2026 年 10 月 8 日，谷歌云在 Gemini at Work 2026 上发布面向企业的 Gemini 通用工作智能体，可从网页、移动端、命令行、Google Workspace、Microsoft 365 与 Slack 等入口接收目标并自主交付成果。三个关键设计是：智能体与模型解耦，Smart Routing 在 Gemini 与 Anthropic Claude 之间按质量与成本选路；给智能体发身份，同事智能体拥有独立邮箱、日历与存储，只见团队主动共享的上下文且动作单独留痕；把成本做成闸门，项目级支出上限触达即自动暂停。谷歌同时披露，近 90% 的财富 100 强已是 Gemini Enterprise 客户，近 500 家云客户过去一年各自处理超 1 万亿 Token。
一、从回答问题到交付成果：一个入口覆盖全部工作
谷歌云 CEO Thomas Kurian 在主题演讲里给出的定位很直接：你给的是目标，不是指令。用户只需在提示框里说明想要什么，智能体自行规划步骤、调用技能与工具、连接企业内部系统，把成果交回文档、收件箱与开发环境。它跑在云端，合上笔记本后任务仍在继续。
接入面是这次发布的重点。除 Gmail、Drive、Docs、Sheets、Chat、Calendar 等 Workspace 套件外，它还能对接 Microsoft 365、Slack、Teams、Salesforce、ServiceNow、Jira、Git 以及 BigQuery、Databricks、Postgres、Snowflake 等数据库，并支持企业内网内外任意 MCP 服务器；也能以无头方式嵌入第三方应用，不占用独立界面。
二、模型不再是绑定项：选路权交给成本
谷歌刻意把智能体与底层模型分开。当前编排范围包括自研 Gemini 系列与 Anthropic 的 Claude，后续将扩展至更多闭源与开源模型。配套能力叫 Smart Routing：逐个工作量评估后分配给质量与成本最优的模型。Kurian 的判断是，领先模型每几个月就换一次，最适合任务的模型并不总是最大的那个。
已有客户在用这套选路。PayPal 每周路由 1000 万次多模型请求，Shopify 为数百万商家混合调用前沿模型，运动品牌 On 参与了动态模型选择的早期测试。谷歌未公布两者在新智能体中的量化对比，省钱幅度仍要企业自己测。
三、给智能体发工牌：独立身份、受限上下文与可审计轨迹
同事模式是形态上的变化。企业可为智能体申请 @agents.company.com 形式的独立邮箱、独立日历与持久化存储，让它在组织架构里以成员身份存在，员工能直接给它发邮件、拉进群聊、指派任务。但它的可见范围被限定为团队主动共享的上下文，不会继承更宽的组织权限。
治理配套三件事：动作以智能体自身身份留痕，与员工操作区分；管理员在项目级配置支出阈值，触达后自动暂停；记忆分为会话、语义、程序与情景四类，分别对应当前任务、文档与对话沉淀、做事方法与历史任务记录。多步任务还能动态生成带独立身份的临时子智能体，并行或串行跑数小时乃至数天。
四、行业版本与落地样本：覆盖面与深度要分开读
行业版本已启动预览。金融版接入 FactSet 与 LSEG 数据、内置 50 多项技能；法律版对接 NetDocuments 与 iManage 等文档管理平台；政府、医疗、零售版本即将推出。该智能体目前仍处私有预览，尚未全面可用。
客户数字需分层看。近 90% 财富 100 强使用 Gemini Enterprise、近 80% 云客户在用其 AI 产品、近 500 家客户年处理超 1 万亿 Token，描述的是平台覆盖面；法国巴黎银行覆盖 6.5 万名员工、西班牙电信 Orange 部署 1000 多个自定义智能体、日本 SOMPO 构建 逾 1 万个，指向部署深度。效率样本更具体：巴西布拉德斯科银行把文档审核从 1 小时压到 5 分钟。
五、企业该准备的三件事
| 能力维度 | 传统企业助手 | Gemini 通用工作智能体 |
|---|---|---|
| 底层模型 | 绑定单一模型 | Gemini 与 Claude 间动态路由 |
| 身份 | 共用使用者账号 | 独立邮箱与目录身份 |
| 记忆 | 单会话上下文 | 会话/语义/程序/情景四类 |
| 成本 | 事后结算 | 项目级上限触达即暂停 |
| 审计 | 难以区分人机 | 按智能体身份留痕 |
一是先定治理再上量，把智能体身份、可见上下文与支出上限写进上线前的配置清单，不要事后补；二是把模型选择权留在自己手里，用内部基准集实测选路的实际省钱幅度，避免形成新的单一依赖；三是要求动作级审计，能回答哪一步是智能体做的、依据哪份文档。
对国内企业，路径通常是先在一个流程闭环里跑通，再复制到多部门。一道科技在杭州做 AI 大模型定制、数据挖掘与 软件外包的实践里，同样建议先盘清数据与权限边界再上智能体层——选型之前先回答三个问题：数据在哪、谁能看、超预算时谁叫停。
常见问题（FAQ）
区别在于形态而非能力。此前多数企业助手是响应指令或在单一应用内执行预设任务；新的通用智能体接收的是目标，自行规划步骤、调用工具与子智能体，在云端持续运行数小时乃至数天，并把成果交回文档、收件箱与开发环境。它还拥有独立的企业身份与邮箱，动作以自身身份留痕。
相反，成本控制的颗粒度更细了。谷歌提供 Smart Routing，按每个工作量在 Gemini 与 Claude 之间选择质量与成本最优的模型，并允许管理员在项目级设置支出阈值，触达后自动暂停运行。企业仍需用自己的基准集实测省钱幅度，因为厂商未公布不同模型的量化对比。
先做三件事：一是盘清数据与权限边界，明确智能体能看哪些系统、哪些文档；二是设定身份与审计规则，为智能体分配独立账号并记录动作轨迹；三是设定成本闸门，按项目配置支出上限。数据与权限没理顺就上智能体层，是多数项目止步于演示的主要原因。