Как Google Gemini 3.5 Flash продвигает AI-агентов в корпоративные рабочие процессы

Google представил Gemini 3.5 Flash — новую модель искусственного интеллекта, предназначенную для поддержки агентных рабочих процессов в своих продуктах и корпоративных платформах. Компания стремится вывести генеративный ИИ за рамки чат-ботов и глубже интегрировать его в бизнес-операции.

Модель была анонсирована на ежегодной конференции разработчиков Google I/O и доступна через приложение Gemini, AI Mode в Google Search, Google Antigravity, Gemini API в Google AI Studio и Android Studio, Gemini Enterprise Agent Platform, а также Gemini Enterprise.

01Возможности и производительность

В своём блоге Google сообщил, что Gemini 3.5 Flash создан для таких задач, как разработка программного обеспечения, подготовка финансовых документов, онбординг клиентов, OCR, налоговые процессы и диагностика данных. Компания позиционирует модель как более быструю альтернативу более крупным флагманским системам.

Google называет Gemini 3.5 Flash своей самой сильной моделью для агентных и кодовых задач, утверждая, что она превосходит Gemini 3.1 Pro по бенчмаркам Terminal-Bench 2.1, GDPval-AA и MCP Atlas. Компания также заявляет о лидерстве в мультимодальном понимании с результатом 84,2% в CharXiv Reasoning.

«Если смотреть на количество выходных токенов в секунду, она в 4 раза быстрее других передовых моделей», — добавили в Google.

Google также сообщил, что работал с отраслевыми партнёрами над разработкой серии моделей Gemini 3.5, и они «видят значимый эффект — от банков и финтех-компаний, автоматизирующих многонедельные рабочие процессы, до команд по науке о данных, извлекающих инсайты из сложных сред данных».

02Взгляд аналитиков на корпоративное применение

Аналитики считают, что Gemini 3.5 Flash следует рассматривать не просто как улучшенный чат-бот, а как часть стратегии Google по созданию AI-агентов, способных выполнять корпоративные задачи под контролем.

«Улучшения скорости, стоимости и производительности от Google имеют значение, потому что многие пилотные проекты ИИ проваливаются, когда становятся слишком медленными или дорогими в масштабе, — отметил Парих Джейн, CEO Pareekh Consulting. — Более быстрые и дешёвые модели могут сделать AI-агентов практичными для реальных бизнес-операций, таких как кодинг, поддержка, аналитика и автоматизация».

Однако, по мнению Санчита Вира Гогии, главного аналитика Greyhound Research, CIO должны обращать внимание не только на стоимость модели, но и на стоимость завершения рабочего процесса — например, урегулирования страхового случая, проверки контракта, сортировки инцидента или перемещения исправления ПО через тестирование и утверждение.

«Вендорские бенчмарки проверяют возможности. Корпоративные пилоты проверяют выживаемость», — подчеркнул Гогия.

Нил Шах, вице-президент по исследованиям Counterpoint Research, отметил, что меняются и корпоративные цели: «Корпоративная задача эволюционировала от обобщения документа или ответов на вопросы на основе промптов или базовой генерации кода к развёртыванию контролируемых, автономных фоновых работников непосредственно в основные бизнес-процессы».

Это поднимает вопрос о том, сможет ли Google сделать агентный ИИ достаточно надёжным для производственного использования, а не просто более быстрым или дешёвым в работе.

03Проблемы контроля и безопасности

По мере того как AI-агенты переходят от пассивных помощников к активным участникам бизнес-процессов, предприятиям потребуются более строгие средства контроля над их действиями, считает Анушри Верма, старший директор-аналитик Gartner.

«Предприятия сталкиваются с новым набором проблем по мере внедрения AI-агентов в бизнес-системы, например, какие действия агентам разрешено выполнять и при каких обстоятельствах», — сказала Верма.

Риски выходят за рамки операционных ошибок. Агенты, работающие в нескольких системах, могут расширить поверхность атаки, создав новые точки входа для злоумышленников и увеличив вероятность того, что вредоносные промпты или данные вызовут непреднамеренные действия.

«Подотчётность, аудируемость, объяснимость станут ключевыми проблемами, а наблюдаемость становится критически важной по мере развёртывания большего числа агентов, — добавила Верма. — Есть ещё много вопросов, которые необходимо решать по мере быстрого внедрения агентов, что может привести к разрастанию агентов».

Для решения этих рисков потребуется совместная работа ИТ-, служб безопасности, комплаенса и бизнес-команд, а также инвестиции в инструменты и процессы, созданные для автоматизации на основе ИИ, заключила Верма.