Suurin osa tietotyöstä tapahtuu selaimessa. Silti tekoäly istuu usein vielä erillisessä chat-ikkunassa, jonne kopioimme tekstiä sivuilta, dokumenteista ja työkaluista.

Paikallinen selainagentti muuttaa asetelman. Se toimii samassa paikassa kuin työkin: välilehdissä, sivuilla, historiassa ja lomakkeissa. Ja jos malli pyörii omalla koneella, kaikkea ei tarvitse lähettää pilveen.

Opas etenee käytännön kautta: ensin markkina ja peruskäsitteet, sitten asennus, ensimmäiset testit ja riskit, joita paikallinen malli ei automaattisesti poista.

Tavallinen chatbotti odottaa, että viet työn sen luo. Selainagentti tulee työn luo.

Ero kuulostaa pieneltä, mutta käytännössä se on iso. Kun agentti toimii selaimessa, se voi nähdä nykyisen sivun sisällön, avoimet välilehdet ja selaushistorian. Se voi etsiä tietoa sivulta, korostaa oikean kohdan, vaihtaa välilehteä tai avata uuden osoitteen.

Paikallinen selainagentti lisää tähän vielä yhden kerroksen: malli ajetaan omalla laitteella. Palvelimelle ei tarvitse lähettää jokaista sivua, kysymystä tai selaushistorian palaa.

Tämän takia paikalliset selainagentit ovat kiinnostavia juuri nyt. Ne yhdistävät kolme asiaa, jotka ovat tähän asti olleet erillään:

WebGPU on tässä ns. hiljainen mahdollistaja. Se antaa verkkosivulle tai selainlaajennukselle tavan käyttää koneen GPU:ta suoraan selaimesta. Aiemmin kielimallin ajaminen selaimessa kuulosti lähinnä tekniseltä demolta. Nyt pienet avoimet mallit ja paremmat selainkirjastot tekevät siitä käytännöllistä ainakin rajatuissa tehtävissä.

Selaimeen tuleva AI ei ole yksi markkina. Se on neljä päällekkäistä suuntaa.

Ensimmäinen on selaimen oma AI-kerros. Chrome kehittää Built-in AI -rajapintoja, joissa selain tarjoaa mallin ja hallitsee sen latauksen, päivitykset ja käyttöoikeudet. Chrome-dokumentaatiossa mainitaan esimerkiksi Prompt API, Summarizer API, Writer API, Rewriter API, Translator API ja Language Detector API. Ajatus on selvä: verkkosovellus voi käyttää selaimen omaa mallia ilman omaa AI-backendiä.

Toinen suunta on JavaScript-pohjainen paikallinen inference. Tässä kategoriassa ovat esimerkiksi Transformers.js ja WebLLM. Transformers.js tuo Hugging Facen malliekosysteemin selaimeen. WebLLM taas tarjoaa OpenAI-tyylisen rajapinnan, mutta ajaa avoimia malleja paikallisesti WebGPU:n avulla. Kehittäjälle tämä on houkuttelevaa, koska sovellukseen voi lisätä AI-toiminnon ilman jokaista pyyntöä pilveen.

Kolmas suunta on Chrome-laajennukset. Tämä on tavalliselle käyttäjälle helpoin reitti. Laajennus näkyy selaimen sivupaneelissa, lataa mallin taustalla ja tarjoaa agentin käyttöliittymän. Transformers.js Gemma 4 Browser Assistant kuuluu tähän ryhmään.

Neljäs suunta on pilvipohjainen selainagentti. Google, OpenAI, Anthropic ja muut rakentavat agentteja, jotka käyttävät selainta tai selaimen kaltaista ympäristöä. Näissä vahvuutena on mallin laatu ja kyky tehdä monimutkaisempia tehtäviä. Heikkoutena on data, kustannus ja se, että käyttäjä ei aina hahmota missä työ oikeasti tapahtuu.

Karkea vertailu näyttää tältä:

Oma arvioni on tämä: paikallinen selainagentti ei korvaa vahvinta pilvimallia. Se korvaa ne pienet, toistuvat ja yksityisyyttä vaativat tehtävät, joissa pilvimallin käyttö tuntuu ylimitoitetulta.

Sivun tiivistäminen, historian hakeminen, avoimien välilehtien ryhmittely ja lyhyen sisällön tarkistaminen eivät aina tarvitse frontier-mallia. Ne tarvitsevat mallin, joka on tarpeeksi hyvä ja joka toimii siellä missä työ tapahtuu.

Gemma 4 E2B on kiinnostava, koska se on tarpeeksi pieni.

Tämä kuulostaa oudolta aikana, jolloin malleja vertaillaan usein koon ja benchmarkien kautta. Mutta selaimessa paras malli ei ole automaattisesti paras valinta. Selaimessa ratkaisevat myös latauskoko, muisti, nopeus, WebGPU-tuki ja se, jaksaako käyttäjä odottaa.

Gemma 4 -mallit tukevat selaimessa ajamista Transformers.js:n kautta. Gemma 4 E2B:n mallikortissa nostetaan esiin muun muassa function calling, koodaus, monikielisyys ja multimodaaliset syötteet. Selaimessa toimivalle agentille function calling on erityisen tärkeä. Mallin pitää osata päättää, milloin se vastaa itse ja milloin se kutsuu työkalua.

Transformers.js Gemma 4 Browser Assistant käyttää oletuksena kahta mallia:

Tämä jako on fiksu. Gemma 4 E2B hoitaa keskustelun ja työkalujen valinnan. MiniLM hoitaa hakutehtävän, jossa sivun sisältö tai selaushistoria pitää muuttaa vektoreiksi ja hakea merkityksen perusteella.

Agentti ei siis yritä ratkaista kaikkea yhdellä mallilla. Se käyttää pientä kielimallia ja erillistä hakukerrosta. Juuri tällaiset käytännön arkkitehtuurit ovat paikallisen AI:n kannalta kiinnostavampia kuin pelkkä "malli pyörii selaimessa" -demo.

Jos haluat laajemman taustan itse Gemma 4 -malliperheestä, kirjoitin siitä erillisen oppaan: Gemma 4: Googlen uusi avoin kielimalli, jota voit ajaa omalla koneella.

Helpoin tapa on asentaa valmis Chrome-laajennus. Kehittäjä voi asentaa sen myös lähdekoodista, mutta tavalliselle käyttäjälle Chrome Web Store riittää.

Tarvitset Chromen ja koneen, jossa WebGPU toimii. GitHub-repon README mainitsee vaatimuksena Chrome 113+ -version ja modernin WebGPU-yhteensopivan GPU:n.

Käytännössä tämä tarkoittaa uudehkoa kannettavaa tai pöytäkonetta. Jos kone on vanha, yrityksen hallitsema tai selaimen GPU-kiihdytys on pois päältä, kokemus voi olla hidas tai laajennus ei toimi lainkaan.

Ennen asennusta tarkista myös tämä: