Gemini agent: 7 novità che cambiano il lavoro con l’AI
Google presenta Gemini agent, il nuovo agente universale per il lavoro capace di pianificare attività, usare strumenti, coordinare sub-agenti e operare nei sistemi aziendali con memoria, sicurezza e controlli di governance.
Google vuole portare Gemini oltre il ruolo del classico assistente che riceve una domanda e restituisce una risposta. Con Gemini agent, presentato l’8 ottobre 2026 durante Gemini at Work, l’intelligenza artificiale diventa un sistema capace di ricevere un obiettivo, organizzare il lavoro necessario, utilizzare strumenti e applicazioni differenti e continuare l’esecuzione anche quando l’utente non è più davanti al computer.
Nell’annuncio ufficiale di Gemini at Work 2026, Google definisce Gemini agent come un “single, universal agent for work”: un unico agente per attività che possono spaziare dalla ricerca di informazioni alla produzione di contenuti, fino alla scrittura e all’esecuzione di codice. Non si tratta quindi semplicemente di un nuovo modello Gemini, ma di un livello operativo che può scegliere modelli, usare strumenti, mantenere memoria e coordinare altri agenti.
È una direzione che avevamo già osservato su Helpsystem Informatica parlando di Gemini Call for Me, la funzione con cui l’AI può effettuare telefonate per conto dell’utente. In quel caso l’autonomia riguarda un compito molto specifico. Gemini agent amplia invece il concetto all’intero ambiente di lavoro digitale.
Indice dei contenuti
Cos’è Gemini agent e perché è diverso dal normale Gemini
Per comprendere il cambiamento bisogna separare l’agente dal modello di intelligenza artificiale che lavora sotto di esso.
Un chatbot tradizionale funziona prevalentemente secondo uno schema lineare:
richiesta → elaborazione → risposta
Con Gemini agent il processo può diventare:
obiettivo → pianificazione → scelta degli strumenti → esecuzione → verifica → risultato
Google sostiene che l’utente possa assegnare un risultato da ottenere invece di descrivere necessariamente tutti i passaggi. Gemini agent decide quali skill e strumenti utilizzare e può collegarsi ai sistemi necessari per completare il lavoro. Può inoltre ricevere attività programmate o reagire a determinati eventi.
La differenza è importante perché l’intelligenza artificiale non produce più soltanto un output: comincia a gestire una sequenza di azioni.
È il passaggio dall’AI conversazionale all’AI agentica.
1. A Gemini agent si assegnano obiettivi, non soltanto istruzioni
Una delle frasi più significative utilizzate da Google è “objectives, not instructions”.
Immaginiamo di dover preparare un rapporto sull’andamento di un progetto.
Con un assistente tradizionale potremmo chiedere separatamente di recuperare alcuni documenti, estrarre i dati, confrontarli, produrre una tabella e infine creare una presentazione.
Con Gemini agent l’idea è differente: l’utente assegna direttamente l’obiettivo finale e lascia all’agente una parte della pianificazione necessaria per raggiungerlo.
Questa impostazione non elimina necessariamente la supervisione umana, ma sposta il livello dell’interazione. L’utente non deve più descrivere ogni singola operazione quando il sistema possiede già il contesto e gli strumenti necessari.
L’agente viene inoltre eseguito nel cloud. Google afferma che un’attività può continuare per ore o giorni anche dopo la chiusura del computer, mantenendo stato, memoria e contesto tra dispositivi differenti.
Questo rende possibili workflow decisamente più lunghi rispetto a una normale sessione di chat.
2. Gemini agent può scegliere anche modelli Claude
Una delle scelte tecnicamente più interessanti riguarda il rapporto tra agente e modello.
Gemini agent non coincide necessariamente con un singolo modello Gemini.
Google separa esplicitamente i due livelli: l’agente mantiene obiettivo, contesto, strumenti e workflow, mentre il modello utilizzato per una determinata fase può essere scelto in funzione del compito.
Attualmente Google dichiara di poter orchestrare modelli della famiglia Gemini e modelli Claude di Anthropic, con l’intenzione di estendere in futuro la scelta anche ad altri modelli privati e open.
Questa architettura cambia anche il modo in cui possiamo pensare alla competizione tra modelli.
Non diventa più necessario utilizzare sempre il modello più potente disponibile.
Un’attività semplice può essere affidata a un modello più veloce ed economico, mentre una fase complessa può essere indirizzata verso un modello con maggiori capacità.
L’architettura diventa quindi qualcosa di simile:
Gemini agent → analisi del compito → scelta del modello → strumenti → risultato
La domanda non è più soltanto “qual è il modello migliore?”, ma sempre più spesso “qual è il modello più adatto a questa specifica parte del lavoro?”.
3. Strumenti, skill e MCP collegano Gemini ai sistemi aziendali
Un agente diventa realmente utile quando può lavorare con gli strumenti nei quali si trovano dati e processi.
Google costruisce questa parte dell’architettura su tools, skills e context.
Gli strumenti collegano Gemini ai sistemi aziendali. Le skill descrivono procedure o sequenze di lavoro riutilizzabili. Il contesto consente invece all’agente di comprendere progetti, documenti, persone e attività precedenti.
Tra le integrazioni dichiarate da Google compaiono Workspace, Microsoft Office e Teams, Slack, Confluence, Git, Jira, Salesforce, ServiceNow, BigQuery, Databricks, PostgreSQL e Snowflake. L’architettura descritta ufficialmente da Google Cloud permette inoltre a Gemini di collegarsi a server Model Context Protocol (MCP) posti sia all’interno sia all’esterno della rete aziendale.
MCP è particolarmente interessante perché permette di standardizzare il modo in cui un agente scopre e utilizza strumenti e fonti informative.
Non deve però essere confuso con un sistema di sicurezza.
Il protocollo può definire come un agente raggiunge uno strumento, ma autenticazione, autorizzazioni e policy continuano a dipendere dall’infrastruttura nella quale viene utilizzato.
Più strumenti vengono messi a disposizione di Gemini agent, più diventa quindi importante stabilire esattamente quali operazioni siano consentite.
4. Gemini agent può creare sub-agenti specializzati
Un altro passaggio significativo è la multi-agent orchestration.
Gemini agent può creare dinamicamente sub-agenti temporanei dedicati a parti differenti dello stesso lavoro. Questi agenti possono operare in sequenza oppure parallelamente e dispongono di una propria identità durante l’esecuzione.
Un progetto complesso potrebbe, per esempio, essere suddiviso concettualmente tra:
- un agente incaricato di raccogliere informazioni;
- un agente dedicato all’analisi dei dati;
- un agente che genera o verifica codice;
- un agente che organizza il risultato finale.
Gemini principale mantiene il coordinamento e utilizza i risultati prodotti dagli altri agenti.
Non si tratta semplicemente di inviare contemporaneamente più prompt. L’elemento caratteristico è la delega coordinata: il sistema principale può suddividere il problema, assegnare compiti specifici e combinare successivamente il lavoro prodotto.
Google distingue inoltre questi agenti temporanei dai cosiddetti coworker agent, che possono mantenere un ruolo più persistente all’interno dell’organizzazione.
5. Un agente può avere email, calendario e spazio Drive propri
È probabilmente una delle parti più insolite dell’intero progetto.
Dentro Google Workspace un coworker agent può ricevere una propria identità aziendale.
Google afferma che può disporre di indirizzo email, Calendar, Drive e presenza nella directory dell’organizzazione. I colleghi possono aggiungerlo a uno spazio Chat, menzionarlo oppure coinvolgerlo nei documenti. L’agente agisce con la propria identità anziché impersonare quella dell’utente che gli ha affidato il lavoro.
Ovviamente questo non trasforma un software in un dipendente.
Dal punto di vista della sicurezza informatica, però, la distinzione è molto importante.
Un agente diventa un soggetto software identificabile, al quale possono essere assegnati determinati privilegi e del quale possono essere registrate le operazioni.
È un principio già familiare nell’amministrazione dei sistemi: account di servizio e processi automatizzati dovrebbero possedere identità distinte da quelle personali degli utenti.
Con l’AI agentica questo principio diventa ancora più importante perché il sistema non si limita a eseguire istruzioni predeterminate: può scegliere autonomamente alcune delle azioni necessarie per completare il compito.
6. Gemini entra direttamente dentro Workspace
L’obiettivo di Google non è creare semplicemente un’altra applicazione da aprire.
Gemini agent deve poter operare direttamente all’interno di Gmail, Drive, Docs, Slides, Sheets, Chat e Calendar, mantenendo memoria, skill e controlli disponibili anche nelle altre interfacce.
Google utilizza come esempio l’organizzazione di una riunione.
L’utente può chiedere a Gemini di convocare il gruppo abituale che lavora su un determinato progetto senza elencare manualmente tutti i partecipanti. L’agente può ricavare le persone coinvolte dal contesto, controllare i calendari e avviare il coordinamento via email.
Lo stesso principio può attraversare più applicazioni.
Un’attività può partire dalla ricerca di informazioni, proseguire con la costruzione di un modello in Sheets e terminare con una presentazione in Slides senza richiedere ogni volta di spiegare nuovamente il progetto.
Gemini agent è inoltre progettato per essere raggiungibile da web, iOS, Android, Windows, macOS, riga di comando, Microsoft 365 e Slack. Google prevede anche un funzionamento headless, cioè senza la necessità di utilizzare una specifica interfaccia grafica.
La strategia è quindi evidente: Gemini deve diventare uno strato operativo trasversale, non un’applicazione isolata dal resto del lavoro.
7. Sicurezza e governance diventano parte del prodotto
L’aumento dell’autonomia produce inevitabilmente un aumento del rischio.
Quando un chatbot genera una risposta errata, il danno rimane prevalentemente informativo.
Quando un agente può accedere a documenti, eseguire codice, interrogare database oppure comunicare con sistemi esterni, un errore può trasformarsi in un’azione reale.
Google struttura quindi la governance di Gemini agent attorno a quattro domande fondamentali: quale identità possiede l’agente, che cosa può fare, che cosa ha realmente fatto e quali risorse non deve poter utilizzare.
Gli agenti ricevono identità proprie e permessi basati sul principio del least privilege, cioè del privilegio minimo.
Le autorizzazioni possono essere definite in modo granulare e, quando Gemini raggiunge un sistema esterno, la sua identità può essere propagata utilizzando standard come OAuth. Ogni operazione viene inoltre inserita in un audit trail e attribuita all’agente che l’ha eseguita.
Google introduce anche due componenti specifiche.
Agent Sandbox crea un ambiente isolato con un proprio confine di rete per l’esecuzione delle attività.
Agent Gateway controlla invece il traffico in entrata, in uscita e tra agenti applicando le policy dell’organizzazione in tempo reale.
La distinzione fondamentale è semplice:
autonomia non significa autorizzazione illimitata.
Un agente può essere abbastanza autonomo da scegliere come raggiungere un obiettivo e contemporaneamente essere tecnicamente impossibilitato a utilizzare risorse che non dovrebbe toccare.
È un principio molto vicino a quello emerso nel precedente approfondimento di Helpsystem Informatica sulle 53 immagini trasferite da agenti OpenAI verso servizi esterni. Quel caso mostrava precisamente perché non sia sufficiente controllare il risultato prodotto da un agente: bisogna poter controllare anche le azioni utilizzate per ottenerlo.
La memoria rende Gemini agent più utile, ma anche più delicato
Un agente che deve essere utilizzato quotidianamente non può ripartire sempre da zero.
Google descrive quattro forme di memoria: sessione, semantica, procedurale ed episodica.
La memoria della sessione mantiene il contesto del compito in corso. Quella semantica organizza la conoscenza acquisita. La memoria procedurale riguarda il modo in cui vengono eseguite determinate attività, mentre quella episodica permette di utilizzare ciò che l’agente ha fatto in precedenza.
Dal punto di vista dell’esperienza utente è un vantaggio evidente.
Gemini agent può progressivamente comprendere meglio persone, progetti e procedure senza dover ricevere ogni volta le stesse informazioni.
Dal punto di vista della governance, però, nasce una seconda domanda:
quale contesto deve essere ricordato e per quanto tempo?
Un’organizzazione deve poter controllare accessi, conservazione, separazione dei dati e possibilità di cancellazione.
La documentazione ufficiale sulla sicurezza di Gemini Enterprise descrive infatti controlli IAM, crittografia, audit logging, residenza dei dati e strumenti dedicati alla protezione delle informazioni.
Anche il budget diventa un limite operativo dell’agente
L’autonomia introduce un problema meno evidente ma molto concreto: il costo.
Una singola richiesta a un chatbot consuma una quantità relativamente circoscritta di risorse.
Un agente può invece lavorare per ore, creare sub-agenti, utilizzare più modelli, eseguire codice e generare numerose richieste verso altri sistemi.
Google ha quindi integrato strumenti specifici di controllo economico.
La multi-model orchestration permette di utilizzare modelli differenti all’interno dello stesso progetto. Smart Routing cerca di indirizzare ciascun workload verso il modello che offre il miglior rapporto tra prestazioni e costo. I real-time spend caps permettono invece di impostare un limite massimo alla spesa di un progetto.
Se il limite viene raggiunto, Google afferma che l’agente del progetto viene sospeso finché un amministratore non decide di riavviarne l’attività.
In un ambiente agentico, quindi, anche il budget diventa di fatto una forma di autorizzazione:
non soltanto cosa l’agente può fare, ma quante risorse può consumare per farlo.
Gemini agent e Gemini Enterprise non sono la stessa cosa
È importante evitare una confusione terminologica.
Gemini Enterprise è la piattaforma aziendale attraverso cui Google offre strumenti AI, accesso ai dati aziendali, connettori, ricerca e funzionalità agentiche.
Gemini agent è invece il nuovo agente universale annunciato durante Gemini at Work 2026, progettato per riunire conversazione, knowledge work, strumenti, codice, modelli e orchestrazione.
I due elementi sono strettamente collegati, ma non sono sinonimi.
Questa distinzione è importante anche rispetto alla disponibilità delle funzioni.
L’annuncio dell’8 ottobre descrive l’architettura e la direzione complessiva del prodotto, ma non significa che ogni funzione presentata sia immediatamente disponibile a qualsiasi cliente, piano o area geografica.
Le pagine ufficiali di Gemini Enterprise continuano infatti a distinguere funzionalità già disponibili, rollout e capacità riservate a determinate edizioni.
Un miliardo di utenti Gemini non significa un miliardo di utenti Gemini agent
Google arriva all’era agentica con una base di utenti enorme.
L’11 agosto 2026 l’azienda ha annunciato ufficialmente che l’app Gemini ha superato un miliardo di utenti attivi mensili.
Nel mercato enterprise, Google dichiara inoltre che quasi l’80% dei propri clienti Cloud utilizza prodotti AI e che quasi il 90% delle aziende Fortune 100 utilizza Gemini Enterprise.
I numeri vanno però letti correttamente.
Il miliardo riguarda l’app Gemini nel suo complesso, non il nuovo Gemini agent aziendale.
Allo stesso modo, il dato Fortune 100 è una statistica comunicata da Google sull’utilizzo di Gemini Enterprise e non significa che tutte quelle organizzazioni abbiano già implementato ogni capacità agentica presentata nell’evento.
È una distinzione importante quando si parla di una tecnologia appena annunciata: adozione della piattaforma e disponibilità di una specifica funzione non sono la stessa cosa.
Perché Google parte dall’ambiente aziendale
L’impresa rappresenta un banco di prova particolarmente impegnativo per un agente autonomo.
Non basta che il modello funzioni bene.
Bisogna risolvere problemi di identità, accesso ai dati, separazione dei privilegi, audit, costi e responsabilità.
Google afferma che nelle edizioni Business, Standard e Plus di Gemini Enterprise i dati dei clienti, compresi prompt e output, non vengono utilizzati per addestrare i modelli Google o quelli destinati ad altri clienti, non vengono venduti a terzi e non vengono utilizzati per scopi pubblicitari. Le stesse FAQ ufficiali di Gemini Enterprise descrivono inoltre controlli di accesso a livello di documento e strumenti come Model Armor.
Queste garanzie sono rilevanti, ma non eliminano la necessità di configurare correttamente il servizio.
Un sistema che rispetta determinati requisiti di sicurezza può comunque essere utilizzato con permessi troppo ampi oppure collegato a informazioni che non avrebbe necessità di elaborare.
La governance rimane quindi una responsabilità anche dell’organizzazione che adotta il servizio.
Gemini agent nella Pubblica Amministrazione: le domande cambiano
Per imprese e Pubblica Amministrazione il vero potenziale dell’AI agentica non consiste soltanto nel generare testi più velocemente.
Il salto avviene quando un agente può attraversare più sistemi per svolgere un processo.
In prospettiva potrebbe consultare documenti, analizzare dati, predisporre report, interagire con database, generare codice oppure coordinare determinate attività.
Per una PA, però, la domanda “l’agente è tecnicamente capace di farlo?” non può essere sufficiente.
Bisogna chiedersi anche:
- quali dati può utilizzare;
- con quale identità opera;
- quali privilegi riceve;
- quali operazioni devono richiedere l’intervento umano;
- quali log vengono conservati;
- come si revoca l’accesso;
- dove vengono trattati i dati;
- chi controlla il processo in caso di errore.
Google documenta per Gemini Enterprise funzionalità quali IAM, audit logging, controlli a livello di documento e, per alcune edizioni e configurazioni, residenza dei dati. La relativa documentazione sulle località e sulla data residency precisa però anche che esistono limitazioni e differenze in base alla regione e alla configurazione scelta.
In Europa entra inoltre in gioco un quadro normativo in evoluzione. Dal 2 agosto 2026 sono applicabili, nei casi previsti, anche gli obblighi di trasparenza dell’articolo 50 dell’AI Act; la Commissione europea ha pubblicato apposite linee guida sugli obblighi di trasparenza per fornitori e deployer di sistemi di AI.
Questo non significa che ogni impiego di Gemini agent nella PA ricada automaticamente nella stessa categoria normativa.
Significa piuttosto che l’adozione di agenti capaci di agire sui processi non può essere trattata come la semplice installazione di un nuovo software di produttività.
Dal chatbot al collaboratore software
Per anni l’intelligenza artificiale generativa è stata associata soprattutto alla produzione di contenuti.
Si chiedeva un testo, un’immagine, un riassunto oppure del codice e il modello restituiva un risultato.
Con Gemini agent Google prova a spostare il baricentro dalla generazione alla delegazione.
L’utente assegna l’obiettivo. L’agente mantiene il contesto, sceglie strumenti e modelli, può suddividere il lavoro tra sub-agenti e restituisce un risultato che può essere già inserito negli ambienti nei quali l’organizzazione lavora.
È un cambiamento profondo perché modifica anche ciò che dobbiamo chiedere quando valutiamo un sistema di intelligenza artificiale.
Non basta più domandarsi:
“La risposta è corretta?”
Bisogna aggiungere:
“Che cosa ha fatto il sistema per arrivarci?”
Quali dati ha consultato? Quali strumenti ha utilizzato? Quali operazioni ha compiuto? Quali privilegi possedeva? Avrebbe potuto accedere a qualcosa che non doveva utilizzare?
È qui che capacità e sicurezza diventano inseparabili.
Gemini agent mostra dove sta andando l’AI
Gemini agent non rappresenta semplicemente un aggiornamento di Gemini.
Rappresenta una delle espressioni più chiare del passaggio verso sistemi nei quali l’intelligenza artificiale assume un ruolo operativo nei processi digitali.
Google dispone già di una scala enorme: oltre un miliardo di utenti mensili per l’app Gemini e una penetrazione significativa della propria piattaforma AI nel mercato enterprise. Ora cerca di trasformare quella presenza in un’infrastruttura nella quale l’AI non si limita a essere interrogata, ma può ricevere e portare avanti un incarico.
Il risultato potrebbe modificare profondamente il rapporto tra persone e software.
Ma maggiore autonomia non significa automaticamente maggiore affidabilità.
Anzi, quando un sistema passa dal dire al fare, errori, permessi e controllo diventano ancora più importanti.
La vera sfida dell’AI agentica non sarà quindi soltanto costruire agenti capaci di fare sempre di più.
Sarà costruire agenti dei quali possiamo sapere chi sono, cosa possono fare, cosa hanno realmente fatto e dove deve terminare la loro autonomia.
