AI & 機械学習

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 エージェントを現場実装する 2 日間、Agentic AI Summit '26 Fall

Tue, 06 Oct 2026 08:00:00 +0000

こんにちは、Google Cloud Japan です。

AI エージェントは、動くものを作るところまでは驚くほど早く進みます。難しいのはその先です。

エンジニアにとっては本番で任せられる品質の担保、情報システム部門にとってはセキュリティとガバナンス、事業部門にとっては全社への定着と成果づくりが次の課題になります。

Google Cloud は 2026 年 10 月 29 日（木）と 30 日（金）に Agentic AI Summit '26 Fall を開催し、それぞれの課題に取り組んできた企業の知見をお届けします。会場はベルサール渋谷ガーデンで、オンラインでも配信します。

▶ Agentic AI Summit '26 Fall に申し込む

Day 1 は全社展開の実例がそろう

初日は、Gemini Enterprise を中心に、AI エージェントを社内で使われる状態にするまでの進め方がテーマです。基調講演には三菱 UFJ 銀行をはじめ 2 社のお客様が登壇し、Gemini Enterprise を選んだ理由とその背景を語ります。

ブレイクアウトは全社展開の実例が中心です。

ソニー: 非エンジニアの経営企画部門が、2 桁の業務アプリを本番稼働させるまでの記録です。定着や社内調整でのつまずきも語ります。
日本テレビ: 担当者の経験と勘に支えられてきた番組づくりに客観性を加え、「ヒットの再現性」を高める AI エージェント「ミカタッチAI」の取り組みです。
足立区: 議会答弁 AI エージェントの実装プロセスと、区民の声にすばやく応えるための取り組みです。

ほかにも、大阪ガスの内製 AI 駆動開発基盤や、営業担当に次の一手を届ける Hajimari のエージェント開発があります。そして、Googler Cloudのセッションでは、Tokenmics（適切なモデルを利用する際のコスト効率向上について）や、AI エージェントの統制とモデル選択を両立するエージェント基盤の設計、Microsoft 365 などの既存環境とつないで Gemini Enterprise を全社に定着させる進め方などがあります。

他社の事例を一気に見るならピッチコンテスト

Day 1 の 13:30 からは、第 6 回 AI エージェント事例アワードのピッチコンテストを開催します。生成 AI で自社の課題を解いたファイナリストが、その取り組みをステージで発表します。

ファイナリストは、KDDI アイレット、コクヨ、Contrea、千趣会、テレビ朝日、ベンチャーサポート税理士法人と SoLabo、三菱食品、Ubie の 8 チームです。

審査員には、次の 4 名を迎えます。

漆原茂氏（ULS コンサルティング株式会社取締役会長）
酒井真弓氏（ノンフィクションライター、Jagu'e'r アンバサダー）
深津貴之氏（株式会社 THE GUILD 代表取締役）
森正弥氏（株式会社博報堂 DY ホールディングス執行役員 Chief AI Officer）

MC は、PIVOT などで MC とプロデューサーを務め、J-WAVE のニュース情報番組「JAM THE PLANET」のパーソナリティとしても活躍する野嶋紗己子氏です。

アワードの詳細は AI エージェント事例アワードの開催概要をご覧ください。

Day 2 は丸ごとエンジニア向け

2 日目は、AI エージェントを構築、デプロイ、運用するための Google Cloud のプラットフォームを中心に、エージェント開発とバイブコーディングのセッションが並びます。

基調講演には Antigravity のエンジニアや、エージェント開発のエキスパートが登壇し、Sakana AI、荏原製作所、エイベックスがエージェントを現場で動かしている取り組みを話します。

ブレイクアウトは本番運用の話が中心です。

AI エージェントを本番に載せるアーキテクチャ設計: 同じ入力でも同じ答えが返るとは限らない相手を、どうテストし、どこでリリース可否を決めるか。複数エージェントの責任の境界、コストとレイテンシの制約まで扱います。
コロプラ: Agent2Agent プロトコル (A2A) の作法だけを接続境界に決め、各部署のエージェントを作り直さずに Agent Development Kit (ADK) 製のハブへつないだ全社基盤です。
損保ジャパン: 全自動エージェントをあえて捨て、人が承認する場所を設けて、実験サイクルを 1 週間から 1 日に縮めました。

ほかにも、ライブデモと agy teamwork まで紹介する Antigravity 徹底解説、メルカリの AI PDLC と TPU 活用、エージェントの推測を減らすデータ基盤の設計、Google Cloud のテクニカルサポートチームの AI 活用などがあります。

作って試すなら Builder Day

Day 2 には、参加型の Builder Day を並行開催します。90 分の座学の後、Google Cloud 上で Antigravity などを使い、AI エージェントやアプリを作るミニハッカソンに挑戦できます。

Google Cloud のデベロッパーリレーションズのメンバーがメンターにつきます。

定員制なので、参加希望の方は登録フォームで Builder Day への参加を忘れずに選択してください。

会場に来た方だけの特典も

各フロアのデモブースでは、最新の生成 AI 製品やお客様の事例に触れられます。現地参加の方には、抽選でオリジナル T シャツのプレゼントもあります。

エージェントを作る方も、守る方も、社内に広げる方も、渋谷の会場でも、オンラインでもお待ちしています！

▶ Agentic AI Summit '26 Fall に申し込む

強化学習（RL）による Gemini モデルのカスタマイズに関するベストプラクティスガイド

Tue, 06 Oct 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 9 月 26 日に、Google Cloud blog に投稿されたものの抄訳です。

強化学習（RL）は、最新の LLM の事後学習の重要な要素となっていますが、大規模なトレーニングクラスタと、Gemini のような独自モデルでは外部の顧客がアクセスできないモデル内部へのアクセスを必要とします。そこで、Google Cloud は、これをマネージド RL ファインチューニングサービス（RLFT サービス） としてパッケージ化しました。お客様はプロンプトと報酬関数を用意するだけで、インフラストラクチャと独自モデルの内部は Google が処理します。

このサービスを使用すると、固定されたラベル付き回答セットではなく、定義した報酬シグナルに基づいてモデルに学習させることで、Gemini をサービスに適応させることができます。これにより、教師ありファインチューニング（SFT）では対応が難しい問題、つまり、実証は難しいものの、スコア付けは容易なタスクを解決できるようになります。

このガイドでは、RL ファインチューニングサービスを使用するための実践的なベストプラクティスについて説明します。まず、RL トレーニングループの概要、RL を使用するかどうか、いつ使用するかを判断する方法、このアプローチから最大限の価値を引き出す方法について説明します。

RLFT とは

RLFT は、ラベル付きの回答ではなく、定義した報酬シグナルに基づいて Gemini を調整します。大量のゴールドサンプルを作成する代わりに、回答をスコア付けするプログラムを 1 つ作成し、サービスがそれに基づいてモデルを改善します。これにより、実証は難しいが検証は容易なタスクを解決できるようになります。たとえば、すべてのスキーマに対して理想的な SQL を手動で記述することはできませんが、クエリを実行して結果を確認することはできます。

各トレーニングステップで、サービスはプロンプトに対して複数の回答候補を生成し、報酬でスコアを付け、元の Gemini に近い状態を維持しながら、スコアの高い回答が生成される可能性が高くなるようにモデルを改善します。これを可能にする強化学習はフルマネージドであるため、構成する必要はありません。あなたがコントロールし、結果を最も左右するものは、報酬です。

RLFT でできることとできないことは、次の 3 つの特性で定義されます。

モデル自体の出力から学習する: 外部のターゲットをコピーするのではなく、モデルがすでに生成したものを改良するため、SFT よりも無関係な機能を損なう可能性が低くなります。
経路ではなく結果に報酬を与える: 良い結果に到達した回答には報酬が与えられます。これは、有効な解決策が多数ある自由回答形式のタスクに適しています。
既存の能力を増幅する: たまにしか起きない成功を確実に再現できるようにしますが、モデルが一度も実証したことのないスキルを教えることはできません。

RLFT を使用する状況

プロンプトと SFT でほとんどの適応に対処できるため、まずはこれらを試してください。RLFT がその価値を発揮するのは、回答を評価できるが、安価に作成できない場合、重要な指標（忠実性、スキーマの有効性、トーン）で SFT が頭打ちになった場合、またはタスクに等しく有効な回答が多数あり、単一の参照ターゲットでは誤ってペナルティが課される場合です。

SFT と RLFT は競合するものではなく、補完的なものです。

直接 RLFT: ベースモデルがすでに時々成功している場合（報酬によってより良い回答とより悪い回答が区別される程度）。
SFT → RLFT の 2 段階: SFT データがある場合、またはベースの成功率が低すぎて RL が軌道に乗らない場合。SFT を短時間の安価なウォームスタートとして使用します。デモンストレーションを過学習させると RL による改善の余地が少なくなるため、SFT は軽めにとどめておきます。その後、SFT チェックポイントから RL を初期化する継続的チューニングを介して RL に移行します。

先行ユーザーの間では、これらのパターンは RLFT が最も価値を発揮する領域であることが示されています。いずれのパターンでも、企業が重視するものの、安価に実証できなかった成果を RLFT でスコア付けしています。

RLFT のユースケース

ゲーム内の AI を活用した NPC

内容: 多言語対応でマルチターンの長い会話で、キャラクターやブランドにふさわしい対話が展開される。
問題: 既製のモデルでは、言語の誤り、ハルシネーションにより生じたアイテム、プレーヤーの無視、繰り返しのループなどにより、没入感が損なわれる。
目標と報酬: Gemini 自動評価ツール（LLM-as-a-judge）が、ペルソナ、フロー、ゲーム状態のシンタックスに基づいて各ターンをスコア付けし、形式や言語のエラーにペナルティを課す。
結果: ループと言語のドリフトが解消され、状態のシンタックスが維持されたことで、ゲーム内のキャラクターを大規模にリリースすることが現実的なものになりました。

構造化されたエンティティの抽出

内容: サプライヤーの請求書や出荷明細書などの非構造化ドキュメントから一連の項目を抽出し、構造化レコードに自動的に変換する。
問題: SFT が頭打ちになるロングテール。必要なフィールドが見落とされている（再現率）か、存在しないフィールドが捏造されている（適合率）。
目標と報酬: ルールベースの適合率 / 再現率の報酬を使用して、各フィールドがソーステキストにグラウンディングされるようにして、1 つの正解から模倣されないようにする。
結果: チューニングが停滞していたノイズの多い実社会のドキュメントに対して、フィールドレベルの精度が向上し、手動によるレビュー手順を自動化できました。

コンテンツ管理

内容: 複雑なポリシーとディシジョンツリーを大規模に適用する。
問題: モデルのハルシネーションによる偽陽性や、無効な形式で評価を避けようとする報酬ハッキング。
目標と報酬: Cloud Run の報酬を使用して、形式の検証と決定論的な採点ツールを組み合わせて、複数ステップのポリシー遵守を強制する。
結果: モデルが複雑な免除措置を処理し、偽陽性を大幅に削減し、報酬ハッキングを阻止したことで、管理費用を増加させる人間へのエスカレーションの量が減少しました。

実行によって測定されるコード

内容: 顧客データに対して実際に実行されるかどうかに基づいて評価される SQL または API 呼び出し。
問題: SFT が 1 つの参照クエリを模倣し、未知の独自スキーマに対して機能しない。
目的と報酬: コード実行の報酬を使用して、安全なサンドボックスでコードを実行し、コンパイル、実行を経て、正しい結果が返された場合にのみ報酬を与える。
結果: モデルは、クローズドフロンティア品質の実行可能なクエリを最初の試行で生成し、推論コストを削減しました。これにより、技術者以外のユーザーも自然言語で独自のデータをクエリできるようになりました。

HTML によるプレゼンテーションスライドの生成

内容: HTML / CSS で作成された複数スライドの資料。
問題: テキストのみでトレーニングすると、視覚的な品質が無視されるため、オーバーフロー、要素のクリッピング、一貫性のないスタイル設定などが見過ごされる。
目標と報酬: コード実行の報酬を使用して、スライドをレンダリングし、ビジュアルデザイン、レイアウトの整合性、構造の完全性、評価基準の遵守をスコア付けする。
結果: モデルは、テーマに一貫性があり、レイアウトのオーバーフローがない、モジュール化された、適切なスタイルのスライドを出力しました。

どこから始めるべきか

データセット。最初の実行には、検証用として取り分けたデータを含む、多様なプロンプトのセットで十分です。ループが収束し、報酬が期待どおりに推移していることを確認してから、スケールします。トレーニングと評価は厳密に分けるようにしてください。評価が汚染されると、過学習が見落とされてしまいます。
報酬関数。コードまたは構成としてのタスク仕様であり、品質を左右する重要な要因。優れた報酬は、人間の好みに相関し、不正な出力に対して堅牢であり（解析の失敗をキャッチし、クラッシュすることなく、明確に否定的なスコアを返します）、報酬ハッキングに耐性があります。具体的には、複数の評価を組み合わせ、長さへのペナルティを課し、異常な出力への下限を設定し、モデルの意見よりも検証可能なチェックを優先します。リリース前にオフラインで検証してください。

残りはサービスが処理します。デフォルト設定から開始し、コンソールで報酬と評価の曲線を確認して、最後の段階ではなく、検証報酬が頭打ちになった時点のチェックポイントを使用します。

使ってみる

あなたは何を構築しますか？そのために必要なツールがここにあります。

ドキュメント: 強化学習ファインチューニング

- Google、シニアソフトウェアエンジニア、Jiaqi Pan

- Google、シニアプロダクトマネージャー、Kunal Jha

Orange はどのように FinOps のアカウンタビリティを確立し、なぜ次にエージェントなのか

Thu, 01 Oct 2026 02:30:00 +0000

※この投稿は米国時間 2026 年 9 月 17 日に、Google Cloud blog に投稿されたものの抄訳です。

フランスを拠点とする大手多国籍通信プロバイダの Orange では、エンジニアリングチームがデリバリーバックログを一時中断して、全員でクラウド費用のクリーンアップに 1 日を費やす日があります。ランキングが表示され、素敵な特典が用意されています。経験豊富な実務担当者が初心者を指導するため、初心者は実際に作業しながら仕事を覚えます。一日の終わりには、プロジェクトの支援者（スポンサー）も結果を確認できます。

Orange はこれを FinOps Clean Days と呼んでいます。ゲーム要素を取り入れたハッカソンと組み合わせることで、100 人以上の社員が参加する FinOps コミュニティは、社内におけるネットプロモータースコアで 70 を超える評価を獲得しました。

これらの数字は、業界全体が苦戦しているある課題を示唆しています。最近の State of FinOps レポートでは、エンジニアに行動を起こさせることが、組織が直面する最大の課題の一つとして挙げられています。単なる認識から実際の行動へと移すには、FinOps のアカウンタビリティを醸成し、チームに真剣に取り組んでもらう方法を見つけなければなりません。

つまり、FinOps はビジネスにおける「変革」の課題と言えます。そして、ビジネスの変革に関する課題には、既知の解決策があります。Orange の FinOps リードである Camille Marini 氏に、同社がどのようにしてこれらの課題を克服し、AI の導入と ROI を加速させたのか、また、他の組織がどのようにして同じ道をたどることができるのかについて詳しくお話を伺いました。

Clean Days が効果的な理由

Orange は、FinOps チームの立ち上げ当初から、2 つの原則を掲げています。1 つ目は、Cloud FinOps は責任の共有であり、プロジェクトのすべての関係者がそれぞれの方法で関与する、という点です。そして 2 つ目は、その責任の共有を実現する唯一の道はコミュニケーションと、意図的な変革の取り組みである、という点です。

「FinOps の実践において、組織全体で責任の共有というコンセプトを重視しました」と Marini 氏は語ります。「これは、クラウドセキュリティに対する当社のアプローチと非常によく似ています。責任ある効果的な AI への支出と使用を実現するには、プロジェクトのすべての関係者が、それぞれの方法で FinOps に関与していることをチームに理解してもらう必要がありました。」

これらの原則に基づき、Orange は Google Cloud コンサルティングのサポートを受けて FinOps 実践コミュニティを立ち上げました。このコミュニティは、標準化されたコミュニケーションチャネルで運営されたため、その手法は中心メンバーの枠を超えて広く浸透しました。また、会議では具体的な最適化案や請求の更新情報を共有し、常に「すぐに行動に移せる内容」に徹したことで、すべてのセッションが参加者にとって価値あるものとなりました。

Clean Days は、アジャイルなチームが実際にどのように機能しているかを見極めたうえで考案されました。デプロイが絶え間なく行われるアジャイル環境では、最適化作業がスプリントより優先されることはほとんどありません。デリバリーの優先事項、バックログ、日常業務で、利用できる時間は真っ先に埋まってしまいます。そこで Orange は、専用の時間を確保し、それを共同作業にして、楽しいイベントに仕立て上げました。

このアプローチがなぜ効果的なのかは、McKinsey の「変革の 4 つの構成要素」によって説明がつきます。このフレームワークでは、大規模な組織変更には、次の 4 つの領域にわたるアクションが必要であるとしています。

納得と理解:「自分に何が期待されているかを理解し、それに同意している。」
公式なメカニズム:「構造、プロセス、システムによって変化が促されている。」
ロールモデリング:「リーダーや同僚の行動が変化している。」
人材とスキル:「新しい方法で行動するためのスキルと機会が与えられている。」

Orange の手法をこれらのブロックにマッピングすると、パターンが見えてきます。ゲーム要素と報酬により、エンジニアたちにお手本となる同僚が生まれます。ランキングによってさまざまな行動が可視化され、スポンサーはすぐに成果を確認できます。経験豊富な実務者が初心者を指導することで、コミュニティ自体を通じて人材とスキルが育成されます。定期的なセッションで最適化と請求に関する最新情報を共有することで、資金の使途を把握しているという確信が生まれます。

変化の 4 つの構成要素にマッピングされた FinOps アクティビティと、AI エージェントがそれらを強化できるポイント。

100 人を超える場合

100 人の熱心なコミュニティを築くことは、それだけでも十分に大きな成果です。しかし、数千人のエンジニアを抱える組織では、中央の FinOps チームが全員に直接連絡することはできません。リーダーにとっての課題は、Orange のようなコミュニティがもたらすもの、つまり意識改革、当事者意識の共有、行動の習慣化を、FinOps チームが直接アプローチできない人々に、どのように浸透させていくかです。

ここで、AI エージェントの出番です。AI エージェントは 2 つの主なメリットをもたらし、FinOps チームの能力を高めます。これまで人間が対応せざるを得なかった、複雑で時間のかかる作業をエージェントが引き受け、社内の誰もが摩擦なしに FinOps に取り組めるようになります。

エージェントをチームに定着させるには、自社が抱える具体的な課題に焦点を当てた戦略が必要です。こうした課題は多くの場合、認知負荷の高さ、責任の所在のあいまいさ、あるいは優先事項の競合などから生じています。まずは、FinOps ライフサイクルにおいてエンゲージメントが低下するポイントを特定します。

認識のギャップ: チームが支出の影響を把握していない場合、分析情報エージェントが、日常的に使用するツールにリアルタイムの費用データを push できます。
リソースのギャップ: エンジニアがバックログの消化に追われているなら、修復エージェントがすぐに効果の出る対策を特定し、そのままマージできる状態のコード変更として提示してくれます。
複雑さのギャップ: レポート作成が面倒なルーティン作業のように感じられる場合、オーケストレーションエージェントがデータを収集してプロセスを簡素化できます。

信頼から始め、自律性を追加する

賢明な進め方は、段階を踏んで進めることです。Orange のように、コミュニティプラクティスを確立します。次に、情報提供と提案を行う読み取り専用エージェントを導入します。コミュニティ全体でこれらが定着して初めて、システムに直接変更を加えるエージェントの構築へと進むべきです。直接的なアクションには運用上のリスクが伴うため、慎重に管理してください。しかし同時に、そこにこそ、最も大きな成果が眠っているのも事実です。

どのように構築するかは、誰が構築を担うかによって異なります。最小限のコードで迅速にデプロイしたいチームの場合は、Gemini Enterprise app がエージェントを作成するためのノーコード環境を提供します。きめ細かい制御を必要とするデベロッパー向の場合は、Gemini Enterprise Agent Platform（旧称 Vertex AI）が、Agent Development Kit（ADK）などのフレームワークで構築されたエージェントをリリースして管理するための高度なツールを提供します。

Cloud FinOps は、一元化されたレポートから、実際の開発現場で即座にアクションを起こすフェーズへと移行しつつあります。この変革に成功している組織は、まず「文化の醸成」から始め、次に AI エージェントを活用することで、一つのチームの限界を超えた組織全体への拡大を実現しています。

Orange の数値はコミュニティの取り組みから得られたものです。その基盤を構築することが、最初に真似るべき部分です。この取り組みをさらに拡大する準備ができたら、Google Cloud コンサルティングがコミュニティプラクティスの形成を支援します。また、Gemini Enterprise アプリを活用すれば、最初の読み取り専用エージェントを手軽にチームへ導入することができます。

- Google、AI Transformation および FinOps コンサルタント、Samuel Moss

- Google、AI Transformation コンサルタント、Celine Devie

ゲームチェンジャー: エージェント型 AI を使用してインフラストラクチャコードを保護する

Thu, 01 Oct 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 9 月 19 日に、Google Cloud blog に投稿されたものの抄訳です。

AI は、かつてないペースでソフトウェア開発を加速させています。しかし、コード生成が拡大するにつれて、コードのセキュリティを確保する課題も増大しています。特に、AI を利用した新たな脆弱性の悪用が懸念されています。こうした課題に対処するため、Google AI およびインフラストラクチャチームは、セキュリティへの取り組み方を変革しています。この記事では、Google が開発した新しい AI ネイティブなエージェント手法について説明します。この手法は、高精度で網羅的な脆弱性スキャンとパッチ適用を、Google のソフトウェア開発ライフサイクルに体系的かつ直接組み込むものです。Google は、インフラストラクチャにデプロイされる数億行に及ぶコードのあらゆる変更を継続的にスキャンすることで、毎月数百件もの脆弱性がコードベースや本番環境に混入するのを未然に防ぎ、グローバルネットワーク、AI インフラストラクチャ、そしてユーザーを保護しています。

ソリューションアーキテクチャと実装

送信前のエージェント型スキャンを徹底: 継続的なソフトウェア開発の一環としてのセキュリティ

従来、テクノロジー業界は、処理に時間がかかり、十分なコンテキストを把握できない単発の大規模なセキュリティスキャンに頼ってきました。その結果、脆弱性の発見が遅れることがよくあります。Google のアプローチでは、これとは異なり送信前スキャンに焦点を当てています。AI エージェントを活用し、スタックのあらゆるレイヤにおいて、コードのチェックインをリアルタイムで評価します。デベロッパーの使い慣れたツールに送信前スキャンを統合することで、セキュリティは、ルールチェッカーや可読性レビューなどのソフトウェア開発ツールと同じように、開発プロセスにおける日常的なルーティン作業になります。また、AI の観点から見ると、個々のコード変更をスキャンする方が、大規模な 1 回限りのスキャンを実行するよりもはるかに少ないコンテキストで済むため、スキャンの効果が大幅に向上します。

ローカライズされた脅威モデルの重要性

この取り組みのために、Google はオープンソースのマルチエージェントレビューハーネスである Mantis を進化させ、ローカライズされた堅牢な脅威モデルのコホートと照合することで、セキュリティエージェントの精度を高めました。脅威モデルは、コードから切り離された静的なドキュメントに依存するのではなく、リアルタイムのコードベースメタデータを使用します。スキャンエージェントは、パッケージやライブラリ間の依存関係コールグラフを使用し、脅威モデルのコンテキストを拡張および洗練させることで、精度をさらに向上させます。脅威モデルを継続的な脆弱性スキャンの一部に組み込むことで、開発者が脅威や依存関係を常に更新するようになり、モデルを最新の状態に保つことができます。ローカライズされた正確な脅威モデルデータを使用することは、精度の劇的な向上に直結しており、場合によっては偽陽性率をわずか 3% にまで抑えることができます。

専門のトリアージエージェントが開発を加速

コードチェックインの一環として脆弱性スキャンを行う場合、エンジニアリングの生産性を妨げないよう、コードを生成する開発者やエージェントに迅速に対応する必要があります。低レイテンシで回答を得るために、2 段階の検証プロセスを実行しています。まず、迅速な軽量スキャンを実行し、その結果を専門のトリアージエージェントで検証します。このエージェントは、コードの実際の構造をプログラムでチェックし（抽象構文ツリーの解析、コールグラフの走査、事前インデックス化されたドメイン安全ルールを使用）、脆弱なパスが実際に攻撃者によって到達可能であることを証明します。このエージェントは 92% 以上の精度を達成し、1 分以内に作業を完了します。次に、夜間の統合テストの一環として、送信後のスキャンが第 2 の防御層として機能し、オフピークサイクルを使用して、複数の変更にわたって導入された可能性のある脆弱性をテストします。

バグ修正エージェントがループを閉じる

脆弱性を見つけることは、解決への道のりの半分にすぎません。Google のソリューションの最後のコンポーネントは、スキャン結果と生成された実証コード（脆弱性がどのように再現されるかを示すコードスニペット）を使用して、Google の社内コーディング標準に合致した正確な修正案を自律的に生成する自動バグ修正エージェントです。エージェントは、元の変更リクエストのレビューの一環として、人間によるレビューのために修正を送信します。これにより、検出から解決までの時間がさらに短縮されます。

学んだことと行動喚起

継続的なスキャンをソフトウェア開発ライフサイクルに直接組み込むことは、Google においてまさにゲームチェンジャーとなりました。AI が提示する修正案は広く採用されており、数多くの脆弱性がコードベースに混入するのを未然に防いでいます。セキュリティ向上を目指す組織であれば、次の原則に従うことで、同様の AI ネイティブなアプローチを導入することが可能です。

システムを分離する: バイアスを防ぐため、開発、スキャン、トリアージの各エージェントのハーネス、ルール、コンテキストを分離します。軽量な AI スキャンと決定的かつ構造的な検証を組み合わせることで、レイテンシを短縮し、精度を向上させます。
コンテキストを賢く使用する: 既存の脅威モデルをエージェントにフィードします。偽陽性を減らすには、正確なコンテキストが不可欠です。また、最新の脅威モデルを使用することで、送信前スキャンの真陽性率が向上し、チームのセキュリティポスチャーの最低基準が引き上げられます。
優れたハーネスを構築する: 基盤となるモデルの選択は重要ですが、マルチエージェントハーネスを使用すると、モデル選択のばらつきを補うことができるため、大きな効果が得られます。
修正を自動化する: エージェントを使用して、人間参加型の修正を提案し、解決までの時間をさらに短縮します。

独自の AI ネイティブなセキュリティ変革を始めたい場合は、Mantis がオープンソースとして公開されていますので、ぜひ活用してそのメリットをお役立てください。また、サイバーセキュリティの基礎や、このエージェント型パイプラインを支える他のプラットフォーム（Google Cloud、Gemini Enterprise、Trillium および Ironwood TPU で実行される Gemini モデル）についても詳しく学ぶことができます。また、Google Cloud のセキュアなソフトウェア開発のライフサイクル（SDLC）の取り組みに不可欠な要素として、エージェント型の脆弱性スキャンと修復が Google Cloud のお客様をどのように保護しているかについても、ヒントを得ることができます。

^{この成果の実現に多大な貢献をした主要メンバーである、Stella Voutsina（リードプログラムマネージャー）、Yulong Zhang（シニアスタッフセキュリティエンジニア、Mantis）、Nick Galloway（スタッフセキュリティエンジニア、Mantis）に心からの敬意を表します。}

- Google、上級エンジニア、Andrés Lagar-Cavilla

- バイスプレジデント兼エンジニアリングフェロー、Parthasarathy Ranganathan

エージェントを強化: Gemini 3.8 Live with Live Avatar の一般提供を開始

Wed, 30 Sep 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 9 月 25 日に、Google Cloud blog に投稿されたものの抄訳です。

先週の Gemini 3.8 Live と Gemini 3.8 Live Extended Thinking の発表に続き、Gemini 3.8 Live with Live Avatar が Gemini Enterprise で一般提供されることになりました。Google Cloud Next 2026 で初めてプレビューされたこのテクノロジーは、企業の本番環境に正式に対応しました。

企業の音声 AI が基本的な速度やコストの指標を超えて進化するにつれ、Google の優先事項は、各インタラクションの品質をさらに高めることに移っています。Gemini 3.8 Live は、ネイティブの音声間基盤により、流暢で応答性の高い会話を実現しています。Live Avatar 機能は、ウェブ、モバイル、インタラクティブキオスクなどの会話型動画エージェントに、視覚的なインタラクションと確かな存在感をもたらします。これにより、以下の機能を利用できます。

動画アバター: Live Avatar 機能を使用した会話型動画では、リップシンクが同期された動画アバターを生成できます。注: カスタムアバター機能は、許可リストに登録されている場合にのみ利用できます。
流暢な対話: ネイティブな音声間対応により、会話の文脈やバックエンドの処理を途切れさせることなく、ユーザーからの割り込みにもより自然に対応できます。
ツール呼び出し: 会話を続けながら、バックグラウンドでツールと API 呼び出しを実行します。これにより、モデルはリクエストを認識し、バックグラウンドでタスクが完了するまでチャットを続けることができます。
言語の壁を打破: Gemini 3.8 Live は 97 の言語を理解して話すことができ、言語の自動検出にも対応しています。
ユーザーの視界をエージェントと手軽に共有: Live の視覚理解機能により、ライブカメラのフィードや画面共有を、音声と同時にすべてリアルタイムで処理できます。

Gemini 3.8 Live Extended Thinking は限定公開プレビュー版のままですが、Gemini 3.8 Live with Live Avatar が利用可能になりました。米国と EU のエンドポイントで提供され、プロビジョンドスループット、エンタープライズコンプライアンス、厳格なデータガバナンスを備えています。Gemini Enterprise でモデルとその機能をお試しいただき、API を使用して今すぐ構築を始めましょう。

信頼と透明性を重視

アイデンティティの保護と不正利用の防止のため、お客様は厳選された事前構築済みアバターのライブラリからデプロイできます。一方、カスタムアバターの作成には、厳格なエンタープライズ許可リストへの登録と身元確認プロセスが必要となります。さらに、生成されたすべての音声ストリームと動画ストリームには、人間には感知できない SynthID の透かしが埋め込まれており、AI 生成コンテンツの透明性と検証可能性が確保されています。

Gemini 3.8 Live と Live Avatar の 3 つのデモ

1: インタラクティブなカスタムアバター

^{インタラクティブなカスタムアバターを段階的に作成}

Gemini 3.8 Live で、システム指示を追加し、参照用の写真と音声ファイルのサンプルを 1 つずつアップロードすることで、カスタムアバターを作成する方法をご覧ください。

2: 音声優先の保険金請求受付におけるライブ動画の理解

^{Gemini 3.8 Live を使用したライブ動画の理解により、請求の受付を効率化}

このデモでは、Gemini 3.8 Live を使用して、一般的なユースケースである受付エージェントを実際に作成します。このシナリオでは、保険金請求の受付エージェントを想定しています。カメラに向かって話し、損傷を映すだけで、請求ノートブックが自動的に入力されていきます。バックグラウンドでは、ADK エージェントチームがポリシーを確認し、受付ルールを適用して、アジャスターパケットを作成します。詳細については、オープンソースコードをご覧ください。

3: Google ADK と Gemini Live API を使用したリアルタイム音声 AI エージェント

^{Google ADK と Gemini Live API を使用してライブ音声エージェントを構築}

デベロッパーが Agent Development Kit（ADK）を使用して、エージェントの定義、ランナーとセッションメモリの管理を行い、従来の音声文字変換パイプラインを介さずに、リアルタイム音声を Gemini Live API へ直接ストリーミングする方法をご覧ください。

Gemini 3.8 Live with Live Avatar を活用したイノベーションの事例

Cox Automotive は、Autotrader 向けに AI を活用したショッピングアシスタントを構築しました。このアシスタントは、ライブ画面ハイライト機能とツール呼び出し機能を活用し、自然な会話を通じて、車両の検索から比較、さらには融資の手続きまで、自動車購入者をリアルタイムで案内します。

「買い物客は、フィルタやメニューをたどるのではなく、自分の言葉で必要なものを伝えて探すことを、ますます望むようになっています。Autotrader の新しい会話型 AI アバターは、自然な会話を適切な在庫にマッチングさせることで、車両検索にそのエクスペリエンスをもたらします。これは、すべての消費者とのやり取りで Cox Automotive のデータを最大限に活用するという、コネクテッドインテリジェンスのビジョンに向けた新たな一歩です。」- Cox Automotive、EVP 兼最高プロダクト責任者、Marianne Johnson 氏

「当社は、ユーザーをよく理解し、ユーザーの言語を話し、常にユーザーに寄り添うパーソナル AI を構築しています。現在、インドの 9 つの言語で、1 日に 100 万件を超えるライブ通話を処理しています。Gemini 3.8 Live によって、割り込みへの対応、多言語での会話、そしてツール呼び出しの信頼性が向上しました。この AI は電話に応答するだけでなく、ユーザーに代わって作業を完了してくれます。」- Equal AI、CEO、Akhilesh Damaraju 氏

「Gemini 3.8 Live と Agentforce が連携することで、インテリジェントサービスの可能性を再定義できることを大変嬉しく思います。Salesforce AI Research と Google のコラボレーションにより、リアルタイムのマルチモーダル機能とエージェント型 AI を組み合わせ、最初の問い合わせから解決に至るまで、より豊かで直感的なカスタマーエクスペリエンスを創出する新たなアプローチを追求しています。- Salesforce、Agentforce 担当プロダクトバイスプレジデント、Bob Van Osten 氏

「テストとベンチマークを通じて、Gemini 3.8 Live には非常に感銘を受けました。音声検出のアップデートと全体的なレイテンシの改善は大きな前進であり、SPECS プラットフォームで最高品質の AI アシスタントを提供する能力をさらに高めてくれます。」- Specs、ソフトウェアエンジニア、Eric Walsh 氏

今すぐ開発に着手しましょう

Gemini 3.8 Live with Live Avatar は、企業のお客様向けに提供が開始されています。

Gemini Enterprise でモデルを試す
Gemini Live API のドキュメントで統合ガイドを確認する
料金ページで料金を確認する
Gemini Live API を使用してリアルタイムの双方向ストリーミングアプリを構築するスキル

アプリケーションに特殊なモジュール式の音声機能が必要な場合は、他の音声モデルもご確認ください。

プロビジョンドスループットの有効化、カスタマイズされたデプロイアーキテクチャ、カスタムアバターの許可リストへの登録については、Google Cloud の営業担当者にお問い合わせください。

- Gemini Live、グループプロダクトマネージャー、Fabien Blanc-paques

住友重機械工業: Google Cloud で SDV 開発基盤を構築し、大型機械用ソフトウェア開発の高速化と人材育成を両立

Tue, 29 Sep 2026 02:00:00 +0000

「デジタルの力で、世界中の現場を快適に、携わる人々を幸せに」というビジョンに基づき DX を推進している住友重機械工業株式会社（以下、住友重機械工業）では、製造業 DX と SDV（Software Defined Vehicle）用のロボット開発基盤を Google Cloud で構築。製造業で深刻化している労働力不足の解消にも取り組んでいます。なぜ SDV のために Google Cloud を採用し、いかに人材育成も充実させたのか。AIロボティクスセンターの開発者と責任者に話を伺いました。

利用しているサービス:
Gemini Enterprise, Gemini CLI, Cloud Workstations, BigQuery, Cloud Build, Cloud Run, Identity-Aware Proxy など

利用しているソリューション:
生成 AI

加速する SDV の流れに対応するために、Google Cloud でプラットフォームを構築

重機械メーカーである住友重機械工業は、減速機や放射線治療装置など、多岐にわたる製品を研究開発しています。その中で、物流・建設機械を扱うロジスティックス＆コンストラクションセグメントを担当しているのが、AIロボティクスセンターです。現在、同センターでは、自動フォークリフト（AGF：Automated Guided Forklift）の開発を推進。技術本部技術研究所 AIロボティクスセンターロボティクスプラットフォームグループの中尾拓真氏は、その背景を次のように説明します。

「製造業は、ハードウェアの性能で製品価値が決まる時代から、ソフトウェアのアップデートで機能が追加され、より便利になる SDV の時代への変革期にあります。自動車ではすでに、OTA と呼ばれるインターネット経由のアップデートで自動運転の性能や燃費が購入後にも向上するようになりました。この流れは物流・建設機械にも広がってきていますので、大型機械の中で動くソフトウェアの開発を、より高速化することが求められています。」

同センターでは、AGF の開発を通じて、SDV に対応したクラウドの開発環境を検証。得られた成果や知見をもとに、ソフトウェア開発を効率化し、油圧ショベルやクレーンなどの他の機種にも展開していく予定です。

「コーディングでは生成 AI を利用して、AGF の動作やアルゴリズムを短時間で実装します。こうして実装した機能は、まずシミュレーターで動作を確認してから実機実験に進みますが、実機実験は時間や場所、安全性の制約が大きいので、可能な限りシミュレーターで不具合を解決しておくことが大切になります。また、そこで得られたデータはクラウド上で分析され、不具合の原因特定や次の改善に活かされます。」（中尾氏）

デジタルツインを活用した事前検証を行い、実機実験を 1 回でクリア

住友重機械工業では基盤となるプラットフォームとして、Google Cloud を採用。決め手となったのは、開発に必要な機能はもちろん、内製化に向けた支援プログラムなどが包括的に提供されることでした。

Google Cloud 上の開発プラットフォームは、生成 AI 開発環境、CI/CD、デジタルツイン、データ分析の 4 つの役割を担っており、検証を終えた機能は Docker イメージで実機にデプロイされます。例えば AGF がパレットを検出してピックアップする自動化機能の開発では、Cloud Workstations 上のデジタルツインでシミュレーションを行った結果、1 回目の実機実験で動作テストを問題なくクリアできました。

「シミュレーターは実機とまったく同じプロトコルで通信できるので、ロボットのプログラムから見ると、接続している相手が実機なのか、シミュレーターなのかを意識する必要がなくなります。だからこそ、動作確認したプログラムが実機でもそのまま動くのです。」（中尾氏）

中尾氏によれば、Google Cloud の導入は個別の開発だけでなく、チーム全体の作業プロセスにも大きな変化をもたらしました。

「クラウドを導入する前は、開発環境や使用ツールが各自バラバラで、ソースコード管理も個々が行っていました。しかし Cloud Workstations で環境を標準化し、ソースコード管理や CI/CD も実現したことにより、シナジーを生むチーム開発へ移行できました。特に Cloud Workstations は、メンバー全員が同一環境で開発できるため、新規メンバーのオンボーディング短縮にもつながっています。新入社員として配属されたメンバーが、配属初日から作業に着手できた例もありました。」（中尾氏）

開発プラットフォームでは、コーディングやデバッグ、ドキュメント作成などの幅広い工程で、Gemini CLI や Gemini Enterprise などの生成 AI が活用されています。中尾氏は、その効果を高めるために独自の仕組みも構築してきました。

「生成 AI でエンジニアの発想をすぐにコード化し、CI/CD と組み合わせて定型作業も自動化したことで、エンジニアが創造的な作業に専念できるようになりました。ただし、AI コーディングエージェントは、同じエラーの解決方法を毎回 1 から探してしまいます。そこで、エラーログをキーにして AI が解決策を自動蓄積・検索する『KAI（Knowledge & AI）』を構築し、チーム全体へナレッジを展開できるようにしました。さらに、AI の学習データに含まれない社内の内製ライブラリの仕様を正しく理解させるため、ソースコードとドキュメントを関連付けて検索できる『GraphRAG』も実装しています。」（中尾氏）

Cloud Workstations と TAP で最適なクラウド人材の育成環境を整備

住友重機械工業は、Google Cloud 上のプラットフォームによって AGF の新機能実装を大幅に効率化しました。しかし意欲的な開発を継続していくには、クラウドに習熟した人材の確保が急務となります。ロボティクスプラットフォームグループでグループリーダを務める藤井北斗氏は、2025 年に入社した中尾氏を例に挙げながら、短期間で優れた人材を育成するうえでも Google Cloud の導入が有用だと語りました。

「SDV をけん引する人材育成には、早い段階で数多くの失敗と成功を体験させることが重要です。しかし弊社のように歴史が古く、規模の大きな組織では、自由にロボット開発を試せるクラウド環境を提供するのは、ガバナンスやセキュリティの観点から難しいのも事実です。この課題を Google Cloud で解決しようと考えました。」

まずガバナンス・セキュリティ面では、Google Workspace の Enterprise エディションを採用し、組織管理アカウントと IAM（権限管理）を連携させることで、少人数でも安全かつ適切なアカウント管理を実現。Security Command Center（SCC）も導入し、脅威の検知から修復までをカバーするセキュアで効率的な運用環境を確保しています。

「開発の経験を積むにはセキュリティガードレール、自由なプレイグラウンド（実験環境）と AI サポート、失敗しても元に戻せるサンドボックスの 3 要素が必要です。Cloud Workstations はコンテナなので壊れても元に戻せますし、IAP（Identity-Aware Proxy）で防護されているので安全も確保できます。生成 AI は Gemini Enterprise で誰が何に使っているかを把握できるようにし、ネットワークやセキュリティは Google Cloud Skills Boost で基礎的なことを学んでから、実装に取り組む体制にしています。中尾も、ガードレールの中で安全に失敗を繰り返すことで、バランスが取れた実装ができるようになりました。」（藤井氏）

一方、組織開発では、外部の知見を入れながら継続的に組織をスケールさせるための取り組みがなされています。そこで利用されたのが、Google Cloud が提供するアジャイル型内製化支援ワークショップ、TAP（Tech Acceleration Program）です。

「ロボット開発基盤のプロトタイピングでは、Google Cloud のエンジニアと 3 日間の合宿を実施していただきました。TAP では、プラットフォームエンジニアリング

やサイト信頼性エンジニアリング（SRE）だけでなく、Google のカルチャーや組織開発についても学ぶことができました。さらには生成 AI を使ったバイブコーディング研修を実施いただき、それを軸に社内教育も実施しています。」（藤井氏）

住友重機械工業は今後、SDV のサービス化に向けた企画やビジネスモデル構築、マイクロサービス開発、デジタルツイン環境の拡張へと取り組みを広げていく計画です。藤井氏は次の目標をすでに見据えていました。

「例えばデジタルツインは、開発やデバッグだけでなく、お客さまに新しいサービスを早く検証していただくための環境も提供します。この技術を基に、すべての住友製品とクラウドでつくったサービスが、仮想空間でつながる世界を実現したいと考えています。また、Gemini Robotics-ER 1.6 が公開されたので、フィジカル AI との統合も検討しています。OTA の仕組みを欧州の規制に適合させる、あるいは Firebase で顧客の操作状況を把握して UX を向上させるなど、弊社には他にも多くの目標があります。これらの実現に向け、今後も Google Cloud を活用した開発の効率化や、労働力不足などの課題を解決できる仕組みづくりに挑戦し続けていきます。」（藤井氏）

住友重機械工業株式会社
1888 年の創業から 130 年以上の歴史がある総合機械メーカー。「住友の事業は住友自身を利するとともに、国家を利し、社会を利する事業でなければならぬ」という住友グループの経営理念に基づき、メカトロニクス、インダストリアルマシナリー、ロジスティックス＆コンストラクション、エネルギー＆ライフラインの 4 つのセグメントを事業領域としてカバーする。連結従業員数は 2 万 5,123 名（2025 年 12 月 31 日現在）で売上高は 1 兆 669 億円（2025 年度）。

インタビュイー（写真左から）
技術本部技術研究所 AIロボティクスセンター
・ロボティクスプラットフォームグループグループリーダ・主任研究員　藤井北斗氏
・ロボティクスプラットフォームグループ　中尾拓真氏

その他の導入事例はこちらをご覧ください。

Airtel、2026 年インディアンプレミアリーグのクリケット中継を完璧に配信

Fri, 18 Sep 2026 02:00:00 +0000

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

インディアンプレミアリーグ（IPL）の何百万人もの熱狂的なファンにとって、クリケットのライブ配信を完璧な状態で視聴できることは絶対条件です。世界最大規模の同時視聴者数を誇るリーグのテレビ放送を制作する Airtel にとって、パケットのドロップやバッファリングは、決してあってはならないことです。

IPL 2026 のシーズン中、Airtel は Google Cloud と提携して、このデジタル配信に対応しました。このストリーミングインフラストラクチャが 74 試合にわたって配信した外向きデータは数百ペタバイトに及びます。決勝戦だけで数百億件のリクエストが処理され、ピーク時の外向きトラフィックは数 Tbps に達しました。

このような同時接続数の急増に対応して動画を配信するには、ローカル化を徹底追及したエッジアーキテクチャと、プロアクティブな運用モニタリングを組み合わせる必要があります。

IPL 2026 の目標は、同時接続数の急増やネットワークの状況にかかわらず、インド全土のクリケットファンに、スタジアムにいるかのようなスムーズな視聴体験を提供することでした。Airtel は、Google Cloud と提携して Media CDN を使用することで、ローカルエッジへの近接性と優れたキャッシュ効率を実現できました。そして、これを試合当日のプロアクティブなリアルタイムモニタリングと組み合わせることで、最初から最後まで信頼性の高いブロードキャスト体験を提供できました。

同時接続数とエッジ効率を考慮した設計

スポーツのライブ配信における主な課題の一つは、トラフィックの急増をシームレスに処理し、ストリーミングのパフォーマンスを低下させたり、バックエンドの配信元に過剰な負荷をかけたりしないことです。最終オーバーは何百万人もの視聴者が同時に視聴します。1 ミリ秒が勝負を分けるため、この点が特に重要となります。

Airtel は、インドの多様な ISP 環境にわたってコンテンツ配信を高速化するために、Google Cloud の Media CDN を利用しました。Google の広範なグローバルエッジネットワークを活用することで、エンドユーザーに物理的に近いエッジロケーションから視聴者のリクエストを処理できるようになります。この徹底したローカル化が、ブロードキャストの成功の礎となりました。インド国内からローカル配信されたトーナメントのトラフィックは 99.9% にも及びます。

この効率的なアーキテクチャにより、ネットワークホップが最小限に抑えられ、トランジットの輻輳が軽減されました。その結果、全 74 試合にわたりインフラストラクチャと視聴者エクスペリエンスの指標が大幅に向上しました。

優れたキャッシュ効率: キャッシュヒット率が全体的に 98% を超えました。大量の視聴者トラフィック負荷をエッジで効果的に吸収することで、プレーオフの視聴者数がピークに達したときでも、配信元サーバー / 動画プラットフォームに対する需要は最小限に抑えられました。
一貫した超低レイテンシ: Airtel はトーナメント中に 300 ミリ秒未満の p99 レイテンシを維持しました。その結果、ストリーミング開始までの時間が短縮され、試合の重要な場面でのバッファリングのリスクが最小限に抑えられました。

運用準備のためのプロアクティブな戦略

インテリジェントなバックエンドアーキテクチャの維持は、Airtel の IPL ストリーミング戦略において極めて重要なことでしたが、それだけでは不十分でした。全 74 試合連続で一発勝負のライブ配信を行うには、入念な運用準備と、試合当日のプロアクティブな対応も必要でした。

Airtel と Google Cloud は、最初の試合が始まるずっと前に潜在的なボトルネックを特定する必要があることを認識し、緊密に統合された運用サポートモデルを確立しました。

トーナメント前のサポート準備状況の確認: 開幕戦のかなり前に、共同エンジニアリングチームが包括的なサポート準備状況の確認を実施しました。チームは、トラフィック予測の監査、マニフェスト構成の確認、フェイルオーバーメカニズムの検証を早期に実施することで、クライアントが堅牢な準備態勢を整えられるようサポートし、結果的にトーナメント中の運用上の摩擦を軽減しました。
Monitoring as a Service（MaaS）: チームは、Media CDN 上の MaaS を通じて継続的かつプロアクティブなテレメトリーモニタリングを維持しました。リアルタイムのオブザーバビリティにより、異常が視聴者の再生に影響を与える前にネットワークの変化を早期に検出して軽減できました。
試合日と週末の専用サポート: スポーツのライブ配信は通常の営業時間内に行われるとは限らないため、Airtel はすべての試合を対象とした包括的なモニタリングプロトコルを確立しました。週末の重大な試合や、命運をかけたプレーオフのステージでは、Google Cloud のテクニカルアカウントマネジメントチームと MaaS チームが Airtel のエンジニアリングチームと緊密に連携して、専任でリアルタイムのイベントサポートを提供しました。

優れたライブ配信のためのブループリント

Airtel が IPL 2026 のストリーミングに成功したことで、膨大な同時接続数への対応には、アーキテクチャ、エッジのローカル化、運用ガバナンスにわたる統合戦略が不可欠であると実証されました。Airtel は、98% 以上のキャッシュヒット率、99.9% のローカル配信、試合当日のプロアクティブなモニタリングを組み合わせることで、大規模なライブスポーツ放送のベンチマークを達成しました。

このデプロイメントは、同時接続数が多いイベント向けにライブメディア配信をスケールする際の技術アーキテクチャと運用戦略の全体像を示します。ライブ配信とエッジ配信の最適化について詳しくは、Media CDN のデベロッパー向けドキュメントをご覧ください。

-Hitesh Bhatia, Assistant Vice President and Head of Engineering, Airtel Digital

-Anand Vijayan, Senior Product Manager, Media CDN, Google Cloud

Google、2026 年 Gartner® Magic Quadrant™ エンタープライズ AI アシスタント部門のリーダーに選出

Wed, 16 Sep 2026 02:00:00 +0000

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

このたび、新設された 2026 年 Gartner Magic Quadrant エンタープライズ AI アシスタント部門で、Google がリーダーに選出されました。エンタープライズ AI アシスタントの主要ベンダーを対象としたこの包括的な評価において、Google は「ビジョンの完全性」と「実行能力」の両面で「リーダー」のクアドラントに位置付けられました。

Gemini Enterprise は、組織が従業員の日常業務に役立つ安全な AI を直接導入できるよう支援しています。組織内の各チームは、基本的なチャット操作からさらに先に進み、複数ステップのエンドツーエンドワークフローを AI エージェントによって自動化できます。Gemini Enterprise は、会社がすでに使用しているツールやインフラストラクチャと接続し、セキュリティとガバナンスを確保しながら、費用対効果の高い方法で簡単にスケールできます。

Google は、ビジネスユーザーからデベロッパーまで、誰もが AI エージェントと連携してより多くの成果を上げることができる統合プラットフォームの構築を目指してきました。Gartner による今回の評価は、この目標の妥当性を裏付けるものだと考えています。

Google がリーダーに選出された理由

スタンドアロンの AI ツールや新しいプラットフォームが複雑に絡み合う状況の中で、Gemini Enterprise は Google の AI スタック全体を基盤とする統合されたオープンなエージェントプラットフォームとして登場しました。レポートでは、次のような強みが挙げられています。

統合された「AI のフロントドア」: Gemini Enterprise は、エンタープライズ向けのチャットと検索、ファーストパーティとサードパーティのエージェント、ノーコードのエージェントデザイナー、Google Workspace の統合、サードパーティのコネクタをすべて 1 つのプラットフォームに一元化したものであるため、組織は異なる AI ツールを組み合わせる必要がありません。
オープンな接続性: Gemini Enterprise は、Google のエコシステムだけでなく、Microsoft 365、その他のサードパーティソフトウェア、内部のエンタープライズデータソースにまで及ぶ広範な接続性を提供します。このオープンな接続性により、組織は既存のインフラストラクチャと並行して Gemini Enterprise を導入でき、費用のかかるシステムの全面見直しが不要となります。
シンプルな料金体系: Gemini Enterprise は料金モデルがわかりやすく、チャットや検索などの操作は基本 SKU に含まれます。組織は、ユーザーあたりのシートサブスクリプションと従量課金制オプションを選択できます。後者の場合、ユーザーはタスクの途中で割り当て上限に達することなくエージェントワークロードを実行できます。
組み込みのガバナンス: Gemini Enterprise は、追加費用なしですぐに使える堅牢なエージェントガバナンスを提供します。これにより、企業はセキュリティリスクとエージェントの無秩序な増加を抑制しながら、ユーザー、エージェント、データ権限をシームレスに管理できます。
フルスタックの深さと規模: Google の垂直統合型スタックは、グローバルインフラストラクチャ、カスタムシリコン、世界水準のモデル、エンタープライズに対応した安全な基盤を提供します。これらはすべて、セキュリティ、相互運用性、費用を考慮して最適化されています。

レポートの全文は、こちらからダウンロードしてお読みいただけます。

Gemini Enterprise の最新の機能強化でビジョンを推進

この数か月間、Google はプロダクトの大幅な機能強化で Gemini Enterprise をさらに進化させてきました。

業種別ソリューション: 先月、法律と金融サービスに特化したソリューションを公開しました。これらのカスタマイズされたソリューションは、事前構築済みのエージェント、その分野固有のスキル、安全なデータコネクタ、オープンなパートナーエコシステムを備え、迅速なデプロイが可能です。また、Gemini Enterprise の管理されたコントロールプレーン上に構築されているため、規制の厳しい業界でもワークフローを作成、管理できます。
Gemini Enterprise の Google Antigravity: Gemini Enterprise に AI デベロッパーツールが導入され、企業は対象となる Gemini Enterprise ライセンスにより、開発チーム向けに Antigravity や Android Studio などのエージェント型開発ツールを簡単に有効にし、管理コンソール内で完全なガバナンスとオブザーバビリティを維持できるようになりました。
FinOps と費用管理: 新しい FinOps と費用管理機能が先月導入され、組織はより多くの料金オプション、フレキシブル割引プラン、きめ細かい支出管理を通じて AI 支出を最適化できるようになりました。

Gemini Enterprise のお客様も価値を実感

Gartner からこのような評価を受けたことは光栄なことですが、Gartner だけでなく、お客様も実質的な価値を実感しており、それが日々、組織全体にプラスの影響を広げています。

最近のプロダクトの機能強化に対するお客様の声をお聞きください。

「Accenture では、Gemini Enterprise に Antigravity をデプロイすることで、Google Cloud の安全で信頼できる基盤上で、Google DeepMind の優れたテクノロジーをエンジニアに提供しています。運用の複雑さを抽象化することで、開発スピードとエンタープライズグレードのガバナンスのどちらかを選ぶ必要がなくなり、高速なエンジニアリングと革新的な価値をクライアントに提供できるようになりました。」- Accenture Google Business Group、グローバルプラクティスリード、Chetna Sehgal 氏。詳しくはこちらをご覧ください。

「Cleary は、戦略的かつ競争力のある方法で AI をワークフローに組み込むことに取り組んでいます。Google の Gemini Enterprise は、日々の業務で使用する他のツールとシームレスに連携できるため、チームの効率性を高め、クライアントにさらに質の高い成果物を提供できます。」- Cleary Gottlieb、マネージングパートナー、Jeff Karpf 氏。詳しくはこちらをご覧ください。

「金融リサーチエージェントのデザインパートナーとして、Deutsche Bank は、データ保護やガバナンスからチームが日々使用するワークフローまで、規制の厳しい業界の現実を考慮して、この機能の形成を支援してきました。」- Deutsche Bank、技術、データ、イノベーション最高責任者兼取締役、Marie-Jeanne Deverdun 氏。詳しくはこちらをご覧ください。

「Google Cloud と提携して、Gemini Enterprise for Legal を早期に導入できることを嬉しく思います。Google のテクノロジーを統合してワークフローを合理化し、クライアントの将来にとって重要な成果を形作るうえで訴訟担当者をさらにサポートできることを楽しみにしています。」- Williams & Connolly、会長、Joe Petrosinelli 氏。詳しくはこちらをご覧ください。

使ってみる

レポートを読む: 2026 年 Gartner Magic Quadrant エンタープライズ AI アシスタント部門を無料でダウンロードして、詳細な分析をご確認ください。
Gemini Enterprise の詳細を確認: 組織が、管理、接続されたエージェントをすべてのチームにデプロイする方法については、 cloud.google.com/gemini-enterprise をご覧ください。

- Google Cloud プロダクトマーケティング担当バイスプレジデント、Peder Ulander

Spanner への移行: Antigravity CLI で二重書き込みを自動化してサービス停止を最小限に

Mon, 14 Sep 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 9 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

Google のファイナンスエンジニアリングチームは、レガシーデータレイヤーをモダナイズする必要が生じた際、グローバルに分散され、強整合性があり、高可用性機能を備えたマルチモデルデータベースである Spanner を選択しました。しかし、本番環境サービスをオフラインにせずに Spanner に移行することは、エンジニアリング上の大きな課題でした。アプリケーションを担当する社内チームとして、数十のデータアクセスオブジェクト（DAO）にわたって二重書き込みロジックを手動で書き換える必要がありましたが、このプロセスは時間がかかり、人的エラーが発生しやすいものでした。さらに、サービスを停止することなくこれを行うには、コードベース内のすべての DAO にわたって、マルチフェーズの二重書き込みアーキテクチャを実装する必要がありました。

この課題を解決するために、別のアプローチを採用しました。ヘッドレスモードの Antigravity CLI を利用した自動リファクタリングパイプラインを構築したのです。これにより、本番環境の準備を進めるなか、ステージング環境で厳格なデータパリティを維持しながら、移行速度を大幅に向上させることができました。

課題: 二重書き込みによる移行の仕組み

財務上の正確性が不可欠な高スループットの本番環境サービスを移行する場合、単純なカットオーバースクリプトは機能しません。過去のデータのバックフィルと検証がすべて完了するまで、レガシーデータストアと Spanner の両方が同じ書き込みを同時に受信することを確認する必要があります。

移行は、次の 3 つのフェーズに分けて実施しました。

過去のデータのバックフィル: 参照整合性を維持しながら、既存の過去のレコードを Spanner にコピーします。
二重書き込み / 二重読み取りの実装: 移行期間中に、すべての DAO を変更して、プライマリストアと Cloud Spanner の両方にミューテーションを並行して書き込みます。
自動化された API 検証とパリティチェック: RPC トラフィックをインターセプトし、すべての書き込みが両方のストアでバイト単位で同等に完了することをエンドツーエンドで検証します。

アーキテクチャパターンはクリーンですが、Google の規模では、摩擦が生じ始めました。これは、各 DAO に以下が必要なためです。

複雑なドメインモデルを Spanner スキーマ列にマッピングする専用の MutationConverter クラス
二重書き込みブランチの処理とロールバックまたはエラー報告のロジック
疑似時間ソースとテストダブル（FakeTimeSource）を使用して、プライマリと Spanner の両方の書き込みを検証する単体テストのスイート

30 以上の DAO にわたって、同一の高精度なコード変更を手作業で行っていたら、エンジニアリングに数か月を要していたでしょう。

解決策: 標準化されたミューテーションコンバータパターン

自動化パイプラインがクリーンなコードを確実に生成できることを検証するために、まず、分離された MutationConverter インターフェースを中心に DAO リファクタリングパターンを標準化しました。

中核的な DAO ビジネスロジック内に未加工の Spanner テーブル名と列割り当てを直接埋め込むのではなく、Spanner スキーマ変換を専用のコンバータユニットに分離します。

code_block: <ListValue: [StructValue([('code', '// Example of the standardized pattern generated by our pipeline\r\n\r\ntype BpcTransferAmountsMutationConverter interface {\r\n ToInsertMutation(entity *model.BpcTransferAmount) (*spanner.Mutation, error)\r\n ToUpdateMutation(entity *model.BpcTransferAmount) (*spanner.Mutation, error)\r\n}\r\n\r\ntype bpcTransferAmountsMutationConverterImpl struct {\r\n tableName string\r\n}\r\n\r\nfunc (c *bpcTransferAmountsMutationConverterImpl) ToInsertMutation(entity *model.BpcTransferAmount) (*spanner.Mutation, error) {\r\n if entity == nil {\r\n return nil, errors.New("entity cannot be nil")\r\n }\r\n \r\n // Map domain fields to Cloud Spanner table schema\r\n cols := []string{"TransferId", "AmountCents", "CurrencyCode", "LastModifiedTimestamp"}\r\n vals := []interface{}{\r\n entity.TransferId,\r\n entity.AmountCents,\r\n entity.CurrencyCode,\r\n spanner.CommitTimestamp, // Use Spanner commit timestamps\r\n }\r\n \r\n return spanner.Insert(c.tableName, cols, vals), nil\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747f0650d0>)])]>

DAO と Spanner SDK（spanner.Mutation）の間に厳格で決定論的なコントラクトを確立することで、AI コーディングエージェントが推論して確実に生成できる正確なターゲット仕様を作成しました。

Antigravity CLI をヘッドレスモードで使用する理由

IDE のインタラクティブな AI チャットインターフェースは、探索的なコーディングには適していますが、コードベース全体にわたる体系的な複数ファイルのコード更新には適していません。エッジケースを見逃さずに、数十のターゲットに繰り返し可能なリファクタリングを適用する必要がある場合は、自動化されたワークフローが必要です。

この問題に対処するため、Antigravity CLI をヘッドレスモード（-p）で実行するオーケストレーションスクリプト（migration_ui.py）を構築しました。

ヘッドレスモードでは、ターミナルのプロンプトに手動で応答しなくても、シェルスクリプト、継続的インテグレーションパイプライン、バックグラウンド自動化ジョブ内で Antigravity を直接実行できます。このアプローチにより、主に 3 つの方法で作業を効率化できました。

決定論的なプロンプトアーキテクチャ: プロンプトをバージョン管理されたエンジニアリングアーティファクトとして扱いました。タイムスタンプのシリアル化、null 可能性の変換、ミューテーションの曖昧さ、FakeTimeSource テストインジェクションなど、Spanner の一般的なエッジケースを処理する正確なルールを、再利用可能なプロンプトテンプレートに直接コード化しました。
バッチ実行と自動検証: オーケストレーションスクリプトが、ターゲット DAO 名を入力として使用し、既存の単一書き込みソースコードとスキーマを取得して、構造規則とともにヘッドレス Antigravity にフィードします。Antigravity は、新しいコンバータ、リファクタリングされた二重書き込み DAO、対応する単体テストを生成します。その後、スクリプトは blaze test を実行します。linter エラーやテストアサーションの失敗が発生すると、エラーログが Antigravity に直接フィードバックされ、自己修正が行われます。
夜間に大規模に実行: ループは無人で実行されるため、エンジニアは 1 日の終わりに 10 個の DAO をキューに入れることができます。朝までに、パイプラインは人間によるコードレビューの準備が整った 10 個のクリーンな変更リストを生成、テスト、検証します。

クラウドエンジニアにとっての成果と重要なポイント

Spanner の分散データベースプリミティブと Antigravity CLI のヘッドレス自動化を組み合わせることで、エンジニアリング組織全体に明確なメリットがもたらされました。

移行作業の大幅な削減: 二重書き込みによる DAO の移行は、以前は広範な手動コーディングとテストが必要でしたが、わずかな時間で完了し、確認されました。
信頼性の高いデータ移行: 生成されたすべての DAO が、テスト済みのまったく同じ MutationConverter パターンに準拠し、Spanner テストダブルに対する自動単体テストを受けたため、広範な移行テスト中も高いデータ忠実度を維持できました。
より価値の高いエンジニアリングに集中: エンジニアは、繰り返しのボイラープレートリファクタリングを回避し、データモデリング、アーキテクチャの復元力、パフォーマンスの最適化に集中する時間を確保できました。

次回のデータベース移行に役立つ 3 つのヒント

まずスキーマ変換を分離する: 移行スクリプトを記述する前に、新しいクラウドデータベース SDK の要件を既存のビジネスロジックから分離する厳密なインターフェース（MutationConverter など）を定義します。AI エージェントは、明確で限定された設計パターンを与えられた場合に、最も効果的に機能します。
インタラクティブなチャットからヘッドレス自動化に移行する: 3～4 個以上のファイルにわたって繰り返しリファクタリングを実行する場合は、スクリプト化されたヘッドレスワークフローにリソースを投入します。プロンプト入力とテスト検証を自動化されたビルドステップとして扱うことで、品質と一貫性を維持できます。
ビルドシステムをガードレールとして機能させる: AI 生成ループをビルドおよびテストハーネス（bazel test または go test）に直接接続します。これにより、デベロッパーがコードを確認する前に、モデルがコンパイルエラーとアサーションエラーを修正できます。

使ってみる

金融システムの移行でも、クラウドネイティブアプリケーションのゼロからの構築でも、Spanner と Antigravity はスケーラブルなソフトウェア開発の基盤となります。

Cloud Spanner を確認する: Spanner の分散アーキテクチャの詳細については、Google Cloud Spanner のドキュメントをご覧ください。
デベロッパー向け Gemini を確認する: AI を活用したコーディングとヘッドレス CLI の自動化がエンジニアリングワークフローにどのように役立つかを、デベロッパー向け Google Cloud AI でご確認ください。

- アプリケーションエンジニア Sachin Mathapati

近畿大学と Google Cloud が包括連携協定を締結 - 約 2 万人超へ「Google AI Pro for Education」を導入し、「AI ネイティブ大学」の実現を支援

Thu, 10 Sep 2026 01:00:00 +0000

Google Cloud は、近畿大学（大阪府東大阪市）と、AI 人材育成モデルの確立ならびに生成 AI を活用した大学運営、学生支援、研究支援の高度化に向け、包括連携協定を締結しました。

本協定に基づく具体的な取り組みとして、全 16 学部の 1・2 年生 19,033 人および教職員 2,105 人、合わせて 21,138 人を対象に、教育機関向け Gemini アプリケーションの有償版である「Google AI Pro for Education」のライセンス導入を Google Cloud がサポートします。また、2026 年度後期の授業開始に合わせて近畿大学が進める、生成 AI 技術を活用した学生支援窓口のオンライン化に向けたトライアルも、Google Cloud が技術面から後押しします。

近畿大学の大規模かつ多様な教育・研究環境と、Google Cloud が提供する生成 AI、クラウド、データ分析などの技術を組み合わせ、AI 人材育成、大学運営、学生支援、研究支援の各領域を横断した「AI ネイティブ大学」の実現を強力に支援してまいります。

【本協定のポイント】

● Google Cloud が近畿大学との包括連携協定を通じて、生成 AI 活用による大学全体の変革を支援

● 全 16 学部の 1・2 年生および教職員合わせて約 2 万人を対象に、「Google AI Pro for Education」のライセンス導入をサポート

● 「AI ネイティブ大学」の実現に向け、AI 人材育成、大学運営、学生支援、研究支援の 4 領域で取り組みを推進

【本件の内容】

近畿大学ではこれまで、従来の教育向け生成 AI サービスの試験導入などを通じて、学生および教職員による生成 AI の活用方法や導入効果を検証してきました。学生の学修支援に加え、教職員による文書作成、要点整理、議事録作成、規程・マニュアルの検索・要約など、さまざまな場面で生成 AI の活用を進めています。

また、学生支援においては、チャットボットやオンライン問い合わせフォームを活用し、対面とオンラインを組み合わせた相談・問い合わせ体制の検証にも取り組んできました。

近畿大学は本協定を機に、これまで培ってきた実績を Google Cloud の技術支援を通じて大学全体の変革へとつなげていきます。

Google Cloud が支援する「AI ネイティブ大学」とは、単に生成 AI サービスを導入するだけではなく、学生と教職員が生成 AI を日常的かつ適切に活用し、AI 人材育成、大学運営、学生支援、研究支援の仕組みそのものを継続的に改善していく大学です。

本協定を通じて、近畿大学は 4 領域で生成 AI を活用した具体的な取り組みを進めます。Google Cloud は、その取り組みを技術面から支えるとともに、そこで得られた知見が国内の高等教育における新たな生成 AI 活用モデルとなることを期待しています。

【近畿大学がめざす 4 つの領域への Google Cloud の支援】

◼︎ AI 人材育成モデルの確立
近畿大学は、自身の持つ多様な教育環境と Google Cloud の生成 AI・クラウド技術を掛け合わせ、全学的な AI 人材育成モデルの確立を目指します。具体的には、全 16 学部の 1・2 年生および教職員の約 2 万人を対象に、「Google AI Pro for Education」のライセンスを導入します。さらに、近畿大学では 2027 年 4 月から全学部で情報リテラシー関連科目を必修化する予定です。Google for Education の協力を得て、生成 AI の仕組み、ファクトチェック、著作権、情報セキュリティ、学術公正などを学ぶこの教育を技術・コンテンツの両面から支援し、学生が専門教育や研究・制作活動において Gemini などの生成 AI を目的に応じて適切に活用できる力の育成を後押しします。

◼︎ AI ネイティブ大学運営モデルの共同構築
近畿大学は、既存業務に生成 AI を追加するにとどまらず、問い合わせ、申請、決裁、文書作成、情報検索、会議運営などの大学業務を生成 AI 活用前提で再設計し、次世代の大学運営モデルの構築を推進します。また、複数のシステムやデータを横断して処理する業務や、複雑な判断・手順を伴う業務、学内 LMS の活用などについて、Gemini Enterprise の AI エージェント機能を活用した自動化・高度化の可能性を Google Cloud とともに検証していきます。

◼︎ AI を活用した「24 時間学生支援モデル」の構築（学生支援窓口のオンライン化）
近畿大学は、2026 年度後期の授業開始に合わせて、AI チャットボット、オンライン問い合わせフォーム、予約制相談を組み合わせた学生支援窓口のオンライン化に向けた移行トライアルを開始します。

学生が時間や場所を問わず必要な情報にアクセスできる環境を目指し、FAQ、学内規程、手続案内、シラバスなどを活用した検索・回答支援の充実に向けた取り組みを、Google Cloud が技術面から後押しします。

◼︎ 研究者と AI が協働する「次世代研究支援基盤」の構築
近畿大学は、論文・研究情報の収集、先行研究の整理、研究データの分析、共同研究者の探索などを支える全学的な研究支援基盤の構築に取り組みます。Google Cloud は、Gemini Enterprise や BigQuery などのサービス提供および技術支援を通じて、研究者と AI が協働する新たな研究環境の創出を支えます。

【近畿大学長松村到のコメント】

生成 AI は、知識を得るためのツールにとどまらず、私たちの思考を広げ、学びを深め、新たな価値を生み出す大きな可能性を持っています。一方で、AI が示す答えをそのまま受け入れるのではなく、情報の正確性を確かめ、自ら考え、判断し、責任を持って活用する力が、これまで以上に重要になります。

今回の Google Cloud との包括連携は、単に新しい AI サービスを導入するものではありません。Google Cloud が持つ生成 AI やクラウド、データ活用に関する技術・知見と、本学の大規模かつ多様な教育・研究環境を掛け合わせ、両者が共に新しい大学のあり方を創り上げていく取り組みです。約 2 万人の学生・教職員への「Google AI Pro for Education」の導入を一つの起点として、教育、学生支援、大学運営、研究の各分野において、生成 AI の活用を前提とした「AI ネイティブ大学」の実現をめざします。

近畿大学はこれまで、社会の変化を先取りし、実社会の課題に向き合う「実学教育」を大切にしてきました。生成 AI が社会に広く浸透する時代だからこそ、学生には AI に使われるのではなく、AI を使いこなし、人にしかできない発想や判断、対話を通じて、新しい価値を生み出せる人材へと成長してほしいと考えています。

令和 9 年（2027 年）4 月から全学部で必修化する情報リテラシー関連科目などを通じて、AI の可能性とリスクの双方を正しく理解し、実践的に活用する力を育んでまいります。さらに、学生支援や大学業務、研究支援にも AI 活用を広げ、大学全体の仕組みそのものを進化させていきます。

Google Cloud との共創を通じて、学生、教職員、研究者が安心・安全に AI を活用し、新しい価値を生み出し続ける大学へ。近畿大学はこれからも、実学教育を進化させながら、これからの高等教育の新しい姿を切り拓いてまいります。

【グーグル・クラウド・ジャパン合同会社執行役員パブリックセクター & ヘルスケア・ライフサイエンス事業本部長和泉綾志のコメント】

先進的な教育を牽引される近畿大学様との包括連携協定の締結を、大変光栄に思います。

Google Cloud は最先端の AI 技術である Gemini、クラウド基盤そしてセキュアなデータ基盤などを提供することで、学生の皆様がこれからの時代に求められる AI スキルを実践的に学べる教育・研究環境づくりを全面的に支援いたします。

また、教職員の皆様の校務、教務等の業務環境 DX、AX 推進を支え、より質の高い学習体験を提供できる基盤づくりに貢献してまいります。

Google Cloud の技術を活用いただくことで、近畿大学様の実学教育による次世代の AI 人材の育成に貢献してまいります。

バグの発見と修正を支援するオープンソースの AI ハーネス、Mantis のスタートガイド

Wed, 09 Sep 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 9 月 3 日に、Google Cloud blog に投稿されたものの抄訳です。

AI モデルは、人間の手をほとんど、あるいはまったく介さずに脆弱性を発見して悪用する能力を持っていることが判明しています。防御側が AI を活用して優位性を確保できるよう、Google はソフトウェアの脆弱性の発見、トリアージ、再現、パッチ適用を自動化する Mantis ハーネスを構築しました。

誰でも利用可能なオープンソースフレームワークである Mantis は、マシンスピードでの脆弱性の発見と修正を実現するための Google の社内アプローチの一環として誕生しました。Mantis により、より効果的でスケーラブルかつコンテキストを考慮したリポジトリ分析が可能になります。

AI コードスキャンは精度が低く、ハルシネーションを起こすことが多いため、真陽性率は 7% を下回ります。Mantis は、批評エージェントやレビューエージェントなどの業界標準のエージェント手法とサンドボックス環境での脆弱性の再現を組み合わせてグラウンディングを行うことで、実効性を持たせた設計になっています。

6 月に公開した記事で詳しく解説したとおり、Mantis はリポジトリの履歴を調べて過去のセキュリティに関する修正から学習し、アーキテクチャと脅威モデルのドキュメントが提供されていない場合でも、それらのドキュメントを自動的に作成します。

階層型のセキュリティサマリーツリーを構築し、個々のファイルをディレクトリレベルとルートレベルのサマリーに集約します。この手法により、大規模なリポジトリ全体で重要な構造コンテキストを維持しながら、トークンのオーバーヘッドを 85% 以上削減することに成功しました。

Google が数十年の期間をかけて幅広いコードベースにわたって蓄積してきたサイバーセキュリティの専門知識の結晶である Mantis は、GitHub で入手可能です。Mantis の使用を開始する方法は次のとおりです。

まず、次のコマンドを使用して Mantis リポジトリのクローンをローカルに作成します。

code_block: <ListValue: [StructValue([('code', 'git clone https://github.com/google/mantis.git'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747e3cebd0>)])]>

次に、任意のコーディングエージェントを開き、「path/to/mantis にある Mantis フレームワークを使用して、path/to/your/code にあるコードをレビューしたいのですが、やり方を教えてください」というプロンプトを入力します。

Google 社内では、このプロンプトを使用して、多くのコードリポジトリで実際の脆弱性を発見しています。GitHub の Mantis リポジトリには、サンドボックス化のサンプルオプションが含まれています。自社のワークフローに合わせて独自のサンドボックスを実装することもできます。

Mantis は、脆弱性の検出、真陽性のフィルタリング、パッチ適用を簡単に開始できるようにすることを目的としています。AI が検出した脆弱性を把握したら、新しい mantis-advise スキルを使用して、蓄積された知識を活用し、コーディングエージェントに最初から安全なコードを記述させることができます。

AI を活用した脆弱性検出を最大限に活用して開発手法をモダナイズするにあたって、以下に示す 2 つの重要事項の実行を推奨します。

ツールに適切なコンテキストを提供する。Mantis はコミット履歴とコードを自動的に分析してドキュメントを独自に作成することができますが、人間によってキュレートされた知識を得ることで、結果の品質が大幅に向上することがよくあります。たとえば、プログラムをクラッシュさせるようなバグの修正に時間を取られないようにするには、スキャンパイプラインでそうしたバグを確実に検出できるよう、人間によってキュレートされた知識を提供することが非常に重要になります。
脆弱性受け入れ基準を使用してサイバーサンドボックスを構築する。明確な脆弱性再現基準に基づいて脆弱性を再現できる安全なサンドボックス環境を使用すると、知るべきことのみを明らかにし、修正が正しいことを確認することが容易になります。

Mantis について詳しくは、こちらをご覧ください。

- Google、スタッフセキュリティエンジニア、Nick Galloway

- Google、シニアスタッフセキュリティエンジニア、Yulong Zhang

AI プロトタイプを本番環境に移行する前にすべてのスタートアップが答えておくべき 10 の質問

Fri, 04 Sep 2026 11:00:00 +0000

※この投稿は米国時間 2026 年 8 月 21 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud で AI を活用したスタートアップを立ち上げることが、これまでになく簡単になっています。

朝食時に Google AI Studio から API キーを取得し、それを Antigravity に貼り付ければ、昼食時には製品のプロトタイプができ始めているでしょう。

しかし、進歩の道のりは一直線ではありません。スタックを構築する際に、次の 3 つの課題に直面することがよくあります。

API キーが漏洩し、48 時間で高額な請求が発生する。
AI Studio から Gemini Enterprise Agent Platform への移行を急いで進めたが、チームに Identity and Access Management（IAM）の担当者がいないため、ロードマップが数週間停滞する。
リリースは成功したが、プロジェクトごとのデフォルトの割り当てが原因でアプリが「HTTP 429 Too Many Requests」を返すようになり、追加料金を支払わずに容量を増やす明確な方法がない。

これらはどれも特殊なエッジケースではありません。これらは、計画なしに急いで行動して失敗に陥ってしまうパターンであり、誰もが一度は経験したことがあるでしょう。

ここでは、スタートアップが事業を拡大する前に答えられるようにしておくべき 10 の質問を紹介します。これらの質問を、意思決定が将来を左右する 3 つのフェーズに分類しています。

オンボーディング（独自のプロジェクトと ID を適切に設定する）
スケール（費用をかけずにスループットを高める）
管理（費用、キー、エージェントの暴走を防ぐ）。

これらの 10 の質問は、プロトタイプから本番環境への移行そのものを対象としています。各質問の最後には、すぐに実行できる短いスニペットが用意されています。このスニペットは、ご自身のプロジェクトにコピーして使用できます。その移行に特有ではない周辺的な意思決定（データレイヤと RAG アーキテクチャ、CI / CD、ネットワーク設計など）については、同様に重要ですが、ここでは意図的に対象外としています。

オンボーディング: 基礎を固める（ごく初期の段階）。

#1 Google AI Studio と Gemini Enterprise Agent Platform のどちらから始めればよいですか？

どちらのサーフェスも同じ Gemini ファミリーのモデルを提供しますが、解決する問題は異なります。

Google AI Studio（Gemini Developer API を使用）は、アイデアから実際に動作するコードへと至る最短経路となります。ブラウザ IDE、API キー、豊富な無料枠が用意されており、クラウドプロジェクトを構成する必要はありません。ほとんどのアイデアはここから始めるべきであり、Google のガイダンスでもそのように推奨されています。
Gemini Enterprise Agent Platform （旧称 Vertex AI）は、同じ Gemini モデル（サードパーティ製と OSS のモデルも含む）に加えて、企業向けの管理機能を備えています。具体的には、未加工のキーに代わる IAM とサービスアカウントによる認証、VPC Service Controls、Cloud Logging と Cloud Monitoring、予約済み容量、リージョンエンドポイント、そして最初の企業顧客によるセキュリティ審査で問われるコンプライアンスサーフェスです。

ほとんどのスタートアップにとっての正解は、両方を意図した順序で行うことです。まず AI Studio でプロトタイプを作成し、その後、実際のユーザーに提供する前に移行します。スタートアップにとって危険なのは、これらを交換可能なソリューションとして扱うことです。AI Studio のシンプルなキーモデルは企業向けの管理機能に適したものではなく、Agent Platform の IAM モデルは、認証情報が盗まれる被害から保護されていることを実感するまで、過剰なものに見えるかもしれません。

実際には、思ったより手間はかかりません。

統合された google-genai SDK は、両方を対象としています。

code_block: <ListValue: [StructValue([('code', '# Prototype: Google AI Studio, raw API key\r\nfrom google import genai\r\nclient = genai.Client(api_key="YOUR_AI_STUDIO_KEY")\r\n\r\n# Production: GEAP, no key — uses Application Default Credentials (ADC)\r\nfrom google import genai\r\nclient = genai.Client(\r\n vertexai=True,\r\n project="my-startup-prod",\r\n location="us-central1",\r\n)\r\n\r\nresp = client.models.generate_content(\r\n model="gemini-2.5-pro",\r\n contents="Summarize this contract in three bullets.",\r\n)\r\nprint(resp.text)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f748c234590>)])]>

#2 IAM のエキスパートがいない場合に Google Cloud プロジェクトを設定するにはどうすればよいですか？

スタートアップが Agent Platform への移行を躊躇する最大の理由は、コードではなく、API キーを 1 つ用意するだけの運用から、フォルダ、サービスアカウント、組織のポリシー、ロギング、IAM バインディングを備えたクラウドプロジェクトに移行するという、運用上の大きな変化です。チームに専任のクラウド管理者がいない場合、最初のプロジェクトのセットアップに 1 週間分のエンジニアリング時間がかかることがあります。

3 つのステップで、この時間を大幅に短縮できます。

コンソールを操作する代わりに、独自の設計思想が反映されたプロジェクトテンプレートを使用する。クラウド設定のチェックリストと Google Cloud アーキテクチャフレームワークを使用すると、本番環境レベルのフォルダ階層（prod / non-prod / dev）、一元的なロギングとモニタリングのプロジェクト、Security Command Center の有効化、ベースライン組織ポリシーが提供されるため、これらをゼロから設計する必要はありません。
実際に使用する API を一度有効にする必要なときにプロジェクトごとに実行しなくても済むように、バッチ処理します。請求先のリンクの手順は省略できません。これから有効にしようとしている有料 API は、請求先アカウントが関連付けられていないプロジェクトでは有効にできないため、まずはその設定を行います。
Gemini にロールを選択させますが、限定的なロールをリクエストします。ロールのリファレンスを覚える必要はありません。アクセス権を付与するダイアログで [推奨ロールの表示] を使用すると、平易な言葉でタスクを説明できます（「このサービスアカウントは Gemini モデルを呼び出し、1 つの Cloud Storage バケットを読み取る必要があります」など）。すると、その理由とともに事前定義ロールが返されます。初日に知っておくべき注意点が 1 つあります。デフォルトでは、一般的なユースケースをカバーするロールが提案されます。通常は、サービスの管理者、編集者、閲覧者のロールです。これらは、必要以上に広い権限を持っています。プロンプトで「最小権限」または「最小限のアクセス」と指定すると、代わりに詳細なロールが返されます。入力する量は同じですが、認証情報が漏洩した場合の影響範囲は大幅に小さくなります。出典: Gemini のアシスト機能を使用して事前定義ロールの候補を取得する

code_block: <ListValue: [StructValue([('code', '# One-shot: create a Vertex-ready project and turn on the services a\r\n# typical AI startup uses.\r\ngcloud projects create my-startup-prod --name="My Startup (prod)"\r\ngcloud config set project my-startup-prod\r\n\r\n# REQUIRED before enabling billing-dependent APIs (aiplatform, run, etc.).\r\n# Use `gcloud billing accounts list` to find your billing account ID.\r\ngcloud billing projects link my-startup-prod --billing-account=012345-6789AB-CDEF01\r\n\r\ngcloud services enable \\\r\n aiplatform.googleapis.com \\\r\n run.googleapis.com \\\r\n artifactregistry.googleapis.com \\\r\n logging.googleapis.com \\\r\n monitoring.googleapis.com \\\r\n secretmanager.googleapis.com \\\r\n cloudbilling.googleapis.com'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eecc7d0>)])]>

出典: gcloud services enable リファレンス、gcloud billing projects link（GA）、GE Agent Platform 環境の設定。

単独の創業者である場合は、個人の GCP アカウントで構築しないようにしてください。適切な組織または自己所有の組織を最初に作成し、その内部ににプロジェクトを作成します。この 1 つの決定により、IAM から請求、監査まで、その他すべての作業が大幅に簡素化されます。

#3 Google Cloud を使用しています。コードの認証には、API キー、サービスアカウント、ユーザー認証情報のどれを使用すればよいですか？

この問題には安全性の階層があり、最も簡単なオプションが本番環境において適切なオプションであることは稀です。

未加工の API キーは、ローカルでのプロトタイピングには適しています。これは、有効期間が長く、クライアントバンドルや公開リポジトリに漏洩しやすく、それに気づくまで無制限のアクセスを許可してしまうため、本番環境では危険です。
OAuth によるユーザー認証情報（アプリケーションのデフォルト認証情報）は、対話型ツール、CLI のほか、デベロッパーのノートパソコンで実行されるコードに最適です。
サーバー、コンテナ、スケジュールされたジョブで実行されるものには、最小権限の IAM ロールを持つサービスアカウントが適しています。

目指すべきパターンは、コードが鍵をまったく認識しないパターンです。Google Auth ライブラリを呼び出すだけで、環境からアプリケーションのデフォルト認証情報（ADC）が読み取られます。これは、Cloud Run サービス、GKE ワークロード、または Compute Engine VM にアタッチされているサービスアカウントに対して発行された有効期間の短いトークンです。認証コードを記述しなくても、エンタープライズグレードの認証を利用できます。

code_block: <ListValue: [StructValue([('code', '# On a developer laptop\r\ngcloud auth application-default login\r\n\r\n# On a server (Cloud Run, GKE, etc.) — no login, no key file.\r\n# Attach a service account with just the roles the app needs.\r\ngcloud run deploy my-agent \\\r\n --image=us-docker.pkg.dev/my-startup-prod/agents/api:v1 \\\r\n --service-account=agent-runtime@my-startup-prod.iam.gserviceaccount.com \\\r\n --region=us-central1'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eecfad0>)])]>

code_block: <ListValue: [StructValue([('code', '# Application code — notice: no keys, no secrets.\r\nfrom google import genai\r\n\r\nclient = genai.Client(\r\n vertexai=True,\r\n project="my-startup-prod",\r\n location="us-central1",\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eecff90>)])]>

最後に、今後に備えて、そのサービスアカウントに、ワークロードが実際に必要とする最小限の IAM ロールを付与します。通常は、より広範な管理者ロールではなく、モデルを呼び出すための roles/aiplatform.user にします。30 秒ほど余分に時間がかかりますが、認証情報が漏洩したとしても、それがマスターキーになるのを防ぐことができます。

#4 AI Studio の API キーから Agent Platform の IAM モデルへの移行は、いつまで引き延ばせますか？

思っているよりも早く対応すべきです。正しいトリガーは、実害が出たときではありません。次のいずれかに該当する場合です。

キーがノートパソコンから流出した（リポジトリにチェックインした、Slack に貼り付けた、モバイルアプリに組み込んだ）。
チームに API を呼び出す必要がある人が複数いる。
1 か月あたり数百ドル以上を費やしている。
有料ユーザーのオンボーディングが間近に迫っている。

成長中のスタートアップが不意を突かれる可能性のある落とし穴は、単純なものです。たとえば、通常は月額 180 ドルを支払っているアカウントの Gemini API キーが公開リポジトリから漏洩し、蒸留攻撃に悪用されるケースです。この場合、所有者が最初の請求アラートを確認する前に、数万ドルの料金が累積してしまいます。Google Cloud の責任の共有モデルは明確です。お客様は、有効な認証情報を使用して発生した料金について責任を負います。

移行自体は、移行に対する不安よりもはるかに小規模なものです。google-genai では、#1 に示す 2 行の変更です。実際に時間がかかるのは、それに伴うプロジェクトのセットアップです。まさにそのために 2 が存在します。

カットオーバー日の実用的なチェックリスト:

code_block: <ListValue: [StructValue([('code', '# 1. Revoke every existing AI Studio key that has ever left a laptop.\r\n# (Go to https://aistudio.google.com/apikey and delete them.)\r\n\r\n# 2. Confirm your production code has no api_key= arguments.\r\ngrep -rn "api_key" src/\r\n\r\n# 3. Enable GEAP and confirm ADC works locally.\r\ngcloud services enable aiplatform.googleapis.com\r\ngcloud auth application-default login\r\npython -c "\r\nfrom google import genai\r\nc = genai.Client(vertexai=True, project=\'my-startup-prod\', location=\'us-central1\')\r\nprint(c.models.generate_content(model=\'gemini-2.5-flash\', contents=\'ping\').text)\r\n"'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eecfed0>)])]>

ステップ 3 でレスポンスが出力された場合は、Agent Platform を使用しています。

スケール: 追加料金を支払うことなく容量を増やす。

#5 リリースしたのに、HTTP 429 エラーが頻発しています。これを解消するにはどうすればよいですか？

Agent Platform からの「429 Too Many Requests」はほとんどの場合、次の 2 つのいずれかを意味します。

プロジェクトの階層の動的共有割り当て（DSQ）の上限に達した場合。DSQ は、プロジェクトの履歴に基づいてサイズが設定される共有プールです。プラットフォーム全体での不正使用を防ぐため、新しいプロジェクトは設計上、控えめな上限から始まります。
世界的に需要が急増しているときに、グローバルエンドポイントを呼び出し、共有容量をめぐって世界中のトラフィックと競合している場合。

対策としてすぐ思いつくのは、割り当て増加のチケットを送信することです。必要であればそうすることもできますが、通常は 2 つのアーキテクチャ上の変更で、より迅速かつ安価に問題を解決できます。

リージョンエンドポイントに固定する。Agent Platform でのスタートアップトラフィックの半分以上は、デフォルトでグローバルルーティングに設定されています。特定のリージョン（us-central1 など）に固定すると、グローバルな競合を回避でき、通常はレイテンシも改善されます（次の質問で説明しますが、1 つだけ例外があります。Priority PayGo を特に希望される場合、この機能は現在グローバルエンドポイントでのみ提供されています。それ以外の場合は、リージョンに固定します）。

code_block: <ListValue: [StructValue([('code', 'from google import genai\r\n\r\n# Global (default): competes against worldwide demand.\r\n# Regional: routes only to the regional cluster, less contention.\r\nclient = genai.Client(\r\n vertexai=True,\r\n project="my-startup-prod",\r\n location="us-central1", # <-- this is the one-line fix\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eecfc10>)])]>

適切な再試行とバックオフを追加する。429 は再試行可能なシグナルであり、致命的なエラーではありません。本番環境のクライアントには、ジッターを伴う指数バックオフが必要です。最新の google-genai SDK には、この動作が組み込まれていますが、実際に有効にした場合にのみ機能します。これは見落としがちです。古い Vertex コードで見たことがあるかもしれませんが、従来の `google.api_core.retry.if_transient_error` デコレータは使用しないでください。これは従来の例外クラス向けに設計されており、新しい `google.genai.errors.APIError` を認識しないため、429 エラーを再試行せずに無視します。代わりに、SDK の組み込みの再試行オプションを使用します。

code_block: <ListValue: [StructValue([('code', 'from google import genai\r\nfrom google.genai import types\r\n\r\nclient = genai.Client(\r\n vertexai=True, project="my-startup-prod", location="us-central1",\r\n http_options=types.HttpOptions(retry_options=types.HttpRetryOptions(\r\n attempts=5, initial_delay=1.0, max_delay=60.0, exp_base=2.0, jitter=1.0,\r\n http_status_codes=[408, 429, 500, 502, 503, 504],\r\n ))\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eece9d0>)])]>

この状況をどのように予測しますか？できれば、ユーザーから報告を受ける形ではなく。Agent Platform はサービング指標を Cloud Monitoring に公開します。また、[コンソール] > [Agent Platform] > [ダッシュボード] > [モデルのオブザーバビリティ] に、アセンブル不要の事前構築済みダッシュボードがあります。1 秒あたりのリクエスト数、トークンスループット、最初のトークンのレイテンシ、エラー率をすぐに確認できます。

実際にアラートを生成する指標は aiplatform.googleapis.com/publisher/online_serving/model_invocation_count です。error_category ラベルが付き、値は user、system、capacity のいずれかになります。capacityに関するアラートは、自分自身の間違ったリクエストから実際のスロットリングを分離します。これは、未加工の 429 エラーのカウントでは行われません。

注意すべき点として、Standard PayGo では「使用量が割り当ての 80% に達したら警告して」というアラートを作成できません。動的共有割り当てでは、80% を限度とする、プロジェクトごとの固定値はありません。429 エラーは、共有容量の一時的な競合を意味し、限度を超えたことを意味するものではありません。割合を上限とするアラートは、実際の上限指標が提供されるプロビジョンドスループットを使用している場合にのみ意味を持ちます。

code_block: <ListValue: [StructValue([('code', 'gcloud monitoring policies create --policy-from-file=capacity-alert.yaml'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eecc6d0>)])]>

出典: Agent Platform の指標リスト、モデルのオブザーバビリティダッシュボード、RetryOptions のソース、コア retry_base.py、genai errors.py、429 エラーの削減、gcloud monitoring policies create、動的共有割り当て。

Agent Platform のレート制限に関するドキュメントに沿って、プロジェクトの現在の上限が実際にどの程度であるかを把握してから、上限を超えているかどうかを判断してください。

#6 Standard PayGo、Priority PayGo、プロビジョンドスループットのうち、どの消費モデルを利用すればよいですか。

3 つの消費モデルは、ワークロードの形態も進め方もまったく異なります。適切なものを選択することで、スタートアップは AI の請求額を大幅に削減できます。まず、それぞれの定義を確認し、どのような場合に適しているか、または適していないかを見ていきましょう。

Standard PayGo（DSQ）: 共有プールからのトークン単位の課金。低価格、保証なし。Priority PayGo: トークン単位の課金、プレミアム料金のためキューをスキップ可能。プロビジョンドスループット（PT）: 予約済み容量を前払い。予測可能、使用しないと無効。

消費タイプ	最適な用途	注意点
Standard PayGo（DSQ）	初期段階、低 QPS、急激に変動するプロトタイプトラフィック	急増時に 429 エラーが発生、信頼性 SLO なし
Priority PayGo	429 を許容できない、バースト性の高い、収益に不可欠なトラフィック	標準トークン価格の約 1.8 倍
プロビジョンドスループット（PT）	安定した、予測可能な、大量の本番環境トラフィック	使用率が 40% 未満の場合、費用が無駄になる。スパイク時には PayGo にオーバーフロー

スタートアップによくある間違いは、PT を早すぎる時期に購入することです。特に、大規模なリリースの翌週、トラフィックが増加する一方のように感じられるときに、こうした間違いが起きます。PT は予約済みの容量です。使用するかどうかにかかわらず料金を支払う必要があり、ベースラインが単なる願望ではなく、真に予測可能になった場合にのみ、元が取れるようになります。

実用的な手順は次のとおりです。

Standard PayGo の第 1～4 週。これを使用して、実際のリクエストの形態（p50 と p99 での 1 分あたりのトークン数、リクエストのバースト、バッチ処理可能とリアルタイム処理の内訳）を測定します。
初めて 429 エラーが大量に発生したときは、実際に重要なトラフィックに対して Priority PayGo を有効にします。これは構成の変更であり、注文書ではないため、調達部門の担当者は関与する必要はありません。

code_block: <ListValue: [StructValue([('code', '# Priority PayGo request: use the global endpoint + two extra headers.\r\nfrom google import genai\r\nfrom google.genai import types\r\n\r\nclient = genai.Client(vertexai=True, project="my-startup-prod", location="global")\r\nresp = client.models.generate_content(\r\n model="gemini-2.5-pro",\r\n contents="Rank these support tickets by urgency: ...",\r\n config=types.GenerateContentConfig(\r\n # Priority PayGo headers, per current GEAP docs.\r\n http_options=types.HttpOptions(headers={"X-Vertex-AI-LLM-Request-Type": "shared", "X-Vertex-AI-LLM-Shared-Request-Type": "priority"}),\r\n ),\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eecec10>)])]>

3. ベースラインの TPM を予測できるようになったら、PT を購入してフラットベースラインをカバーし、ベースラインを超える分は PayGo にオーバーフローします。これが、Google が推奨する組み合わせパターンであり、まったく理にかなったものです。単なる宣伝文句ではなく、両方の利点を活かしています。

出典: Priority PayGo のドキュメント、google-genai HttpOptions のソース、GEAP REST リファレンス。

#7 どのリクエストをライブにして、どのリクエストをバッチジョブにする必要がありますか？

スタートアップのワークロードのほとんどは、リアルタイムを装ったバッチジョブであることが実態です。ジョブをインタラクティブなパスから外すたびに、本当に高速であることが必要なトラフィック、つまりユーザーが実際にスピナーを見つめているトラフィックのために DSQ のヘッドルームが解放されます。

トラフィックを分類するのに役立つ 3 つの質問:

ユーザーが 1 秒以内に結果を確認する必要がありますか？この場合は、ライブ推論です。
ユーザーはスピナーを見ながら数秒間待つことができますか？この場合もライブですが、ストリーミングの候補でもあります。
ユーザーは「準備が整い次第メールでお知らせします」または「しばらくしてからもう一度ご確認ください」というメッセージを許容できますか？この場合は、バッチ予測です。

Agent Platform でのバッチ予測は完全に独立したキューで実行され、インタラクティブな DSQ を消費しません。また、通常はオンデマンド推論の半額程度です。これは、ライブトラフィックの高速化と費用の削減という二重のメリットをもたらす、まれな例です。

code_block: <ListValue: [StructValue([('code', '# Kick off a batch prediction job from a JSONL file in Cloud Storage.\r\n# Each line is one prompt; results land in another Cloud Storage prefix.\r\nfrom google import genai\r\nfrom google.genai import types\r\n\r\nclient = genai.Client(vertexai=True, project="my-startup-prod", location="us-central1")\r\n\r\njob = client.batches.create(\r\n model="gemini-2.5-flash",\r\n src="gs://my-startup-prod-batch/inputs/nightly-summaries.jsonl",\r\n config=types.CreateBatchJobConfig(\r\n dest="gs://my-startup-prod-batch/outputs/",\r\n ),\r\n)\r\nprint(job.name, job.state)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eecd1d0>)])]>

一般的な候補: 夜間のドキュメント要約、新規登録者のバックグラウンド分類、一括翻訳、エンベディングのバックフィル、テストセットに対する評価実行。これらのいずれかが現在のライブパスにあれば、通常、それらを移動することが、今週できる最も効果的な変更となります。

管理: 費用、鍵、エージェントを管理する。

#8 請求額が 3 倍になっても丁寧なメールが届くだけでなく、実際に費用を削減できる利用額上限を設定するにはどうすればよいですか？

正直なところ、最近まで予算は通知するだけで、ブレーキペダルは自分で作る必要がありました。7 月にこの状況が変わりました。メカニズムは 3 つあり、これらはレイヤとして考えることができます。

利用額上限の予算（プレビュー）。Cloud Billing の予算で、メール通知だけでなく、強制的な適用が可能になりました。プロジェクトに利用額上限を設定すると、使用料金が予算の 100% を超えた時点で、Google はサービスを一時停止します。サービスを再開するには、手動で一時停止を解除する必要があります。Gemini API、Cloud Run、Cloud Run Functions とともに、Agent Platform が対象リストに明示的に記載されています。アラートは 50% と 80% で引き続き発生するため、予告もなく一時停止になるわけではありません。

利用する前に知っておくべき 3 つのこと:

各上限は、1 つのプロジェクトと 1 つの対象サービスに適用されます。アカウント全体の保護ではありません。Agent Platform と Cloud Run の両方に上限を設定する場合は、2 つの上限を設定することになります。
適用は即時ではなく、推定費用に基づきます。上限を超えた分は通常どおり請求されるため、実際の予算上限よりも低い数値を設定してください。上限の解除は手動で行われ、サービスの再開には最長で 1 時間かかることがあります。また、プロビジョンドスループットの使用も一時停止されるため、容量を前払いしている場合は、上限に達するとその容量も使えなくなります。
公開時点ではプレビュー版であり、対象サービスのリストは今後増えていくことが記載されています。設計する前に、現在のリストを確認してください。

2. 課金を無効にする Pub/Sub トリガーによる予算設定。利用額上限では対応できない、広範な影響範囲（複数のサービスの一括設定、プロジェクト全体、まだ対象になっていないサービスなど）が必要な場合は、依然として適切なツールです。予算がしきい値に達すると、Pub/Sub が Cloud Functions の関数を起動して請求先アカウントを切り離し、数分以内にすべての課金対象アクティビティを停止します。ネイティブの上限よりも大雑把で危険です。リソースが回復不能になる可能性があるため、最初にではなく、2 番目に試みてください。詳細なチュートリアル: 予算通知に自動的に応答する。

code_block: <ListValue: [StructValue([('code', '# Sketch: create a budget SCOPED TO ONE PROJECT that publishes to Pub/Sub at 50%, 90%, 100%.\r\ngcloud billing budgets create \\\r\n --billing-account=012345-6789AB-CDEF01 \\\r\n --display-name="my-startup-prod hard stop" \\\r\n --budget-amount=2000USD \\\r\n --filter-projects=projects/my-startup-prod \\\r\n --threshold-rule=percent=0.5 \\\r\n --threshold-rule=percent=0.9 \\\r\n --threshold-rule=percent=1.0,basis=current-spend \\\r\n --notifications-rule-pubsub-topic=projects/my-startup-prod/topics/budget-alerts'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eecf550>)])]>

出典: 利用額上限の予算を管理する、プログラムによる通知を設定する、gcloud billing budgets create リファレンス、Cloud Billing の予算のコンセプト、通知で課金を無効にするチュートリアル、プログラムによる通知のペイロードスキーマ。

デフォルト設定が予期しない問題を引き起こす可能性があるため、事前に対応すべきことが 2 つあります。

予算の範囲を制限する: --filter-projects を使用しない場合、予算は請求先アカウント全体に適用されます。いずれかのプロジェクトで急増が発生すると、すべてのキルスイッチがトリガーされます。
ローカルにデプロイする: 予算通知では、影響を受けるプロジェクトが指定されていません。キルスイッチが目的のプロジェクトにのみ影響するように、保護するプロジェクト（my-startup-prod など）と同じプロジェクトに Cloud Functions の関数をデプロイします。

次に、そのトピックに小さな Cloud Functions の関数を接続し、100% のしきい値に達したときに projects.updateBillingInfo を呼び出して請求先アカウントのリンクを解除します。これが、回路ブレーカーの役割を果たします。

割り当てのオーバーライドによる機械的な上限。上記のキルスイッチを設定しなくても、プラットフォームのデフォルトを下回る、モデルごと、リージョンごとの割り当てを明示的に設定することで、費用が累積するレートに上限を設けることができます。アプリの本来の用途において gemini-2.5-pro に対する 1 分あたりのリクエスト数が 500 を超えることがない場合は、Cloud Quotas コンソールで上限を 500 に設定します。割り当てによってサービスが拒否されるため、キーが漏洩してもリソースが消費されることはありません。

#9 シークレットはどこに保存すべきですか？（.env ファイルではありません）

簡潔に言うと、Secret Manager です。環境変数、.env ファイル、リポジトリのいずれにも保存しないでください。IAM を介して、読み取りアクセス権を、そのアクセス権を必要とするサービスアカウントにのみ付与します。

code_block: <ListValue: [StructValue([('code', '# Store a third-party API key (Stripe, OpenAI, whatever).\r\necho -n "sk_live_xxx" | gcloud secrets create stripe-live-key --data-file=-\r\n\r\n# Grant only the runtime service account access to read it.\r\ngcloud secrets add-iam-policy-binding stripe-live-key \\\r\n --member=serviceAccount:agent-runtime@my-startup-prod.iam.gserviceaccount.com \\\r\n --role=roles/secretmanager.secretAccessor'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eece650>)])]>

code_block: <ListValue: [StructValue([('code', '# Application code fetches it at startup; nothing lives on disk.\r\nfrom google.cloud import secretmanager\r\nsm = secretmanager.SecretManagerServiceClient()\r\nresp = sm.access_secret_version(\r\n name="projects/my-startup-prod/secrets/stripe-live-key/versions/latest"\r\n)\r\nstripe_key = resp.payload.data.decode("utf-8")'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747eecefd0>)])]>

次に、2 つのちょっとした習慣を紹介します。これらは、いざ必要になったときにその価値がわかります。

定期的なローテーションと、疑いがあるときのローテーション。Secret Manager のバージョンは安価です。既存のバージョンを書き換えずに、ロールフォワードしてください。
シークレットが漏洩したときの検出。Secret Manager の通知と Google Cloud のSensitive Data Protectionにより、攻撃者に先んじて、リポジトリにチェックインされたキーやログストリームに貼り付けられたキーを捕捉できます。

ユーザーに代わって動作する AI アプリケーション（ユーザーに代わって Gmail を呼び出す、ドライブのフォルダを読み取る、ユーザーの認証情報を使用してサードパーティの SaaS にアクセスするなど）には、有効期間の長いトークンを保存しないでください。有効期間の短いアクセストークンと更新フローとともに OAuth 2.0 を使用します。これにより、ユーザーが突然退職した場合や、不正使用されたアカウントが取り消された場合、エージェントは同時にアクセス権を失います。

#10 新しい AI エージェントが、決してすべきではないことをしないようにするにはどうすればよいでしょうか？

ツールの呼び出し、ウェブの閲覧、コードの実行が可能なエージェントには、他のあらゆる本番環境サービスと同様の、あるいはそれ以上に「多層防御」の考え方が求められます。なぜなら、そうしたエージェントは、ユーザーにとってもモデルにとっても事前に完全には予測できないような判断を下すからです。

4 つのレイヤがあり、実際のユーザーがいる場合は、どれも省略できません。

1. エージェント自体の ID。エージェントに独自のサービスアカウントを付与し、本当に必要なリソースとツールのみにスコープを限定します。これは、他のワークロードと同じ最小権限の原則です。Agent Engine はファーストクラスのエージェント ID をサポートしているため、監査ログですべてのアクションを特定のエージェントインスタンスに関連付けることができます。

2. サンドボックス化されたコード実行。エージェントが生成されたコードを実行する場合（データ分析や「この Python を実行して」のフローにおける一般的なパターン）、アプリケーションプロセスで実行しないでください。隔離されたサンドボックスを使用することで、不適切な組み合わせが本番環境データに影響を与えないようにします。

code_block: <ListValue: [StructValue([('code', '# Enable server-side code execution inside a sandbox for a request.\r\nfrom google import genai\r\nfrom google.genai import types\r\n\r\nclient = genai.Client(vertexai=True, project="my-startup-prod", location="us-central1")\r\nresp = client.models.generate_content(\r\n model="gemini-2.5-pro",\r\n contents="Compute the correlation between these two columns: ...",\r\n config=types.GenerateContentConfig(\r\n tools=[types.Tool(code_execution=types.ToolCodeExecution())],\r\n ),\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f747f35f450>)])]>

3. プロンプトと回答のフィルタリング。Model Armor は、モデル呼び出しの手前に配置され、プロンプトインジェクション、ジェイルブレイク、機密データの引き出し、ブランドにそぐわない出力をスクリーニングします。これらはすべて、実際のユーザーが使い始めれば、実質的に避けられないものとなります。

4. 行動のモニタリング。脅威検出機能を備えた Security Command Center は、エージェントの動作における異常にフラグを立てます。たとえば、サービスアカウントがこれまで使用したことのない API を突然呼び出す、エージェントが未知の外部ホストにアクセスする、特権操作が予期せず急増する、といったことです。これは、ほぼリアルタイムで行われます。

エージェントが実際のユーザーに代わって行動したり、実際のお金を扱ったりするようになると、これらはどれも省略できなくなります。

いわば宿題として

リポジトリ、ノートブック、本番環境ランタイムで、未加工の API キーを監査します。そこにあるべきでないキーをローテーションします。
同期レスポンスを必要としないワークロードは、Batch API に移行します。
モデルのオブザーバビリティダッシュボードを有効にして、容量エラーに関するアラートを 1 つ設定し、次の 429 エラーが顧客より前に自分に届くようにします。
プロジェクトの利用額上限を設定し、50% と 80% のアラートに注意します。使用量が予算の 100% を超えると、手動で解除するまで、Google はサービスを一時停止します。

今週この 4 つの事項を実施すれば、AI 機能をリリースしているほとんどのスタートアップよりも先を行くことができます。

次回取り上げてほしいシナリオはありますか？Google Cloud for Startups までお問い合わせください。

- Google Cloud AI、テクニカルソリューション、Sergio Villani

エージェントがより適切に委任を行う方法

Fri, 04 Sep 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 8 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

組織行動論の授業では、効果的な委任が経験豊富なリーダーにとって最も重要なスキルの一つであると生徒は学びます。有意義な作業を完了するには、プロジェクトを管理可能なタスクに細分化し、そのタスクをチームのスキルにマッピングして、適切な担当者に割り当てることから始めて、慎重に調整する必要があります。

Google Cloud では、エンタープライズワークフローにおける AI エージェントの構築とデプロイに関しても、同様の教訓を得ています。これらのワークフローには、複雑なタスクを分割して実行できるマルチエージェントシステムが最適です。そのためには、AI エージェントが優れた委任者になる必要があります。

その方法を学ぶために、Google DeepMind の研究に目を向けました。最近の研究「Intelligent AI Delegation」では、委任自体にインテリジェンス、具体的には、適応型の交渉、正式なコントラクトに基づく調整、セキュリティガードレールがどのように関わっているかが実証されています。

この研究により、コミュニケーション、タスクの共有、設定された目標に向けた調整が可能な AI エージェントを構築するお客様に新たな機会がもたらされます。今回は、その研究から生まれた 4 つの原則と、それらを独自のワークフローに適用する方法をご紹介します。

原則 1: 委任された作業を検証する

AI にタスクを委任することを許可する場合、単に作業を任意に割り当てる以上のことが AI に求められます。エージェントは、作業を、確実に検証できるタスクにインテリジェントに分割する必要があります。Google の研究では、これを「コントラクトファーストの分解」と呼んでいます。

人間が委任を行う場合と同様に、これには慎重な検討が必要です。人間の場合、リーダーがチームの強みを理解し、完了前に作業を確認することなどが考えられます。AI にも同様の学習曲線があります。オーケストレーション AI（マルチエージェントシステムの最上位に位置するマネージャー）は、作業を最適に分解して割り当てる方法について複数の計画を検討し、サブ目標を、監視および検証できるほど単純になるまで、より小さなチャンクに分解し続けます。理想的には、すべてを確実に評価できる計画を立てる必要があります。しかし、実際には、これを常に実現できるとは限りません。

場合によっては、期待どおりに作業が完了したかどうかを主観的に評価する必要があるかもしれません。このようなコンポーネントを特定することは、問題にはならず、むしろ、人間の時間をどこに費やすのが最適か、エージェントシステムの監視に人間の専門家の判断をどのように関与させるのが最適かを判断するのに役立ちます。

原則 2: 費用を賢く管理する

この研究フレームワークは、お客様からよく寄せられる「この特定のタスクは、より小さく、より安価なモデルで処理できるか？」という質問に答えるのに役立ちます。企業は費用にますます注意を払うようになっており、それは当然のことです。

パフォーマンスと予算の適切なバランスを見つけるのは難しいことです。給与計算のような複雑な問題を軽量モデルに任せても、期待する結果を得るだけの能力がない可能性があります。また、スプレッドシートの形式の再設定のような単純なタスクを強力な推論モデルにルーティングすることは不必要です。

研究によると、委任についてインテリジェントなエージェントは、このようなシナリオを認識し、各タスクに適したツールまたはエンドポイントを選び、最小限のコストで望ましい結果と最大限の信頼性を実現することを学習します。API ゲートウェイ内のモデルルーティング機能の使用は、クライアントサイドプロキシの使用の代替手段（LiteLLM など）に加えて、お客様の間で人気が高まっています。

モデルルーティングについて詳しくは、こちらをご覧ください。

原則 3: 機密データを尊重する

多くのワークフローは非公開の機密データを処理するため、AI エージェントはそれらの境界と権限を尊重する必要があります。たとえば、給与データ用のオーケストレーターエージェントをデプロイする場合、そのエージェントが一連の情報全体をサブエージェントに渡すことがあってはなりません。これが発生すると、セキュリティが損なわれるだけでなく、エージェントのコンテキストウィンドウが肥大化し、パフォーマンスが低下します。エージェントには、特定の任務を完了するために必要な最小限の権限のみを付与する必要があります。

難しいのは、最初の原則に従って、非公開の情報を明らかにすることなく、作業が確実に完了したことを証明する必要がある場合です。研究によると、ゼロ知識証明などの手法による高度な暗号化が、この問題の解決に役立つ可能性があります。ゼロ知識証明により、一方の AI エージェントが、データ自体を明らかにすることなく、計画された計算が正しく実行されたことをもう一方の AI エージェントに証明できます。たとえば、機密性の高いデータセットの分析を任されたエージェントは、結果の特定のプロパティを証明する簡潔で非インタラクティブな知識の論証を生成できます。これにより、委任者は証明の有効性を即座に検証できます。

原則 4: 無関心圏に注意する

無関心圏とは、アメリカの企業経営者であるチェスターバーナードが 1938 年に著した『The Function of the Executive（経営者の役割）』で用いた造語であり、従業員が疑問を抱くことなくタスクを受け入れる心理的スペースのことを意味します。通常、このタスクは従業員の業務範囲内にあるため、無意識のうちに受け入れてしまいます。たとえば、営業担当者が、重要な顧客との今後のプレゼンテーションに参加するようマネージャーから指示された場合、おそらく反論したり、深く考えたりすることはないでしょう。

研究で示されているように、現在の AI システムは、トレーニング後の安全フィルタとシステム指示によって定義されています。リクエストが重大な違反を引き起こさない限り、モデルはリクエストに従います。しかし、台頭しつつあるエージェント型ウェブを考慮すると、リクエストに従うというこの行動は実際にはシステム上のリスクを生み出す可能性があります。研究で言及されているように、「委任チェーンが長くなると（? → ? → ?）、広範な無関心圏により、微妙な意図の不一致やコンテキストに依存する危害が下流に急速に伝播する可能性があり、各エージェントは責任あるアクターではなく、無思考のルーターとして機能します。」

これは重大な影響を及ぼします。なぜなら、インテリジェントな委任には「動的な認知的摩擦」が必要であることを意味するためです。つまり、エージェントに提供される情報を検証して、その情報が正確で、関連性があり、管理されており、効率的であることを確認する必要があるということです。

このようにして、エージェントは、リクエストがあまりにも曖昧なために、無関心圏から脱却することを正当化し、委任者に異議を唱えたり、人間の検証を要求したりする必要がある場合に、それを認識できます。同様に、人間の参加と監督は、ある程度の認知的摩擦と積極的なエンゲージメントを前提としていますが、システムのユーザーに過度の負担をかけないように、慎重に管理する必要があります。人間の時間は貴重であり、必要な場合にのみ人間の介入を要求する必要があります。

今後の展望

Google Cloud の長期的な目標は、エージェントを組織に自然かつ効率的に統合することです。これは、人間の専門家との間で委任を行い、境界を尊重することを意味します。この組み合わせが、個々のエージェントが対応できる枠を超えたビジネス価値をもたらすと考えています。

エージェント型ウェブをナビゲートする準備ができたら、arXiv で Google DeepMind のレポート「Intelligent AI Delegation」をお読みください。

^{注: この投稿に協力してくれた Google DeepMind の Matija Franklin と Simon Osindero、Google Cloud の Vishal Agarwal と Andrea Morange に感謝します。}

- Google DeepMind、リサーチサイエンティスト Nenad Tomasev

- Google Cloud、応用 AI ブラックベルト Reshu Yadav

業務の再定義: Pythian の社内 AI ハンドブックがもたらす顧客の ROI

Thu, 03 Sep 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 8 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

Pythian が 27 か国に展開する 500 人規模の自社全体に Google Cloud の Gemini Enterprise を導入した際、その目的は明快でした。それは、自社を実証の場として、エンタープライズ AI が実際にどのように ROI をもたらすのかを見極めることでした。

そこで得られた知見が、私たちの戦略を根本から変えました。

Gemini Enterprise のロールアウトや、それ以前のエンタープライズ AI のデプロイを通じて、Pythian は、なぜこれほど多くの AI プロジェクトが停滞や失敗に終わるのかを、実体験として目の当たりにしてきました。

ほとんどの組織は、ツール中心の考え方の罠に陥っています。ライセンスを購入してツールを広く展開しさえすれば、価値は自ずとついてくると信じ込んでいるのです。ユーザーあたり 5 分の節約といった些細な効率化を追い求めるあまり、構造的で ROI の高いワークフローの変革を見逃してしまいます。さらに厄介なことに、カスタムエージェントを構築したとしても、AI モデルドリフト、エージェントのライフサイクル、継続的なオブザーバビリティを管理する運用能力がチームに不足しているため、試験運用の段階で停滞したり、本番環境で破綻したりすることが少なくありません。

この課題を解決するために、Pythian は Pythian AI オペレーティングモデルを構築しました。これは、エンタープライズ AI を大局的な戦略策定から持続的な本番運用へと導くために設計された、多面的かつエンドツーエンドのフレームワークです。デュアルセンターオブエクセレンス（COE）が実行の原動力を担う一方で、一貫して数百万ドル規模の成果を引き出しているのは、フィールド CTO 戦略やツールのデプロイからデュアル COE、XOps に至るまで、フレームワーク全体を適用することにほかなりません。

この完全なモデルをまず社内で実証することで、Pythian はアクティブユーザーエンゲージメントを 3 倍に急増させ、データベースインシデントの解決時間を 80% 短縮しました。

Pythian AI オペレーティングモデルの 4 つの柱

エンタープライズ AI の一般的な失敗要因を克服するために、Pythian のフレームワークでは、戦略、実行、運用を 1 つの継続的なループに統合しています。

フィールド CTO 戦略 ──> ツールのデプロイ ──> デュアル COE の実行 ──> 本番環境 XOps

フィールド CTO 戦略とガバナンス: 生成 AI は、IT の歴史において、理論的にも最も難易度の高いアーキテクチャの転換であると言えるでしょう。役員出身の技術リーダー陣が率いるフィールド CTO プラクティスは、経営幹部向けのアドバイザリーを通じて、運営委員会の設立や明確な価値指標の策定を支援します。チームは、16 個の水平方向のエージェント型パターン（ドキュメント処理の自動化やランブックの作成など）を使用して運用を監査し、開発が開始される前に、費用対効果の高いユースケースの優先順位付けされたバックログを構築します。
ツールとプラットフォームのデプロイ: チームは、Gemini Enterprise などのプラットフォーム上に本番環境グレードのセキュアな基盤を確立し、AI を CRM、ERP、データベース資産に直接接続して、実際の企業コンテキストにモデルをグラウンディングします。
デュアル COE: この実行エンジンは、2 つの専門エンジンに分かれています。

従業員の生産性 COE: このグループは、導入とチェンジマネジメントを担当します。技術部門以外のチーム（人事や調達など）が独自のエージェントを構築することを期待するのではなく、この COE は、イネーブルメントに完全に焦点を当てて、これらのチーム向けにノーコードエージェントを構築します。
プロセス生産性 COE: このチームは、自律的な運用のためにコアデータプラットフォームに統合される、高度なカスタムコード AI エージェントと複雑なエージェントワークフローを設計します。

XOps（AI 本番環境管理）: エージェントのデプロイは取り組みの 20% にすぎず、本番環境での精度を維持することが 80% を占めます。AI モデルとプロンプト構造は時間の経過とともに自然に変化するため、この XOps プラクティスは、コアワークフローを中断することなくエージェントのパフォーマンスを維持するために必要な継続的なモニタリング、プロンプトチューニング、モデルのオブザーバビリティを提供します。

散発的な小さい効率化を追求することと、構造的な企業 ROI を推進することの違いは、オペレーティング戦略をどのように調整するかによって決まります。

アライメント要素	ツール中心のアプローチ	Pythian AI オペレーティングモデル
主要な指標	ユーザー 1 人あたりの節約時間	インパクトの大きいワークフローの再定義と ROI
運用の重点	指針のない広範なツール提供	16 のエージェントパターンによる優先順位付けされたバックログ
実行力	ユーザーによるアドホックなテスト	デュアル COE（人材とプロセスの生産性）
本番環境のライフサイクル	モニタリングされていない静的デプロイ	アクティブ XOps（継続的な精度とドリフトの管理）

実際の導入効果: データベース運用からグローバルサプライチェーンまで

70 か所の製造プラント管理であれ、30,000 個のエンタープライズデータベース管理であれ、AI は構造的で価値の高いワークフローに結びついたときに成果を発揮します。

「自らが顧客となる」Pythian の事例: 月間 15,000 件に及ぶデータベースチケットに対し、プロセス COE は、エンジニアが着手する前にチケットの読み取り、ナレッジベースの検索、ミニランブックの自動生成を行うエージェント型ワークフローをデプロイしました。その結果、平均解決時間が 80% 短縮され、アクティブユーザーエンゲージメントが 3 倍になりました。
ナレッジマネジメント企業の顧客: 10,000 人のコンサルタントに自律型 IT サポートエージェントをデプロイしました。その結果、年間 20,000 件の IT チケットの 10% を「ノータッチ」で解決できるようになり、100 万時間以上の運用時間を節約できました。
サプライチェーン企業の顧客: Gemini Enterprise でカスタムのエージェントサプライチェーンツールを構築することで、世界 70 か所の製造拠点で予測マッチングサイクルを数週間から 2～3 日に短縮できました。
小売企業の顧客: Gemini エージェント型 AI とコンピュータビジョンを組み合わせて、店舗の商品オンボーディングを自動化しました。その結果、20 分かかっていた手動タスクを数秒のフローに変換できました。

AI オペレーティングモデルを構築する準備はできましたか？

AI をスケールするには、ツールレベルのテストだけでは不十分です。エンドツーエンドの AI オペレーティングモデルも必要になります。Pythian が Google Cloud と連携して戦略を体系化し、XOps を合理化して、Gemini Enterprise 導入への道のりをどのように加速させるか、ぜひ詳細をご覧ください。

- Pythian、最高技術責任者、Paul Lewis 氏

- Pythian、ビジネス開発担当バイスプレジデント、Vanessa Simmons 氏

Google Antigravity の提供対象を企業のお客様まで拡大

Tue, 01 Sep 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 8 月 21 日に、Google Cloud blog に投稿されたものの抄訳です。

5 月の I/O で Gemini Enterprise Agent Platform の Google Antigravity を発表して以来、お客様から有益なフィードバックをいただいています。デベロッパーは、さまざまなサーフェスでコーディングエージェントに簡単にアクセスしたいと考えています。企業ガバナンスチームは、セキュリティ管理とライセンス管理を求めています。財務チームは、プリペイドトークンが未使用のままになることがないよう、使用できるトークンをプールしたいと考えています。このたび、いずれのチームの要望にも対応できるようになりました。

Antigravity は、対象となる Gemini Enterprise app サブスクリプションの一部として提供されます。これには、すぐに利用できる管理機能と支出管理機能が含まれます。
新しい IDE 拡張機能により、デベロッパーは VS Code などの任意の IDE で Antigravity を使用できます。

AI デベロッパーツールとエンタープライズグレードの管理機能を 1 つのサブスクリプションに統合

デベロッパーに高度なエージェントツールを提供するために、アドオンライセンス、請求書、課金コンソール、セキュリティ設定を個別に管理する必要はありません。Gemini Enterprise サブスクリプションに含まれる AI デベロッパーツールを使用すると、管理者は、対象となる Gemini Enterprise Standard、Plus、Standard Emerging Market のライセンスを持つユーザーに対して Antigravity と Android Studio を簡単に有効化でき、Gemini Enterprise 管理コンソールに統合された費用、セキュリティ、オブザーバビリティ、使用状況の指標を使用して、完全なガバナンスを維持できます。

支出を管理しながら、デベロッパーの障害を取り除く

Gemini Enterprise の柔軟な課金および費用管理ツールにより、費用を管理しながら、デベロッパーに必要なリソースを確保できます。

詳細な費用上限: 管理者は、課金コンソールでプロジェクトレベルの月間予算上限を直接設定できます。ユーザーごと、チームごとの追加の管理機能は、今年中にリリースされる予定です。
割り当てのプール: トークンの共有プールにより、需要の高いチームに柔軟性がもたらされ、組織全体で購入した割り当てが使用されずに残ることを防ぎます。
超過分の有効化: プールされた割り当てを使い切ってもデベロッパーのワークフローを継続できるように、管理者は月額費用の上限を設定して超過分を有効にすることで、超過分の使用量を標準の使用量ベースの料金にスムーズに移行できます。
使用状況の指標: 使用状況を一元的に追跡することで、トークンの使用量、API 呼び出し、デベロッパーのアクティビティを可視化し、組織が AI への投資を継続的に最適化できるようにします。

組み込みのプライバシーとセキュリティの機能で組織のコードとデータを保護

Gemini Enterprise サブスクリプションでは、Google Antigravity が Google Cloud の標準的なセキュリティとコンプライアンスの保護の対象となります。管理者と IT チームは、単一のコンソールから、ワークスペースへのアクセスに関する明確な境界を設定し、完全な監査ロギングを有効にして、データプライバシーを適用できます。

構成可能なセキュリティポリシー: ワークスペースのサンドボックス化、ブラウザと MCP サーバーへのアクセスなど、セキュリティとコンプライアンスの管理を適用して、AI エージェントが承認されたエンタープライズ環境内で安全に動作するようにします。
一元的な監査ロギング: 1 回の切り替えで包括的な監査ロギングを有効にし、プロンプト、エージェントの回答、メタデータをキャプチャしてコンプライアンスレポートを作成します。
データプライバシー: Google Cloud の利用規約に基づいてデータの所有権を維持し、すべてのエージェントアクティビティが安全なクラウド境界内で厳密に実行されるようにします。

チームが好む開発環境にエージェントコーディングを直接導入

このたび、デベロッパーは、新しい IDE 拡張機能、Antigravity 2.0 デスクトップアプリ、Antigravity CLI を介して、Visual Studio Code、Visual Studio（プレビュー版）、Jetbrains（プレビュー版）、Zed IDE（プレビュー版）など、すでに使い慣れているサーフェスで Antigravity を使用できるようになりました。

管理者は、すべてのサーフェスで、企業 ID 標準を適用でき、また Workforce Identity 連携（WIF）とアプリケーションのデフォルト認証情報（ADC）のネイティブサポートにより、技術チームのセットアップの煩雑さを解消できます。

AGY IDE 拡張機能のデモ

お客様の声

Google Antigravity は、迅速なコード生成からエンドツーエンドのタスク自動化まで、Google Cloud の安定性、ガバナンス、スケールに支えられた最先端の AI 開発の勢いをエンジニアリングチームに与えています。大手企業のお客様とパートナー様が、本番環境で測定可能な成果をどのように実現しているかをご紹介します。

「Accenture では、Gemini Enterprise に Antigravity をデプロイすることで、Google Cloud の安全で信頼できる基盤上で、Google DeepMind の優れたテクノロジーをエンジニアに提供しています。運用の複雑さを取り除くことで、当社のチームは開発スピードとエンタープライズグレードのガバナンスのどちらかを選ぶ必要がなくなり、お客様に迅速なエンジニアリングと革新的な価値を提供できるようになりました。」- Accenture Google ビジネスグループ、グローバルプラクティスリード、Chetna Sehgal 氏

「AirAsia とグループ全体で、従業員の能力強化に力を入れています。Antigravity 2.0 を使用して、高性能な Gemini モデルを日々のワークフローに直接組み込むことで、まさにそれを実現しています。当社は、ソフトウェアエンジニアリングから、財務、マーケティング、法務、人事などに至るまで、全従業員に最先端の AI 機能を提供しています。これにより、デベロッパーと重要なバックオフィスチームの両方が、これまでにないペースでイノベーションを起こし、全体的に時間を節約できるようになりました。」- AirAsia Next、CTO、Nikunj Shanti 氏

「企業は AI の試験運用から一歩進んで、測定可能なビジネス成果を期待しています。Gemini Enterprise と、Antigravity 2.0 や Antigravity CLI などの次世代デベロッパーツールにより、エージェント型 AI、特に Gemini モデルの高度な推論機能をソフトウェアデリバリーワークフローに直接組み込む大きな機会が生まれています。これは生産性向上にとどまらず、意思決定の迅速化、コード品質の向上、技術的負債の削減を大規模に実現します。特に際立っているのは、これらの機能が、コードの記述から成果のオーケストレーションへとチームを進化させ、ソフトウェア開発ライフサイクルのあらゆるフェーズを強化しながら、安全かつ責任を持ってイノベーションを拡大するのに役立っている点です。」- CGI、アジア太平洋グローバルデリバリーセンターオブエクセレンス担当プレジデント、Rakesh Aerath 氏

「デベロッパーのワークフローはそれぞれ異なります。エンジニアがエージェント型 AI に適応するのではなく、エージェント型 AI がはエンジニアに適応するべきです。Google Antigravity は、デベロッパーが好む IDE、デスクトップアプリ、CLI でサポートされているため、Cognizant はエージェント型エンジニアリングをグローバルデリバリーセンター全体にシームレスに組み込むことができます。これにより、当社のチームは好みのサーフェスを自由に選択しながら、お客様に高速で安全なソフトウェアを提供できます。」- Cognizant India、グローバルオペレーション担当プレジデント兼会長兼マネージングディレクター、Rajesh Varrier 氏

「Antigravity は、Datamatics の AI ファースト戦略を推進するうえで重要な役割を果たしています。この数か月間、当社のチームは Antigravity を使用して、複数のアプリケーションを迅速に構築、デプロイし、ソリューション開発を加速させ、AI をコアビジネスプロセスに組み込んできました。AI Impact Hub から分析ソリューションやセールスイネーブルメントソリューションまで、Antigravity は当社が試験運用段階から実際の実行段階へと移行するうえで役立ちました。その結果、測定可能なビジネス成果を達成し、チームがより迅速かつ大規模にイノベーションを起こせるようになりました。」- Datamatics、情報システムグループ（ISG）担当バイスプレジデント、Vijay Venkatachalam 氏

「Google Antigravity の自律機能を Gemini Enterprise の開発環境に直接組み込むことで、社内チームと現場配置エンジニアリングチームが複雑なタスクを自動化できるようになりました。プラットフォームの新しい FinOps とガバナンス管理に支えられ、当社のチームは、価値が高く、安全で、費用対効果の高い成果をお客様のために大規模にオーケストレートすることに自信を持って集中できます。」— Deloitte、米国 AI / エンジニアリング戦略およびサービスリーダー、Faruk Muratovic 氏

「Wipro は Antigravity を採用したことで、AI 主導のソフトウェア開発ライフサイクルの最先端に立っています。Antigravity 2.0、CLI、新しい IDE 拡張機能を、シームレスなデベロッパーエクスペリエンスおよび優れたコード精度と組み合わせることは、当社の AI ファーストのエンジニアリング戦略に自然に適合します。Google Cloud と連携することで、ソフトウェアデリバリーを加速し、グローバル企業のお客様に次世代の価値を提供できます。」- Wipro、Google パートナーシップ担当バイスプレジデント兼グローバル責任者、Debashish Ghosh 氏

Gemini Enterprise で Antigravity を使ってみる

Gemini Enterprise の Google Antigravity は、対象となる Gemini Enterprise Standard、Plus、Standard Emerging Market のライセンスをお持ちのお客様に、本日よりご利用いただけます。また、まもなく、より幅広いお客様にご利用いただけるようになる予定です。

管理者の場合: 企業向けのセットアップガイドにアクセスして、Google Antigravity と Android Studio の AI デベロッパーツールを有効にすることができます。
デベロッパーの場合: Antigravity 2.0、Antigravity CLI、または Antigravity IDE 拡張機能を介したお好みの IDE で構築を開始できます。

- エンジニアリング担当シニアディレクター、Scott Densmore

- グループプロダクトマネージャー、Damith Karunaratne

Mirendil の事例: トレーニング前後のアプリケーションに AI Hypercomputer のTPU と GPU を活用

Tue, 01 Sep 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 8 月 7 日に、Google Cloud blog に投稿されたものの抄訳です。

ほぼすべての大手 AI 研究所が、モデルのトレーニング、エージェントの推論、最先端の研究などに Google Cloud インフラストラクチャを使用しています。Google Cloud は、業界の研究とイノベーションを牽引する急成長中の新興 AI スタートアップから選ばれるプラットフォームであり続けています。

このたび、AI 開発の加速に注力する最先端の AI 研究所である Mirendil も、Google Cloud の AI Hypercomputer を採用することを発表しました。具体的には、Google の TPU AI アクセラレータと、Google Cloud 上で稼働するフルスタックの NVIDIA AI インフラストラクチャを併用し、この専用設計の AI インフラストラクチャによって Mirendil のモデル事前トレーニングと事後トレーニングのアプリケーションをサポートします。

Mirendil チームは、AI の研究開発を加速し、民主化するのに役立つ新しい AI システムを構築しています。これはつまり、初期モデルの事前トレーニングから事後トレーニングまで、複雑なエンドツーエンドのトレーニングワークフローを管理し、大規模な強化学習をサポートすることを意味します。Google Cloud を通じて TPU と、NVIDIA のフルスタックアクセラレーテッドコンピューティングプラットフォームの両方を自在に組み合わせることで、Mirendil は不可欠なコンピューティングに非常に迅速にアクセスし、状況の変化に合わせてワークロードを最適なアーキテクチャに適合させ続けることが可能になっています。

Google は Mirendil と緊密に連携して、コンピューティング、ストレージ、ネットワーク、コントロールプレーンの各層にわたって、TPU と NVIDIA AI インフラを統合した環境の設計からデプロイまでをエンドツーエンドで実施しました。また、Gemini Enterprise Agent Platform で実行されるマネージドトレーニングクラスタを使用するシステム構築でも協力し、Mirendil における TPU と GPU 両環境のプロビジョニングと管理を大幅に効率化しました。Mirendil はすでに TPU v5P チップのクラスタでの運用を開始しており、NVIDIA AI アクセラレーテッドコンピューティングシステムも近日中に稼働を開始する予定です。

Mirendil の共同創業者 / CEO である Behnam Neyshabur 氏は、次のように述べています。「AI の進歩は、実験の設計、結果の評価、反復という研究ループを人間がどれだけ速く実行できるかによって制限されてきました。私たちは、そのループ自体を加速させ、改善することができる AI システムを構築しています。Google Cloud を基盤として拡張することで、システムをさらに進化させ、最先端の AI 研究機能をより多くの科学者やエンジニアの手に届けるためのスケールと柔軟性が得られます。これにより、研究ループをより迅速かつ大規模に回すことが可能になります。」

Google と Mirendil のパートナーシップについて詳しくは、Mirendil のブログをご覧ください。

- 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

AI & 機械学習

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

インフラ課題の顔ぶれが入れ替わった

マルチクラウドが定着、オンプレミスはクラウドへ

脱 VMware は過半数に。ただし規模で進め方が違う

内製化と AI 駆動開発は一緒に進む

コンテナは本番で普及、データベースはクラウド化へ

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

クラウド選びは、国内と環境性能も重視

CCoE があると、何が変わる？

レポートでは Google Cloud での進め方も紹介

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

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

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

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

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

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

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

Gemini エージェントが登場

Gemini を支える機能：スキル、ツール、コンテキスト

Google Workspace における Gemini

データ分析、データ エンジニアリング、および機械学習

エージェントのセキュリティ保護とガバナンス

インフラストラクチャ：コストパフォーマンスを 80% 向上

日本での Gemini Enterprise の活用事例

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

基調講演のテーマは「AI が使う基盤、AI で作る基盤」

お客様 4 社が、基盤づくりと移行の実例を紹介

Google Cloud が、AI 駆動型の移行と運用のアプローチを紹介

会場に来た方だけの特典も

AI エージェントを現場実装する 2 日間、Agentic AI Summit '26 Fall

Day 1 は全社展開の実例がそろう

他社の事例を一気に見るならピッチ コンテスト

Day 2 は丸ごとエンジニア向け

作って試すなら Builder Day

会場に来た方だけの特典も

強化学習（RL）による Gemini モデルのカスタマイズに関するベスト プラクティス ガイド

RLFT とは

RLFT を使用する状況

RLFT のユースケース

どこから始めるべきか

使ってみる

Orange はどのように FinOps のアカウンタビリティを確立し、なぜ次にエージェントなのか

Clean Days が効果的な理由

100 人を超える場合

信頼から始め、自律性を追加する

ゲーム チェンジャー: エージェント型 AI を使用してインフラストラクチャ コードを保護する

ソリューション アーキテクチャと実装

ローカライズされた脅威モデルの重要性

専門のトリアージ エージェントが開発を加速

バグ修正エージェントがループを閉じる

学んだことと行動喚起

エージェントを強化: Gemini 3.8 Live with Live Avatar の一般提供を開始

Gemini 3.8 Live と Live Avatar の 3 つのデモ

Gemini 3.8 Live with Live Avatar を活用したイノベーションの事例

今すぐ開発に着手しましょう

住友重機械工業: Google Cloud で SDV 開発基盤を構築し、大型機械用ソフトウェア開発の高速化と人材育成を両立

加速する SDV の流れに対応するために、Google Cloud でプラットフォームを構築

デジタルツインを活用した事前検証を行い、実機実験を 1 回でクリア

Cloud Workstations と TAP で最適なクラウド人材の育成環境を整備

Airtel、2026 年インディアン プレミアリーグのクリケット中継を完璧に配信

同時接続数とエッジ効率を考慮した設計

運用準備のためのプロアクティブな戦略

優れたライブ配信のためのブループリント

Google、2026 年 Gartner® Magic Quadrant™ エンタープライズ AI アシスタント部門のリーダーに選出

Google がリーダーに選出された理由

Gemini Enterprise の最新の機能強化でビジョンを推進

Gemini Enterprise のお客様も価値を実感

Spanner への移行: Antigravity CLI で二重書き込みを自動化してサービス停止を最小限に

課題: 二重書き込みによる移行の仕組み

解決策: 標準化されたミューテーション コンバータ パターン

Antigravity CLI をヘッドレス モードで使用する理由

クラウド エンジニアにとっての成果と重要なポイント

次回のデータベース移行に役立つ 3 つのヒント

使ってみる

近畿大学と Google Cloud が包括連携協定を締結 - 約 2 万人超へ「Google AI Pro for Education」を導入し、「AI ネイティブ大学」の実現を支援

バグの発見と修正を支援するオープンソースの AI ハーネス、Mantis のスタートガイド

AI プロトタイプを本番環境に移行する前にすべてのスタートアップが答えておくべき 10 の質問

オンボーディング: 基礎を固める（ごく初期の段階）。

#1 Google AI Studio と Gemini Enterprise Agent Platform のどちらから始めればよいですか？

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

他社の事例を一気に見るならピッチコンテスト

強化学習（RL）による Gemini モデルのカスタマイズに関するベストプラクティスガイド

ゲームチェンジャー: エージェント型 AI を使用してインフラストラクチャコードを保護する

ソリューションアーキテクチャと実装

専門のトリアージエージェントが開発を加速

Airtel、2026 年インディアンプレミアリーグのクリケット中継を完璧に配信

解決策: 標準化されたミューテーションコンバータパターン

Antigravity CLI をヘッドレスモードで使用する理由

クラウドエンジニアにとっての成果と重要なポイント

#3 Google Cloud を使用しています。コードの認証には、API キー、サービスアカウント、ユーザー認証情報のどれを使用すればよいですか？

#6 Standard PayGo、Priority PayGo、プロビジョンドスループットのうち、どの消費モデルを利用すればよいですか。

Pythian AI オペレーティングモデルの 4 つの柱

実際の導入効果: データベース運用からグローバルサプライチェーンまで

AI オペレーティングモデルを構築する準備はできましたか？

AI デベロッパーツールとエンタープライズグレードの管理機能を 1 つのサブスクリプションに統合

チームが好む開発環境にエージェントコーディングを直接導入