا می‌کند. نمونهٔ سیاستی که گوگل می‌دهد ساده اما گویاست: عامل‌ها نباید سندهای طبقه‌بندی‌شدهٔ Need to Know را باز کنند.

Google Cloud در یک جمله مسئله را جمع‌بندی می‌کند: «Two factors determine whether an enterprise agent program succeeds or stalls: whether you can govern it, and whether you can afford it.»

این همان مرزی است که یک demo جذاب را از deployment سازمانی جدا می‌کند. عامل خودکار بدون هویت، log، permission و سقف هزینه، در شرکت بزرگ پذیرفتنی نیست.

قیمت و کنترل هزینه؛ گوگل چه گفته و چه نگفته است؟

پاسخ مستقیم: گوگل برای Gemini agent در اعلامیهٔ اصلی یک قیمت سادهٔ per-seat ارائه نکرده و به‌جای آن روی کنترل هزینه تأکید کرده است. جزئیات عددی بیشتر در صفحهٔ قیمت‌گذاری Agent Platform آمده است.

چهار ابزار هزینه‌ای در اعلامیه برجسته‌اند: multi-model orchestration برای اجرای هر کار روی مدل مناسب، Smart Routing برای هدایت خودکار workload به کم‌هزینه‌ترین مدلی که عملکرد لازم را می‌دهد، real-time spend caps برای تعیین سقف سخت هزینهٔ AI در سطح پروژه در Cloud Billing Console، و per-project tracking برای chargeback دپارتمانی.

در صفحهٔ قیمت‌گذاری رسمی، برای Gemini 3.5 Flash قیمت جهانی $۰.۷۵ به‌ازای ۱ میلیون input token و $۴.۵۰ به‌ازای ۱ میلیون text output token فهرست شده است. برای Gemini 3.5 Flash-Lite، قیمت $۰.۱۵ برای ۱ میلیون input token و $۱.۲۵ برای ۱ میلیون text output token آمده است. Gemini 2.5 Pro نیز تا ۲۰۰K token با $۱.۲۵ برای ۱ میلیون input token و $۱۰ برای ۱ میلیون output token فهرست شده و برای context طولانی‌تر قیمت بالاتری دارد.

برای grounding، همان صفحه می‌گوید Grounding with Google Search و Web Grounding for Enterprise در Gemini 3 models شامل ۵,۰۰۰ grounding/search query رایگان در ماه هستند و مازاد با $۱۴ به‌ازای ۱,۰۰۰ query محاسبه می‌شود. Grounding with your data نیز $۲.۵۰ به‌ازای ۱,۰۰۰ prompt درج شده است. جزئیات را می‌توانید در صفحهٔ رسمی قیمت‌گذاری Google Cloud ببینید.

برای تیم‌هایی که از چند مدل استفاده می‌کنند، مقایسهٔ توانایی و هزینه مهم‌تر از همیشه است. در هوشی می‌توانید با مراجعه به فهرست مدل‌ها و قیمت‌ها دید بهتری نسبت به انتخاب مدل مناسب برای کار خود پیدا کنید.

اعداد پذیرش و نمونه‌های مشتری؛ گوگل چه شواهدی آورده است؟

پاسخ کوتاه: گوگل برای نشان‌دادن بلوغ Gemini Enterprise، مجموعه‌ای از عددهای بزرگ و نمونه‌های مشتری ارائه کرده است. این اعداد تضمین موفقیت عمومی نیستند، اما نشان می‌دهند Google Cloud بازار enterprise AI را جدی و گسترده هدف گرفته است.

نمونه‌ها متنوع‌اند: BNP Paribas در حال استقرار Gemini Enterprise در LLM@CIB برای بیش از ۶۵,۰۰۰ کارمند است. Orange Spain بیش از ۱,۰۰۰ عامل سفارشی Gemini Enterprise مستقر کرده است. SOMPO بیش از ۱۰,۰۰۰ عامل AI سفارشی در میان ۳۴,۰۰۰ کارمند ساخته و زمان توسعهٔ مدل جدید را از یک هفته به یک روز کاهش داده است.

در حوزهٔ داده و عملیات، Bloomberg Media طبق اعلام گوگل در توسعهٔ اولیه، با زمینه‌سازی data agentها در Knowledge Catalog، دقت SQL query را ۶۳٪ افزایش داده است. Deutsche Telekom پس از ساخت lakehouse دادهٔ یکپارچه روی بیش از ۴۰ سیستم legacy on-prem، ۱۰x سریع‌تر حرکت کرده است. Etsy نیز ۳ petabytes داده را migrate کرده و گزارش کرده data joinها تا ۶۰٪ سریع‌تر شده‌اند.

در نمونه‌های دیگر، Snap زمان عیب‌یابی را از ۳۰ دقیقه به ۳۰ ثانیه کاهش داده، Tata Steel بیش از ۳۰۰ عامل تخصصی AI را در ۹ ماه مستقر کرده و زمان رسیدگی به شکایت مشتری را ۵۰٪ کم کرده، و U.S. armed services / CDAO، Gemini Enterprise را در اختیار ۳ میلیون عضو uniformed و non-uniformed قرار داده که بیش از ۱۰۰,۰۰۰ عامل سفارشی ساخته‌اند.

معنای عامل Gemini گوگل برای کاربران فارسی‌زبان

پاسخ مستقیم: برای کاربران فارسی‌زبان، این خبر بیش از آنکه فقط دربارهٔ یک محصول Google Cloud باشد، نشانهٔ تغییر الگوی استفاده از AI است. بازار از چت‌بات‌های جدا به سمت عامل‌های کاری متصل، چندمدلی، قابل‌کنترل و قابل‌بودجه‌بندی می‌رود.

در ایران و برای تیم‌های فارسی‌زبان، مانع‌ها متفاوت‌اند: دسترسی، پرداخت، زبان، اتصال به ابزارهای داخلی، و نیاز به کنترل هزینه. اما جهت حرکت جهانی روشن است. تیم‌ها دیگر فقط نمی‌پرسند «کدام مدل جواب بهتری می‌دهد؟»؛ می‌پرسند «کدام سیستم می‌تواند به ابزار ما وصل شود، خروجی را در workflow ما تحویل دهد، هزینه را کنترل کند و جلوی دسترسی ناخواسته را بگیرد؟»

این نگاه برای کسب‌وکارهای کوچک هم مهم است. ممکن است یک شرکت به تمام لایه‌های Gemini Enterprise نیاز نداشته باشد، اما همان منطق را می‌خواهد: یک دستیار که اسناد را بفهمد، ایمیل را خلاصه کند، متن فارسی بنویسد، کد تولید کند، فایل را تحلیل کند، صدا یا تصویر بسازد و بین مدل‌های مختلف انتخاب بدهد. هوشی دقیقاً با همین ایده، دسترسی به ChatGPT/GPT، Claude، Gemini، Grok، DeepSeek، Kimi، Qwen، Mistral، Perplexity و مدل‌های صدا و تصویر را در یک پنل فارسی با پرداخت تومانی و بدون VPN فراهم می‌کند.

اگر موضوع شما سازمانی یا توسعه‌ای است، درس مهم از اعلامیهٔ گوگل این است: از همین حالا به governance فکر کنید. حتی در پروژه‌های کوچک، مشخص کنید چه داده‌ای وارد مدل می‌شود، چه کسی مجاز است خروجی را ببیند، هزینهٔ هر کار از کجا کنترل می‌شود و برای کارهای حساس، انسان کجا باید تأیید نهایی بدهد.

رقابت و جمع‌بندی؛ گوگل دنبال چه جایگاهی است؟

پاسخ کوتاه: Google Cloud با Gemini agent می‌خواهد enterprise AI را از «چت» به «کار قابل‌حکمرانی» تبدیل کند و در برابر Microsoft Copilot، Salesforce Agentforce و پلتفرم‌های agentی OpenAI جایگاه وسیع‌تری بگیرد. برگ برندهٔ ادعایی گوگل، ترکیب Workspace، Cloud، داده، مدل‌های بلندمتن، governance و multi-model orchestration است.

Microsoft Copilot در محیط‌هایی قوی است که کار حول Microsoft 365، Teams، Outlook، SharePoint و Copilot Studio می‌چرخد. طبق صفحهٔ قیمت‌گذاری Microsoft، Copilot Chat برای کاربران واجد شرایط Microsoft 365 بدون هزینهٔ اضافه در دسترس است، اما استفاده از agentها metered است و به ظرفیت Azure subscription نیاز دارد؛ Microsoft 365 Copilot هم $۳۰ به‌ازای هر کاربر در ماه با پرداخت سالانه فهرست شده است.

Salesforce Agentforce بیشتر روی CRM، فروش، سرویس و workflowهای مشتری‌محور می‌نشیند و قیمت‌گذاری آن شامل Flex Credits، per-conversation و per-user licensing است. OpenAI نیز با AgentKit در ۶ اکتبر ۲۰۲۵ ابزارهایی مانند Agent Builder، Connector Registry، ChatKit و evalها را معرفی کرد؛ اما صفحهٔ OpenAI اکنون می‌گوید در به‌روزرسانی ۳ ژوئن ۲۰۲۶، محصولات Agent Builder و Evals در حال winding down هستند و دسترسی پس از ۳۰ نوامبر ۲۰۲۶ پایان می‌یابد.

در برابر این رقبا، ادعای گوگل گسترده‌تر است: یک عامل کاری که در Workspace، Cloud، محیط توسعه، سیستم‌های داده، اپ‌های ثالث، مدل‌های مختلف و کنترل‌های enterprise حرکت کند. ریسک هم به همان اندازه واقعی است: مشتریان باید بدانند کدام قابلیت‌ها preview هستند، کدام در تولید استفاده می‌شوند، هزینهٔ routing چگونه محاسبه می‌شود، permissionها چطور با سیستم‌های موجود برخورد می‌کنند و چگونه جلوی agent sprawl گرفته می‌شود.

جمع‌بندی ما در هوشی ساده است: این خبر نشان می‌دهد نسل بعدی AI سازمانی نه فقط «باهوش‌تر»، بلکه «متصل‌تر، مسئول‌تر و قابل‌مدیریت‌تر» خواهد بود. ماشین می‌اندیشد؛ معنا از توست.