گوگل Gemini Enterprise را برای گردش‌کارهای حقوقی و مالی agentic می‌کند

گوگل کلاد با دو بسته جدید، پلتفرم Gemini Enterprise را عمیق‌تر وارد کار حرفه‌ای در صنایع تحت نظارت می‌کند. Gemini Enterprise for Legal و Gemini Enterprise for Financial Services از ۲۵ اوت به‌صورت preview عرضه شده‌اند و مهارت‌های تخصصی قابل‌استفاده مجدد، اتصال‌های کنترل‌شده به داده، عامل‌های تخصصی و کنترل‌های متمرکز را در یک محصول کنار هم می‌گذارند. تغییر مهم در این خبر یک مدل پایه جدید نیست. گوگل در حال بسته‌بندی workflowهای agentic در اطراف مجوزهای فعلی سازمان، سامانه‌های داده و الزامات ممیزی است تا عامل‌ها بتوانند به کار واقعی و محیط تولید نزدیک‌تر شوند.

برای معماران سازمانی و مدیران فناوری، این عرضه نشانه‌ای از مسیر تکامل پلتفرم‌های عامل است. گوگل هوشمندی مدل را فقط یک لایه از سیستم در نظر می‌گیرد. محصول عملیاتی از ترکیب skills، connectors، اجرای agent و governance ساخته می‌شود. در خدمات مالی، Financial Research agent از طریق APIهای Agent-to-Agent نیز در دسترس است و داده‌های سازمانی با connectorهای Model Context Protocol متصل می‌شوند. در بخش حقوقی، connectorهای MCP طوری طراحی شده‌اند که مجوزهای موجود در سامانه‌های مدیریت اسناد، e-discovery و پژوهش حقوقی را به ارث ببرند، نه اینکه سازمان مجبور شود کنترل دسترسی را در یک لایه هوش مصنوعی جداگانه دوباره بسازد.

عامل‌های حقوقی وارد سامانه‌های دارای محدودیت دسترسی می‌شوند

Gemini Enterprise for Legal برای شرکت‌های حقوقی و واحدهای حقوقی سازمانی طراحی شده که با اطلاعات محرمانه و دارای امتیاز حقوقی کار می‌کنند. گوگل می‌گوید این بسته شامل مهارت‌های تخصصی برای کارهایی مانند بررسی قرارداد، redlining، پایش تغییرات مقررات، پژوهش حقوقی و workflowهای مربوط به درخواست دسترسی موضوع داده است.

معماری این محصول از فهرست قابلیت‌ها مهم‌تر است. طبق توضیحات گوگل، connectorهای امن MCP می‌توانند عامل‌ها را به سامانه‌هایی مانند iManage، NetDocuments، Docusign، Everlaw، RelativityOne، Thomson Reuters HighQ و CourtListener و همچنین Google Workspace و Microsoft 365 متصل کنند. هدف این اتصال‌ها حفظ role-based access control، مجوزهای سطح سند و سایر محدودیت‌هایی است که از قبل در سامانه منبع وجود دارند.

این طراحی یکی از دشوارترین مسائل عملی عامل‌های سازمانی را هدف می‌گیرد: یک عامل ممکن است از نظر فنی توانایی پیدا کردن و استفاده از اطلاعات را داشته باشد، اما نباید دسترسی گسترده‌تری از کاربری که آن را فراخوانی کرده دریافت کند. گوگل می‌گوید Gemini Enterprise for Legal از یک control plane دارای governance استفاده می‌کند و کنترل‌هایی مانند VPC و customer-managed encryption keys را پشتیبانی می‌کند. همچنین اعلام کرده داده مشتری، playbookها، مالکیت فکری، agentهای سفارشی و خروجی مدل برای همان سازمان خصوصی می‌مانند و برای آموزش یا fine-tune کردن مدل‌های پایه گوگل استفاده نمی‌شوند.

با این حال محصول هنوز preview است. بنابراین سازمان‌ها باید بین «وجود کنترل‌ها» و «اثبات آمادگی همه workflowها برای اجرای بدون نظارت در production» تفاوت بگذارند. کار حقوقی می‌تواند تعهدات حرفه‌ای، محرمانگی و الزامات مربوط به شواهد داشته باشد که حتی در صورت توانایی عامل برای اجرای مراحل، باز هم بررسی انسانی را ضروری می‌کند.

خدمات مالی یک عامل پژوهشی مدیریت‌شده اضافه می‌کند

Gemini Enterprise for Financial Services همان الگوی معماری را دنبال می‌کند، اما یک Financial Research agent ساخته و مدیریت‌شده توسط گوگل برای workflowهای بازار سرمایه و بانکداری شرکتی اضافه می‌کند. گوگل می‌گوید این عامل بیش از ۵۰ مهارت پایه دارد و می‌تواند خروجی‌هایی همراه با methodology، confidence score، snapshot داده و citation منبع تولید کند.

محصول از طریق integrationهای MCP به داده‌های دارای مجوز و داده‌های سازمانی متصل می‌شود. در فهرست ارائه‌شده از سوی گوگل نام‌هایی مانند FactSet، Moody's، MSCI، PitchBook و SEC Edgar دیده می‌شود. گوگل می‌گوید این اتصال‌ها همچنان به entitlementهای موجود داده پایبند می‌مانند. این نکته برای مؤسسات مالی مهم است، چون داده‌های دارای مجوز بازار را نمی‌توان مانند یک corpus عمومی و مشترک در اختیار همه قرار داد.

Financial Research agent همچنین از طریق A2A API قابل فراخوانی است. بنابراین اهمیت این عرضه به رابط Gemini Enterprise محدود نمی‌شود. در اصل، تیم‌ها می‌توانند agent مدیریت‌شده گوگل را در یک workflow چندعاملی بزرگ‌تر قرار دهند و هم‌زمان از MCP برای دسترسی به ابزار و داده و از A2A برای هماهنگی agentها استفاده کنند. این تفکیک به معماران کمک می‌کند دو مسئله متفاوت را جدا ببینند: agent چگونه به داده و ابزار دسترسی پیدا می‌کند و چگونه با agentهای دیگر در یک workflow مشارکت می‌کند.

گوگل می‌گوید Deutsche Bank در طراحی Financial Research agent مشارکت داشته و CME Group نیز از راهکار جدید خدمات مالی استفاده می‌کند. این موارد نشان‌دهنده مشارکت در طراحی و استفاده اولیه هستند، اما نباید به‌عنوان مدرک مستقل برای افزایش بهره‌وری یا adoption گسترده تفسیر شوند.

رقابت از مدل‌ها به پشته‌های workflow دارای governance منتقل می‌شود

رویترز گزارش کرده که گوگل در حال گسترش Gemini Enterprise برای شرکت‌های حقوقی است، در حالی که سرمایه‌گذاری روی هوش مصنوعی حقوقی شتاب گرفته و رقبایی مانند Anthropic و Thomson Reuters نیز پیشنهادهای خود را توسعه می‌دهند. اهمیت این زمینه در این است که تمایز در AI سازمانی بیش از گذشته از لایه مدل به لایه‌های بالاتر منتقل می‌شود.

برای صنایع تحت نظارت، یک مدل قوی بدون دسترسی کنترل‌شده، grounding قابل ردیابی و integration با workflow به‌سختی قابل operationalize شدن است. بسته‌های جدید Gemini Enterprise این مسائل را در یک سطح محصولی واحد جمع می‌کنند. همچنین نشان می‌دهند که گوگل protocolهای باز، به‌خصوص MCP و A2A، را بخشی از استراتژی سازمانی خود کرده و همه workflowها را به یک رابط کاملاً اختصاصی محدود نمی‌کند.

این موضوع lock-in را از بین نمی‌برد. control plane، agentهای مدیریت‌شده، زیرساخت cloud و بسته تجاری همچنان محصولات گوگل هستند. سازمان‌ها باید interoperability در سطح protocol را از وابستگی در سطح platform جدا کنند. MCP می‌تواند اتصال ابزار و داده را قابل‌انتقال‌تر کند و A2A می‌تواند orchestration را ماژولارتر کند، اما identity، audit، policy enforcement، billing و پشتیبانی عملیاتی همچنان به پلتفرم مستقرشده وابسته‌اند.

پیش از production چه چیزهایی باید ارزیابی شود

این عرضه بیشترین اهمیت را برای سازمان‌هایی دارد که از قبل مدل‌های بالغ identity، data governance و application permission دارند. وعده «به ارث بردن مجوزها» فقط وقتی ارزشمند است که مجوزهای سامانه‌های زیرین دقیق و سازگار باشند.

مدیران فناوری باید بررسی کنند تصمیم‌های دسترسی در میان connectorها درست باقی می‌مانند یا نه، citationها تا منابع مجاز قابل‌ردیابی هستند یا نه، actionهای agent چگونه log می‌شوند، چه actionهایی approval می‌خواهند و اگر یک سامانه متصل در میانه یک task طولانی مجوزها را تغییر دهد چه اتفاقی می‌افتد. failure behavior، data retention، محدودیت‌های منطقه‌ای و نحوه اعمال همان کنترل‌ها بر partner agentها نیز باید آزمایش شود.

جمع‌بندی مهم‌تر این است که پذیرش agent در سازمان به یک مسئله معماری تبدیل می‌شود، نه صرفاً انتخاب مدل. بسته‌های جدید حقوقی و مالی گوگل این واقعیت را به‌صورت صریح محصولی می‌کنند: دستورالعمل تخصصی، context کنترل‌شده، اجرای agent و control surface با هم به‌عنوان یک سیستم عملیاتی فروخته می‌شوند. برای سازمان‌های تحت نظارت، این تغییر می‌تواند مهم‌تر از یک پیشرفت جزئی در benchmark مدل باشد، چون مستقیماً مرز میان assistant آزمایشی و agentی را هدف می‌گیرد که می‌تواند در فرایند واقعی کسب‌وکار مشارکت کند.

Sources
- Introducing Gemini Enterprise for Legal
- Introducing Gemini Enterprise for Financial Services
- Google expands Gemini AI platform for law firms, lawyers