Google Gemini w firmie: zadania, dane i kontrola

Temat: Google AI

Własną aplikację GenAI na modelach Gemini zaczyna się od jednego zadania z wynikiem do sprawdzenia i od wyboru miejsca: Gemini API do prototypu albo Gemini Enterprise Agent Platform (dawniej Vertex AI) do systemu w Google Cloud. Ten wpis jest dla zespołu IT i twórców, którzy budują na API asystenta w systemie firmy, ekstrakcję danych z dokumentów albo agenta z narzędziami. Opisuje wybór platformy i modelu, interfejs API, dane, testy i utrzymanie. Stan na 6.10.2026.

Jeśli pytanie brzmi, który plan Gemini kupić pracownikom (Workspace czy aplikacja Gemini Enterprise) i jak Google chroni dane w tych planach, odpowiedź jest w poradniku o Google Gemini dla firm. Kiedy aplikacja na modelu jest asystentem, a kiedy agentem z narzędziami, wyjaśnia poradnik o agentach AI dla firm.

Wybierz zadanie z wynikiem, który da się sprawdzić

Dobry pierwszy projekt ma jasne wejście i wynik, który program albo człowiek oceni bez dyskusji o gustach: klasyfikacja zgłoszeń, wyciągnięcie pól z faktury do JSON, odpowiedź na pytanie z cytatem z dokumentu. Nie zaczynaj od decyzji prawnej, medycznej lub finansowej, której pomyłkę trudno odwrócić.

Oddziel przygotowanie wyniku od działania. Model może zaproponować kategorię albo szkic odpowiedzi, ale zapis w systemie, wysłanie wiadomości czy zmiana statusu wymagają osobnej kontroli w kodzie aplikacji.

Gemini API czy Agent Platform

Google daje dwie drogi do tych samych modeli. Różnią się kontem, kontrolą i umową.

Gemini API (Google AI Studio)Gemini Enterprise Agent Platform
Kontoklucz API w Google AI Studioprojekt Google Cloud
Do czegoprototyp, mały zespół, szybki testsystem produkcyjny z danymi klientów
Kontrolaklucz, limity projektuIAM, VPC Service Controls, klucze zarządzane przez klienta (CMEK), logi audytu, wybór regionu
Modelemodele GeminiModel Garden: Gemini, modele zewnętrzne (m.in. Claude) i otwarte (Gemma)
Warunkiwarunki Gemini APIwarunki Google Cloud

Vertex AI działa dziś pod nazwą Gemini Enterprise Agent Platform. Jeśli oferta partnera albo stary kod mówi o Vertex AI, chodzi o tę samą platformę. Prototyp z AI Studio da się przenieść, ale zaplanuj to od razu: inne uwierzytelnienie, inne limity, inne logi.

Model: stabilny identyfikator i cykl życia

Na 6.10.2026 lista modeli Gemini API wskazuje Gemini 3.8 Flash (gemini-3.8-flash) jako model polecany do większości zadań. Do dużych wolumenów jest m.in. gemini-3.5-flash-lite, a Gemini 3.1 Pro ma status preview (gemini-3.1-pro-preview).

Google rozróżnia trzy rodzaje identyfikatorów:

  • Stabilny (np. gemini-3.8-flash) zwykle się nie zmienia. Google zaleca go dla większości aplikacji produkcyjnych.
  • Preview może trafić do produkcji, ale ma zwykle ostrzejsze limity i może zostać wycofany z co najmniej dwutygodniowym wyprzedzeniem.
  • Alias „latest” (np. gemini-flash-latest) sam przechodzi na nowszy model; o większych zmianach Google informuje mailem z dwutygodniowym wyprzedzeniem.

W produkcji przypnij identyfikator stabilny i nie używaj aliasu. Strona wycofań podaje najwcześniejsze możliwe daty wyłączenia. Przykład: gemini-3.1-flash-lite (wydany 7.05.2026) może zostać wyłączony najwcześniej 7.05.2027, następcą jest gemini-3.5-flash-lite. Właściciel aplikacji powinien sprawdzać tę stronę i przetestować następcę, zanim stary model zniknie.

Interfejs API i funkcje

Od czerwca 2026 Interactions API ma status GA i Google poleca go do nowych projektów. Dotychczasowe generateContent jest nadal w pełni wspierane, ale Google nazywa je rozwiązaniem starszej generacji, a nowe modele i narzędzia będą trafiać do Interactions API. Ten interfejs obsługuje stan po stronie serwera (previous_interaction_id), zadania w tle (background=true) i wywołania gotowych agentów, np. Deep Research. Ograniczenie na 6.10.2026: modele Gemini 3 nie obsługują zdalnych serwerów MCP.

Funkcje, które warto znać przed projektem:

FunkcjaPo co w aplikacji
Structured Outputsodpowiedź w JSON zgodnym ze schematem, gotowa do przetwarzania
Function Callingmodel wybiera funkcję i argumenty, wykonanie zostaje w Twoim kodzie
Grounding z wyszukiwarką Google, URL Context, File Searchodpowiedź oparta na stronach albo dokumentach, z odnośnikami
Code Executionmodel uruchamia kod do obliczeń
Batch API, Context cachingniższy koszt dużych wolumenów i powtarzalnego kontekstu
Live APIrozmowa głosowa w czasie rzeczywistym

JSON zgodny ze schematem to dopiero format. Czy pole „kwota” zawiera właściwą kwotę z faktury, sprawdza test, nie parser.

Agentów buduje się w Agent Development Kit (ADK), otwartym frameworku Google. Agentów zbudowanych w Agent Platform można potem udostępnić pracownikom w aplikacji Gemini Enterprise.

Dane w API: przechowywanie i trening

Dla aplikacji liczą się trzy ustalenia (stan na 6.10.2026):

  • Trening. W płatnych usługach Gemini API Google nie używa promptów i odpowiedzi do ulepszania produktów i loguje je przez ograniczony czas do wykrywania nadużyć. W EOG, Szwajcarii i Wielkiej Brytanii zasady płatne obowiązują dla wszystkich usług, także Google AI Studio (warunki Gemini API). W Agent Platform Google nie używa danych klienta do trenowania ani dostrajania modeli bez zgody.
  • Przechowywanie interakcji. Interactions API domyślnie przechowuje interakcje: 55 dni w usłudze płatnej, 1 dzień w nieodpłatnej. Wyłączysz to parametrem store=false, ale wtedy tracisz stan po stronie serwera i zadania w tle.
  • Zerowa retencja. W Agent Platform wymaga konkretnych ustawień po stronie klienta; grounding z wyszukiwarką Google przechowuje logi do 3 dni (zerowa retencja danych w Agent Platform).

Przed testem sklasyfikuj dane i wyłącz z pilotażu informacje, dla których nie potwierdzono podstawy prawnej, retencji ani regionu. Ocenę umowy pod kątem RODO zostaw prawnikowi.

Testy przed udostępnieniem

Zbuduj zestaw realnych przypadków: prostych, niejednoznacznych, nieaktualnych i bez odpowiedzi w źródłach. Zapisz go w repozytorium i uruchamiaj po każdej zmianie modelu, promptu, narzędzia albo indeksu.

ObszarTest odbiorczyWarunek zaliczenia
Format50 dokumentów przez Structured Outputskażdy wynik przechodzi walidację schematu i reguł biznesowych
Źródładziesięć odpowiedzi faktograficznych z groundingiemodnośnik prowadzi do fragmentu potwierdzającego tezę
Brak danychpytanie bez podstawy w materiałachaplikacja sygnalizuje brak zamiast tworzyć fakt
Narzędziawywołanie funkcji zapisującej rekord testowykod aplikacji sprawdza argumenty i uprawnienia przed zapisem
Zmiana modeluten sam zestaw na modelu następcywynik nie gorszy od zapisanego progu

Przykład syntetyczny: z 50 pytań do firmowych instrukcji 36 odpowiedzi zaakceptowano bez zmian, 9 po korekcie, a 5 odrzucono. Wynik 72% bez poprawek nie mówi jeszcze, czy projekt się opłaca. Trzeba policzyć czas dziewięciu korekt, wagę pięciu błędów i to, czy użytkownik potrafił je rozpoznać.

Koszt i utrzymanie

Koszt zależy od modelu, liczby tokenów, narzędzi (np. groundingu) i trybu (Batch, cache). Stawki sprawdzaj w cenniku Gemini API albo w cenniku Agent Platform przed każdą decyzją. Do kosztu tokenów dolicz pracę nad testami, monitoring i przegląd wyników.

Operacje zapisujące dane powinny wymagać jawnego potwierdzenia, rejestrować wykonanie i bezpiecznie znosić ponowienie po awarii. Zachowaj ręczną ścieżkę pracy na czas niedostępności usługi. Te same kryteria zastosujesz przy porównaniu z inną platformą, np. w aplikacji GenAI na Claude API.

Portret Krzysztofa Majchrzyckiego

O autorze

Krzysztof Majchrzycki jest architektem systemów i AI Business Partnerem. Od wielu lat łączy technologię z biznesem i zarządzaniem. Współtworzył firmy technologiczne i kierował polskim oddziałem międzynarodowej grupy. Dziś projektuje modele firm i inteligentne systemy operacyjne, które z nich wynikają. Ukończył Executive MBA i ma certyfikat Prosci® Certified Change Practitioner.

Buduj aplikacje na API z odbiorem, nie na wiarę

Forward Deployed AI Engineer to kurs w Akademii dla inżyniera, który buduje aplikacje i agentów na modelach AI w systemach firmy: dobiera model, projektuje dostęp do danych, pisze testy i prowadzi odbiór. Kurs jest w przygotowaniu — zapisz się na listę oczekujących.