AI & 機械学習

豊田自動織機ITソリューションズ: Gemini Enterprise を一斉展開し、業務効率化とナレッジ集積、人材の育成・確保を実現

Mon, 22 Jun 2026 02:00:00 +0000

生成 AI の社内展開は、部署を限定して段階的に進めていくのが定石とされています。しかし、株式会社豊田自動織機ITソリューションズ（以下、TIIS）は、500 ライセンスの Gemini Enterprise を全社員に一斉提供するという方法を選択。情報の集積と活用による業務拡大、人材確保、新たな価値の創出などを図っています。その詳細を、同社代表取締役社長鈴木洋氏をはじめとする今回の取り組みのコアメンバーに伺いました。

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

利用しているソリューション:
生成 AI

激変する IT 業界の中でスタートした業務改革「TIIS-X プロジェクト」

TIIS は豊田自動織機グループ（従業員数約 8 万人 / 関連企業数約 300 社）における国内唯一のシステムインテグレーターです。社員約 450 名のうち、400 名ほどが IT 業務に従事しており、生産現場における設計業務からシステム開発、サーバーネットワークなどのインフラ構築、セキュリティ管理、組込みソフトウェアの開発まで、幅広い領域でグループの課題と向き合い、解決してきました。そんな同社の優位性と現況について鈴木氏は、こう胸を張ります。

「弊社は豊田自動織機グループの一員として、IT 戦略立案から参画し、超上流の要件定義から開発、運用保守まで、IT に関する全ライフサイクルに携わっています。その幅の広さと奥行きの深さ、そしてグループ現場の業務知識と IT スキルの両方を備えていることが我々の強みです。特にこの 3 年間は、新型コロナ禍を経て豊田自動織機からの IT 需要が爆発的に増加し、売上規模が倍以上に拡大しています。」

しかし、これと同時に IT 業界全体を取り巻くビジネス環境が激変。人材の流動性が高まった結果、長期的に活躍できる環境の整備が喫緊の重要課題となってきました。一方、運用面では、既存システムの老朽更新がリソースを圧迫し、新たな価値創造を難しくしつつありました。

このような状況を受けて始まったのが、社内変革活動「TIIS-X プロジェクト」です。2022 年に始まった本プロジェクトは、「テクノロジー推進」「ワークスタイル・制度変革」「コミュニケーション活性化」の三本柱で構成され、多角的な問題解決を目指すものとなっていました。鈴木氏と共にこの取り組みを推進してきた、執行職の小形健一氏は、その "伏線" が、すでに 10 年ほど前から張られていたと語ります。

「2017 年ごろに、散在していた社内ファイルサーバーを今後どのように運用していくかという議論が起きました。その際重視したのが、情報の検索性です。まず、弊社には過去に開発したアプリや業務システムの膨大なデータがありますので、これらを集約していかに活用するかは、将来の事業展開に向けた鍵となります。また、情報の整備は、人材の流出や業務の外注化などが進む中、個々人に蓄積した知見やノウハウを共有・活用していくという意味でも有効です。そこで 2018 年、社内ファイルサーバーを、優れた検索性を備える Google ドライブに統合しました。」

当時はまだ生成 AI が話題になる以前でしたが、Google ドライブを選んだ背景には、そう遠くない未来に AI 技術が劇的に進化するだろうという読みもあったといいます。

「例えば 2022 年末に対話型 LLM が大ブレイクした後、社内でさまざまな生成 AI サービスを検証しました。この際、焦点となったのが学習です。学習効果を最大限に得るには、500 万ファイルを超える社内データをすべて外部に送出して学習させる必要がありましたが、現実的ではありませんし、セキュリティの観点からも実施したくありません。しかし Google Cloud の生成 AI サービスであれば、Google ドライブに統合済みの社内データを安全かつシームレスに活用できます。2024 年末に、企業向け AI エージェントプラットフォームである Gemini Enterprise（当時の名称は Google Agentspace）が発表された時には、待ち望んでいたツールがついに登場したなと思いました。」（小形氏）

Gemini Enterprise が選ばれた理由は、データの連携性だけではありません。小形氏のもと、TIIS の技術戦略推進を担ってきた同社デジタル情報技術戦略部部長丹羽宏太氏は、グラウンディング（回答根拠の提示）によって情報の正確性を担保できることや、他社サービスと広く連携できることも大きな優位点だったと言います。

「Gemini Enterprise は、Google Cloud の各種サービスだけでなく、豊富に用意されたコネクタによって、多くの外部ソースとつなげることができます。弊社では業務にさまざまなサービスを日常的に利用しているので、このオープンさはとても魅力的でした。現在、TIIS では Outlook やSharePoint、OneDrive、GitHub などを含む合計 9 個のコネクタで社内サービスと接続しており、社内の知見を広く共有することに成功しています。」

PoV の成功を踏まえて、500 ライセンスを全社員に一斉に展開

こうして TIIS は、2025 年 4 月に Gemini Enterprise の導入を決定。8 月から開始された PoV（Proof of Value / 価値実証）では、間接部門も含めた各部署から選別された 12 名の「CHAMPION（活用の牽引役）」と協力するかたちで、Gemini Enterprise の活用方法と、運用における注意点などを集中的に検証・解決。その3か月後には、500 ライセンスを契約し、約 450 人の全社員に一斉展開することを決定しました。

「全社一斉展開を決意したのは、少しでも早く、より多くの社員に生成 AI の便利さを実感し、活用してもらいたかったからです。もちろん、そのコストは決して小さいものではありません。しかし TIIS なら誰でも最先端の生成 AI サービスを使えるという話が広まれば、就職活動を始める学生にも大きなアピールになります。そうした副次的効果を含めれば、十分にリターンのある投資だと考えました。」（鈴木氏）

Gemini Enterprise の現場への展開を担当したデジタル情報技術戦略部デジタル戦略推進課 BX 推進 1 グループグループリーダーの堀尾一孝氏は、現場への展開に向けた取り組み、工夫について、次のように振り返ります。

「PoV に協力してくれた 12 名の CHAMPION をそのまま推進チームとし、ワークショップやハンズオン体験会を繰り返し開催しました。また、社内チャットツールを使った日常的な情報発信や見やすいドキュメントの整理、チャンピオンたちが作った便利な AI エージェントの紹介・共有など、さまざまなかたちで興味を促し、実際に使ってもらえるよう手を尽くしました。」

なお、導入に際する一連の取り組みにおいては、Google Cloud のコンサルティングサービスと技術支援を活用。専門家集団による手厚い支援を受けながら、Gemini Enterprise を業務プロセスに組み込んでいくことができました。

「導入に際しては、まず業務的にインパクトの大きなものを対象にする、そこから業務プロセスを細かく分解して、それぞれに適切に AI を活用していくアプローチなど、私たちが持っていなかった知見を惜しみなく共有いただけたことで、無駄なステップを踏まずに導入できました。困った時に Google Chat ですぐに相談できることも心強かったですね。」（丹羽氏）

「技術的な支援もたくさんしていただいています。例えば、社内の課題を解決する AI エージェントを作る際は、ADK（Agent Development Kit）やローコードの対話型エージェントなど、さまざまな選択肢があるのですが、課題ごとに、どのような構成を取れば効率的なのかもアドバイスいただきました。コンサルティングチームの伴走は社内のナレッジ蓄積でも極めて有用でした。」（堀尾氏）

Gemini Enterprise の活用は、新たなる価値創造に向けた切り札になる

導入後、Gemini Enterprise は驚くべき速度で TIIS の現場に浸透しています。社員によって作成された AI エージェントは 1,300 以上にもなり、契約条項の精査や誤字・脱字のチェック、請求書・領収書の確認、議事録の要約、スライド作成、過去のシステム問い合わせ台帳の検索など、これまでマニュアルで行われてきた作業が劇的に効率化されているとのことです。もちろん、経営面でも大きなインパクトが生まれています。

「Gemini Enterprise の導入後、会社全体の平均残業時間は、前年度比で約 10% 減少しました。退職者数も前年度比で約 30% 減少しています。Gemini Enterprise 以外のさまざまな取り組みの成果も含めた数字ではあるのですが、想定していた以上の成果を得られています。」（鈴木氏）

TIIS では、Gemini Enterprise を業務プロセスの中にシームレスに組み込む取り組みが加速しています。BigQuery とLooker を活用したデータプラットフォームを整備し、コネクタで連携できない ERP や Excel データも含めたあらゆる社内資産を扱える環境を構築中です。

「中長期的な目標は、数年に一度、大型案件を受託・開発する『一括構築型モデル』から、長いライフサイクルの中で、小さな改善を速く回す『継続的な改善モデル』への転換を推進し、工数のすべてを価値向上に直結させていくことです。簡単なことではありませんが、まるで複雑な問題を一発で解決する "銀の弾丸" のように、想像以上の働きをしてくれるツールが登場したことで、その実現は夢物語ではなくなりつつあると強く感じています。また、我々が Gemini Enterprise で成果を出していけば、横展開もしやすくなります。弊社の取り組みをモデルケースに、豊田自動織機グループ全体で Gemini Enterprise を使っていこうという気運が高まると、さらなる業務効率化が実現できるのではないかと期待しているところです。」（鈴木氏）

株式会社豊田自動織機 IT ソリューションズ
1991 年に株式会社豊田自動織機の情報システム部門が独立して設立。国内唯一のシステムインテグレーター子会社として、グループ内の IT 課題解決を一手に担うほか、外部一般企業へのソリューション提供も拡大中。従業員数は 496 名（2026 年 4 月現在）。

インタビュイー（写真左から）
・デジタル情報技術戦略部デジタル戦略推進課 BX 推進 1 グループグループリーダー
　堀尾一孝氏
・代表取締役社長　鈴木洋氏
・執行職　小形健一氏
・デジタル情報技術戦略部部長　丹羽宏太氏

その他の導入事例はこちらをご覧ください。

次世代の Confidential AI を推進

Thu, 18 Jun 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 6 月 12 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud は、要求の厳しい AI ワークロード向けに、先進的で安全性の高いプライベートインフラストラクチャを提供することに尽力しています。また、幅広く多様な組織とのパートナーシップにより、それぞれの AI ワークロードのニーズに確実に応えられるよう支援しています。

今週開催された WWDC 2026 において、Apple は同社の Private Cloud Compute（PCC）システムを Google Cloud とのコラボレーションによって拡張することを発表しました。Apple と Google は緊密に連携し、Apple が PCC に求める厳格なセキュリティ、機密性、透明性の目標を満たすサービングプラットフォームを Google Cloud 上に構築しました。この成果は、両社のみならず、Intel および NVIDIA との強力なコラボレーションの証でもあります。

Confidential Computing によるプライバシーへの取り組み

Apple とのコラボレーションは、Google Cloud のセキュリティとプライバシーのテクノロジーを活用した、プライバシーに対する深いコミットメントを基盤としています。このコラボレーションの中心にあるのは、Google の Confidential Computing ポートフォリオと Titanium セキュリティアーキテクチャです。

Titanium アーキテクチャには、Google がカスタム設計した Titan チップが搭載されており、Google のインフラストラクチャやサービスのセキュリティと完全性を支えるハードウェアのルートオブトラストを提供します。Confidential Computing は、このセキュアな基盤上に構築されており、ハードウェアベースの高信頼実行環境（TEE）内で、保存時、転送時、そして最も重要な使用時を含め、ライフサイクル全体にわたってデータを保護します。

Confidential Computing は、使用中のデータを保護することで、AI システムの信頼を構築するための基本かつ基盤となる要素となり、機密性の高いワークロードに対して検証可能な完全性と分離性を提供します。データは暗号化されたまま分離されるため、不正アクセスを防止できます。

Google Cloud での Apple Private Cloud Compute（PCC）の活用

このたびの Apple とのコラボレーションにより、PCC インフラストラクチャのプライバシーとセキュリティの機能を Google Cloud に拡張できることを大変誇りに思います。PCC における Apple のプライバシーへの取り組みは、Google Cloud のインフラストラクチャ上に構築されている多層的なセキュリティアプローチによってサポートされます。これには以下が含まれます。

Google Cloud Confidential Computing: コアとなる Confidential Computing プラットフォームは、PCC に必要なハードウェアベースの TEE を提供します。Intel TDX（Trust Domain Extensions）と NVIDIA Confidential Computing を活用することで、仮想マシン向けにハードウェアベースの分離を実現し、暗号化による保証の下でワークロードを実行できる、安全性の高いプライベートな環境を実現します。
Google Titanium セキュリティアーキテクチャと Titan チップ: Google Titan チップは、Google Cloud 上の PCC インフラストラクチャのセキュリティと透明性の確保に不可欠なコンポーネントです。Google のフリート全体に展開されている Titan は、強固なハードウェアのルートオブトラストを確立し、ブートプロセスとハードウェアプラットフォーム自体の完全性を確保します。
Intel TDX と NVIDIA Confidential Computing: Google Cloud は、Intel CPU と NVIDIA Blackwell GPU のセキュリティ機能を活用して、高パフォーマンスの AI 推論時の使用中のデータを保護することで、CPU から GPU に至るまでのコンピューティングパス全体を保護します。
オープンソースによる透明性: 検証可能なセキュリティに対するコミットメントの一環として、Apple と Google は、特に PCC の透明性をサポートするためにオープンソースのホストスタックを共同で開発しました。これにより、システムのセキュリティプロパティを独立して検査および検証できます。

これらのテクノロジーを組み合わせることで、Google Cloud 上の Apple PCC で、強制可能な保護機能、特権ランタイムアクセスの禁止、検証可能な透明性といった要件を満たせるようになります。

プライベート AI インフラストラクチャの未来を築く

Apple とのコラボレーションは、Apple、Google Cloud、Intel、NVIDIA の各社が持つテクノロジーと標準を基盤とした、AI 向けのセキュアなクラウドをさらに強化するうえで重要なマイルストーンとなります。ハードウェアからソフトウェアまで、スタックのあらゆるレイヤが検証可能かつセキュアなシステムとして機能するよう設計することで、PCC アーキテクチャが求める厳格なユーザープライバシーとデータセキュリティ基準を確実に満たす先進的なプラットフォームが実現しました。

このコラボレーションを通じて実現された機能強化は、すべての Google Cloud のお客様にメリットをもたらします。Google は、今後も継続的な改善に取り組み、あらゆる種類のワークロード、特に AI や機密データを扱うワークロード向けに、より透明性が高く、セキュアで、レジリエンスに優れたプラットフォームを提供してまいります。

Confidential Computing について詳しくは、こちらをご覧ください。

- Google Cloud、エンジニアリング担当シニアディレクター、Amit Patil

- Google、上級エンジニア、Andrés Lagar-Cavilla

レポート: GKE Inference Gateway が AI 応答を最大 92% 高速化

Wed, 17 Jun 2026 01:30:00 +0000

※この投稿は米国時間 2026 年 6 月 10 日に、Google Cloud blog に投稿されたものの抄訳です。

生成 AI が試験運用から大規模な本番環境へと移行するにつれ、インフラストラクチャの効率が決定的な差別化要因になります。インフラストラクチャを最大限に活用し、コストのかかるアクセラレータのアイドル時間を最小限に抑える方法の一つが、Google Kubernetes Engine（GKE）Inference Gateway の活用です。GKE Inference Gateway は、リアルタイムのモデルサーバー指標に基づいて、生成 AI ワークロードをインテリジェントにルーティングします。

従来の単純なラウンドロビン方式のロードバランシングでは、アクセラレータでのコストのかかる再計算が頻繁に発生し、ユーザーレイテンシが急増することがあります。これに対し、GKE Gateway のネイティブ拡張機能である GKE Inference Gateway は、接頭辞キャッシュやモデル対応ルーティングなどの高度な機能を活用します。すぐに処理できる状態にある適切なアクセラレータにリクエストを確実に送ることで、GKE は大規模言語モデル（LLM）のサービング方法を変革し、優れたハードウェア使用率と極めて高速な応答時間を実現します。

実際、独立したベンチマークレポートによると、GKE Inference Gateway は、次に優れたマネージド Kubernetes サービスと比べて、スループットが 15.7% 高く、待機時間が 92.8% 短く、トークン間レイテンシが 62.6% 低いという結果を示しています。このパフォーマンスにより、LLM ベースのアプリケーションは、低速で高コストなものから、高速で本番環境対応のものへと変わります。

このパフォーマンスは、GKE Inference Gateway を使用した Snap の経験とも一致しています。

「Snap では、大規模で高性能な推論を実現するため、本番環境の AI インフラストラクチャに llm-d を統合しています。接頭辞キャッシュ対応ルーティングを採用することで、最大 75～80% の接頭辞キャッシュヒット率を達成しました。llm-d がオープンソースであることにより、Envoy ベースのサービスメッシュとシームレスに統合できる点を高く評価しています。」- Snap Inc.、ソフトウェアエンジニアリング担当シニアマネージャー、Vinay Kola 氏

このブログ投稿では、GKE Inference Gateway の接頭辞キャッシュについて、例を交えながら詳しく見ていきます。また、ベンチマーク結果の詳細もご紹介します。それでは詳しく見ていきましょう。

低レイテンシ AI の秘訣: 接頭辞キャッシュ

接頭辞キャッシュは、長く繰り返し使用されるプロンプトの接頭辞に対応する KV キャッシュ（アクティベーション状態）を保存することで、LLM のパフォーマンスを最適化します。連続するユーザーリクエストで、同じシステム指示、コンテキスト、ドキュメントが共有される場合、モデルはそれらのトークンの再処理を完全にスキップできます。GKE Inference Gateway は、受信リクエストの接頭辞を読み取り、そのデータをすでにメモリに保持している特定の Pod と照合します。これにより、GPU や TPU にかかる「思考」のコストを排除し、負荷の高い推論ループをほぼ瞬時の回答へと変えることができます。

ユースケース 1: 検索拡張生成（RAG）を使用したドキュメントとコードベースの Q&A

大規模なエンタープライズリポジトリをクエリする場合、RAG を使用してドキュメントセット全体を静的接頭辞としてキャッシュに固定することで、レイテンシを追加することなく、LLM の回答を根拠に基づいたものにできます。

GKE Inference Gateway は、ユーザーから質問があるたびに、数千行に及ぶ API リファレンスや社内 Wiki を LLM に再度読み込ませるのではなく、その特定のコンテキストがすでに KV キャッシュに保持されている Pod にクエリをルーティングします。これにより、LLM はユーザーの短い動的な質問のみを計算すればよく、コストの高いドキュメントの再評価を完全に回避できます。

code_block: <ListValue: [StructValue([('code', '[静的接頭辞 - キャッシュに保持] あなたは技術ドキュメントを専門とする AI アシスタントです。以下は、このソフトウェアプラットフォームの完全な API ドキュメントです。このコンテキストを使用して、ユーザーの質問に正確に回答してください。ドキュメント内に回答が見つからない場合は、「提供されたコンテキストでは見つかりません」と答えてください。\r\n\u200b\r\n<documentation> [10,000 語以上の API リファレンスドキュメント、エンドポイント、エラーコードなど] </documentation>\r\n\u200b\r\n[動的接尾辞 - リクエストごとに変化] ユーザーの質問: Python SDK を使用して 429 レート制限エラーを処理するにはどうすればよいですか？'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fed09430550>)])]>

ユースケース 2: マルチターンチャット

接頭辞キャッシュを使用すると、コンピューティングコストを累積的に増やすことなく、数千もの同時セッションにわたってカスタマーサービスのやり取りを維持できます。これは、固定のシステムペルソナと中核的なビジネスルールを LLM サーバーに直接キャッシュ保存することで実現できます。

エンタープライズチャットアーキテクチャでは、基本となるシステムプロンプトと参照テーブルが、数百万件の顧客インタラクション全体で完全に同一のまま維持されます。GKE Inference Gateway は、コンテキスト対応ルーティングを使用してこうしたマルチターンの会話を処理し、繰り返し発生するトークン処理をバイパスします。これにより、トラフィックのピーク時でも chatbot は極めて高い応答性を維持できます。

code_block: <ListValue: [StructValue([('code', '[静的接頭辞 - キャッシュに保持]\r\n- システムペルソナ: あなたは、ABC Banking Solutions の親切で共感力があり、コンプライアンスに準拠した仮想アシスタント「FinBot」です。次のルールを厳守してください。1. 具体的な投資助言は決して提供しないでください。2. ユーザーが当座預金口座について質問しているのか、貯蓄口座について質問しているのかを必ず確認してください。3. 回答は 3 文以内にしてください。4. ユーザーが怒っている場合は、人間のマネージャーにつなぐことを提案してください。\r\n\u200b\r\n2026 年 5 月時点の金利表は次のとおりです。\r\n- 貯蓄口座: 年利 4.2%\r\n- 当座預金口座: 年利 0.5%\r\n- CD（12 か月）: 年利 5.1%\r\n\u200b\r\n[動的接尾辞 - リクエストごとに変化] ユーザー: 10,000 ドルを 1 年間預けた場合、いくら受け取れるのか知りたいのですが。'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fed09430be0>)])]>

GKE は他のマネージド Kubernetes ソリューションを上回るパフォーマンスを発揮

こうしたアーキテクチャ上の利点を検証するため、Principled Technologies は先日、GKE Inference Gateway を搭載した GKE と、従来のラウンドロビン方式の HTTP ロードバランシングを使用する標準的なサードパーティのマネージド Kubernetes サービスを比較した、独立したベンチマークレポートを公開しました。

同一のハードウェア（8 基の NVIDIA A100 40GB GPU）を使用し、Llama 3.1 8B Instruct の共有接頭辞ワークロードでテストした結果、2 つの Kubernetes サービスの間に大きなパフォーマンス差があることが明らかになりました。GKE は単に優位性を示しただけでなく、次の 3 つの重要な指標すべてにおいて推論効率のあり方を大きく変えました。

スループットの向上: 1 秒あたりに処理されるトークン数が 15.7% 増加し、リクエスト処理能力を高めることができます。また、同じワークロードに必要なハードウェアを削減することも可能です。
最初のトークンまでの時間（TTFT）の大幅な短縮: 待機時間が 92.8% 短縮され、インタラクティブなシナリオで、応答が始まるまでの体感時間を大幅に短縮できます。
トークン間レイテンシ（ITL）の低減: 62.6% の低減により、最初のトークン以降のトークンストリーミングがよりスムーズかつ高速になります。

図 3: 共有接頭辞のユースケースにおける Llama 3.1-8B Instruct LLM での、GKE Inference Gateway を使用した GKE とサードパーティのマネージド Kubernetes サービスの平均レイテンシ（出力トークンあたりの正規化時間）。どちらのソリューションも同じハードウェアを使用しました。出典: Principled Technologies

	GKE	サードパーティのマネージド Kubernetes サービス	GKE の利点
平均出力トークンスループット	7,169.21 出力トークン/秒	6,042.05 出力トークン/秒	出力トークンスループットが 15.7% 向上
最初のトークンまでの平均時間（TTFT）	188.36 ミリ秒	2624.73 ミリ秒	TTFT が 92.8% 短縮
平均トークン間レイテンシ（ITL）	30.20 ミリ秒	81.03 ミリ秒	ITL が 62.6% 低減

図 4: GKE Inference Gateway を使用した GKE は、標準的な HTTP ロードバランサを使用するサードパーティのマネージド Kubernetes サービスと比較して、優れた AI 推論パフォーマンスを実現しました。

生成 AI 推論ワークロードを加速させる準備はできていますか？

リアルタイムのカスタマーサポートエージェント、動的なコーディングアシスタント、サブ秒単位の不正検出モデルなどの推論ワークロードをデプロイする場合、インフラストラクチャのレイテンシがユーザーエクスペリエンスを左右します。GKE Inference Gateway は、共有プロンプトの接頭辞がアクティブキャッシュにほぼ 100% ヒットするようにすることで、LLM を低速で高コストな推論エンジンから高速で資本効率に優れた本番環境対応の強力な基盤へと変えます。

GKE Inference Gateway が生成 AI ワークロードにもたらすパフォーマンス上の優位性を確認してみませんか？ベンチマークレポートの全文はこちらからご覧いただけます。また、詳細については、こちらの解説動画をご覧ください。

Principled Technologies のシニアパフォーマンスアーキテクトである Dan Sullivan 氏に感謝いたします。

- ソフトウェアエンジニア、Bob Tian

- アウトバウンドプロダクトマネージャー、Susan Wu

ソフトウェア開発で真の費用対効果を引き出す方法: DORA の最新の調査を詳しく解説

Wed, 17 Jun 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 6 月 10 日に、Google Cloud blog に投稿されたものの抄訳です。

生成 AI のビジネス価値をチームに示すにはどうすればよいでしょうか？

テクノロジー部門と財務部門のリーダーは、AI プロジェクトへの予算を継続的に確保するために、その明確なビジネス価値を示す必要があります。費用対効果の測定は、技術戦略の妥当性を確認するうえで重要な要素ですが、長期的な成功は最終的に、AI を有効に活用するうえで必要な組織の仕組みと文化を構築できるかどうかにかかっています。

AI のコストとビジネス上のメリットを評価できるよう、Google は先日、DORA の ROI of AI-assisted software development（AI を活用したソフトウェア開発の費用対効果）レポートを公開しました。この調査では、チームが初期導入に伴う課題に対処し、エンジニアリング計画の足並みをそろえ、ビジネス成長を促進するための実践的なアプローチを紹介しています。

ここでは、レポートの主な調査結果と、それらをテクノロジー戦略全体の強化にどのように活用できるかをご紹介します。

インサイト 1: AI の価値実現における J カーブを乗り切る

AI への投資からどれほど早く利益を得られるかについては、現実的に考えることが重要です。AI はソフトウェアエンジニアリングを強力に後押しする存在になり得ますが、財務的価値につながる道筋が一直線であることはほとんどありません。多くの組織はむしろ J カーブに直面します。これは、導入初期に伴う一時的な生産性の低下と不安定な期間を指します。

この一時的な低下は、戦略の失敗を示すものではなく、新しいテクノロジーの導入に伴う自然な過程です。レポートでは、この現象が起こる主な理由として次の 3 つを挙げています。

学習曲線: 日常のワークフローを適応させ、高度な手法を習得するために、チームには通常の機能提供から離れて集中的に取り組む時間が必要です。単純なプロンプト入力から、コンテキストと意図に基づくシステム構築へと進化していくためです。
検証コスト: AI によって生成されるコードの量が大幅に増えるため、開発者は生成された出力を厳密にレビューするための追加の時間を投じる必要があります。これは、信頼性を確保し、ハルシネーションを防ぎ、社内のアーキテクチャ標準を満たすうえで不可欠です。
パイプラインの適応: 個々の開発者がコードを大幅に速く生成できるようになると、テストや変更承認などの下流工程がボトルネックになることがあります。そのため、増加したスループットに対応できるよう、これらのプロセスを積極的に拡張する必要があります。

この初期の学習フェーズを予算に織り込んでおくことが、移行を成功させる鍵となります。生産性の低下が一時的なものであることを見越しておけば、初期の課題をチームの長期的なスピードへの投資であると捉え、自信を持って AI プロジェクトを前進させることができます。

AI の価値実現における J カーブ

インサイト 2: AI への投資の成果をめぐる市場の二極化を理解する

AI を活用したソフトウェア開発の現状に関する DORA のレポートによると、DORA の調査に参加した回答者の 90% が業務で AI を使用していると回答しています。導入がほぼ一般化している一方で、実際の財務的影響は組織によって異なります。市場全体を見ると、エンジニアリングへの投資から明確な価値を得ている企業もあれば、予期しないコストに苦慮している企業もあります。

プロジェクトが期待どおりの成果を上げられない場合、その多くは、成功に必要な組織的サポートを得られていないことが原因です。期待するリターンを得るには、新しいテクノロジーを導入できるよう、ワークフローとチームをあらかじめ整えておく必要があります。

インサイト 3: AI の費用対効果を計算することが不可欠

AI の現実的な財務モデルを構築する際は、AI が実際にどこで価値を生み出すのかを把握することから始めます。ソフトウェア開発ライフサイクル全体にわたり、AI はコスト削減、生産性向上、セキュリティ強化、開発者とユーザー双方のエクスペリエンス向上を支援できます。

組織でこのモデルを検討する際には、こちらの費用対効果を計算するインタラクティブなツールをご利用いただけます。

このツールを使用すると、AI 導入に伴う明確な費用と、見えにくい実態の両方を明確に予測することができます。
仕組みを確認し、自社の状況に合わせて前提条件を調整しながら、独自の見積もりを作成できます。

価値モデル - 導入から費用対効果の実現まで

始める

完全版レポートをダウンロード: AI への投資を定量化し、J カーブを乗り越え、AI への投資ロードマップを策定するための包括的なフレームワークをご覧ください。
費用対効果を計算するインタラクティブなツールを試用: https://dora.dev/ai/roi/calculator にアクセスして、お客様の組織が実現可能な利益を見積もり、説得力のあるビジネスケースを構築しましょう。
Cloud OnAir ウェブセミナーを視聴: From cost center to value engine: Building your business case for AI-assisted development（コストセンターから価値創出エンジンへ: AI を活用した開発のビジネスケースを構築する）をご覧ください。

- delta EMEA、AI 価値実現担当リード、Ursula Löbbert-Passing 博士

- Delta Americas、AI 価値実現担当、Eva Dong 氏

Managed Service for Apache Spark クラスタの新機能

Wed, 17 Jun 2026 00:00:00 +0000

※この投稿は米国時間 2026 年 6 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud は、お客様が大規模な分析ワークロードやデータサイエンスワークロードを最大限の効率で実行できるようにすることを目指しています。これにより、大規模なデータパイプライン、ML、ETL のタスクを処理できます。

最近、Dataproc サービスが Managed Service for Apache Spark に変更されたことを発表いたしました。これは、Agentic Data Cloud との緊密なインテグレーションを反映したものです。

現代のデータチームのアーキテクチャに対する多様なニーズに対応するため、このサービスはサーバーレスとマネージドクラスタの 2 つの異なるデプロイモードで提供されます。サーバーレスデプロイモードでは、エフェメラルなジョブやアドホックジョブ向けにインフラストラクチャ管理が完全に抽象化されます。一方、マネージドクラスタデプロイモードは、インフラストラクチャのきめ細かいカスタマイズ、永続的な環境、長時間実行されるステートフル処理、またはカスタムの Compute Engine ハードウェア構成とのネイティブなインテグレーションを必要とするチーム向けに設計されています。

マネージドクラスタでのデプロイに関しては、3 つの主要な柱に焦点を当てて、エクスペリエンスをゼロから再構築しました。具体的には、実行速度を向上させて Spark を高速化し、リソースの入手可能性を最大化して運用オーバーヘッドを削減することで Spark の実行をより簡単にし、開発と運用のライフサイクルに AI を直接組み込むことで Spark をよりスマートにしています。

このブログ投稿では、Managed Spark クラスタデプロイモードについて Google Cloud Next ‘26 で発表した内容を紹介します。このモードでは、ネイティブ実行エンジン、よりスマートなスケーリングポリシー、Gemini を活用した拡張機能により、パフォーマンスと費用を微調整できる柔軟性が向上しています。サーバーレスデプロイモードの最新情報については、こちらのブログ記事をご覧ください。

ネイティブ実行エンジン Lightning Engine で高速化

Managed Spark クラスタの最大のアップデートは、Lightning Engine でしょう。Lightning Engine は、Spark DataFrame / Dataset API や負荷の高い Spark SQL クエリのパフォーマンスを大幅に向上させます。また、Velox と Gluten をベースに構築されたネイティブの C++ ベクトル化実行エンジンと、専用の内部機能強化を備え、クエリプランを SIMD（単一命令複数データ）ベクトル化向けに最適化されたネイティブ命令にコンパイルすることで、JVM 実行のボトルネックを回避します。

このネイティブ実行エンジンは、以下を実現します。

標準のオープンソース Spark と比較して最大 4.9 倍高速なパフォーマンス
他の主要な高速 Spark と比較して最大 2 倍の費用対効果

重要な点として、こうしたパフォーマンス向上を利用するために、既存の Spark アプリケーションのコードを変更する必要はありません。ジョブがより高速で完了することが、Compute Engine の合計ランタイム時間と全体的な費用の削減にそのままつながります。

マネージドクラスタで Lightning Engine を有効にするには、クラスタの作成時に Lightning Engine オプションを指定するだけです。

Lightning Engine の技術的な詳細と Lowe’s の事例の紹介

より簡単に: フレキシブル VM でリソースの入手可能性を最大化

特定のマシンタイプがローカルで一時的に不足し、クラスタの作成や自動スケーリングが滞ることがあります。こうした容量の制約に対するクラスタの復元力を大幅に向上させるために、Managed Spark クラスタ向けのフレキシブル VM の一般提供が開始されました。

フレキシブル VM では、マスターノード、プライマリワーカーノード、セカンダリワーカーノードに最大 10 個のランク付けされたマシンタイプを定義できます。Managed Service for Apache Spark は、この設定と、リージョン内のゾーン自動配置を組み合わせ、リージョン全体を動的にスキャンしたうえで、利用可能な最適なハードウェアレイアウトを使用して容量リクエストを満たします。これにより、パイプラインを予測どおりにスピンアップできるようになり、リソースの可用性エラーが大幅に削減され、需要がピークに達する期間に費用対効果の高い Spot VM 容量を最大限に活用できるようになります。

より簡単に: ゼロスケールクラスタとスケジュール設定による停止

永続的な環境と開発環境の財務管理を強化するため、Google は最近、特に要望の多かった 2 つの FinOps 機能（ゼロスケールクラスタとスケジュール設定によるクラスタの停止）の一般提供を発表しました。

ゼロスケールクラスタ: セカンダリワーカー（Spot VM）のみを使用する環境をプロビジョニングできるようになりました。処理がアクティブでないとき、クラスタはワーカーノードを完全にゼロまで自動的にスケールダウンし、メタデータを保持するためにマスターノードのみをオンラインのままにします。
スケジュール設定によるクラスタの停止: この機能を使用すると、特定のアイドル時間制限または正確な将来のタイムスタンプに基づいて、クラスタの自動シャットダウンポリシーを構成できます。

これらの機能はネイティブに統合されているため、環境を削除して再構築しなければならないという運用上の負担が軽減されます。また、夜間や週末に生じるアイドル状態のコンピューティングオーバーヘッドに対する支払いを停止できます。

よりスマートに: Managed Service for Apache Spark MCP サーバー

生成 AI とデータエンジニアリングのギャップを埋めるために、Google は Managed Service for Apache Spark 向け Model Context Protocol（MCP）サーバーをリリースしました。このオープンスタンダードなインテグレーションにより、LLM と AI アシスタントは、自然言語を使用して安全かつ動的に Managed Spark クラスタとやり取りできます。

MCP サーバーを利用することで、AI エージェントは既存の IAM 権限でデータプラットフォームに安全に接続できます。そのため、エージェントはクラスタの作成、ジョブの送信、自動スケーリングポリシーの調整などのクラスタベースの処理を、AI アプリケーションから直接実行できます。

よりスマートに: Data Agent Kit で AI 導入を加速

Google Cloud Data Agent Kit は、データサイエンティスト、エンジニア、デベロッパーが、任意の開発環境内でデータワークロードのライフサイクル全体を直接管理できる拡張機能です。Managed Spark クラスタでこの拡張機能のネイティブサポートをロールアウトしたため、コード生成とデータラングリングのための専用のデータエージェントをシームレスに構築、デプロイできるようになりました。

デベロッパーは、Google のスタンドアロンのエージェント型開発プラットフォーム Antigravity 2.0 を使用するか、Data Agent Kit の拡張機能やプラグインを使用して、これらのエージェント機能を VS Code、Claude Code、Codex など任意の IDE に取り込むことができます。この効率化されたワークフローと、マネージドクラスタに備わる処理能力を組み合わせることで、これらのインテリジェントエージェントは、ペタバイト規模のデータレイク上で直接、複雑なワークフローを安全に実行できます。具体的には、デベロッパーは Data Agent Kit を使用して、次のことができます。

パイプラインの構築とオーケストレーション: 自然言語を使用してマルチノードのデータパイプラインを作成し、包括的なコードドキュメントを生成できます。
リアルタイムでデバッグを実行: Gemini Cloud Assist を活用して、エグゼキュータのログを精査し、ジョブ失敗の根本原因を特定して、実行可能な修正案を検討できます。
Spark リソースに簡単に接続: 手動によるネットワーク構成やローカルでの Spark インストールなしで、サーバーレス Spark ランタイムやマネージドクラスタに即座に接続できます。
Git と CI / CD の管理を合理化: 任意の IDE から直接コードを commit、マージ、デプロイし、自動でのテストとデプロイのパイプラインをスムーズにトリガーできます。

よりスマートに: 次世代の Lakehouse

Google は最近、Managed Service for Apache Spark や BigQuery などのエンジン間で読み取り / 書き込みの相互運用を可能にする Lakehouse をリリースしました。統合されたサーバーレスのメタデータレイヤとして Lakehouse ランタイムカタログが活用されることで、データサイロが解消され、複雑な変換レイヤが不要になります。このエージェントファーストのアプローチにより、組織は Google Cloud Storage からオープンフォーマットを直接処理したり、新たに導入されたクロスクラウド Lakehouse を使用してリモートの AWS データセットをクエリしたりできます。その際には、セキュリティとガバナンスのための信頼できる唯一の情報源が維持されます。

Managed Spark クラスタをご利用のお客様には、このインテグレーションにより、いくつかの強力な新機能が提供されます。データチームは、最適化された Lightning Engine を使用して、最も要求の厳しい ETL やデータサイエンスのワークロードを最大 4.9 倍高速化できます。

次世代ランタイム: Spark 4.1 を搭載したクラスタイメージ 3.0

オープンソースエコシステムにペースを合わせ、Google はクラスタイメージ 3.0 をプレビュー版としてリリースしました。これは Apache Spark 4.1 で構築され、デフォルトの Java ランタイムが Java 21 にアップグレードされています。Spark 4.1 では、構造化ストリーミングのリアルタイムモードなど、一連の主要なオープンソース機能が導入されています。これにより、1 秒未満のレイテンシで継続的に処理されるリアルタイムストリーミングを Spark 環境でサポートできるようになります。

使ってみる

これらのアップデートは公開済みであり、Managed Spark クラスタで今すぐご利用いただけます。新機能を有効にするには、Google Cloud コンソールを操作するか、gcloud CLI を使用します。

新しいマネージドクラスタをスピンアップし、Lightning Engine のパフォーマンスをネイティブに引き出すには、ターミナルで次のコマンドを実行します。

code_block: <ListValue: [StructValue([('code', 'gcloud dataproc clusters create my-optimized-cluster \\\r\n --region=us-central1 \\\r\n --image-version=2.3 \\\r\n --engine=lightning \\'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fed081fb280>)])]>

別の方法として、コンソールで Managed Service for Apache Spark のページに移動します。[クラスタを作成] をクリックして、クラスタ構成で [Lightning Engine を有効にする] を選択すると、Spark ジョブ向けに Lightning Engine が自動的に有効になります。

Managed Service for Apache Spark クラスタとして、皆様がどのような環境を構築、実行するのか、ご報告をお待ちしております。

- Google Cloud、シニアプロダクトマネージャー、Qiqi Wu

フルマネージドの AlloyDB 向けリモート MCP サーバーが一般提供開始

Tue, 16 Jun 2026 15:30:00 +0000

※この投稿は米国時間 2026 年 6 月 2 日に、Google Cloud blog に投稿されたものの抄訳です。

AI エージェントは優れた推論能力を備えており、ますます複雑なアクションを実行できるようになっています。しかし、エージェントによる成果の信頼性は、アクセスできるコンテキストの品質に大きく左右されます。そして、そのコンテキストは多くの場合、オペレーショナルデータベースの中に閉じ込められています。

このギャップを埋めるため、Google は AlloyDB 向けリモート Model Context Protocol（MCP）サーバーの一般提供を開始しました。

Model Context Protocol（MCP）は、LLM を外部データソースに安全かつ一貫した方法で接続できるようにするオープンソース標準です。Google Cloud が最近リリースした 50 以上の Google マネージド MCP サーバーの一部として提供されるこの新しい統合により、対話型エージェントと自律型エージェントのどちらも企業データの力をこれまで以上に簡単かつ安全に活用できるようになります。たとえば、AI エージェントを AlloyDB 内のリアルタイムロジスティクスデータに接続することで、配送フリートの最新状況をミリ秒単位で確認できます。これにより、古いデータによる不正確さを避け、手動でレポートを作成する必要も減らせます。

AlloyDB がエージェント型アプリの強固な基盤となる理由

MCP を AlloyDB に接続すると、エージェントはエンタープライズグレードの AI 向けに構築された高性能なデータベースにアクセスできます。AlloyDB は、要求の厳しいエージェント型ワークロードに必要なスケール、スピード、インテリジェンスを提供します。

強化されたベクトルパフォーマンス: ScaNN インデックスにより、100 億を超えるベクトルにスケールし、ベクトルクエリでは標準の PostgreSQL の最大 6 倍、フィルタ付きクエリでは最大 10 倍の速度を実現できます。
高度な検索と再ランキング: プレビュー版の RUM によるハイブリッド検索と、Reciprocal Rank Fusion（RRF）または Gemini Enterprise Platform モデルによるインテリジェントな再ランキングにより、マルチモーダルアプリケーションを強化できます。
リアルタイムインテリジェンス: 組み込みの AI Functions を使用して数百万件のエンベディングを効率的に生成し、低レイテンシのリアルタイムエージェント体験を実現できます。
統合されたデータアクセス: エージェントに単一の PostgreSQL インターフェースを提供し、Lakehouse Federation を通じて、AlloyDB の運用データ、BigQuery の分析データ、Iceberg テーブル内のアーカイブデータをシームレスに結合できるようにします。
エンタープライズグレードのスケール: 99.99% の SLA、Autopilot によるデータベース最適化、最大 20 ノードまで自動スケーリングできる読み取りプールにより、安心して運用できます。

AlloyDB にとってリモート MCP が重要な理由

ローカル MCP サーバーはローカル開発には最適ですが、本番環境のワークロードにスケールさせる場合、標準入出力（stdio）ストリームを介した通信は難しくなります。機密性の高い運用データを扱う高価値のユースケースでエージェントを実行するには、必要なインフラストラクチャやセキュリティガードレールをすべてプロビジョニングし、管理しなければなりません。これはアーキテクチャ上複雑で、管理面でも大きな負担になります。

AlloyDB 向けリモート MCP サーバーは、フルマネージドの Google Cloud インフラストラクチャ上で実行され、AI アプリケーションをデータに接続する HTTP エンドポイントを公開します。これにより、PostgreSQL 上でエージェントを構築するチームが直面する主な課題を解決できます。

一元的な検出: Agent Registry を使用して、データベースの MCP サーバーを検出、保護、管理できます。
フルマネージド HTTP エンドポイント: 接続に必要なインフラストラクチャをデプロイしたり維持したりする必要はありません。エージェントでそのエンドポイントを使用するよう構成するだけで、すぐに使い始められます。
きめ細かい認可: 共有データベースパスワードや API キーを使用する代わりに、Identity and Access Management（IAM）を使用して、エージェントのアクセスを特定のテーブル、スキーマ、ビューに制限できます。読み取り専用の SQL 実行ツールを使用すれば、エージェントが誤ってデータベースに変更や削除を加えることを防げます。
運用インスタンス管理: AlloyDB ツールセットにより、エージェントはクエリの実行だけでなく、インスタンスの更新、データのエクスポートとインポート、バックアップの作成、クラスタの復元も行えます。
Model Armor による保護: Model Armor は、プロンプトとレスポンスに対する任意のセキュリティ機能を提供し、データをスクリーニングおよびフィルタリングします。これにより、プロンプトインジェクションや偶発的なデータの引き出しから保護できます。
監査ロギング: すべてのクエリ、アクション、ツール呼び出しが Cloud Audit Logs に記録されるため、セキュリティチームは完全な監査証跡を得られます。

動作を確認してみる: 簡単なデモ

AlloyDB リモート MCP サーバーは、簡単な手順で使い始めることができます。ご自身の環境で実際の動作を確認するには、新しい Codelab に沿って、以下の主要な手順を実行します。

API と環境の準備: Google Cloud プロジェクトで AlloyDB、Compute Engine、Gemini Enterprise の各 API を有効にします。
データベースのプロビジョニング: AlloyDB クラスタをデプロイし、データベースを作成して、サンプルデータをインポートします。
データアクセス API の有効化: AlloyDB インスタンスでデータアクセス API を許可します。
エージェントの接続: リモートエンドポイント（https://alloydb.googleapis.com/mcp）を指定して MCP クライアントを構成します。HTTP Authorization ヘッダーで OAuth 2.0 ベアラートークンを使用し、Google Cloud IAM 認証情報を渡します。

接続が確立されると、エージェントはリアルタイムの運用データを使用して、複雑なビジネス上の質問に対して、信頼性が高く根拠に基づいた回答を提供できます。エージェントはイントロスペクションクエリを実行することで、テーブルや列を含むデータベーススキーマを自動的に理解します。これにより、ユーザーのリクエストに正確に応えるための高度な結合やクエリを構築できます。

エージェントが AlloyDB ツールセットにアクセスできるようになると、クエリの実行、運用傾向の分析、AI.RANK() などの AlloyDB AI Functions を使用したテキストデータの動的なランク付けが可能になります。

セキュリティは引き続き最重要事項です。AlloyDB 向けリモート MCP サーバーは Model Armor とシームレスに統合されます。これにより、エージェントのサービスアカウントがデータベース内で広範なアクセス権限を持っている場合でも、機密データの漏洩を防ぐことができます。

デモの全編を以下でご覧ください。

AI エージェントをエンタープライズデータに直接接続する方法: AlloyDB リモート MCP サーバーのご紹介

次のステップ

トランザクションデータとの安全なやり取りを可能にすることで、AI エージェントは企業の信頼できる唯一の情報源にアクセスし、それに基づいて行動できるようになります。

構築を始める準備はできましたか。30 日間の無料トライアルで AlloyDB をお試しください。また、Remote MCP for AlloyDB Codelab を活用して、エンタープライズ向けエージェント型アプリケーションの構築を今すぐ始めましょう。

- Google Cloud、AlloyDB / Cloud SQL 担当プロダクトマネージャー Paul Ramsey

- Google Cloud、データベース担当クラウドアドボケイト Gleb Otochkin

Claude Fable 5: Google Cloud で一般提供を開始

Fri, 12 Jun 2026 00:50:00 +0000

※この投稿は米国時間 2026 年 6 月 10 日に、Google Cloud blog に投稿されたものの抄訳です。

Anthropic の最新のフロンティアモデルである Claude Fable 5 の一般提供版が、Google Cloud でリリースされました。今回のリリースは、業界の最新モデルを Agent Platform に直接提供するという Google の継続的な取り組みを示す新たな事例です。

Claude Fable 5 は、Anthropic モデルの優れた機能をすべてのお客様に提供します。また、一般的な用途で安全に使用できるよう設計された強力な保護機能も備えています。複雑なマルチステップの推論向けに設計された Claude Fable 5 は、高度なソフトウェア開発、長期的なタスクを遂行するエージェント、高度なマルチモーダルドキュメント分析など、要求の厳しいタスクに適しています。このリリースの詳細については、Anthropic によるブログ投稿をご覧ください。

Claude Fable 5 のほか、Claude Opus 4.8 や Claude Sonnet 4.6 など、Anthropic の他のモデルを使用して、今すぐ Agent Platform で構築しましょう。

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

Gemma で実現するデータ拡充のリアルタイムアーキテクチャ: Trustpilot の事例

Tue, 09 Jun 2026 02:20:00 +0000

※この投稿は米国時間 2026 年 6 月 2 日に、Google Cloud blog に投稿されたものの抄訳です。

厳しいレイテンシとコストの制約のもとで、数百万件のユーザーレビューをリアルタイムに処理するのは簡単なことではありません。Trustpilot は、大規模言語モデル（LLM）が注目を集めるはるか前から、カスタム ML を活用してこの課題に取り組んできました。そして現在、同社はコアスタックを生成 AI へと移行しています。ここでは、Google と Trustpilot が協力して、ファインチューニング済みの Gemma モデルを活用する大量処理向けストリーミングパイプラインをどのように構築したのかをご紹介します。

大規模で高度なレビューインテリジェンスを実現

Trustpilot のコアビジネスは、実用的で深いレビューインテリジェンスを提供することにあります。透明性と信頼できるフィードバックを重視するプラットフォームとして、データの完全性を守り、その価値を最大限に引き出すことが欠かせません。そのためには、受信するレビューからあらゆるメタデータを抽出する必要があり、このタスクには LLM が最も適しています。

LLM は、人が書いた雑多なテキストを解析し、固有表現抽出（NER）、ビジネスドメインの分類、感情スコアリング、顧客意図の特定を行うことに優れています。しかし、数件のレビューを LLM に処理させるのは簡単でも、コストを膨らませずに数百万件のレビューをリアルタイムで処理するとなると、エンジニアリング上の大きな課題になります。

オープンモデルをファインチューニングする理由

このような大規模なタスクに取り組む場合、Gemini のような強力な既製のフロンティアモデルに接続するだけでは、なぜ十分ではないのでしょうか。レビュー処理は Trustpilot のコアビジネスを支える重要なパイプラインであるため、クローズドモデルが最適な選択肢になることはほとんどありません。代わりに、Gemma のようなオープンウェイトモデルをファインチューニングすることで、Trustpilot は AI 戦略を自社で主体的に管理できます。具体的には次のとおりです。

モデルの完全な独立性: Trustpilot はモデルを自社で管理することで、再トレーニングのライフサイクルを自ら制御できます。これにより、サードパーティベンダーの更新スケジュールや突然の API 変更に左右されなくなります。
予測可能なコスト構造: トークン単位の変動料金モデルから、固定的なインフラストラクチャコストに移行することで、数百万件の予測処理を財務面で現実的かつ最適化可能なものにできます。
MLOps 機能の拡張: これらのモデルを社内で構築することで、Trustpilot はオープンウェイトモデルに関する専門性を高めながら、レビューインテリジェンスにおける独自のノウハウをモデルに組み込むことができます。
アーキテクチャの継続性: オープンウェイトモデルの系統に標準化することで、ベースモデルの将来のイテレーションも活用し続けられます。これにより、エンジニアリングの負担を最小限に抑えながら、パフォーマンス向上を取り込むことができます。

Trustpilot は、1 つの巨大なモデルをデプロイするのではなく、軽量な google/gemma-2-9b をベースに、高度に特化したモデル群を構築しました。

小さなフットプリントで高いパフォーマンスを実現するため、Trustpilot は自社のレビューコーパスから層化サンプリングしたデータに対し、Gemini 2.0 / 2.5 Pro / Flash ファミリーから選定した教師モデルを使用して、コンセンサスアノテーションを行いました。このプロセスにより、トピック分類、NER、感情抽出などの専門タスクに対応する高品質なトレーニングデータセットが生成されました。

その後、これらのデータセットを使用して、目的別に設計されたカスタムモデル群をファインチューニングしました。その結果、従来のソリューションを大幅に上回る精度を達成し、教師モデルのコンセンサスと比べても、わずか数ポイント低い程度の精度を実現しました。

システムアーキテクチャ

このアーキテクチャは、Dataflow と Gemini Enterprise Agent Platform エンドポイントの上に構築されています。VertexAIModelHandlerJSON をそのまま使用できるため、両者は非常にスムーズに連携します。

ビジネスロジックと LLM 推論そのものを分離するため、2 つのエンドポイントを作成しました。

分類器: FastAPI ベースのエンドポイントで、前処理 / 後処理、プロンプトテンプレート、チェーンなどの複雑な処理を担います。
LLM: vLLM 経由で Gemma モデルをサービングすることに特化した独立型の Agent Platform エンドポイントです。

このアプローチにより、Dataflow ジョブをシンプルに保ちながら、LLM エンドポイントを得意分野であるテキスト生成に専念させることができます。さらに、分類器と LLM エンドポイントを、トラフィックに応じて個別にスケールできます。

パフォーマンスチューニング

vLLM ベースの Agent Platform エンドポイントを最大限に活用するため、Trustpilot はパイプライン全体のパフォーマンスを可能な限り引き出すことに注力しました。特に、A100 GPU を搭載した A2 VM の性能を最大限に活かすことを重視しています。また、Gemini Enterprise Agent Platform が管理するカスタマイズおよび最適化された vLLM バージョンも活用しました。

パフォーマンスチューニングでは、処理のボトルネックを防ぐため、vLLM バックエンド構成の最適化に重点を置きました。エンジンパラメータを慎重に調整し、適切なデータ型を選択したうえで、プレフィックスキャッシュなどの有用な設定を有効にすることで、大量のストリーミングをモデルがスムーズに処理できるようにしました。

さらに、vLLM 推論サーバーの最適なサービング容量を見極め、パフォーマンス特性を把握するために、再利用可能な負荷テストフレームワークも共同で作成しました。これにより、必要なインフラストラクチャのベースラインを設定し、リクエスト数ベースの指標を使用して自動スケーリング設定をチューニングできるようになりました。加えて、vLLM で待機中のリクエスト数を使用する新しい指標のほうが、この用途にはさらに適している可能性があります。

課題

この構成を構築するにあたり、Trustpilot はいくつかの大きな課題に直面しました。

プライベートネットワーキング: このアーキテクチャでは、プライベートエンドポイントと Private Service Connect を使用して完全に分離された構成を目指していました。しかし、別個のエンドポイント間で直接プライベート通信を行うためのネイティブサポートがなかったため、実現には至りませんでした。
デプロイのオブザーバビリティと信頼性: エンドポイントのデプロイは時間がかかる場合や、内部の状態が見えにくい場合があります。そのため、正常でない状態になった際には、追加のトラブルシューティングが必要になることがあります。Trustpilot は現在も Gemini Enterprise Agent Platform のプロダクトチームと緊密に連携し、今後のオブザーバビリティ機能やプラットフォームの改善に取り組んでいます。
GPU の不足: EU リージョンで A100 GPU を確保するのは難しく、オンデマンド VM は多くの場合、現実的な選択肢になりません。そのため、予約の活用が望ましいものの、開発、本番環境、トレーニング、推論、試験の間で予約をどのように配分するかは非常に難しい課題です。

結果

Trustpilot は Google Cloud と協力し、Gemini Enterprise Agent Platform 上で Gemma の可能性を最大限に引き出すことで、1 日に数百万件のレビューをほぼリアルタイムで処理できるようになりました。その結果、Gemini に近いパフォーマンスをわずかなコストで実現しました。これにより、Trustpilot Business Platform は、日々寄せられる何百万件もの顧客レビューを、即座に活用できるインサイトへと変換できるようになりました。詳しくは、Trustpilot の Medium ブログ投稿をご覧ください。

^{このブログ投稿は、2025 年末に実施された共同プロジェクトの成果に基づき、Assulan Nurkas 氏（Trustpilot）、Subu Ramasubramanian 氏（Trustpilot）、Konrad Stanek 氏（Trustpilot）、Dario Banfi（Google）、Michael Cohen Hjertén（Google）が執筆しました。}

- Google、フォワードデプロイドエンジニア、Dario Banfi

- Trustpilot、スタッフ ML エンジニア、Assulan Nurkas 氏

日立と Google Cloud、FDE によるフィジカル AI の社会実装とセキュリティ領域での戦略的アライアンスを拡大

Tue, 09 Jun 2026 00:00:00 +0000

日立グループの Lumada で培った協創アプローチとデジタルエンジニアリング力に、Google Cloud の先進的な AI を掛け合わせることで FDE のケイパビリティを強化し、フィジカル AI による価値創出をグローバルで加速。
FDE の強化を通じて、Gemini Enterprise を活用しながら HMAX を高度化し、複雑な環境におけるオペレーションの自律化によるフロントラインワーカーの課題解決を支援。FDE のナレッジを横展開することでより広範なお客さまへ価値提供。
両社は、協業を拡大し、AI 型サイバー攻撃の脅威に対するお客さまのセキュリティ運用強化を支援するソリューションを提供。

株式会社日立製作所（以下、日立）は、このたび、フィジカル AI の社会実装を加速させるとともに AI 型サイバー攻撃の脅威に対しサイバーセキュリティソリューションを展開し、お客さまの課題解決を支援するため、Google Cloud との戦略的アライアンス^*1 を拡大します。現在、注目が高まるフィジカルAIは、現場のデータから得られた AI の分析・判断を、各種機器や設備の自律的な制御や運用といった具体的なアクションにまでつなぐ技術です。このサイクルを繰り返すことで AI は継続的に学習し、状況に応じた最適な判断と実行が可能になります。日立は、フィジカル AI の社会実装を通じて、社会インフラのトランスフォーメーションに取り組んでいます。

この日立の重要なミッションを実現するために、日立は Lumada で培ってきた IT・OT・プロダクトの強みを生かして顧客課題を解決する協創アプローチと、Google Cloud の先進的なAI を掛け合わせて Forward Deployed Engineers（以下、FDE）モデルを確立し、グローバルに展開していきます。

FDE とは、お客さまの事業の現場に直接入り込み、経営課題の特定から、PoC による早期の価値検証、実業務へのアジャイルな実装まで一気通貫で行う専門家集団です。日立には、長年にわたりお客さまの現場に寄り添い、共に課題の発見から解決までを伴走する「現場密着型のエンジニアリング」を進めてきた歴史があり、これは FDE モデルと極めて高い親和性を持ちます。この日立の DNA と Google Cloud の先進性を融合させ、幅広い産業に精通した日立のコンサルタントや AI トランスフォーメーション（AX）エキスパート、および日立の米国子会社である GlobalLogic の AI ネイティブソフトウェアエンジニアが、Google Cloud のトップエンジニアと連携し、強力にお客さまを支援します。

両社は、日立の「Frontier AI Deployment Center」と密接に連携し、AI で社会インフラの革新を実現する次世代ソリューション群「HMAX by Hitachi（以下、HMAX）」を Google の高性能な AI 技術を活用できるエージェントプラットフォーム Gemini Enterprise によって高度化します。両社はこの高度化された HMAX を中核に、複雑なオペレーションの自律化によるフロントラインワーカーの課題解決を推進します。さらに、FDE の活動で得られるドメインナレッジをアセットとして再利用可能にするデータ基盤を通じたスケーラブルな展開により、広範なお客さまへ価値を提供していきます。

このように AI が実世界と直接つながるフィジカル AI 領域においては、これまで以上に高度なセキュリティが不可欠となります。AIはサイバーセキュリティの環境にも変化をもたらしており、攻撃者は AI モデルを積極的に活用し、これまでにない規模で脆弱性の発見を加速させるとともに、エクスプロイト（攻撃手段）の生成を自動化しています。加えて、Google Cloudが発行した「Mandiant M-Trends 2026」^*2 によると、AI 技術の進化によりサイバー攻撃のプロセスは大幅に短縮されていることが明らかになっています。これらのリスクに対応するため、日立のセキュリティ専門組織「Cyber CoE」は Google Cloud と連携し、Google Cloudの Google AI Threat Defense^*3 などの Google Security の技術に、日立が社会インフラを通じて培ってきたミッションクリティカルなSIの知見を掛け合わせることにより、お客さまのセキュリティ運用を支援します。

これらにより、両社はフィジカル AI による価値創出を安全かつグローバルに加速させていきます。

背景

両社は、2024 年 5 月の提携以降、AI 活用による価値創出の先進的な取り組みを推進してきました。その中で、まず日立社内での実践を徹底する「カスタマーゼロ」アプローチをもとに、電力や産業分野の保守事業を担う株式会社日立パワーソリューションズにて Gemini Enterprise を活用した保守・点検作業の技術検証を行い、品質向上と効率化の実現可能性を確認しました^*4。この試行において、Gemini Enterprise が、製造・インフラなどの OT 領域と高い親和性を持つことが実証されました。先進的な AI を現場の運用設備や業務システム、熟練者の暗黙知と安全に連携させるためには、現場の制約を紐解き、アジャイルに価値を創出・実装していく現場密着型の伴走支援が有効であることも共通理解とすることができました。

そして現在、日立では、全社的な業務改革への活用を視野に、AX をけん引するデジタルシステム&サービスセクターにて先行して Gemini Enterprise を導入し、現場の従業員自らがAI を活用する実証プロジェクトを多数進行させることで、AI リテラシーの底上げを強力に推し進めています。

こうした日立グループ全体での成功事例をもとに、フィジカル AI をお客さまの現場へ安全にスケールさせるため、今回、戦略的アライアンスを拡大します。

戦略的アライアンスでの新たな取り組み内容

1. FDE のケイパビリティ強化によるフィジカル AI 実装の加速

GlobalLogic の AI ネイティブソフトウェアエンジニアをはじめ、日立のコンサルタントや AX エキスパートが、Google Cloud のトップエンジニアと連携することで FDE としてさらなる育成強化を図ります。進化し続ける AI 技術をビジネスや現場で活用するためには、迅速に実用性を検証し、変化に追従していくアジャイルなアプローチが不可欠です。こうした FDE モデルは、お客さまの個別要件に合わせてシステムを構築する従来型 SI とは異なり、実業務での有効性を検証するプロセスを特徴とします。これにより、お客さまは投資対効果を事前に可視化でき、リスクを最小限に抑えながら、圧倒的なスピードで AI によるビジネス価値を創出することが可能になります。

2. HMAX 高度化による現場の課題解決の推進

両社は HMAX に Gemini Enterprise の自律型 AI とマルチモーダルな Gemini モデルを組み込み、強化します。現場のカメラ映像や膨大なセンサーデータなど多種多様な情報を同時に処理・理解する Gemini Enterprise は、実世界の状況を捉えて自律的に稼働するフィジカルAIと極めて高い親和性を有しています。この技術的特性を生かしながら、Gemini Enterprise を活用した画像比較での保守点検のチェックなどのユースケースも取り込み、製造業や社会インフラの現場における複雑なオペレーションの自律化を推進します。これらを実現するために、日立独自のドメインナレッジとGoogle Cloud の Agent Ready なデータ活用技術を日立のデータ基盤に組み込みます。これにより、単なる AI サービスの提供を超えたスケーラブルなビジネス成果を創出し、インフラ分野における新たなビジネスモデルの確立をめざします。

3. AI 時代のセキュリティ脅威に対する次世代サイバーセキュリティ

サイバーセキュリティにおける脅威の変化に対応するため、両社は自律型の次世代セキュリティソリューションを、市場へ提供します。本ソリューションは、クラウドや AI のリスクに対する包括的な可視化と自動的なリスク低減を実現する Wiz や、サイバー脅威に関する高度な専門知識を有する Mandiant を含む Google Cloud の Security 技術と、鉄道・電力・金融などの社会インフラを支えてきた日立のミッションクリティカル SI の経験およびグローバルな OT ナレッジを融合させるものです。グローバルの日立グループ会社で Google SecOps を採用するなど、カスタマーゼロですでに有効性が実証されており、今後、お客さまへの提案拡大に向け、取り組んでいきます。

また、日立は、最前線で培う実践的な AI 実装の知見や技術を「Frontier AI Deployment Center」へと集約していきます。「Frontier AI Deployment Center」が、こうした最先端の知見を国内システムエンジニアへ広く還流させることで、グループ全体の FDE の強化につなげていきます。これらにより、FDE モデルの展開を加速し、グローバルでの AI 活用による革新をさらに加速していきます。

Google Cloud CEO Thomas Kurian（トマスキュリアン）のコメント

日立の深いドメインナレッジ、GlobalLogic のエンジニアリング力、そして Google Cloud の先進的な AI とエンジニアリソースを組み合わせることは、実世界における AI トランスフォーメーションを加速させるための革新的なアプローチです。Gemini Enterprise の強力なマルチモーダル AI で、私たちはグローバルに AI イノベーションの先行事例を提供していきます。さらに、Google Security の先進的なソリューションと、ミッションクリティカルな領域における日立の専門知見を統合することにより、AI 時代において、お客さまが安全で信頼できる環境の中でイノベーションを起こせるように支援してまいります。

日立製作所執行役副社長デジタルシステム＆サービス部門長阿部淳のコメント

日立はこれまで、カスタマーゼロとして積極的に Gemini Enterprise の導入・実践を進め、業務効率化や生産性向上における大きな効果を体感してまいりました。今回の戦略的アライアンスの拡大は、FDE 育成強化をもとに、両社でより難易度の高い課題の解決へ挑戦していくためのものです。Google Cloud が最前線で培う世界最先端の AI 実装アプローチと、日立の顧客協創のアプローチや GlobalLogic の卓越したデジタルエンジニアリング力を掛け合わせ、お客さまのビジネス現場にフィジカル AI の価値を創出していきたいと考えています。また、そうした価値を安全にお届けするために、日立のミッションクリティカルなシステム構築の知見と Google Security の高度なソリューションを連携させ、AI 時代の脅威から社会インフラを守り、持続可能な社会の実現をけん引してまいります。

^{*1 2024年5月29日ニュースリリース:} ^{日立とGoogle Cloud、生成AIを活用したイノベーション加速、生産性向上をめざし、戦略的アライアンスを締結}

^{*2 出典:} ^{https://cloud.google.com/blog/ja/topics/threat-intelligence/m-trends-2026}^{*3 2026年5月28日 Google Cloud 発表:} ^{https://cloud.google.com/blog/ja/products/identity-security/introducing-google-ai-threat-defense}

^{*4 2025年10月10日ニュースリリース:} ^{日立、Google Cloudとの戦略的アライアンスを推進し、現場にあわせたAIエージェントの開発によりフロントラインワーカーの業務変革を加速}

関連リンク

HMAX｜Lumada：日立

^商標注記^{記載の会社名、製品名は、それぞれの会社の商標もしくは登録商標です。}

^{日立製作所について}^{日立は、IT、OT(制御・運用技術)、プロダクトを活用した社会イノベーション事業(SIB)を通じて、社会インフラをデジタルで革新し続けるグローバルリーダーをめざし、環境・幸福・経済成長が調和するハーモナイズドソサエティの実現に貢献します。デジタルシステム&サービス、エナジー、モビリティ、コネクティブインダストリーズの4セクターに加え、新たな成長事業を創出する戦略SIBビジネスユニットの事業体制でグローバルに事業を展開し、Lumadaをコアとしてデータから価値を創出することで、お客さまと社会の課題を解決します。2025年度(2026年3月期)売上収益は10兆5,867億円、2026年3月末時点で連結子会社は606社、全世界で約29万人の従業員を擁しています。詳しくは、}^{www.hitachi.com/ja-jp/}^{をご覧ください。}

「Google for Startups Accelerator: 中東、北アフリカ、トルコ」に新たに選出された企業の紹介

Thu, 04 Jun 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 5 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

Google の使命は世界中の情報を整理し、世界中の人々がアクセスできるようにすることです。中東、北アフリカ、トルコ（MENA-T）のような技術革新に意欲的な急成長市場では、AI ファーストのスタートアップを支援することで、このミッションを遂行しています。これらのスタートアップは、次世代の情報主導型サービスをグローバル規模で構築しています。Google は、その高いレジリエンスで知られるこの地域の創業者たちがどんな状況でも成功を収めるための支援を提供したいと考えています。

Google for Startups Accelerator: MENA-T プログラムの最新のコホート（15 社）が 6 月 1 日にスタートします。前回にあたる第 6 回は 2025 年 11 月に終了し、この地域に新たなベンチマークを打ち立てました。

第 6 回のプログラムでは、8 か国から 14 社の AI ファーストスタートアップが参加し、Google のスペシャリストから 230 時間を超える専門的な 1 対 1 の指導を受けました。このサポートにより、ビジネス戦略のブラッシュアップ、Google Cloud を使用した AI / ML イニシアチブの加速、プロダクトデザイン全体の強化など、技術面とビジネス面の両方で測定可能な成果を達成しました。

2026 年のプログラムでは、リソース、重点分野、トレーニングをさらに拡充し、地域や世界に影響を及ぼす可能性のある不確実な地政学的な状況を乗り切るための支援を提供します。

最新の「Google for Startups Accelerator: 中東、北アフリカ、トルコ」のコホートの紹介

今回は過去最多の応募数を記録しましたが、このことからも、AI テクノロジーを活用して事業を通じた重要課題の解決に取り組むスタートアップがますます増えていることがうかがえます。このコホートに参加する 15 社をご紹介します。

BioTwin は、健康に関するデータからバーチャルツインを作成し、リスクの検出と予防措置の推奨を行います。
Coral は、企業全体のサステナビリティ関連の指標をリアルタイムで提供し、手作業のプロセスを不要にします。
Each::labs は、複雑なデベロッパーワークフローを合理化する次世代の AI ネイティブツールを構築しています。
Hakeem は、臨床研究を個々の患者に合わせたガイダンスにリアルタイムで変換し、医療従事者に提供します。
inveon.ai は、エージェント型 AI をデプロイして、e コマース向けの自律型デジタル従業員を提供します。
Jusoor Labs は AI を使用して科学実験でのインタラクションを分析し、学習成果を向上させています。
Openfarming は、販売業者のワークフローを自動化して、廃棄物の削減と利益の保護に貢献します。
Plusfinity は、スケーラブルでインタラクティブな教育を実現する AI ネイティブな学習インフラストラクチャを構築しています。
Promake は、AI を活用した設計と生産の最適化ツールで製造業を支援します。
Qanooni は、手動で行われる法律業務を構造化された検索可能なワークフローに変換します。
Repzo は AI を使用して、複雑な現場のデータを現場のチームが読む自然言語のレポートに変換します。
RFxAI は、AI 主導型の回答評価を通じて調達と販売を合理化します。
Tapper は、ML を適用して異常を検出し、無効なトラフィックをブロックします。
TruBuild は、構造化されていない建設データを分析することで、より迅速かつ客観的な入札評価を実現します。
Woliz は、音声 AI を使って小型店舗のオーナーがオンライン注文を利用できるようにします。

成果を上げるためのカリキュラム

6 月 1 日以降、各企業の創業者はスタートアップ特有の課題の解決を目的に特別にカスタマイズされた 3 か月間のプログラムに参加します。カリキュラムでは、包括的なスタック監査やグローバルエキスパートによる 1 対 1 のメンターシップなど、集中的な技術サポートが提供されます。

AI セキュリティとジェネレーティブデザインに焦点を当てた高度な技術トレーニングと、戦略的なビジネスモデリングおよび市場参入計画のバランスを調整することで、イノベーションの安全な拡大を支援します。この包括的なアプローチは、スタートアップが勢いを維持し、地域の持続的なデジタル成長と長期的なレジリエンスを促進することを目的としています。

このプログラムは昨年秋のコホートでも大きな成果を上げており、多くのスタートアップが成長と開発を加速させています。

エージェント型セキュリティオペレーションセンター（SOC）スイートのプロバイダである COGNNA も、継続的な成長を遂げている企業の一つです。アクセラレータ期間中に改善された同社のプラットフォームにより、アナリストは以前より 80% 速く作業できるようになりました。その後、同社は 920 万ドルのシリーズ A 資金調達ラウンドを完了しました。

BigQuery を使用してペタバイト規模のデータを取り込み、Google Kubernetes Engine により調査をスケールすることで、セキュリティ運用の変革と効率性の大幅な向上を達成しました。COGNNA の共同創業者 / CTO である Ziyad Alshehri 氏は「Google は、グローバル市場でのスケーリングを可能にすることで、COGNNA の未来を形作っています」と語っています。

AI を活用した不動産投資を行う UAE のスタートアップである Smart Bricks は、最近、a16z Speedrun が主導する 500 万ドルのプレシードラウンドを完了しました。Smart Bricks は、Google の ML パイプラインを使用して、ドバイ、ロンドン、ニューヨークの不動産投資ワークフローの 99% を自動化しています。

Smart Bricks の創業者 / CEO である Mohamed Mohamed 氏は次のように述べています。「Google for Startups Accelerator は、当社の技術開発を加速させるうえで重要な役割を果たしました。Google AI とクラウドスタックにアクセスできたことは、エージェント型 AI モデルの構築とスケーリングに役立ちました。特に、当社が扱うデータの規模と複雑さを考えると、その恩恵は大きなものでした。また、Gemini Enterprise Agent Platform や BigQuery などのインフラストラクチャにより、開発サイクルを大幅に高速化し、モデルのパフォーマンスを向上させ、より堅牢なデータドリブンプラットフォームをより迅速に市場に投入することができました。」

MENA-T の成長に向けた Google の取り組み

Google は、イノベーションの継続的な拡大を目的として、専門的なリソースとクラウドインフラストラクチャを提供し、この地域の創業者を支援し続けています。Google は、この地域のデジタルエコノミーがより安全で革新的な未来に向けて加速し続けることを目指しています。

この新しいコホートが MENA-T エコシステムの未来を形作っていくことを楽しみにしています。

- Google Accelerator およびスタートアップエコシステム責任者（中東、北アフリカ、トルコ担当）、Baris Yesugey

TPU 上で兆単位のパラメータを扱うモデルのクラスタレベルの信頼性

Thu, 04 Jun 2026 00:00:00 +0000

※この投稿は米国時間 2026 年 5 月 12 日に、Google Cloud blog に投稿されたものの抄訳です。

フロンティア AI モデルにより、コンピューティングの単位が大きく変化しています。数兆パラメータ規模の AI トレーニングでは、数千もの相互接続されたコンポーネントが、産業規模のデプロイメントでオーケストレートされ、単一の巨大なエンティティとして動作する必要があります。

同様に、信頼性に関しては、インフラストラクチャの総合的な可用性が重要です。しかし、これまで 20 年近くにわたり、インスタンスレベルの信頼性がクラウドの標準になっていました。インスタンスレベルの信頼性は、マイクロサービスと水平方向にスケーラブルなアプリケーション向けに設計されており、独立した小さなユニットの集合としてインフラストラクチャを扱います。このモデルは、大規模な AI ワークロードには根本的に不十分です。

Google は、信頼性をインスタンスレベルからクラスタレベルのモデルに移行する必要があると考えています。

Google は 10 年以上にわたり、Tensor Processing Unit（TPU）クラスタを大規模に運用し、最新の AI ワークロードのアーキテクチャ要件を満たす信頼性を実現してきました。このブログ記事では、Superpod レベルでの集合的なパフォーマンスに焦点を当てた、Google Cloud TPU のクラスタレベルの信頼性フレームワークをご紹介します。このフレームワークは、Google 社内で世界最先端の AI モデルを構築するために使用しているものです。現在、本番環境で使用している TPU の運用標準であり、先日発表された第 8 世代 TPU のアーキテクチャのブループリントとして機能しています。

AI スーパーコンピュータの信頼性

TPU の Superpod では、数千個のチップがキューブ（64 個の TPU）に編成されています。高速チップ間相互接続（ICI）リンクがキューブ内のすべてのチップを接続し、動的に構成可能な光回路スイッチ（OCS）ネットワークがすべてのキューブを接続して Superpod を形成しています。

システム全体のトレーニングの進行のためには、Superpod 内で完全に正常なキューブの数を最大化する必要があります。AI モデルのパフォーマンスは高帯域幅で低レイテンシの通信に依存するため、あるユニットがトレーニングの進行に貢献するには、キューブ内のすべてのチップと ICI リンクが動作可能な状態にある必要があります。こうしたアーキテクチャの現実を踏まえ、Google のクラスタレベルのフレームワークは、業界がインスタンスレベルの信頼性から大規模な可用性へと移行し、この AI 時代にどのように信頼性を実現できるかを定義するのに役立ちます。

詳細: 大規模な可用性の計算

インスタンスレベルの信頼性モデルは多くの場合、決定的ですが、産業規模の AI デプロイメントでは、数千個のチップにわたる確率的アプローチが必要です。従来の設定では、単一のチップの平均故障間隔（MTBF）を追跡していたかもしれません。しかし、フロンティア AI の規模では、コンポーネントの数が増えるにつれてクラスタレベルの MTBF が急激に低下します。

スケーリングによって信頼性がどれほど早く損なわれるかを可視化するには、マルコフの不等式のような単純な上限を確認できます。

障害が発生したキューブ数を X と定義した場合、マルコフの不等式からわかることは、クラスタサイズとともに予想される障害数 E[X] が増加したときに、システム的なアーキテクチャの変更なしでは、厳格な障害の基準を下回る確率を保証することが、ますます困難になるということです。

マルコフの不等式は、大規模なリスクについて有用な経験則を提供しますが、Google は、大規模な可用性を、クラスタの総合的な健全性の二項分布を使用してモデル化しています。n 個の独立したユニット（キューブ）から構成される Superpod で、k 個以上のキューブが完全に動作し、相互接続される確率を、n 個の独立した試行の成功の累積分布として定義します。トレーニングの生産性において 95% の信頼区間を確保するには、次の式で k を求めます。

ここで、n は Superpod 内の合計キューブ数を表し、p はキューブレベルの総合的な可用性を表します。

このモデルにより、インスタンスレベルのモデルが、大規模トレーニングの実際のパフォーマンス要件を反映するトポロジ対応フレームワークに置き換わります。このため、より大きなコンピューティングブロックが正常な状態で接続され、継続的なトレーニングの進行を促進できるようになります。

ML の生産性向上

グッドプット指標は、ML 生産性の主要な尺度です。信頼性における Google の新しい標準は、グッドプットの決定的な基盤を提供し、要求の厳しいヒーロージョブでこの指標を最大化するように設計されています。これにより、最先端の研究に必要な大規模なインフラストラクチャが単一のエンティティとして機能することが可能となります。

このモデルは、大規模なトレーニング実行にリソースのフルセットを利用できるようにすることで、3 つのグッドプット指標の一つであるスケジューリンググッドプットで高い値を実現します。このインフラストラクチャレベルの可用性とソフトウェアスタックを組み合わせることで、全体的なグッドプットを向上させることができます。Google は、次の 3 層から構成される信頼性モデルを通じてこれを実現しています。

インフラストラクチャ: TPU Superpod が、必要な規模を物理的に利用可能にして接続するための容量フットプリントを提供します。
フレームワーク: JAX と Pathways がレジリエンスを提供します。障害が発生したノードを再構成またはホットスワップして、完全な再起動を必要とせずに前進を維持します。
アプリケーション: 自動チェックポイントやマルチティアチェックポイントなどのフォールトトレランスメカニズムにより、トレーニングの状態が保持されるため、障害が発生した場合に失われる進行分を最小限に抑えることができます。

次世代の AI ブレークスルーを実現

クラスタレベルの信頼性モデルは、AI 時代の新しい標準の始まりを示しています。今後は、AI スーパーコンピュータが、イノベーションのための信頼できる産業規模のエンジンとなるでしょう。Google は、その信頼性に対するスタンスを、フロンティアモデルのニーズに合わせることで、次世代の AI ブレークスルーをより迅速で、より信頼性が高く、より予測可能なものにしています。TPU の詳細を確認して利用を開始するには、こちらをクリックしてください。

- シニアスタッフソフトウェアエンジニア、Akshay Vasudev

- グループプロダクトマネージャー、Mohan Pichika

一般提供が開始された Nano Banana 2 と Nano Banana Pro がクリエイティブなワークフローを強化

Wed, 03 Jun 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 5 月 29 日に、Google Cloud blog に投稿されたものの抄訳です。

各業界の組織は、画像生成と編集の新たな利用方法を開拓しようとしています。次世代のエクスペリエンスを推進するために、企業は AI をクリエイティブなエージェント型ワークフローに直接組み込む取り組みを進めています。しかし、次世代のワークフローには、信頼できるエンタープライズグレードの AI が必要です。

新機能: お客様が安全にクリエイティブな作業を続けられるよう、このたび Nano Banana 2 （Gemini 3.1 Flash Image）と Nano Banana Pro（Gemini 3 Pro Image）の一般提供（GA）を Gemini Enterprise Agent Platform で開始いたしました。エンタープライズグレードのインフラストラクチャとセキュリティに支えられたこれらのモデルにより、高品質の画像生成および編集機能をアプリケーションやワークフローに直接統合できます。

両モデルのリリースに加え、モデルによるマルチモーダル入力の処理方法を大幅に拡張する強力な新機能もプレビュー版で発表いたしました。Nano Banana 2 がサポートする入力プロンプトとして、動画ファイルが新たに追加されました。テキスト、PDF、画像の入力を参照するのに加えて、モデルは動画の深い理解に基づき映像内の視覚的コンテキスト、特定の被写体、アクションを分析し、サムネイルやリッチなインフォグラフィックなど、コンテキストを認識した画像を生成します。この機能はこちらでお試しいただけます。

注: 1K と 2K の解像度での出力機能は両方のモデルで一般提供されていますが、4K での出力機能はプレビュー版のままです。

Nano Banana モデルを活用したイノベーションの例

Google は、パートナー様やお客様が可能性の限界を押し広げる姿に常に刺激を受けています。さまざまな組織が、こうした高度な画像生成機能を業務に取り入れることで、クリエイティブパイプライン全体でイノベーションを実現し、ユーザーが次世代のビジュアルエクスペリエンスを構築できるようにしています。

クリエイティブとマーケティングのイノベーションの促進

組織は、業界をリードするクリエイティブツールやワークフローに Google の生成画像モデルを直接組み込むことで、前例のないクリエイティブなイノベーションを推進し、カスタマイズされたキャンペーンを拡大し、ブランドとオーディエンスの関わり方に根本的な変化をもたらしています。

Adobe Firefly Enterprise のプロダクトマーケティング責任者である Aaron Mitchell Finegold 氏は、次のように語ります。「マーケティングチームとクリエイティブチームは、ブランドの整合性を最優先で確保しながら、高品質なエンタープライズグレードのコンテンツをより迅速に制作するプレッシャーに直面しています。Nano Banana モデルは、Adobe Firefly や Adobe GenStudio で作業する企業のチームがそうした現実に対処するうえでの支えとなっています。お客様は、業界をリードする AI モデルと Adobe の最高水準のクリエイティブツールを併用できます。高度な生成モデルの力と信頼できるクリエイティブおよびマーケティングのワークフローを組み合わせることで、組織は実験からエンタープライズ規模での実行へと移行できます。」

「Google とのパートナーシップを拡大したことで、WPP は Nano Banana 2 と Nano Banana Pro への早期アクセス権を獲得しました。これらのモデルは、WPP のエージェント型マーケティングプラットフォームである WPP Open に統合されています。整合性と制御性を高めるこれらのモデルは、Verizon、L’Oreal、Unilever などのクライアント向けに実装された大規模コンテンツ制作システムの基盤として急速に定着しました。WPP Open で Google の画像モデルを使用することで、チームはメディアのアセットを迅速に最適化し、クリエイティブを適応させることができます。Google Cloud と提携して、生成メディアを活用した創造性の限界を押し広げられることを嬉しく思います。」- WPP、最高イノベーション責任者、Elav Horwitz 氏

小売と顧客対応の変革

ショッピングプラットフォームは、バーチャル試着や動的なカタログ拡充などの没入型エクスペリエンスを提供するために Google の画像モデルを使用しています。これにより、購入前の買い物客は高度にインタラクティブかつパーソナライズされた環境で商品を確認することができます。

「品質と速度が向上した Nano Banana と Nano Banana Pro は、販売者のみなさまにさらに優れた画像生成技術を提供します。画像生成機能を活用すれば、既存の商品写真を補完できるだけでなく、魅力的でリアルなソーシャル画像やライフスタイル画像を生成してカタログを際立たせ、購入者の関心を引くことができます。」- Shopify、シニアスタッフプロダクトマネージャー、Matthew Koenig 氏

同様に、URBN（Urban Outfitters）は Google の生成メディア機能を活用して、製品開発の初期段階を加速させています。

「URBN は、Google の画像生成および編集機能を活用して、製品開発の初期段階を加速させています。最初の試験運用において、市場投入までのパイプラインを大幅に圧縮できる可能性が示されました。」- URBN（Urban Outfitters）、グローバルエグゼクティブディレクター、Demo Lymberopoulos 氏

次世代のメディア制作ワークフローの構築

メディアやエンターテイメント業界の企業は、これらのモデルを採用して、複雑な制作パイプラインを管理する次世代のアプリケーションを構築しています。そうしたアプリケーションは、スタジオがディレクションコントロールを維持しながらワークフローを革新することを可能にします。

「世界で最も複雑な AI クリエイティブの課題に取り組んだ経験を活かして構築された Nodey は、クリエイターの足かせとなる分断されたインターフェースや手動のワークフローを解消することを目的としています。Nodey を当社の空間インテリジェンスプラットフォームである OKO に統合することで、AI のテストとプロフェッショナルな制作の間の隔たりを埋めることができます。クリエイターは、試行錯誤で入力されるプロンプトに代わって空間環境に固定されたワークフローを使用することで、制御可能で安全な 3D パイプライン内で Nano Banana や Veo などの Google の生成モデルを使用できるようになりました。これにより、生成される要素とクリエイティブな意図との完全な整合性が保証されます。」- Magnopus、CEO、Ben Grossmann 氏

Gemini 3 Pro Image と Veo 3.1 のワークフロー

エンタープライズグレードのマルチモーダルエクスペリエンスの構築を開始する

没入型の小売アプリケーション、インタラクティブなコマースツール、メディア制作ワークフローの加速など、Google Cloud は、次世代のエージェントクリエイティブとマルチモーダルエクスペリエンスを構築するためのモデルとツールを提供します。エンタープライズ SLA で完全にサポートされた Nano Banana 2 と Nano Banana Pro をエンタープライズ規模でデプロイするために必要な技術的フレームワークおよび商業的フレームワークには、こちらからアクセスできます。

リソース:

Nano Banana 2（Gemini 3.1 Flash Image）のドキュメント
Nano Banana Pro（Gemini 3 Pro Image）のドキュメント
デベロッパーは Gemini API を介して両方のモデルにアクセスすることもできます（エンタープライズ SLA の対象外）
Nano Banana 向けプロンプト完全ガイド

- Google Cloud、プロダクトマネージャー、Stanley Tack

Cloud Run、Firebase、Cloud SQL を使用したフルスタックのバイブコーディングが AI Studio で可能に（クレジットカードは不要）

Wed, 03 Jun 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 5 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

Google I/O 2026 では、Google AI Studio と Google Cloud のインテグレーションに関する最新情報を発表しました。

新規ユーザーは、請求先アカウントなしで、フルスタックアプリケーションを 2 つまで Google Cloud スターターティアにデプロイ可能
データベースの選択肢の拡大: 非リレーショナルデータ用の Firestore と、新しいリレーショナルデータベースオプションとしての Cloud SQL
Firebase Auth を単一のユーザーログインフローとして使用することで、Google スプレッドシート、Google カレンダー、Gmail などの Google Workspace ツールとの緊密なインテグレーションを実現

これらは、3 月に発表したインテグレーションのアップデートであり、これには、Cloud Run、Firestore、Firebase Auth を活用することで、バイブコーディングされたフルスタックアプリケーションを AI Studio からデプロイするためのサポートが含まれていました。

このインテグレーションの拡大により、AI Studio を使用してより幅広いアプリケーションを構築できるようになりました。データベースには、Cloud SQL を使用したリレーショナルデータベースか、Firestore を使用した非リレーショナルデータベースのいずれかを使用できますが、ユーザーがデータベースを指定する必要はありません。AI エージェントが、アプリや機能に適したデータベースを自動的に判断します。

ぜひ実際にお試しください。AI Studio では、スターターティアで Cloud Run、Cloud SQL for PostgreSQL（来月提供開始）、Firestore、Firebase Auth を無料でご利用いただけます。

AI Studio から Cloud Run へ、フルスタックアプリケーションをワンクリックで公開

手軽に導入: Google Cloud スターターティア

AI Studio でアプリケーションを構築して、プロトタイプを Cloud Run に直接デプロイしたり、Firebase Auth で認証を行ったり、データを Firestore や Cloud SQL データベースに保存したりできます。クレジットカードや Google Cloud アカウントは必要ありません、面倒な手続きも一切不要です。プロンプトを入力するだけで、すぐに開始できます。

AI Studio では、アカウントがない場合は、Google Cloud スターターティアを使用してリソースが作成されます。フルスタックアプリケーションは 2 つまでデプロイできます。スターターティアの制限を超えた場合は、請求先アカウントが登録されている標準の Google Cloud プロジェクトにアップグレードできます。すべてのリソースが課金対象の Google Cloud プロジェクトに移行されるため、アプリケーションを成長に合わせてスケールできます。

Cloud SQL でフルスタックのバイブコーディングを強化

インテリジェントかつ自動化されたデータ基盤を導入することで、デベロッパーは、インフラストラクチャではなくアプリケーションに集中できるようになります。

AI Studio と Cloud SQL のインテグレーションには、以下が含まれます。

即座に利用開始: インスタントプロビジョニングにより、プロンプト入力から完全にデプロイされた PostgreSQL データベースの利用までを迅速に実現できます。
無料で開始: クレジットカードや Google Cloud アカウントがなくても、Google Cloud スターターティアで Cloud SQL を無料でお試しいただけます。
柔軟な費用管理: AI エージェントは新しい Cloud SQL for PostgreSQL デベロッパーエディションを使用します。これにより、バックエンドが自動的にゼロにスケールできるようになります。課金されるのはアプリを使用している間のみです。
エージェント主導のエクスペリエンス: 新しいプロンプトを入力するだけでアプリケーションを更新できます。AI エージェントが自動的にスキーマを作成し、データベース内で SQL ステートメントを実行します。
グローバルなスケーラビリティ: インターフェースはシンプルですが、アプリケーションは Google Cloud の堅牢で信頼性が高く、安全に設計されたインフラストラクチャ上で実行されます。数百万人ものユーザーをサポートするようにスケールすることも可能です。

Cloud SQL for PostgreSQL デベロッパーエディションを活用したアプリの作成

Firestore と Firebase Auth を使用したフルスタックのバイブコーディング

AI Studio でアプリを構築する際、エージェントは、プロンプトに基づいてデータストレージや認証が必要かどうかをプロアクティブに検出し、データベースやユーザー認証の設定を提案します。ドキュメントデータベースが役立つアプリの場合、エージェントは、Firestore や Firebase Authentication を有効にするカードを表示し、ユーザーの承認を求めます。

アプリケーションで Firebase を有効にするかどうかの確認を求めるエージェント

[Firebase を有効にする] をクリックすると、エージェントは自動的に以下の処理を行います。

Firestore をプロビジョニングし、認証を有効にして、アプリをデータベースに接続する
ウェブアプリのログインページを作成し、Google ログインによる認証を構成する
アプリ内で Firestore コードを生成し、セッションやデバイス間でデータを同期できるようにする
アプリのロジックに基づいて Firestore セキュリティルールの下書きを作成してデプロイする（ただし、アプリの共有やデプロイを行う前に、ユーザーがこれらのルールを必ず再確認する必要があります）

Firebase Auth を使用すると、以下のことが可能になります。

自然言語を使用してアプリを Google Workspace に接続する: Workspace の機能（Google スプレッドシート、Google カレンダー、Gmail など）をリクエストすると、エージェントは Firebase Authentication を利用した「Google でログイン」フローを実装し、Google AI Studio がデータに安全にアクセスできるようにします

Firebase Authentication を利用してアプリを Google スプレッドシートに接続

詳しくは、Google I/O で発表された Firebase の最新情報に関するブログ記事をご覧ください。

AI Studio を使ってみる

アイデアをアプリで実現することは、もはや絵空事ではありません。以下の手順に沿って進めることで、フルスタックアプリケーションを無料で構築できます。

AI Studio にログインする: プラットフォームにアクセスしてプロジェクトを開始します。
プロンプトを使用して構築する: 自然言語のプロンプトを使用してアプリケーションの構築を開始します。たとえば、「経費管理アプリを構築して」などと指示します。
データベースを有効にする:「データベースを追加して」という指示をすると、AI Studio が「Enable」ウィジェットを通じてデータベースをインテリジェントにプロビジョニングします。特定のリレーショナルデータベースを明示的に指定することもできます。
システムを設定する: [Enable] を選択し、利用規約に同意します。
共有を開始: [Publish] ボタンを使用してアプリケーションをデプロイし、共有します。

AI Studio を今すぐ利用して、アイデアを数秒でライブアプリケーションに変換しましょう。

- プロダクトマネージャー、Justin Mahood

- プロダクトマネージャー、Gopal Ashok

Gemini Live Agent Challenge: 受賞者とハイライトを発表

Tue, 02 Jun 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 5 月 16 日に、Google Cloud blog に投稿されたものの抄訳です。

Gemini Live Agent Challenge が無事に終了しました。このチャレンジでは、世界中のデベロッパーに従来の「テキストボックス」から脱却する次世代の AI エージェントの構築を呼びかけました。最初の発表から、151 か国 11,878 人の参加者と 1,536 件のプロジェクト応募まで、その結果は驚くべきものでした。

ミッションは、Gemini Live API、Agent Development Kit（ADK）、Google Cloud の堅牢なインフラストラクチャを使用して、マルチモーダル機能をシームレスに統合し、リアルタイムで「見る、聞く、話す、つくる」をサポートするエージェントを構築することでした。参加者は、ライブ対応のエージェント、クリエイティブストーリーテラー、UI ナビゲーターの 3 つのカテゴリで、インタラクティブ AI の限界に挑戦しました。

最優秀賞を受賞したビルダーの皆様、おめでとうございます。優勝チームは、技術的な正確さと大胆な想像力を組み合わせ、ユーザーがエージェントと対話して体験する方法を完全に一新しました。受賞者のうち 2 人の開発者は、Google Cloud Next 2026 の会場でも表彰されました。受賞エージェントの完全なリストとともに、受賞者の体験をご紹介します。

Google Cloud Next '26 で各部門の受賞者を発表

部門賞を受賞した Jeremiah Somoine 氏と Bryen Param 氏は、ラスベガスで開催される Google Cloud Next 2026 に招待され、より広範なデベロッパーコミュニティと自身の経験や知見を共有しました。受賞者 2 名は、展示会場のデベロッパーシアターでライトニングトークを行い、GDE および認定ラウンジのクリエイタースタジオポッドで独占インタビューを受けました。

イベント期間中、Bryen 氏は drone-copilot の開発における主なインスピレーションについて語りました。プロジェクトの原動力となったのは「モデルが現実世界とやり取りできたらどうなるだろうか？」という疑問だったと説明し、マルチモーダル機能が AI と物理環境のギャップを埋める方法を紹介しました。

現役大学生の Jeremiah 氏は、Sankofa の開発プロセスを振り返り、「技術的な制限に対する最善の対応は、創造力だった」と述べています。次世代の AI アプリケーションの構築を目指す他の学生たちへのアドバイスを求められたとき、彼はテクノロジーを実際に体験する機会があれば、すぐに始めることが重要だと強調しました。「学ぶには、実際にやってみるのが一番です」と語り、意欲的なデベロッパーに、とにかく飛び込んで構築を始めてみるよう促しています。

受賞者

最優秀賞: ORION - Operating Room Intelligent Orchestration Node 作成者: Aditya Shukla 氏

ORION（Operating Room Intelligent Orchestration Node）は、音声指示によるロボット手術の支援コパイロットです。外科医は、スクラブを破ることなく、自然に話してすぐに回答を得たり、ディスプレイにライブデータを表示したり、リアルタイムの視覚的支援を受けたりできます。

Orion - 音声指示による手術 AI アシスタント | Gemini Live Agent ハッカソン

ライブ対応エージェント部門の受賞者: drone-copilot 作成者: Bryen Param 氏

ドローンコパイロットは、ユーザーがジョイスティックや複雑なメニューを使用する代わりに、ドローンと自然なリアルタイムの会話ができるようにすることで、ハードウェアの操作方法を変革します。ユーザーは話すだけで、ドローンにナビゲーション、自律的な視覚検査、周囲の状況の説明を指示できます。ドローンはリアルタイムで音声応答し、アクションを確認します。

ドローンコパイロット: Gemini Live API を使用した音声制御ドローンと自律検査

クリエイティブストーリーテラー部門の受賞者: Sankofa 作成者: Jeremiah Somoine 氏

Sankofa は、マルチモーダル AI の「グリオ」（西アフリカの伝統的な語り部）として機能し、断片的な家族の歴史を没入感のある物語に変えます。ユーザーのわずかな詳細情報に基づいて、豊かな音声ナレーション、水彩画の画像、アンビエントサウンドスケープを織り交ぜて歴史物語を紡ぎ出します。ユーザーは、語り部とリアルタイムで音声会話をしながら、自分のルーツをさらに探ることができます。

Sankofa デモ動画

UI ナビゲーター部門の受賞者: Moonwalk 作成者: Enaiho Uwas Paul 氏、Aman Kumar Sah 氏

Moonwalk は、会話型のハンズフリーデスクトップアシスタントです。ユーザーは声だけでコンピュータを直感的に操作し、複雑なタスクを完了できます。個人の好みや過去のやり取りを記憶することで、インテリジェントなコパイロットとして機能し、マウスやキーボードをシームレスに制御して、フライトの予約やスプレッドシートの管理などの日常的なワークフローを実行します。ユーザーはただ座って話すだけです。

Moonwalk のデモ動画 #geminiliveagentchallenge

マルチモーダル統合とユーザーエクスペリエンス部門最優秀賞: Wand 作成者: David Li 氏

Wand は、ボイスファーストのポインタ対応ブラウザアシスタントです。自然な会話とハンドジェスチャーを組み合わせて、あらゆるウェブサイトをシームレスに操作できます。画面を指差して「この動画を再生して」や「ここを拡大して」などと話しかけるだけで、このライブ対応エージェントがクリック、検索、コマンドの実行を即座に行うお手伝いをします。マウスやキーボードに触れる必要はありません。

Wand -- ユーザーとともに見て、検索して、クリックするライブ対応エージェント

技術運用とエージェントアーキテクチャ部門の最優秀賞: JohnKeats.AI 作成者: Matthew Keats 氏

JohnKeats.AI は、ユーザーの言葉に積極的に耳を傾け、解決策を急いで提供することなく、ユーザーの気持ちに寄り添うことを目的としたボイスファーストの感情コンパニオンです。ピッチ、ペース、トーンなどの微妙な口調を処理することで、ユーザーの感情状態にリアルタイムで自然に反応し、深い思考で感情に寄り添う会話機能を提供します。

JohnKeats.AI — 黙るべき時を知るために構築された初の AI エージェント

イノベーションおよびソートリーダーシップ部門の最優秀賞: Rayan Memory 作成者: Yusuf Elnady 氏

Rayan Memory は、日々の学習内容を完全に探索可能な 3D の「記憶の宮殿」に変えることで、忘却という普遍的な問題に取り組んでいます。バックグラウンドエージェントが現実世界の音声を受動的に聞き取り、重要なアイデアを物理的なアーティファクトとして抽出します。ユーザーはテーマ別の仮想ルームを歩き回り、専用の AI コンパニオンと会話することで、正確な記憶を簡単に取り出すことができます。

Rayan - 3D の記憶の宮殿が聞き取り、記憶し、話しかける

特別賞: NagarDrishti 作成者: Nikita Dongre 氏、Omkar Dongre 氏

NagarDrishti は、運転中にハンズフリーの音声アシスタントを使用して、市民が安全に道路の穴や冠水を報告できるようにすることで、危険な道路状況に対処します。これらのリアルタイムレポートは、インタラクティブなダッシュボードに即座に表示されます。市の職員は自然言語を使用して、危険な場所を簡単に特定し、重要な修理を管理できます。

特別賞: Ekaette 作成者: Bassey John 氏

Ekaette は、通話とテキストメッセージの両方で動作する会話型のマルチモーダル AI アシスタントを使ってイライラする保留音を置き換えることでカスタマーサービスに革命を起こします。顧客は、通常の電話回線でエージェントと自然に会話しながら、WhatsApp を介してシームレスに写真を共有したり、製品オプションを確認したり、支払いを完了したりできます。

Ekaette - マルチモーダル AI 音声およびメッセージングアシスタント

特別賞: VibeCat 作成者: Sejun Kim 氏、Michael Chang 氏

VibeCat は、画面を継続的に監視し、コンテキストを理解して、ユーザーが尋ねる前に役立つアクションを提案する、プロアクティブな macOS デスクトップコンパニオンです。コマンドを待つのではなく、コードの欠落行の修正やターミナルコマンドの実行などを最初に提案し、ユーザーの許可を得てからタスクを完了します。

vibeCat - プロアクティブなデスクトップコンパニオン

特別賞: Call My Parts 作成者: Sugam Palav 氏、Nikhil Lohar 氏、Siddhant Panday 氏、Vishal Parekh 氏

Call My Parts は、中古車部品の調達という面倒で時間のかかるプロセスを自動化します。調査やベンダーへの連絡を代行してくれます。ユーザーは部品のリクエストを話すだけで、AI エージェントが自律的にベンダーのウェブサイトを検索し、サプライヤーに電話して価格と在庫を確認して、最適な選択肢をランク付けして読みやすいダッシュボードにまとめます。

Call My Parts AI Tool : ハッカソン Gemini Live 2026

特別賞: Relay 作成者: Faith Ogundimu 氏

Relay は、ウェブカメラを使用して物理電子工学プロジェクトをリアルタイムで監視し、ガイドするインタラクティブな AI ラボパートナーです。回路の組み立てを手順を追って支援する音声サポート、配線ミスを事前に検出する機能、組み込みの 3D シミュレーションサンドボックスとパーソナライズされたクイズによるスキルの強化機能が用意されています。

Relay - 電子機器向けのリアルタイム Voice AI および Vision AI チューター | Gemini Live API + Google Cloud

この流れを推し進めましょう

素晴らしいプロジェクトに触発されましたか？Google の最新のプログラムやイベントを通じて、構築を開始し、コミュニティとのつながりを維持しましょう。

Gemini Enterprise Agent Ready（GEAR）にご参加ください。このプログラムは、開発者や意思決定者を支援し、プロダクションレディな AI エージェントを構築、デプロイできるように設計されています
Google Cloud Next 2026 の最新情報: Google Cloud Next は大盛況のうちに終了しました。会場にお越しいただけなかった方、あるいはもう一度あの熱気を味わいたい方は、SNS とライブ配信のハイライトをご覧ください。魅力的な開発者の活躍の一部を会場の雰囲気とともにお楽しみいただけます。
新しいツール、プロダクトの最新情報、今後のハッカソンについていち早く知りたい方は、毎週火曜日のライブ配信をお見逃しなく。午前 9 時（太平洋夏時間）/ 正午（東部夏時間）に配信が開始されます。Google Cloud の最新情報をチェックしてください。

受賞者の皆様、参加者の皆様、本当におめでとうございます。皆様が次にどのようなものを構築されるのか楽しみにしています。

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

Google I/O 2026 のスタートアップ向けの主な発表

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

※この投稿は米国時間 2026 年 5 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

世界で特に急成長を遂げている AI スタートアップの多くが、その完全かつオープンな AI スタックを理由に、自社の未来、そして世界の未来を構築する場所として Google Cloud を選択しています。アーキテクチャのあらゆるレイヤに AI を組み込んでいる Google Cloud は、エージェントの時代に求められる構築とスケーリングの機能を提供します。

Google Cloud Next ‘26 では、小規模なチームの作業をより速く効率的にするためにスタックの各レイヤに導入された新機能が重点的に紹介されました。Google は、個別の AI ツールを組み合わせる段階からさらに一歩進んでエージェントのライフサイクル全体を支えるプラットフォームへ進化した統合 Agent Platform と、トレーニングと推論の両方に最適化された新世代の TPU を導入しました。これに加えて、世界初の Agentic Data Cloud（人間に合わせたスケールからエージェントのスケールへの移行に対応するよう設計されたシステム）と、AI を活用したサイバーセキュリティプラットフォームのアップデートも提供されます。このプラットフォームは、Google の脅威インテリジェンスとセキュリティ運用を Wiz のクラウド＆ AI Security プラットフォームと組み合わせることで、エージェントの時代における脅威の防止、検出、対応を実現します。

世界中の多様なスタートアップが、すでにこのスタックを実用化しています。たとえば、Photoroom は、高度に最適化された Google のコンピューティングを利用して、1 分あたり 1,000 枚以上の画像を処理しています。企業の顧客エンゲージメントの分野では、Satisfi Labs が Gemini、BigQuery、AlloyDB を活用して、スポーツ、エンターテイメント、観光業界の 800 社の顧客にインテリジェントなインタラクションとリアルタイムの分析情報を提供しています。一方、グローバルコラボレーションプラットフォームの Notion は、業界の先駆けとなって生産性向上ツールへの AI の統合を進めています。また、Mantis AI は、高スループットの推論パイプラインを運用して、主要な放送局に動画ネイティブのインテリジェンスを提供しています。

Google I/O 2026 では、より費用対効果の高いフロンティアモデルを導入し、これらのエージェント機能を開発ワークフローに直接組み込むことで、この基盤をさらに発展させることを発表しました。ローカルでのプロトタイピングとクラウド規模のギャップを埋め、アプリケーションの構築、テスト、配布をチームが簡単に行えるようにします。

Google I/O で発表されたスタートアップ向けの重要な発表と、それらをビジネスに適用する方法を見てみましょう。

1. よりスマートで高速なモデル

依然として多くのスタートアップがモデルを基盤として Google Cloud 上で構築を行っているため、進化したモデルを提供できることを嬉しく思います。この新世代のモデルは、驚異的な効率で最大限のインテリジェンスを提供します。

Gemini 3.5 Flash は、Flash ならではの高速性を維持しつつ、大規模なフラッグシップモデルに匹敵するインテリジェンスを提供します。Google 史上最も強力なエージェント型モデルであり、コーディングモデルでもあります。長期的なエージェント型タスクに取り組むのに最適で、通常、同等のモデルの半額以下の費用で利用可能です。
Gemini 3.5 Pro（事前発表）: Google のフラッグシップ推論モデルが来月正式にリリースされることを発表いたしました。
Gemini Omni は、テキスト、音声、画像、動画の入力を統合して動的な動画コンテンツを生成する画期的な新モデルです。Gemini Omni は、動画の作成と編集に非常に直感的なアプローチを提供します。e コマース向けのインタラクティブなバーチャル試着サービスの開発や複雑なポストプロダクションワークフローの合理化、あるいはカスタマイズされた動画ナラティブの生成など、どのような場合でも、Gemini Omni はコンテンツ作成と顧客エンゲージメントの深化に新たな方法を提示します。

スタートアップにとっての意味: DeepMind の最先端モデルを使用して直接構築できるようになりました。Google は AI の可能性を広げ続けています。新しいフロンティアを開拓すると同時に、スタートアップが拡大するために必要なスピードとコスト効率を提供します。

3.5 Flash は、Artificial Analysis 指標の右上象限に位置し、最先端レベルのインテリジェンスを驚異的なスピードで提供します。品質とレイテンシのトレードオフは不要になります。

2. ユーザーに寄り添う AI

Next ‘26 では、脅威ハンティングの SecOps エージェントやモジュール式のデータエージェントから、構成ミスを自律的に修正する自律型クラウドインフラストラクチャまで、スタックのあらゆるレイヤで煩雑な作業を処理する専用のエージェントが紹介されました。

しかし、この大規模で専門的なエージェントが能力を発揮するには、コーディネーターが必要です。Google Antigravity は、究極のコントロールプレーンです。これらの新しいアップデートにより、アプリケーションの構築、デプロイ、管理の方法が大きく変わります。

Antigravity 2.0: Mac、Windows、Linux 向けの専用のスタンドアロンデスクトップアプリケーションです。従来のコードエディタ（IDE）に縛られることなく、複雑な AI ワークフローを構築、テスト、オーケストレートするための「エージェントファースト」のワークスペースとして機能します。
Antigravity CLI と SDK: キーボードから離れたくないデベロッパーのために、スタックに依存しない超高速のコマンドラインインターフェースが用意されています。エージェントのシームレスな実行とモニタリングを可能にします。また、Python SDK で Google の内部エージェントインフラストラクチャを利用し、安定したエージェントループをプログラムでコーディングして制御することが可能です。
動的なサブエージェント: 特定のサブタスクを処理するための小規模で専門的な子エージェントを親 AI エージェントが自動で生成できるようになります。これにより、エンジニアリングの並列処理が大幅に向上します。たとえば、メインのローカルエージェントがデータベースクエリを Cloud Data Agent に委任したり、ローカルのコードレビューサブエージェントをスピンアップしたりできます。これらすべてが、メインのメモリスペースを占有することなく行われます。
タスクのスケジューリング: バックグラウンドタイマーと cron スケジュールを設定することで、手動のメンテナンス作業が不要になります。クラウドベースのオブザーバビリティエージェントをトリガーしたり、毎晩午前 0 時にローカルリポジトリの健全性チェックを実行したりする処理を Antigravity に指示して完全に自律的に実行させることができます。
エンタープライズグレードのセキュリティ: Antigravity は、ローカルのデスクトップとターミナルのエージェントループを、ユーザーのプライベート Google Cloud プロジェクトに直接接続します。Google Cloud の標準的なデータプライバシー保護と利用規約を継承することで、顧客データを組織の管理下に置き、デフォルトで安全なクラウド境界内でエージェントアクティビティを実行できるようになります。

スタートアップにとっての意味: コーディングアシスタントだけでなく、専門の AI エンジニアのチーム全体をすぐに利用できるようになります。Next でリリースされた専用のクラウドエージェントと Antigravity コントロールプレーンを組み合わせることで、小規模なチームでも、データパイプラインのオーケストレーション、セキュリティの管理、大規模な並列コーディングタスクの実行を、すべて 1 つの安全な環境から行うことができます。

Antigravity 2.0 は、エージェント主導の同時実行をデプロイできます。上の画像では、ウェブサイトの自動コード生成、ブランドに合ったアセットの作成、パーソナライズされた顧客向けメールの作成が例として示されています。シーケンスは一部省略されています。

3. 開発を加速するその他の方法

デベロッパーのワークフローを合理化し、プロンプトからプロダクションレディなアプリケーションへの移行をスムーズに実現できるようにします。今年のアップデートでは、これまで作業の遅延要因となっていたインフラストラクチャのセットアップを省略することに重点を置いています。

AI Studio でのネイティブ Android のサポート: 完全にネイティブな Android アプリを自然言語プロンプトを使ってブラウザ内で直接作成できるようになりました。これには Google Play Console のサポートが含まれており、デベロッパーはローカル SDK 環境を管理することなく、テストトラックにアプリを直接公開できます。
シームレスなハンドオフ: 新しいインテグレーションにより、Google AI Studio のプロジェクト全体をワンクリックでローカルの Antigravity 環境に直接エクスポートできます。これにより、コードベース、ファイル、会話のコンテキストがすべて転送されるため、ウェブプロトタイピングからローカル開発に移行しても、作業を中断したところから再開できます。
マネージドエージェント: 本番環境グレードのエージェントを構築するのに必要な複雑なインフラストラクチャの管理からリーンスタートアップチームを解放します。Gemini API と Google Cloud の Agent Platform の両方で利用できる新しい Managed Agents API は、Agent as a Service として機能するため、「マシンではなくミッションを管理」することができます。指示とツールを定義するだけで、1 回の API 呼び出しで、安全な短命性 Google Cloud サンドボックス内にエージェントをスピンアップできます。これにより、チームはバックエンドのメンテナンスという煩雑な作業から解放され、優れたエージェントエクスペリエンスの構築に専念できます。

スタートアップにとっての意味: プロトタイプから本番環境への簡単なパスを提供します。ブラウザでアプリのコンセプトを迅速にテストし、ローカルワークスペースに移動して詳細なオーケストレーションを行い、マネージドクラウドインフラストラクチャを使用してユーザー向けエージェントをデプロイできます。これにより、エンジニアリングチームは数週間にわたるセットアップとメンテナンスの時間を節約できます。

4. 個人の生産性を向上

Google は、エンジニアによるプロダクト開発の加速を推進する一方で、会社の運営に伴う日々の雑務を管理する創業者や経営者を支援したいとも考えています。

この課題を解決するために、Google は Gemini Spark を導入します。Gemini Spark は、Google Workspace やその他の日常的なツール全体でバックグラウンドで動作する、新しい 24 時間 365 日対応のパーソナル AI エージェントです。単に質問に答えるだけでなく、マルチステップのワークフローを自律的に実行できます。

たとえば、Spark は、重要な製品の遅延を特定し、チームのドキュメントを相互参照してタイムラインを再計算し、内部のトラッキングシートを更新し、投資家に最新状況を伝えるメールの下書きを作成できます。これらすべては、ユーザーの明示的な承認を待って実行されます。

スタートアップにとっての意味: Antigravity がプロダクトを構築する一方、Spark はデジタル参謀のような役割として機能します。Spark が日常的な手動の運用プロセスを処理するため、経営者は影響力の大きい戦略的なイノベーションに集中できます。

今すぐ構築を開始: Google for Startups AI Agents Challenge

世界中の対象スタートアップの創業者とデベロッパーが参加できるこのコンペティションでは、チームごとに 500 ドル分のクラウドクレジットと、新しい Agent Platform へのアクセスが提供されます。参加者は、自律型エージェントを構築しながら、総額 90,000 ドルの賞金獲得を目指して競い合います。

また、参加者それぞれの現在のフェーズに合わせて、複数のトラックをご用意しています。まったく新しいエージェントをゼロから構築したい場合でも、既存のプロトタイプを本番環境向けに最適化したい場合でも、あるいはエンタープライズ向け展開を見据えたビジネス対応のエージェントを仕上げたい場合でも、それぞれに適したトラックを選択できます。応募締切は 2026 年 6 月 5 日です。審査では、技術実装、ビジネスケース、革新性、最終デモをもとに評価が行われます。詳細の確認とお申し込みは、こちらからお願いします。

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

Google I/O '26 が Google Cloud でのエージェント開発にもたらすもの

Mon, 01 Jun 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 5 月 20 日に、Google Cloud blog に投稿されたものの抄訳です。

Google I/O では、Antigravity 2.0 と Managed Agents API を備えた統合開発ツールキットをご紹介しました。これにより、デベロッパーは共有プロトコルレイヤ上でローカルに構築し、クラウドに安全にデプロイできるようになります。このブログ記事では、Gemini Enterprise Agent Platform と Google I/O で発表された新しいデベロッパーツールの組み合わせ方、構築における選択肢の幅を整理し、実際にまず何から試すのがおすすめかをご紹介します。

Vertex AI が Gemini Enterprise Agent Platform に進化し、セッションメモリや一元化されたガバナンスなどの新機能により、エージェントの構築、スケーリング、管理、最適化を行うための包括的なプラットフォームとなりました。そして今回、これらの機能をローカルの開発ツールに直接展開します。Google の目標は、高速なプロトタイピングと、安全でコンプライアンスに準拠した企業向けデプロイの間のギャップを埋めることです。そのために、クイックスタートワークフローか、あるいはスタックの特定のニーズに合わせて本番環境を完全に制御するかを選択できる、モジュール式のアプローチを提供しています。

幅広い選択肢の中で、これらの要素がどのように位置づけられるかを整理すると、次のようになります。

4 つの段階: エージェント構築方法の全体像

エージェント開発のエコシステムは、4 段のはしごのようなものだと考えています。これは、すぐに使える構成から完全なコードファーストの制御まで、ニーズに合わせて調整できるスライダーのように設計されています。これらは意図的に積み上げ式に構成されており、下の段階から素早く始めたとしても、より高度なカスタマイズが可能な上の段階への移行が制限されることはありません。

4 つの段階すべてを支えているのが A2A プロトコルです。この相互運用性により、最初の段階で構築されたエージェントを 4 番目の段階でサブエージェントとして呼び出すことができ、アーキテクチャ全体を同じインフラストラクチャ上でシームレスにスケールできます。

1 段目: Agent Studio（ローコード）

Agent Platform 内のビジュアルワークスペース。Model Garden でモデルを見つけ、プロンプトをエンジニアリングし、ツールを接続して、コードを記述せずにエージェントをリリースします。ビジネス部門のチームや迅速なプロトタイピングに最適です。ここで構築するエージェントは、その下にあるすべてのものとまったく同じランタイムで実行されます。

2 段目: Managed Agents API

I/O で新たに発表された Managed Agents API は、「マシンではなくミッションを管理したい」と考えている技術チームを対象としています。エージェントの動作を定義するだけで、Google Cloud が煩雑な作業を代行するため、管理不要のサービスとしてのエージェント（Agent as a Service）として機能します。

Managed Agents API を使用してエージェントを構成し、Interactions API を使用してエージェントを呼び出します。指示、スキル、ツールをパッケージ化して POST すると、Gemini がエージェントを構築して実行します。

これをデプロイ可能にしているのは、安全性を重視して設計された Google Cloud サンドボックスです。エージェントハーネスは Google のサーバーで実行され、各エージェントには、スキル、Model Context Protocol（MCP）サーバー、サーバーサイドツールがプロビジョニングされた独自の一時的なサンドボックスがあります。A2A および Agent Platform のガバナンスおよびセキュリティとの完全なインテグレーションは、近日公開予定です。

3 段目: Antigravity とその仲間たち

Antigravity は、コーディングタスクやエージェントオーケストレーションに AI を活用したいと考えているデベロッパー向けの主要なソリューションであり、チームがアプリの構築とデプロイの方法を変革できるようにします。デベロッパー向けのコーディング戦略を、複数のサーフェスで共有されるこの単一の強力なハーネスに統合しました。

Gemini モデルファミリーと相互に最適化されており、高い効率性により開発サイクルを加速し、コストを削減します。Antigravity で開発したスキルは、さまざまなサーフェスでそのまま利用できるように設計されています。

コーディングワークフロー内で Google の高度な推論機能を活用し、カスタム開発ループを実装して、アプリケーションの構築、デプロイ、管理の方法を変革したいと考えている開発チームを対象としています。

このたび、以下の新しいツールによってこの機能を拡張しました。

Antigravity 2.0: コーディングエージェントの操作、カスタマイズ、オーケストレーションを行う一元化されたワークスペースを提供する、新しいスタンドアロンのデスクトップアプリケーションです。デベロッパーはこれを使用して、コードのリファクタリング、単体テストの生成、仕様に基づく新しいサービスコンポーネントのスキャフォールディングなど、エージェントをオーケストレートする複雑なタスクを管理できます。エージェントは 1 つのプロンプトからサブエージェントを生成でき、マルチエージェントオーケストレーションによりタスクを並行して実行できます。
Antigravity CLI: このツールを使用すると、Antigravity のすべての機能をコマンドラインで利用できます。Antigravity 2.0 と同じハーネス、同じエージェント、同じ品質のインテリジェンスを備え、ターミナルに合わせたプロダクトエクスペリエンスを提供します。速度とオーバーヘッドの削減に最適化されており、ユーザーに合わせて柔軟に変化します。CLI はデスクトップアプリと緊密に統合されており、認証、コンテキスト、スキル、構成を共有しているため、どちらのインターフェースでも一貫したエクスペリエンスが得られます。独自のランタイムを構築するには、Antigravity SDK を使用します。
エンタープライズセキュリティとコンプライアンス: Google Cloud のお客様は、Gemini Enterprise Agent Platform プロジェクトで Antigravity 2.0 と Antigravity CLI を使用できるようになりました。Cloud OAuth でログインし、Agent Platform プロジェクト ID とリージョンを設定するだけです。その結果、すべてのエージェント推論は安全なクラウド境界内の Agent Platform モデルを介して実行され、Google Cloud の標準的なデータプライバシー保護と利用規約を継承します。これにより、顧客データをお客様自身の管理下に置き、リージョンのモデルエンドポイントを利用できるようになります。

他のコーディングエージェントの統合

Antigravity は Google が推奨するエージェントコーディングソリューションですが、Google Cloud は、お客様が選択したあらゆるコーディングエージェントと連携して機能するように設計されています。Google のプラットフォームはオープンであり、柔軟性を確保するために次のようなツールを用意しています。

Agent CLI と Agent Development Kit（ADK）を使用すると、Claude Code などのツールを含むさまざまなソースからエージェントを構築して操作できます。つまり、デベロッパーは多くの場合、基盤となる AI 推論を Google Cloud で実行しながら、使い慣れたインターフェースを使い続けることができます。このアプローチにより、ワークフローにおいて Google Cloud のセキュリティ、コンプライアンス、インフラストラクチャのメリットを確実に享受できます。
Next でリリースされた Google Skills for Google products は、複数のコーディングツールと互換性を持つように設計されており、一貫した機能セットでさまざまなエージェントを強化できます。

この柔軟性により、チームは使い慣れたツールやモデルを統合し、確立されたワークフロー内でシームレスかつコンプライアンスに準拠した運用を確保できます。

4 段目: Agent Development Kit（ADK 2.0）

コードファースト、低い導入障壁（ローフロア）、高い柔軟性（ハイシーリング）。Managed Agents が構成ファーストであるのに対し、ADK はエンジニアリングファーストです。これは、カスタムエージェントメッシュをゼロから構築したいソフトウェアエンジニア向けのツールです。アーキテクチャやモデルを問わず、制約のない自由な開発が可能です。

ADK の機能強化が Google Cloud Next で発表され、すべてのお客様にご利用いただけるようになりました。ADK には、動的なモデル主導の推論から厳格かつ決定論的なワークフローまでスライダーで調整できる、グラフベースの統合エンジンが導入されています。このフレームワークは、サブエージェント、ツール、データが相互にどのように受け渡されるかを管理し、マルチエージェントの連携という煩雑な作業を処理します。

コラボレーションワークフロー（Python v2.0.0）: 以前はタスクベースのエージェントコラボレーション API と呼ばれていました。これは、自己管理型エージェントチームを構築するための機能です。コーディネーターは、明示的な動作モードを使用してサブエージェントに委任します。

チャット: 完全なユーザーインタラクション、親エージェントへの手動での復帰。これは「サブエージェントへの会話の引き渡し」です。
タスク: ユーザーインタラクションによる明確化、親エージェントへの自動復帰。これは新しい「この課題での共同作業」であり、他の 2 つのオプションの長所を兼ね備えています。
シングルターン: ユーザーインタラクションなし、並列実行、自動復帰、「ツールとしてのエージェント」。

動的ワークフロー: ADK の動的ワークフローでは、グラフベースのパス構造を脇に置き、選択したプログラミング言語の機能を最大限に活用してワークフローを構築できます。動的ワークフローでは、シンプルなデコレータでワークフローを作成し、ワークフローノードを関数として呼び出し、複雑なルーティングロジックを構築できます。
ADK Kotlin（ベータ版）:「ADK for Android」。Kotlin のサポートが加わったことで、Python、Go、Java と合わせて対応言語が増え、オンデバイスのモバイルエージェントとバックエンドの Python エージェントをシームレスに連携させることができます。

最後に、Agents CLI は、ADK、評価、デプロイ、オブザーバビリティ、公開に関する Google のエキスパートスキルをパッケージ化し、あらゆる AI コーディングエージェント（Antigravity、Gemini CLI、Claude Code、Cursor など）をエージェントアプリ構築とエージェントオペレーションのエキスパートに変えます。これにより、AI エージェントに Google Cloud エージェントスタックを理解するスキルが与えられ、広大なエコシステムが、エージェント構築の山登りに挑むデベロッパーにとってシームレスな組み立てラインに変わります。

これからの展開にご期待ください

エージェントの分野は急速に進化しています。Agent Platform は、安全かつ柔軟性に優れた基盤を提供します。Agent Gateway、ID 管理、Skill Registry などのコアコンポーネントが連携して、エージェントのための堅牢で管理された環境を確保し、ベンダーロックインなしで柔軟にイノベーションを実現できます。

プロジェクトに合った段階を選んでも、チームが好むコーディングエージェントを導入しても、どちらの場合も、最終的に行き着くプラットフォームは同じです。データは常に Cloud プロジェクト内に留まります。

この投稿を読んだ後に 1 つだけドキュメントを読むなら、Agent Platform のドキュメントにあるエージェントの概要をおすすめします。興味深いものを作成された際は、ぜひ共有してください。優れた事例は、次回のテンプレートに採用させていただきます。

皆様が構築されるソリューションを楽しみにしております。

- Google Cloud AI、ディレクター、Addy Osmani

- Google Cloud、プロダクトマネージャー、Alan Blount

エージェント型開発の未来: Data Agent Kit でデータ実務担当者のライフサイクルを再定義

Sun, 31 May 2026 16:00:00 +0000

※この投稿は米国時間 2026 年 5 月 20 日に、Google Cloud blog に投稿されたものの抄訳です。

現代のソフトウェア開発は、単一の場所で完結するものではなく、エージェント型ツールのエコシステム全体に広がっています。エージェントはかつてない規模で開発されており、コンテキストとグラウンディングのために、企業データに直接アクセスする必要があります。

しかし、エージェントの構築やデータ管理に使用される現在のツールは大きく断片化されています。そのため、データへのアクセスが難しくなり、セキュリティリスクが高まるだけでなく、開発者体験が損なわれ、イノベーションの妨げになる可能性があります。

この課題に対処するため、Google は最近、Data Agent Kit をリリースしました。これは、データエンジニアリングとデータサイエンスのスキル、ツール、プラグインをまとめた統合型のオープンソースコレクションです。VS Code、Claude Code、Codex、Gemini CLI、Antigravity CLI など、実務担当者がすでに使用している環境に直接統合できます。こうした中核的なツールやスキルを企業データとシームレスに結び付けることで、Data Agent Kit は、エージェントに必要なコンテキスト、メモリ、パーソナライズを支える包括的な基盤として機能します。Data Agent Kit には、以下が含まれます。

エージェント型スキル: クエリ最適化、ML のベストプラクティス、データ検証、データドリフトチェック、ガバナンス、トラブルシューティングなど、データ資産とやり取りするためのあらかじめコード化された手順。
Model Context Protocol（MCP）ツール: エージェント型ワークフローと、BigQuery、AlloyDB、Google Cloud Storage などのクラウドデータプラットフォームを安全に接続するツール。デベロッパーは、複雑な手動のパイプラインコードを管理しなくても、クラウドデータセットやデータ処理エンジンの接続パラメータを構成できるようになります。
プラグインと拡張機能: コンテキストを踏まえた高度な開発者体験を可能にするネイティブ IDE 統合。

これらの Data Agent Kit の機能を組み合わせることで、データ実務担当者は、手作業でコードを記述する従来の作業から、インテントドリブンなデータサイエンスとエンジニアリングへと移行できます。つまり、実現したいビジネス成果、制約、成功基準を定義すれば、AI で強化されたシステムがその実行方法を判断できるようになります。この変化は非常に重要です。現在、複雑なデータアーキテクチャを扱うエージェント型アプリケーションを構築する際には、多くの場合「コンテキストウィンドウ税」とも言える負担が発生します。つまり、デベロッパーは膨大な量のスキーマメタデータを手作業でプロンプトに貼り付ける必要があり、トークン上限を消費し、レイテンシも増加します。一方で、データ実務担当者は、クラウドデータを効率的にクエリ、最適化、トラブルシューティングする方法について十分なガイダンスを得られないことが多く、専門化され断片化した開発環境では、データ資産全体を見渡すことができません。Data Agent Kit は、こうした課題をはじめとするさまざまな問題に対応し、データ実務担当者が新しいエージェント型の働き方に移行するために必要な基盤機能を提供します。

Data Agent Kit の機能とメリット、インストール方法、ローカル環境をデータ資産に接続する方法、インテントドリブンエンジニアリングの例について、以下で詳しく説明します。

データ資産とライフサイクルを統合するハブ

Data Agent Kit を使用すると、データ資産全体を 1 つのビューで利用できるようになります。これは、BigQuery、AlloyDB、Spanner などのデータベース向けに単純なカタログを提供するだけのものではありません。データエンジニアリングとデータサイエンスのタスク、オーケストレーションパイプライン、ジョブを単一のインターフェースに統合します。これにより、実務担当者は、検出から本番環境への移行まで、データワークフロー全体をコンテキストを切り替えることなく管理できます。Data Agent Kit のインテリジェントなルーティングは、タスクに最適なコンピューティングエンジンを自動的に選択します。たとえば、SQL ネイティブな分析や ELT には BigQuery、カスタムの Python 変換や分散 ML トレーニングには Spark を選択できます。

データ資産とライフサイクルを統合するハブ

エコシステム主導のインテリジェンス: 体系化されたエージェント型スキル

Data Agent Kit は、Google Cloud のデータエンジニアリングとデータサイエンスの専門知識に基づき、事前定義されたエージェント型スキル（ML のベストプラクティス、ELT、データアプリの構築など）のライブラリを提供します。汎用的な LLM プロンプトに頼るのではなく、規範的なガイドラインをワークフローに組み込みます。これにより、エンタープライズグレードのデータインテリジェンスを IDE や CLI に直接取り込むことができます。

事前定義されたデータエンジニアリングおよびデータサイエンスのエージェント型スキル一覧を確認する

自然言語によるデータ探索の変革

Data Agent Kit は、この統合されたデータを基盤として、ワークスペース内でネイティブの会話型分析を直接提供し、データを簡単に探索できるようにします。Conversational BigQuery や Looker などのファーストパーティエージェントにも採用されている Gemini の自然言語から SQL への変換技術を活用することで、自然言語クエリを実行し、データセットのプロファイリング、検索、可視化を行うことができます。

Data Agent Kit では、会話型分析を使用してデータを探索できます。

実践的なチュートリアル: データの統合とモデルの構築

Data Agent Kit のスキルと MCP ツールがどのように連携するのかを確認するために、金融サービスのシナリオを考えてみましょう。ある企業で不正請求が増加しているとします。Cloud Storage に保存されたトランザクションデータを使用して、信頼性の高い不正検出モデルを構築し、オーケストレーションパイプラインをスケジュールする必要があります。従来であれば、複数のコンソールをまたいで何時間もデータラングリングを行う必要がありました。Data Agent Kit を使用すれば、この作業を IDE や CLI 内で直接、数分で完了できます。では、その方法を見ていきましょう。

オンボーディング: 1 分でセットアップ

統合されたセットアッププロセスにより、Data Agent Kit は 1 分以内に使い始めることができます。

IDE のマーケットプレイス（VS Code）で「Google Cloud Data Agent Kit」を検索するか、後述の「使ってみる」セクションにあるリンクから CLI（Gemini、Antigravity、Claude、Codex）向けの GitHub リポジトリにアクセスします。Data Agent Kit は依存関係を自動的に構成し、Google Cloud へのログインステータスを確認します。

アクティビティバーの Google Cloud アイコンをクリックし、IAM 経由で認証します。ログインすると、Cloud Storage、データベース、カタログアセットがワークスペースにすぐに表示されます。

設定メニューを使用してプロジェクト ID とリージョンを設定し、MCP のステータスを確認して、すべてのバックエンドサービスに必要な権限が付与されていることを確認します。Data Agent Kit には、ツールとスキルの使用方法を説明するクイックスタートガイドも含まれています。

インテントドリブンなデータエンジニアリングの例

Data Agent Kit をインストールすると、手動による ETL の定型作業を省き、コーディングアシスタント（Claude Code、GitHub Copilot など）に自然言語で大まかな目標を直接伝えることができます。アシスタントは Data Agent Kit のスキルを活用して、ワークフローを計画し、実行します。

プロンプト:

未加工のトランザクションログが GCS バケット gs://fin-clearing-raw/ に保存されています。

まず、Spark ノートブックを作成し、（1）これらのログを BigQuery の Iceberg テーブルに取り込みます。

次に、dbt プロジェクトを作成して、（2）重複を除去し、（3）無効なトランザクション ID を持つトランザクションを削除して別の Iceberg テーブルに保存し、（4）タイムスタンプを標準化して、その他の必要なクリーンアップタスクを実行し、（5）出力を別の Iceberg テーブルに同期し、（6）この出力テーブルを、支払い者と受取人の ID を含むテーブルと結合して、最終的な Iceberg テーブルに書き込みます。

3 つ目として、ノートブックを使用して Spark で ML モデルをトレーニングし、出力テーブル内の不正なトランザクションを検出したいと考えています。LightGBM モデルを検討していますが、他に提案があればそれも検討します。プロジェクト内の関連データセットを使用してください。

最後に、上述のパイプラインに Spark ノートブックを使用した推論ステップを作成し、バッチ推論を実行して、フラグが付けられたトランザクションを Spanner テーブルに書き込んでください。

まず取り込みを実行し、次に dbt、最後に推論ノートブックを実行するオーケストレーションパイプラインを作成してください。

内部の仕組み: データパイプラインの手順

Data Agent Kit は、探索から推論まで、データライフサイクル全体にわたる堅牢な複数ステップのオーケストレーションを背後で計画します。

ステップ 1: ノートブックの作成、取り込み、初期保存

ブロンズデータ、つまり金融取引に関する未加工でフィルタされていないデータを見つけ、変換を行う前に Iceberg テーブルに取り込みます。

Cloud Storage から未加工のログを取り込むためのノートブックを自動的に作成します。
必要な SQL を記述し、取り込んだデータを BigQuery の Iceberg テーブルに保存します。

Ingestion into a bronze table

ステップ 2: 変換（dbt プロジェクト）

次に、ブロンズデータをクリーニングし、シルバーテーブルとゴールドテーブルに変換します。

データの準備: トランザクションログの重複を除去します。
無効な ID のフィルタリング: 無効な ID を持つトランザクションを特定し、別の Iceberg テーブルに保存します。
クリーンアップと標準化: タイムスタンプを標準化し、その他の必要なクリーンアップタスクを実行します。
同期: BigQuery MCP サーバーを活用して、クリーニング済みのデータを別の Iceberg テーブルに出力します。
エンリッチメント: クリーニング済みのテーブルを、支払い者と受取人の ID 情報を含むテーブルと結合します。
最終出力: 結合したデータセットを最終的な Iceberg テーブルに書き込みます。

シルバーテーブルとゴールドテーブルを作成するためのデータ変換

ステップ 3: ML と推論

ゴールドテーブルができあがったら、次はデータサイエンス、つまりモデルのトレーニングと推論に進みます。ここでは、エージェントが前のステップでクリーンアップしたデータをモデルに渡し、不正のパターンを検出します。

トレーニング: Spark ノートブックを使用して ML モデルをトレーニングします。
推論: バッチ処理用の Spark ノートブック推論ステップを作成します。
保存: Spanner MCP を活用して、フラグが付けられた不正なトランザクションをすべて Spanner テーブルに書き込みます。

ML と推論

ステップ 4: オーケストレーションと実行

最後に、本番環境への移行に向けて、取り込み → 変換 → 推論というオーケストレーションパイプライン全体をスケジュールします。

オーケストレーションパイプラインと実行スケジュール

予期せぬ問題が発生した場合: エージェント型インシデント管理とインテリジェントな復旧

オーケストレーションパイプラインが失敗しても心配はいりません。Data Agent Kit は、インテリジェントなインシデント管理機能を使用して、解決までのプロセスを効率化します。

インテリジェントな診断: 根本原因分析を自動的に実施し、障害の発生源を特定します。
自律的な修復: 手動デバッグを介さずに、修正案を作成してテストします。
自動復旧: 自動化された Git ワークフローを通じて修正を検証し、デプロイします。

問題の診断と修復

これで、元データの探索から、完全に自動化された不正検出の仕組みの構築まで、同じ UX 内でわずか数分のうちに完了できます。複数のブラウザタブや IDE インターフェースを行き来したり、データエンジニアリングやデータサイエンスのベストプラクティスを一から学んだりする必要はありません。Data Agent Kit は、さまざまな MCP ツールと体系化されたスキルを活用し、クリーンなエンドツーエンドのフローをオーケストレートします。最終的に、このアプローチにより、最も重要なこと、つまり革新的で高性能なデータアプリケーションを大規模に提供することに集中できます。

使ってみる

Data Agent Kit は、このたびプレビュー版の提供を開始いたしました。まずは、お好みの IDE または CLI にインストールしてください。

詳細を確認して使い始めるには、ドキュメントをご覧ください。

- データクラウド担当グループプロダクトマネージャー、Brahm Kohli

- データクラウド担当エンジニアリングディレクター、Dinesh Chandnani

Google、Gartner® Magic Quadrant™ の AI アプリケーション開発プラットフォーム部門でリーダーに選出: 中間報告

Fri, 29 May 2026 03:15:00 +0000

※この投稿は米国時間 2026 年 5 月 14 日に、Google Cloud blog に投稿されたものの抄訳です。

2026 年 5 月の更新: この投稿は、レポートが初公開された昨年 11 月から半年後の時点での Google のポジショニングとプラットフォームの進化を反映して更新されました。

昨年秋、Google は Gartner® Magic Quadrant™ の AI アプリケーション開発プラットフォーム部門でリーダーに選出され、実行能力については評価対象となった全ベンダーの中で最高評価を獲得しました。

先週公開された中間報告では、Google がその勢いを維持していることが示されています。今回の報告で、Google はリーダーに選出され、実行能力において最も高い評価を獲得しました。また、関連する Critical Capabilities レポートでは、評価された 3 つのユースケースすべてでランキング 1 位を獲得しました。

昨年 11 月以降、プラットフォーム自体を含め、多くの変化がありました。Google Cloud Next ‘26 で、Google は Vertex AI のコア機能を Google DeepMind と Google Cloud の画期的な新技術と統合し、Gemini Enterprise として提供することを発表しました。その結果誕生したのが Gemini Enterprise Agent Platform です。これは、プロダクションレディなエージェントの構築、スケーリング、ガバナンス、最適化を支援する統合されたプラットフォームです。

以下では、Gartner レポートからも読み取れる、Google のエージェントプラットフォーム戦略の指針となる 3 つの原則を紹介します。

後付けではなく、デフォルトでガバナンスを適用

通常、ガバナンスを後から追加するものとして扱うと、過度な制限でイノベーションを妨げるか、一貫性のない手動チェックで組織を危険にさらすかという、いずれかの極端な結果になってしまいます。

Agent Platform では、エージェントのライフサイクル全体を管理するための統合された信頼フレームワークを提供します。これにより、すべてのエージェントが検証可能な ID を持ち、無秩序に乱立しないよう中央レジストリにインベントリとして登録されるほか、すべてのリクエストがセキュアゲートウェイを介してルーティングされるようになります。

これらの制御を Model Armor のリアルタイム保護や最近買収した Wiz の技術と統合することで、コード、クラウド、ランタイムを単一の共有コンテキストに接続させます。これにより、チームが環境全体のリスクを特定して修正できるようにします。

L’Oréal にとって、このアーキテクチャは、スクリプトによる自動化から自律型エージェントのオーケストレーションへの抜本的変化を可能にするものです。

「Google Cloud は、人間による監視を中核に据えつつ、（当社の Beauty Tech Data Platform を）グローバルにスケールするために必要なレジリエンス、マルチ LLM の柔軟性、エンタープライズグレードの信頼フレームワークを提供してくれます。」– L'Oréal、グループ CIO、Etienne Bertin 氏

長時間実行タスクの永続性

Chatbot と真のエージェントの違いは、タスクを最後までやり遂げる能力の有無です。エージェントが実際の成果を上げるには、ユーザーの同僚のように機能する必要があります。つまり、数日間にわたってコンテキストを維持し、複数のステップからなるプロセスを実行する能力が求められます。

Google は、Agent Runtime を再設計し、セッションをまたいでコンテキストを永続的に保持するメモリバンクを利用して、エージェントが数日間アクティブな状態を維持できるようにしました。これにより、人間の常時介入がない状況でも、エージェントは長時間にわたるビジネスプロセスを管理できます。

Payhawk では、このインフラストラクチャによってエージェントがビジネスに貢献できる範囲が根本的に変わりました。

「Payhawk は Gemini Enterprise Agent Platform を使用して、AI エージェントを単純なタスク実行者から真の財務アシスタントに変革しています。当社のエージェントは専任のチームメンバーのように行動し、ユーザー固有の制約や履歴を自律的に呼び出すようになりました。」- Payhawk、プリンシパル応用 AI エンジニア、Diyan Bogdanov 氏

予測可能な成果の可視化

非決定論的な世界では、エージェントが何をしたかを知るだけでは、全体像の半分しかわかりません。運用上の成果は、エージェントがそのように行動した理由を把握し、エージェントのパフォーマンスが低下し始めたときにユーザーに影響が及ぶ前にそれを検知するツールを持つことから生まれます。

Google は、AI エージェントのユースケースに関する Critical Capabilities レポートで最高スコアを獲得しました。これは、エージェントの推論をチームが深く把握できるようにするという Google の取り組みが正しかったことを裏付けるものです。Agent Platform でエージェントシミュレーションと軌跡評価を行うことで、組織は当て推量から脱却し、エージェントが実際のインタラクションで期待どおりに動作することを確認できます。

Burns & McDonnell の場合、この可視性を利用して、エージェントの創造的な推論を特定のビジネスルールでグラウンディングしています。

「Agent Platform は、決定論的なビジネスルールと確率的推論を組み合わせることで、このイノベーションを責任を持ってスケールできるようにします。これにより、AI は単なる生産性向上ツールではなく、信頼できる運用機能となります。Agent Platform を活用することで、知識を管理するだけでなく、経験を活かして、より迅速かつ的確な意思決定を促進しています。」- Burns & McDonnell、最高イノベーション責任者、Matt Olson 氏

オープンなエージェントエコノミーに対する Google の取り組み

プラットフォームは進化しましたが、選択肢、柔軟性、アクセシビリティに関する Google の基本的な理念は変わっていません。Model Garden では、Gemini 3.1、Gemma 4、Anthropic の Claude などのサードパーティの主要モデルを含む、200 を超える最高水準のモデルを継続して提供しています。

Google は、幅広いモデルを提供するだけでなく、オープンソースコミュニティと、より広範なエージェントエコノミーの相互運用性に対する投資も行っています。Google が提供するオープンソースの Agent Development Kit（ADK）は、オープンに構築するために必要なコアツールを開発者に提供します。プラットフォーム間のコラボレーションをさらに標準化するために、Google は Agent2Agent プロトコル（A2A）を Linux Foundation に寄贈し、Agent Payments Protocol（AP2）を FIDO Alliance に正式に寄贈しました。

また、Model Context Protocol（MCP）を基盤となる標準として採用し、エージェントを Google Cloud エコシステムに安全に接続させるために利用できる Google マネージド MCP サーバーを 50 個以上提供しています。これらは、安全でベンダーに依存しないエージェントトランザクションの実現に向けた長期的な取り組みです。

Google Cloud は、スタックに関係なく、あらゆるビジネスに役立つエージェントエコノミーの標準を構築しています。

2026 年 Gartner Magic Quadrant の更新版を無料でダウンロードするには、こちらをクリックしてください。

^{Gartner® Magic Quadrant™ AI アプリケーション開発プラットフォーム部門: 中間報告 - Cary Pillers、Mike Fang、Steve Deng、Jim Scheibmeir、2026 年 4 月 27 日}

^{Gartner® Critical Capabilities™ AI アプリケーション開発プラットフォーム部門: 中間報告 - Jim Scheibmeir、Cary Pillers、Steve Deng、Mike Fang、2026 年 4 月 28 日}

^{Gartner は、リサーチに関する発行物に掲載されている特定のベンダー、製品、サービスを推奨するものではありません。また、最高の格付けまたはその他の評価を得たベンダーのみを選択するように助言するものでもありません。Gartner のリサーチに関する発行物は、Gartner のリサーチ組織の見解を表したものであり、事実を表現したものではありません。Gartner は、明示または黙示を問わず、本リサーチの商品性や特定の目的への適合性を含め、いかなる保証も行いません。上の図は、リサーチドキュメントの一部として Gartner, Inc. より公開されているもので、ドキュメント全体の文脈に即して評価する必要があります。この Gartner のドキュメントをご希望の方は、Google にご請求ください。}

- Gemini Enterprise Agent Platform 担当ディレクター、Mike Clark

GKE 上の Agent Sandbox の一般提供開始のお知らせと Agent Substrate のご紹介

Fri, 29 May 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 5 月 21 日に、Google Cloud blog に投稿されたものの抄訳です。

AI は、単純なチャットインターフェースから、関数呼び出し、コード実行、持続的なターミナル使用が可能な自律型エージェントへと短期間で変化しました。しかし、これらの機能を安全にオーケストレートするには、エージェントにインテリジェンスだけでなく、コードを実行するための堅牢かつ安全でスケーラビリティに優れたコンピューティング環境も必要となります。

2025 年 11 月の KubeCon NA で GKE Agent Sandbox のプレビュー版を発表後、コミュニティでの導入は急速に進みました。Google Kubernetes Engine（GKE）上のサンドボックス数は 5 か月足らずで 16 倍以上に増加しました。

Google の主要なお客様である Langchain と Lovable をはじめ、その他多くのお客様が、数百万のエージェントを迅速に本番環境にデプロイしています。Agent Sandbox は、その発表以来、新しいプロジェクトから、安定した API を備えた成熟したプロダクトへと急速に進化しました。この安定性により、現在はより広範なエージェントエコシステムへの統合が促進され、重要なインフラストラクチャレイヤとして機能するようになっています。

この投稿では、この勢いをさらに加速させる次の 2 点についてお知らせします。

GKE Agent Sandbox の一般提供開始。これは、エージェントワークロードのための安全でスケーラブルな基盤となります。
新しいオープンソースプロジェクト、Agent Substrate のご紹介。これはエージェントインフラストラクチャの密度を限界まで高めることを目的としたものです。

安全で低レイテンシの実行を大規模に実現する

Agent Sandbox は、Kubernetes 上に構築されたオープンソースのクラウドネイティブな実行環境であり、AI エージェント固有のニーズに特化して設計されています。ビルダーが独自のインフラストラクチャ上で、信頼できないロジックを、業界最高水準のスピードと効率性で安全かつ確実に実行できるよう支援する基盤のインフラストラクチャを提供します。

今回のリリースでは、最新のエージェントワークロードの主な要件に対応します。

Pod スナップショットでアイドル状態のコンピューティングを削減: エージェントは、バースト性の高い短いサイクルの後に長いアイドル期間が続くことがよくあります。GKE Agent Sandbox は、エージェントの実行を続けるために貴重なコンピューティングリソースを無駄にしないために、Pod スナップショットと統合してアイドル状態のエージェントワークロードを一時停止し、リクエストに応じて数秒で再開します。
低レイテンシのサンドボックスプロビジョニング: リクエストごとに新しいサンドボックスインスタンスを初期化していると、数秒のコールドスタートレイテンシが不必要に発生します。GKE Agent Sandbox には、ウォームプールが統合された Sandbox API が採用されています。Agent Sandbox API に統合されたこのウォームプールにより、GKE はクラスタごとに 1 秒あたり 300 個のサンドボックスを 1 秒未満のレイテンシで割り当てることができ、割り当ての 90% が 200 ミリ秒以内に完了します。
費用対効果の高いウォームプール: GKE Agent Sandbox のウォームプールでは、サンドボックスの起動レイテンシを最小限に抑えるために、事前プロビジョニングされたレプリカが常に準備されています。サンドボックスウォームプールの維持費用を最小限に抑えるため、Agent Sandbox はスタンバイ容量バッファ（一時停止された VM）と統合され、一時停止されたサンドボックスのコールドプールから、わずかな費用で迅速にウォームプールを補充できるようになっています。
堅牢なセキュリティと分離: Agent Sandbox は gVisor とデフォルト拒否の Kubernetes ネットワークポリシーにネイティブに対応しています。Agent Sandbox は、Kata Containers などのオープンソースサンドボックス用のプラグ可能なインターフェースを提供しているため、ユーザーはカーネルの分離をカスタマイズできます。

コンピューティングの需要が高まり続けるなか、このリリースにより、お客様は幅広い Google Cloud コンピューティングオプションを利用できるようになります。GKE Agent Sandbox は、Axion プロセッサで実行した場合、同等のハイパースケーラークラウドプロバイダと比較して最大 30% 優れたコストパフォーマンスを実現します。

エージェントインフラストラクチャにおける次の革新的な一歩: エージェント型ワークロードは、数千万から数億のインスタンス数にスケールアップしながら、それと同時に、人間による操作、イベント、トリガーを待ってアイドル状態になることが増えています。こうしたワークロードでは、引き続きカーネルとネットワークの強力な分離が求められるため、高密度なスケジューリングが課題となっています。このレベルのスケールと迅速な一時停止と再開への対応により、Kubernetes コントロールプレーンは限界に達しています。そのため、Google は、超大規模エージェントのパフォーマンスと密度に関するニーズに対応することを目的とした新しいオープンソースプロジェクトである Agent Substrate をスタートさせました。

Agent Substrate は、準備されたコンピューティング容量（もちろん Kubernetes で実行）にリアルタイムでエージェントを移動させたり、そこから別の場所に移動させたりする新しいレベルの抽象化を採用しています。Agent Substrate は、Agent Sandbox のコアとなる安全なランタイム機能とスナップショット機能を、Kubernetes の一部の制限を回避するように設計された最小限のコントロールプレーンと組み合わせるもので、それ以外の部分は変わりません。

これにより、Agent Substrate はクリティカルパスを最適化して、より高いスケールと効率でレイテンシを低減できます。標準の Kubernetes は数千の長時間実行サービスを処理するように最適化されていますが、Agent Substrate は、標準のコントロールプレーンでは処理しきれない、数百万に及ぶ 1 秒未満のツール呼び出し向けに設計されています。Agent、Agent Harnesses、そして新しい Agent Executor プロジェクトを含む Agent Runtime に最適な基盤となります。

Agent Substrate の目標は、より迅速な移動と、より大きなスケールのために、あらゆる可能性を模索することです。このレベルのスケールと効率性を実現するには、現在のコンピューティングインフラストラクチャの限界を押し広げる必要があり、あらゆる可能性を検討する必要があります。その一つとして、スケジューラの中核にデータの局所性を組み込み、エージェントの状態とスケジューリングを連携させて、オーバーヘッドをミリ秒単位で可能な限り削減する取り組みがあります。

オープンな環境で未来を築く

Kubernetes の初期には、同様の課題に取り組む多様なコントリビューターからのフィードバックと視点が、プロジェクトを成功に導くために不可欠でした。エージェントインフラストラクチャも同様の転換点にあると Google は考えています。これから、徹底的にオープンで共同的なイノベーションの威力を再現し、エージェントインフラストラクチャの未来を共に築いていきたいと願っています。オープンな環境で Agent Substrate プロジェクトを始動させることで、コミュニティの皆様に、この重要な次世代のインフラストラクチャの設計と構築へのご協力をお願いしたいと思います。

使ってみる

自律型エージェントの未来に向けて、スタックの重要なレイヤの構築を継続できることを嬉しく思います。ぜひ Agent Sandbox をワークロードにご活用ください。また、オープンソースコミュニティに参加して、エージェントネイティブインフラストラクチャの次のフェーズとなる Agent Substrate でコラボレーションしましょう。

GKE で Agent Sandbox を試す
Agent Sandbox のオープンソースコミュニティに参加して協力する
Agent Substrate を確認する

- GKE プロダクトマネージャー Brandon Royal

- GKE ソフトウェアエンジニア Tim Hockin

AI Edge Portal を使用してオンデバイス LLM のベンチマークと最適化を行う

Fri, 29 May 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 5 月 21 日に、Google Cloud blog に投稿されたものの抄訳です。

LLM は小規模でも高い性能を実現できるようになりましたが、スマートフォンなどのエッジデバイスへのデプロイは依然として大きな課題です。現在、デベロッパーは、アクセラレータ、オペレーティングシステム、無数のシステムオンチップ（SoC）構成の広範な組み合わせにわたって最適化を行う必要があるものの、多くの場合は少数のデバイスでの手動テストに頼っています。Google AI Edge Portal は、こうした課題の解決に役立ちます。

Google AI Edge Portal を使用すると、120 種類以上の代表的な Android デバイスタイプで ML ワークロードをテストできるため、あらゆる CPU、GPU、NPU のバックエンドにわたり、レイテンシとパフォーマンスに関する詳細な分析情報が得られます。

この投稿では、生成 AI の時代に向けて Google AI Edge Portal を拡張する 2 つの新機能、オンデバイス LLM のベンチマークとデバッグについてご案内します。これらの新しいサービスにより、デベロッパーは Android エコシステム全体で生成 AI のパフォーマンスを正確かつ効率的に最適化することができます。

120 種類以上のモバイルデバイスで LLM のベンチマーク評価を行う

ユーザーがアプリ内で LLM を対応機能を利用する際には、デバイス上で高速かつ安定したパフォーマンスを期待します。初期化時間などの一般的な課題があると、アプリがフリーズしたように見えることがあります。最悪の場合、モデルが使用可能なメモリを使い切ってしまうと、完全にクラッシュすることもあります。

Google AI Edge Portal の最新リリースでは、120 種類以上の多様な Android デバイスから構成される物理ラボで、自動化された生成 AI ベンチマークを直接実行し、これらのシナリオを具体的にテストできるようになりました。Portal は、LiteRT-LM 形式の LLM に対する CPU と GPU のベンチマークをネイティブにサポートしています。

お客様は 120 種類以上の Android デバイスで生成 AI モデルのベンチマークを行い、初期化時間、プリフィル速度、デコード速度、メモリのピーク使用量などの指標を確認できます。

Portal で生成 AI のベンチマークジョブをトリガーすると、エンドユーザーがデバイス上で AI アプリを操作する際の体験を左右する以下の重要な指標がプロファイリングされます。

指標	測定するもの	デベロッパーにとっての重要性
初期化時間	モデルをメモリに読み込むのにかかる時間を測定します。	初期化時間が長いと、アプリの起動時に遅延が発生したり、ユーザーインターフェースがフリーズしたりする可能性があります。
プレフィル速度	デバイスがプロンプトトークンを処理して最初の出力トークンを生成するまでの速度を測定します。	ユーザーが最初の回答を見るまでの初期遅延を決定します。
デコード速度	モデルが回答中にトークンを生成する速度を測定します。	出力が生成される速度を決定します。
ピークメモリ	RAM の最大使用量をモニタリングします。	特にメモリが限られたデバイスで発生しやすい「メモリ不足」によるクラッシュのリスクを検出します。

これらの分析情報により、モデルをホストできる状態のデバイスを確信を持って決定し、出荷前にデバイスターゲティングのために LLM を調整または最適化できます。

Model Explorer でパフォーマンスを簡単にデバッグする

ベンチマークが役に立つのは、確認されたパフォーマンスの問題を修正できたときです。LLM のパフォーマンスが低かった場合、複数のレイヤと数千のノードからなる複雑なグラフの中から根本原因を見つけるのは、デベロッパーにとって気の遠くなるような作業です。面倒で時間のかかる検索が必要となり、数日とは言わないまでも数時間はかかることがあります。

このギャップを埋めるために、モデルグラフを簡単に可視化して比較できる機能を Portal に追加しました。ネイティブに統合されたグラフ可視化ツールである Model Explorer を使用すると、特定のノードを検索して見つけたり、同じタブでモデルを並べて比較したり、テンソルの形状を表示したり、入力と出力をトレースしたりできます。また、チームによるデバッグをさらに迅速化するために、特定のビューのスクリーンショットを作成して、Google Cloud で共同作業者と直接共有する機能も追加しました。

こうした可視化は、最適化の対象を特定する最も効果的な方法の一つです。

変換: Model Explorer の 2 つのビューの比較ツールを使用すると、変換の異常を簡単に特定できます。このインターフェースでは、特定のレイヤを選択的に展開または折りたたむことで、複雑なモデルアーキテクチャを走査し、内部の依存関係と構造ノードを細かい粒度で分析できます。
量子化: Model Explorer は、量子化がパフォーマンスを損なう可能性がある特定のオペレーションを検出するのに役立ちます。エラー指標を使用してレイヤを並べ替えることで、精度低下を特定し、レイヤごとの詳細なデータにアクセスするとともに、さまざまな量子化戦略を評価して、モデルのフットプリントと出力品質の最適なバランスを実現できます。
最適化: Model Explorer を使用してハードウェアの互換性を可視化し、オペレーションをレイテンシ別に整理して、異なるハードウェアアクセラレータ間でオペレーションごとのパフォーマンスを詳細に比較できます。

Model Explorer では、モデルグラフを確認し、特定のレイヤを検索し、モデルを並べて比較して、パフォーマンスをデバッグできます。

今すぐオンデバイス LLM のベンチマークを開始する

オンデバイス LLM の時代が到来した今、ベンチマークにおける重要なギャップを埋め、現在、販売中の何千種ものスマートフォンに AI の機能を提供するお手伝いができることを嬉しく思います。これらの最新機能をご利用になるには、こちらの登録フォームからお申し込みください。

Google AI Edge Portal は現在、許可リストに登録されている Google Cloud のお客様を対象に限定公開プレビュー版として提供されています。限定公開プレビューの期間中は無料でご利用可能で、プレビュー版の利用規約が適用されます。現在、許可リストに登録されているすべてのお客様は、自動的に新機能にアクセスできるようになります。

Google AI Edge Portal を使用して、皆様がどのような生成 AI 機能を幅広いデバイスにデプロイできるようになるのか楽しみにしています。

^{このリリースの拡張を可能にした次のチームメンバーと協力者の貢献に感謝します。Akshat Sharma、Ami Kubota、Charlie Xu、Chunlei Niu、Cormac Brick、Derek Bekebrede、Eric Yang、Jing Jin、Kathleen Low、Matthias Grundmann、Marissa Ikonomidis、Na Li、Ram Iyengar、Sachin Kotwani、Sommayah Soliman、Tenghui Zhu、Xiaoming Hu、Zi Yuan}

- Google プロダクトマネージャー、Derek Bekebrede

AI & 機械学習

豊田自動織機ITソリューションズ: Gemini Enterprise を一斉展開し、業務効率化とナレッジ集積、人材の育成・確保を実現

激変する IT 業界の中でスタートした業務改革「TIIS-X プロジェクト」

PoV の成功を踏まえて、500 ライセンスを全社員に一斉に展開

Gemini Enterprise の活用は、新たなる価値創造に向けた切り札になる

次世代の Confidential AI を推進

Confidential Computing によるプライバシーへの取り組み

Google Cloud での Apple Private Cloud Compute（PCC）の活用

プライベート AI インフラストラクチャの未来を築く

レポート: GKE Inference Gateway が AI 応答を最大 92% 高速化

低レイテンシ AI の秘訣: 接頭辞キャッシュ

GKE は他のマネージド Kubernetes ソリューションを上回るパフォーマンスを発揮

生成 AI 推論ワークロードを加速させる準備はできていますか？

ソフトウェア開発で真の費用対効果を引き出す方法: DORA の最新の調査を詳しく解説

インサイト 1: AI の価値実現における J カーブを乗り切る

インサイト 2: AI への投資の成果をめぐる市場の二極化を理解する

インサイト 3: AI の費用対効果を計算することが不可欠

始める

Managed Service for Apache Spark クラスタの新機能

ネイティブ実行エンジン Lightning Engine で高速化

Lightning Engine の技術的な詳細と Lowe’s の事例の紹介

より簡単に: フレキシブル VM でリソースの入手可能性を最大化

より簡単に: ゼロスケール クラスタとスケジュール設定による停止

よりスマートに: Managed Service for Apache Spark MCP サーバー

よりスマートに: Data Agent Kit で AI 導入を加速

よりスマートに: 次世代の Lakehouse

次世代ランタイム: Spark 4.1 を搭載したクラスタ イメージ 3.0

使ってみる

フルマネージドの AlloyDB 向けリモート MCP サーバーが一般提供開始

AlloyDB がエージェント型アプリの強固な基盤となる理由

AlloyDB にとってリモート MCP が重要な理由

動作を確認してみる: 簡単なデモ

次のステップ

Claude Fable 5: Google Cloud で一般提供を開始

Gemma で実現するデータ拡充のリアルタイム アーキテクチャ: Trustpilot の事例

大規模で高度なレビュー インテリジェンスを実現

オープンモデルをファインチューニングする理由

システム アーキテクチャ

パフォーマンス チューニング

課題

結果

日立と Google Cloud、FDE によるフィジカル AI の社会実装と セキュリティ領域での戦略的アライアンスを拡大

背景

戦略的アライアンスでの新たな取り組み内容

「Google for Startups Accelerator: 中東、北アフリカ、トルコ」に新たに選出された企業の紹介

最新の「Google for Startups Accelerator: 中東、北アフリカ、トルコ」のコホートの紹介

成果を上げるためのカリキュラム

MENA-T の成長に向けた Google の取り組み

TPU 上で兆単位のパラメータを扱うモデルのクラスタレベルの信頼性

AI スーパーコンピュータの信頼性

詳細: 大規模な可用性の計算

最新の AI ハードウェアの規模

ML の生産性向上

次世代の AI ブレークスルーを実現

一般提供が開始された Nano Banana 2 と Nano Banana Pro がクリエイティブなワークフローを強化

Nano Banana モデルを活用したイノベーションの例

クリエイティブとマーケティングのイノベーションの促進

小売と顧客対応の変革

次世代のメディア制作ワークフローの構築

エンタープライズ グレードのマルチモーダル エクスペリエンスの構築を開始する

Cloud Run、Firebase、Cloud SQL を使用したフルスタックのバイブ コーディングが AI Studio で可能に（クレジット カードは不要）

手軽に導入: Google Cloud スターター ティア

Cloud SQL でフルスタックのバイブ コーディングを強化

Firestore と Firebase Auth を使用したフルスタックのバイブ コーディング

AI Studio を使ってみる

Gemini Live Agent Challenge: 受賞者とハイライトを発表

Google Cloud Next '26 で各部門の受賞者を発表

受賞者

Orion - 音声指示による手術 AI アシスタント | Gemini Live Agent ハッカソン

ドローン コパイロット: Gemini Live API を使用した音声制御ドローンと自律検査

Sankofa デモ動画

Moonwalk のデモ動画 #geminiliveagentchallenge

Wand -- ユーザーとともに見て、検索して、クリックするライブ対応エージェント

JohnKeats.AI — 黙るべき時を知るために構築された初の AI エージェント

Rayan - 3D の記憶の宮殿が聞き取り、記憶し、話しかける

Ekaette - マルチモーダル AI 音声およびメッセージング アシスタント

vibeCat - プロアクティブなデスクトップ コンパニオン

Call My Parts AI Tool : ハッカソン Gemini Live 2026

Relay - 電子機器向けのリアルタイム Voice AI および Vision AI チューター | Gemini Live API + Google Cloud

この流れを推し進めましょう

より簡単に: ゼロスケールクラスタとスケジュール設定による停止

次世代ランタイム: Spark 4.1 を搭載したクラスタイメージ 3.0

Gemma で実現するデータ拡充のリアルタイムアーキテクチャ: Trustpilot の事例

大規模で高度なレビューインテリジェンスを実現

システムアーキテクチャ

パフォーマンスチューニング

日立と Google Cloud、FDE によるフィジカル AI の社会実装とセキュリティ領域での戦略的アライアンスを拡大

エンタープライズグレードのマルチモーダルエクスペリエンスの構築を開始する

Cloud Run、Firebase、Cloud SQL を使用したフルスタックのバイブコーディングが AI Studio で可能に（クレジットカードは不要）

手軽に導入: Google Cloud スターターティア

Cloud SQL でフルスタックのバイブコーディングを強化

Firestore と Firebase Auth を使用したフルスタックのバイブコーディング

ドローンコパイロット: Gemini Live API を使用した音声制御ドローンと自律検査

Ekaette - マルチモーダル AI 音声およびメッセージングアシスタント

vibeCat - プロアクティブなデスクトップコンパニオン

他のコーディングエージェントの統合

インテントドリブンなデータエンジニアリングの例

内部の仕組み: データパイプラインの手順

120 種類以上のモバイルデバイスで LLM のベンチマーク評価を行う