Guia da Gemini Computer Use API em disponibilidade geral: preços e segurança

A Google colocou a Gemini Computer Use em disponibilidade geral em 30 de outubro de 2026, mas o anúncio se resumiu a duas linhas no changelog: disponibilidade geral nas APIs Interactions e GenerateContent, sem modelo novo e sem mudança de preço. Para quem vai colocar a tecnologia em produção, a questão é mais prática: o loop com capturas de tela continua igual, a cobrança segue restrita ao plano pago, mas agora já dá para construir sobre uma API estável.

A mudança elimina a objeção de que a integração ainda estava em preview. A cobrança das capturas de tela e o tratamento de segurança, porém, continuam sob responsabilidade da sua aplicação.

O que a disponibilidade geral de 30 de outubro realmente muda

O registro de disponibilidade geral de 30 de outubro de 2026 afirma uma coisa: a ferramenta Computer Use passou a estar disponível oficialmente nas APIs Interactions e GenerateContent. O changelog não menciona novos IDs de modelo, novo esquema de ações, limites de taxa ou valores de preços nessa entrada.

Na prática, muda o status, não o funcionamento. Integrações em preview que usavam computer_use com um loop de capturas de tela continuam funcionando. O fim do preview remove uma limitação de estabilidade, mas a confiabilidade e a segurança ainda dependem da sua implementação. O que permanece igual: a cobrança continua restrita ao plano pago e feita como tokens regulares, você ainda precisa executar cada clique por conta própria e toda ação com consequências exige um fluxo de confirmação.

Se você criou a integração com a Gemini 2.5 Computer Use em preview (anunciada em 7 de outubro de 2025 como preview público), a migração é de configuração, não uma reescrita. Aponte as requisições para a ferramenta em disponibilidade geral pela API Interactions (https://generativelanguage.googleapis.com/v1/interactions no exemplo REST) ou pela GenerateContent, mantenha seu executor em Playwright ou Browserbase e refaça os testes das decisões de segurança. A implementação de referência ainda usa gemini-3.6-flash como padrão no exemplo do README. Por isso, fixe explicitamente um ID de modelo compatível com a versão em disponibilidade geral, em vez de depender desse valor padrão.

Como funciona o loop de interação

A Gemini Computer Use API não controla o computador diretamente. Sua aplicação envia uma captura de tela e um prompt; o modelo devolve uma ação de interface sugerida como function_call; o código executa essa ação, captura uma nova tela e a envia de volta. O ciclo se repete até a tarefa terminar, ocorrer um erro, a aplicação atingir uma parada de segurança ou o usuário encerrar o processo.

O caminho mínimo em Python exige a versão 2.7.0 ou superior do google-genai (segundo a documentação do Computer Use), além do Playwright para executar ações no navegador:

pip install google-genai playwright
playwright install chromium

O exemplo da documentação abre o Chromium com headless=False, viewport de 1440 x 900 e começa em https://www.google.com. A requisição define "environment": "browser", usa o modelo gemini-3.8-flash e especifica o tipo de ferramenta como computer_use. Os exemplos completos de loop de agente em Python, JavaScript, Java e Go usam um limite de 5 turnos como demonstração, não como uma cota válida para toda a API.

As coordenadas são o ponto em que muitas implementações escorregam. O modelo retorna x e y normalizados em um espaço de 1000 x 1000, normalmente como inteiros de 0 a 999. Cabe à sua aplicação convertê-los para pixels reais:

actual_x = int(x / 1000 * screen_width)
actual_y = int(y / 1000 * screen_height)

As dimensões da tela não são enviadas na requisição. Nas respostas da Gemini 4 e da Gemini 3.x, cada ação também traz uma string intent, que explica por que o modelo a escolheu, além de um safety_decision opcional.

Modelos e ambientes compatíveis

Quatro modelos são compatíveis com o Computer Use na atual documentação da ferramenta. A Google recomenda a Gemini 3.8 Flash como opção padrão para interação com interfaces e chamadas de ferramentas mais confiáveis. A Gemini 4 Argon fica posicionada como a alternativa mais capaz para fluxos agentivos complexos.

A implementação de referência no GitHub (google-gemini/computer-use-preview, Apache-2.0) executa a mesma tarefa de duas formas: usando o Chrome local com Playwright ou um navegador em nuvem da Browserbase. O comando da CLI é python main.py --query "Go to Google and type 'Hello World' into the search bar" --env="playwright", com --initial_url apontando por padrão para https://www.google.com e --highlight_mouse disponível para depuração visual. Há um problema conhecido que vale lembrar antes de perder uma hora investigando: o Playwright pode não conseguir capturar menus suspensos HTML nativos <select>, porque o sistema operacional os renderiza fora da página. O README considera o Browserbase uma solução melhor do que injetar CSS ou JavaScript.

Os níveis de raciocínio permitem trocar qualidade das ações por velocidade. Níveis mais baixos atendem bem a loops comuns de preenchimento de formulários e testes; níveis mais altos são mais adequados para estados ambíguos da interface. A documentação não publica nomes de níveis nem números de latência, então o ideal é tratar essa configuração como um parâmetro para testes A/B nos seus próprios fluxos.

Quanto custa

O Computer Use não tem plano gratuito. A página de preços é direta na seção de preços das ferramentas: o Computer Use não está disponível no plano Free e, no plano Paid, é cobrado como tokens regulares, por exemplo, conforme os preços da Gemini 3.8 Flash. Não existe uma sobretaxa específica do Computer Use; o uso é faturado como tokens de entrada e saída pelas tarifas do modelo-base.

É essa regra simples que costuma gerar surpresas. Cada turno cobra a captura de tela, o histórico carregado e a saída com a ação. Assim, um preenchimento de formulário em 20 etapas representa 20 chamadas de visão, além de eventuais tentativas extras. Para estimar o custo, use turns x (screenshot + history input tokens + action output tokens) x base-model rate. A página de preços lista, até 31 de dezembro de 2026, US$ 0,75 por 1 milhão de tokens de entrada e US$ 3,75 por 1 milhão de tokens de saída no Flash Standard. Batch e Flex têm tarifas menores, mas o Computer Use continua restrito ao plano Paid.

Cada rodada envia uma nova captura de tela, cobrada como tokens — cliques aleatórios aumentam a conta, não apenas quebram a página. — @vastplan, conta de implantação de IA, post

Faça o orçamento por loop: limite no código o número de turnos, a resolução das capturas de tela e as tentativas.

A segurança que fica por sua conta

No Computer Use, a segurança é uma camada ao redor do modelo, não algo resolvido dentro dele. A Gemini 4 e a Gemini 3.x avaliam cada ação sugerida com base em sete categorias de políticas integradas e podem retornar require_confirmation ou bloquear a ação, em vez de fornecer algo executável. O cliente precisa tratar essa resposta em todas as ocasiões.

Quando o modelo retorna um safety_decision com decision: require_confirmation e uma explanation como must check check-box, o fluxo descrito na documentação é claro: peça a confirmação da pessoa, permita que ela continue ou encerre a tarefa e, se houver aprovação, inclua safety_acknowledgement no próximo function_result, com o resultado CONTINUE ou TERMINATE. Desativar políticas por meio de disabled_safety_policies — o exemplo desativa data_modification — apenas registra uma preferência; a confirmação ainda pode ser exigida.

A detecção de prompt injection é opcional e vem desativada por padrão. Ative-a com enable_prompt_injection_detection: true; o recurso está disponível na Gemini 3.5 Flash-Lite ou em versões posteriores. Ele analisa as capturas de tela em busca de instruções ocultas, como ignore os comandos anteriores, e bloqueia a execução quando encontra algo assim. A Google também recomenda usar uma sandbox em VM, contêiner Docker ou perfil de navegador dedicado com permissões limitadas, além de listas de permissão ou bloqueio para navegação, sanitização de entradas, guardrails de conteúdo, estado estável da interface a partir de um início limpo e logs de prompts, capturas de tela, ações function_call sugeridas, respostas de segurança e ações executadas para auditoria.

As instruções do exemplo de segurança listam o que nunca deve ser executado de forma autônoma: aceitar termos de uso ou banners de cookies, resolver CAPTCHAs, concluir compras ou movimentar dinheiro, enviar e-mails ou publicações, acessar registros de saúde ou financeiros, SSNs ou números de cartão, baixar arquivos, compartilhar dados, ler histórico ou senhas, fazer login, assumir a identidade de alguém ou continuar em loop indefinidamente quando ficar preso. O padrão para produção é deixar o agente cuidar da preparação e interrompê-lo antes do clique final em Enviar, Confirmar, Concluir compra ou Compartilhar.

Vale colocar em produção agora? Checklist e comparação

A disponibilidade geral torna o Computer Use uma aposta razoável para automação de navegadores, preenchimento de formulários, testes automatizados de interface e pesquisa em páginas de produtos. Ainda assim, trata-se de um agente orientado por capturas de tela, capaz de interpretar uma interface de forma errada, perder contexto em execuções longas e consumir tokens com novas tentativas.

Antes de liberar o recurso para usuários reais:

• Fixe explicitamente um ID de modelo em disponibilidade geral
• Limite os turnos e adicione detecção de loops ociosos
• Execute tudo em um perfil de navegador ou contêiner isolado, com lista de permissões
• Exija confirmação humana antes de qualquer ação irreversível
• Ative a detecção de prompt injection
• Registre capturas de tela e decisões de segurança
• Comece cada tarefa em um estado limpo e conhecido
• Teste fluxos de checkout e login com as confirmações ativadas

Nos benchmarks, o model card da Google apresenta resultados da linhagem Computer Use 2.5, não dos modelos atuais em disponibilidade geral. Use os números como contexto da linhagem para tarefas de navegador:

O controle de desktop pelo OSWorld ainda não era compatível com o modelo avaliado nesse card, que registrou 61,4% autodeclarados para o Claude. A documentação atual já lista o desktop como compatível, mas o controle no nível do sistema operacional ainda deve ser tratado como mais recente e menos comprovado do que os fluxos de navegador.

Um template da Browserbase com Stagehand (npx create-browser-app --template gemini-cua) é uma opção hospedada para testar primeiro se a renderização local do Playwright estiver causando problemas. De qualquer forma, a conta e os limites de confiança continuam sob sua responsabilidade.

Perguntas frequentes

A Gemini Computer Use API mudou os endpoints ao entrar em disponibilidade geral?

Nenhum endpoint novo foi anunciado na entrada de disponibilidade geral. A Google lista a mesma ferramenta nas APIs Interactions e GenerateContent. Use o mesmo executor com a ferramenta em disponibilidade geral e um ID de modelo definido explicitamente.

A Gemini Computer Use é gratuita ou paga?

Apenas no plano pago. A página oficial de preços informa que o Computer Use não está disponível no plano Free e é cobrado como tokens regulares, conforme as tarifas do modelo utilizado. Cada captura de tela e cada ação do loop entram na cobrança como tokens.

Qual modelo Gemini devo usar com o Computer Use?

A Google recomenda a gemini-3.8-flash pela precisão de interface e pela confiabilidade nas chamadas de ferramentas. Use a gemini-3.5-flash-lite em tarefas de alto volume e baixa latência e a gemini-4-argon em fluxos agentivos complexos. Evite IDs em preview em produção.

Ela controla um desktop completo ou apenas o navegador?

A documentação em disponibilidade geral lista suporte a navegador, dispositivos móveis Android e cursor no nível do sistema operacional desktop. Os fluxos de navegador são os mais maduros e avaliados em benchmarks. Considere o controle de desktop mais recente e use uma sandbox ainda mais restrita.

Preciso executar os cliques por conta própria?

Sim. O modelo apenas sugere um function_call com coordenadas normalizadas de 0 a 999 e uma intenção. Seu executor em Playwright, Browserbase ou uma solução nativa move o mouse, digita, captura a tela e devolve o resultado.

Como as confirmações de segurança funcionam no código?

Verifique todas as respostas em busca de safety_decision. Quando aparecer require_confirmation, peça a aprovação do usuário e envie safety_acknowledgement com CONTINUE ou TERMINATE no próximo function_result. Continue tratando esse retorno mesmo que alguma política tenha sido desativada.

Leituras relacionadas: preços da Gemini 3.8 Flash e custos de tarefas agentivas, preços e disponibilidade da Gemini 4 Argon API, análise da CUA-Lite para agentes de uso de computador.