AI & 機械学習

KDDI のコンシューマー向け RAG アプリ「Buffmee」: 高速化と信頼性向上を実現した舞台裏

Thu, 05 Nov 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 9 月 9 日に、Google Cloud blog に投稿されたものの抄訳です。

消費者向けの生成 AI アプリケーションを構築する際、多様なメディアタイプにわたって高い生成品質と高速な応答時間を両立させることは困難な場合があります。日本の大手通信事業者である KDDI は、消費者向け検索拡張生成（RAG）アプリ「Buffmee」を開発する際、この課題に正面から取り組みました。

Buffmee は、「成長をサポートする AI」というコンセプトに基づいて構築されたインタラクティブな AI サービスです。書籍、雑誌、ウェブメディアなど 100 以上のソースに基づいて回答を生成することで、ユーザーが情報を検索したり、要点をまとめたり、パーソナライズされた学習や趣味の対象を探求したりするのを支援します。Buffmee は情報源を引用することで、情報の信頼性に関する懸念を軽減し、ユーザーが安全に知識を深められるようにしています。この問題に対して、KDDI は開発パートナーとして KDDIアイレット、Google Cloud Consulting および専門 AI チームと協業で取り組みました。

アプリのリリースの一環として、エンジニアチームは書籍や雑誌など、多種多様な独自コンテンツを、AI の回答根拠とする「グラウンディング」の準備を整える必要がありました。しかし同社は、レイテンシの問題により目標の応答時間を達成できなかったほか、ハルシネーションを排除した結果を確実に得るための信頼できる手法を必要としていました。

Buffmee アプリの説明と画像

こうしたパフォーマンス目標を達成するには、組織には AI 評価を実施してリアルタイムのボトルネックを特定するための体系的なアプローチが必要です。そこで、KDDI がこのアプリケーションをリリースするのに役立った自動評価フレームワークとパフォーマンス最適化手法をご紹介します。

これらは素晴らしい結果をもたらしました。KDDI はアプリケーションの合計レスポンスレイテンシを 38% 削減し、目標のレスポンスパフォーマンスを達成しました。また、TTFT も 18% 近く改善しました。

「私たちのビジョンは、コンテンツを取り込んですぐに RAG システムとして機能するプラットフォームを構築することでした。Google の丁寧かつ実践的なガイダンスのおかげで、それを実現できました。Google のサポートに心から感謝しています。」- KDDI、AI プロダクト部、小野田隼也氏

パフォーマンスと精度の向上により、Buffmee はユーザーがインタラクティブな Q&A や詳細な分析を通じてお気に入りのメディアを安全に探索できるようになりました。このように、コンテンツプロバイダの信頼性とコンプライアンスを厳格に維持しながら、高度にパーソナライズされたエクスペリエンスを実現しています。

同社がどのようにこれらの成果を達成したのか、詳しく見ていきましょう。

多様なコンテンツの自動評価を確立する

従来の手動テストは多大な労力を必要とし、大規模なコンテンツライブラリに対応するよう拡張することはできませんでした。この問題を解決するため、開発チームは Gemini Enterprise Agent Platform Evaluation Service を使用して、体系的な AI 評価プロセスを設計しました。

LLM-as-a-Judge や Rule of Hundreds（100 の法則）などの自動評価フレームワークを実装することで、チームは手間のかかる手動テストをデータドリブンなプロセスに置き換えました。同社は、膨大なドキュメントコーパスを取り込み、数百の自動評価テストを構築し、各ユースケースの回答の信頼性を測定するための包括的なベンチマークデータセットを構築しました。チームはその結果、根拠性スコアを 25% 高め、高精度で信頼性の高い出力を提供できるようになりました。

KDDI の自動評価ループ: 評価用 AI が回答をスコアリングし、人間が実際に生成結果を検証して合格ラインとなるしきい値の設定やエラー分析を実施。

エージェントループでボトルネックを特定し、パフォーマンスを最適化する

応答速度を向上させるため、チームは BigQuery Agent Analytics と Agent Development Kit（ADK）ログ分析エージェントを実装しました。実際のプロダクションログを分析することで、スキルの分割とプロンプトの肥大化（特に、非常に複雑な複数ページのシステムプロンプトの場合）が、最初のトークンまでの時間（TTFT）にどのように影響するかを可視化しました。

チームは、スキルのインライン統合を含むシステムプロンプトを最適化し、サブエージェントのルーティングを見直しました。これにより、回答の精度を維持したまま、複雑に組み合わさったシステムのボトルネックをリアルタイムで特定して解決できました。

信頼性の高い評価のための 4 つの基本原則

これらの結果を得るために、チームは 4 つの主要な技術的手法を実施しました。

バイナリ評価への移行: 重要な指標について、曖昧な 1～5 の評価からバイナリの「合格（1） / 不合格（0）」システムに選択的に移行することで、チームはばらつきとノイズを最小限に抑え、自動化の精度を向上させました。
戦略的なコンテンツサンプリング: すべてのドキュメントを評価しようとするのではなく、チームはコーパス全体を 2 次元グリッドに沿って分類しました。それらの軸は、ファイル形式（ウェブ記事、EPUB、PDF、構造化データ）とメディア構成（テキスト中心、画像中心、混合）です。この難易度グリッドの各セルから代表サンプルを選択することで、包括的なテスト範囲を維持しながら、評価のワークロードを 75% 削減しました。
プロダクト判断に基づくしきい値: プロダクトオーナーは、デフォルトのツールパラメータのみに依存するのではなく、ランダムにサンプリングされた回答と自動スコアを突き合わせて検証しました。これにより、ユーザーエクスペリエンスの観点から「リリース基準を満たす品質とは何か」を具体的に定義し、評価のしきい値を調整および確立しました。
大規模なプロンプトを ADK スキルにモジュール分割: 800 行を超える大規模なシステムプロンプトは、LLM の指示の見落としやレイテンシの低下を引き起こす可能性があるため、チームはプロンプトを機能ごとに Agent Development Kit（ADK）スキルに分割し、必要なロジックのみを動的に読み込んでレスポンス時間を最適化しました。

使ってみる

スケーラブルで信頼性の高い生成 AI アプリケーションを構築するには、自動評価と詳細なパフォーマンス分析の両方が必要です。これらの手法を独自のアプリケーションに適用するには、次の手順を行います。

Gen AI Evaluation Service で品質を体系的に測定する
Agent Development Kit を使用してエージェントを構造化し、段階的な開示を慎重に適用する
エージェント検索でエージェントをグラウンディングし、検索クエリを検査する

- KDDI、プラットフォームビジネス企画部、樫野純一氏

- Google Cloud Japan、AI コンサルタント、葛木美紀

Gemini Robotics Embodied Reasoning 2 が Google Cloud で利用可能に

Wed, 04 Nov 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 10 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

今年に入って、Google は Gemini Robotics 2 を発表しました。これは、ロボットが現実世界で自ら考え、行動し、適応することを可能にする次世代のインテリジェンスレイヤです。このブレークスルーの中核を担うのが、Gemini Robotics Embodied Reasoning 2（ER 2）です。これは、ロボットの高度な頭脳として機能する特化型 Gemini モデルです。Gemini Robotics ER 2 は、固定アームから等身大ヒューマノイドまで、あらゆる形態のロボットに対応します。高度な時空間の動画理解、長期的な計画能力、組み込みのセーフティガードレールを組み合わせることで、これを実現しています。これにより、ロボットは人間と自然に会話する、低レベルのアクションモデルやハードウェア API をオーケストレートする、数百もの意思決定を伴う数分間のタスクを実行する、複数のロボットチーム間で連携する、といったことが可能になります。

このたび、Google はこの最先端のエンボディド推論モデルを企業の本番環境向けに提供開始します。Gemini Robotics ER 2 は、Gemini プラットフォームにて公開プレビュー版としてご利用いただけます。これにより組織は、Google DeepMind による最新のロボット向けエンボディド推論モデルと、Google Cloud のエンタープライズグレードのセキュリティ、マルチエージェントオーケストレーション、エンドツーエンドのライフサイクル管理を初めて組み合わせて活用できるようになります。安全で適応性の高い物理 AI のシミュレーション、評価、大規模なデプロイがかつてないほど容易になります。

エンタープライズロボティクス向け物理エージェントの強化

Gemini Robotics ER 2 は、ロボットを物理エージェントへと進化させます。このモデルは、高度な時空間推論と長期的な計画能力を組み合わせることで、ロボットがタスクを完了するための手順をオーケストレートし、自己修正を行い、未知の状況にも適応できるようにします。エージェント環境を構築するために、開発者は視覚言語行動（VLA）モデルやナビゲーション API といった低レイヤの制御インターフェースをツールとして宣言し、マルチモーダルな動画、音声、テキストをモデルに直接ストリーミングできます。

ロボットの開発および運用を行う企業にとっての主なメリットは以下のとおりです。

1. 実作業タスクの検証、理解、自己修正

現場での実作業において、ロボットは次のステップへ進む前に、前のステップが実際に成功したかどうかを把握する必要があります。Gemini Robotics ER 2 は、連続する映像フィードをリアルタイムで推論処理することで、未知の状況や初めて直面する状況にもその場で柔軟に適応します。このモデルの主な機能は以下のとおりです。

タスクの進捗状況をバイナリステータス、離散カテゴリ、または連続スコアに分類します。これにより、リアルタイムの状況認識精度が向上し、ワークフロー全体をやり直すことなく、失敗したステップのみをその場で調整およびイテレーションできるようになります。
重要なイベントが発生した正確な動画フレーム（液体を注ぐのを止めるタイミングなど）を、91.3% の精度および 0.96 秒の平均絶対フレーム距離で特定します。多くの大規模モデルと比較して 4 倍の実行速度を誇り、計算コストもごくわずかに抑えられます。
Visual Question Answering や計器の読み取りをはじめ、Google の核となる空間推論能力をさらに向上させます。たとえば、円形ダイヤル、サイトグラス、デジタルディスプレイ、リニアスケール、定規、液体温度計など、10 種類以上の計器カテゴリの値を視覚情報から直接読み取り、解釈できます。

2. あらゆる形態のロボットを支える、単一のインテリジェンスレイヤ

Gemini Robotics ER 2 は、多種多様な形状やサイズのロボットをオーケストレートし、固定アームや車輪付きローバーから四足歩行ロボット、より複雑な形態にいたるまで、そのインテリジェンスを自在に拡張します。また、マルチロボットの連携も実現します。異なる種類のロボット同士が作業空間のセマンティックな理解を共有し、役割分担やタスクの引き継ぎを行うことで、1 台のロボットでは不可能な高度なワークフローも完遂できるようになります。

3. エージェント型ツールのオーケストレーションと自然言語インタラクション

Gemini Robotics ER 2 は、次に何を行うかを考えながら、同時にアクションをオーケストレートします。開発者は、VLA モデル、ナビゲーション API、カスタム関数といった下位レベルの制御インターフェースをツールとして宣言することで、シミュレーション、実機制御、遠隔操作全体でシームレスに利用できます。Gemini Robotics ER 2 は、自然言語による指示からナビゲーション API やマニピュレーター制御 API を直接オーケストレートできます。これにより、ロボットがアクションの実行中に自らのアプローチを口頭で説明したり、オペレーターが専門用語を使わずに指示を変更したりできます。

4. Google Cloud で安全かつ適応性に優れた物理エージェントを構築

開発者やエンタープライズチームは、Gemini プラットフォーム上で物理エージェントのシミュレーション、オーケストレーション、管理を行います。構築されたエージェントは、Google Cloud のスケーラブルなインフラストラクチャを活用し、エッジ上の実機ロボットへ直接デプロイして実行されます。

高速シミュレーション: MuJoCo-Warp や NVIDIA Isaac Sim などの使い慣れた環境でシミュレーションを行い、実機を操作する前にロボットの動作をテストできます。その後、Gemini プラットフォーム上でマルチモーダルモデルを活用して合成シナリオを生成し、ワークセルの画像データへ自動でラベル付けを行います。
スマートなトレーニング: Gemini Robotics ER 2 の空間ポインティング、モーメント検出、進捗分類機能を活用し、Cloud Storage や BigQuery 内のデモ動画のキュレーションとラベル付けを行います。その後、Gemini プラットフォーム、GKE、または Cluster Director を介して、カスタムの VLA モデルをトレーニングします。
容易な運用: エンタープライズ向けの IAM、セキュリティ制御、組み込みの関数呼び出し機能を備えた Gemini プラットフォーム上に、Gemini Robotics ER 2 のワークフローをデプロイできます。Google Distributed Cloud を活用して、SLAM や経路計画といったレイテンシに敏感なローカルワークロードを工場の現場側にオフロードし、フリートのテレメトリーデータを BigQuery へシームレスにストリーミングします。アーキテクチャの詳細は、Google Cloud Physical AI ソリューションをご覧ください。

Gemini プラットフォームで Gemini Robotics ER 2 を使用して構築しているお客様の事例

「AIVI-Learning を利用するお客様は毎月飛躍的に増えており、Gemini Robotics ER 2 はそこにさらなる価値を提供してくれます。映像によって、検査のあり方そのものが一変します。Spot は単に「ある一時点の見た目に問題がないか」を点検するだけにとどまりません。映像に AI モデルを適用できるようになったことで、まったく新しい可能性の領域が広がります。」

Boston Dynamics、Spot 担当バイスプレジデント兼ゼネラルマネージャー、Marco da Silva 氏

「DeepReach AI は、物理 AI を現実世界で動作させるためのスキルエンジンです。当社のハードウェアと AI プラットフォームは、世界中の熟練した人々の作業データを収集し、モデルトレーニングを加速させるデータフライホイールに変換します。Gemini Robotics ER 2 は、すべての録画データからタスクを正確に理解してくれるため、最も重要なデータをより迅速かつ圧倒的なスケールで特定できるようになりました。

DeepReach、共同創業者 / CTO、Chris Liu 氏

「高度な推論モデルは、ロボットが複雑な環境を解釈し、行動を計画し、変化する状況に適応することを可能にし、物理 AI の新たな可能性を切り拓きます。Google の Gemini Robotics ER 2 モデルは、まさにこの方向性に向けた重要な一歩となるものです。Google と協力し、こうした新たな機能が次世代のロボットコンピューティングプラットフォームをどのように構築していけるのかを探求できることを、大変嬉しく思っています。」

Arm、Arm Total Design for Physical AI 担当シニアディレクター、Barrie Mullins 氏

「私たちが目指しているのは、材料の研究開発ワークフローを加速させ、研究者がより多くのアイデアをよりスピーディに検証できるようにすることです。現在のラボ自動化のほとんどは、単一の独立したタスクしかこなせない固定的なスクリプトに依存しています。Gemini Robotics ER 2 を活用することで、ロボットに視覚的および物理的な柔軟性がもたらされ、既存のインフラストラクチャとスムーズに連携できるようになります。たとえば、API のない旧型のマイクロ波反応器のタッチスクリーンを読み取ったり、遠心分離機のバランスを考慮してサンプルをセットしたり、人の行き交う混雑したラボ内でサンプルを安全に搬送したりすることが可能です。これが、私たちが目指す次のレベルです。これにより、合成から分離に至る一連の実験プロセス全体を実行できる自律型ラボの実現に大きく近づきます。その結果、研究者は新材料の発見に向けた新しいアイデアの創出に一段と集中できるようになります。」

ASTAR Institute of Materials Research and Engineering（ASTAR IMRE）エグゼクティブディレクター兼 MARVEL-AI エグゼクティブディレクター、Loh Xian Jun 教授

Gemini プラットフォームで Gemini Robotics ER 2 の利用を開始する

開発者やエンタープライズチームは、Gemini プラットフォームの Model Garden を通じて、Gemini Robotics ER 2 のパブリックプレビュー版による構築を今すぐ開始できます。

Gemini プラットフォームで構築する: Gemini Robotics-ER 2 のドキュメントと料金をご確認ください。
デベロッパーガイドを確認する: Gemini API Robotics のドキュメントで、サンプルコードと双方向ストリーミングガイドをご確認ください。
研究発表を読む: Google DeepMind Gemini Robotics ER 2 の発表で、ベンチマークや安全性に関する技術レポートをご覧ください。
Google Cloud の物理 AI を探索する: cloud.google.com/solutions/physical-ai と cloud.google.com/ai にアクセスして、Google Cloud インフラストラクチャがシミュレーション、トレーニング、デプロイをどのようにサポートしているかをご確認ください。

- Deepmind Robotics、バイスプレジデント兼責任者、Carolina Parada

- 応用 AI ブラックベルト、Adrian Jones

エージェントプラグインの開発から学んだ、評価エンジニアリングの 4 つの教訓

Mon, 02 Nov 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 10 月 17 日に、Google Cloud blog に投稿されたものの抄訳です。

エージェントシステム開発における真の課題は、「作ること」ではなく「測ること」です。

評価エンジニアリングは、信頼性の高い AI システムを構築するための重要な基盤です。エージェントの挙動を正確に測る体系的かつ再現可能なテストを構築できるかどうか。それが、信頼できるツールをリリースできるか、それともサイレントエラーや API 呼び出しの失敗、誤作動を引き起こすツールになってしまうかの分かれ目となります。

私は Google で長年にわたり評価エンジニアリングの取り組みを推進してきました。新しくリリースされた Google Cloud Developer プラグインの開発は、実際のデベロッパーワークフローを通じてこれらの重要原則をストレステストし、検証する実践の場となりました。

新しいプラグインの開発から得られた、皆様のエージェント開発にも活かせる 4 つの評価の教訓をご紹介します。

1. 要約ではなく、実行ステップを評価する

エージェントを初めて評価した際、私たちは LLM-as-a-Judge を導入し、エージェントが最終的に返したテキスト回答を点検して、チェックリストに基づいて採点していました。しかし、採点ツールはエージェントが「実際に何を行ったか」ではなく「出力したテキスト」しか見ていないため、この方法には根本的な欠陥があることにすぐ気づきました。Google Cloud Developer プラグイン向けに、最初の 11 種類のプロンプトからなる評価スイートを実行したところ、自動採点ツールは 3 つのプロンプトを「不合格」と判定しました。しかし、未加工のツール呼び出しログを開いて対話履歴を確認してみると、プラグインは実際には 3 つすべて合格していたのです。たとえば Cloud Run のクリーンアップに関するプロンプトでは、ルーブリックとして「コマンドを実行する前に構文チェックを行うこと」が定められていました。エージェントは、最初のステップとして gcloud help run services list を実行しました。作業自体は完了していたものの、エージェントが最後に出力したメッセージは、ヘルプドキュメントを確認したことをわざわざ報告するのではなく、データの永久損失についてユーザーに警告することを優先していたのです。

採点ツールは、エージェントが正しい対応をしたにもかかわらず、要約でそれを報告しなかったという理由だけで減点してしまったのです。ルーブリックの項目に「X を実行したか？」とあっても、実際のツール呼び出しの実行プロセスを評価しない限り、LLM による判定は単なる推測にすぎません。

要点: エージェントの評価を、最後に出力されるまとめの言葉だけで行わないでください。未加工の実行プロセスを採点し、実際にどんなコマンドが実行され、検証され、対象範囲が設定されたのかを確認してください。

2. 非同期オペレーションの評価を設計する

ツール呼び出しの実行プロセスを読み解く段階になると、何を読み取るかと同じくらい、そのテレメトリーをどう抽出するかが重要になってきます。エージェントテレメトリーを時系列のフラットなイベントリストとして抽出してしまうと、ツールの同時ディスパッチが見えなくなってしまいます。これは、動作不良を引き起こす重大な原因の一つです。最新のエージェントハーネスは、多くの場合、配列を使用して複数のツール呼び出しをまとめ、1 回のアシスタントターンでバッチ処理します。

実際の評価で、エージェントに「環境の検査」と「ドキュメントの検索」をリクエストしたところ、ハーネスはスキルの読み込みと 2 件のドキュメント検索を、1 つの tool_calls ペイロード内で同時にディスパッチしました。スキルの有効化は多段階のプロセスです。最初の呼び出しでは短い起動スタブのみが返され、その次のターンで初めて指示の本文が挿入されます。そのため、検索処理を制御すべき指示がプロンプトコンテキストに届いたときには、システムはすでに検索を完了してしまっていたのです。

システムはスキルに対して専用のターンを挟まなかったため、スキルの指示をエージェントの行動に反映させることができなかったのです。テレメトリーパイプラインがターン構造を取り除き、すべての呼び出しを 1 つのフラットなタイムラインに統合してしまうと、エンジニアは「なぜエージェントはスキルに埋め込まれた明確な指示を無視したのか？」と思い悩み、何日も無駄に過ごすことになります。

要点: テレメトリーの抽出時にターン構造を保持してください。そうすることで、追加の指示がコンテキストウィンドウに読み込まれる前に、クライアントサイドで並列ディスパッチによるツール呼び出しが行われてしまう事象を検知できます。

3. ライブ実行と「ドライラン」を並行してテストする

並列ディスパッチなど、ハーネス独自の挙動を把握するには、実際の API 呼び出しを検査する必要があります。しかし、単一の環境条件だけでエージェントをテストしていると、重要な問題の半分を見落とすことになります。最初から、ライブ実行とプランのみの実行の 2 パターンを並行して実施する必要があります。ライブ実行の条件では、エージェントはサンドボックス化された実際の認証情報を保持し、実際にコマンドを実行します。これにより、構文が正常に動作するか、パラメータが綺麗にシリアライズされるか、破壊的な操作を行う前にエージェントに自制が効くかを確認できます。

ライブ実行では、ステップ 2 で予期しない権限エラーが発生し、テストしようとしている挙動に到達する前にテストが中止されることがよくあります。そこで必要になるのが「プランのみ」の条件です。あらかじめ認証情報を取り除いておき、何も実行せずに「何をしようとしているのか」をエージェントに説明させます。これにより権限の障害が取り除かれ、モデルの純粋な推論とルーティングの意図が明らかになります。最も重要な発見の約半分は、この 2 つの差から得られたものです。

たとえば、あるオンボーディング用のプロンプトでは、プロジェクトリストの呼び出し時にライブ実行がすぐにブロックされてしまいました。対照的に、プランのみの実行はスムーズに完了し、組織のポリシー、管理者の承認、ガバナンスを完全に無視した 8,000 文字のプランを生成しました。プランのみの実行がわずか数秒で明らかにした重大な認知上の欠陥が、ライブ実行では覆い隠されてしまっていたのです。

要点: ライブ評価とプランのみの評価を並行して実施してください。ライブ実行では実際の実行と安全上の制御をテストします。プランのみの実行では、権限エラーに阻まれることなく、モデルの生の推論とルーティングを確認できます。

4. 「ゴールデンセット」を永続的なベースラインとして使用する

フロンティアモデルのアーキテクチャは数か月ごとに変化し、エージェントハーネスは進化し、プラグインマニフェストの標準も必然的に変わっていきます。Google Cloud Developer プラグインを構築するにあたり、私たちは評価を、こうした非決定的な環境における継続的インテグレーションテストとして扱いました。つまり、ハーネス、ライブモデル、そして各種ツールが連携して動作する複合スタックに対し、現実的なタスクを使用してストレステストを実施したのです。

このアプローチでは、最終的なテキスト出力から推測するのではなく、エージェントが何を考え、実際にどのようなコマンドを実行し、何も壊さずに問題を解決できたかという、実行プロセス全体を把握します。次に、理想的なパスを理解している人間の専門家がキュレートしたゴールデンセットに対して、その実行結果を採点します。

要点: ハーネス、モデル、プラグインなど、システム全体が実際の運用環境で実行すべきことに基づいて、ゴールデンセットを構築してください。モデルは変化しますが、そうしたベースラインの実行結果がセーフティネットになります。

注意: 「ワンショット」デモではなく評価スイートを使用する

エンジニアが陥りがちな間違いの一つに、私がワンショットデモと呼んでいる手法があります。これは、LLM にプロンプトを入力し、LLM が完全な 3D ゲームを構築したりルービックキューブを一発で解いたりするのを見て、それを「評価」と呼んでしまうような状態のことです。しかし実際には、これは自己満足のための指標にすぎません。

AI で質の高い作業を行うには、評価スイートが必要だと私は確信しています。評価なしで進めるのは、暗闇の洞窟へと目隠しで飛び込むようなものです。エンタープライズグレードのエージェントを開発するなら、複数ステップに及ぶ対話の処理能力、権限の制御、そして破壊的な結果の回避能力をテストしなければなりません。たとえば、「コスト削減の機会を見つけて」とリクエストしただけなのに、プロジェクトが誤って削除されてしまうような事態を防ぐ必要があります。

次のステップ

エージェントプラグインや MCP サーバーの構築は、始まりにすぎません。実際のクラウドインフラストラクチャ環境で真に信頼できるものをリリースするには、期待どおりに動作することを確認するための評価作業に、かなりの労力が必要となります。結局のところ、モデルの入れ替わりを乗り越えられるのは、ストレステスト済みの評価スイートだけです。Google Cloud Developer プラグインのドキュメントをご確認いただくか、こちらの Codelab をご覧になり、Antigravity でプラグインの利用を始めてみてください。

- Google Cloud、AI インフラストラクチャおよび応用エンジニアリング担当デベロッパーリレーションズリード、Casey West

AI が自らモデルを進化させる時代へ。カインズが AlphaEvolve で需要予測の誤差を 19% 改善

Fri, 30 Oct 2026 01:00:00 +0000

全国に 281 店舗のホームセンターを展開し、独自のプライベートブランド（PB）商品の開発やデジタル戦略に注力する株式会社カインズ（以下、カインズ）。同社では、膨大な商品の発注・在庫管理を最適化するため、Google Cloud を基盤とした需要予測プロジェクトを推進しています。本記事では、アルゴリズムを自律的に進化させる AlphaEvolve（プレビュー版）を導入し、3 年間のチューニングの壁を突破して需要予測の誤差を 19% 改善した取り組みについて、同社の矢口氏と神戸氏にお話を伺いました。

利用しているサービス:
BigQuery、AlphaEvolve

全店舗・最大 3,000 万行におよぶ需要予測の歩みと、属人化からの脱却

カインズにおける需要予測プロジェクトは 2021 年 11 月に発足し、約半年間のプロトタイプ検証を経て、2022 年 6 月にミニマムでの本番運用をスタートしました。その後、段階的に対象を拡大し、2024 年 9 月には約 200 店舗、2025 年 10 月には全店舗へと展開を完了しています。

現在、同社では大きく分けて「長期予測」と「短期予測」の 2 つの軸で需要予測モデルを実行しています。

長期予測（PB 商品の海外生産向け）：カインズが注力する PB 商品は海外で生産されるケースが多く、長いリードタイムが求められます。そのため、食品から雑貨まで全カテゴリーにわたる約 1 万 SKU を対象に、単品別で 39 週先の需要予測を行っています。
短期予測（店舗の自動発注・在庫管理向け）：店舗の在庫が一定水準を下回った際に自動で発注を行う「自動発注点管理」に用いられます。店舗の限られた在庫スペースを最適にコントロールするため、店舗別・単品別（SKU 別）に 6 週先の細かい予測を実施しています。通常時で約 190 万 SKU、繁忙期には最大 500 万 SKU（× 6 週間分で約 3,000 万行）という膨大な規模の予測を処理しています。

この仕組みを導入する以前、長期予測においては各ディストリビューターの経験や個人のオペレーションマニュアルに依存しており、担当者のスキルによって発注精度にばらつきが生じることが課題でした。また、短期予測においても、従来は表計算ソフトで前年や直近の実績をもとに発注点を管理していましたが、直近実績だけでは季節性商品の立ち上がりを捉えきれず、欠品が発生するなどの課題を抱えていました。

Google Cloud の Vertex AI Forecasting を用いた需要予測モデルの導入により、新任の担当者であっても一定の精度を担保した発注が可能になり、店舗における欠品削減など着実な成果を上げてきました。

3 年間の試行錯誤で見えてきた、人間による特徴量設計とモデル改善の限界

全店展開によって一定の成果を上げていたカインズですが、運用を続ける中でさらなる精度向上に向けた「壁」に直面していました。当時の課題について、矢口氏は次のように振り返ります。

「一番の課題は、モデルの改善における試行錯誤の限界でした。私たちは週に 1 回、業務ユーザーと打ち合わせを行い、『ピークにもっと追従してほしい』『特定のイベントによる特需の影響は来年の予測から除外してほしい』といったドメイン知識や要望をヒアリングし、特徴量の出し入れやハイパーパラメーターの調整を行っていました。しかし、人間が自分で考えて調整し、検証を回すやり方では、試せる回数にも限界があり、本当にこのモデルが最適なのかを追求しきれないという実情がありました。」（矢口氏）

また、新商品が投入された際に既存商品の売上が分散する「カニバリゼーション（社内競合）」の予測も難題の一つでした。月 1 回のモデル再学習を行っていたものの、新商品の売れ行きトレンドが実績として現れるまでにはタイムラグが生じるため事前の予測が難しく、実績が出始めた後のトレンド変化やカテゴリー内の需要分散を素早く捉えるための特徴量設計も複雑を極めていました。3 年間にわたり PDCA を回し続けた結果、人間の手作業によるチューニングではこれ以上の改善は難しいという手詰まり感が生まれていたのです。

自律的にアルゴリズムを進化させる「AlphaEvolve」との出会い

この状況を打破するきっかけとなったのが、2026 年 4 月頃に矢口氏が目にした Google のブログ記事で紹介されていた「AlphaEvolve」でした。AlphaEvolve は、AI が自律的にアルゴリズムの最適化やモデルの進化を行うエージェント技術です。一般的なコーディング支援 AI との違いについて、矢口氏は次のように語ります。

「一般的な LLM やコーディングエージェントでも、対話を通じて『こういう特徴量やパラメーターが良いのではないか』という提案やサポートはしてくれます。しかし、それを実際に実行して結果を確認し、ダメなら次の手を考えるというプロセス自体は、結局人間がワンショットで 1 回ずつ回さなければなりません。これでは既存の作業が多少早くなるだけで、本質的な改善にはなりませんでした。私たちが求めていたのは、実行結果を踏まえて AI 自身が自己学習的に新しいパラメーターや特徴量を何百、何千と自動で試し、テストと検証を繰り返して最適解を導き出してくれる仕組みでした。AlphaEvolve を見たとき、『これならモデルの改善を自動でやってくれるのではないか』と強い可能性を感じました。」（矢口氏）

「需要予測の精度を高める」という明確な評価指標を持っていたカインズにとって、目標に向かって自律的にアルゴリズムを進化させる AlphaEvolve はまさに理想的なソリューションでした。さらに、実業務へ導入する上では、Antigravity などのコーディングエージェントと AlphaEvolve を組み合わせることで大きな相乗効果が得られたと矢口氏は続けます。

「AlphaEvolve は自律的にモデルを進化させてくれますが、その土台となる初期プログラムの作成や、データリークを防ぎつつ精度を正しく測る評価ロジックの設計、さらには生成されたモデルの本番パイプラインへの組み込みなどを AlphaEvolve 単体で行うのは正直なところ簡単ではありません。そうした周辺の実装や検証環境の構築をコーディングエージェントにサポートしてもらい、コアとなる何百・何千回のアルゴリズム探索を AlphaEvolve に任せるという組み合わせが非常に相性が良く、実践におけるハードルを大きく下げてくれました。」（矢口氏）

予測誤差を 19% 削減し、複数モデルの統合による運用効率化とコスト削減を実現

カインズは AlphaEvolve を長期予測モデルの本番環境に導入し、劇的な成果を上げています。長期予測モデルの改善を担当する神戸氏は、その定量的なインパクトについて次のように語ります。

「私がジョインしてから約 3 年間、長期モデルの改善を段階的に行ってきましたが、手詰まり感があった中で AlphaEvolve を使ったアルゴリズム改善に取り組んだ結果、予測の誤差を一気に 19% 改善することができました。3 年間かけて人間がチューニングしてきたものから、さらに 19% 跳ね上がったというのは非常に大きな成果です」（神戸氏）

さらに、AlphaEvolve の導入は精度向上だけでなく、システム運用の効率化とコスト面でも大きなメリットをもたらしました。

複数モデルの統合による汎用性の向上：従来は販売数量などの条件に応じて複数のモデルに分割して予測を行っていましたが、AlphaEvolve によって生成されたアルゴリズムは極めて汎用性が高く、すべてを「1 つのモデル」に統合した上で 19% の誤差改善を達成しました。
運用負荷とコストの削減：これまで Vertex AI Forecasting で複数のモデルを稼働させていた環境を、AlphaEvolve による単一の高精度モデルへと置き換えたことで、管理・運用の手間が大幅に軽減されるとともに、ランニングコストの削減も実現しました。

今後の展望：人が特徴量を考える時代から、AI が自らモデルを進化させる時代へ

新しい長期予測モデルが本番稼働を開始して約 4〜5 週間が経過し、現在は 13 週〜39 週先のリードタイムに向けた予測が進行しています。また、AI がカテゴリー内の需要変化を捉える特徴量を自律的に探索できるようになったことで、従来は人手での対応に限界があったカニバリゼーションに伴う需要変動に対しても、今後さらに改善していける可能性が見えてきています。今後は、予測精度が向上したカテゴリーにおいて、実際の店舗やサプライチェーンでの欠品削減や在庫水準の最適化にどれだけの経営インパクトが表れるか、効果測定を楽しみにしていると語ります。

最後に、今回の実績を踏まえ、これから需要予測や機械学習のビジネス活用を目指す企業へのメッセージとして、矢口氏は次のように締めくくりました。

「これまでもノーコードやローコードのツールを使えば、機械学習モデルを『作ること』自体はできました。しかし、実務で使えるレベルまでモデルの精度を高めるには、経験豊富な AI/ML エンジニアが試行錯誤して特徴量を考えたりチューニングしたりする必要があり、十分な精度が出せないことが壁となってビジネスへの機械学習の適用はなかなか進みませんでした。しかし、AlphaEvolve に目標を与えれば、パラメーターの調整だけでなくドメイン特有の特徴量まで AI が自ら生成し、モデルを進化させてくれます。専門の AI/ML エンジニアがいなくてもモデルの精度を高めることができるため、需要予測に限らず、ビジネスにおける機械学習の適用可能性が飛躍的に高まっていくと考えています。」（矢口氏）

株式会社カインズ
株式会社カインズは、全国に 281 店舗を展開するホームセンターチェーンです。「くらし DIY 」をブランドコンセプトに、くらしを豊かにする価値ある商品・サービスを開発し、お値打ち価格で毎日提供します。Kindness（親切心）と創意工夫のアイデアあふれる店舗づくりに努めることで、お客様一人ひとりの、ご家族の、そして地域の日常を楽しいものとし、お客様とのプロミスである「くらしに、ららら。」をお届けします。

インタビュイー
株式会社カインズ　
ビジネスソリューション部需要予測グループ　グループマネジャー　矢口未知彦氏
ビジネスソリューション部需要予測グループ　データサイエンティスト　神戸佑太氏

インタビュアー
グーグル・クラウド・ジャパン合同会社
シニアアカウントエグゼクティブ　西森万晃
カスタマーエンジニア　遠山雄二

Sky: Gemini を全社で一斉に導入し、98% の利用定着率と 2,000 個近いエージェントの共有を実現

Thu, 29 Oct 2026 01:00:00 +0000

「AI に強く、AI を使いこなす会社」を目指す Sky株式会社（以下、Sky）は、内製の AI ツールで活用の土台を構築。さらに後継のツールとして Gemini を全従業員約 5,000 名へ一斉配布し、大きな成果を上げています。単なる「業務効率化」ではなく「業務プロセスそのものの変革」を目指すアプローチ、そして具体的な成果について、改革を牽引する AI Innovation Lab の 2 名に伺いました。

利用しているサービス:
Gemini, Gemini Notebook など

利用しているソリューション:
生成 AI

「SKYAI」の内製開発で定着した AI 活用文化を、いかに発展させるか

クライアント運用管理ソフトウェア「SKYSEA Client View」や営業名刺管理サービス「SKYPCE」などで知られる Sky は、自社商品を開発・提供する ICT ソリューション事業と、顧客のシステム開発を担うクライアント・システム開発事業を両輪としています。そんな同社の特長の 1 つは、現場のニーズに応じてソリューションを独自に開発する企業文化です。社内システムも大部分を内製しており、その数は約 200 にのぼります。

事実、生成 AI が登場すると、同社は対話型の生成 AI サービス「SKYAI」を独自開発して全社に提供。自律型リサーチ機能「Deep Research」が普及したときにも、「SKYAI Deep Research」を自力で開発しています。こうしたプロジェクトを牽引してきたメンバーが集まって誕生したのが、社内の AI 専門チームである AI Innovation Lab です。同 Lab 課長の須藤康正氏は、一連の開発プロジェクトの狙いを次のように説明します。

「AI Innovation Lab は、会社のスタイルを構築しつつ、代表が掲げる理念をサービスや機能という形で体現していく、Skyスタイル部に所属しています。『SKYAI』と『SKYAI Deep Research』には、皆の業務を便利にするという目的以上に重要な役割がありました。AI を使うということを従業員のスタイルとして根付かせていくことです。」（須藤氏）

ウェブ検索機能やプロンプト評価機能の実装、全従業員向けの研修といった取り組みもあり、SKYAI の月間利用率は最終的に 90% に達しました。しかしここで須藤氏は、大きな決断を迫られます。SKYAI の継続に注力すれば、新たな AI システムの開発ができなくなるからです。保守部門に運用を引き継ぐ選択肢もありましたが、須藤氏は「攻めの決断」を下しました。

「SKYAI は役割を果たしたと判断し、サービスを終了することにしました。ただし従業員には、代わりとなる AI ツールが必要になりますので、検討に入りました。そこで念頭に置いたのは『どのツールを選ぶか』ではなく、『我々は AI を会社の中でどう使いたいのか』『我々が目指している AI の活用スタイルを育むためには、ツールはいかにあるべきか』というものでした。」（須藤氏）

横断検索の精度、データ連携、ガバナンスを評価して Gemini を選定

このような問題意識に基づき、最終的に選ばれたのは Gemini でした。その際にまず検証されたのは、横断検索の精度だったといいます。同社では高機能な AI を使うことがすでに当たり前となっており、検索精度が低いとユーザーがすぐに離れていくことが懸念されたからです。

「社内で Deep Research を内製していたときには、ナレッジグラフを作っていかなければなりませんでした。また、ベクトル化やチューニング、チャンクサイズの調整など、多くの試行錯誤を繰り返していましたが、企業向け Gemini を採用してみると、我々が作ったシステムと同等以上の精度がすぐに得られました。これはまさに驚きでした。」（須藤氏）

次に検証されたのはデータ連携です。同社は Google Workspace を導入していませんが、企業向け Gemini には、サードパーティ SaaS 向けのコネクタが数多く用意されているため、多様なプラットフォームとのデータ連携は容易に実現できました。そして 3 つ目が、ガバナンスとセキュリティです。同社は顧客のシステム開発も担っているため、エンタープライズ利用を想定したアクセスコントロール、法務部門との調整に必要な情報の確保、知的財産の侵害リスクに備える IP 補償、EnterpriseWebSearch との統合などが不可欠になります。これらの機能が揃っていたことも、採用の後押しとなりました。

「セキュリティについては、条件が『保証されている』『明文化されている』ことを重視しています。Google Cloud は AI 活用におけるセキュリティの担保にも非常に慎重かつ真摯に取り組んでおり、我々が目指しているのと同じ方向で、安全性を追求できるのではないかと感じました。」（須藤氏）

これらの検証を踏まえて、2026 年 1 月、Sky は Gemini の利用を開始。「スタイルは従業員全員で作る」という指針のもと、約 5,000 名の全従業員に一斉に展開しました。これはかなり思い切った決断でしたが、現場ではさまざまな成果が生まれ始めています。AI Innovation Lab 課長代理の帯野幸司氏は、最初の例として、新メンバーのオンボーディングを挙げました。

「従来は新しいメンバーに大量の資料を渡して読んでもらう形になっており、どこまで理解しているかが、なかなか正確に把握できませんでした。しかし、社内の業務情報を部署ごとに整理して Gemini Notebook に読み込ませるようにしたところ、AI との対話を通じて新メンバーが自律的に学習し、疑問点を自己解決できるようになりました。これによりオンボーディング期間が大幅に短縮されています。また、従業員が自律的に部署のノウハウを蓄積し、データを共有する際の形式まで意識してくれるようになりました。これも思わぬ効果です。」（帯野氏）

次の好例は、上長の簡易クローン構築によるコミュニケーションの効率化です。

「上長に案件のレビューや相談を依頼したくても、時間を確保してもらうのが難しいのが実情です。幸い、Sky には従業員が日頃感じていることや考えていることを社内ブログにアウトプットする文化があるので、そこから上長の思考スタイルを Markdown にまとめ、Gemini でエージェント化しました。メンバーだけでなく上長も含め、双方の時間が短縮できています。」（帯野氏）

さらに帯野氏は、Deep Research を使った検索の充実にも触れました。

「以前は AI 活用研修を企画する際にも、ウェブ上の他社事例と社内の過去の研修内容を別々に調べる必要があり、手間がかかっていました。しかし、社内情報とウェブの情報を横断的に検索することにより、自社の実情や過去の文脈に合った精度の高いリサーチができるようになりました。」（帯野氏）

「従業員が AI と一緒に働く」環境を構築し、独自のスタイルを追求

Gemini のアクティブユーザー数は、展開後約 2 か月で急増した後に高止まりしており、定着率は 98% というきわめて高い水準を維持しています。帯野氏は「Gemini が物珍しさだけで使われているのではなく、日々の業務に不可欠なツールとしてほぼすべての従業員に受け入れられ、継続的に利用されていることを示していると考えられます」と解説します。

事実、現場主導で Gemini の活用が広がったことにより、Sky では 2,000 個近くのエージェントが従業員によって開発され、広く共有されるようになりました。その結果、エージェントの検索が困難になるという嬉しい悩みも発生しましたが、この問題は Google Cloud のサポートによって解決されています。

「検索機能の問題もそうですが、エンタープライズユースで『こういう機能が欲しい』と相談すると、いつもすごく真摯に解決案を提案してもらえます。製品の機能とは別に、これも Google Cloud と仕事をしていくうえですごく良いと感じている点です。」（須藤氏）

Sky における AI 活用は、既存業務の強化を目的としたものから、「業務プロセスを変える」ものへ、そして「従業員が AI と一緒に働くようなスタイル」を実現させるものへと進化してきました。導入成果の測定に関しては KPI を設定せず、各部署に独自の基準作りを委ねる一方、活用度そのものを全社共通で評価できる「PAM」というシステムも新たに構築されています。また最近では、自社を「ゼロカスタマー（最初の顧客）」に設定した商品開発でも、AI を活用する方法が模索され始めています。最後に須藤氏は、Gemini に寄せる信頼の大きさを改めて語りました。

「2026 年 7 月には、AI Innovation Lab に『AI 社員』が参加しました。AI は業務のチャットログを常にチェックしており、自分ができる業務をどんどん代行していきます。私たちはこうして生まれた時間を、新たな創発的な業務に 100% 投下していく予定です。生成 AI の活用は、単なるツールの導入に終わらせるのではなく、企業が目指す『スタイル』を明確に思い描き、AI ネイティブな業務改革を進めていくことが重要です。その点、Gemini は私たちにとって、最も使いやすいツールになっています。」（須藤氏）

Sky株式会社
1985 年 3 月 2 日設立。クライアント運用管理ソフトウェア「SKYSEA Client View」や営業名刺管理サービス「SKYPCE」などの自社商品を開発・提供する ICT ソリューション事業と、顧客のシステム開発を担うクライアント・システム開発事業を両輪に事業を展開している。「AI に強く、AI を使いこなす会社」を掲げ、AI 活用による DX やサービス開発などに取り組む。従業員数は 4,655 名（2026 年 10 月 1 日現在）。

インタビュイー（写真右から）
・Skyスタイル部 AI Innovation Lab 課長須藤康正氏
・Skyスタイル部 AI Innovation Lab 課長代理帯野幸司氏

▼ セッション動画を観る
本事例のインタビュイーによるセッション動画が公開中です。あわせてご覧ください。
【Next Tokyo 26 セッション】ツール導入ではない、企業のスタイルを創る「AI 戦略」としての Gemini Enterprise

▼他の導入事例記事を読む
その他の Google Cloud 導入事例はこちらをご覧ください。

Google Cloud で Claude の利用機会とデプロイの選択肢を拡大

Thu, 29 Oct 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 10 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

生成 AI の構築やスケーリングにおける要件は、組織によってさまざまです。Google Cloud は、デベロッパーの皆様がニーズに合わせて自由な環境でワークロードを実行できるよう、モデルの選択肢とアーキテクチャの柔軟性の提供に取り組んでいます。

このたび、Google Cloud における Claude モデルの Anthropic マネージドデプロイオプションの一般提供を開始いたしました。これにより、チームはモデルの実行方法の選択肢が広がり、既存の Google マネージドデプロイオプションとあわせて、Google Cloud 上で AI ワークロードを統合できるようになります。

どちらのオプションを選択しても、同じフロンティアモデルをリリース初日から利用でき、料金や Google Cloud の請求体系も同じです。主な違いは、「データ処理者が誰であるか」と「新しい Claude プラットフォーム機能のリリース直後のアクセスが必要かどうか」の 2 点です。

[新規] Google Cloud 上の Claude モデル（Anthropic マネージド）

Claude モデルをはじめ、Claude Managed Agents（ベータ版）、スキル、コード実行といった Claude プラットフォーム機能に、リリース初日からアクセスできます。Anthropic は Anthropic の利用規約に基づき、データ処理者として Google Cloud インフラストラクチャ上でスタックを運用します。一方、利用組織は Google Cloud IAM による認証、Cloud Audit Logging によるログ保持を行いつつ、既存の Google Cloud 請求や対象となる確約利用に費用を統合できます。

詳細: Google Cloud 上の Claude モデル（Anthropic マネージド）。

Google Cloud 上の Claude モデル（Google マネージド）

厳格なガバナンス、コンプライアンス、データ主権に関する要件を満たしながら、最新の Claude モデルをリリース初日から継続して提供します。Google Cloud は、既存のお客様との契約に基づきデータ処理者として機能し、VPC Service Controls、顧客管理の暗号鍵（CMEK）、ならびに米国、EU、APAC でのデータ所在地を提供します。Claude プラットフォームの新機能は、Google マネージドのインフラストラクチャに統合され次第、順次展開されます。また、BigQuery や Model Armor などの Google Cloud サービスとのネイティブ統合のほか、標準の課金や対象となる確約利用の充当といったメリットも得られます。

詳細: Google Cloud 上の Claude モデル（Google マネージド）

デプロイオプションの比較

機能	Anthropic マネージド	Google マネージド
モデルの提供	初日から利用可能	初日から利用可能
ファーストパーティツールとベータ版	初日から利用可能	Google マネージドインフラストラクチャに統合されると利用可能
データ処理者と利用規約	Anthropic（Anthropic の商用利用規約に基づく）	Google Cloud（既存の Google Cloud 顧客契約に基づく）
料金と確約利用	標準料金（対象となる Google Cloud の確約利用に充当）

どのデプロイ方法を選択しても、Claude Fable 5.1、Sonnet 5.5、Haiku 5.5、Opus 5.5 など、Anthropic の最新のフロンティアモデルを Google Cloud で利用できます。新しいプラットフォーム機能は、Anthropic マネージドオプションではすぐに利用可能になり、Google マネージドオプションでは統合後にロールアウトされます。これにより、デベロッパーは Google Cloud IAM と Marketplace の課金機能を通じて、推論、コーディング、マルチモーダルの多彩な機能を活用できるようになります。今すぐ利用を開始しましょう。

- Google Cloud、Gemini、プロダクトマネジメント担当バイスプレジデント、Michael Gerstenhaber

Gemini エージェントがスタートアップにもたらすメリット

Wed, 28 Oct 2026 01:20:00 +0000

※この投稿は米国時間 2026 年 10 月 16 日に、Google Cloud blog に投稿されたものの抄訳です。

小規模なチーム、限られたランウェイ、そして常に迅速なプロダクト提供を求められるプレッシャー。これは、Google for Startups が日々ともに働く起業家たちが直面している現実です。会社をゼロから立ち上げる際、運用上のオーバーヘッドやインフラストラクチャ構築に費やす時間は、コアプロダクトの開発に割くべき時間を削ることになります。

先週開催された Gemini at Work 2026 で、Google は Gemini エージェントを発表しました。これは、パーソナルアシスタントとしても、チームの専任メンバーとしても機能する汎用エージェントです。そして今週、新しいフロンティアモデルである Gemini 4 Argon の一般提供を開始しました。このモデルは、長時間のマルチステップタスク全体を通してコンテキストを維持するようにトレーニングされています。

ここでは、Gemini エージェントの仕組み、創業者に役立つ 5 つのポイント、そしてスタートアップが実力以上の成果を上げるためにこれをどう活用しているかをご紹介します。

Gemini エージェントとは

文書作成、コーディング、データ分析ごとに、別々の chatbot にプロンプトを入力する必要はもうありません。Gemini エージェントなら、1 つのエージェントが大まかな目標を理解し、完成した成果物まで仕上げて提供します。これは、次の 3 つの原則によって定義されます。

統合型: 1 つのエージェントで、ナレッジワーク、データ分析、クリエイティブアセットの生成、コードの記述と実行を処理できるようになりました。複雑なジョブの場合、専用の一時的なサブエージェントを動的にスピンアップし、それらの作業を並列または順次連携させます。
どこからでもアクセス可能: ウェブ、コマンドライン、デスクトップ、モバイルなど、日常的に使うあらゆる環境で動作します。さらに、Gmail、ドキュメント、スプレッドシート、スライド、ドライブ、Chat、カレンダーにもネイティブに対応しています。
永続性: クラウド上で動作し、4 つの領域（セッション、セマンティック、手続き、エピソード）にわたって連続的なメモリーを保持します。新規採用者のように自ら業務に慣れ、チーム、ツール、ビジネスコンテキストを学習するため、プロンプトごとに自社について説明し直す必要はありません。また、ノートパソコンを閉じた後も、数日間にわたるタスクを進め続けることができます。

5 つの役割を同時にこなす創業者にとって、Gemini は、カレンダー、プロジェクト、ドキュメントの状況をすでに把握している「デジタル参謀」のように機能します。マーケットトレンドの調査、スプレッドシートでの財務モデル作成、そしてその両方を網羅した提案資料の作成まで、各ステップでプロジェクト概要や目標を繰り返し説明することなく、Gemini にまとめて依頼できます。また、先回りして自発的に機能します。投資家から最新のプロダクトアップデートを資料として求めるメールが届くと、Gemini がそのリクエストを検知して処理を提案します。ワンクリックで作業が完了し、すぐに共有やレビューが可能な状態で手元に戻ってきます。

スタートアップ向けの 5 つの重要ポイント

1. コワーカーエージェントとスキルでアウトプットを拡大

個人のアシスタント機能にとどまらず、チーム全体と連携する持続的なコワーカーエージェントを作成することもできます。各エージェントには、それぞれ専用の Workspace アカウント、メールアドレス、ドライブストレージ、ディレクトリ情報が付与されます。リリースコーディネーター、QA トリアージ担当者、財務アナリストといった特定の役割を設定すれば、チームメンバーは Chat スペースにエージェントを追加したり、Google ドキュメントのコメントで @名前リンクを追加したりして作業を委任できます。

また、エージェントに再利用可能なスキルを持たせるだけでなく、Gemini が業務プロセスを学習しながら自らスキルを作成することも可能です。たとえば、BigQuery や Knowledge Catalog と連携した運用レポートスキルを使えば、チームの誰もが平易な言葉で質問するだけで、リアルタイムのレポートを作成して保存できます。一度保存すれば、追加のトークンコストをかけることなく、必要なときにいつでもレポートを実行できます。さらに Gemini では、法務や金融サービスをはじめとする、特定の領域に特化した事前構築済みの機能も提供しています。

スタートアップにとっての意味: コワーカーエージェントによってチームの対応力を即座に引き上げることができます。また、スキルを活用することで、投資家向けレポートや運用レポートなどの定期的なプロセスを標準化し、実行のたびにトークンを消費することもなくなります。

2. オープンモデルとサードパーティモデルを自由に選択

Gemini はエージェントであり、その基盤となるモデルは自由に選択できます。スタートアップのアーキテクチャが成熟するにつれて、すべてのタスクを単一のフロンティアモデルに処理させると、粗利益が急速に圧迫されます。Gemini エージェントを使用すると、Gemini モデル、Anthropic の Claude などのサードパーティモデル、Gemma などの軽量なオープンモデルの間で、ワークロードを動的にルーティングできます。

スタートアップにとっての意味: ロックインされることなく、柔軟性を確保できます。大量の決定的ジョブにはコンパクトモデルを、複雑な推論にはフロンティアモデルを使用することで、タスクあたりのコストを最適化できます。また、プロダクトの進化に合わせて、ワークフローを再構築することなくモデルを入れ替えることができます。

3. サービスやツールに接続

エージェントの有用性は、アクセスできるシステムによって決まります。Gemini エージェントは、Google Workspace に加え、パートナーソリューションを含むエンジニアリング、データ、ビジネスの各種スタックに直接接続できます。

開発とコラボレーション: Git、Slack、Jira など。
データとローカルファイル: BigQuery、Postgres、Snowflake、Databricks などに加え、デスクトップ上のファイルにも対応。
MCP を介したカスタムツール: ネットワーク内外の Model Context Protocol（MCP）サーバー。エンジニアが社内ツールを構築して共有できます。

スタートアップにとっての意味: カスタムコネクタの保守にエンジニアのリソースを割く代わりに、エージェントを既存のコードベース、データベース、MCP ツールに直接接続して、データの所在を問わずリアルタイムに操作できるようになります。

4. 組み込みのセキュリティとガバナンス

B2B スタートアップにとって、大企業によるセキュリティ監査は、商談が失速しやすい大きな関門です。バックグラウンドでは、各エージェントに暗号化されたエージェント ID が割り当てられ、明確な監査証跡が確保されます。また、エージェントは分離されたサンドボックス内で実行され、組み込みのプロンプトインジェクション防御機能によって保護されます。外部トラフィックは Agent Gateway を経由してルーティングされるため、ガバナンスポリシーを確実に適用できます。さらに、コワーカーエージェントもそれぞれ Workspace アカウントを持つため、管理の手間はこれまでのユーザー管理とまったく変わりません。

スタートアップにとっての意味: 大企業の最高情報セキュリティ責任者から、AI ワークフローにおけるデータプライバシー、プロンプトインジェクション、アクセス制御への対策を問われても、すでにエンタープライズグレードのアーキテクチャが整っているため、調達プロセスのハードルをスムーズにクリアできます。

5. リアルタイムのコスト管理でランウェイを保護

サブエージェントを数時間から数日間にわたって実行する自律型エージェントは、ループ処理をチェックしないままでいると、すぐに請求額が膨れ上がってしまいます。こうした事態を防ぐため、Cloud Billing コンソールでリアルタイムの費用上限を直接設定できるようになりました。上限に達するとプロジェクトのエージェントが自動的に一時停止するため、バグによる予期せぬ高額請求を確実に回避できます。その基盤として、Gemini は推論に最適化された TPU 8i を含む Google による特化型 AI インフラストラクチャ上で動作し、前世代比で 80% 優れたコストパフォーマンスを実現します。

スタートアップにとっての意味: 創業者や開発者は、長時間動く並列エージェントループの試行錯誤に安心して取り組めます。標準で備わった財務セーフティネットが手元資金を守り、投資家からの信頼確保にもつながります。

すでに実践している創業者

スタートアップや AI ネイティブなイノベーターは、すでに Gemini を活用しています。没入型ストーリーテリングプラットフォームを提供する Whenere は Dreamlands を活用して、名作小説『高慢と偏見』の世界を Fortnite 上に再現しました。Dreamlands は Gemini 基盤のエージェント型 3D ワールド構築プラットフォームであり、Gemini は新しいオブジェクトごとにテクスチャを約 7 秒、10 セント未満のコストで生成しました。あるアーティストは、1 日で約 250 個のカスタムアセットを作成し、歴史的に忠実な邸宅を 1 週間足らずで完成させました。アプリケーション構築プラットフォームの Lovable をはじめ、OpenEvidence、Recursion、Replit などのスタートアップやイノベーターも、この動きに加わっています。

Google for Startups で構築

エージェント時代の到来により、社内業務を担うコワーカーエージェントのデプロイから、プロダクトへのエージェント型ワークフローの直接組み込みまで、少数精鋭のチームであっても実力以上の大きな成果を生み出せるようになります。

これらの新しい Gemini エージェント機能はまだ一般公開されていませんが、スタートアップのお客様は Google のセールスチームにお問い合わせいただくことで、詳細の確認や今後の準備についてご相談が可能です。また、Google for Startups プログラムで、クレジット、実践的な技術ガイダンス、メンターシップ、グローバルな創業者コミュニティプログラムなどもご利用いただけます。

- Google、グローバルスタートアップおよび投資家エコシステム担当バイスプレジデント、Darren Mowry

Google Antigravity で Claude Opus 5.5 と Claude Sonnet 5.5 が利用可能に

Wed, 28 Oct 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 10 月 21 日に、Google Cloud blog に投稿されたものの抄訳です。

手早いバグの修正の繰り返しから複雑な移行の計画まで、タスクごとに適したモデルは異なります。

オープンなエコシステムへの取り組み、そしてあらゆるタスクに最適なモデルを開発者に提供するという Google Cloud のコミットメントに基づき、Google Cloud をご利用のお客様は Google Antigravity で Claude Opus 5.5 と Claude Sonnet 5.5 をお使いいただけるようになりました。Claude Opus 5.5 は複雑なタスク向けに設計されているのに対し、Claude Sonnet 5.5 はより高速かつ低コストな補完モデルです。

管理者によって有効化されると、開発者はモデル選択ツールから Claude Opus 5.5 と Sonnet 5.5 を直接選択できるようになります。管理者は、Gemini 3.8 Flash や Gemini 4 Argon を含む Google の Gemini モデルを選択することもできます。これらのモデルは、Antigravity 2.0、Antigravity CLI のほか、VS Code、JetBrains IntelliJ、Visual Studio 向けに最近リリースされた Antigravity IDE 拡張機能に適用されます。これにより、エンタープライズ共通の請求枠組みとセキュリティ境界のもとで、タスクに最適なモデルを選択できるようになります。

この投稿では、これらのモデルを使用して Antigravity で開発を行うための 2 つのエンジニアリングパターンをご紹介します。全サブスクリプションプランにおいて Antigravity でサポートされているモデルの一覧については、こちらのドキュメントをご覧ください。

Antigravity のマルチモデルエンジニアリングパターン

同じエージェントハーネス内で複数のモデルファミリーを利用可能にすることで、レイテンシとコストを管理しながらコードの品質を高める、実践的なマルチモデルワークフローが実現します。

パターン 1: ループワークフローとグラフワークフローでのクロスモデル検証（「LLM-as-a-Judge」）

エージェントループや複数ステップのグラフワークフローを構築する際、コードの記述と自身の出力のレビューに同じモデルを使用すると、そのモデル固有の盲点を補強してしまう恐れがあります。2 つの異なるモデルファミリーを組み合わせ、一方を実装者、他方を検証者（判定者）とすることで、ワークフローの次のステージに進む前に第三者的な検証が可能になります。

Antigravity では、このパターンをインタラクティブに実行することも、自動化されたサブエージェントを介して実行することもできます。

モデル A で計画と実装を行う: Claude Opus 5.5 または Gemini 4 Argon を使用してプランニングモードで開始し、複数ファイルにわたる変更の設計と実装を行います。
モデル B で検証する: ループの変更を commit するか、次のステップへ進める前に、モデルを切り替えるか、CLI で単発の /model チェックを呼び出して、別のモデルファミリーにテストスイートや要件に照らして実装を評価させます。

パターン 2: 推論モデルと Flash サブエージェントの組み合わせ

複雑なエンジニアリングタスクでは、高度な推論を要する少数の意思決定と、大量の機械的なルックアップ（ファイルの検索、ログの grep、lint 出力の確認、テスト失敗の分類など）が組み合わされることがよくあります。すべてのルックアップをフロンティアモデルで実行すると、レイテンシとコストの両方が増加する可能性があります。

Antigravity のサブエージェントカスタマイズシステム（.agents/agents/*.md）を使用すると、特定のモデルティア（inherit、flash、pro）を専門のサブエージェントに割り当てることができます。プライマリセッションでより強力なモデルを稼働させている場合、以下のように動作します。

model: inherit が設定されたサブエージェントは、高度な推論を要するサブタスクに対してアクティブなセッションモデルを使用します。

model: flash が設定されたサブエージェントは、高速な検索、分類、トリアージ作業を Gemini Flash モデルにオフロードします。

たとえば、.agents/agents/test-triager.md で高速なログトリアージサブエージェントを以下のように定義できます。

code_block: <ListValue: [StructValue([('code', '---\r\nname: test-triager\r\ndescription: Runs unit tests, classifies failures, and returns a concise summary of failing assertions.\r\nmodel: flash\r\ntools:\r\n - read\r\n - edit\r\n---\r\n\r\nRun the requested test targets, classify any failures by root cause (compilation error, assertion failure, or timeout), and return a structured summary to the parent agent.'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8f50c1f7d0>)])]>

また、.agents/agents/gemini-judge.md では、クロスモデルのコードレビュー担当者サブエージェントを以下のように定義できます。

code_block: <ListValue: [StructValue([('code', "---\r\nname:cross-model-judge\r\ndescription: Independent LLM-as-a-judge verifier that audits diffs and edge cases using Gemini Pro.\r\nmodel: pro\r\ntools:\r\n - read\r\n---\r\n\r\nReview the current workspace diff against the user's requirements. Check for regressions, missing edge-case tests, and security issues. Output a pass/fail verdict with specific line references."), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8f50c3dfd0>)])]>

この設定により、高速な「テストと分類」のループを test-triager に委任し、cross-model-judge をトリガーして最終的なコード差分を検証できます。これにより、各モデルの強みを単一のワークフロー内で活かすことが可能になります。

ご利用にあたって

Claude Opus 5.5 と Claude Sonnet 5.5 は、Antigravity を使用している Google Cloud のお客様にご利用いただけます。

管理者（Gemini for Business）: サードパーティのパートナーモデルは、プールされている Gemini Enterprise Standard および Plus エディションの月間トークン割り当てから消費されることはありません。代わりに、既存の Google Cloud 請求先アカウントを通じて従量課金制で請求されるため、超過料金の設定を有効にする必要があります。Google Cloud コンソールで [Gemini Enterprise] > [設定] > [AI デベロッパーツール] に移動して、超過料金の請求、費用の上限、組織のパートナーモデルの承認を構成します。詳しい手順については、AI デベロッパーツールの設定方法をご覧ください。
管理者（Gemini プラットフォーム）: Gemini プラットフォームの API 経由で Antigravity をご利用の場合も、パートナーモデルを有効化できます。Model Garden で Claude モデルを有効化し、Anthropic の標準利用規約に同意してください。
開発者: Antigravity 2.0、Antigravity CLI、または Antigravity IDE 拡張機能を最新バージョンに更新し、モデル選択ツールを開いて（または /model を実行して）、タスクに適したモデルを選択します。エンタープライズガバナンスやマルチエージェント構成の詳細については、Google Antigravity Enterprise のドキュメントをご覧ください。ワークスペースの状態、開いているアーティファクト、ターミナルのコンテキストを保持したまま、同じ会話スレッド内のターン間でアクティブなモデルを切り替えることが可能です。

^{注: コンテキスト管理や要約といった高頻度で発生するクライアントサイドの調整処理のために、軽量なファーストパーティの Gemini モデルがバックグラウンドで引き続き稼働します。これらのモデルはファーストパーティトークンを消費するため、料金が発生する場合があります。}

- Google Cloud、プロダクトマーケティングマネージャー、Marialaura Garcia

- Google Antigravity、デベロッパーリレーションズ、Rich Hyndman

Visko が Google Cloud TPU でリアルタイムの世界モデルをストリーミングする仕組み

Tue, 27 Oct 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 10 月 16 日に、Google Cloud blog に投稿されたものの抄訳です。

編集者注: 生成 AI スタートアップは、静的なクリップ生成から、インタラクティブでリアルタイムな世界の構築へと急速に移行しています。この技術的な詳細解説では、AI スタートアップの Visko が Google Cloud TPU エンジニアと協力して、連続的にストリーミングするライブ世界モデルである Orbis を Cloud TPU にデプロイし、最初のキックオフから本番環境への引き継ぎまでをわずか 30 日で完了した方法を解説します。

ライブ動画世界モデルを本番環境で提供するのが難しいのはなぜでしょうか。ボトルネックは平均スループットではなく、リアルタイムで刻まれる厳しい時間の制約に打ち勝つことです。ユーザーがプロンプトを送信してキューで待機するオフラインの動画生成ツールとは異なり、ライブ世界モデルは連続的にストリーミングします。動画と同期された音声の新しいチャンクは、視聴者が前のチャンクを見終わる前にレンダリングを完了する必要があります。そうしないと、世界は停止してしまいます。

本日は、インタラクティブな世界モデルのパイオニアである AI スタートアップの Visko が、Google Cloud と連携してこの課題を解決した方法をご紹介します。Visko と Google Cloud のエンジニアは共同で Visko のエンドツーエンドのライブ推論パイプラインをデプロイしました。このパイプラインは、動画生成、超解像アップスケーリング、同期音声を組み合わせて、単一の Cloud TPU スライスに統合したものです。両チームが一丸となってエンドツーエンドの生成時間を短縮した結果、1.07 倍の再生速度でのレンダリングを実現しました。

本記事では、このマイルストーンをわずか 1 か月で達成したパイプラインの設計アプローチ、大きな成果をもたらしたアーキテクチャの最適化、そして Google Cloud 上で超低レイテンシの生成 AI を構築するスタートアップのための実践的なナレッジについて詳しく解説します。

ライブ世界モデルでインタラクティブメディアを再定義

ほとんどの生成動画プラットフォームが固定された事前作成済みのクリップのレンダリングに重点を置く一方で、Visko はライブモデルと呼ばれるものを構築しています。これは、連続的に生成しながら、その場で応答する動画世界モデルです。

Visko のフラッグシップモデルである Orbis は、1 つのテキストまたは画像プロンプトからライブ動画をストリーミングします。ストリームの再生中に、視聴者は新しいステアリングプロンプトをリアルタイムで入力し、配信を中断したり連続性を損なったりすることなく、シーンを動的に変化させることができます。たとえば、あるテストセッションでは、パチパチと音を立てる暖炉のそばで猫が昼寝をしているライブ配信から始まります。視聴者がシーンの指示を出して餌の入ったボウルを登場させると、ボウルがシームレスに実体化し、猫が伸びをして立ち上がり、ニャーと鳴きます。

2026 年 9 月 1 日に公開デモをリリースして以来、Orbis はインタラクティブエンターテイメント、ライブコマース、AI コンパニオン、没入型教育、ロボットシミュレーションなど、さまざまな分野で新たな可能性を切り開いてきました。これらのインタラクティブセッションを確実にスケールするため、Visko は 2026 年 8 月に Google Cloud TPU エンジニアと提携し、Orbis ライブパイプラインを Google の Tensor Processing Unit（TPU）に移植しました。30 日足らずで、完全なマルチモーダルパイプラインが TPU 上でリアルタイムに実行されるようになりました。

Visko の目標は、人々がリアルタイムで参加して形作ることができる、新世代のインタラクティブな世界の基盤となることです。厳密な時間的制約のもとで動画と音声を連続ストリーミングすることは、オフラインのクリップ生成とは根本的に異なるシステム上の課題です。Google Cloud の TPU エンジニアと協力して、Visko は Orbis パイプライン全体をわずか 30 日で TPU に移行しました。これにより、ライブモデルをクリエイターやデベロッパーに大規模に提供するために必要な低レイテンシのコンピューティングとメモリ帯域幅を確保できました。

「Visko は、リアルタイムで制御できる、新しいタイプのワークロードを Cloud TPU エコシステムにもたらしています。JAX、torchax、カスタム Pallas カーネルを活用し、単一の TPU スライス上でライブマルチモーダルパイプラインを共同開発したことで、リーンスタートアップチームが PyTorch プロトタイプから Google Cloud の AI Hypercomputer 上で 1.07 倍の再生速度でレンダリングするまでに、いかに素早く到達できるかを証明しました。」– Google Cloud、AI 担当デベロッパーアドボカシー責任者、Dave Elliott

ライブ動画は厳しい時間的制約との戦い

オフラインのクリップ生成サービスを提供する場合、レイテンシはそれほど問題になりません。バックエンドがフレームを処理する間、ユーザーは一度だけ待てばよいからです。ライブ世界モデルには待合室がありません。

セッションが実行されている限り、すべてのチャンクをリアルタイムの再生速度よりも速く、ノイズ除去、潜在空間からのデコード、1664x936（18 fps）へのアップスケール、生成された音声とのペアリングを行う必要があります。

ライブ世界モデルは、2 つの構造上の制約により、標準的なバッチ推論よりもはるかに高い要件が求められます。

バッチサイズが 1: 各ライブ配信は、個々の視聴者によるインタラクティブセッションとなります。数十の同時リクエストを巨大なバッチにまとめることでレイテンシを隠す、という手は使えません。これは、AI アクセラレータの稼働率を限界まで高めるための定石アプローチです。
厳密な順次依存関係: すべてのチャンクが、その前のチャンクに直接依存します。動画モデルは、チャンク N+1 がチャンク N のアクションをスムーズに引き継げるように、直近の動画潜在変数のローリングメモリとして保持します。そのため、チャンクを順不同で事前レンダリングしたり、将来のタイムスタンプにわたって並列化したりすることはできません。

LLM サービングの経験を持つスタートアップのインフラストラクチャエンジニアにとっては、ライブ世界モデリングを 1 秒あたりのトークン数というスループットベンチマークではなく、ステップごとの厳格なレイテンシ SLO として捉えると理解しやすくなります。

単一の TPU スライスでマルチモーダルパイプラインを構築する

Visko の規模が拡大してもインフラストラクチャを無駄なく費用対効果の高い状態に保つため、チームは、BF16 精度で実行される単一の Cloud TPU スライス上で 3 つの異なる生成モデルをチェーンするライブパイプラインを設計しました。

視聴者が最初のプロンプトを送信するか、ライブステアリングを更新すると、3 つの生成モデル（コア動画拡散モデル、超解像アップスケーラー、音声生成ツール）すべてが同じチップを共有し、チャンクごとにハードウェアを交代で使用します。

図 1: Visko のエンドツーエンドの Orbis ライブパイプラインは、動画拡散、潜在デコード、超解像アップスケーリング、純粋な JAX 音声生成を単一の Cloud TPU スライス上で順次チェーンし、各チャンクを再生速度よりも速く完了します。

スタートアップならではの迅速なイテレーションとベアメタルアクセラレータの処理速度を両立させるため、このソフトウェアスタックは 3 つのオープンソースを柱として構築されています。

JAX: アクセラレータ向けの Google の高性能 Python 配列ライブラリ。XLA コンパイラによって最適化されたマシンコードにコンパイルされます。
torchax: JAX を介して Cloud TPU 上で PyTorch モデルを直接実行する相互運用レイヤ。スタートアップチームは、既存の PyTorch コンポーネントを、ゼロから書き直すことなく移行できます。
Pallas: JAX の TPU 向けカスタムカーネルプログラミング言語。

リアルタイムのパフォーマンスの内訳: タイムリミット

エンジニアリングチームは、単一スライス上にて BF16 精度で各ステージのプロファイリングと最適化を行い、ライブストリーミング中の変動を吸収するための約 7% のヘッドルームを確保しつつ、チャンクあたりの合計レイテンシを目標以下に抑えることに成功しました。

図 2: 1 つの TPU スライスにおけるチャンクあたりのレイテンシバジェットのグラフ。

動画のノイズ除去はコンピューティング予算全体の 3 分の 2 近くを占めるため、この段階がカーネルと並列処理の最適化の主な焦点となりました。

スタックの内部: リアルタイムストリーミングを実現した 3 つの最適化

1. すべての TPU チップ間での Ulysses コンテキスト並列処理

動画チャンクは、動画トランスフォーマー内で時空間トークンの膨大なシーケンスに展開されます。バッチサイズ 1 で TPU チップ全体にワークロードを分散するために、チームは Ulysses コンテキスト並列処理を実装しました。

Ulysses は、モデルの重みを分割するのではなく、トークンシーケンスをチップ間で分割します。アテンションレイヤの直前で、高速なオールツーオール相互接続交換によりテンソルが再グループ化され、各チップが動画シーケンス全体を保持するようになります。ただし、処理するのはアテンションヘッドの 4 分の 1 のみに限定されます。各チップが割り当てられたヘッドのシーケンス全体にわたってアテンションを計算した後、2 回目のオールツーオール交換により、フィードフォワードレイヤのシーケンス分割レイアウトが復元されます。

図 3: バッチサイズ 1 での TPU チップ間の Ulysses コンテキスト並列処理。高速なオールツーオールチップ間相互接続（ICI）により、フィードフォワードレイヤのシーケンス分割レイアウトと Pallas スプラッシュアテンションのヘッド分割レイアウトの間で遷移テンソルが交換されます。

2. MaxDiffusion のカスタム Pallas スプラッシュアテンション

アテンション計算自体を高速化するために、チームは Cloud TPU 上の拡散モデル向け Google Cloud オープンソースリファレンスライブラリである MaxDiffusion から、カスタム Pallas スプラッシュアテンション カーネルを統合しました。

スプラッシュアテンションは、FlashAttention スタイルのタイリングを TPU アーキテクチャに導入します。高帯域幅メモリ（HBM）で二次関数的に膨らむアテンション行列を実体化するのではなく、超高速のオンチップ VMEM 内に収まるコンパクトなタイル単位でアテンションを計算します。スタートアップチームは、custom_splash_attention.py を介して、この移植で使用されているカーネルをそのまま独自のパイプラインに組み込むことができます。

3. torchax から純粋な JAX に移行することで、音声処理が 5.8 倍高速化

まず、3 つの Orbis モデルすべてを Cloud TPU に移行しました。その際、JAX と XLA を介して TPU 上で PyTorch コードを書き換えなしで実行できる torchax を使用しました。動画モデルとアップスケーリングモデルでは、torchax と Pallas アテンションカーネルを組み合わせることで、レイテンシの目標を直接達成できました。最終的なパイプラインでは、どちらも torchax に残っています。

書き換えが必要だったのは音声モデルだけでした。音声ステージを torchax からネイティブ JAX に移行することで、5.8 倍高速化し、パイプライン全体を再生期限内に完了できるようになりました。

AI ビルダーのためのフィールドノート: Cloud TPU のレッスン

Cloud TPU でのライブマルチモーダル推論のチューニングから得られた学び:

単一ストリーム動画の Ulysses コンテキスト並列処理: バッチサイズ 1 では、オールツーオール相互接続交換を使用してチップ間でトークンシーケンスを分割する方が、テンソル並列処理とリングアテンションの両方よりも高速でした。
連続ストリームにおけるネイティブ BF16: FP8 量子化によりメモリ帯域幅の負荷は軽減されますが、連続ストリームの複数のチャンクにわたって小さな量子化エラーが蓄積されます。ネイティブ BF16 は、レイテンシバジェット内で視覚的な品質を維持しました。
JAX への選択的な移植: torchax では、動画モデルとアップスケーリングモデルを PyTorch に残し、ネイティブ JAX で音声のボトルネックのみを書き直しました。
XLA コンパイルのキャッシュ保存: 最初の起動時に、XLA グラフのコンパイルに数分かかります。コンパイルされたアーティファクトをキャッシュに保存することで、ワーカーの再起動が 1 分未満に短縮されます。

Cloud TPU でリアルタイム生成モデルを構築している場合は、ここから始めましょう

ライブ動画、世界モデル、超低レイテンシのマルチモーダル推論の限界に挑戦しているスタートアップは、Visko の移植を支えたのと同じツールキットを使用して構築できます。

すぐに使える拡散アテンションの高速化: このコラボレーションで使用されたオープンソースのスプラッシュアテンションカーネルを MaxDiffusion から入手し、 Pallas のドキュメントを参考にしてカスタム TPU カーネルを作成できます。
PyTorch を迅速に移行し、選択的に最適化する: torchax を使用して既存の PyTorch モデルを TPU に迅速に移行し、Cloud TPU Profiler でボトルネックを特定して、レイテンシが重要なステージをネイティブの JAX に移植します。
オンデマンドで TPU をスピンアップ: TPU Flex Start VM を使用して、長期予約なしで、短期間の開発やベンチマーク実行のために TPU 容量をプロビジョニングします。
Google for Startups でビジネスを拡大: クラウドクレジット、技術メンターシップ、Google Cloud の AI Hypercomputer スタックへのアクセスを希望する初期段階の AI スタートアップは、 Google for Startups クラウドプログラムにお申し込みいただけます。

緊密な技術パートナーシップを築いてくれた Visko.ai チームと、プロジェクトを主導した Google Cloud TPU エンジニアの Yixin Shi 氏、James Huang 氏、Elisa Tsai 氏に感謝します。

- Visko、CEO、Will Yin 氏

- Google Cloud、デベロッパーリレーションズエンジニア、Ivan Nardini

サイバーエージェント: Cloud Run や Agent Development Kit を活用し、クリエイティブ生成 AI プラットフォーム「AI SCREAM」のエージェント化を推進

Fri, 23 Oct 2026 02:00:00 +0000

株式会社サイバーエージェントは、広告領域での活用を想定した社内向けクリエイティブ生成 AI プラットフォーム「AI SCREAM（アイスクリーム）」を、Google Cloud 上に構築し、約 3 年にわたって運用してきました。2025 年には Agent Development Kit（ADK）を活用したエージェント基盤を追加し、画像を作るための「道具」から、制作ワークフローを支援する「仕組み」へと進化させることに成功しています。その開発キーマンに、3 年間の総括と今後の展望を伺いました。

利用しているサービス:
Cloud Run、Pub/Sub、Veo、Imagen、Nano Banana など

利用しているソリューション:
生成 AI

独自プラットフォーム「AI SCREAM」で全社員に生成 AI を届ける

AI SCREAM は、動画生成 AI の Veo や、画像生成 AI の Imagen、Nano Banana（Gemini Flash Image / Pro Image 等）など、社内審査を経て商用利用可能な複数の生成 AI モデルを統一された UI 上で横断的に活用できる、サイバーエージェント独自のクリエイティブ生成AIプラットフォームです。広告制作などで必要となる静止画や動画、音声といった素材の作成から、それらを組み合わせた最終アウトプットまでを、誰もが手軽に行える仕組みを提供しています。

AI SCREAM 開発責任者の瓜生和也氏は、その出発点は「生成 AI を使いたくても使えない人が社内に大勢いたこと」だったと振り返ります。

「2023 年当時、画像生成 AI 活用の機運は高まり始めていましたが、導入と利用には高度な専門知識が求められており、エンジニア以外のクリエイターや営業担当者は、到底手の出せない状況でした。そうした『壁』を取り払い、全社員に生成 AI を届けることが、このプロジェクトの目的となっています。」（瓜生氏）

2023 年 10 月、VM 1 台でスモールスタートした AI SCREAM は、2024 年 1 月に全社展開を見据えたリアーキテクチャを実施します。Cloud Run で動くフロントエンド／バックエンドと、推論ワーカーの VM 群の間に Pub/Sub を挟み、非同期の境界で疎結合にする構成に作り替えることで、より多くの社員が快適に使えるようになりました。

「インフラ層においては、社員約 8,000 人のうち 3 割、約 2,400 人が日常的に使うところまでスケールさせたいという事業要求に応えることが求められていました。一方、当時の GPU モデルは容量が大きく、1 つの VM に複数モデルを載せるのは現実的ではないという物理制約もありました。そこで、この両方の要件を満たすために、モデルごとに VM を分け、Pub/Sub のメッセージ流量で水平にスケールさせる構成にしています。事業要求と物理制約を先に見込んで Pub/Sub の境界を作り込んだおかげで、その後モデルが増え続けても、基本的にこの境界は触らずに済みました。」（瓜生氏）

（2024 年 1 月全社展開に向けたリアーキテクチャ）

アプリケーション層では、異なるアプローチが採られています。2024 年 6 月には「2 週間に 1 つ、新しいモデルを提供する」という目標を設定。常に新しい生成 AI を試せること自体を価値と捉えて過度な共通化を避け、推論ワーカーのテンプレート化やコピーも意図的に許容しました。これにより、次々に登場する新たなモデルに迅速に対応することが可能になりました。瓜生氏は、わずか 3 年で 30 を超えるモデルを導入できたのも、この判断があったからだと言います。

「ただし緩めたのは実装の部分だけで、アーキテクチャ設計とデータ設計は守りました。何でも緩めたのではなく、緩める粒度を選んだというのが正確な表現だと思います。」（瓜生氏）

（2024 年 7 月〜 Stable Image Core / Ultra で初の API 連携での生成 AI モデル導入）

エージェント化によって営業メンバーもクリエイティブ制作の担い手に

次の転機となったのが AI エージェント機能の追加です。もともと社内では 2024 年 6 月頃から、クリエイティブ制作をエージェンティックにできないかという要望がありました。これを受けて 2025 年 3 月に検証が開始され、翌 4 月には、Google がリリースしたオープンソースのエージェント開発フレームワーク「Agent Development Kit（ADK）」の採用を決定。そのわずか 3 か月後の 2025 年 7 月に、エージェント基盤をリリースしています。

「ADK を選んだ理由は 3 つあります。オープンソースかつ Google の長期サポートが見込めること、Agent2Agent（A2A）プロトコルというエージェント間連携の仕組みが設計に組み込まれていること、そして Google Cloud のマネージドサービスと親和性が高いことです。」（瓜生氏）

短期間でのリリースを可能にしたのは、新規構築と既存資産の見極めでした。エージェント基盤そのものは ADK、Cloud Run、PostgreSQL で別アプリケーションとしてゼロから設計したのに対し、画像生成については既存基盤をそのまま呼び出す形にしたのです。現在稼働する主なエージェントは、プロンプトから画像を生成する「画像生成」、画像内のテキストを差し替える「ブラッシュアップ」、LP（ランディングページ）や参考画像をもとに広告バナーを作る「バナー生成」、アスペクト比に合わせてレイアウトを組み替える「リサイズ」の 4 種類。これらはすでに現場での活用が進んでいます。

「2026 年 4 月にはエージェント機能を用いて約 1 万枚の広告クリエイティブが生成され、そのうち約 20% にあたる約 2,000 枚が実用候補としてダウンロードされました。従来、生成機能のダウンロード率は 7～8% 程度だったので、予想以上の数字だったと言えるでしょう。利用の拡大は、用途が明確なリサイズ機能に牽引されている面もありますが、バナー生成単体でもダウンロード率は 10% 弱となっています。素材生成が中心だった従来の生成機能より、バナー生成やリサイズなど制作工程をより先まで進められるエージェント機能の方が、ダウンロードにつながりやすい傾向が見られます。」（瓜生氏）

エージェント機能の提供開始により、営業担当者が自らバナーを制作し、それを叩き台に広告主企業とすり合わせたりするといった事例も生まれ始めました。まだ制作・外注コストの削減効果までは確認できていないものの、生成 AI の利用者をクリエイター以外の職種にも広げられたことは、エージェント化がもたらした大きな成果と言えます。

（アーキテクチャ全体像）

より対話的な体験を追求、そして社外への展開も開始

2 度の大きなアップデートで実用性を高め、サイバーエージェント社内に根付いた AI SCREAM。2025 年 2 月から 2026 年 6 月までの間に生成された成果物は累計 160 万点を超え、制作時間は従来比で約 3 割も短縮されています。瓜生氏はその実績を踏まえたうえで、これから AI SCREAM が目指すのは、エージェントをむやみに増やすことではなく、さらに品質を高め、実際の制作業務のニーズに応えていくことだと説明します。

「たとえばクライアント様のロゴや商品画像は原則として改変してはならない要素です。守るべきところはしっかりと守った上で、それ以外の部分を生成 AI で加工し、バナーとして成立させていく取り組みを進めています。」（瓜生氏）

そしてもう 1 つ、今後の AI SCREAM の進化の軸として検討されているのが、より対話的な制作体験の実現です。現在のバナー生成は、制作に必要な情報をフォームに入力すると生成結果が返ってくる仕組みで、その後も AI と継続的に対話しながら、制作を進める仕組みにはなっていません。しかし実際の制作現場では、関係者とのやり取りのなかでバナーの方向性を固め、フィードバックを受けて修正を重ねながら仕上げていくプロセスです。瓜生氏は、AI とやり取りを重ねながら仕上げていく体験に近づけることで、AI SCREAM の「次」が見えてくるのではないかと語ります。

「エージェントのランタイムやセッションサービスなど、今後実現したい制作体験に必要となる機能は、Google Cloud にすでに揃っていると考えています。今後はこれらを上手に活用しながら、AI SCREAM をより良いものにアップデートしていきたいですね。Google Cloud には今後も、より高精度な画像生成・動画生成モデルの提供を期待しています。」（瓜生氏）

サイバーエージェントは、こうして社内で磨き上げてきた AI SCREAM の企業向け提供を、2026 年 8 月に開始しました。AI クリエイティブ BPO 事業の専門チームが、導入から運用定着、制作体制の構築まで一貫して伴走するなど、大規模な SaaS として一気に利用拡大を図るのではなく、顧客とコミュニケーションを取りながら丁寧に展開していく方針を打ち出しています。

株式会社サイバーエージェント
「21 世紀を代表する会社を創る」をビジョンに掲げ、1998 年に設立。国内最大級のインターネット広告代理事業をはじめ、メディア & IP 事業、ゲーム事業を主軸とした多岐にわたる事業を展開している。従業員数は 8,878 名（連結子会社含む。2026 年 6 月時点）。

インタビュイー
AI クリエイティブカンパニー
AI SCREAM 開発責任者
瓜生和也氏

▼ セッション動画を観る
本事例のインタビュイーによるセッション動画が公開中です。あわせてご覧ください。
【Next Tokyo 26 セッション】SDXL から AI エージェントへ: クリエイティブ AI プラットフォーム 3 年間の設計判断

▼他の導入事例記事を読む

その他の Google Cloud 導入事例はこちらをご覧ください。

Google Cloud がモデルの選択肢と柔軟性を拡充、OpenAI モデルを提供開始

Thu, 22 Oct 2026 01:00:00 +0000

※ この投稿は米国時間 2026 年 10 月 22 日に Google Cloud Blog に投稿されたものの抄訳です。

Google Cloud は、選択肢の豊富さ、エンタープライズレベルのガバナンス、そして業界トップクラスのコストパフォーマンスで高く評価されてきました。このオープンで柔軟な基盤において重要となるのが、コスト、能力、パフォーマンスの最適なバランスを実現するために、お客様が選択したモデルやインフラストラクチャを横断して、エージェントティックなワークロードを柔軟に実行できるようにすることです。本日、 Google はこの基盤を拡張するために、Google Cloud のモデルガーデンにおいて OpenAI モデルの提供を開始したことを発表しました。

Google Cloud は、統合されたエンタープライズ AI プラットフォーム上で、200 以上のファーストパーティ、サードパーティ、およびオープンモデルに加え、3 つの主要クローズドソース LLM へのアクセスを提供するハイパースケールクラウドプロバイダーとなります。

あらゆるワークロードに最適なモデルを

現代のエンタープライズ AI において、すべてのタスクを単一のモデルに依存するのではなく、それぞれのワークロードに適したモデルを組み合わせることが不可欠です。OpenAI の最新モデルをモデルガーデンに組み込むことで、エンタープライズにおけるあらゆるワークロードに対応する幅広い選択肢を提供します。OpenAI モデルについて：

GPT-6 Astra: コーディング、コンピュータの操作、専門的なタスク、および科学研究にわたる、高度な要求を伴う業務向けに設計
GPT-6.1 Sol: エージェンティックコーディング、コンピュータ操作、専門的業務において、より低いコストで Astra に近いレベルの知能を実現
GPT-6 Luna: 大規模な日常業務に最適な高速かつ低コストモデル

お客様はこのプラットフォームを活用することで、アーキテクチャの制約や個別のベンダー契約に縛られることなく、パフォーマンス、レイテンシ、費用対効果に応じた最適なモデルを、あらゆるユースケースに合わせて動的に選択し、切り替えることができます。開発者は、モデルガーデン上の数百もの選択肢を活用して自由に開発を進められます。また、OpenAI モデルは Google Cloud Marketplace を通じて直接取引されるため、すべての利用実績が単一の Google Cloud の請求書にまとまり、既存のクラウドコミットメントの消化に充てられるほか、モデルプロバイダーを横断した Flexible Savings Plans（FSP）の対象としてもカウントされます。

組み込みのデータガバナンスとエンタープライズセキュリティ

生成 AI の規模を拡大するにあたり、コンプライアンスやセキュリティを犠牲にする必要はありません。Gemini プラットフォームはエンタープライズガバナンスを念頭に構築されており、現在、世界をリードする多くの組織から信頼を得ています。サードパーティや OpenAI のワークロードを実行する際にも、厳格なエンタープライズ基準を確実に満たすよう徹底しています。

厳格なデータ境界: お客様のプロンプト、コンテキスト、出力結果は、指定されたデータ境界内に完全に保持され、基盤モデルのトレーニングに使用されることは決してありません。また、データを保持しないゼロリテンションオプションも近日中に選択可能になる予定です。
分離されたアクセス境界: OpenAI モデルは、近日中に Confidential Compute 上に構築された専用の Google Cloud インフラストラクチャ上で動作するようになる予定です。すべてのクエリは堅牢化された独立ゲートウェイを経由してルーティングされるため、データ転送は Google Cloud の安全な環境内のみに留まり、サードパーティのモデルプロバイダーがお客様のクラウド環境に不正アクセスすることはありません。
統合された監査とアイデンティティ: エージェントおよびモデルとのすべてのやり取りは認証済みのアイデンティティの下で動作し、IT 管理者に対してエンドツーエンドの可視性、 VPC Service Controls による保護、およびエンタープライズ環境全体にわたる統合された監査ログを提供します。

今すぐはじめるには

Google Cloud のモデルガーデンでは、一部のエンタープライズ顧客を対象に、OpenAI の GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna モデルのプライベートプレビューの提供を開始しており、今後さらに提供範囲を拡大する予定です。本日より、お客様は Google の API を通じてこれらのモデルを活用した構築を行えるほか、ローカルの Codex CLI やデスクトップワークフローを Gemini プラットフォームに直接接続して推論を実行できます。ご関心のある方は、こちらのフォーム（英語）よりお申し込みください。

さらに近日中に、OpenAI モデルが、Google Cloud の Gemini for business および Google Antigravity に登場します。これにより、エンタープライズのお客様や開発者の皆様にモデルの選択肢、柔軟性、そして各タスクに最適なモデルを提供します。

-Michael Gerstenhaber, VP, Product Management, Gemini, Google Cloud

BigQuery で AI 費用を予測可能に: 生成 AI 関数の費用管理のご紹介

Wed, 21 Oct 2026 17:00:00 +0000

※この投稿は米国時間 2026 年 10 月 15 日に、Google Cloud blog に投稿されたものの抄訳です。

BigQuery の生成 AI 関数（AI.GENERATE、AI.IF、AI.CLASSIFY、AI.SCORE など）では、大規模言語モデル（LLM）が SQL に直接組み込まれるため、1 つのクエリで数百万件のサポートチケットを分類したり、感情について各商品レビューにスコアを付けたりできます。ただし、これらの関数はトークン単位で課金されるため、大規模なデータセットで使用する場合は、予算を事前に管理することが重要になります。

Google は先日、BigQuery 生成 AI 関数のトークンベースの費用管理の一般提供（GA）が開始されたことを発表しました。これは、管理者が AI トークン消費にセルフサービスのガードレールを設定できる 1 日あたりの割り当てで、チームは予算内でイノベーションを推進できるようになります。このブログ投稿では、BigQuery の生成 AI 関数の費用管理の概要を示し、いくつかの実用的な例と、利用を開始する際に役立つリソースをご紹介します。それでは詳しく見ていきましょう。

費用を管理するための割り当て

Google Cloud Identity and Access Management（IAM）割り当てシステムで管理される 1 日あたりの割り当ては 4 種類あり、プロジェクト レベルおよびユーザーレベルでの管理が可能です。ユーザーごとの上限は、組織全体ではなく、プロジェクト内の各ユーザーに適用されます。

割り当て名	指標	範囲	デフォルト値
1 日あたりの AI 入力トークン数	LLM で使用される入力トークン数	1 日あたり、プロジェクトごと	2,000 億
ユーザーごとの 1 日あたりの AI 入力トークン数	LLM で使用される入力トークン数	1 日あたり、プロジェクトごと、ユーザーごと	1,500 億
1 日あたりの AI 出力トークン数	LLM で使用される出力トークン数と思考トークン数	1 日あたり、プロジェクトごと	200 億
ユーザーごとの 1 日あたりの AI 出力トークン数	LLM で使用される出力トークン数と思考トークン数	1 日あたり、プロジェクトごと、ユーザーごと	150 億

詳細:

割り当てはグローバルです。使用量はすべてのリージョンで合計されるため、監視していないリージョンで費用が気づかないうちに積み上がることはありません。
出力割り当てには「思考」トークンが含まれます。推論トークンは、Gemini プラットフォームの請求にカウントされるのと同様に、出力割り当てにカウントされます。

対象となる関数

割り当ては、LLM を利用した生成を行う以下の BigQuery 関数に適用されます。

AI.GENERATE
AI.GENERATE_TABLE
AI.GENERATE_TEXT（およびそのエイリアス ML.GENERATE_TEXT）
AI.CLASSIFY
AI.IF
AI.SCORE
AI.AGG

対象外: AI.GENERATE_EMBEDDING（ML.GENERATE_EMBEDDING としても利用可能）や AI.EMBED などのエンベディング関数は、大幅に費用が低い別のモデルで実行されるため、これらの割り当ての対象にはなりません。

割り当ての管理

管理者は、ワークロードの変化に応じて、Google Cloud コンソールで直接割り当てを確認、調整できます。サポートケースは必要ありません。

[IAM と管理] → [割り当てとシステム上限] に移動します。
サービスでフィルタし、[BigQuery API] を選択します。
[名前] 列で並べ替えて、4 つの AI 割り当てを一番上に表示します。

[IAM と管理] → [割り当てとシステム上限] で生成 AI トークンの割り当てを確認。

4. 割り当て（1 日あたりの AI 入力トークン数など）を見つけます。

5. その他メニューを開き、[割り当てを編集] を選択します。

次の操作を行います。

費用管理を厳しくするには、割り当てを減らします。これはすぐに有効になり、承認は必要ありません。
使用量の増大に対応するには、同じページから増加をリクエストします。多くのリクエストは自動的に承認されますが、大幅な増加の場合は簡単な審査が行われることがあります。

[IAM と管理] → [割り当てとシステム上限] で生成 AI トークンの割り当てを編集。

適切な権限が必要です。オーナー、編集者 、割り当て管理者（roles/servicemanagement.quotaAdmin）、Service Usage 管理者（roles/serviceusage.serviceUsageAdmin）のいずれかが必要です。

自動化をご希望の場合は、Cloud Quotas API、gcloud CLI、Terraform を使用してこれらの割り当てをプログラムで管理し、プロジェクト全体に一貫したガードレールを適用することもできます。

使用量のモニタリング

[割り当てとシステム上限] ページでは、上限を設定できるだけでなく、トークン消費量の履歴も表示されるため、急増をすばやく検出して予算を適正化できます。これらの傾向から、新しい生成 AI ワークロードとデータパイプラインがトークンの全体的な使用量に与える影響を確認できます。

[IAM と管理] > [割り当てとシステム上限] に表示された、生成 AI トークンの割り当てに対するプロジェクトレベルの 1 日あたりのトークン使用量。

7 日間、14 日間、30 日間、カスタムの期間を選択できる長期的な使用量グラフ。

詳しい手順については、トークン割り当てによる費用の管理に関する BigQuery のドキュメントをご覧ください。

トークン割り当てと費用上限

Google Cloud の費用ガードレールは、トークン割り当てだけではありません。

トークン割り当て（この機能）は、予防的で AI 固有のものです。BigQuery はクエリ実行中のトークン使用量を追跡し、上限に近づくと処理を停止します。上限はプロジェクトごと、ユーザーごとに個別に設定されます。
Cloud Billing の費用上限は、プロジェクトレベルとサービスレベルでドル単位で設定され、しきい値に達すると自動的に使用をブロックできます。これは、使用量を正確に管理するものではなく、財務上の広範な安全策です。また、適用が即座に行われないため、超過料金が発生する場合があります。

AI 費用の最初の防御策としてトークン割り当てを使用し、プロジェクト全体のセーフティネットとして費用上限を使用します。

適用の仕組み

割り当ては、上限を超えてクエリを実行するのではなく、処理を停止することで適用されます。クエリは、必要な割り当てがすでに使い果たされている場合にのみ、事前に拒否され、その際に QuotaExceeded エラーが発生します。それ以外の場合はクエリが開始され、クエリの途中で割り当てがなくなると、BigQuery は新しい LLM 呼び出しの送信を停止します。

max_error_ratio をサポートする関数（AI.IF など）は、未処理の行が比率内に収まっている場合は部分的な結果を返し、そうでない場合は失敗します。
汎用関数（AI.GENERATE など）は成功します。ただし、スキップされた行には生成された値がなく、status フィールドには割り当て超過エラーが含まれます。

詳細については、ドキュメントの割り当ての適用動作をご覧ください。

入力データのサイズ設定: `AI.COUNT_TOKENS`

割り当て値を選択するには、ワークロードがモデルに送信するテキストの量を把握しておくと便利です。それに役立つのが AI.COUNT_TOKENS 関数です。

AI.COUNT_TOKENS は、課金対象の生成呼び出しを行わずに、モデルのトークナイザーがテキスト文字列に対して生成するトークンの数を返します。列に対してこの関数を実行して、入力データを測定します。

code_block: <ListValue: [StructValue([('code', "-- Count the input text tokens for each product review\r\nSELECT\r\n SUM(\r\n AI.COUNT_TOKENS(\r\n CONCAT('Classify the sentiment of this review as positive, negative, or neutral: ', review_text),\r\n\r\n endpoint => 'gemini-3.1-flash-lite').result) AS total_input_tokens\r\nFROM\r\n `my_project.my_dataset.product_reviews`;"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8f512aa550>)])]>

この数は、入力トークンの下限です。出力トークンや思考トークン、各 AI 関数が入力に追加する指示、画像などのテキスト以外の入力は含まれません。次の目的でこの関数を使用します。

ワークロードを起動する前に、ワークロードの入力側を測定する。
実際の入力と出力の使用量を測定する小規模なサンプル実行と組み合わせて、割り当てを適正化する。
モデルについて公開されている Gemini プラットフォームの料金を使用して、トークンをドルに換算する。

トークンから予算まで: 具体例

たとえば、Gemini 3.1 Flash-Lite モデルを使用した、プロジェクトの 1 日あたりの AI 費用を $100 程度に抑えたいとします。現時点で公開されている料金は以下のとおりです（BigQuery はバッチ処理を行うため、50% 割引が適用されます）。

入力トークン: 100 万トークンあたり $0.125
出力トークン（回答 + 推論）: 100 万トークンあたり $0.75

小規模なサンプル実行で、入力トークンと出力トークンの比率が平均 100:1 であることがわかった場合、1 日の予算を次のように計算できます。

code_block: <ListValue: [StructValue([('code', 'Cost: 0.125 × I + 0.75 × O = 100 (I, O in millions of tokens)\r\nRatio: I = 100 × O'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8f50c3c8d0>)])]>

この計算式で計算すると、1 日あたり約 7 億 5,400 万の入力トークンと 754 万の出力トークンになります。1 日あたりの AI 入力トークン数と 1 日あたりの AI 出力トークン数をこれらの値に設定して、プロジェクトの費用を 1 日あたり約 100 ドルに抑えます。プロジェクトで異なる料金のモデルを使用する場合は、モデルごとに予算を設定するか、平均料金に基づいて予算を設定します。

AI 費用管理のベストプラクティス

ユーザーごとの割り当てから始めます。これにより、1 人のユーザーや暴走したテストによってプロジェクトの予算が使い果たされるのを防ぐことができます。
規模を拡大する前に測定します。AI.COUNT_TOKENS を使用して入力のサイズを測定し、使用量グラフで小規模なサンプル実行を確認してから、上限を設定します。
出力側を意識します。出力トークンは費用が高くなります。関数で max_output_tokens を使用できる場合は、生成の長さを制限するように設定します。
モニタリングと反復処理を行います。実際の使用量と予算の変化に応じて上限を調整します。

使ってみる

トークンベースの費用管理が利用可能になりました。手順は次のとおりです。

Google Cloud コンソールで [IAM と管理] → [割り当てとシステム上限] を開き、[BigQuery API] でフィルタします。
AI 関連の 4 つのトークン割り当てを確認し、予算に合った上限を設定します。
AI.COUNT_TOKENS を使用して、入力データのサイズを測定します。

詳細については、生成 AI の費用の管理に関するドキュメントをご覧ください。

トークンベースのガードレールを導入することで、組織が必要とする費用の予測可能性を確保しながら、BigQuery で生成 AI を使用できます。

- ソフトウェアエンジニア、Tushar Jaiswal

- デベロッパーアドボケイト、Alicia Williams

Google Cloud で Gemini 4 Argon が利用可能に：ビジネスの最も困難な課題解決をサポート

Wed, 21 Oct 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 10 月 14 日に、Google Cloud blog に投稿されたものの抄訳です。

先週、Google は Gemini Enterprise が進化し、業務をさらに簡単に完了できるようになったことを発表しました。また、あらゆる業務に対応する新しい万能エージェント、Gemini エージェントも紹介しました。常時稼働しており、いつでも質問に答えてくれます。コードの生成、より長く複雑なタスクの処理、業務を遂行するために必要なあらゆる作業を、すべて 1 つのプロンプトボックスから実行できます。そして、そのすべてをモデルインテリジェンスが支えています。

新たな働き方を実現するため、Google は新しいフロンティアモデルである Gemini 4 Argon を Google Cloud で提供開始します。

Argon は、高度な思考力と正確性を併せ持つようにトレーニングされています。そのため、複数のステップからなる長いタスクでも一貫してコンテキストを維持でき、専門的な知識を活用しながら処理を進めることができます。チームが複雑なソフトウェアビルドを実行する場合も、財務や法務の詳細な作業を処理する場合も、CodeMender のようなサイバーセキュリティツールを導入する場合も、Argon はチームが最初から最後まで集中して作業を進められるよう支援します。

Gemini 4 Argon をご利用中のお客様とパートナー

Argon がビジネスのあり方を変える 4 つの方法

1. 面倒な作業を委任可能

皆様のチームでも、質問への回答やコンテンツの下書きに Gemini for Business をすでにご活用いただいているかと思います。Argon を使用すると、これまで数時間から数日かかっていた、複数のステップからなる複雑な作業を任せ、すぐに使える完成した成果物を受け取ることができます。

Argon は、テキスト、表、グラフ、画像が混在する長文ドキュメントを読み取り、それらのソースを確実な根拠とした 1 つの明確なアウトプットを生成します。多数のソースから得られた知見を 1 つの構造化された回答にまとめ、経時的なデータ分析を行い、法務、財務、経営に関するより完成度の高い文書を作成できます。時間のかかるタスクであっても、処理が完了するまで途切れることなく実行し続けます。Argon は、システムの権限や制約を遵守し、ネガティブな検出結果も隠さず報告し、元に戻せない操作を行う前には必ずユーザーの確認を挟むようトレーニングされています。また、目的のデータが見つからなかった場合やタスクを完了できなかった場合も、その旨を明確に通知します。

Argon をテストしたお客様からは、膨大な非構造化データをまとまりのあるアウトプットに変換する能力が非常に優れている、という声が寄せられています。

「ソフトウェア開発がよりエージェント指向になるにつれ、開発ライフサイクルのすべての段階で、長時間にわたるマルチステップの作業をサポートできるモデルがチームに必要になります。Gemini 4 Argon は、組織が開発、セキュリティ、運用の領域に AI を導入する際、既存のエンタープライズワークフローや統制の枠組みを維持できるよう設計されています。」– GitLab、バイスプレジデント、Stuart Moncada 氏

2. ビジネスを推進する重要業務において、正確かつ検証可能な結果を実現

財務、法務、税務をはじめとする規制対象の業務では、計算やデータ抽出における高い正確性、再現性、そして検証可能性が求められます。

財務定量業務において、Argon は複数ステップにわたる元帳照合、スプレッドシートの数式設定、差異分析の自動化をサポートします。定量モデル全体で、計算の整合性、引用の忠実度、数式の精度を高く保ちます。数字がそれを証明しています。Argon は、財務、コーディング、法務、税務の業務における経済効果を測定する Vals Index で首位を獲得しています。

法務調査において、Argon は法務チームによる判例法や規制当局への提出書類の確認をサポートし、検証済みの引用や重要な判例の抽出を支援します。法務調査や文書作成に関する Harvey の Legal Agent Benchmark などの分野固有の評価でトップに立っており、チームが複雑な判例を検討する際にも、正確な引用とともに的確で直接的な回答を提供します

「Gemini 4 Argon は、Google がエージェントによる法的推論においてどれほど進歩したかを示しています。当社の法務エージェント評価では、特に企業の M&A、データプライバシーとサイバーセキュリティ、EC / VC において、Gemini 3.1 Pro と比較して大幅な向上が見られました。長いドキュメントの分析でも精度が維持され、詳細な取引事項を扱う弁護士にとって心強い結果となりました。」– Harvey、応用研究責任者、Niko Grupen 氏

「当社は Google と NowAI-Bench で連携し、Gemini 4 を主要なエンタープライズ業務向けに最適化できるよう協力しました。早期アクセスでは、Gemini 3.8 Flash と比較してタスクの成功率が約 20% 向上し、人事とカスタマーサービスで特に大きな成果を上げました。ServiceNow AI Platform では、当社の L1 サービスデスク AI スペシャリストが、ガバナンスの効いた安全な環境のもとで Google の最先端インテリジェンスを活用し、定型タスクを完全自律型の業務へと変革します。」- ServiceNow、AI プロダクト担当シニアバイスプレジデント、Nenshad Bardoliwalla 氏

3. プロダクトの構築とリリースを迅速化

Argon は、複数のステップからなる複雑なプロジェクトを、最初から最後まで一貫して処理できるよう設計されています。お客様からは、目標を細分化し、進捗状況を追跡し、複数のファイルを同時に更新できるインテリジェンスを求める声が常に寄せられています。

「Gemini 4 Argon は、3D ゲームからリッチなアニメーションまで、複雑なタスクを確実に処理します。Figma Make では、チームが抱く複数のステップに及ぶ最も野心的なアイデアを、魅力的なプロトタイプとして具現化するのを強力にサポートします。」- Figma、最高デザイン責任者、Loredana Crisan 氏

Argon がこうした高度な処理をどれほど優れてこなせるか検証するため、Google 自身のツールで実際に活用してみました。Google のオープンソース Agent Development Kit（ADK）の開発チームは、既存のアプリケーションとの完全な互換性を維持しながら、フレームワークのオーバーヘッドを削減し、コードのパフォーマンスを向上させることに取り組みました。Argon は、自動テストのガードレールのもと夜間に自律的に動作し、コードの最適化ポイントを見つけ出しました。この最適化は現在 google/adk-python に反映されており、長時間のセッションにおけるインメモリセッション準備時間を 40% 短縮し、コールドインポートを 21% 高速化させています。詳細については、こちらのエンジニアリング詳細解説をご覧ください。

Google 全体で、Google Antigravity 上で Argon を活用しているエンジニアリングチームは、エージェントによるコード提出量を 35% 以上増加させつつ、コードのロールバックをほぼ 3 分の 1 削減しました。Chrome チームは Argon を使用して、Chromium の 4,000 万行のコードベースにある数百ものファイルにわたるアーキテクチャリファクタリングを行い、数か月かかる作業をわずか数週間で完遂しました。Argon は空間推論、数学的精度、ビジュアルコーディングが向上しているため、アイデアから実用的なプロトタイプをより迅速に作成できます。

より高度なアルゴリズムについては、コード最適化および検出エージェントである AlphaEvolve が Argon を使用して、工場のスケジューリング、ロジスティクス、ゲームコードの高速化、チップレイアウトなどの実際のエンタープライズワークロードや、複雑な数学的ベンチマークなどで、大幅なパフォーマンス向上を実現しています。

Argon を最大限に活用する方法については、デベロッパーガイドをご覧ください。

4. コードとビジネスの防御を強化

Argon には、ペネトレーションテストや悪用などの攻撃的なタスクをブロックするサイバー攻撃緩和策が備わっていますが、CodeMender を使用して脆弱性を発見および修正したり、独自のセキュリティハーネスで Argon を使用したりすることで、その防御機能を最大限に活用できます。CWE-Bench v1 では、セキュリティの脆弱性の修復において最高スコアの 68% を獲得し、1 位タイとなっています。

「当社では、MarketingX に Gemini 4 Argon を統合して、コードベースのセキュリティ監査を自動化しています。当社の評価では、検証された指摘事項において、モデルは最優先で対応すべき脆弱性を 100% 特定し、架空の脆弱性の誤検知は 0% でした。この精度により、デプロイ前にコードレベルでプロアクティブなセキュリティを確保できます。」- HubX、AI ラボ最高 AI 責任者、Yunus Emre 氏

セキュリティとは、自社の環境内で Argon を信頼できることも意味します。Argon は、悪意のある指示やコンテキストを使用してモデルの動作を乗っ取る間接的なプロンプトインジェクションに対して、これまでで最も高い耐性を備えたモデルです。Gray Swan の間接プロンプトインジェクションベンチマークでトップに立ち、15 回のアダプティブ攻撃の成功率を 0.7% にまで低減しました。これは、悪意のある指示が隠されている可能性のあるメール、ドキュメント、ウェブページを Argon が読み取る場合に重要です。

また、サイバーガードレールなしの Argon を、信頼できる一部の防御者に提供しています。これにより、サイバーセキュリティ機能の全範囲をテストできます。信頼できる防御者は、Fairwind プログラムを通じて審査されます。このプログラムは、政府機関、重要インフラ、サイバーセキュリティパートナーに、高度なモデルへの独占的かつ無制限のアクセスを提供する、対象者限定の取り組みです。

早期アクセスプログラムに参加している企業のお客様やパートナーは、すでに Argon で大きな成果を上げています。

^{Amplitude、Deloitte、楽天のリーダーが Gemini 4 Argon の成果を共有}

使ってみる

このたび、Gemini 4 Argon がウェブ、デスクトップ、モバイルの Gemini for Business でご利用いただけるようになりました。企業のデベロッパーやビルダーは、Gemini プラットフォーム（モデル ID gemini-4-argon）、Google AI Studio、Google Antigravity において、API を介して Argon にアクセスできます。

Argon は、2026 年 11 月 30 日まで、100 万入力トークンあたり 2 ドル、100 万出力トークンあたり 10 ドルの特別価格で提供されます。キャッシュに保存された入力トークンは 95% 割引となります。2026 年 11 月 30 日以降は、100 万入力トークンあたり 4 ドル、100 万出力トークンあたり 20 ドルの標準価格が適用されます。技術仕様、トークン制限、移行手順の詳細については、モデルカードとデベロッパーガイドをご覧ください。

サイバー防御者の皆様は、Security Summit にご参加いただくことで、Gemini 4 Argon を使用してマシンスピードの脅威から防御し、修復を自動化する方法を学ぶことができます。

- Google Cloud、Gemini、プロダクトマネジメント担当バイスプレジデント、Michael Gerstenhaber

AI インフラストラクチャとオーケストレーションに関する最新情報

Tue, 20 Oct 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 10 月 1 日に、Google Cloud blog に投稿されたものの抄訳です。

9 月はスケーラビリティ月間です。世界がエージェントフリートの急増に備えるなか、Google はそのニーズに迅速かつ適切に対応できるように AI インフラストラクチャとオーケストレーションサービスを強化するとともに、ワークロードの分離とセキュリティを維持し、コストを抑えています。今回の記事では、Google Cloud のコンピューティング、ネットワーク、ストレージ、オーケストレーションのサービス全体でこれらの機能強化がどのように現れているかに加えて、お客様が Google Cloud AI インフラストラクチャを使用する新しい方法、Google の戦略に対するサードパーティの業界検証をご紹介します。

プロダクト、テクノロジー、ツールに関する最新情報

Google Kubernetes Engine の更新: GKE チームはプラットフォームのスケーラビリティの向上に全力を注いでいます。9 月には、さまざまな形や規模で改善が行われました。

新機能: エージェントワークロードに、より高密度の実行ランタイムが必要ですか？新しいオープンソースの GKE Agent Substrate は、標準的なコンテナランタイムよりも 10 倍高い密度で数百万のサンドボックスを実行できるように設計されています。また Agent Substrate は、ネイティブのゼロトラストカーネルとネットワーク分離により、1 秒あたり 500 回を超える一時停止 / 再開アクティベーションを実行しながら、500 ミリ秒未満での再開オペレーションを実現します。
プロダクトの最新情報: GKE にゼロへのスケーリング機能が組み込まれました。ワークロードをスケールダウンするために複雑なコンポーネントを構成する必要はありません。AutoscalingMetric を使用した HPA と KEP-2021 のサポートにより、その作業はすぐに自動的に行われます。詳細については、こちらのブログ記事をお読みください。
プロダクトの最新情報: さらに、GKE HPA（前述の AutoscalingMetric を使用）では、標準指標に加えてカスタム PromQL 指標に基づいてスケールアップとスケールダウンを行えるようになりました。これにより、ビジネスにとって意味のある独自の条件に従ってワークロードをトリガーできます。詳しくはこちらをご覧ください。
新機能: もう一つのスケーラビリティ機能は GKE Pod スナップショットです。これは、CPU や GPU のメモリを含むワークロードの実行状態を保存し、オンデマンドで復元できるようにするものです。内部テストによると、GKE Pod スナップショットにより、AI 推論の起動時間を最大 89% 短縮できます。詳しくはこちらをご覧ください。
新しい移行ツール: 最後に、コンテナワークロードを AWS EKS から GKE に移行したいと考えていたものの、困難で摩擦の多いエンジニアリング作業を恐れていた方のために、GKE エージェント型移行をリリースしました。これは、不安定なアドホックプロンプトに代わり、決定論的なガードレールで保護された AI 支援移行パイプラインを提供する専用のエージェントプラグインです。エージェントスキルとローカルの Model Context Protocol（MCP）サーバーを組み合わせた設計になっており、AI を使用して複雑な AWS EKS IaC と Kubernetes マニフェストを GKE ランディングゾーンに直接変換します。オンボーディングガイドを確認して利用を開始しましょう。
機能の更新: 強化学習（RL）と評価のワークロードは非常に複雑です。標準的なエージェント RL ループでは、LLM ポリシーが GPU 上でコードスニペットなどのアクションを生成し、分離された CPU サンドボックス内で実行して報酬シグナルを観察します。しかし、このループをスケールアップして数万の並列ロールアウトをサポートしようとすると、アクセラレータのアイドル状態、イメージのカーディナリティ、コントロールプレーンの飽和など、インフラストラクチャのボトルネックが発生します。そこで、RL 向けに最適化された GKE Agent Sandbox に加えて、Agent Sandbox RL オーケストレーション SDK、一般的な RL ジムやハーネスとのネイティブ連携機能を開発しました。すべて一般提供が開始されています。詳しくはこちらをご覧ください。

ストレージの最新情報: AI は大量のデータをトレーニングして作成します。そのデータは、ブロックストレージシステム、ファイルシステム、オブジェクトストア、データベースのいずれかに保存する必要があります。この重要なレイヤがエージェントの要求に対応できるよう、ストレージポートフォリオの強化を発表しました。

プロダクトの最新情報: Filestore エージェントボリュームは、エージェントワークロード向けに高パフォーマンスで柔軟な永続ファイルストレージを提供します。GKE Agent Substrate および GKE Agent Sandbox との緊密なインテグレーションにより、Filestore エージェントボリュームは、分離された専用ファイルワークスペースを GKE Agent Sandbox にミリ秒単位で自動的に割り当て、アタッチします。プレビュー版へのアクセスはこちらからリクエストできます。
新しいプロダクト: 生成 AI と RAG のデータレイヤ（Milvus、Pinecone、Qdrant、Vespa、Redis、インメモリコンテキストキャッシュなど）を実行している場合は、M4N ファミリーの VMをご覧ください。一般提供が開始されたこれらの VM は、主要なハイパースケーラーの中でコアあたりの IOPS とスループットが最高です。M4N インスタンスは、Google Cloud のカスタム Titanium オフロードアーキテクチャおよび Hyperdisk Extreme と組み合わせることで、ホストあたり合計で最大 25,000 MiB/秒（25 GiB/秒）のストレージスループットと最大 100 万 IOPS を実現します。
新しいプロダクト: もう一つの新しい Compute Engine プロダクトである Z4D の一般提供が開始され、AI / ML のトレーニングおよび推論ワークロード向けの強力なストレージソリューションとしてご利用いただけるようになりました。ベアメタルインスタンスとして構成すると、Z4D はエージェント型マイクロ VM に必要な大容量のローカル SSD（LSSD）と低レイテンシの両方を提供するため、ホストごとに数千の分離されたサンドボックスをネイティブのパフォーマンスと効率で実行できます。Z4D マシンの詳細はこちらでご確認ください。
プロダクトの最新情報: 現在の AI トレーニングや推論のパイプラインは、ほとんどのストレージ管理システムが対応できないほどのスピードでデータを作成するため、ストレージ資産を把握しようとするチームにとって課題となっています。Storage Intelligence アドバイザーの新バージョンでは、「バケットには何が入っているか？」という疑問の答えが簡単にわかり、予期しない変更をすばやく特定できます。さらに、強化されたバッチオペレーションにより、バケット全体にわたる一括変更、たとえば、ストレージクラスの移動、古いデータや一時データの一括削除、メタデータ、タグ付け、保持、暗号化の変更の適用などを自動化できます。Storage Intelligence アドバイザーの最新情報については、こちらをご覧ください。
新しいプロダクト: 最後に、AlloyDB for PostgreSQL の新バージョンは、Google の先駆的なインフラストラクチャである Colossus 分散ファイルシステムと Jupiter ネットワークを統合し、エージェントの時代における妥協のない新しいデータベースアーキテクチャを実現します。

実践ガイドとハウツー

ハウツー: 世界中に分散している GPU と TPU を、単一のエントリポイントの背後にある単一のプールとして動作させたいとお考えの場合は、こちらのブログ記事でその方法をご確認いただけます。エッジでは、マルチクラスタ GKE Inference Gateway が、グローバルなマルチリージョントラフィック分配と高可用性を担います。その下では、LLM-d ルーターが、使用率を高く維持するための複雑なメモリ認識型スケジューリングアルゴリズムを処理します。このアーキテクチャは、ランタイム、モデル、アクセラレータに依存しないように意図的に設計されており、テストでは、マルチクラスタ GKE Inference Gateway を介してトラフィックをルーティングしたところ、オーバーヘッドは 1% 未満でした。
ガイド: AI モデルのトレーニングや推論に TPU 上の GKE を使用されているか、使用される予定ですか？巨大な大規模言語モデル（LLM）のトレーニングや、高スループットの推論サービングの実行には、Cloud TPU や Cloud GPU などの特殊な AI ハードウェアへの多額の投資が必要です。費用対効果を最大化するには、GKE のワークロードライフサイクル指標を理解する必要があります。この詳細なガイドでは、不透明なクラスタの動作を実用的なテレメトリーに変換する方法を説明します。

お客様とパートナーに関する最新情報

GKE のお客様: ゲームのスタートアップである SeaVerse がマルチテナントワークロードに GKE Agent Sandbox を利用している理由と、このプラットフォームによってインフラストラクチャ費用を 60% 削減できた経緯をご覧ください。

調査、レポート、詳細解説

また、Google は Gartner と Forrester の 3 つの主要なアナリストレポートでリーダーに選出され、プロダクトまたは戦略のいずれかで最高スコアを獲得しました。

Google、「The Forrester Wave™: Public Cloud Platforms, Q3 2026」でリーダーに選出: クラウドプロバイダの中で最高の総合スコアを獲得しました。
Google、2026 年 Gartner® Magic Quadrant™ で戦略的クラウドプラットフォームサービス部門のリーダーに選出: 評価対象となったすべてのベンダーの中で、「ビジョンの完全性」において最高評価を獲得しました。
Google、2026 年 Gartner Magic Quadrant でコンテナ管理部門のリーダーに選出: 評価対象となった全ベンダーの中で「実行能力」において最高評価を獲得しました。
Google Cloud は、世界中の GPU プロバイダの信頼性、パフォーマンス、サポート、料金、セキュリティを評価する最新の SemiAnalysis ClusterMax 3.0 レポートでゴールド評価を獲得しました。詳しくは、レポート全文をご覧ください。

2026 年 8 月

プロダクト、テクノロジー、ツールに関する最新情報

プロダクトの最新情報: Filestore は Google Cloud がファーストパーティとして提供するセキュアでスケーラブルな NFS ファイルサービスであり、AI やエージェントワークフロー向けのストレージプラットフォームとして人気を集めています。このたび、Google の基盤となる分散ストレージシステムである Colossus 上に直接構築された新しいバックエンドストレージレイヤが追加され、これらのタスクにさらに適したサービスとなりました。この新しいバックエンドでは、ストレージ容量とは別に IOPS をプロビジョニングでき、GKE と緊密に統合されています。AI 環境では、いわゆるエージェントスウォーム（多数のエージェントからなる大規模なグループで、共通のデータセットに対して読み取りと書き込みを行う必要がある）を、パフォーマンスを低下させることなく処理できます。詳しくは、ブログ投稿をご覧ください。
新機能: gVisor サンドボックスを GKE 上の分散 Ray クラスタで利用できるようになりました。Anyscale との提携により、gVisor を分散 Ray クラスタに直接組み込むことができる、Ray 向けの試験運用版ライブラリを導入しました。gVisor は Google のオープンソースアプリケーションカーネルであり、通常のコンテナよりも強力な分離機能を持ち、起動時間が短く、メモリオーバーヘッドが少ない軽量な環境を提供します。GKE でこれらのサンドボックス機能を試すには、Ray サンドボックスユーザーガイドをご覧ください。
プロダクトの最新情報: 費用はあまりかけたくないけれど、パーソナル AI エージェントを実行するための高性能で使いやすいインフラストラクチャをお探しという方に朗報です。新しい Cloud Run インスタンスは、Cloud Run 上の専用のシングルトンコンピューティングランタイムであり、エージェントがアイドル状態になってもシャットダウンされません。さらに、1 個の vCPU と 1 GiB のメモリを備えた Cloud Run インスタンスを 30 日間連続で実行しても、費用は 5.70 ドルしかかかりません。

実践ガイド、ドキュメント、ハウツー

入門ガイド: Model Context Protocol（MCP）に関する最新情報: 2026-07-28 仕様で、プロトコルコアは「完全にステートレスになりました。handshake はなくなり、initialize / initialized handshake（SEP-2575）と論理的な Mcp-Session-Id ヘッダー（SEP-2567）は完全に削除されました。代わりに、すべてのリクエストが自己記述型で独立したものになりました。」最新の MCP 仕様の変更点と、さらに重要なその実装方法について詳しくは、こちらの Google for Developers のブログ記事をご覧ください。
ガイド: 従来のネットワークロードバランシング手法では、リアルタイム AI システムをうまく扱いきれない場合があります。「バックエンドは、今までのように個別のリクエストを処理するのではなく、継続的なライブ双方向ストリームを管理する必要があります。音声チャンク、文字起こし、モデル出力、合成音声が同時にやり取りされる、絶え間ないストリームを処理するからです。」ここにユーザーへの対応が追加されると、状況はさらに悪化します。「サーバーは、現在処理中の音声生成を即座に停止して、コンテキストを更新し、場合によっては新しいツールをトリガーして、別の回答の作成を開始する必要があります。また、これを接続を切断することなく行わなくてはなりません。」AI 時代における負荷管理の新しいアプローチについては、セッション対応のロードバランシングによるリアルタイム AI エージェントのスケーリングをご覧ください。
ハウツー: さまざまな GPU アクセラレータが混在する場合でも、GKE 上に弾力性のあるスケーラブルな LLM 推論プラットフォームを構築する方法を学びます。ここで提案するアーキテクチャでは、Capacity Advisor と Compute Advisor に加え、Run:ai Model Streamer や、並列ダウンロード機能を備えた GCSFuse などの高性能ストレージを組み合わせて使用します。詳しくは、こちらをご覧ください。
ドキュメント: GPU や TPU を搭載したホストの問題は、ライブマイグレーションを使用して更新することができないためにメンテナンスが困難であることです。この新しいドキュメントページでは、トレーニングワークロードと推論ワークロードのダウンタイムをどれだけ許容できるかに応じて、アクセラレータ搭載ホストを更新する方法を説明します。
ドキュメント: Advanced Compute Images（ACI）は AI / ML および HPC インフラストラクチャ用の標準化されたイメージスタックであり、独自のカスタムイメージを手動で構築する必要はありません。この新しいドキュメントページでは、Google Cloud CLI、コンソール、または SchedMD の Slurm ワークロードマネージャーを使用して ACI イメージを作成する方法を説明します。
ガイド: AI ワークロードは、設計の難しさ、リソース消費の激しさ、そしてバースト性があることで知られています。これらはスケーリングのボトルネックを招くだけでなく、十分に活用されない（または誤用される）コンピューティングリソースを大量に発生させる原因にもなります。新しいブログ投稿では、Google Cloud で動的な容量管理を実現する 3 つの主な方法について説明します。その 3 つの方法は以下のとおりです。1）計画的なダウンタイムに備えて容量をスケジュールする、2）計画外のダウンタイムに備えて自動フォールバック容量を確保しておく、3）GKE のコアオーケストレーション機能を利用してリソース割り当てを自動化する。

お客様とパートナーに関する最新情報

ビジネスオーケストレーションソフトウェアプロバイダの UiPath は、急激に変動するワークロードに対処し、費用の予測可能性を高めたいと考えていました。これを実現するために、同社は分離された複数のクラスタで構成されていたインフラストラクチャを再設計し、トレーニング用の A3 VM インスタンス（NVIDIA H100 GPU）と推論用の G4 VM インスタンス（NVIDIA RTX PRO 6000 Blackwell Server Edition GPU）の両方を含む共有 Google Cloud GPU フリートへと移行しました。同社のアーキテクチャについて詳しくは、こちらをご覧ください。
AI 開発の加速に注力する最先端の AI 研究所である Mirendil は、モデルの事前トレーニングとトレーニング後のアプリケーションをサポートするために、TPU と NVIDIA GPU の両方を備えた AI Hypercomputer を使用することを発表しました。
小売業向け CRM プロバイダの Replenit は、BigQuery、Gemini Enterprise Agent Platform、Cloud TPU で実行するオープンソースの Gemma モデルを使用して、Google Cloud で AI 意思決定エンジンを構築しました。同社では、この組み合わせにより、以前のクラウドプロバイダと比較してパイプライン費用が 90% 削減されたとしています。詳しくは、事例紹介の全文をご覧ください。
Malachyte は、Bigtable、Managed Service for Apache Kafka、Pub/Sub、Compute Engine、そして GKE を基盤として、AI を活用した e コマースレコメンデーションプラットフォームを構築しました。こちらのブログ記事で、これらがどのように連携するかをご覧ください。

2026 年 7 月

プロダクト、テクノロジー、ツールに関する最新情報

プロダクトの最新情報: Google Cloud Managed Lustre の一般提供が開始されました。4 種類のパフォーマンスティアがあり、容量 1 TiB あたり 125 MB/秒、250 MB/秒、500 MB/秒、1,000 MB/秒のスループットを選択できます。ストレージ容量は最大 8 PB までスケールアップ可能です。Managed Lustre ソリューションは DDN の EXAScaler を活用しており、DDN が数十年にわたって培ってきた高パフォーマンスストレージ界をリードする技術と、Google Cloud のクラウドインフラストラクチャに関する専門知識を組み合わせています。
プロダクトの最新情報: C4N ネットワーク / ストレージ最適化 VM の一般提供を開始しました。C4N は、データ転送のボトルネックを解消するために構築された、Google 初のネットワークとブロックストレージに最適化された VM シリーズです。第 5 世代 Intel Xeon スケーラブルプロセッサを搭載し、Google の Titanium オフロードハードウェア上に構築された C4N は、400 Gbps のネットワーク帯域幅と 9,500 万パケット/秒（95 MPPS）の処理速度を実現します。また、Hyperdisk Extreme と組み合わせた場合のブロックストレージスループットは最大 25 GiB/秒に達します。
新機能: GKE Dataplane V2 が、ネットワークポリシー適用下で最大 15,000 ノードまでサポートできるようになりました（一般提供）。これにより、標準の GKE クラスタ上で、ネットワークポリシーの適用を完全に維持したまま、最大 15,000 ノードまでのスケールアップが可能になります。大企業や AI / ML を活用するお客様の膨大なインフラストラクチャニーズに対応する機能です。
新機能: llm-d が協調型タイムスライスに対応しました。強化学習（RL）ワークロードで、独立した RL ジョブを共有の物理ハードウェアにインターリーブして実行できるようになりました。これにより、モデルの収束や精度に影響を与えることなく、アクセラレータの総デューティサイクルをベースラインの約 40% から最大 70% まで引き上げることが可能です。
新しい AI セキュリティツール: GKE 上の AI サプライチェーンの保護、AI ワークロードの安全なデプロイ、シャドー AI の削減をお考えですか？Google は k8s-aibom をオープンソース化しました。これは、コンテナクラスタを継続的にモニタリングして、実行中の AI ランタイム（vLLM や Triton など）を自動的に検出し、標準的な CycloneDX Machine Learning 部品構成表（ML-BOM）を生成する、軽量で特権を必要としない Kubernetes コントローラです。k8s-aibom プロジェクトをチェックして、ぜひ開発にご参加ください。

実践ガイドとハウツー

入門ガイド: 7 月 27 日、Google は Moonshot AI の 2.8 兆パラメータのオープンウェイトモデルである Kimi K3 の「Day 0 サポート」を発表しました。モデルのウェイト公開と同時にサポートを開始し、即日の利用を可能にしました。Model Garden、カスタムオーケストレーション、llm-d レシピを使用した GKE など、選択したデプロイ手法に合わせて Google Cloud で Kimi K3 を評価して試験運用するための詳細な手順をこのガイドでご確認いただけます。
入門ガイド: Google Kubernetes Engine（GKE）マネージド DRANET は、GPU と TPU の両方に対応しています。この実装を使用するための構成には、標準クラスタ（ユーザーが完全に制御可能）や Autopilot クラスタ（Google によって複雑な構成が自動的に行われる）など、いくつか選択肢があります。詳細については、ハンズオンラボ TPU を使用する GKE Autopilot クラスタ、GKE マネージド DRANET、Gemma 4 でご確認いただけます。
入門ガイド: GPU ではなく TPU で Ray を実行する方法を学べます。全 2 回シリーズのパート 1 では、TPU スライスについて説明します（ヒント: Ray は TPU スライスを、スケジュール設定可能なアクセラレータの一種として認識します）。続くパート 2 では、Ray のさまざまな AI ライブラリについて説明します。
入門ガイド: 新しいマイクロベンチマークスイートを使用して、サンプルワークロードにおける TPU の性能を評価します。このスイートを活用することで、デバイスが理論上のパフォーマンス仕様を達成しているかを正確に測定できるほか、特定の性能ギャップやアーキテクチャ固有のボトルネックを特定することも可能です。詳細はこちらでご確認いただけます。
入門ガイド: 予算を圧迫することなく、エージェントをスケールしましょう。GKE Agent Sandbox と Pod スナップショットを活用して固定のコンピューティングリソース内でより多くのエージェントを安全に集約する方法を、GKE オーケストレーションの観点から解説します。パフォーマンス重視かコスト重視かを問わず、エージェントの効率を最大化するための適切な最適化方法を解説します。
技術ブループリント: Ironwood における Mistral 3 Large 推論の最適化について詳細に解説します。こちらのブログ記事では、Google のあるチームが Google の Ironwood（TPU v7x）で Mistral 3 Large MoE モデルの推論を最適化し、パフォーマンスを 1.5 倍向上させた方法について説明しています。具体的には、ハイブリッドシャーディングの導入、線形 VPU 合計からツリーリダクションへの置き換え、GMM / MLA カーネルの最適化、非同期スケジューリングの採用によって、これを実現しました。その結果、ベンチマーク精度を維持したまま、スループットを最大 48% 向上させるという成果を収めました。ブログの全文はこちらでご覧ください。

調査、レポート、詳細解説

レポート: Google は、初めて発表された GartnerⓇ Magic Quadrant™ の AI インフラストラクチャ部門において、リーダーに選出され、「実行能力」で最高位、「ビジョンの完全性」で最も先進的との評価を獲得しました。Gartner は、Google 独自の拡張可能なコンピューティング、統合された AI Hypercomputer アーキテクチャ、AI コンピューティング容量の規模を主な強みとして挙げています。レポートはこちらからダウンロードしてお読みいただけます。
レポート: Google は先ごろ、「AI インフラストラクチャの現状」レポートの作成にあたり、1,400 人を超える IT 部門の上級リーダーを対象に調査を実施しました。その結果、AI に対する構想とインフラストラクチャの実態との隔たりが広がっているという明確な傾向が浮かび上がりました。実際、83% の組織が、本番運用に対応できるエージェント型 AI を支えるには、インフラストラクチャのアップグレードが必要だと回答しています。この調査について紹介したブログ記事では、エージェント型アプリケーションがシステムに求める要件に合わせてインフラストラクチャを整備することで、試験導入から本番運用への移行を進めやすくなることを説明しています。

2026 年 6 月

プロダクト、テクノロジー、ツールに関する最新情報

プロダクトの最新情報: AI で使用される機密データの保護は、先進的でセキュアなクラウドインフラストラクチャを実現するうえで欠かせない要素です。Confidential Computing は、ハードウェアベースの高信頼実行環境（TEE）で使用中のデータを暗号で保護し、データの完全性を検証可能にする技術です。このたびこの技術が、NVIDIA RTX PRO 6000 Blackwell Server Edition GPU を搭載したアクセラレータ最適化型 G4 マシンシリーズで提供開始されました。Confidential G4 VMs と Confidential G4 GKE Nodes をぜひ使ってみてください。
デベロッパー向けリソース: 新設された TPU デベロッパーハブは、モデルの作成者、最適化担当者、デベロッパーが Google Cloud TPU のパフォーマンスを最大限に引き出す方法を学ぶための場所です。詳細については、こちらのブログ記事をご覧ください。
新プロダクト: 新しい OpenTelemetry ベースの TPU AI テレメトリーコレクタエージェントを使用して、AI ワークロードをスケールしましょう。このたび初めて、高忠実度の TPU ハードウェアテレメトリーを、Google Cloud Monitoring、Google Managed Prometheus、または独自のセルフホスト型 Grafana スタックにルーティングできるようになりました。

実践ガイドとハウツー

入門ガイド: TPU、Cloud Storage FUSE、動的リソース割り当て（DRA）を使用して、GKE Inference Gateway で実行される AI 推論ワークロードで高可用性を実現する方法を学べます。こちらのブログ記事で概要を紹介しています。また、技術的な詳細についてはハンズオン Codelab でご確認いただけます。
入門ガイド: Model Context Protocol（MCP）を使用して、AI エージェントを Cloud Storage の非構造化データに接続できることをご存じですか？こちらのブログ記事では 3 つのお客様事例に基づく導入のメリットと、具体的な実装方法を解説しています。フルマネージドサービスにすべきか、詳細なカスタマイズと管理が可能なセルフマネージドローカルサーバーにすべきかを判断する方法もご紹介しています。

調査、レポート、詳細解説

レポート: 第三者機関によるベンチマークレポートにおいて、GKE Inference Gateway は他社の主要マネージド Kubernetes サービスを凌駕するパフォーマンスを記録しました。具体的には、スループットは 15.7% 高く、待ち時間は 92.8% 短く、トークン間のレイテンシは 62.6% 低いという結果でした。このパフォーマンスの鍵は、接頭辞キャッシュの使用にあります。長く繰り返し使用されるプロンプトの接頭辞に対応する KV キャッシュ（アクティベーション状態）を保存することで、LLM のパフォーマンスを最適化しています。詳しくは、こちらのブログ記事をご覧ください。
アーキテクチャの詳細解説: 今回は TPU と GKE におけるコールドスタート問題を深堀りし、Run:ai Model Streamer がどのようにその状況を変えられるかについて解説します。

お客様とパートナーに関する最新情報

お客様の成功事例: Pager Health は、GKE、BigQuery、Cloud SQL、Gemini Enterprise Agent Platform を活用して運用の断片化を解消し、人々の生活に大きな変化をもたらすシンプルかつパーソナライズされた医療体験を米国で展開しています。
お客様の成功事例: カスタマーレビュープラットフォームの Trustpilot は、A100 GPU 搭載のコスト最適化済み A2 VM 上で Dataflow と Gemini Enterprise Agent Platform を活用して、大規模なストリーミングパイプラインを構築しました。ファインチューニングされた Gemma モデルや、同プラットフォームが管理する最適化版 vLLM を採用しています。

2026 年 5 月

プロダクト、テクノロジー、ツールに関する最新情報

プロダクトの最新情報: GKE Agent Sandbox の一般提供が開始されました。
新しいオープンソースプロジェクト: Agent Substrate は、エージェントインフラストラクチャの密度を限界まで高めることを目指す、新しいオープンソースプロジェクトです。
新機能: Google AI Edge Portal は、オンデバイス ML を大規模にテストしてベンチマーク評価するためのソリューションです。このたび、オンデバイス LLM のベンチマークとデバッグに対応しました。詳しくはこちらをご覧ください。
プロダクトの詳細解説: AI ワークロード向けの新しい高性能ストレージサービスファミリーである Cloud Storage Rapid について詳しく説明しました。リリース時点でご利用いただけるサービスには、高パフォーマンスのゾーンオブジェクトストレージサービスである Rapid Bucket（旧称: Rapid Storage）と、オンデマンドで読み取りを高速化して既存バケットのワークロードのコンピューティングとデータをコロケーションする Rapid Cache（旧称: Anywhere Cache）が含まれます。

調査、レポート、詳細解説

アーキテクチャの詳細解説: Google グローバルインフラストラクチャ担当バイスプレジデントの Bikash Koley とエンジニアリングフェローの Arjun Singh が、AI ワークロードがネットワークインフラストラクチャにもたらす課題の概要を説明し、AI ワークロードをより適切にサポートするためにデータセンターファブリック、WAN、グローバルネットワークに施した大幅な機能強化をご紹介します。
アーキテクチャの詳細解説: TPU で最先端の AI モデルを開発するために、インスタンスレベルの信頼性モデルを廃止し、新しいクラスタレベルの信頼性モデルを公開しました。

お客様とパートナーに関する最新情報

お客様の成功事例: ビジュアルメディアプロバイダの Imgix は、NVIDIA RTX PRO 6000 Blackwell GPU 搭載の G4 VM を備えた AI Hypercomputer を活用して、80 億を超える画像や動画を配信しています。

- Google Cloud ブログ編集者、Alex Barrett

アイルランドにおけるイノベーション: アイルランド企業が Gemini によって事業を拡大している方法

Tue, 20 Oct 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 10 月 9 日に、Google Cloud blog に投稿されたものの抄訳です。

ここ数十年間で、アイルランドはグローバルテクノロジーの一大拠点へと成長を遂げました。モダナイゼーションが加速するなか、政府機関から大手企業、AI などの分野で成長を続けるスタートアップに至るまで、アイルランドのさまざまな組織が技術基盤を強化しています。現在、国内のリーダーたちは、ビジネスや業務ワークフローのあらゆるレイヤにエージェント型 AI を導入しています。

Gemini Enterprise を活用し、初期のプロトタイプからプロダクションレディなデプロイへと移行する組織が増えています。このような進展が、欧州市場におけるアイルランドの競争力を強固なものにしています。Google の現地での貢献度を試算した Implement Consulting Group の最新レポートによると、官民のリーダーたちは、世界の AI 市場における経済効果を 400 億〜450 億ユーロと推計しています。

こうした強い意欲は、政府が進めるより広範な取り組みとも合致しています。2026 年後半の EU 理事会議長国就任を見据え、アイルランドはより高次元なテクノロジーおよび政策対話を主導してきました。そして、さまざまな分野における生産性とイノベーションの向上を目指し、国家デジタルおよび AI 戦略の枠組みを策定しました。

この戦略を支援するため、Google はこれらの機能をより手軽に利用できるよう注力しています。Google の現地チームは、業界をリードする企業と連携して Gemini Enterprise の導入を進めています。Gemini Enterprise は、会話型 AI エージェントや自然言語によるデータ分析から、エージェント型エコシステムを活用した業務運用の最適化まで、多彩な機能を提供します。

経済的な波及効果は、すでに目に見える形で現れ始めています。2025 年だけでも、AI やクラウドサービスを含む Google の事業活動は、アイルランドの国内総生産に推定 100 億ユーロの付加価値をもたらしました。この勢いはアイルランド全土に広がりを見せており、さまざまな組織が Google Cloud を活用してインフラストラクチャをモダナイズし、AI の本格的な業務活用を進めています。

アイルランドのさまざまな組織が Google Cloud と Gemini Enterprise を活用してモダナイゼーションを実現している事例をご紹介します。

Ryanair: AI を活用したオペレーションで数百万人の乗客をサポート

ヨーロッパ最大の航空会社である Ryanair は、約 35,000 人の従業員に Gemini Enterprise と Google Workspace を導入することで、協調的な業務とインフラストラクチャをモダナイズしています。乗務員、運航計画担当者、本社系スタッフは、意思決定の合理化、クルーのロジスティクスの最適化、本社業務の生産性向上によるメリットを享受できます。同時に、デュアルクラウド戦略が、インフラストラクチャの復元力を強化し、2034 年までに乗客数を 3 億人に増やすという同社の目標達成を支えています。

Smyths Toys: エージェント型サポートでカスタマーエクスペリエンスを刷新

世界最大級の玩具専門小売業者である Smyths Toys は、Google Cloud と Gemini Enterprise を活用してカスタマーサポートを刷新しています。AI エージェント「Codie」を導入したことで、同社はウェブ問い合わせの 60% 以上を自己解決へと導き、ホリデーシーズンの未対応メールの滞留を削減しました。繁忙期には 1 日最大 1,000 件のメール対応に追われていたカスタマーケアチームが、より複雑な判断を要する約 50 件の問い合わせに集中できるようになりました。

アイルランド歳入庁: 公共部門のデータを進化

アイルランドでは、公共機関も進歩を遂げています。税金や関税を管理し、アイルランド経済の円滑な運用を支えるアイルランド歳入庁は、Google Cloud と連携して、従来のオンプレミスシステムから統合 AI レイクハウスアーキテクチャへの移行を進めています。このアーキテクチャは、データサイロを解消し、信頼できる唯一の情報源を確立するよう設計されています。厳格なデータ主権管理によって納税者情報を保護する一方で、Gemini Enterprise がエージェント型データ分析を推進し、歳入庁がセキュアで迅速かつ柔軟な行政サービスを提供できるよう支援しています。

Virgin Media Ireland: ワークフローを高速化

Google Cloud と Liberty Global のパートナーシップのもと、Virgin Media Ireland は AI の活用を概念検証から本番環境へと移行させています。最新のインフラストラクチャと自動化により、同チームはワークロードのデプロイ速度を 3 倍に向上させました。現在は複数の AI エージェントの展開を進めているほか、事業成長を牽引する新たなカスタマーサービスの立ち上げに取り組んでいます。

エンタープライズ向けツールで事業を拡大するアイルランドのスタートアップ

既存の大手企業がレガシーシステムのモダナイズを進める一方で、アイルランドのスタートアップは創業初日から最新のテクノロジーを基盤にビジネスを展開しています。現地の強固なテクノロジーエコシステムに支えられたこれらの機動的なチームは、グローバルな舞台で競い合えるサービスを生み出しています。

Hexis: パーソナライズされたスポーツ栄養の提供を拡大

Hexis は、アスリートがパフォーマンスの最大化とコンディションの回復を図るためのテクノロジーソリューションを開発しています。同社は、リアルタイムの生体データや行動データを Google Cloud 上で保存および処理し、Gemini Enterprise を活用して自然言語での対話機能を実現しています。これにより、ユーザーに対して 1 日を通じた最適な栄養補給の調整方法を説明しています。現在、このプラットフォームは、ツール・ド・フランスの集団に属する選手の 40% と、2026～2027 年シーズンのプレミアリーグ加盟クラブの半数をサポートしています。

Kitman Labs: パフォーマンス分析を統合

2012 年にダブリンで設立された Kitman Labs は、世界 26 か国、4,000 以上のスポーツ組織に向けて、スポーツサイエンスとパフォーマンスインテリジェンスを提供しています。同社は、自社のインテリジェンスプラットフォームに高度なアナリティクスと Gemini Enterprise を組み合わせることで、チームがデータに基づく意思決定を行えるよう支援しています。これにより、アスリートの健康維持、怪我のリスク軽減、選手のキャリア延伸に貢献しています。

Spryt: 医療連携の自動化

Spryt は、Google Cloud と Gemini Enterprise を基盤とする AI を使用し、患者体験の最適化、無断キャンセルの削減、管理業務の負担軽減を実現することで、英国と米国における医療連携の効率化を図っています。同社は NHS と連携し、米国の 70 以上のクリニックで事業を展開しています。また、Mayo Clinic との複数年にわたる共同プロジェクトの一環として、これまでに 2 億 2,400 万件もの予約実績データを分析してきました。

IMPT: カーボンオフセットを自動化

IMPT は、AI、ブロックチェーン、Google Cloud を連携させることで、検証済みのカーボンオフセットを日常的なホテル予約やオンライン購入に組み込んでいます。15 週間かけて Google Cloud に移行した同社は、195 か国で 800 万件のリスティングをサポートしています。Gemini Enterprise の導入により、同社の少数精鋭チームは 1 日あたり約 400 件の顧客チャットに対応し、応答時間の中央値 6 秒という迅速なサポートを実現しています。これにより、スタッフはシステム管理の手間から解放され、ビジネスの成長に注力できるようになりました。

アイデアを構想から本番環境へ

アイルランドが世界のテクノロジーハブとして発展を続けるなか、現地の組織は AI の持つ可能性をいかにして実質的な成果へと結びつけるか、その実践例を示しています。お客様事例をご覧いただき、他の組織が Google Cloud をどのように活用しているかをご確認ください。また、アイルランドの Google チームにお問い合わせいただき、導入への取り組みを加速させてください。

- Google Cloud 英国およびアイルランド担当マネージングディレクター、Sandeep Khanna

2026 年度版クラウド・インフラ最新動向。最優先はサイバー攻撃、次いでレガシー・属人化対応と AI 対応

Thu, 15 Oct 2026 02:00:00 +0000

こんにちは、Google Cloud Japan です。

2024 年の調査では、インフラ担当者の悩みの上位を運用管理の属人化や老朽化、コストが占めていました。2026 年の調査では、その顔ぶれが入れ替わっています。

Google Cloud Japan は、Google Cloud のイベントに参加したことがある企業ユーザーを対象にオンラインアンケートを実施し、1,231 名（約 1,000 社）の回答を「2026 年度版クラウド・インフラ最新動向」にまとめました。調査期間は 2026 年 6 月 22 日から 7 月 22 日です。2024 年の調査と比べながら、主な結果を紹介します。

▶ 2026 年度版クラウド・インフラ最新動向をダウンロードする

インフラ課題の顔ぶれが入れ替わった

利用中の IT インフラの課題でトップになったのは、サイバー攻撃への対応で 32.3% でした。回答者のおよそ 3 人に 1 人が選んでいます。2 位以降は、レガシーシステムの老朽化と EOS（サポート終了）対応（26.9%）、運用管理の属人化（26.5%）、AI など新技術への対応（24.7%）と続きます。

2024 年は上位のほとんどを運用管理の属人化や老朽化、コストが占めていましたが、2026 年はサイバー攻撃への対応が 1 位になりました。2024 年の上位 5 項目に入っていなかった AI など新技術への対応も、4 位に入っています。

2 位と 3 位の老朽化と属人化は、今あるシステムをどう引き継ぐかという課題です。4 位の AI への対応は、新しい技術をどう取り込むかという課題です。

生成 AI は、この両方に使えます。担当のエンジニアが減り、中身を知る人が限られてきた既存システムでは、AI がコードや構成を読み解いて保守や移行を手伝います。新しいシステムでは、少人数でも開発を速く進められるので、市場の変化にすばやく応えられます。後で紹介するとおり、回答者の 44.7% がすでに AI 駆動開発を取り入れています。

マルチクラウドが定着、オンプレミスはクラウドへ

主要なインフラにパブリッククラウドを選んだ回答者は 65.8% で、3 分の 2 近くがクラウドを中心にシステムを動かしています。

今後の戦略で最も多いのはマルチクラウドで、41.0% です。今マルチクラウドを使っている回答者の 90.2% は今後も続けると答えており、複数のクラウドを使い分ける運用が定着しています。

ハイブリッドクラウドの割合は、2024 年とほぼ同じです。動きが出ているのはオンプレミス中心の層で、43.3% がクラウドへ移る予定です。その 7 割以上は、まずハイブリッドから始めます。

脱 VMware は過半数に。ただし規模で進め方が違う

VMware を利用している回答者は 33.7% でした。そのうち、利用を徐々に減らす（37.6%）、別のインフラに移す（18.6%）という回答を合わせると 56.1% で、2024 年の 48.8% から 7.3 ポイント増えています。一方で、今の環境を使い続けるという回答も 28.7% あり、移行する層としない層に分かれました。

できる限り早く別のインフラに移すという回答が 11.8% から 18.6% に増え、現状のまま使い続けるという回答は 35.0% から 28.7% に減っています。

内製化と AI 駆動開発は一緒に進む

開発体制を外部委託中心とする回答者は、現在の 20.2% から今後は 13.2% に減る見通しです。内製を重視する層と、内製と外部委託のバランスを取る層を合わせた割合は 61.4% から 65.2% に増えます。すでに内製中心の回答者のうち、外部委託に戻ると答えたのは 1.7% だけでした。

AI 駆動開発をすでに取り入れている回答者は、全面導入と一部導入を合わせて 44.7% です。検討中を含めると 69.1% になります。

開発体制ごとに見ると、差がはっきり出ます。内製重視の層と、内製と外部委託を組み合わせる層では、AI 駆動開発の導入率がどちらも 54.2% でした。外部委託重視の層では 22.6% で、半分以下にとどまります。自社で開発を進めているチームほど、AI を開発プロセスに取り込んでいます。

コンテナは本番で普及、データベースはクラウド化へ

コンテナを本番環境で使っている回答者は 39.8% で、2024 年の 35.7% から 4.1 ポイント増えました。サーバーレスの本番利用は 34.1% です。

データベースは、利用規模の上位 4 製品（SQL Server、MySQL、Oracle、PostgreSQL のオンプレミス版）だけで 55.5% を占め、まだオンプレミスが中心です。ただ、オンプレミスのデータベースを主に使う回答者 606 名に今後を聞くと、オンプレミス中心を続けると答えたのは 21.1% でした。45.0% がクラウドとの併用へ、27.2% がクラウドのデータベースサービス中心へ移ると答えています。クラウド中心の回答者がオンプレミスに戻る割合は 4.6% です。

半数近くが AI エージェントを導入、運用の仕組みづくりも始まる

AI エージェントをすでに業務に組み込んでいる回答者は 47.4% です。一部の業務で使っているのが 29.1%、全社で使っているのが 18.3% でした。AI や機械学習を動かす環境には、35.3% がクラウドの GPU や TPU を挙げています。

使う段階に入ると、次に必要になるのが運用の仕組みです。生成 AI の運用管理を指す LLMOps は、16.7% が一部または全面的に導入し、21.2% が採用を検討しています。一方で、Site Reliability Engineering (SRE) や Platform Engineering を聞いたことがないという回答は 49.3% で、2024 年からあまり変わっていません。運用への関心は、AI の運用に集まっています。

クラウド選びは、国内と環境性能も重視

クラウドを選ぶときに国内のデータセンターを重視する回答者は 63.6% でした。AI でも同じ流れがあり、国内の規制やセキュリティ要件に沿ったソブリン AI には、導入済み、具体的に検討中、調査段階を合わせて 26.8% が動き出しています。今後の検討対象とした回答者を含めると、約 7 割が関心を持っています。

環境への配慮も、選ぶときの基準の 1 つです。電力使用効率（PUE）などの GX（グリーントランスフォーメーション）性能を考慮する回答者は 62.8% でした。

CCoE があると、何が変わる？

クラウドのガバナンスが効いていないと答えた割合は、2024 年の 41.6% から 32.8% に下がりました。社内のクラウド利用ガイドラインを整備している組織は 49.1%、クラウド専門組織（CCoE）を置いてガバナンスを効かせている組織は 15.4% です。

この体制の違いが、課題への対応状況にそのまま表れています。クラウドコストの最適化に対応できている割合は、ガバナンスが効いていない組織では 41.1% ですが、CCoE がある組織では 74.6% です。高度なセキュリティ対策である DevSecOps でも、47.8% と 83.6% で大きな差があります。

人材育成で特に何もしていない組織は、2024 年の 39.8% から 19.4% に減りました。社内勉強会（42.3%）や認定資格の取得支援（32.7%）など、現場で工夫している様子がうかがえます。特に社内勉強会は、2024 年の 33.1% から大きく増えました。その一方、自由記述には「人材不足で取り組めていない」「完全に自己啓発にゆだねられている」といった声も寄せられました。

レポートでは Google Cloud での進め方も紹介

レポートの後半では、今回の結果を踏まえて、Google Cloud でインフラの課題にどう取り組むかを 6 つのテーマで紹介しています。調査で見えた課題ごとに、対応する方法をまとめました。

データのサイロ化（60.6% が課題）には、BigQuery と BigQuery Omni。フルマネージドのデータウェアハウスで分析基盤をまとめ、複数のクラウドに散らばったデータも移動させずに分析できます。
コンテナの本番利用や脱 VMware には、Google Kubernetes Engine (GKE) と Cloud Run。環境を選ばずにアプリケーションを動かせて、日々の運用の手間も減らせます。
1 位のサイバー攻撃への対応には、Wiz、Security Command Center、Mandiant の組み合わせ。マルチクラウド全体のリスクを見える化したうえで、稼働中のシステムに対する脅威を継続的に検知し、インシデント対応の知見も生かせます。
国内データセンター（63.6% が重視）やソブリン AI には、東京と大阪のリージョンと Google Distributed Cloud (GDC)。データを国内に置けるうえ、自社のデータセンターに Google の AI、Gemini を持ち込むこともできます。
半数近くが導入した AI エージェントには、Gemini Enterprise。日々の業務での利用から自律型エージェントの構築までを支え、その下のハードウェアや基盤モデルまで Google Cloud が一貫して提供します。
属人化と人材不足には、Tech Acceleration Program (TAP)。Google Antigravity などのコーディングエージェントが既存環境を解析し、移行先の設計や移行計画づくりを手伝います。移行の後の運用でも、エージェントを使って作業を効率化する例が出てきています。

ここで紹介したのは一部です。レポートには、設問ごとのグラフや、回答者の層ごとに今後の意向を追った詳細な分析を全 33 ページに収録しています。

2026 年度版クラウド・インフラ最新動向のダウンロードページから入手できます。自社のインフラ計画を見直すときの比較材料として、チームで共有してみてください。

電通、Google Cloud 共催イベント「Gemini Day」を開催、 AI が広げるマーケティングとビジネス変革の未来を提示

Fri, 09 Oct 2026 03:00:00 +0000

2026 年 9 月 8 日（火）、Google Cloud は、クライアント企業の AI によるマーケティングとビジネス変革の加速を目的とした dentsu Japan との共催イベント「Gemini Day」を電通ホール（電通本社汐留）にて開催しました。

生成 AI が急速に進化を遂げる中、企業における AI の位置づけは、事業戦略やマーケティングプロセスそのものを再定義する中核基盤へと進化しています。本イベントには電通のクライアント企業50社以上が参加し、両社トップによる基調対談、日本郵便における Google の AI、Gemini を用いた戦略設計プロセス改革の事例、Google Cloud 自身が自らを「カスタマーゼロ」として進めた自己変革から得られた知見のシェア、そしてデータと CX（顧客体験）を融合する次世代ソリューションまで、熱気あふれるセッションが展開されました。

電通が掲げる「AI for Growth」によるここまでの進化とともに、Gemini によるビジネス変革のリアルな実践に迫った当日の模様を振り返ります。

キーノート対談で示された AI for Growth の構想とエージェント時代の到来

オープニングを飾ったのは、dentsu Japan CAIO（Chief AI Officer）並河進氏 と、グーグル・クラウド・ジャパン代表 三上智子 によるキーノート対談です。

対談冒頭、並河氏は電通グループが掲げる「AI for Growth」構想について言及。「AI は人間の仕事を奪うものではなく、人の知性や創る力を拡張し、ビジネスプロセスを根本から変革するパートナーである」と強調しました。電通自身が自らの業務を AI 前提に作り替えるとともに、クライアント企業のマーケティングだけでなく、クライアントビジネスを牽引する存在へと進化していく決意を語りました。

続いて三上は、Google Cloud の AI フルスタック戦略（TPU をはじめとするインフラ基盤から Gemini Enterprise、マルチモーダルモデル Gemini に至る一貫したアーキテクチャ）を紹介。2026 年は単一の AI ツールから、複数の AI が協調して自律的に業務を遂行する「マルチエージェント」の実装フェーズへと突入したと解説しました。

両氏は、電通が誇る高度なマーケティングクリエイティビティに加え、Google Cloud の堅牢かつ最先端のテクノロジーを活用することで、単なる業務効率化を超えた新たな事業価値を生み出せるという共通のビジョンを共有しました。

日本郵便における戦略設計プロセス改革、Gemini と共に思考を深めるアプローチ

最初のセッションでは、「AI で変える、マーケティング戦略を支える実行への挑戦」と題し、日本郵便（広報宣伝部部付部長/郵便・物流事業統括部マーケティング室部付部長）藤田元氏が同社における具体的な取り組みを紹介しました。

日本郵便では、人事異動や組織体制の変化に伴う属人化の解消や、過去に蓄積されたナレッジの有効活用が大きな課題となっていました。そこで、戦略設計の再現性とスピードを高めるため、Gemini Enterprise やマーケティングエージェントの導入に踏み切りました。

セッションでは、「ゆうパック × 引越し」をテーマに実施された PoC（概念実証）の事例が紹介されました。AI を単なる検索ツールとして扱うのではなく、プランナーの思考を刺激し、多角的な視点で仮説を深める壁打ちのパートナーとして位置づけた点が特徴です。これにより、従来は膨大な時間を要していた市場分析や販促シナリオの骨子作成を大幅に短縮しながら、企画の質を高めることに成功したプロセスが共有されました。

Google Cloud 自身の自己変革に学ぶ、カスタマーゼロ視点の AI-BPR 実践

続いてのセッションでは、多くの企業が直面する「PoC 止まりの壁」をいかに打破するかをテーマに、Google Cloud 執行役員データクラウド事業本部の濱田真、イグニション・ポイント執行役員 AI Innovation Hub 代表の羽間裕貴氏による実践的な議論が行われました。

羽間氏は、数多くの大手企業支援を通じて得られた知見から、「生成 AI の成果を最大化する鍵は、既存の業務に AI を付け足すことではなく、業務プロセス自体を AI 前提に再設計する『AI-BPR（Business Process Re-engineering）』にある」と提起しました。

これを受け、濱田は Google Cloud 自身が自社プロダクトの最初の顧客となる「カスタマーゼロ」として進めてきた内部変革の事例を共有しました。情報の「検索（Search）」からタスクの「委任（Delegation）」へと働き方が大きくシフトする中で、AI エージェントを組み込んだ業務基盤・データ基盤をどのように刷新していったのか、その生々しい実践知が語られました。参加した企業担当者にとって、明日からの自社改革のロードマップを描くための実践的なヒントに満ちたセッションとなりました。

未来の顧客体験を創るデータインテグレーション、「データ × CX」の好循環がもたらす価値

後半のセッションでは、マーケティングとデータテクノロジーの最前線にフォーカスが当てられました。「Gemini による『データ × CX』の好循環がビジネスを変える」と題し、企業の持続的成長に必要なデータをどのように獲得し、活用していくかが議論されました。

電通グループが示したのは、AI を用いて顧客一人ひとりに最適な CX（顧客体験）を提供し、その接点から得られた高精度なファーストパーティデータが再び AI とサービスへ還元される自律的なエコシステムです。会場では業界特化型の仮想デモを披露し、蓄積されたマルチモーダルデータから Gemini が瞬時にパーソナライズされた提案を生成し、全社的なデータインテグレーションへと還流していく様子が紹介されました。

さらに特別プログラムとして、「ケアのまなざし」をテーマに介護現場での人間中心の AI 変革ストーリーも紹介され、AI がもたらす温かみのある社会的価値への共感を呼びました。

人と AI の協働で、日本企業のマーケティングとビジネスの可能性を広げる

クロージングセッションにおいて、並河氏は次のように総括しました。

「今日ご紹介した数々の実践は、電通グループと Google Cloud のコラボレーションが形作った新しいビジネス変革の第一歩に過ぎません。AI を駆使し、クライアントの皆様とともに新しい市場と感動を創り出していく。その挑戦をこれからも力強く推進してまいります」

本イベントを通じて、生成 AI や AI エージェントが実験段階を超え、マーケティングの戦略設計から基幹業務の改革、新たな顧客体験の創出に至るまで、実際のビジネスを動かす原動力となっていることが鮮明に示されました。

Google Cloud は今後も、dentsu Japan とともに、最先端の AI テクノロジーとインフラ基盤を通じて、日本企業の成長と変革を全力で支援してまいります。

Gemini at Work 2026 で Gemini エージェントを発表

Fri, 09 Oct 2026 01:00:00 +0000

※ この投稿は米国時間 2026 年 10 月 8 日に Google Cloud Blog に投稿されたものの抄訳です。

本日開催した Gemini at Work 2026 において、Google Cloud の CEO である Thomas Kurian は、以下を含む数々の発表を行いました。

Gemini は、業務のためのひとつの汎用的なエージェントとして、ユーザーの質問への回答、ナレッジワークの処理、画像やメディアの作成、コードの記述や実行を行います。
Google Workspace のインライン機能により、Gemini は Gmail、Google ドライブ、Google ドキュメント、Google スライド、Google スプレッドシート、Google Chat、Google カレンダーの内部で直接機能し、どこで使用する場合でも同一のメモリ、スキル、ガバナンス制御を維持します。
新しいデータとアナリティクスのスキルにより、技術チームと日常業務を行うビジネスユーザーの双方が、自然言語の質問を用いて、実用的な運用インサイトを数分で取得できるようになります。
アイデンティティとポリシー管理、認可および権限の制御、セキュアなサンドボックス環境、ネットワークゲートウェイなどを通じて、エージェントを保護し、ガバナンスを維持します。

Gemini エージェントが登場

過去 1 年間で、500 近い Google Cloud のお客様のそれぞれが 1 兆個を超えるトークンを処理しました。現在、全 Google Cloud お客様の約 80% が AI 製品を利用しており、Fortune 100 企業の約 90% が Gemini Enterprise を採用しています。このような規模において、企業や組織は実証実験の域を超え、AI を基盤として業務を運用しています。

いまや仕事の多くは、プロンプトの入力から始まります。

Kurian は次のように述べています。「この時代の重要な局面に応えるため、本日、Gemini エージェントを発表します。これは、皆様の業務のための新しいひとつの汎用的なエージェントです。ビジネスのあらゆるコンテキストを把握し、ナレッジワークから質問への回答、コンテンツ作成からコーディングまで、すべてを単一のプロンプトボックスから行うことができます。作業の計画を立て、スキルやツールを活用し、お客様のシステムに接続した上で、すでに作業で使用しているドキュメント、受信トレイ、開発環境の内部に完成した成果物を直接反映します。作業に最適とされるモデルを選択し、コスト制御機能を内蔵しているほか、何よりもお客様の企業において求められるセキュリティ、管理、ガバナンスを備えています。」

Gemini エージェントは、業務向けの新しい単一かつ汎用的なエージェントです。

Gemini は質問への回答、ナレッジワークの処理、画像やメディアの作成、コードの記述と実行に対応し、すべてを単一のエージェントと単一の API で処理します。指示ではなく目標を与えるだけで、お客様は作業をすべて委託し、完成した成果物を受け取ることができます。エージェントがそれを実行するためには、個人のワークフロー、記録システム、そして企業のガバナンス制御に接続されている必要があります。

Gemini はパーソナルアシスタントとしての役割だけでなく、プロジェクトマネージャーのようにチームメンバーとして動いたり、時には財務部門のアナリストのように機能したり、組織内の特定の役割を担って動くことができます。

Gemini のエージェント機能は、主要なアーキテクチャ原則に基づいて構築されています。

統合エージェント: Gemini は、チャットでの質問回答、割り当てられた目標を達成するための自律的な動作、コードの生成をすべて単一のインターフェースから実行できるエージェントです。作業の割り当て、タスク完了までのスケジューリング、イベントへの応答などを指示できます。
どこからでもアクセス可能: Gemini は、Web、iOS および Android のモバイルデバイス、Windows および Mac のデスクトップを含むあらゆるデバイス、そして各種チャネル（コマンドライン、Google Workspace、Microsoft 365、Slack）からアクセス可能です。また、サードパーティ製アプリケーションやサーフェスに組み込むことができ、ヘッドレスエージェントとして機能するため、専用のユーザーインターフェースを必要としません。
永続的な実行: クラウド上で動作するため、アクセスするデバイスやチャネルに関係なく、単一のメモリセット、コンテキスト、1 つのパーソナライズグラフを維持します。数時間や数日かかる作業であっても、PC を閉じた後も処理が継続され、戻ってきた際にもそのまま維持されます。
マルチエージェントオーケストレーション: Gemini は、マルチステップのタスクに取り組むため、それぞれが固有のアイデンティティを持つ一時的なジョブ固有のサブエージェントのロースターを動的に作成し、これらと通信して、数時間または数日間にわたって実行される並列および直列ステップを調整します。さらにGemini は、@agents.company.com といった独自のメールアドレスや永続ストレージを含む専用のアイデンティティを持ち、ユーザーやチームメンバーが提供するコンテキストにのみアクセスできるコワーカーエージェントとして機能します。
深いコンテキスト理解: Gemini は、ツール、データ、作業履歴をすでに把握しており、あらゆるやり取りから学習します。チームで専用プロジェクトを作成することで、Gemini が連携して作業する際に使用するコンテキスト、スキル、ツールをさらに最適化できます。
柔軟なモデル選択: Gemini はエージェントであり、その下で動くモデルは状況に合わせて選択します。各ジョブにおいて最も適したモデル上で動作し、現時点では Google の Gemini モデルファミリーや Anthropic の Claude モデル、将来的にはその他の主要なプライベートモデルおよびオープンモデルを横断してオーケストレーションを行うことで、最適とされる品質の提供とコスト削減を実現します。タスクにとって最適とされるモデルが、常に最も大規模なモデルであるとは限りません。作業とモデルを一致させることで、難度の高いジョブでの精度向上と、シンプルなジョブでのコスト削減を両立します。また、先行するモデルは数か月ごとに変化するため、この選択肢をオープンに保つことで、モデルが変更されてもコンテキスト、スキル、データはそのまま保持されます。

業界をリードするお客様企業が初期テスターとして、すでにその効果を実感しています。プレミアムスポーツウェアブランドの On は、市場投入スピードを加速させるためにこの新しい動的選択機能を検証しました。これは、すでに他社で実績のある大規模なマルチモデル戦略に基づいています。Shopify は数百万の事業者のためにフロンティアモデルを組み合わせてデータを活用し売上を促進しており、PayPal は毎週 1,000 万件のマルチモデルリクエストをルーティングしています。

Gemini を支える機能：スキル、ツール、コンテキスト

Gemini は、価格設定からプロダクトポートフォリオ、部門ごとの規範に至るまで、お客様のビジネスや固有の組織の知識を理解しています。これを可能にするのが、システムと接続する「ツール」、作業手順を教える「スキル」、そして記憶を維持する「コンテキスト」の 3 つの機能です。

ツールとツールレジストリ： Confluence、Microsoft Office、Teams、Slack、Google Workspace などのコラボレーションツール、Git や Jira などの開発ツール、Salesforce や ServiceNow などのエンタープライズプラットフォーム、BigQuery、Databricks、Postgres、Snowflake などのデータベース、デスクトップ上のファイルなど、自社で運用しているソフトウェアに安全に接続できます。また、社内外のネットワークにある Model Context Protocol（MCP）サーバーと安全に接続して機能させることも可能です。さらに、企業向けツールレジストリを提供しているため、チームでツールを構築し、社内全体に公開できます。
スキルとスキルレジストリ： Gemini は豊富なグローバルスキルライブラリを持っています。チームはカスタムスキルを構築し、企業の共有レジストリに公開でき、個人のカスタムスキルを構築することも可能です。Gemini はタスクを実行するために適切なスキルとツールを選択し、実行のたびに継続的に学習して一貫性を向上させながらトークンコストを削減します。
コンテキストとメモリ： Gemini は、受けた質問や与えられた目標、一緒に働く人々から学習し、さらにはユーザー個人および組織のコンテキストを使用して回答をパーソナライズし、品質を向上させます。Gemini はまるで新入社員のように、自身をオンボーディングし、作業を開始する前にユーザー、ツール、チームについて学習します。

Google Workspace における Gemini

Gemini は、質問への回答や、ナレッジワークの処理、コード記述を行うだけではなく、Gmail、Google ドライブ、Google ドキュメント、Google スライド、Google スプレッドシート、Google Chat、Google カレンダーの中部で直接機能し、どこで使用する場合でも同一のメモリ、スキル、ガバナンス制御を維持します。メールのスレッド内や、ドキュメント、チャットスペースの中など、作業しているその場所（インライン）でそのまま作動します。

Google Workspace 内で、Gemini は 3 つの方法で機能します。

パーソナルアシスタント： Gemini はパーソナルエージェントとして、カレンダー、チーム、プロジェクト、ドキュメントなどの関連性をあらかじめ把握し、指示を出す前からコンテキストを把握しています。たとえば、名前やメールアドレスを一つも入力することなく「来週、いつもの地域イベント担当チームとの会議を設定して」と依頼できます。Gemini はチャットスペースや過去のイベントスレッドから該当者を特定し、カレンダーを確認して、社外の参加者を含めて時間調整のメールを送ります。アプリケーションをまたぐ作業も同様に処理します。
プロアクティブな委任：Gemini は同様のインテリジェンスを活用して、ユーザーが委任できるタスクをプロアクティブに提案します。最後に届いたメッセージではなく、最も重要度の高いインボックス内のメッセージを、その理由とともに強調表示します。
チームメンバーとして活躍：Gemini を使って、チーム全体と協働するコワーカーエージェントを作成することもできます。エージェントにはメールアドレス、カレンダー、Google ドライブ、会社ディレクトリへの表示を含む独自の Google Workspace アカウントが付与されます。そして、Google Chat のスペースに追加したり @メンションしたりすることで、同僚と連携するのと同様に操作できます。コワーカーエージェントはユーザーではなく独自のアイデンティティとして機能し、共有された内容のみを閲覧できます。アクセス権限はチームが既に使用している共有設定に従い、外部のコネクタがデータを保持することはありません。

データ分析、データエンジニアリング、および機械学習

また、データ分野をはじめとする特定ドメイン向けのスキルを Gemini に提供します。

技術チームと一般的なビジネスユーザーの双方に合わせた専用機能を導入します。

データおよび ML エンジニア向け：機械学習のスキルとツールで Gemini を拡張し、すべてのデータサイエンティストとデータエンジニアをエージェントチームでバックアップします。エンジニアが望む成果を自然言語で説明すると、Gemini は PySpark コードを生成し、編集およびテスト用のノートブックを提供し、モデルをトレーニングし、パイプラインの問題を自律的にトラブルシューティングして修正します。
ビジネスユーザー向け：組織内の誰もが、質問するだけで信頼性の高いリアルタイムのBigQuery や Knowledge Catalog と統合されたオペレーションレポートを生成できます。一度保存されれば、トークンコストを発生させることなくオンデマンドでレポートを実行でき、常に一貫した検証済みの回答が保証されます。

エージェントのセキュリティ保護とガバナンス

組織全体に自律型エージェントをデプロイするには、ガバナンスが重要です。

アイデンティティ：すべてのエージェントに独自のアイデンティティが付与され、従業員と同様に管理されます。そのアイデンティティは、作業を記録するログや、代わりにコードを実行するために起動された仮想マシンに記録されます。
承認と権限：各エージェントには、組織のセキュリティ管理者によって承認された、きめ細かいロールベースのアクセス権限が付与されます。Gemini エージェントが外部システムに接続する際、そのアイデンティティは OAuth などの業界標準を通じてマッピングされ、連携されます。
監査： Gemini が実行するすべてのアクションは監査証跡に記録され、人間ではなくエージェントに紐付けられます。Google Cloud のオブザーバビリティツールを使用して、これらのログをリアルタイムで監視し、問題が発生する前に異常な動作を検知できます。
ポリシー管理と制御： Geminiは、デフォルトでアイデンティティ、検出、ガバナンス、セキュリティを提供します。すべての Gemini エージェントは独自のネットワーク境界を持つ Agent Sandbox 内で安全にタスクを実行します。エージェントへの入出力、およびエージェント間のすべてのトラフィックは、組織のポリシーをリアルタイムで適用する AI ネットワークファイアウォールである Agent Gateway を通過します。ポリシーを一度作成すれば、Gemini はそれを社内のすべてのエージェントに一括適用するため、エージェントごとに個別に確認する必要はありません。

インフラストラクチャ：コストパフォーマンスを 80% 向上

エージェント、データ、アイデンティティを含むこれらのイノベーションはすべて、Google Cloud の AI インフラストラクチャおよびモデル上で動作します。これこそが高い経済性を実現できる理由です。

Google Cloud の AI インフラストラクチャは、共同設計したチップ、ネットワーク、データセンター、およびそれらを一つに接続するソフトウェアで構成される、高度に最適化された AI ハイパーコンピュータで構築されています。この垂直統合により、一般的な環境と比較して優れた価格対性能比を実現しており、この分野で最先端の技術革新を推進し続けています。たとえば、最新の TPU 8i システムは、前世代と比較して価格対性能比を 80% 向上させており、複雑で付加価値の高いエージェントタスクを高速かつ手頃なコストで実行できます。

この基盤の上で、Google のモデル群が稼働します。最先端の推論を担う Argon、速度と処理量に優れた Flash、生成メディア用の Omni、そして軽量でオープンウェイトのエッジワークロード向け Gemma です。

日本での Gemini Enterprise の活用事例

日本企業をはじめとする多くの組織が、Gemini Enterprise を活用して成果を上げています。以下はその一例です。

株式会社日立製作所は、AI 駆動型ソリューションのポートフォリオである HMAX を通じて現場の作業員にエージェントを直接展開し、グローバルな電力および公共インフラ事業の変革を推進しています。現場の技術者は、作業前後にすべての工具や配線を写真で確認する画像認識エージェントなど、200 を超えるユースケース向けにエージェントを構築しました。これにより、作業員の安全性を確保しながら、生産性を最大 400 % 向上させています。
株式会社NTTドコモは、インサイト獲得までの時間を 2 週間から即時に短縮するデータエージェントを構築し、年間 45 万時間もの作業時間を創出しました。この成功を基に、Gemini Enterprise を展開し、さらなる生産性向上を推進しています。
SOMPOホールディングス株式会社は、3 万 4,000 人の従業員向けに 1万を超えるカスタム AI エージェントを構築し、ドキュメント検索や要約などのタスクを自動化して業務効率化を図っています。同社のエンジニアリングチームは Gemini Enterprise を活用することで、新しいモデルの開発時間を 1 週間からわずか 1 日に短縮し、エンジニアがより重要な業務に集中できる環境を実現しました。
さらにアジア太平洋地域においても、電機メーカーの LG、総合商社の丸紅、製造の Tata Steel、IT サービスの TCS などの各業界のリーディングカンパニーが導入しています。

世界中の組織が、測定可能なインパクトを創出しています。

AI 駆動で進める、クラウド移行と運用のこれから。AI-Ready Infra & DB Summit '26

Wed, 07 Oct 2026 02:00:00 +0000

こんにちは、Google Cloud Japan です。

AI がシステムを使うようになると、アクセスは昼夜を問わず増え、データには検索と生成の両方が求められます。AI を業務で使い続けるには、それに耐えるインフラとデータベースへの移行が欠かせません。

Google Cloud は 2026 年 10 月 16 日（金）に AI-Ready Infra & DB Summit '26 を開催します。最新のクラウド動向調査の結果を発表するほか、Google Cloud のインフラとデータベースの最新情報を、お客様の事例とともにお届けします。調査からコード移植までを AI 駆動で進めるクラウド移行の方法も、あわせて解説します。会場は Google 渋谷オフィスで、オンライン配信もあります。

▶ AI-Ready Infra & DB Summit '26 に申し込む

基調講演のテーマは「AI が使う基盤、AI で作る基盤」

基調講演には、ロッテホールディングスの橋本桂祐氏とマクロミルの宮坂雅輝氏をお迎えし、Google Cloud の安原稔貴とともに登壇いただきます。コンピュート、ネットワーク、ストレージ、データベースの各領域の最新情報とあわせて、既存の基盤をどこから見直すべきか、その道筋を示します。

お客様 4 社が、基盤づくりと移行の実例を紹介

お客様セッションには、業種も規模も異なる 4 社が登壇します。

GovTech 東京: 都民 1,400 万人が利用する東京都公式アプリ「東京アプリ」で、将来の利用拡大や AI 活用まで見据えて、後から変えにくい技術をどう選んだのかをお話しします。
ロッテ: データと AI の基盤づくりと重点ユースケースの創出を同時に進め、TAP (Tech Acceleation Program) を活用して事業部門と一体で内製開発を進める取り組みをお話しします。
マクロミル: クラウドコストとレガシー構成の保守リスクを抱えたアンケート配信システム「TRANS-AM」を、Google Cloud へ移管する計画を紹介します。
スタメン: 1,400 社、150 万ユーザーが使う TUNAG を、AWS から Google Cloud へ移行中です。AI Skills を使い、少人数で進める具体策をお話しします。

Google Cloud が、AI 駆動型の移行と運用のアプローチを紹介

Google Cloud のスペシャリストが、移行と運用の各工程での AI の使い方を、具体的な手順とあわせて解説します。

Gemini と Skills で進めるクラウド移行: 移行のノウハウを Skills にまとめて Gemini に読み込ませ、現行環境の調査からコード移植と差分検証まで進める方法です。実際に使った Skills と成果物をお見せします。
AI で進めるデータベース移行: 手間のかかる異種データベースへの移行で、AI が手作業をどこまで減らせるかを紹介します。
クラウドネットワークの見える化: 障害の原因がアプリかネットワークかを切り分ける手法を、AI を使ったトラブルシューティングとあわせて解説します。

このほか、Jagu'e'r によるパネルトーク、Datadog、GitLab、KDDI アイレットによるセッションも予定しています。

会場に来た方だけの特典も

渋谷の会場にお越しの方には、Google Cloud オリジナルの特典を用意しています。お渡しには条件があり、詳しくは当日ご案内します。終了後の懇親会にも、ぜひお立ち寄りください。

AI-Ready Infra & DB Summit '26 のイベントページからお申し込みください。

基盤を作る方も、運用する方も、移行を任された方も、会場とオンラインでお会いしましょう！

AI & 機械学習

KDDI のコンシューマー向け RAG アプリ「Buffmee」: 高速化と信頼性向上を実現した舞台裏

多様なコンテンツの自動評価を確立する

エージェント ループでボトルネックを特定し、パフォーマンスを最適化する

信頼性の高い評価のための 4 つの基本原則

使ってみる

Gemini Robotics Embodied Reasoning 2 が Google Cloud で利用可能に

エンタープライズ ロボティクス向け物理エージェントの強化

1. 実作業タスクの検証、理解、自己修正

2. あらゆる形態のロボットを支える、単一のインテリジェンス レイヤ

3. エージェント型ツールのオーケストレーションと自然言語インタラクション

4. Google Cloud で安全かつ適応性に優れた物理エージェントを構築

Gemini プラットフォームで Gemini Robotics ER 2 を使用して構築しているお客様の事例

Gemini プラットフォームで Gemini Robotics ER 2 の利用を開始する

エージェント プラグインの開発から学んだ、評価エンジニアリングの 4 つの教訓

1. 要約ではなく、実行ステップを評価する

2. 非同期オペレーションの評価を設計する

3. ライブ実行と「ドライラン」を並行してテストする

4. 「ゴールデン セット」を永続的なベースラインとして使用する

次のステップ

AI が自らモデルを進化させる時代へ。カインズが AlphaEvolve で需要予測の誤差を 19% 改善

全店舗・最大 3,000 万行におよぶ需要予測の歩みと、属人化からの脱却

3 年間の試行錯誤で見えてきた、人間による特徴量設計とモデル改善の限界

自律的にアルゴリズムを進化させる「AlphaEvolve」との出会い

予測誤差を 19% 削減し、複数モデルの統合による運用効率化とコスト削減を実現

今後の展望：人が特徴量を考える時代から、AI が自らモデルを進化させる時代へ

Sky: Gemini を全社で一斉に導入し、98% の利用定着率と 2,000 個近いエージェントの共有を実現

「SKYAI」の内製開発で定着した AI 活用文化を、いかに発展させるか

横断検索の精度、データ連携、ガバナンスを評価して Gemini を選定

「従業員が AI と一緒に働く」環境を構築し、独自のスタイルを追求

Google Cloud で Claude の利用機会とデプロイの選択肢を拡大

[新規] Google Cloud 上の Claude モデル（Anthropic マネージド）

Google Cloud 上の Claude モデル（Google マネージド）

デプロイ オプションの比較

Gemini エージェントがスタートアップにもたらすメリット

Gemini エージェントとは

スタートアップ向けの 5 つの重要ポイント

すでに実践している創業者

Google Antigravity で Claude Opus 5.5 と Claude Sonnet 5.5 が利用可能に

Antigravity のマルチモデル エンジニアリング パターン

ご利用にあたって

最新生成 AI 活用事例 121 社を一挙公開！ AI エージェントの本格活用が広がる（2026 年 10 月更新）

10 月版で新しく追加された事例

第 6 回 生成 AI 事例アワード ピッチコンテスト

Visko が Google Cloud TPU でリアルタイムの世界モデルをストリーミングする仕組み

ライブ世界モデルでインタラクティブ メディアを再定義

ライブ動画は厳しい時間的制約との戦い

単一の TPU スライスでマルチモーダル パイプラインを構築する

リアルタイムのパフォーマンスの内訳: タイムリミット

スタックの内部: リアルタイム ストリーミングを実現した 3 つの最適化

AI ビルダーのためのフィールド ノート: Cloud TPU のレッスン

Cloud TPU でリアルタイム生成モデルを構築している場合は、ここから始めましょう

サイバーエージェント: Cloud Run や Agent Development Kit を活用し、クリエイティブ生成 AI プラットフォーム「AI SCREAM」のエージェント化を推進

独自プラットフォーム「AI SCREAM」で全社員に生成 AI を届ける

エージェント化によって営業メンバーもクリエイティブ制作の担い手に

より対話的な体験を追求、そして社外への展開も開始

Google Cloud がモデルの選択肢と柔軟性を拡充、OpenAI モデルを提供開始

あらゆるワークロードに最適なモデルを

組み込みのデータ ガバナンスとエンタープライズ セキュリティ

今すぐはじめるには

BigQuery で AI 費用を予測可能に: 生成 AI 関数の費用管理のご紹介

費用を管理するための割り当て

対象となる関数

割り当ての管理

使用量のモニタリング

トークン割り当てと費用上限

適用の仕組み

入力データのサイズ設定: AI.COUNT_TOKENS

トークンから予算まで: 具体例

AI 費用管理のベスト プラクティス

使ってみる

Google Cloud で Gemini 4 Argon が利用可能に：ビジネスの最も困難な課題解決をサポート

Argon がビジネスのあり方を変える 4 つの方法

1. 面倒な作業を委任可能

2. ビジネスを推進する重要業務において、正確かつ検証可能な結果を実現

3. プロダクトの構築とリリースを迅速化

4. コードとビジネスの防御を強化

早期アクセス プログラムに参加している企業のお客様やパートナーは、すでに Argon で大きな成果を上げています。

使ってみる

AI インフラストラクチャとオーケストレーションに関する最新情報

エージェントループでボトルネックを特定し、パフォーマンスを最適化する

エンタープライズロボティクス向け物理エージェントの強化

2. あらゆる形態のロボットを支える、単一のインテリジェンスレイヤ

エージェントプラグインの開発から学んだ、評価エンジニアリングの 4 つの教訓

4. 「ゴールデンセット」を永続的なベースラインとして使用する

デプロイオプションの比較

Antigravity のマルチモデルエンジニアリングパターン

第 6 回生成 AI 事例アワードピッチコンテスト

ライブ世界モデルでインタラクティブメディアを再定義

単一の TPU スライスでマルチモーダルパイプラインを構築する

スタックの内部: リアルタイムストリーミングを実現した 3 つの最適化

AI ビルダーのためのフィールドノート: Cloud TPU のレッスン

組み込みのデータガバナンスとエンタープライズセキュリティ

入力データのサイズ設定: `AI.COUNT_TOKENS`

AI 費用管理のベストプラクティス

早期アクセスプログラムに参加している企業のお客様やパートナーは、すでに Argon で大きな成果を上げています。

未来の顧客体験を創るデータインテグレーション、「データ × CX」の好循環がもたらす価値

データ分析、データエンジニアリング、および機械学習