AI & 機械学習

Gemini Cloud Assist: ユーザーの指示を待たずにユーザーに代わって機能するプロアクティブなクラウド運用

Thu, 07 May 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

このたび、Google Cloud Next において、よりプロアクティブな運用を可能にするアップデートが AI 支援型クラウド運用プラットフォームの Gemini Cloud Assist に導入されたことを発表いたします。このアップデートにより、Google Cloud の運用が手動のワークフローから、エージェントの強力なエコシステムに支えられたプロアクティブでインテリジェントなエクスペリエンスに移行します。

このアップデートの重要性: 新しいエージェントアーキテクチャにより、Gemini Cloud Assist が煩雑なクラウド管理作業をユーザーに代わって処理できるようになります。インテリジェンス、企業のコンテキスト、Gemini の機能を運用レイヤに直接組み込むことで、Gemini Cloud Assist は、アプリケーションの設計、問題のトラブルシューティング、コストの先行的な最適化など、これまで人間の継続的な監視が必要だった複雑なタスクをプロアクティブに実行します。エンタープライズ規模のシステムでこのアプローチを採用すれば、開発速度が向上し、解決までの時間が短縮されます。

新機能:

自然言語と Gemini の機能を使用することで、再設計された App Design Center での設計から新規のデプロイまたは既存のマルチリソースデプロイメントまでの時間を短縮できます。
gcloud、kubectl、Terraform を使用してインフラストラクチャ運用を自動化し、プロアクティブなマルチターンエージェントを使用してインシデントのトラブルシューティングと解決を行います。
支出の急増を分析してオンデマンドで詳細な費用レポートを生成するプロアクティブな FinOps エージェントにより、24 時間 365 日、費用の異常を検出できます。
どこからでもサポートを提供。Google Cloud MCP サーバーとプロアクティブなエージェントを基盤とする Gemini Cloud Assist は、設計、運用、トラブルシューティング、最適化の機能を公開された MCP サーバーとして公開し、IDE から直接利用できるようにしています。

「Gemini Cloud Assist は当社の開発チームを大いに助けてくれました。Google Cloud に関する質問について、開発チームに連絡する回数やタッチポイントが 60% 減少しました。これにより、当社のクラウドチームはより効果的にスケールし、より複雑なタスクに集中できるようになりました。」- Petco、シニアクラウドエンジニア、Oscar Aldana Assad 氏

エージェント型の Gemini Cloud Assist がどのように運用を支援できるか、詳しく見ていきましょう。

App Design Center で本番環境への準備を加速

Gemini Cloud Assist は、App Design Center のインテリジェントな推論エンジンとして機能し、自然言語のインテントと、視覚的でプロダクションレディなアーキテクチャとの橋渡し役を果たします。Gemini Cloud Assist は App Design Center を活用し、インフラストラクチャの目標を平易な言葉で記述することで、デプロイ可能な Terraform を含むビジュアルデザインを自動的に作成します。これらのテンプレートは、Google Cloud のベストプラクティスアーキテクチャガイダンスに基づいており、セキュリティ、信頼性、コンプライアンスを設計段階から実現するのに役立ちます。Security Command Center と統合されているため、組織のポリシーに準拠したアイデアを迅速にデプロイできます。

プラットフォームチームは、事前承認されたテンプレートの共有カタログをキュレートし、独自のカスタム Terraform モジュールを設計プロセスに直接統合して、管理されたフレームワークを提供できます。この確立された信頼性の高いアプローチは、デベロッパーがデプロイの初日から組織のセキュリティとコンプライアンスのガードレールを遵守するのに役立ちます。Gemini は、クラウドリソースを更新するためのインタラクティブなマルチターン問題解決により、最初のデプロイだけでなくアプリケーションのライフサイクル全体をサポートします。

事後対応型から事前対応型の修復へ

本番環境では、Gemini Cloud Assist によって運用を事後対応のトラブルシューティングから仮説の迅速な分析に移行させ、解決までの時間を短縮することができます。アラートによってトリガーされた Gemini Cloud Assist は、シグナルをプロアクティブにクラスタ化して分析し、問題がエスカレートする前に調査を開始します。Gemini 3 を搭載した Gemini Cloud Assist は、ログと指標を関連付け、インフラストラクチャのシグナルからアプリケーションコードにまで掘り下げて根本原因を特定します。Gemini Cloud Assist は、ツール呼び出しを介して複数の仮説を同時に検証し、観測結果の技術的な分析を一元化された UI に表示します。根本的な Google Cloud の問題に対処するために人間の介入が必要な場合、ユーザーは完全なコンテキストを Google サポートに引き渡すことができます。これにより、構成やコンテキストのデータを共有するために必要な反復処理を最小限に抑えることができます。

24 時間 365 日体制での費用の異常の特定

Gemini Cloud Assist はプロジェクトの事前最適化エージェントとして機能し、経済的な健全性の維持を支援します。Gemini Cloud Assist は 24 時間 365 日バックグラウンドで実行され、費用の異常をモニタリングし、根本原因分析を提供します。費用の急増を、新しいリソースの作成、自動スケーリングイベント、料金の変更などの特定のエンジニアリングトリガーと関連付けます。自然言語でリソース使用率をクエリして、AppHub に登録されているプロジェクトとアプリケーションごとに、オンデマンドの表形式レポートを生成できます。これにより、手動でデータを集計することなく、「誰が、何を、いつ、どのように」使用したかを詳細に把握することができます。たとえば、「昨日、アプリケーションの費用が増加したのはなぜですか？」や「先月のプロジェクトの費用はいくらでしたか？」と質問すると、Gemini Cloud Assist は費用データとインフラストラクチャの変更、監査、モニタリングのログを関連付けて正確な回答を返します。

あらゆる場所でアシスタンスを提供

Google は、利用可能なサーフェスの拡大により、ユーザーが実際に作業する場所で Gemini Cloud Assist を利用できるように努めています。Gemini Cloud Assist エージェントは、コンソールとモバイルインターフェースからすでにアクセスできるようになっています。また、Model Context Protocol（MCP）に新たに対応したことで、Gemini Cloud Assist を Gemini CLI、任意のエージェント IDE や CLI のほか、ServiceNow や Slack などのサードパーティツールチェーンで利用できるようになりました。既存のワークフローにプロアクティブな支援を統合することで、チームはコンテキストの切り替えを回避し、フローの中断を防ぐことができます。

プロアクティブな機能を簡単に利用

Gemini Cloud Assist は、新しいアプリケーションのデプロイからクラウド内の既存のアプリケーションの管理まで、マルチエージェントアプローチを提供し、アプリケーションのエンドツーエンドのライフサイクルを管理できるように設計されています。Gemini 3 のサポートにより、Gemini Cloud Assist では以下のことが可能になりました。

開発速度の向上: ベストプラクティス、セキュリティポリシー、企業のコンプライアンスを統合するインテント駆動型アーキテクチャを使用して、本番環境への準備を加速します。
本番環境の運用を合理化: Gemini によるトラブルシューティング、推奨事項、修復を通じて、本番環境の問題のトリアージ、診断、解決を迅速化します。
費用最適化の自動化: プロジェクトの費用の異常を毎日自動的に検出、分析し、根本原因の特定やアラート通知を行います。
チームのニーズに対応: Google Cloud コンソールから CLI や IDE に至るさまざまなサーフェスからプロアクティブなエージェントと MCP ツールを通じて機能を利用できるため、チームはフロー状態を維持できます。

運用の未来はエージェントにあります。今すぐプロジェクト設定で Gemini Cloud Assist を有効にして、プロアクティブなクラウドの利用を開始しましょう。

- Cloud Foundations 担当バイスプレジデント兼ゼネラルマネージャー、Michael Bachman

- プロダクト管理担当シニアディレクター、Ines Envid

Salesforce と Google Cloud、パートナーシップを拡大

Fri, 01 May 2026 01:00:00 +0000

^{※本記事は 2026 年 4 月 22 日に米国で公開された}^{プレスリリース}^{の抄訳です。本記事の正式言語は英語であり、その内容および解釈については英語が優先されます。}

Google Cloud と Salesforce （NYSE: CRM）は Google Cloud Next ‘26 で、パートナーシップの拡大を発表しました。これにより、長年の課題であったデータの断片化やシステムの連携不足を解決し、AI エージェントが両プラットフォームを横断してエンドツーエンドのワークフローを実行できるようになります。Salesforce とGoogle Cloud の新たな連携により、顧客は Slack や Google Workspace などのツールに AI エージェントを展開することが可能となります。また、Agentforce とGemini Enterprise がバックグラウンドでインテリジェンスとコンテキストを提供します。これにより、AI エージェントはシステムを横断して業務を行うことが可能になり、リスクを伴うデータ移動が削減され、コンテキストの切り替えに費やされる時間のロスも解消されます。

このパートナーシップの拡大に伴い、両社は、顧客が手動による管理から自律的な運用へと移行しやすくする新機能も開発します。従業員は業務が行われている現場で連携し、自社の技術スタックを活用して複雑なワークフローを実行できるようになります。これらの統合により、Google Cloud と Salesforce は、エージェンティックエンタープライズ（英語）のあらゆるレイヤーにおいて連携します。これには、生のインテリジェンスを企業の業務へと変換するあらゆる「コンテキスト供給のためのシステム（System of Context）」「業務のためのシステム（System of Work）」「AI エージェントのためのシステム（System of Agency）」「エンゲージメントのためのシステム（System of Engagement）」が含まれます。

Salesforce プレジデント兼チーフ・エンジニアリング・オフィサーのスリニ・タラプラガダは、次のように述べています。「企業はエージェンティック AI に全社的に取り組む準備が整っており、そのためには企業全体で運用可能なインフラストラクチャとモデルが必要です。 Google Cloud とのパートナーシップ強化により、両社共通のお客様にまさにそれをご提供できるようになりました。お客様はビジネスのあらゆる分野に Agentforce を導入し、エージェンティックエンタープライズへの変革を加速させることができます」

チームがすでに利用している環境で業務を行う：Slack、Google Workspace、そして Gemini Enterprise

現代の業務環境では、目に見えない切り替えの負担が横行しており、平均的な従業員は毎日 2 時間もの生産性を奪われています。セキュリティ上のエスカレーションは Slack で発生し、背景情報は Google ドキュメントにあり、承認プロセスは Salesforceで処理され、関係者の調整はメールで行われています。こうした個別のソリューションを寄せ集めるのではなく、企業は相互に連携したエンゲージメントシステムを構築できるようになりました。これにより、チームは社内のあらゆる業務を迅速に進め、一つの会話からアイデアをエージェント型の行動へと転換することが可能になります。

主な連携機能：

Slack と Google Workspace：ユーザーは、Slackbot にリクエストするだけで、あらゆる依頼を洗練された Google Workspace のコンテンツに即座に変換できます。プロンプトを受けると、Slackbot は Slack のスレッドや Google スライド、ドキュメント、スプレッドシート、PDF などの関連する Slack と Google Workspace の情報を取得し、情報をインテリジェントに整理して、すぐに共有できるファイルとして提供します。これにより、情報の検索、作成、提示の間のギャップを解消します。
Slack 内の Gemini Enterprise： Gemini Enterprise は Slack 内から直接アクセス可能で、アプリ全体からコネクターや関連情報にアクセスできる強力な検索・アシスタントツールとして機能します（例えば、 Slack のスレッドと併せて Google Meet の議事録を要約するなど）。
Gemini Enterprise 内の Agentforce Sales：Agentforce Sales の AI エージェントは、Gemini Enterprise を離れることなく、安全かつリアルタイムで、見込み顧客とのやり取りや面談サマリの作成、案件のリスクやガイダンスの提示、パイプラインや CRM の更新管理を行うことができます。手作業を自動化することで、営業担当者は顧客との関係構築や成約に集中できるようになります。

Wayfair の CTO のフィオナ・タン（Fiona Tan）氏は、次のように述べています。
「Wayfair は、エージェンティックエンタープライズの構築に取り組んでいます。カスタマーサービスから物流に至るまで、業務のあらゆる分野にインテリジェントな AI エージェントを組み込み、何百万人もの人々が我が家のような居心地の良さを感じられるようにしています。このビジョンを実現する上で、 Salesforce と Google Cloud は重要なパートナーです」

Google Cloud の Chief Product および Business Officer である Karthik Narain 氏は次のように述べています。
「Salesforce とのパートナーシップにより、お客様は両プラットフォームのデータを安全に連携させ、ビジネス成果を加速させるとともに、AI エージェント時代のための拡張性の高い基盤を構築できます。Gemini Enterprise に搭載されたエンタープライズ対応の Salesforce の AI エージェントにより、お客様はデータを迅速かつ確信を持って活用するための強力な新たな手段を手に入れることができます」

エージェンティックコンテキストの拡張：最適化されたセキュリティ、高度なインテリジェンス、ゼロコピーデータ

このパートナーシップの基盤となるのは、「コンテキスト供給のためのシステム（System of Context）」です。これは、世界最先端の AI モデルとエンタープライズ規模のデータを結びつけるアーキテクチャです。 Salesforce と Google Cloud により、AI がデータの保存場所であらゆるデータを利用できるようになり、セキュリティやコストのかかるデータ移行についての懸念が無くなります。 CRM レコードや顧客のシグナルから、 Google Workspace のアクティビティや BigQuery のデータウェアハウスに至るまで、これらのデータ連携により、AI エージェントはこれまで実現できなかった規模での成果を実現することが可能となります。

主な機能強化：

Gemini を活用した Agentforce の推論：Agentforce は、Atlas 推論エンジンを通じて、 Gemini モデルをネイティブにサポートしています。これにより、 Agentforce はテキスト、画像、動画といったさまざまな形式のデータを横断的に「把握」し、長年にわたる顧客接点履歴を活用して複雑な問題を正確に解決することが可能になります。これは、より迅速かつスマートな問題解決を実現することを意味し、 Agentforce 内で Gemini を活用してプロンプトを作成し、すでに成果を上げている 1,400 社以上の顧客の実績を基盤としています。
Google Lakehouse によるゼロコピー：顧客データは元の場所に留めておくことが可能です。 Agentforce は、データのコピーや移動、セキュリティリスクを伴わずに、 Google Lakehouse からネイティブにデータを読み取ることが可能になります。これは、データセットがどれほど大規模になっても高品質なパフォーマンスを発揮する単一のコンピューティングレイヤーを実現するものであり、Salesforce Data 360 や Google BigQuery においてすでに数百社の顧客から信頼されているゼロコピーテクノロジーを基盤としています。
IDMC ガバナンスの強化とマルチソース接続： Informatica のデータセキュリティポリシーや Workday や SAP などのエンタープライズデータソースを Google BigQuery に連携させる新しいデータコネクターにより、不正防止や予測マーケティングなどのリアルタイムのインサイトを解き放ち、セキュリティのガードレールをより効率的に適用できます。さらに Google Cloud Storage 上の Apache Iceberg への接続も対応します。大規模データセットの読み取り・書き込み・変換に加え、スキーマ進化と高性能な分析クエリをサポートします。

Pepkor の AI 責任者であるマイケル・ヨランド（Michael Yolland）氏は、次のように述べています。「Salesforce Data 360 と Google BigQuery を活用し、6,400 万件の顧客プロファイルを 2,400 万件に統合したことで、当社のロイヤルティプログラムは、15 以上の全ブランドにわたる顧客行動をより深く把握できるようになりました。これにより、真にパーソナライズされたエンゲージメントを通じて、リーチできる顧客層が 25% 拡大しました。しかも、データを移動したりコピーしたりすることなく、これらすべてを実現できるのです」

Bionic のグループ CTO であるジェームズ・ロマス氏は、次のように述べています。「Agentforce により、企業全体で自律的なアクションをスケールさせることが可能になります。 Gemini を統合することで、AI エージェントに世界最高水準の知能とより深いコンテキストを提供し、セキュリティやガバナンスを損なうことなく、あらゆる部門でスケールを実現することができます」

エージェンティックエンタープライズの時代がついに到来しています。 Google Cloud と Salesforce の本パートナーシップを通じて、企業は断片化したデータを統合し、複雑なプロセスを自動化し、単一の統合アーキテクチャ内で真の人間と AI のコラボレーションを実現できます。これは次なる AI の時代において、より迅速かつスマートに成長したいと考える企業のために構築されたものです。

提供時期

Slack Enterprise Search（Gmail および Google ドライブの検索）：現在、利用可能です。
Gemini Enterprise 上の Agentforce Sales：Gemini Enterprise Marketplaceにてオープンベータ版として現在、利用可能です。
Slack 上の Gemini Enterprise：Slack Marketplace でプライベートプレビュー版として現在、利用可能です。
IDMC Google BigQuery コネクター（CAI および CDAM）：2026 年 4 月より提供開始予定です。
IDMC Apache Iceberg GCP サポート：2026 年 4 月、提供開始予定です。
Gemini によるAgentforce向け推論機能：2026 年 5 月、提供開始予定です。
Slackbot Google Slides Generator：2026 年半ばに提供開始予定です。
Google Lakehouse によるゼロコピー：2026 年後半に提供開始予定です。

Google Cloud について

Google Cloud は、AI インフラストラクチャ、Gemini をはじめとする先進的なモデル、データ管理、マルチクラウドセキュリティ、開発ツール、さらにエージェントやアプリなど、強力で最適化された AI スタックを提供し、エージェント時代に向けた組織の変革を支援します。200 以上の国と地域で、信頼されるテクノロジーパートナーとして選ばれています。

Salesforce について

Salesforce は、あらゆる規模の企業がエージェンティックエンタープライズへと変革することを支援します。人とAIエージェント、アプリケーション、データを信頼性の高い単一のプラットフォームへ統合することで、これまでにない成長とイノベーションを実現します。詳細は salesforce.com/jp をご覧ください。

詳細情報

Salesforce と Google Cloud のパートナーシップに関する詳細は、こちら（英語）。
AgentExchange 上の Google マップ MCP サーバーに関する最新のニュースは、こちら（英語）。
UCP に対応した Agentforce Commerce に関する最新のニュースは、こちら。

第 8 世代 TPU の内幕: アーキテクチャの詳細

Thu, 30 Apr 2026 01:40:00 +0000

※この投稿は米国時間 2026 年 4 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

Google の TPU 設計理念では、常にスケーラビリティ、信頼性、効率性という 3 つの柱が中心に据えられてきました。AI モデルが高密度大規模言語モデル（LLM）から大規模な混合エキスパート（MoE）や推論重視のアーキテクチャへと進化するにつれて、ハードウェアは 1 秒あたりの浮動小数点演算（FLOPS）を増やすだけでなく、最新のワークロードに固有の演算強度に対応できるように進化する必要に迫られています。

エージェント型 AI の台頭により、長いコンテキストウィンドウと複雑な逐次ロジックを処理できるインフラストラクチャが必要になっています。同時に、現在のデータアーキテクチャの次に必要となる進化として「世界モデル」が登場しています。つまり新しいエージェントは、リスクを伴う試行錯誤ではなく「想像力」を通じて、将来のシナリオをシミュレートし、結果を予測し、学習するものとなっています。第 8 世代 TPU（TPU 8t と TPU 8i）は、上述の課題に対する Google の答えです。すべてのワークロードが、トレーニングの最初のトークンからマルチターン推論チェーンの最終ステップまで可能な限り最も効率的なパスで実行されるようにします。TPU 8t と TPU 8i は Google DeepMind の Genie 3 のような世界モデルを効率的にトレーニングしてサービングできるように構築されているため、数百万のエージェントが多様なシミュレーション環境で推論をトレーニングして改良していくことができます。

TPU 8: 特化された設計

事前トレーニング、トレーニング後、リアルタイムサービングのインフラストラクチャ要件はそれぞれ異なることを踏まえ、第 8 世代 TPU では TPU 8t と TPU 8i という 2 つの異なるシステムを導入しています。これらの新しいシステムは、AI Hypercomputer という、ハードウェア、ソフトウェア、ネットワーキングを 1 つに統合して AI ライフサイクル全体を強化する Google Cloud のスーパーコンピューティングアーキテクチャの重要なコンポーネントになります。TPU 8t と TPU 8i のどちらのシステムも、Google AI スタックのコア DNA を共有して、AI ライフサイクル全体をサポートしますが、それぞれが対処するボトルネックと、効率の最適化を図る開発の段階は異なります。これに加え、第 8 世代 TPU システム全体に Arm ベースの Axion CPU ヘッダーを統合し、データ準備のレイテンシによって発生するホストのボトルネックを解消しました。Axion は、複雑なデータの前処理とオーケストレーションを処理するためのコンピューティングヘッドルームを提供するため、TPU は常にフィードされた状態に維持されて、停止することがありません。

TPU 8t: 事前トレーニングの原動力

大規模な事前トレーニングとエンベディングを多用するワークロード向けに最適化された TPU 8t は、実績のある 3D トーラス型ネットワークトポロジを、1 つの Superpod で 9,600 個のチップというさらに大きなスケールで活用しています。TPU 8t は、トレーニングがスケジュールどおりに実行されるように、数百規模の Superpod 全体にわたって最大限のスループットを実現するように設計されています。

TPU 8t は、前世代の TPU と比較して次のような点で進化しています。

SparseCore の利用: TPU 8t の中核となっている SparseCore は、エンベディング検索の不規則なメモリアクセスパターンを処理するために設計された専用のアクセラレータです。行列乗算ユニット（MXU）が行列演算を処理する一方で、SparseCore はデータ依存の all-gather 演算を他の集団演算とともにオフロードして、汎用チップでよく問題となるゼロ演算におけるボトルネックを回避します。
VPU / MXU のオーバーラップとバランスの取れたスケーリング: TPU 8t は、プロビジョニングされた FLOP の使用率を最大化するように設計されています。このアーキテクチャは、よりバランスの取れた Vector Processing Unit（VPU）のスケーリングを実装することで、ベクトル演算の時間を最小限に抑えます。これにより、量子化、softmax、レイヤ正規化を MXU での行列乗算と効果的に重ねられるようになるため、チップは順次ベクトルタスクを待つことなく、常にビジー状態を維持します。
ネイティブ FP4: TPU 8t では、メモリ帯域幅のボトルネックを克服するためにネイティブ 4 ビット浮動小数点（FP4）を導入しています。FP4 の導入により、低精度の量子化でも大規模モデルの精度を維持しながら MXU のスループットを倍増させています。パラメータあたりのビット数を減らすことで、プラットフォームでのエネルギー消費量の多いデータ移動が最小限に抑えられ、コンピューティングのピーク使用率に対応するローカルハードウェアバッファに、より大きなモデルレイヤを収められるようになります。

図 1: TPU 8t ASIC のブロック図

Virgo Network トポロジと最大 4 倍のデータセンターネットワークの増加: TPU 8t の膨大なデータ要件をサポートするために、Virgo Network を導入しました。この新しいネットワーキングアーキテクチャにより、データセンターネットワーク（DCN）を介した TPU 8t トレーニングでの DCN 帯域幅が最大 4 倍に増加しています。Virgo Network は、最新の AI ワークロードに伴う極めて厳しい要件に対応するように設計されたスケールアウトファブリックです。Virgo Network は高基数スイッチを基盤としているため、スイッチあたりのポート数を増やしてネットワークレイヤの数を削減できます。このことから、Virgo Network ではフラットな 2 レイヤのノンブロッキングトポロジを採用しています。このようにネットワーク階層を最小限に抑えることで、従来のデータセンターネットワークと比べ、レイテンシが大幅に短縮されます。Virgo Network の特徴となっているのは、独立した複数の制御ドメインで TPU 8t チップを接続する、マルチプレーン設計です。コンピューティングサービスとストレージサービスにアクセスするために、TPU 8t ラックは Jupiter の North-South ファブリックにも接続されます。この合理化されたアーキテクチャは、世界最大のトレーニングクラスタを、しかも高可用性を確保した状態で実現するために必要となる、大規模な二分割帯域幅と確定的低レイテンシを提供します。

前世代比で、チップ間相互接続（ICI）のスケールアップ帯域幅が 2 倍、スケールアウト DCN 帯域幅が最大 4 倍の TPU 8t は、データボトルネックを大幅に削減します。さらに、フロンティアモデルの開発を加速するために、Google は単一のクラスタの枠を超えて分散トレーニングをスケールできるようにしています。具体的には、JAX と Pathways を組み合わせることで、単一のトレーニングクラスタ内で 100 万個を超える TPU チップに対してスケーリングを提供できるようになりました。Virgo Network では、1 つのファブリックで 134,000 個以上の TPU 8t チップをリンクして、最大 47 ペタビット/秒のノンブロッキング二分割帯域幅を使用できます。この場合のファブリックは、160 万エクサフロップスを超える演算能力を、ほぼ線形なスケーリング性能で提供します。

図 2: TPU 8t ラックレベルでの Virgo ファブリックへの接続

ストレージアクセスの高速化: TPU 8t には TPUDirect RDMA と TPUDirect Storage を導入しています。TPUDirect RDMA を使用すると、ホスト CPU と DRAM をバイパスして、TPU のメモリ（HBM）とネットワークインターフェースカード（NIC）の間でデータを直接転送できます。これにより、レイテンシとホストシステムのボトルネックが低減されて、TPU 間通信の有効帯域幅が増加します。同様に、TPUDirect Storage は CPU ホストのボトルネックを回避するために、TPU と 10T Lustre などの高速マネージドストレージ間の直接メモリアクセスを可能にします。したがって、大量のデータを転送する場合は帯域幅が実質的に倍増します。このアーキテクチャでは、シリコンがトレーニングデータをラインレートで取り込めることから、大規模なマルチモーダルデータセットを処理する場合でも。MXU は完全に飽和した状態に維持されます。

数百ペタバイトのデータセットを直接シリコンにルーティングするために Managed Lustre 10T と TPUDirect Storage を組み合わせることで、TPU 8t はデータ取り込みのボトルネックによって発生するトレーニングの遅延を防ぎます。これにより、第 7 世代の Ironwood TPU でトレーニングする場合と比較して、ストレージアクセスが 10 倍高速化されます。

図 3: 上の図は、TPUDirect Storage を使用しない場合のデータ転送パスを示しています。下の図は、TPUDirect Storage を使用した場合の 2 つの TPU 8t チップ間の TPU 8t データ転送と、Managed Lustre 10T ストレージを使用した TPUDirect Storage を示しています。

TPU 8i: サンプリングとサービングのスペシャリスト

トレーニング後の高度な並列推論向けに最適化された TPU 8i は、Google の最高水準のオンチップ SRAM、新しい Collectives Acceleration Engine（CAE）と、Boardfly と呼ばれる、サービングに最適化されたネットワークトポロジを使用して設計されています。

大容量のオンチップ SRAM: 前世代比で 3 倍のオンチップ SRAM を搭載した TPU 8i は、より大きな KV キャッシュを完全にシリコン上でホストできるため、ロングコンテキストのデコード中に発生するコアのアイドル時間を大幅に短縮できます。

図 4: TPU 8i ASIC のブロック図

Collectives Acceleration Engine（CAE）: TPU 8i はサンプリングのボトルネックを解消するために CAE を使用します。CAE は、特に自己回帰デコードと「chain-of-thought」処理で必要となる集約ステップと同期ステップを加速して、コア全体の結果をほぼゼロのレイテンシで集約します。各 TPU 8i チップには、コアダイ上に 2 つの Tensor Core（TC）と、チップレットダイ上に 1 つの CAE があります。これらは、前世代の Ironwood TPU で使用されているコアダイ上の 4 つの SparseCore（SC）に代わるものです。TPU 8i は、専用の CAE を統合することで、集団演算のオンチップレイテンシをさらに 5 分の 1 に短縮しています。集団演算あたりのレイテンシが短縮されるということは、待機時間が短縮されることを意味します。これは、数百万のエージェントを同時に実行するために必要なスループットの向上に直接つながります。
Boardfly ICI トポロジ: 3D トーラスでは、数千個のチップを接続して 1 つの集合体として使用できますが、大規模なメッシュではチップ間のホップ数が多くなり、全対全レイテンシが高くなります。8i では、複数のチップが全結合ボードで接続され、こうしたボードがグループに集約されるという仕組みを変更しました。高基数設計を採用して、最大 1,152 個のチップを接続することで、ネットワーク直径と、データパケットがシステムを通過するために必要なホップ数を削減しています。全対全通信（MoE モデルと推論モデルの中核）に必要となるホップ数を大幅に削減する Boardfly は、通信集約型のワークロードのレイテンシを最大 50% 短縮します。

図 5: TPU 8i の階層的な Boardfly トポロジ。4 つの全結合チップを構成要素とし、8 枚のボードで構成される全結合グループへと拡張。これらのグループ 36 個を全結合することで、1 つの TPU 8i ポッドを構成

Boardfly は次の要素で構成されており、そのトポロジは本質的に階層型です。

構成要素（BB）: 各トレイは内部 ICI リンクを使用して 4 チップからなるリングを形成し、より広範なネットワーキングに対応するための 16 個の外部接続を提供します。
グループ（G）: 8 枚のボードが銅線ケーブルで全結合されて、ローカルグループが作成されます。グループ内の通信には、利用可能な外部リンクのうち 11 個が使用されます。
Pod 構造: 最終的なアーキテクチャは、光回路スイッチ（OCS）を介してリンクされた 36 のグループ（最大 1,024 個のアクティブなチップ）にスケールします。どのチップ間の通信でも、最大レイテンシは 7 ホップ分となります。

詳細: Boardfly とトーラスの数学

TPU 8i でトーラスから移行している理由は、突き詰めるところ、ネットワーク直径にあります。

3D トーラスでノードが配置されるグリッドでは、各次元がリングのように折り返されます。8 x 8 x 16（1,024 チップ）構成で最も遠いチップに到達するには、パケットが各リングの半分の距離を移動する必要があります。

3D トーラス = 8/2（X）+ 8/2（Y）+ 16/2（Z）= 16 ホップ

トーラスは、高密度なトレーニングに通常伴う隣接ノード間の通信には非常に効率的ですが、全対全の通信パターンではレイテンシが犠牲になります。推論モデルと MoE の時代では、トークンをルーティングするために、どのチップも他のいずれかのチップと通信する可能性があるため、ホップ数が重要になります。

Boardfly の高基数トポロジは、Dragonfly トポロジの原則にヒントを得たものです。Google はボードのグループ間を直接結ぶ長距離の光リンクの数を増やすという方法で、ネットワークをフラット化しています。同じ 1,024 チップの Pod の場合、Boardfly はネットワーク直径を 16 ホップからわずか 7 ホップにまで削減します。

ネットワーク直径が 56% 縮小するということは、テールレイテンシが短縮されることに直接つながるため、TPU 8i CAE はデータがポッド経由で到着するのを待機する必要がなくなります。

図 6: TPU 8i Pod の光回路スイッチを介した最大 7 ホップの ICI ネットワーク直径の視覚的表現

TPU 8t と TPU 8i の概要

機能	TPU 8t	TPU 8i
主なワークロード	大規模な事前トレーニング	サンプリング、サービング、推論
ネットワークトポロジ	3D トーラス	Boardfly
専用チップの機能	SparseCore（エンベディング）と LLM デコーダエンジン	CAE（Collectives Acceleration Engine）
HBM 容量	216 GB	288 GB
オンチップ SRAM（Vmem）	128 MB	384 MB
ピーク FP4 PFLOPS	12.6	10.1
HBM 帯域幅	6,528 GB/秒	8,601 GB/秒（TPU 8t の約 1.3 倍）
CPU ヘッダー	Arm Axion	Arm Axion

ソフトウェアの有効化: パフォーマンス重視の AI スタック

ハードウェアの性能は、それを動かすソフトウェアの性能に左右されます。第 8 世代の TPU は、第 7 世代の Ironwood TPU で Google が先駆けて開発したパフォーマンス重視のスタックを基盤に構築されています。このスタックは、高レベルのフレームワークの抽象化を犠牲にすることなく、カスタムカーネルを容易に開発できるように設計されたものです。このスタックには以下が含まれます。

Pallas と Mosaic: Google は、Python でハードウェア対応のカーネルを記述できる Pallas というカスタムカーネル言語に対するトップクラスのサポートを提供しています。これにより、TPU 8i CAE と TPU 8t SparseCore のパフォーマンスを最大限に引き出すことができます。
ネイティブな PyTorch エクスペリエンス: このたび、TPU のネイティブな PyTorch サポートのプレビュー版が公開されました。現在 PyTorch でモデルを構築してサービングしている場合は、これまで以上に簡単に TPU の使用を開始できます。お客様が利用しているネイティブ機能（イーガーモードなど）を完全にサポートした状態で、既存のモデルをそのまま Google の TPU に移行できます。
ポータビリティ: Ironwood で実行される JAX、PyTorch、Keras のコードは、第 8 世代の TPU にスケールします。XLA（Accelerated Linear Algebra）は、Broadly トポロジと CAE 同期の複雑な変換を舞台裏で処理するため、ユーザーは相互接続ではなくモデルに注力できます。

世代を重ねるごとにパフォーマンスが大幅に向上しています

ハードウェアとソフトウェアを共同設計するという Google の取り組みは、引き続き成果を上げています。第 7 世代の Ironwood TPU と比較して、第 8 世代の TPU では次のような大きな改善が見られます。

トレーニングの費用対効果: 大規模なトレーニングにおける TPU 8t の 1 ドルあたりのパフォーマンスは、Ironwood TPU のパフォーマンスの最大 2.7 倍です。
推論の費用対効果: 特に大規模な MoE モデルの低レイテンシターゲットにおける TPU 8i の 1 ドルあたりのパフォーマンスは、Ironwood TPU と比べると、最大 80% 向上します。
エネルギー効率: どちらのチップでも、ワットあたりのパフォーマンスが最大 2 倍向上しています。次世代 AI をサステナブルにスケーリングするうえで、これら 2 つのチップは不可欠と言えます。

今後の対応

Google Cloud のお客様がイノベーションの新たな波を切り開けるよう、Google は TPU 8t と TPU 8i を、AI ライフサイクルの多面的な将来の需要に合わせてカスタマイズされた 2 つの異なる専用システムとして開発しました。TPU 8t と 8i はそれぞれ、最も要求の厳しいトレーニングワークロード専用、サービングワークロード専用に構築されており、AI Hypercomputer のソフトウェアスタック（JAX、PyTorch、vLLM、XLA、Pathways）と完全に統合されています。Google DeepMind との緊密なコラボレーションにより、目的に特化してゼロから再設計された第 8 世代の TPU は、卓越したコストパフォーマンスと電力効率を実現します。

第 8 世代アーキテクチャのモジュール性は、将来に向けた明確な、かつ固有のロードマップを可能にします。コンピューティング環境の大きな変化にはインフラストラクチャのブレークスルーが必要でしたが、エージェントの時代も同じです。継続的なフィードバックループ内で計画、実行、学習を行う推論エージェントは、元々従来のトレーニングやトランザクション推論用に最適化されているハードウェアでは、最高の効率で動作できません。その動作強度は根本的に異なるからです。第 8 世代の TPU インフラストラクチャは、こうした固有の要件に真っ向から対処できるように進化しています。

第 8 世代 TPU ファミリーについて、以下の方法で詳細をご確認ください。

- Google Cloud、上級エンジニア、Diwakar Gupta

- Google Cloud、グループプロダクトマネージャー、Sabastian Mugazambi

Next ‘26 で発表された GKE の新機能

Thu, 30 Apr 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

今週開催の Google Cloud Next ‘26 では、Google Kubernetes Engine（GKE）の進化についてご紹介しています。GKE は、特に要求が厳しく複雑なワークロードや、次世代の AI アプリケーションとエージェントアプリケーションに対して、優れたパフォーマンス、効率性、セキュリティ、スケーラビリティを提供します。

重要である理由: Kubernetes は AI 時代のオペレーティングシステムとして急速に普及しており、GKE は現在、最大規模のフロンティアモデルの構築企業を含む、プラットフォーム上の上位 50 社すべてのお客様の AI ワークロードを支えています。エンタープライズ AI は急速に普及しています。わずか数か月で、マルチエージェント AI ワークフローの数が 327% も急増しました。同時に、組織の 66% が生成 AI アプリやエージェントの強化に Kubernetes を利用しています。

自律型エージェントが大規模に運用されるこの新しい時代には、インフラストラクチャの管理方法に根本的な変革が求められています。これは、ステートレスアプリケーションからステートフルアプリケーションへの移行よりも要求の厳しい変革です。

新機能:

GKE Agent Sandbox: 安全でスケーラビリティが高く、低レイテンシのエージェントインフラストラクチャ
GKE ハイパークラスタ: Google Cloud リージョン全体で数百万のアクセラレータを管理する、単一の適合 GKE コントロールプレーン
推論パフォーマンスの向上: GKE Inference Gateway と KV キャッシュ管理の基盤となる機能強化
強化学習（RL）の強化機能: アクセラレータ使用率をスロットリングするボトルネックを解消するネイティブ機能
カスタム指標に基づくスケーリング: CPU とメモリ以外のトリガーに基づくインテントベースの自動スケーリングをサポート

GKE に関するこれらのお知らせについて詳しく説明します。

GKE Agent Sandbox: エージェント時代を加速

AI が単純な会話型チャットボットから、エコシステム全体へのプロアクティブで自律的なエージェントへと進化するにつれて、基盤となるインフラストラクチャは、従業員と連携して複雑なタスクを計画、評価、実行するために数百または数千のエージェントを処理できるように適応していく必要があります。大規模なインフラストラクチャでは、パフォーマンス、応答性、厳格なセキュリティが不可欠です。

このたび Google は、業界有数のスケーラビリティと低レイテンシを誇る AI エージェントインフラストラクチャである GKE Agent Sandbox を発表しました。Gemini の保護と同じ gVisor カーネル分離テクノロジーで構築された Agent Sandbox を使用すると、パフォーマンスを犠牲にすることなく、信頼できないコード、ツール、エージェント全体を安全に実行できます。GKE は、完全に分離されたエージェントに対して、1 秒あたり 300 個のサンドボックス、1 秒未満のレイテンシ、Axion で実行した場合の他のハイパースケールクラウドと比較して最大 30% 優れた費用対効果を実現し、業界をリードするスピードと効率性を提供します。

Lovable を使用すると、誰でもアプリやウェブサイトを構築できます。毎日ビルダーによって 20 万件以上の新しいプロジェクトが作成されています。Lovable では、起動の速さとスケーリングの速さ、そして安全な分離が可能なことから、これらの AI 生成アプリケーションを GKE Agent Sandbox で実行しています。

「GKE の最先端のサンドボックス機能により、1 秒あたり数百個の安全なサンドボックスに確実にスケーリングできるため、予測不能な膨大な需要が発生した場合でも、ビルダーをシームレスに支援できます」- Lovable、共同創業者 Fabian Hedin 氏

GKE ハイパークラスタがスケーラビリティの上限を再定義

基盤となる AI モデルが指数関数的に成長し、アクセラレータの需要が高い状態が続いているため、組織は Kubernetes コンピューティングインフラストラクチャを数百の切断されたクラスタに分割する手段をとっており、これは、運用上の大きな負担につながる可能性があります。この問題を解決するために、Google は GKE ハイパークラスタの限定公開 GA を発表します。これにより、複数の Google Cloud リージョンにまたがる 256,000 個のノードに分散された 100 万個のチップを、Kubernetes に準拠した単一の GKE コントロールプレーンで管理できるようになります。GKE ハイパークラスタを使用すると、広範囲に分散されたインフラストラクチャが、複数の地理的場所にまたがる単一の統合された容量の予備となります。

セキュリティを損なうことなくグローバルにスケーリングするために、GKE ハイパークラスタは Google の Titanium Intelligence Enclave を利用しています。これは、プライベート AI コンピューティングを提供するソフトウェア強化型のセキュリティエンジンです。この「管理者権限なし」モデルは、ハードウェア証明済みの Pod レベルの分離を提供するため、独自のモデルの重みとプロンプトは、プラットフォーム管理者とインフラストラクチャレイヤから暗号的にシールされたままになります。

最先端の推論を強化

最先端の推論を実現するには、数か月にわたる複雑なパフォーマンスチューニングが必要です。この手間を軽減するために、GKE では TPU と GPU 全体で「SOTA までの時間」をわずか数分に短縮しました。これを実現するために、以下の新機能を提供しています。

GKE Inference Gateway の ML を活用した予測レイテンシブースト。ヒューリスティックな推測をリアルタイムの容量を考慮したルーティングに置き換えることで、最初のトークンまでの時間（TTFT）のレイテンシを最大 70% 削減できます。手動によるチューニングは必要ありません。
RAM、ローカル SSD、GCS/Lustre 間での自動 KV キャッシュストレージティアリングにより、長いコンテキストのメモリボトルネックが解消されます。KV キャッシュを RAM にオフロードすると、システムプロンプトの長さが 10,000 の場合、TTFT が 40% 以上短縮され、スループットが 50% 向上しました。KV キャッシュをローカル SSD にオフロードすると、システムプロンプトの長さが 50,000 の場合、スループットがほぼ 70% 向上しました。これらのベンチマークについて詳しくは、llm-d Offloading Prefix Cache to Shared Storage guide をご覧ください。

レイヤ化されたコンポーズ可能なスイートの一部として構築されたこれらの新しい GKE 機能は、現在公式の CNCF サンドボックスプロジェクトである llm-d を活用しています。最大限の柔軟性を実現するため、Google は NVIDIA と緊密に連携して Dynamo をシームレスに統合し、大規模な混合エキスパート（MoE）モデルをスケーリングできるようにしました。どのツールを選択しても、GKE は、あらゆる最先端の AI ワークロードを安全に実行するために必要な、高度に最適化された柔軟なインフラストラクチャを提供します。これには、新しく発表された Gemma 4 の高度なエージェント機能も含まれます。

RL コンピューティングのボトルネックの解消

強化学習（RL）は AI コンピューティング需要の重要な推進力であり、RL ジョブにはサンプリング、報酬、トレーニングの順次処理が含まれます。これらの RL ステップの間では GPU および TPU アクセラレータがアイドル状態になる可能性があります。RL を効率化するために、新しい GKE 機能をプレビュー版として追加しています。

RL スケジューラは「ストラグラー効果」とバッチ間のテールレイテンシを解決し、インテリジェントなルーティングによってスループットを最大化します。
RL Sandbox は、ツール呼び出しと報酬評価のためにカーネルレベルの分離を提供し、ミリ秒単位でプロビジョニングします。RL サンプリングと報酬のステップとの統合は簡単です。
RL のオブザーバビリティと信頼性のダッシュボードは、RL ループ全体のトラブルシューティングと最適化を即座に、すぐに使える状態で実行するために必要な詳細な可視性を提供します。

GKE レシピの RL、特に Verl と NeMo RL の実装をご確認ください。

カスタム指標に基づくインテントベースの自動スケーリング

従来、アプリケーションの健全性に基づいて AI ワークロードをスケーリングするには、「カスタム指標税」が課せられていました。基本的なコンピューティングやメモリ使用率以外の要素に基づいてシステムをスケーリングするには、組織は複雑なモニタリングシステムと IAM ロールを管理する必要があります。これにより、運用上のリスクが生じます。外部のオブザーバビリティスタックに障害が発生すると、自動スケーリングも機能しなくなります。

インテントベースの自動スケーリングでは、GKE の HorizontalPodAutoscaler（HPA）のネイティブなカスタム指標サポート により、このオーバーヘッドが解消されます。このエージェントレスアーキテクチャは、Pod から直接指標を取得することで外部依存関係を回避し、信頼性を高めながらコストを削減します。重要なのは、反応時間が 25 秒からわずか 5 秒に短縮されたことです。これは、インフラストラクチャの弾力性がほぼ瞬時に発揮されることを意味し、パフォーマンスが 5 倍向上しています。

新しいワークロード、変わらないミッション

GKE は 10 年以上にわたり、スケーラブルなインフラストラクチャの標準を確立してきました。エージェント AI と自律型 AI の時代を迎えても、Google の使命は変わりません。それは、運用上の摩擦を排除し、お客様がイノベーションに集中できるようにすることです。Next '26 で発表する機能（GKE ハイパークラスタ、Agent Sandbox、超高速推論、インテントベースの自動スケーリングなど）は、意欲的な AI ワークロードを成功させるために必要な、安全で効率的かつ強力なエンジンを提供します。AI ワークロードに GKE を使用する方法について詳しくは、GKE Inference Quickstart をご覧ください。

- オーケストレーションおよび Kubernetes プロダクト管理担当シニアディレクター Drew Bradstock

- GKE グループプロダクトマネージャー Gari Singh

Gemini Enterprise・NotebookLM Enterprise の ISMAP 登録を完了

Tue, 28 Apr 2026 01:00:00 +0000

Google Cloud は、生成 AI サービスである Gemini Enterprise と NotebookLM Enterprise が「政府情報システムのためのセキュリティ評価制度（ISMAP）」の基準を満たしたことにより、本登録が完了したことをお知らせいたします（登録された内容は ISMAP ポータルサイトでご確認いただけます）。すでに ISMAP 登録済みの Google Cloud（旧称 Google Cloud Platform）、Google Workspace、AppSheet、 Bare Metal Solution（BMS）、Firebase、Looker Data Platformの各サービスに加えて、これらの AI サービスが新たに登録されました。

中央省庁、地方自治体、政府関連機関を含む公共部門のお客様には、さらに安心して弊社のサービスをご利用いただけるようになりました。

ISMAP は、国家サイバー統括室（NCO）、デジタル庁、総務省（MIC）、経済産業省（METI）が共同で運営しています。また、クラウドサービスプロバイダのアプリケーションの評価と登録を目的として、ISMAP 運営委員会が NCO 内に設置されているほか、経済産業省傘下の独立行政法人である情報処理推進機構（IPA）が ISMAP の実務と評価にかかる実用的な技術支援を担当しています。

Google Cloud のインフラストラクチャは、増え続けるコンプライアンス規格や規制の認証を受けているほか、独立第三者機関によるデータの安全性、プライバシー、セキュリティに関する監査試験においてもグローバルレベルでそのセキュリティの高さが認定されています。詳細は Google Cloud コンプライアンス状況のページをご覧ください。

Google Cloud パートナーとのエージェント型エンタープライズの構築と 7 億 5,000 万ドルのイノベーションファンド

Mon, 27 Apr 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 4 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

現在、エージェント型エンタープライズがお客様にとって現実のものとなりつつあります。今週開催の Next ‘26 では、お客様がエージェント型 AI をさらに加速させるのに役立つ、新しい画期的なイノベーションを発表しました。

エージェント型エンタープライズを実現するうえでは、Google のパートナー様が重要な役割を果たします。そこで今回は、エージェントの時代に業界で最も有能なパートナーエコシステムをお客様に提供するための新しいリソース、テクノロジー、緊密な技術パートナーシップについても発表いたしました。これには以下が含まれます。

グローバルコンサルティング企業、ソフトウェアパートナー、チャネルパートナーを対象とするエージェント開発のための 7 億 5,000 万ドルのパートナーファンド。
お客様が Gemini Enterprise でパートナーのエージェントをデプロイできる新しい方法。
お客様をサポートするために、グローバルコンサルティング企業との技術パートナーシップを強化し、Google から現地に配置するエンジニアチームを新たに編成。
Palantir、Salesforce、SAP、ServiceNow などのエンタープライズプラットフォームに Gemini モデルをより深く統合。
パートナー様が質の高いサービスを提供できるよう、Google Cloud パートナーネットワークの AI 搭載機能を拡充。

AI エージェントの開発を加速させるための投資

Google は、業界で最も AI 能力に優れたパートナーエコシステムをお客様に提供できるよう取り組んでいます。エージェント型 AI の時代にパートナー様が真の変革を推進できるよう、Google は 7 億 5,000 万ドルのイノベーションファンドを立ち上げます。エージェントの開発とデプロイを世界中で加速することを目的とし、対象はあらゆるビジネスプロセス、機能、業界となります。

このファンドは、以下のような幅広い活動を支援します。

ソフトウェア会社が Gemini Enterprise Agent Platform を使用して AI エージェントを自社製品に組み込み、Google の Agent Marketplace や、Gemini Enterprise の新しい Agent Gallery を通じて市場に投入できるよう、実践的サポートを提供します。
熟練した Google の前線配置エンジニア（FDE）が、主要なシステムインテグレータと連携して、お客様の技術的に難しい課題の解決や Google AI の迅速なデプロイを支援します。
デプロイと利用に関するインセンティブにより、サービスパートナー様がエージェントの時代に成功を収められるよう支援します。
パートナー様が Gemini Enterprise Agent Platform を使用してお客様向けにエージェントを構築、デプロイできるよう、トレーニング、技術開発イニシアチブ、ワークショップを提供します。

パートナー様が構築したエージェントを Gemini Enterprise で公開

Next では、エージェントを構築、スケール、管理、最適化するための包括的なプラットフォームである Gemini Enterprise Agent Platform を発表しました。このプラットフォームには、パートナーが構築した厳選されたエージェントをお客様が閲覧できる Agent Gallery が含まれます。

現在、Agent Gallery では幅広いサードパーティエージェントにアクセスできます。これらのエージェントは、Google の安全なエンタープライズグレードのインフラストラクチャ上に構築されているため、お客様は最高レベルのガバナンスと信頼性をもってビジネスにデプロイできます。現在、Accenture、Adobe、Atlassian、Deloitte、Lovable、Oracle、Palo Alto Networks、Replit、S&P Global、Salesforce、ServiceNow、Workday などが構築したエージェントがあります。

グローバルコンサルティングパートナーが AI トランスフォーメーションを推進できるよう支援

現在、Google Cloud のグローバルコンサルティングパートナーとシステムインテグレータパートナーは、Google AI の実装に関するトレーニングを受けた 33 万人以上のエキスパートをお客様に提供しています。Google Cloud は、今回の Next に合わせて、主要なシステムインテグレータとのパートナーシップを次のように拡大します。

Accenture は、前例のない Gemini Enterprise Acceleration Program の立ち上げにより、企業が AI を活用した変革とビジネス価値の向上を迅速かつ大規模に推進できるよう支援します。このプログラムでは、Google Cloud と Accenture のトップレベルの技術力と前線配置エンジニアをお客様の現場まで直接届けます。
BCG は Google Cloud とのパートナーシップを拡大して Gemini Enterprise による変革を加速させ、組織がエージェントの導入を大規模に実現できるよう支援します。
Capgemini は、Gemini Enterprise のエンタープライズ規模での導入を加速させるために、Google Cloud AI Enterprise Hub を設立します。
Cognizant は、Gemini Enterprise の企業への導入を加速させるために、Gemini Enterprise 専門のプラクティスグループを立ち上げます。
Deloitte は、Gemini Enterprise に特化した Google Cloud エージェント変革のプラクティスを立ち上げ、10 万を超える自社チームに Gemini Enterprise を展開します。
HCLTech は、Gemini Enterprise を基盤とする業界固有のソリューションの開発と導入を加速させるために、Gemini Enterprise ビジネスユニットを立ち上げます。
Infosys は、Infosys Topaz プラットフォーム内で Gemini Enterprise を活用し、Infosys のグローバルデリバリーチーム全体で 10 万人を超える Infosys の開発者に Gemini Enterprise を提供します。
KPMG は、ライフサイエンス企業に Gemini Enterprise をデプロイし、Workday と Google Cloud で構築された新しい Financial Close Companion エージェントをリリースします。
Kyndryl は、AI 対応の主権アプリケーション向けの Google Distributed Cloud サービスを拡大し、Google Cloud とのパートナーシップを強化します。
McKinsey は、McKinsey Google Transformation Group を立ち上げ、Gemini Enterprise を使用して企業の AI 成果を加速させます。戦略的専門知識と Google の AI スタックを組み合わせることで、組織がエージェントによる変革をスケールできるよう支援します。
PwC は、Google Cloud AI 専門のセンターオブエクセレンスを立ち上げ、組織の AI 導入の拡大を支援します。業界の専門知識と Gemini Enterprise を組み合わせることで、推論、行動、プロセスの自動化を大規模に行う AI エージェントをデプロイします。
TCS は、新しいエージェント型 AI サービスと Gemini Enterprise 専門のプラクティスを開始します。3,000 を超える業界に特化した AI エージェントと、Gemini Experience Centre のグローバルネットワークの拡大により、AI ネイティブの自律的な企業運営を加速させます。

Google Cloud はさらに、Accenture、Capgemini、Cognizant、Deloitte、HCLTech、PwC、TCS などの一部のグローバルパートナーにエンジニアチームを派遣し、お客様が自社内で AI エージェントのプロトタイプ作成とデプロイをより迅速に行えるよう支援します。Altimetrik、Artefact、Covasant、Deepsense、Distyl.ai、Northslope、Quantium、Tribe.ai、Tryolabs などの AI ネイティブサービスパートナーは、Gemini Enterprise のプラクティスを立ち上げ、サンドボックス開発、技術的なスキルアップ、紹介の機会のクレジットを受け取る予定です。

また、Google Cloud は、Accenture、BCG、Deloitte、McKinsey など、一部のパートナー様にモデルの早期アクセスを提供する新しいプログラムも展開します。これらのパートナー様は、Google DeepMind の今後のモデルのプレリリースバージョンをプレビューして、構築を開始できます。

一般的な SaaS プラットフォームを通じて Gemini をより多くのお客様に提供

世界をリードする多くのエージェント型 SaaS や AI プラットフォーム企業が、Gemini をすでに自社製品に統合しています。Cloud Next では、こうした統合を次のようにさらに拡大します。

Atlassian は、Gemini 3 Flash を Rovo に導入し、マルチモーダル機能を Confluence の Remix に統合することで、チームがテキストベースのドキュメントを忠実度の高い図やグラフに即座に変換し、関係者の意思決定を迅速化できるようにします。
Box は、Gemini 3 Flash と Gemini Enterprise を活用した新しい Box Agent をリリースします。これにより、企業は AI オーケストレーションを安全なコンテンツ管理ワークフローにネイティブに統合し、静的ファイルを実用的なインテリジェンスへと変換できます。
DocuSign は、Gemini を活用して、複雑な契約書を要約し、重要な条項を特定し、契約の言外の意味をユーザーが理解できるようにする新機能を提供します。
Oracle は、Gemini Enterprise 向け Oracle AI Database コネクタをリリースします。この新しいエージェントにより、エンドユーザーは Gemini Enterprise で Oracle データに関するビジネス上の質問を自然言語で行うことができるため、SQL を記述したり、基盤となるデータモデルを理解したりする必要がなくなります。
Palantir は、商用のお客様向けに Gemini と BigQuery のインテグレーションを追加し、お客様が最高水準のモデルを最も重要な AI ワークフローや業務に接続できるようにします。
Salesforce は、Atlas 推論エンジンにネイティブの Gemini サポートを追加します。これにより、Agentforce はテキスト、画像、動画など形式を問わず確認し、長年にわたる顧客履歴から複雑な問題を的確に解決できます。すでに数千ものお客様が Agentforce 内で Gemini を使用してプロンプトを作成した成果を基盤に、より迅速かつスマートな解決が可能になります。
SAP は、Gemini Enterprise を Engagement Cloud に統合し、AI を活用したカスタマーサービスと販売の分析情報とともに、画像やテキストを生成するクリエイティブツールを提供します。
ServiceNow は、自社の AI エージェントを Gemini Enterprise と統合し、世界最大規模の企業に自律運用を提供します。

エージェント時代のパートナーチャネルの構築

Google の新しいパートナープログラムである Google Cloud パートナーネットワークは、パートナー様がエージェントの時代に成功できるよう設計されています。昨年、Google は AI を使用してパートナーツール全体で深い分析情報を引き出せるようにしました。現在は、これらの分析情報を自律的な成長につなげるエージェント型ワークフローを構築しています。主な更新内容は次のとおりです。

Partner Agent: Partner Network Hub に統合されたこのエージェント型ツールは、パートナーエクスペリエンスの中央のオーケストレーターとして機能します。質問に答えるだけでなく、次のステップについて積極的にパートナーを導き、複雑なアセットを要約し、登録や作業明細書についてリアルタイムでコーチングします。
Agentic Earnings Hub: ここでは、作業明細書の下書きを自動で作成する新機能や、使用量のマイルストーンをモニタリングして請求リクエストを自動生成する新機能を確認できます。これらのツールを Earnings Potential Modeler と組み合わせると、コンテキストに応じて、利用可能なすべてのインセンティブを個々のクライアントレベルまでマッピングする推奨事項が提案されます。
パートナー検索ツール: このインテリジェンスをお客様にも拡張し、極めて具体的なワークロードに最適なパートナーを自然言語のプロンプトで特定できる会話機能を実現します。

最後に、Google Cloud の 2026 年パートナーアワードの受賞者をご紹介します。このアワードは、パートナー様が過去 1 年間にお客様にもたらした変革面の影響と素晴らしい価値を称えるものです。Google Cloud のエコシステムは、あらゆる業界のビジネスニーズに応えるために進化を続けています。Google Cloud のテクノロジーを使用してグローバル規模の複雑な課題を解決するパートナーの皆様の能力には、常に感銘を受けています。これらの優れた成果について詳しくは、パートナーアワード受賞者の一覧をご覧ください。

今週、数千人ものパートナーの皆様にお会いして、エージェント型エンタープライズの未来を一緒に構築できることを楽しみにしています。

- Google Cloud、グローバルエコシステム担当プレジデント、Kevin Ichhpurani

Vertex AI の Claude でマルチリージョンエンドポイントが利用可能に

Fri, 24 Apr 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 4 月 16 日に、Google Cloud blog に投稿されたものの抄訳です。

本日は、Vertex AI の Claude で米国と EU の マルチリージョン エンドポイントの公開プレビュー版が利用可能になったことをお知らせします。複数のリージョンにわたって容量をプールすることで、これらのエンドポイントはリクエストを動的にルーティングして信頼性を向上させるとともに、コンプライアンスのニーズを満たすために、データ処理を指定した地域内にとどめます。

米国と EU で利用可能なこのアプローチにより、データ所在地要件を犠牲にすることなく、分散アーキテクチャによる復元力を備えたデプロイが可能になります。詳細な手順と今すぐ構築を開始する方法については、Vertex AI のドキュメントをご覧ください。

マルチリージョンエンドポイントの概要と使用する場面

Vertex AI で Claude を使用する場合、以前は次の 2 つの選択肢がありました。

リージョンエンドポイント（例: us-central1）: データと処理を単一の特定のロケーション内に保つ。低レイテンシを重視する場合に最適。
グローバルエンドポイント: 世界中の容量に空きがある場所にトラフィックをルーティングする。最大容量と最小コストを重視する場合に最適。

マルチリージョンエンドポイントはこれらの「中間」の役割を果たします。これにより、Vertex AI は単一の地域内の異なるリージョン間でトラフィックを自動的にシフトできます（us-central1 と us-east4 の間でトラフィックを移動するなど）。

マルチリージョンエンドポイントが適切な選択肢となる場合

データ所在地のコンプライアンス: 組織の要件により、データを米国または EU 内に留める必要があるが、単一のリージョンに縛られることは避けたい場合。
信頼性の向上: トラフィックをグローバルに送信することなく、単一リージョンの停止や容量の制約からアプリケーションを保護したい場合。
トラフィック管理の簡素化: us-central1 や us-west1 などのリージョンエンドポイント間のフェイルオーバーロジックを自分で管理する代わりに、マルチリージョンエンドポイントで自動的に処理したい場合。

エンドポイントオプションの比較

機能	グローバルエンドポイント	マルチリージョンエンドポイント	リージョンエンドポイント
可用性	最大（グローバルフェイルオーバー）	高（マルチリージョンフェイルオーバー）	単一リージョンの容量に依存（マルチゾーンフェイルオーバー）
データ所在地	データ所在地に関する保証なし	特定の地域（米国、EU）	特定のリージョン（アイオワなど）に限定
レイテンシ	変動（グローバルルーティングに基づく）	地域内で最適化	最低（ユーザーがリージョンの近くにいる場合）
割り当て	独立したグローバル割り当て	地域ベースの共有割り当て	リージョン固有の割り当て
サポートされているモデル	Claude Opus 4.7 Claude Opus 4.6 Claude Sonnet 4.6 Claude Opus 4.5 Claude Sonnet 4.5 Claude Haiku 4.5 Claude Opus 4.1 Claude Opus 4 Claude Sonnet 4 Claude 3.7 Sonnet	Claude Opus 4.7 近日提供予定: Claude Opus 4.6 Claude Sonnet 4.6 Claude Opus 4.5 Claude Sonnet 4.5 Claude Haiku 4.5 Claude Sonnet 4	Claude Opus 4.7* Claude Opus 4.6 Claude Sonnet 4.6 Claude Opus 4.5 Claude Sonnet 4.5 Claude Haiku 4.5 Claude Opus 4.1 Claude Opus 4 Claude Sonnet 4 Claude 3.7 Sonnet Claude 3.5 Haiku *リージョンと消費モードを選択する

プロンプトのキャッシュ保存を完全にサポート

マルチリージョンエンドポイントは、プロンプトのキャッシュ保存を完全にサポートしています。マルチリージョンエンドポイントにリクエストが送信されると、Vertex AI は、プロンプトがすでにキャッシュに保存されている特定のリージョンにリクエストをルーティングして、可能な限り低いレイテンシと費用を実現しようとします。特定のリージョンに大きな負荷がかかっている場合、システムはリクエストをその地域内で次に利用可能なリージョンにインテリジェントに分散し、稼働時間を維持します。

ベストプラクティス

パフォーマンスを最大化するには、米国と EU 内での所在地を必要とする本番環境ワークロードのデフォルトとして、マルチリージョンエンドポイントを使用することをおすすめします。

割り当てのモニタリング: マルチリージョンエンドポイントは、シングルリージョンの割り当てとは別の独自の割り当てプールを使用します。
整合性: キャッシュのパフォーマンスを最大限に高めるには、ワークロードごとに 1 つのロケーション（例: 米国のマルチリージョン）を使用します。
料金: マルチリージョンエンドポイントのリクエストには、Vertex AI の標準の Claude 従量課金制料金モデルが適用されます。料金はロケーションによって異なる場合がありますが、通常はグローバルエンドポイントの方が安くなります。

ご利用方法

Claude モデルのマルチリージョンエンドポイントを統合するには、構成を少し変更するだけで済みます。

ステップ 1: サポートされている Claude モデルが Vertex AI プロジェクトで有効になっていることを確認します。

ステップ 2: API ベース URL またはロケーション変数を更新します。us-central1 などの特定のリージョンの代わりに、マルチリージョン識別子 us または eu を使用します。

cURL の例:

Bash

code_block: <ListValue: [StructValue([('code', 'export MODEL_ID="claude-opus-4-6"\r\nexport PROJECT_ID="YOUR_PROJECT_ID"\r\n\r\ncurl -X POST \\\r\n -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \\\r\n -H "Content-Type: application/json" \\\r\n"https://aiplatform.us.rep.googleapis.com/v1/projects/${PROJECT_ID}/locations/us/publishers/anthropic/models/${MODEL_ID}:rawPredict" \\\r\n -d \'{\r\n "max_tokens": 300,\r\n "messages": [\r\n {\r\n "role": "user",\r\n "content": [\r\n {\r\n "type": "text",\r\n "text": "Why is the sky blue?"\r\n }\r\n ]\r\n }\r\n ],\r\n "anthropic_version": "vertex-2023-10-16"\r\n }\''), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f9758cfa7c0>)])]>

- Vertex AI、プロダクトマネージャー、Chase Lyall

- Vertex AI、シニアスタッフソフトウェアエンジニア、Tao Li

エージェントの未来を築く: メディアとエンターテイメント分野の Google Cloud パートナーエコシステムに注目

Fri, 24 Apr 2026 00:00:00 +0000

※この投稿は米国時間 2026 年 4 月 17 日に、Google Cloud blog に投稿されたものの抄訳です。

ラスベガスで NAB Show 2026 の開催が迫るなか、業界内の話題は変化しています。今は AI が機能するかどうかよりも、AI をいかにスケールさせるかに注目が集まっています。AI の試験運用の時代は終わり、本番環境グレードの実行の時代が到来しました。

Google Cloud は、スタジオや放送局がこの未来を単独で構築する必要はないと考えています。Google Cloud のミッションは、パートナー企業がアイデアを迅速にイノベーションにつなげられるエージェントプラットフォームと AI ツールやクラウドツールを提供することです。これは、編集スイートで使用するツールから、世界中の何百万人もの視聴者に動画を配信するテクノロジーまで、広範囲に及びます。

制作の強化: 手作業からインテリジェントなアシスタントへ

最新のクリエイティブワークフローは、手動の技術的タスクによってスピードが落ちることがよくあります。Google Cloud は、エコシステムのリーダー企業と協力して、高度な AI 機能を本番環境ソフトウェアのコアに直接統合しています。これにより、クリエイターは面倒な作業よりも、作品の芸術面に集中できます。制作チームは、クリエイティブスイート内で AI をプロアクティブなアシスタントとして活用することで、原案がフレームとして完成するまでの時間を大幅に短縮できます。

Avid は、Google Cloud 上で Content Core をリリースし、真のクラウドネイティブスタジオを提供しています。また、Media Composer にマルチモーダル AI 検索を統合しているため、編集担当者は自然言語を使用して必要なフレームを正確に見つけることができ、何時間もかかっていたログの検索が数秒で完了します。
Backlight は、制作から収益化まで、あらゆる規模のチームにとって複雑なメディアワークフローを簡素化します。Google Cloud と Video Intelligence API を基盤とする Backlight の Iconik プラットフォームは、アップロード時に検索可能なメタデータを自動的に追加します。お客様は、メディアライブラリを深く理解し、重複を減らし、アセットの配置を最適化することで、制作サイクルを最大 50% 短縮し、ストレージを最大 60% 節約できます。
Brahma AI は、小売、エンターテイメント、ヘルスケアの各分野で高忠実度のデジタルライクネスを推進するエンタープライズ AI コンテンツプラットフォームです。安全で管理されたフレームワーク内で、インタラクティブでインテリジェンス主導のデジタルライクネスを実現します。

コンテンツの価値向上: 静的なアーカイブからアクティブなアセットへ

データの価値は、そこから引き出せるインサイトによって決まります。Google Cloud Marketplace に掲載されているパートナー企業は、生成メディアモデルを使用して、膨大な静的アーカイブを検索可能で収益を生み出すエンジンへと変えています。Google Cloud は、すべてのフレームを検出可能にすることで、メディア企業が何十年分もの歴史を即座に機会に変えられるよう支援しています。

Ateme は、生成 AI を活用した新しい字幕ソリューションにより、グローバル配信を簡素化しています。このソリューションによって、さまざまなメディアタイプのローカライズにかかる手作業を大幅に削減できます。
Perfect Memory は、従来のストレージを、コンテキストを認識するナレッジエンジンへと変えるのに役立ちます。このプラットフォームは、アスリート、過去のイベント、感情のニュアンスの関係を理解し、膨大なメディアアーカイブをインテリジェントなライブラリに変換します。クリエイティブチームはあらゆるストーリーに最適なコンテンツを即座に探し出すことができます。
VionLabs は、Cineverse、Plex、Crunchyroll などの企業と連携し、AI を使用してコンテンツライブラリを分析、インデックス化することで、動画アセットへのアクセスを容易にし、メタデータの生成を可能にしています。Vionlabs は、各シーンの具体的なムードやスタイルを理解することで、ストリーミングプラットフォームが基本的なジャンル別タグの枠を超えて、より微妙な感情ベースのコンテンツの発見とマーケティングを実現できるよう支援します。

グローバルリーチへの拡大: シンプルなストリーミングから視聴者の拡大まで

この時代にメディア企業が成功するには、スムーズな視聴体験と簡単な支払い方法を提供する必要があります。Google Cloud のエコシステムは、信頼性と品質に優れた配信を通じて企業のリーチを拡大し、すべての視聴者の価値を最大化できるツールを提供しています。

Bending Spoons は、Google Cloud のグローバルな規模を活用し、Brightcove や Vimeo などの自社サービスを通じて、大企業、中小企業、次世代のクリエイターなどにプロフェッショナルグレードのツールを提供しています。同社のプラットフォームにより、グローバルブランドから独立系のストーリーテラーまで、誰もが質の高い動画を制作、配信できます。
Bitmovin は、ストリーミングサービスが効率的にスケールしながら、幅広いデバイスでプレミアムなエクスペリエンスを提供できるようにします。メディアチームは、リアルタイムのオブザーバビリティと AI による分析情報を組み合わせることで、エンゲージメントと収益化をプロアクティブに最適化できます。また、Bitmovin の高度なエンコードが、低ビットレートで優れた画質を実現し、需要の高いビデオオンデマンド（VOD）から大規模な 24 時間 365 日のライブ配信まで幅広くサポートします。
Evergent は、複雑な請求と収益化のワークフローを自動化し、AI を活用した収益管理を可能にします。メディア企業や通信企業は、Evergent のツールを使用して、個別の状況に応じたアジャイルな支払いオプションを用意することで、サブスクリプションの増加を最大化し、長期的な顧客維持率を向上させることができます。
Harmonic は、Grupo Globo などの大手放送局の業務のモダナイズを支援しています。新しいデジタル放送機能をクラウドベースのストリーミングソリューションに統合することで、リーダー企業が大規模な動画の処理と配信をより迅速かつ効率的に管理できるようにしています。

信頼性の確保: インフラストラクチャから信頼の基盤へ

高品質のコンテンツには、高性能の基盤が必要です。Google Cloud は、インフラストラクチャのリーダー企業と提携し、最も複雑なグローバルブロードキャストの安定性、安全性、応答性を確保しています。

Zixi は、プロフェッショナルな動画をあらゆるネットワーク上で移動するために必要となる放送レベルのトランスポートとワークフローの自動化を提供しています。Zixi は、制御の一元化と、配信プロセスに対する完全な可視性を提供することで、Fubo のようなリーダー企業が、信号が途切れるリスクを負うことなく、重要な放送品質のライブイベントを管理できるようにします。

エコシステムを実際にご覧ください

Google Cloud のエコシステムの強みは、メディアとエンターテイメントのあらゆる側面を統合していることです。カメラからクラウド、そして視聴者の画面まで、各パートナー企業が、よりクリエイティブで効率的、そして主体的なメディア業界の未来を体現しています。

4 月 19～22 日に開催される NAB Show で Google Cloud のブース（West Hall、#W2731）にお越しください。ライブデモやシアターセッションを通じて、多くのパートナー企業のソリューションをご覧いただけます。

- 通信、メディア、エンターテイメント、ゲーム担当グローバルリード、Anshul Kapoor

- Google Cloud、エンターテイメント業界ソリューション担当グローバルリード、Buzz Hays

エージェンティックな組織を実現する Gemini Enterprise：長時間実行エージェント、コラボレーションスペース、高度なガバナンス機能を発表

Thu, 23 Apr 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 4 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

ここ数か月、複雑な後続を持つ組織や厳格な規制下にある組織を含む、あらゆる業界で Gemini Enterprise の導入が進んでいます。その中で、一つの明確な変化が生まれています。企業が求めているのは、単に質問に答えたり、単発のタスクをこなしたりする AI ではありません。数時間から数日間にわたって実行される、複雑で多段階のワークフローを自律的に処理できるエージェントを必要としています。

企業は、自律的なエージェンティックタスクフォースを構築する準備を整えつつあります。しかし、そのためには安全で管理された環境の構築が不可欠です。これには、独自のアイデンティティ、レジストリ、ゲートウェイを備えたエージェントを構築、デプロイし、常に追跡、監視、管理できる状態にすることが求められます。

本日、Google Cloud はこのようなニーズに応えるべく Gemini Enterprise を拡張します。AI を単独の生産性ツールから、ビジネスを支える安全で協調的かつ自律的なエンジンへと進化させます。Gemini Enterprise は、Gemini Enterprise app と、新たに発表した Gemini Enterprise Agent Platform（Vertex AIの機能を元に進化したエージェントのための新しいプラットフォーム）の両方を含む、エージェント時代に向けたエンドツーエンドのシステムです。

Google Cloud Next ‘26 において、Gemini Enterprise app の以下の新機能を発表します。

生成インテリジェンスと決定論的ビジネスロジックの統合による、エンタープライズの信頼性を管理： シンプルなアシスタントから複雑な自律型オーケストレーターまで、コードを一切書かずに幅広いエージェントを構築できます。強化された Agent Designer と再利用可能な Skills を使用し、自然言語またはビジュアルインターフェースのみでワークフローを構成可能です。
自律性によるエージェンティックタスクフォースの拡張： 数日間にわたり複雑な問題を自律的に解決する長時間実行エージェントを構築し、デプロイできます。これらは新しい統合 Inbox コマンドセンターから一元管理できます。
チームとエージェントによるリアルタイムなコラボレーション：チームとエージェントが共有するワークスペース「Projects」と、統合エディタ「Canvas」により、個人の AI 利用からチーム単位の生産性向上へと移行します。
完全なエージェントの可観測性および追跡可能性によるガバナンス： Gemini Enterprise app は新しい Gemini Enterprise Agent Platform 上に構築されており、エンタープライズグレードのガバナンス、可観測性、きめ細かな制御機能が標準で備わっています。
エコシステムとの連携： Google Workspace、Microsoft 365、そして拡大を続けるパートナーエージェントやデータコネクタのエコシステム全体でアクションを運用します。

デジタルタスクフォースによる複雑な業務の自動化

エージェント構築および管理ツール群を活用することで、即時的なアドホックなタスクから、手動のプロンプト入力を必要としない非同期の多段階ワークフローまで、あらゆる業務を誰もが管理できるようになります。

強化された Agent Designer：自然言語またはビジュアルインターフェースでエージェントを作成できます。生成インテリジェンスと、ビジネスロジックを確実に実行する決定論的なノードおよびフローをバランスよく組み合わせることが可能です。ワークフローの各ステップを実行前に検査、テスト、承認できるため、企業の透明性と信頼性が確保されます。また、重要なタイミングでチームがアクションを確認し、承認や専門的なガイダンスを提供するなど、人間参加型（HITL）のチェックポイントをシームレスに組み込めます。これらのエージェントは単に実行するだけでなく、人間とのやり取りを通じて学習し、精度を高めていきます。

再利用可能なアクションのための Skills： 独自の専門知識を再利用可能な Skills として定義できます。ブランドガイドラインの適用やレポートの作成など、特定のワークフローを Skills として定型化し、チーム全体で共有できます。モデルがこれらのスキルを動的に読み込むため、エージェントは常に高いコスト効率を保ちながらタスクに集中できます。必要な時にのみ深い専門知識を呼び出すため、モデルの推論プロセスを複雑化させることもありません。

長時間実行エージェント： エンドツーエンドの財務照合や見込み顧客への高度なアプローチ自動化など、大規模で多段階なワークフローを、単発から定期タスクまで処理できるエージェントを構築および運用できます。Google Cloud の安全なクラウドサンドボックス内で数時間から数日にわたって自律的に動作し、バックグラウンドで複雑なビジネスロジックを調整します。人間が常に監視していなくても、ミッションクリティカルな業務を完遂します。

エージェント管理のための Inbox： Inbox は、すべてのエージェントのアクティビティを監視、指示、安全な管理のための中心的な拠点です。通知は「入力待ち」「エラー」「完了」といったアクション別に直感的に分類しており、進行中のエージェントの進捗状況をを明確に把握できます。

動的でインタラクティブなエージェント UI 体験： 単なるテキストチャットを超え、新たな Agent-to-UI（A2UI）プロトコルのサポートにより、カスタムエージェントはインタラクティブなデータの可視化や構造化フォームといったリッチなネイティブ UI コンポーネントを Gemini Enterprise app 内に直接生成できます。

ハイコードエージェント： エンジニアリングチームや IT リーダーがフルコードで構築した高度なエージェントを、ビジネス部門が利用できるように Gemini Enterprise app に直接公開できます。
統合分析のための Data Insights エージェント： Data Insights は、Google Cloud が開発したネイティブで、すぐに使えるネイティブエージェントです。データウェアハウスやデータベース内の構造化データと、ドキュメント、メール、チャットなどの非構造化データのリッチなコンテキストを橋渡しし、業務の全容を提示します。エージェントが動的に SQL や検索クエリを生成し、「何が起きたか」だけでなく、その背景にある「なぜ」を明らかにします。

強化された Deep Research エージェント： オープンウェブの情報と社内データを自律的に統合し、複雑で多段階な調査を実行します。反復的な推論と長時間実行の推論を組み合わせることで、Deep Research エージェントはバックグラウンドで数時間作業し、引用元を明記した包括的なレポートやエグゼクティブサマリーを作成します。

チームの生産性向上：Projects と Canvas

業務において、チームワークは欠かせません。Google Cloud は、AI を個人の対話相手から、持続的なチーム共有の資産へと進化させます。

Projects： 人間の専門家とエージェントが共同で作業を行う動的なワークスペースです。Google Workspace、Microsoft OneDrive、チームチャットなど、複数のソースにまたがる共有のコンテキストを統合することで、エージェントは特定のプロジェクトにおける専門家として機能します。チームがリアルタイムで協力する場合でも、非同期にキャッチアップする場合でも、断片化したコンテキストを探す手間を省き、新しいアイデアのブレインストーミング、主要な成果物の共同作成、そして最終的にインパクトのある成果につながる情報に基づいた意思決定をともに行えます。

Canvas： Gemini Enterprise 内に直接構築されたインタラクティブエディタです。タブを切り替えることなく、リッチな書式設定とライブ共同編集を備えた単一の画面で Google ドキュメントや Google スライドを作成し、編集できます。また、Microsoft 365 との相互運用性も備えており、Canvas で作成したファイルを Office 形式でエクスポートすることも可能です。

オープンで接続されたエンタープライズエコシステム

強化された Agent Gallery：Agent Gallery は、 Google 製、自社製、およびパートナー製のエージェントを集約した窓口です。本日、Agent Gallery 内に Agent Marketplace をリリースします。Accenture、Oracle、ServiceNow などのサードパーティによる専門的なエージェントを、簡単に閲覧および申請でき、承認されたエージェントは Agent Gallery に表示されます。Gemini Enterprise 内から自然言語で、複雑なワークフローを実行できるようになります。

Bring Your Own Model Context Protocol（BYO-MCP）の統合： 検証済みの豊富なコネクタに加え、BYO-MCP のサポートを開始します。これにより管理者は、独自のカスタムツール、サードパーティのビジネスツールや社内ワークフロー、カスタム構築アプリケーションを Gemini Enterprise app に安全に接続できます。これにより、ノーコードエージェントが自社サーバー上のツールを検出、実行できるようになるため、自動化の可能性が広がり、AI 体験を自社独自のエンタープライズワークフローに合わせて最適化できます。
クロスプラットフォームの統合インテリジェンス： Gemini Enterprise は、分散したデータ全体にわたって統合インテリジェンスを提供します。データが Google Workspace、Microsoft 365、またはその他ビジネスアプリケーションに存在していても、 Gemini Enterprise はネイティブの権限設定を厳格に遵守します。企業のガバナンスやユーザーのアクセス制御を損なうことなく、強力なインサイトを引き出すことができます。

エンタープライズスケールのガバナンスを追加費用なしで標準搭載

エンタープライズ AI への信頼は、多層的な信頼の基盤の上に成り立ちます。Gemini Enterprise ポートフォリオは、追加コストなしで、あらゆるレベルで信頼性を提供します。システム全体を Google のセキュアバイデザインインフラストラクチャ上に構築しており、その中核となる Gemini Enterprise Agent Platform が包括的なガバナンスコントロールを提供します。Gemini Enterprise Agent Platform と Gemini Enterprise app の両方で構築されたエージェントは、共通のルールで管理されるため、企業は一貫した手法でエージェンティックな業務の安全性を確保することが可能です。

主な制御機能には以下が含まれます：

きめ細かなアクセス制御の適用：Agent Identity により、実行場所を問わず、エージェントに固有のデジタル ID を割り当て、最小権限の原則を適用できます。
承認済みエージェントの整理および共有：Agent Registry により、IT チームは承認済みの再利用可能なエージェントを厳選し、従業員に配布するための一元的なカタログを管理できます。
「シャドー AI」を「管理された AI」へ：Agent Gateway により、IT チームはネットワークポリシー、データアクセス、およびセキュリティガードレールの一元管理が可能です。プロンプトインジェクションなどのリスクを防護するだけでなく、Context Aware Access 機能を利用したゲートウェイが、企業固有のルールを厳格に適用し、エージェントが未承認のエンドポイントにデータを送信しないようにします。

Gemini Enterprise Agent Platform の詳細については、こちらをご覧ください。

展開時期

これらの新機能は今後数か月にわたり順次展開する予定です。Gemini Enterprise の新機能を活用し、チームを強化するにはこちらをご覧ください。

Google AI インフラストラクチャの次なる展開：エージェンティック時代に向けたスケーリング

Thu, 23 Apr 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 4 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

AI は、質問に答える段階から、高度な推論を行い、タスクを実行する段階へと進化しています。今日のエージェンティック時代を牽引する企業には、これらの新しい要件に合わせて設計、最適化されたコンピューティングインフラストラクチャが必要です。本日、Google Cloud Next ‘26 において、イノベーションの加速、魅力的なユーザー体験と顧客体験の提供、そしてコストとエネルギー効率の最適化を大規模に実現する、新しい AI インフラストラクチャ機能を発表します。

エージェンティックインテリジェンスへの移行

エージェンティック時代では、たった一つの意図が連鎖反応を引き起こします。チャットとは異なり、主要な AI エージェントは目標を具体的なタスクへと分解し、専門化されたエージェント群がリアルタイムで連携し、状態を保持し、強化学習を用いて成果を出します。

このプロセスは、インタラクションごとのインテリジェンスを拡張させる一方、従来のアーキテクチャではコストの急増やパフォーマンスのボトルネックなしには対応できない複雑性をもたらします。効率的かつ効果的にスケールするには、断片化したコンポーネントや技術を手動で統合する段階から脱却しなければなりません。スマートで高速かつ、スケーラブルでコスト効率に優れたエージェンティック体験を提供するには、専用ハードウェア、オープンソフトウェア、柔軟な利用モデルにまたがる統一されたインフラストラクチャスタックが必要です。

Google の AI Hypercomputer は、エージェンティック時代のために構築され、これらの新しい要件を満たすように設計された AI 最適化インフラストラクチャです。これは、Google のフラッグシップモデルである Gemini、コンシューマー向け AI サービス、およびエンタープライズ向け AI ソリューションを支える基盤と同じものです。本日、以下を含む AI インフラストラクチャポートフォリオの大幅な拡張を発表します。

TPU 8t および TPU 8i：第 8 世代 TPU
A5X ベアメタルインスタンス：NVIDIA Vera Rubin NVL72 を搭載
Axion N4A VM：カスタム Arm ベース CPU「Axion」を搭載
Google Compute Engine 第 4 世代 VM：Intel および AMD の x86 ベース CPU を搭載
Virgo ネットワーク：AI ワークロード向けの革新的なデータセンターファブリック
Google Cloud Managed Lustre：高パフォーマンスな並列ファイルシステム
Z4M VM：大容量のローカル SSD ストレージと、オープンな並列ファイルシステム向け RDMA を搭載
専用 KV キャッシュ：スケーラブルなストレージサブシステム
ネイティブ PyTorch：TPU をサポート
Google Kubernetes Engine (GKE) の新機能：エージェントネイティブなワークロード運用に対応

これらの機能を組み合わせることで、モデルや複雑なエージェンティックワークフローの開発を促進し、イノベーションを加速させ、有用でレスポンシブなサービスを顧客に提供しつつ、大規模なコスト削減と責任あるエネルギー利用を実現します。

詳細をご紹介します。

エージェンティック AI 向けに構築された第 8 世代 TPU システム

本日、エージェンティック時代に特化して設計された第 8 世代 Tensor Processing Unit（TPU）を発表します。今回初めて、用途の異なる 2 つのチップと専用システムが登場します。

TPU 8t は、高スループットの AI ワークロード向けに設計されたトレーニングの原動力です。AI 開発の規模を再定義し、前世代よりも 3 倍近く高い演算性能を提供することで、大規模モデルのトレーニング時間を短縮します。単一のスーパーポッドに 9,600 個のチップを搭載し、121 エクサフロップスの演算能力と 2 ペタバイトの共有メモリを高速な ICI（チップ間相互接続）でつなぎます。大規模なコンピューティングプール、統合メモリ、そして 2 倍になった ICI 帯域幅により、最も複雑なモデルでもほぼ線形のスケーリングと最大限のシステム利用率を実現します。Pathways と JAX によってオーケストレーションされた単一クラスター内の 100 万以上の TPU チップのパワーで、数ヶ月かかっていたトレーニングを数週間に短縮できます。

TPU 8i は、推論と強化学習（RL）のための革新的な推論システムであり、エージェンティックワークフローや Mixture of Experts（MoE）モデルに必要な超低遅延を実現します。オンチップ SRAM を 384 MB に 3 倍増、高帯域幅メモリ（HBM）を 288 GB に増強し、大規模な KV キャッシュを完全にシリコン上に保持することで「メモリの壁」を打破しました。これにより、TPU 8i は前世代と比較して推論の価格パフォーマンスを 80% 向上させ、高速でインタラクティブなユーザー体験をコスト効率よく実現します。

TPU 8t および TPU 8i は、まもなく Google Cloud のお客様に提供予定です。アーキテクチャの詳細については、こちらをご覧ください。

NVIDIA Vera Rubin プラットフォームを搭載した A5X

私たちは、一つの手法がすべてに適合するわけではないことを理解しています。お客様ごとにワークロードや要件、ユースケースは異なります。そのため、Google は NVIDIA と深く連携し、最新の GPU プラットフォームを Google Cloud 上で信頼性と拡張性の高いサービスとして提供しています。本年後半に利用可能になる次世代の NVIDIA Vera Rubin プラットフォームに基づいたインスタンスは、いち早く提供予定です。

また、Open Compute Project を通じて、オープンソースの Falcon ネットワークプロトコルを NVIDIA と共同開発しており、信頼性の高いトランスポートプロトコルの限界に挑んでいます。A5X には Falcon の革新的なコンセプトが数多く実装される予定です。

例えば、Thinking Machine Labs は Google の NVIDIA ベースのインフラストラクチャを活用して、特化型のユースケースに向けたフロンティアモデルの強化学習やファインチューニングを行うオープンプラットフォーム「Tinker」を構築しています。Google の AI Hypercomputer を使用することで、トレーニングとサービングの両方において 2 倍以上の高速化を実現しています。

Axion、Intel、AMD によるエージェンティックロジックと強化学習の推進

GPU や TPU は AI モデルのトレーニングやサービングに優れていますが、コア AI モデルを取り巻く複雑なロジック、ツール呼び出し、フィードバックループを処理するには、高パフォーマンスな CPU ベースのサービスで補完する必要があります。新しい Axion 搭載 N4A CPU インスタンスは、これらのエージェントランタイムに対して優れたコストパフォーマンスを提供します。実際、Google Axion N4A を搭載した GKE Agent Sandbox は、他のハイパースケーラー上のエージェントワークロードと比較して、最大 30% 優れた価格パフォーマンスを実現します。

この効率性は、Intel および AMD の最新 x86 インスタンスを搭載した第 4 世代 Compute Engine VM ファミリーを含む、Google のポートフォリオ全体に及んでいます。これらは、RL の報酬計算、エージェント運用、ネストされた可視化など、幅広い RL タスク向けに最適化されており、あらゆる AI ワークロードに対して最適な機能を提供します。

データセンタースケールアウトファブリックのための Virgo ネットワーク

AI Hypercomputer の一部である Virgo ネットワークは、大規模な AI ワークロードの厳しい要件を満たすよう設計されています。前世代の 4 倍の帯域幅を持つコラプスドファブリックアーキテクチャにより、「スケーリングにかかるオーバーヘッド」を排除し、驚異的なピーク演算能力を提供します。この性能により、最も野心的な AI ワークロードもほぼ線形の効率でスケールできます。

Virgo ネットワークと TPU 8t を使用することで、一つのデータセンター内で 134,000 個の TPU を単一のファブリックに接続し、複数の拠点にわたって 100 万個以上の TPU を学習クラスターとして接続することが可能です。これにより、世界中に分散したインフラを、実質的に一つのシームレスなスーパーコンピュータへと変革できます。

また、Virgo ネットワークを A5X（NVIDIA Vera Rubin NVL72 搭載）にも提供し、一つのデータセンターで最大 80,000 GPU、複数の拠点にまたがって最大 960,000 GPU をサポートします。

ストレージ：データボトルネックの最小化

大規模なコンピューティングクラスタの効果は、データを供給するストレージシステムの性能に依存します。コンピューティングの高速化に伴い、ストレージがボトルネックにならないよう、以下の 4 つの主要な進歩を提供します。

トレーニングと推論の加速：Google Cloud Managed Lustre は 10 TB/s の帯域幅を実現しています。これは昨年比で 10 倍の向上、他のハイパースケーラーと比較して最大 20 倍高速化しています。また、容量を 80 ペタバイトまで拡張しました。これらの進歩は、新しい C4NX インスタンスと Hyperdisk Exapools によって実現しています。
遅延の最小化：Managed Lustre は、新しい TPUDirect および RDMA を活用し、データがホストをバイパスしてアクセラレータへ直接移動することを可能にしています。この処理オーバーヘッドを排除することで、AI エージェントはユーザーが求めるほぼ瞬時の速度で応答できるようになります。
トレーニングのピーク稼働率を維持：Google Cloud Storage の Rapid Buckets は、ミリ秒以下の遅延と毎秒 2,000 万オペレーションにより、オブジェクトストレージを刷新します。これにより、大規模なトレーニングのチェックポイントとリカバリをほぼ瞬時に実行、アクセラレータの稼働率を 95% 以上に維持できるようになり、トレーニングサイクルを加速させると同時に、貴重な TPU や GPU のコスト効率も向上します。
カスタムソリューションの構築： ストレージソリューションを独自に構築したい ISV や組織向けに、Vast Data や Sycomp といった信頼性の高い並列ファイルシステムを統合したいお客様向けに特別設計した Z4M インスタンスをリリースします。各 Z4M インスタンスは最大 168 TiB のローカル SSD 容量まで拡張可能で、数千台規模の RDMA クラスタに展開できます。

これらの新しいストレージオプションは包括的なストレージポートフォリオを提供し、AI Hypercomputer スタックの圧倒的なパワーを、各ユースケースに最適なストレージサービスとともに提供します。

GKE：エージェントネイティブワークロードの運用

エージェンティック時代において、インテリジェンスはスケールできる速度に影響されます。そこで、GKE をエージェントネイティブなワークロードのための主要なオーケストレーションエンジンへと進化させました。

スタック全体でのレイテンシ削減

レスポンシブなエージェンティック応答をサポートするために、起動およびスケールアウトプロセスのあらゆる瞬間を最適化しています。需要の急増へのインフラストラクチャの対応を合理化することで、GKE はユーザーがシステムに関与した瞬間にエージェントが準備できていることを保証します。GKE の新機能は以下の通りです。

ノードおよびポッド起動の高速化：GKE ノードの起動は最大 4 倍高速化、ポッドの起動時間は最大 80% 短縮されました。
迅速なモデルロード：run:AI Model Streamer と Google Cloud Storage の Rapid Cache を活用することで、モデルの読み込み速度が 5 倍向上し、従来のストレージのボトルネックが解消されます。

AI 搭載の Inference Gateway によるインテリジェントなルーティング

昨年公開した GKE Inference Gateway を基盤として、「AI のための AI」で大規模なサービングにおける複雑な課題を解決しています。

Inference Gateway の新しい予測型レイテンシブーストは、従来のヒューリスティックな推測を、機械学習によるリアルタイムのキャパシティを考慮したルーティングに置き換えます。このインテリジェントな運用により、手動でのチューニングなしに、Time-to-First-Token（TTFT）の遅延を 70% 以上削減します。企業にとって、より自然な音声会話や、さまざまなユースケースにおけるスムーズでリアルタイムなインタラクションに直結します。

Inference Gateway は、Cloud Native Computing Foundation（CNCF）のサンドボックスプロジェクトとして承認された、Kubernetes ネイティブの高パフォーマンスな分散 LLM 推論フレームワークである llm-d と共にデプロイ可能です。Google Cloud は、Red Hat、IBM Research、CoreWeave、NVIDIA と共に llm-d の創設メンバーであることを誇りに思っています。私たちは、「あらゆるモデル、あらゆるアクセラレータ、あらゆるクラウド」という、業界を定義する明確なビジョンのもとに団結しています。

AI ライフサイクル全体を支えるオープンソフトウェアエコシステム

ハードウェアは、共同設計されたソフトウェアにより、その潜在能力を発揮します。AI Hypercomputer は、JAX、PyTorch、vLLM などの業界で人気なフレームワークに対してネイティブかつ最適化されたサポートを提供することで、エンジニアの開発スピードを高速化します。このオープンなソフトウェアレイヤーが開発とデプロイの間の摩擦を軽減し、市場投入までの時間の短縮とリソース効率の向上を実現します。

現在、一部のお客様を対象に、TPU 向けのネイティブ PyTorch サポート「TorchTPU」のプレビュー版で提供しています。TorchTPU を使用すると、Eager Mode などのネイティブ PyTorch 機能を完全にサポートしながら、モデルをそのままの形で TPU 上で実行できます。これに TPU 上での vLLM の強固なサポートを組み合わせることで、「オープン性とお客様の選択肢を常に重視して構築する」ことにコミットしています。

エージェンティックな成長のための基盤

エージェンティック時代において、迅速かつコスト効率よくイノベーションを実現するには、パフォーマンスと選択肢を妥協しない統合システムが必要です。それこそが AI Hypercomputer が提供するものです。シリコンからソフトウェアまですべてのレイヤーを共同設計することで、統合の負担を取り除き、お客様のチームがビジネスの推進に集中できるようにします。

AI Hypercomputer は、Google のハイレベルサービスのエコシステム全体を支える強力な基盤としても機能します。この統合されたスタックは、Gemini Enterprise から Gemini Enterprise Agent Platform まで、あらゆるサービスを支えており、これらすべてのインフラストラクチャのイノベーションが直接的なビジネス価値へと変換されることを保証します。サーバーレストレーニングサービスや新しい Managed RL API などのフルマネージドサービスを活用することで、AI Hypercomputer の圧倒的なパフォーマンス向上を適用して独自のビジネスロジックで Gemini をカスタマイズし、高度なエージェントベースのソリューションを実現できます。

この更新および拡張された AI プラットフォームを使って、皆様が次に何を構築されるのか、非常に楽しみにしています。

次世代のエージェントを推進する Gemini Enterprise Agent Platform を発表

Wed, 22 Apr 2026 03:49:00 +0000

※この投稿は米国時間 2026 年 4 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

生成 AI の黎明期において、安全で信頼性の高いビジネスツールを構築するには、膨大なエンジニアリングリソースと、試行錯誤に対する高い許容度が必要でした。私たちは、AI 開発プラットフォームである Vertex AI を通じて、こうした課題の解決を支援してきました。しかし現在、新たな段階の複雑さが課題となっています。AI エージェントが複数のシステム間で相互作用する中で、セキュリティやガバナンスのガードレールが十分に整備されないまま運用が行われているのが現状です。

AI エージェントがチームの一員として独立性と信頼性を持って行動できる真の自律的エンタープライズへと進化するためには、信頼性を維持できる強固な基盤が必要です。

新機能のご紹介：本日、AI 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、新しい包括的なプラットフォーム Gemini Enterprise Agent Platform を発表します。本プラットフォームは、Vertex AI の進化形であり、多くのお客様から高く評価されているモデルの選択、構築、エージェントの構築機能に加え、エージェントの統合、DevOps、オーケストレーション、セキュリティに関する新機能を統合しています。

Gemini Enterprise Agent Platform は、技術チームが製品、サービス、運用を変革する AI エージェントを構築するためのワンストップの拠点となります。これらのエージェントは、Gemini Enterprise appを通じて従業員にシームレスに提供され、IT 運用と緊密に統合することで、拡張する際にも、制御、ガバナンス、セキュリティの確保を支援します。

このプラットフォームは Model Garden を通じて、200 以上の主要なモデルへのアクセスを提供します。Gemini 3.1 Pro、Gemini 3.1 Flash Image、Lyria 3 を含む最新のファーストパーティ製モデルに加え、Gemma 4 などのオープンモデル、また、Anthropic の Claude Opus、Sonnet、Haiku といったサードパーティ製モデルもサポートしており、お客様は業務要件に合わせて最適なモデルを柔軟に選択できます。

今後、次世代のエージェント開発を推進するため、すべての Vertex AI のサービスとロードマップの拡充は、スタンドアロンのサービスとしてではなく、Gemini Enterprise Agent Platform を通じて一元的に提供されます。

Gemini Enterprise Agent Platform がビジネスにもたらす価値：Gemini Enterprise Agent Platform は、個々の AI タスクの管理から、信頼に基づいたビジネス成果の創出への移行を支援します。

構築：新しい Agent Studio のローコードで直感的なインターフェースから、アップグレードされた Agent Development Kit（ADK）のコードファーストのロジックまで、業務に最適な環境を選択できます。AI ネイティブなコーディング機能により、開発ライフサイクル全体を簡素化し、本番グレードのエージェントの迅速なリリースを支援します。
拡張：再設計された Agent Runtime により、本番環境への円滑なデプロイを実現します。数日間にわたって状態を維持する長時間実行型のエージェントをサポートし、永続的かつ長期的なコンテキストを保持する Memory Bank によって支えられています。
ガバナンス：Agent Identity、Agent Registry、Agent Gateway により、一元的な管理体制を確立します。これらの機能により、Gemini Enterprise Agent Platform 上で構築されたエージェントから、パートナーエコシステムのエージェントまで、すべてのエージェントが追跡可能な ID を持ち、エンタープライズグレードのガードレール内で動作することを支援します。
最適化：Agent Simulation、Agent Evaluation、Agent Observability により、品質を保証します。これらのツールは、完全な実行トレースとエージェントの推論に対するリアルタイムな可視性を提供し、エージェントが常に目標を達成できるよう支援します。

Gemini Enterprise Agent Platform を使い始めましょう：Google Cloud コンソールの Gemini Enterprise Agent Platform にアクセスして、新機能をお試しいただき、今すぐ構築を開始できます。

最新リリースの詳細や、Gemini Enterprise Agent Platform があらゆる段階で信頼できる本番環境対応エージェントの実現をどのように支援するかについては、以下をご覧ください。

お客様が Gemini Enterprise Agent Platform で実現していること

「Burns & McDonnell では Gemini Enterprise Agent Platform を使用し、組織の知識を企業全体に適用する方法を変革しています。ADK を活用することで、数十年にわたるプロジェクトデータをリアルタイムで実用的なインテリジェンスに変換する AI エージェントを構築しています。Gemini Enterprise Agent Platform は、確定的なビジネスルールと確率的な推論を組み合わせることで、このイノベーションを責任ある形でスケーリングできます。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。Gemini Enterprise Agent Platform により、私たちは単に知識を管理するのではなく、経験を活性化させることで、より迅速で自信を持った意思決定を推進しています。」Burns & McDonnell、チーフイノベーションオフィサー、Matt Olson 氏

「Color Health では、エンドツーエンドのケアを提供する Virtual Cancer Clinic を Gemini Enterprise Agent Platform で強化しています。Color Assistant を Agent Development Kit（ADK）で構築し、Agent Runtime を介してスケーリングすることで、より多くの女性が乳がん検診を受けられるよう支援しています。Color Assistant は、ユーザーに検診の適格性を確認するよう促し、臨床医に繋ぎ、予約をサポートします。このエージェントの強みはそのスケーラビリティにあり、より多くの人々にリーチし、個々のリスクや適格性にリアルタイムで対応することを可能にします。」

Color、AI プラットフォーム責任者、PhD.、Jayodita Sanghvi 氏

「Comcast の Xfinity Assistant を Agent Development Kit（ADK）で再構築したことで、単純なスクリプト型の自動化を超え、パーソナライズされたトラブルシューティングやセルフサービスサポートを顧客に提供する、対話型の生成インテリジェンスへと進化しました。Agent Runtime は Gemini を介した安全でグラウンディングされたやり取りを確実にしつつ、デジタルコンテインメントを向上させる高度なマルチエージェントアーキテクチャの展開を加速しています。私たちは、顧客の問題を初回で解決して再度の問い合わせを減らすだけでなく、顧客体験を大規模に再定義しています。」

Comcast、コネクティビティ＆プラットフォーム、チーフテクニカルオフィサー、Rick Rioboli 氏

「Geotab では、AI Agent Center of Excellence の急速な加速に Gemini Enterprise Agent Platform を活用しています。Google の Agent Development Kit（ADK）は、単一のガバナンスされた本番環境への経路のもとで、さまざまなフレームワークを運用できる柔軟性を提供します。同時に、構築、テスト、デプロイのサイクルを大幅に短縮する卓越した開発者体験を提供しています。Geotab にとって ADK は、エージェンティック AI ソリューションを企業全体で迅速かつ安全に拡張するための基盤です。」

Geotab、データ＆アナリティクス担当副社長、Mike Branch 氏

「ぐるなびでは Gemini Enterprise Agent Platform を活用し、AI 飲食店探索アプリ『UMAME!』を開発しており、ユーザーのコンテキストを深く理解するために Memory Bank を活用しています。従来のプロンプトベースのシステムとは異なり、エージェントはユーザーの過去の行動や好みを記憶し、最適な選択肢を積極的に提示します。これにより手動検索の手間が不要となり、ユーザー満足度を 30% 以上向上させるシームレスな体験を生み出します。私たちは、このメモリ機能が新しい食体験の未来にとって不可欠な機能であると考えています。」

株式会社ぐるなび、CTO、岩本俊明氏

「L'Oréal において Beauty Tech は単なるサポート機能ではなく、世界を動かす美を創造するための強力な原動力です。この目標を実現するため、L'Oréal は Google Cloud を基盤とした独自の Beauty Tech Agentic Platform を構築しています。Agent Development Kit（ADK）を活用し、決定論的なワークフローの自動化から、自律的な成果志向のエージェント運用への根本的な転換を推進しています。エージェントは、孤立した存在ではなく、Model Context Protocol（MCP）を通じて Beauty Tech Data Platform や主要な業務アプリケーションを含む、信頼できる企業の実体に安全に接続されています。Google Cloud は、人間による監視を中心に据えながら、このプラットフォームをグローバルに拡張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

「Payhawk では、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へと変革しています。Memory Bank を活用することで、ステートレスな対話から長期的なコンテキストの保持へと移行しました。私たちのエージェントは専任のチームメンバーのように、ユーザー固有の制約や履歴を自律的に記憶します。例えば、Financial Controller Agent はユーザーの習慣を記憶して経費を自動提出するため、提出までにかかる時間を 50% 以上削減しています。この変化により、エージェントはプロンプトに反応するだけでなく、過去の行動に基づいてニーズを予測できるようになります。」

Payhawk、プリンシパルアプライド AI エンジニア、Diyan Bogdanov 氏

「PayPal では、Gemini Enterprise Agent Platform を使用してエージェントを迅速に構築し、本番環境にデプロイしています。具体的には、Agent Development Kit（ADK）と視覚的なツールを使用してエージェントの相互作用を検査し、マルチエージェントワークフローを管理しています。これにより、インテントと支払い権限のフローの段階的な可視性が得られます。Gemini Enterprise Agent Platform 上の Agent Payment Protocol（AP2）は、信頼できるエージェント決済のための重要な基盤となり、私たちのエコシステムが安全なエージェントベースのコマース体験を迅速に提供できるよう支援します。」

PayPal、AI プリンシパルエンジニア、Nitin Sharma 氏

AI エージェントの構築

開発者からビジネスユーザー、さらにはその中間に位置するあらゆるユーザーが、AI エージェントを大規模に構築し、デプロイできるよう支援することで、迅速かつ容易な AI エージェント作成を支援します。

よりスマートなエージェントを、より迅速に構築

ADK の大幅なアップグレード：Gemini モデルでは、ADK を通じて毎月 6 兆以上のトークンが処理されています。エージェントをサブエージェントのネットワークとして組織化することで、より高度な推論機能を実現します。この新しいグラフベースのフレームワークにより、エージェントが連携して複雑な問題を解決するための、明確で信頼性の高いロジックを定義できます。
セキュリティバイデザインのワークスペース：コアシステムから分離され、bash コマンドの実行やファイルの安全な管理を許可する、強化されたサンドボックス環境をエージェントに提供します。
マルチモーダルストリーミング：ライブ音声や映像キューに対するマルチモーダルサポートにより、リアルタイムの対話において人間に近い安定性をもたらします。

エージェントをエンタープライズに接続

あらゆるシステムへの安全なアクセス：Native Ecosystem Integrations によるプラグアンドプレイアーキテクチャを使用し、カスタムコーディングなしでエージェントを社内データやツールに接続します。
バックグラウンド運用の自動化：バッチ＆イベント駆動型エージェントにより、BigQuery や Pub/Sub のデータを活性化させます。これにより、コンテンツ評価やデータ分析などの大規模な非同期タスクをバックグラウンドで実行できます。

アイデアから本番環境へ数時間で

AI ドリブン開発の実現：エージェントが Google の包括的なエージェント機能群にアクセスするためのプログラマティックインターフェースを提供し、ユーザーに代わって本番環境対応エージェントの構築、評価、デプロイを行えるようにします。
Agent Studio で直接エージェント構築が可能に：Agent Studio 内で、シンプルなプロンプトの作成から複雑なエージェントのデプロイまでをシームレスに移行できるようになりました。高度なカスタマイズが必要になった場合は、ロジックを直接 ADK にエクスポートし、フルコード環境で開発を継続できます。
構築済みのエージェントによる迅速な開始：Agent Garden で厳選されたエージェントテンプレートにアクセスできます。これにはコードのモダナイゼーション、財務分析、経済調査、請求書処理などが含まれており、マルチエージェントシステムの即時構築要素として活用できます。

AI エージェントの拡張

概念実証（PoC）からライブ環境へ移行するには、実際の業務におけるパフォーマンス、状態管理、セキュリティ要件に対応できるプラットフォームが必要です。

高性能なエージェント実行の推進

最新の Agent Runtime：刷新された Agent Runtime は、1 秒未満のコールドスタートを実現し、新しいエージェントを数秒でプロビジョニングできます。
数日間にわたるワークフローのサポート：数日間にわたって自律的に実行される長時間実行型エージェントをデプロイできるようになりました。これにより、営業のプロスペクティングシーケンスの管理など、長期的な持続性を必要とする複雑な多段階ワークフローや深い推論タスクをエージェントが管理できるようになります。
セキュリティバイデザイン環境での自律アクション：Agent Sandbox は、モデルが生成したコードを安全に実行し、ホストシステムにリスクを与えることなくブラウザベースの自動化などのコンピュータユースタスクを実行するための強化された環境を提供します。
エージェント間のオーケストレーション：エージェントが複雑で、生成型、および確定的な運用パターンのサポートを含め、互いにシームレスにタスクを委譲できるようにします。これにより、コンプライアンスなどの重要なフローにおいて、エージェントは常に規定の経路に従います。

一時的なセッションデータを超えた、高精度なコンテキストの実現

インタラクションのパーソナライズ：Agent Memory Bank は、会話から長期的な記憶を動的に生成し、管理します。新しい Memory Profiles を使用することで、エージェントは低レイテンシで高精度な詳細情報を想起でき、コンテキストが失われることはありません。
AI の対話と既存レコードの連携：Agent Sessions を使用して履歴を保存、管理します。Custom Session IDs により、独自の識別子を使用してセッションを追跡し、社内データベースや CRM レコードに直接マッピングできます。
リアルタイムで人間のような対話を実現：Bidirectional Streaming 向けの WebSocket プロトコルを使用することで、顧客や従業員とのリアルタイムのやり取りにおいてエージェントの応答性を高め、遅延なく音声や映像を処理できるよう支援します。

AI エージェントのガバナンス

Gemini Enterprise Agent Platform 上で構築されたものからパートナーエコシステムから提供されたものまで、組織内のあらゆるエージェントにエンタープライズグレードの厳格さを適用する、セキュリティバイデザインアーキテクチャでガバナンスを実現します。

ID およびアクセス管理に関する信頼できる企業の実体を通じて、すべてのエージェントを一元管理します。

すべてのエージェントに検証可能な ID を付与：Agent Identity は、すべてのエージェントに固有の暗号化 ID を付与することで、エージェントのセキュリティ体制を向上させます。これにより、エージェントが行うすべての操作について、定義された認可ポリシーに紐付いた、明確で監査可能なトレースを作成します。
承認済みツールの一元ライブラリを維持：新しい Agent Registry は、信頼できる企業の実体を提供します。すべての社内エージェント、ツール、スキルをインデックス化することで、検索を簡素化し、ガバナンスおよび承認された資産のみをユーザーが利用できるようにします。
単一の制御ポイントからエージェント群を管理：Agent Gateway は、エージェントエコシステムにおける管制塔のような役割を果たします。あらゆる環境におけるエージェントとツールの間に安全で統合された接続性を提供すると同時に、一貫したセキュリティポリシーとプロンプトインジェクションやデータ漏洩から保護する Model Armor の適用を徹底します。

AI を活用したインサイトを活用し、ビジネスに影響が出る前に潜在的リスクや不審な挙動を検知

不審な挙動をリアルタイムで検知：Agent Anomaly Detection は、統計モデルと LLM-as-a-judge フレームワークを使用して、異常な推論にフラグを立てます。これは Agent Threat Detection と連携して、リバースシェルや既知の不正な IP アドレスへの接続といった悪意のある活動を可視化します。
脆弱性の自動発見：Security Command Center を基盤とした新しい Agent Security ダッシュボードが、脅威検知とリスク分析を統合します。これにより、チームはエージェントとモデル間の関係のマッピング、アセット検出の自動化、基盤となるオペレーティングシステムや言語パッケージの脆弱性スキャンを行えるようになります。

AI エージェントの最適化

Gemini Enterprise Agent Platform は、AI のパフォーマンスを把握するために必要な可視性を提供し、ロジックの改善や継続的な学習を容易にします。

リリース前のエージェントのテスト

リアルな会話をシミュレート：Agent Simulation を使用し、制御された環境下で、人間のような合成ユーザーインタラクションや仮想化されたツールに対してエージェントをテストします。エージェントは、多段階の会話全体にわたるタスクの成功率と安全性に基づいて自動的にスコアリングされます。

本番環境での監視と改善

ライブパフォーマンスの追跡：Agent Evaluation を使用し、単一の応答だけでなく会話全体のロジックを評価できるマルチターン自動評価機能を用いて、実際のトラフィックに対してエージェントを継続的にスコアリングします。すぐに利用可能なダッシュボードと Agent Observability により、複雑な推論を視覚的にトレースし、問題が発生した際にデバッグできます。
エージェントの改善を自動化：ログを手動で調査する代わりに、Agent Optimizer が実際の失敗を自動的にクラスタリングし、精度を向上させるための洗練されたシステム指示を提案します。

詳細なテクニカルガイドおよびアップデートの完全なリストは、更新されたドキュメントとリリースノートでご確認いただけます。Gemini Enterprise Agent Platform は、実験段階から本番規模でのインパクトへと移行するための、エンタープライズエージェント開発の新しい標準です。

新しい Gemini Enterprise : エージェントの開発、連携、管理を集約した統合プラットフォーム

Wed, 22 Apr 2026 03:45:00 +0000

※この投稿は米国時間 2026 年 4 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

AI の第一波は情報の探し方を変えましたが、次なる波は仕事の進め方を変えようとしています。本日、Google Cloud は最も強力な AI ツールを強化し、それらを 1 つに統合します。

Gemini Enterprise は、複雑で多段階のワークプロセスを実行できるエージェント向けに構築された、エージェンティック時代を支えるエンドツーエンドのシステムへと進化しました。最先端の AI モデルへのアクセス、直感的な UI、安全な開発フレームワーク、そしてエージェントを大規模にデプロイできる機能を組み合わせています。

Google Cloud は Next ’26 において、以下の主要なコンポーネントを含む、拡張された Gemini Enterprise ポートフォリオを発表しました。

Gemini Enterprise Agent Platform は、Vertex AI の機能を元に進化したエージェントのための新しいデベロッパープラットフォームです。これは、Google のあらゆるモデル、開発、チューニングサービスを統合し、複雑なビジネスワークフローを自律的に実行するエージェントを、企業が構築、拡張、管理、最適化するための新機能を提供します。詳細については、こちらをご覧ください。
Gemini Enterprise app を使用することで、チームは単一のセキュアな環境で AI エージェントの検索、作成、共有、実行が可能になります。Gemini Enterprise appは Gemini Enterprise Agent Platform 上に構築されているため、すべてのガバナンス、セキュリティ、アイデンティティ機能が標準で備わっています。また、コネクタを介してサードパーティシステム内のデータを含むエンタープライズデータと統合します。
Oracle、Salesforce、ServiceNow などのリーダー企業が提供する幅広いサードパーティエージェントをセキュリティとガバナンスが確保された環境で検索し、展開できるオープンなパートナーエコシステムを提供します。

組織が数千ものエージェントを構築し、管理し始める中で、監視を強化し、エージェントの乱立を最小限に抑えるための新しい方法が必要とされています。Gemini Enterprise により、 IT 部門はエージェントの権限とアクティビティを安全に管理できます。給与計算や四半期財務報告といった不可欠なビジネスアプリケーションと同等のレベルの監視および監査能力を提供します。

Gemini Enterprise の統合されたアプローチは、組織全体に多くのメリットをもたらします。

デベロッパー向け：Gemini Enterprise Agent Platform は、Google Cloud のインフラストラクチャ上に構築され、データおよびセキュリティ機能と深く統合された、エージェンティックエンタープライズのための基盤です。技術チームは、組織内の業務を拡張するエージェントとともに、製品やサービスを革新する画期的なエージェントを構築できます。ローコードの Agent Studio、 Agent Development Kit（ADK）のサポート、 A2A や MCP といったプロトコルなどのツールを備えた Gemini Enterprise Agent Platform は、組織全体でエージェントを構築、拡張、最適化するための鍵となります。
IT チーム向け：Gemini Enterprise Agent Platform でガバナンスのための一元的なコントロールプレーンを提供するため、すべての従業員が IT 部門の完全な可視性の下でエージェントを使用し、共有できます。ノーコードおよびプロコードの両方のエージェントも、アイデンティティ、セキュリティ、監査に関する一貫したモデルを通じて管理されるため、イノベーションを妨げることなく AI の乱立を防ぐことが可能です。
ナレッジワーカー向け： Gemini Enterprise app は、組織のすべての従業員にとって AI への入り口となります。ナレッジワーカーは、ノーコードの Agent Designer を使用して独自のエージェントを構築し、Google Cloud Marketplace の幅広いパートナー製エージェントを活用できます。これらのエージェントは、ガバナンスとコンプライアンスの制御機能が組み込まれた状態で、組織全体で簡単に共有可能です。Gemini Enterprise の Inbox は、長期間実行されるエージェントを含め、エージェントを管理および監視するための一元的な場所を提供します。

Gemini Enterprise Agent Platform : エージェンティック時代の企業の統合管理を支援

Gemini Enterprise のエクスペリエンスの中核となるのが、新しい Gemini Enterprise Agent Platform です。これは、開発者がエージェント群の構築、拡張、管理、最適化を行える中心的な場所となります。本日、 Google Cloud は 4 つの主要な領域にわたる新機能の導入を発表しました。

構築：強化された Agent Development Kit（ADK）は、エージェントをサブエージェントのネットワーク内に構成することで、より強力な推論を可能にします。 ADK の新しいグラフベースのフレームワークにより、新しいエコシステムとの統合や MCP のサポートを活用して、複雑なプロセスをオーケストレーションできます。
拡張：向上した Agent Runtime により、エージェントは高速かつ永続的な動作が可能になります。また、エージェント間（A2A）の連携により、エージェント同士がタスクを相互にシームレスに委譲できます。さらに、 Memory Bank と Memory Profiles のリリースにより、エージェントが長期的なコンテキストメモリを保持して動作できるようになります。これにより、異なるセッション間でもユーザーの好みや過去の履歴を参照することができます。
ガバナンス：セキュリティバイデザインのアーキテクチャにより、 IT チームはエージェントのライフサイクル全体を一元的に管理できます。Agent Identity は、すべてのエージェントに一意の暗号化 ID を割り当て、完全なトレーサビリティと監査を可能にします。Agent Gateway は、エージェントとデータの間のやり取りが安全であることを保証する、管制塔のような役割を果たします。Model Armor は、プロンプトインジェクション、ツールポイズニング、機密データの漏洩といったアクティビティから保護します。
最適化：試行錯誤の段階から脱却するために、新しい Agent Simulation ツールでは、エージェントをリリースする前に実世界のシナリオに即してストレステストを行うことが可能です。また Agent Observability は、エージェントが意図した通りに正確に機能することを保証し、安全性とパフォーマンスに関するリアルタイムの可視性を提供します。

Gemini Enterprise Agent Platform 上で構築されたエージェントは、従業員がアクセスできるように Gemini Enterprise app 内ですぐに公開できます。セキュリティとアイデンティティがデフォルトで組み込まれた基盤上に構築することで、リスク管理を懸念することなく、エージェントによるビジネス成果の管理に集中することが可能になります。

Gemini Enterprise Agent Platform の最新情報

Gemini Enterprise app：日常業務のハブ

Gemini Enterprise app では、チームは単一の環境でエージェントの検索、作成、共有、連携、実行できます。データガバナンスとコンプライアンスが組み込まれているため、ビジネスデータに基づいてグラウンディングされたエージェントをセキュアな環境で活用できます。また、ユーザーが操作しやすいシンプルなインターフェースを提供することで、エージェントの作成、オーケストレーション、拡張の機能を、組織のあらゆる個人が容易に活用できるようにします。

Gemini Enterprise app で利用可能な新機能は、以下の通りです。

ノーコードエージェントによる革新：新しく統合された Agent Designer を使用すると、誰でもシンプルな自然言語を使用して、複数のシステムにまたがる複雑なプロセスを自動化するエージェントを作成できます。これには、スケジュールに基づいたエージェントや、パートナーコネクタを介した別のビジネスアプリケーションによってトリガーされるエージェントが含まれます。
エージェントの監視を一元化： Inbox in Gemini Enterprise は、複雑なワークフローを実行する長時間実行エージェントを含む、大規模なエージェント管理のための統合的なハブ機能を提供します。ユーザーは、アクティブなエージェントを監視し、設定を調整できるほか、メールやチャットを通じてリアルタイムのステータス通知を直接受け取ることができるため、自動化されたプロセスを予定通りに進めることが可能です。
永続的なチームメモリの確立：個別のチャットを超え、 Projects はチームとエージェントのための共有ワークスペースを作成します。これにより、特定のトピックに関するコンテキストと履歴が一元化され、チームメンバーや役割が変わっても、重要なプロジェクトインテリジェンスが企業の恒久的な資産として維持されます。
動的なワークスペースでの共同作業： Canvas は、 Google ドキュメントや Google スライドでの共同作成および編集を可能にする、チーム向けのインタラクティブエディタを提供します。また、 Microsoft 365 との相互運用性を追加し、Canvas 内で作成した Google ドキュメントや Google スライドを、Microsoft Office 形式でエクスポートすることが可能です。

Gemini Enterprise の最新情報

エージェントエコノミー：パートナーとの連携による拡大

すべてのエージェントをゼロから構築できる組織はありません。エージェンティックエンタープライズは、オープンで相互運用可能なエコシステムによって発展します。そのため、 Google Cloud は、パートナーが提供する特化型エージェントの検索と展開をこれまで以上に容易にできるよう支援しています。

主な利点は以下の通りです。

Gemini Enterprise app 内からサードパーティ製エージェントを有効化： Google Cloud Marketplace のパートナー製エージェントの全カタログを Agent Gallery に直接統合しました。強力なサードパーティ製エージェントを検索し、展開するために、ワークフローを離れる必要はありません。Gemini Enterprise app は、従業員のニーズと IT 部門が検証済みのソリューションをつなぐ、セキュアなリクエストと承認ゲートウェイを提供します。
信頼できるソリューションライブラリを拡充：Agent Gallery には、主要な SaaS プロバイダーや革新的なスタートアップ企業による、検証済みのエージェントの膨大なコレクションが揃っています。たとえば、 Adobe、Salesforce、ServiceNow、Workday といったパートナーが提供する特化型エージェントを、 Gemini Enterprise app 内で直接利用することが可能です。
安心して展開：ギャラリー内のすべてのパートナーエージェントは、セキュリティと相互運用性の要件を満たしていることが Google Cloud によって検証済みです。これにより、企業が求める一元的なガバナンスと制御を確保しつつ、世界中の最新のイノベーションを迅速に取り入れることが可能になります。

Gemini Enterprise で利用可能なパートナー製エージェントについて

Gemini Enterprise は、 Google AI の優れた技術をすべての従業員、開発者、お客様に提供し、最先端の AI エージェントで支援します。今すぐ Gemini Enterprise を始めましょう。

Vertex AI 上の Claude Opus 4.7

Wed, 22 Apr 2026 03:10:00 +0000

※この投稿は米国時間 2026 年 4 月 16 日に、Google Cloud blog に投稿されたものの抄訳です。

このたび Google は、Vertex AI での Claude Opus 4.7 の一般提供を開始しました。

新機能: Anthropic の最新の Opus モデルは、コーディング、長時間実行されるエージェント、専門的なタスクにおいて高いパフォーマンスを発揮します。Claude Opus 4.6 のアップグレード版である Opus 4.7 は、曖昧な状況でもより適切に機能し、問題解決に徹底的に取り組み、指示をより正確に実行します。Opus 4.7 では、ビジョンスキルも向上しています。また、高解像度の画像入力により、複雑なドキュメントやグラフの精度が向上しており、より長い期間にわたるタスクに対応できるようメモリ機能も拡張されています。

ビジネスにとって重要である理由: Opus 4.7 と Vertex AI を組み合わせることで、最適化されたインフラストラクチャ、エージェントツール、統合されたセキュリティコントロールを備えたプラットフォーム上でエージェントの構築、スケーリング、統制が可能になります。これにより、AI ワークロードを安心して実行できるようになります。

アクセス方法: Opus 4.7 は Vertex AI で一般提供されています。Google Cloud Marketplace からモデルにアクセスすることもできます。サンプルノートブックをご活用ください。料金の詳細やリージョン別の提供状況については、料金に関するドキュメントをご覧ください。

Vertex AI 上の Claude でエージェントを迅速に構築、スケーリング、統制

Vertex AI には、Claude を活用したアプリやエージェントを効率的にスケールし、パフォーマンスを最適化し、厳格なガバナンスを維持するための統合プラットフォームが用意されています。

低レイテンシと高スループットでパフォーマンスを最大化: Vertex AI のインフラストラクチャは、最先端モデルの高い負荷に対応し、レイテンシを低減して Claude ワークロードの高スループットを実現します。
エージェントをスケーリング: Vertex AI Agent Engine を使用して、サーバーレスインフラストラクチャ上で Claude エージェントをデプロイおよび統制できます。
信頼性を向上: プロビジョンドスループットを利用して、Claude モデルの容量を予約できます。さらに、動的ルーティングを使用して可用性を最大化するグローバルエンドポイントを活用することもできます。特定の地域内でのデータ処理を保証する必要があるデプロイでは、新しい米国または EU のマルチリージョンエンドポイントを利用することもできます。
フルスタックを安心して統制: 安全性を重視して設計された Google Cloud の管理機能で、Vertex AI 上の Claude ワークロードを保護できます。Model Armor を使用してエージェントのランタイムの脅威をブロックし、Security Command Center を使用して AI セキュリティポスチャーを統合的に可視化できます。

お客様の声:

大手組織がすでに Claude と Google Cloud の強力な組み合わせを活用して、ビジネス効果を上げている方法をご覧ください。

「Claude と Vertex AI を組み合わせ、AI 対応のコマースアシスタントである Sidekick を使用して、数百万の販売者を支援しています。多くの販売者から、Sidekick は『小規模企業にとっての生命線』であり、『競争に打ち勝つ』ための助けになっているとの声をいただいています。」- Shopify、応用 AI 担当ディレクター、Andrew McNamara 氏

全文を読む

「Vertex AI では、安定性、セキュリティ、汎用性に加えて、新しい Claude モデルがリリースされるとすぐにバージョン間で入出力のペアリングの一貫性が確保されます。これにより、Claude のテスト、オンボーディング、大規模な利用のスピードがさらに加速します。」 - Fifth Dimension、CTO、Chen Wang 氏

全文を読む

「Vertex AI 上で Claude を実行することで、コードの開発速度が 20～30% 向上しました。開発プロジェクトが加速されるだけでなく、実行前のコードにセキュリティを組み込むこともできます。」- Palo Alto Networks、CPO オフィス、エンジニアリング担当ディレクター、Gunjan Patel 氏

全文を読む

「当社の AI エージェントは、Vertex AI 上で実行される Claude モデルによって、より強力になりました。このインテグレーションにより、Cloud Run などの他の Google Cloud サービスと簡単に接続して、バックグラウンドで連携し、お客様がアイデアをアプリに変えるのを支援できます。」- Repli、創業者 / CEO、Amjad Masad 氏

全文を読む

「Claude と Vertex AI を組み合わせることで、複数のステップからなる複雑なタスクのコード作成や、ツール呼び出しの実行において、お客様に安定性と信頼性を提供できます。」- spring.new、最高経営責任者、Amitay Gilboa 氏

全文を読む

「Vertex AI で Anthropic の Claude のような強力なモデルを利用できることは、双方にとってメリットがあり、作業がずっと楽になります。GKE や Cloud Run などの Google Cloud のコアワークロードと統合された包括的なプラットフォームで、ツールの呼び出しに優れたモデルを利用できるのです。これはとても魅力的です。」- TELUS、上級エンジニア、Justin Watts 氏

全文を読む

- Vertex 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

費用とパフォーマンスの最適なバランスを見つける方法

Wed, 22 Apr 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 4 月 14 日に、Google Cloud blog に投稿されたものの抄訳です。

Google Cloud のお客様の多くは、「アプリケーションに求められるパフォーマンスと可用性を犠牲にすることなく、生成 AI の費用を効果的に管理するにはどうすればよいか」という課題に直面しています。

これは、賞金 100 万ドルレベルの難問、あるいはより正確には「1 分あたりのトークン数」の問題です。重要なのは、単に最も安価なオプションを選択することではなく、ワークロードのパターンに合ったツールとサービスの適切な組み合わせを見つけることです。

このガイドでは、Google Cloud の柔軟な生成 AI インフラストラクチャオプションについて説明し、費用とパフォーマンスの効率的フロンティアで最適なバランスを見つける方法を紹介します。まず、基本となる従量課金制（PayGo）モデルから始め、より専門的なオプションを重ねて、堅牢で費用対効果の高い生成 AI 戦略を構築する方法を検討します。

基礎を理解する: 従量課金制（PayGo）オプション

多くのワークロードでは、Google Cloud の Standard PayGo サービスが強力で柔軟な出発点となります。これらのサービスを最大限に活用するには、パフォーマンスと可用性を左右するメカニズムを理解することが不可欠です。

1. 動的共有割り当て（DSQ）

Standard PayGo の環境は、動的共有割り当て（DSQ）と呼ばれる公平性と効率性の原則に基づいて運用されています。DSQ は、お客様ごとに厳格な制限を設けるのではなく、利用可能な生成 AI の容量をすべてのお客様にインテリジェントに分配します。

その仕組みは次のとおりです。

高優先度レーン: 組織には、1 秒あたりのトークン数（TPS）に対してデフォルトのしきい値があります。このしきい値内に収まる送信リクエストは優先度が高くなります。このレーンは、99.5% の SLO を目標に、高可用性を提供するように設計されています。
ベストエフォートレーン: トラフィックが急増して TPS のしきい値を超えた場合、超過したリクエストはすぐにドロップされません。これらのリクエストは低い優先度で処理され、空き容量がある場合にスループットが割り当てられます。

このシステムは、1 社のお客様からのトラフィックの急増が、他社のベースラインパフォーマンスに悪影響を及ぼさないように設計されています。日常的なニーズに対して信頼できるレベルのサービスが提供され、システムに空き容量がある場合はバーストの可能性もあります。

2. 使用量ティア: 投資に対する報酬

生成 AI の使用量の増加に伴い、より予測可能なパフォーマンスを提供するために、Google Cloud は対象となる Vertex AI サービスの 30 日間のローリング支出に基づいて、組織を自動的に使用量ティアに配置します。ティアが高いほど、保証される 1 分あたりのトークン数（TPM）の上限が高くなります。

この記事の執筆時点では、一般的なモデルファミリーのティアは次のとおりです。

モデルファミリー	ティア	支出（30 日間）	TPM
Pro モデル	ティア 1	$10～$250	500,000
	ティア 2	$250～$2,000	1,000,000
	ティア 3	$2,000 超	2,000,000
Flash / Flash-Lite モデル	ティア 1	$10～$250	2,000,000
	ティア 2	$250～$2,000	4,000,000
	ティア 3	$2,000 超	10,000,000

重要: 最新のモデルとしきい値については、常にドキュメントを参照してください。

重要な点として、ティアの上限は、最高限度ではなく最低限度として考えます。

重要なトラフィック: 組織のティアの上限までのトラフィックが保護されます。このベースラインの範囲内であれば、429（リソース不足）エラーは最小限に抑えられます。
日和見的バースト: ティアの上限を超えても、ベストエフォートでシステムの空き容量を利用するバーストが可能です。システム全体に大きな負荷がかかっている場合、この超過トラフィックに対してフェアシェアスロットリングが適用されます。重要なポイントは、アイドル状態の容量がある場合、パフォーマンスが人為的に制限されることはないということです。

3. Priority PayGo: トラフィック急増に対する保険

ワークロードで予測不能なトラフィック急増が発生しやすく、429 エラーのリスクを負うことはできないが、固定容量モデルにコミットする準備ができていない場合はどうすればよいでしょうか。このような場合に役立つのが Priority PayGo です。Priority PayGo は、PayGo の柔軟性と、重要なトラフィックに必要な高可用性を併せ持つように設計されています。

プレミアム料金を支払うことで、特定の API リクエストにタグを付けて優先度を上げることができます。

重要: 現在、Priority PayGo 機能はグローバルエンドポイントでのみご利用いただけます。リージョンエンドポイントでもリリースの可能性はありますが、保証されるものではありません。

Priority PayGo の使用方法: API 呼び出しにヘッダーを追加するだけです。登録やコミットメントは不要です。

code_block: <ListValue: [StructValue([('code', 'curl -X POST \\\r\n -H "Authorization: Bearer $(gcloud auth print-access-token)" \\\r\n -H "Content-Type: application/json" \\\r\n -H "X-Vertex-AI-LLM-Shared-Request-Type: priority" \\\r\n https://aiplatform.googleapis.com/...'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f97597567f0>)])]>

引き上げの際は上限に注意してください。以下の画像に示すように、優先リクエストを急激に増やすと、容量が制約されている場合に一部のリクエストが標準の優先度にダウングレードされる可能性があります。より緩やかなペースで段階的に増やすことで、最適なエクスペリエンスを確保し、ダウングレードを軽減できます。

次に例を示します。

システムは、優先リクエストが引き上げの上限を超えている場合でも処理しようとしますが、容量が制約されている場合はダウングレード（スロットリングではない）の対象となります

優先リクエストを上限内で増やすことで、ダウングレードを軽減し、良好なエクスペリエンスを確保できます

Priority PayGo を使用したリクエストは、こちらのドキュメントに沿ってモニタリングできます。

妥協を許さないワークロード向け: プロビジョンドスループット（PT）

生成 AI のワークロードがビジネスに不可欠であり、明示的な可用性の保証が必要な場合は、PT を検討します。

PT では、モデル処理容量の特定量を固定の月額料金で予約します。可用性の SLA を確保するには、この方法しかありません。Standard PayGo モデルには、稼働時間の SLA（モデルが稼働している）がありますが、PT には可用性の SLA（リクエストが処理される）があります。

「エラー率」の定義について、もう少し詳しく見てみましょう。エラー率とは、HTTP ステータス 5XX とコードの「内部エラー」で応答した有効なリクエスト数を、その期間中の有効なリクエストの合計数で割った値です。ただし、測定期間中の有効なリクエストの合計数が 2,000 件未満の場合は対象外となります。

Standard PayGo では、「リソース不足」の場合に 429 が返され、その呼び出しはエラー率にカウントされませんが、標準のプロビジョンドスループットでは、使用量が購入量よりも少ない場合、通常なら 429 になるエラーが 5XX として返され、SLA のエラー率にカウントされます。これが、PT と PayGo の SLA の違いとなります。

このため、プロビジョンドスループットは、以下のような場合に最適です。

大規模で予測可能な本番環境ワークロード。
スロットリングが許されない、厳しいパフォーマンス要件があるアプリケーション。

PT リクエストのきめ細かい制御

デフォルトでは、PT の注文量を超える使用量は自動的に PayGo に移行します。ただし、HTTP ヘッダーを使用してリクエストレベルでこの動作を制御できます。

超過を防止する: PT のコミットメントを超過しないようにし、超過リクエストを拒否するには、専用ヘッダーを追加します。これは、予算を厳格に管理する場合に便利です。

code_block: <ListValue: [StructValue([('code', '{"X-Vertex-AI-LLM-Request-Type": "dedicated"}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f9759756df0>)])]>

オンデマンドで PT をバイパスする: PT の注文があるにもかかわらず、意図的に優先度の低いリクエストを PayGo プールに送信するには、共有ヘッダーを使用します。これは、予約済み容量を消費せずに、重要度の低いジョブをテストしたり、実行したりするのに最適です。

code_block: <ListValue: [StructValue([('code', '{"X-Vertex-AI-LLM-Request-Type": "shared"}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f9758dee340>)])]>

支出のモニタリング

Cloud Monitoring で aiplatform.googleapis.com/PublisherModel リソースの指標を使用すると、プロビジョンドスループットの使用状況を綿密にモニタリングできます。主な指標は次のとおりです。

/dedicated_gsu_limit: 生成スケールユニット数（GSU）で表した専用の上限。
/consumed_token_throughput: モデルのバーンダウン率を考慮した、実際のスループット使用量。
/dedicated_token_limit: 1 秒あたりのトークン数で表した専用の上限。

これにより、支払った金額に見合う価値を得られているかを確認し、時間の経過とともにコミットメントを適正な規模に調整できます。Vertex AI での PT について詳しくは、こちらのガイドをご覧ください。

最適な結果を得るためのオプションの組み合わせ

1 日のベースラインが予測可能で、いくつかのピークが予想され、予期しない急増が時折発生するワークロードを考えてみましょう。最適な組み合わせは次のようになります。

プロビジョンドスループット: 予測可能なミッションクリティカルなベースロードをカバーします。これにより、アプリケーションのコアの可用性 SLA を確保できます。
Priority PayGo: PT のコミットメントを超える予測可能なピークへの対応や、頻度が低い重要なトラフィックに使用します。これは、特に重要な変動トラフィックで 429 エラーに対する費用対効果の高い保険として機能します。
Standard PayGo（ティアの上限内）: 組織の使用量ティアに余裕をもって収まる、重要度の低い一般的なトラフィックの基盤となります。
Standard PayGo（日和見的バースト）: 重要度が低く、レイテンシの影響を受けにくいジョブ（バッチ処理など）の場合は、Standard PayGo モデルのベストエフォートバーストを利用できます。これらのリクエストの一部がスロットリングされても、コアユーザーエクスペリエンスに影響はなく、プレミアム料金も発生しません。

これらの強力なツールを理解して組み合わせることで、単に費用を管理するだけでなく、生成 AI 戦略を真に最適化し、パフォーマンス、可用性、価値の完璧なバランスを実現できます。

追加ボーナス: Batch API と Flex PayGo

最初に Batch API を紹介します。すべての LLM リクエストで、最初のトークンまでの時間（TTFT）が 1 秒未満である必要はありません。ユーザーがカスタマーサービスの bot とチャットしている場合、低レイテンシは不可欠です。しかし、前月の数百万件のサポートチケットを分類したり、評価を実行したり、1 日のサマリーレポートを生成したりする場合、リアルタイムストリームを画面の前で待っている人はいません。このような場合に Gemini Batch API が役立ちます。お客様は、大量のリクエストペイロードを 1 つのファイルにまとめて非同期で送信できます。インフラストラクチャは、オフピークの時間帯やアイドル状態のコンピューティング容量が利用可能なときに、これらのワークロードを処理します。目標の所要時間は 24 時間ですが、実際には通常、はるかに短時間で完了します。即時実行を非同期処理に置き換えることで、標準のトークン費用が 50% 割引になります。

Batch API がオフラインの重い処理を担う一方で、ライブアプリにはリアルタイムの計算が必要です。しかし、すべてのリクエストがレイテンシ重視ではありません。お客様は、標準のトークン費用が割引になるならば、少し長く待つことを受け入れるかもしれません。Flex PayGo は、Gemini モデルにアクセスするための費用対効果に優れた方法で、Standard PayGo と比較して 50% の割引が適用されます。最大 30 分の応答時間も許容できる重要度の低いワークロード向けに最適化されており、コードの変更を最小限に抑えながら、プロビジョンドスループット（PT）、Standard PayGo、Flex PayGo の間をシームレスに移行できます。最適なユースケースは次のとおりです。

テキストファイルとマルチモーダルファイルのオフライン分析。
モデルの品質評価とベンチマーク。
データのアノテーションとラベル付け。
商品カタログの自動生成。

使ってみる

Vertex AI のモデルを確認する: Model Garden で、Google の幅広いファーストパーティモデルと、100 以上のオープンソースモデルを確認できます。
ドキュメントで詳細を確認する: 最新の技術的な詳細、しきい値、コードサンプルについては、公式の Vertex AI ドキュメントをご覧ください。
料金の詳細を確認する: Vertex AI の料金ページで、トークンの費用、プロビジョンドスループットの料金、Batch API と Flex API の最新の割引の詳細を確認できます。

- Google Cloud、テクニカルアカウントマネージャー、Federico Vibrati

- Google Cloud、データおよび AI アーキテクト、Federico Preli

会話型分析エージェントの評価を行う方法

Wed, 22 Apr 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

手動で SQL を記述する代わりに、自然言語を使用してデータをクエリする組織が増えています。しかし、AI エージェントをプロトタイプからプロダクションレディなツールに移行するには、厳格で再現性のあるテストが必要です。

Prism は、BigQuery UI と API、および Looker API の会話型分析のためのオープンソース評価ツールです。予測不可能なテスト方法に代わり、カスタムの質問と回答のセットを作成して、エージェントのパフォーマンスを確実に測定します。実行トレースを検査してエージェントの動作を正確に把握し、精度を向上させるための的を絞った提案を得ることができます。

しかし、自信を持ってデプロイするには、チームは測定可能なベンチマークに基づいて出力を検証し、コンテキストを洗練させる必要があります。Prism を使用すると、標準化された方法で精度を直接測定できます。つまり、エージェントを構築するエキスパートは、イテレーションを行うなかで、その成功を簡単に検証し、パフォーマンスの低下を把握できます。

Prism フレームワークを理解する

Prism を効果的に実装するには、評価プロセスを管理するコアアーキテクチャを理解することが重要です。

エージェント: 会話型分析エージェント、システム指示、データソース、構成で構成されます。
テストスイート: エージェントが正確に回答できる必要がある一連の質問。
アサーション: 生成された SQL に GROUP BY 句が含まれているかどうかや、返されたデータが正解と一致するかどうかなど、特定の基準を検証する自動チェックです。
評価の実行: 実行中、エージェントはすべての質問に回答しようとし、Prism は回答の質を評価します。これにより、エージェントのパフォーマンスの合格 / 不合格を明確に評価できます。

精度スコアの合計に含めるチェックと除外するチェック

精密な調整のための強力な機能

Prism は、開発ライフサイクルのあらゆる段階に対応する堅牢なツールキットを提供します。特に印象的な機能の一つがアサーションのスイートです。これには、エージェントが適切な用語やロジックを使用していることを確認するためのテキストチェックやクエリチェックのほか、データチェック行やデータチェック行数などのデータ検証ツールが含まれています。これらは、BigQuery や Looker から返されるデータが、単にもっともらしいだけでなく、正確であることを保証します。また、レイテンシ制限を設定してエージェントが迅速に回答できるようにしたり、AI Judge を使用して、従来のロジックでは見逃す可能性のある微妙なニュアンスの回答を評価したりすることもできます。

テストケースにきめ細かいチェックを追加する

きめ細かい検証とパフォーマンストラッキング

エージェントの出力が期待値から外れた場合、Prism のトレースビューによって実行パスを可視化できます。この機能により、モデルの推論プロセス、生成された中間 SQL、結果のデータセットが可視化されます。この透明性はデバッグに不可欠であり、プロンプトや構成がどこでモデルを誤った方向に導いている可能性があるかを正確に特定できます。

比較ダッシュボードでは、デルタ分析を使用して、複数のバージョン間でのパフォーマンスの変動を追跡できます。チームは、異なる評価実行の結果を比較することで、具体的な改善点や回帰を特定できます。このデータドリブンなアプローチにより、エージェントを洗練させるなかで、構成を変更するたびに、システムが定義済みの精度ベンチマークに近づくことが保証されます。

トレースを表示して、舞台裏の詳細な手順を確認する

使ってみる

Prism は、BigQuery UI と会話型分析 API および Looker 会話型分析 API で会話型分析エージェントをサポートするオープンソース（OSS）ツールとして利用できます。リポジトリに今すぐアクセスして、エージェントのオンボーディング、テストスイートの構築、評価の実施を開始できます。これは、試験的な AI からエンタープライズクラスの分析にすぐに移行する必要があるチーム向けのソリューションです。

さらに、オープンソースの Prism から進化するファーストパーティソリューションの開発にも取り組んでいます。今後のロードマップに反映させるため、フィードバックや機能リクエストをぜひお寄せください。

こちらのフォームから送信していただけます。

- プロダクトマネージャー、Kate Grinevskaja

- ソフトウェアエンジニア、Phil Meyers

セキュリティベースラインの引き上げ: 必須の AI とクラウドのセキュリティがデフォルトで有効に

Wed, 22 Apr 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

AI の急速な進化により、さまざまな業界で常識が塗り替えられる一方で、各組織は新たなリスクにさらされてもいます。Google Cloud は、最新のクラウド防御にデフォルトで AI 保護が組み込まれ、アクセス可能であるべきだと考えています。こうして、AI 展開のセキュリティ強化に不可欠なガードレールと制御をネイティブで確保できます。

次世代の AI イノベーターをサポートするために、このたび、新たに強化された Security Command Center（SCC）Standard ティアで、必須の AI セキュリティとクラウドセキュリティをデフォルトで有効にします。この基本的なセキュリティとコンプライアンスの管理サービスは、対象となるお客様に対して自動的に有効になります。

AI 保護とクラウドセキュリティの民主化

お客様が AI プロジェクトを順調に進められるように、SCC Standard では現在、いくつかの機能強化を無料で提供しています。

AI 保護の民主化: 無料の Standard ティアに AI 保護ダッシュボードが統合されました。保護されていない Gemini 推論を検出したり、大規模言語モデルとエージェントとのやり取りにおけるガードレール違反を報告したりできるほか、4 つのベースライン AI ポスチャー設定が用意されています。これらの機能は 6 月末までに一般提供が開始される予定です。
セキュリティポスチャーチェックのアップグレード: Standard ティアの無料セキュリティベースラインでは、Google Cloud Security Essentials（GCSE）コンプライアンスフレームワークに基づく 44 以上の構成ミスチェックが提供されるようになり、以前の Standard ティアバージョンよりも 21 件増えました。また、SCC Standard には、エージェントレスの重大な脆弱性スキャンとグラフ駆動型のリスク分析情報も含まれるようになりました。これにより、組織に最大の脅威をもたらす最も重大な問題に優先的に対処できます。
データセキュリティとコンプライアンス: SCC Standard にデータセキュリティポスチャー管理（DSPM）が追加され、Vertex AI、BigQuery、Cloud Storage にわたってデータ資産を検出して可視化できるようになりました。また、コンプライアンスマネージャーも含まれるようになり、GCSE コンプライアンスフレームワークに対する自動のモニタリングとレポート作成が可能になりました。
コンテキストに応じたセキュリティの可視性: SCC により、Cloud Hub ダッシュボード内でコンテキストに応じたセキュリティ検出結果（プレビュー版）が新たに実現しました。これまで Google Compute Engine（GCE）と Google Kubernetes Engine（GKE）のダッシュボードで、SCC を活用したセキュリティ分析情報を利用できましたが、それに加えて、クラウド管理者やインフラストラクチャ管理者が関連情報を確認して、セキュリティの問題をより迅速に修復できるようになります。

基本的なセキュリティを簡単に利用

Google Cloud は、基本的な AI 保護とクラウドセキュリティがイノベーションを加速させるだろうだと考えています。インフラストラクチャ管理者や AI デベロッパーは、既存のワークフローを離れることなく、リスクポスチャーを即座に確認し、モデルとエージェントを保護できます。

Google Cloud の Cloud Hub、GCE、GKE のセキュリティダッシュボードでセキュリティポスチャーをご確認ください。高度な脅威検出や脅威インテリジェンス、仮想レッドチームによるリスク分析、マルウェアスキャン、ライフサイクル全体の AI 保護をご希望の場合は、こちらから、またはコンソールから直接、SCC Premium の 30 日間の無料トライアルを開始できます。

Security Command Center の詳細については、Cloud Next 2026 でご確認いただけます。4 月 23 日に開催されるセッション「Built-in defense: The next evolution of Security Command Center for AI-era（防御の組み込み: AI 時代に向けた Security Command Center の次の進化）」への参加をぜひお申し込みください。

- プロダクトマネージャー、Griselda Cuevas

- シニアプロダクトマネージャー、Aniket Patankar

エージェント型 AI で経費報告を自動化した SAP Concur

Wed, 22 Apr 2026 00:00:00 +0000

※この投稿は米国時間 2026 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

経費の自動化は、数十年にわたって「機械がテキストを読み取ることができれば、経費精算は可能である」というシンプルな前提に基づいていました。しかし、ポケットの中で丸まったレシートや、汚れがあったり、日焼けしたりしているレシートのスキャンを試みたことがある人は、情報の読み取りだけでは不十分であることがおわかりでしょう。都市名や明確な日付などの重要データが読み取れないと、機械は停止し、ユーザーが手動で入力しなければならないからです。

こうした従来の光学式文字認識（OCR）では対応できない課題を解決しようと、SAP Concur のエンジニアリングチームが取り組みを開始しました。業界の多くの企業がまだ会話型インターフェースの設計に注力していた頃、SAP Concur はより大きな変化を予見していました。同社は、効率性を飛躍的に高めるには、スキャン技術の改善ではなく、インテリジェントな推論が必要であることを早い段階で認識していたのです。

その結果、ExpenseIt のエージェント型 AI がアップグレードされ、テキストの読み取りだけでなく、一筋縄ではいかない複雑な推論も自動化されました。これにより、手動入力の手間が大幅に削減されました。出張中の社員は、受け取った領収書を写真撮影、デジタルスキャンのアップロード、またはメールでの転送を行うだけで、ExpenseIt によって内容が経費項目に正確かつ瞬時に変換されるため、日付の入力や明細の作成が不要になります。

このような次世代システムの実現に至るには、イノベーションの限界を超え、大胆な目標を短期間で実現したいという意欲を持つパートナーが必要でした。SAP Concur は、カスタムシリコンやデータプラットフォームから世界水準のモデルやエージェントに至るまで、あらゆるレイヤを共同設計できる唯一のプロバイダである Google Cloud と提携し、SAP Concur の先見的なロードマップと Google Cloud のフルスタック AI の力を融合させました。両社のチームは協力して、費用管理における真のブレークスルーを実現しました。つまり、領収書を読み取るだけでなく、出張者の状況を直感的に把握する AI エージェントです。

スピード、スケーラビリティ、創意工夫

標準的な経費の自動化は、領収書の記載内容を把握するのに優れていますが、記載されていない情報は把握できません。SAP Concur は、AI エージェントの登場を、自ら推論、判断、アクションを実施できるシステムを構築する好機と捉えました。

たとえば、「メインストリートカフェ」というレストランで昼食をとったときの領収書をアップロードした場合を考えてみましょう。この領収書には住所が記載されていません。以前は、こうした不足情報によって自動化が完全に中断され、続行するにはこのデータをユーザーが手動入力する必要がありました。

エージェント機能があれば、ベンダー名、経費の種類、出張日程データなどのコンテキスト上の手がかりの分析を通して、不足情報が補われます。SAP Concur は、人間のアシスタントのように考えられる AI エージェントを構築したいと考えていました。たとえば、「『メインストリートカフェ』と記載されています。このベンダーはダラス行きのフライトとテキサス州グリーンビルのホテルを予約しているため、この取引は同ベンダーの出張日程と一致しています。したがって、このベンダーはフランスのパリではなく、テキサス州パリのホテルの近くにあるレストランを利用した可能性が高いです」のように考えるエージェントです。

これを実現するために、チームはスタートアップのようなダイナミックなマインドセットで問題に取り組みました。長い開発サイクルではなく、迅速なプロトタイピングと大胆な問題解決に基づくコラボレーションを推進しました。

両チームは Google の Gemini モデルを活用して、認知アーキテクチャを基盤とする Receipt Analysis Agent を構築しました。

仕組みは次のとおりです。

取り込み: ユーザーは SAP Concur モバイルアプリで写真を撮影するか、デジタルスキャンをアップロードするか、デジタル領収書をメールとして転送します。
決定論的なコア: SAP の基盤となるテクノロジーは、何十年にもわたる世界のさまざまな経費処理を通して改良されてきました。このテクノロジーは、細かく調整されたロジックを適用して、領収書に記載された情報を高精度で抽出します。
インテリジェントなルーティングレイヤ: スキャンされた領収書のデータが明確な場合、追加のアクションをトリガーする必要はありません。データに不足がある場合（例:「場所が不明」）、ルーティングロジックによって、そのタスクが Receipt Analysis Agent に動的に転送されます。
コンテキストに沿った推論: Gemini モデルで構築された AI エージェントは、単に推測するだけでなく、ツールやグラウンディングを使用して不足している情報を推論します。ExpenseIt は、ユーザーの出張日程やビジネスカレンダーなどのグラウンディングデータとともに、領収書のデータの一部を AI エージェントにフィードします。
ReAct（推論とアクションのフレームワーク）: Receipt Analysis Agent は、ロケーション履歴と照らし合わせてベンダーを検証するなど、複数の情報を結び付けてから、経費の入力を完了します。

エージェント型 AI を搭載した ExpenseIt（Receipt Analysis Agent）

上の例に基づき、ExpenseIt は領収書の画像に場所が記載されていないことを特定すると、インテリジェントルーティングレイヤが Receipt Analysis Agentをトリガーします。エージェントは Gemini を使用して、不足している情報を特定し、コンテキスト上の関連する手がかりとユーザー固有のデータを分析し、出張関連の予約やカレンダーの予定などの情報に基づいて判断を下します。

AI エージェントを成功させるための主な設計パターン

Receipt Analysis Agent は、Google のシニアエンジニアである Antonio Gulli が執筆した実践的なガイド『Agentic Design Patterns』の基本原則に基づいて設計されています。この重要なガイダンスにより、SAP Concur は ExpenseIt を、領収書の記載データと、領収書に記載されていないデータを推論したものを正確に経費入力できるシステムに見事に変換しました。

まず、チームはルーティングパターンを実装し、すべての領収書が AI エージェントによって処理されないようにすることで、費用とインテリジェンスの両方を最適化しました。ルーティングアーキテクチャでは、受信するタスクが分類されます。具体的には、OCR の信頼スコアが高い領収書は標準の決定論的パスにルーティングされ、スコアが低い領収書（例:「場所が不明」）は Receipt Analysis Agent に動的にルーティングされます。

次に、自己検証パターンを適用して、エージェントが基本的な chatbot のように単に回答を生成するのではなく、パリをフランスではなく米国テキサス州の街だと特定した複雑な例で見られるように、複数の情報を照合して正確な判断を下します。このパターンでは、ジェネレーターと批判者による内部ループが使用されます。つまり、モデルが仮説（「ここはフランスのパリだと思います」）を生成し、次に批判者として、その内容を確立されている事実に照らし合わせて確認します（「出張日程にはテキサス州ダラスと記載されています。したがって、この仮説は間違っている可能性が高いです」）。

最後に、エージェントはツール使用パターンに従い、Concur Travel から得られる出張日程などのグラウンディングソースへの明示的な API アクセスを提供します。このアプローチにより、エージェントはハルシネーションを起こすことなく、正しい情報を取得できるため、システムはテキスト生成ツールではなく事実確認ツールとして機能することになります。

曖昧さに対応するアーキテクチャ: Google Cloud のエコシステムの優位性

このプロジェクトは、インテリジェントシステム設計における重要な転換点を示しています。SAP Concur は、決定論的なコアとエージェントによる推論レイヤを組み合わせることで、AI の最大の価値が多くの場合、手元にあるデータの処理ではなく、不足データの推論による取得であることを証明しました。このエンジニアリングの過程でもたらされた重要な変化は、モデルの活用方法の転換でした。チームは Gemini を生成インターフェースとして活用するだけでなく、ロジックエンジンとしてデプロイするようになったからです。

SAP Concur がこうした未来を構築するために、Google Cloud との連携を選んだ理由は何でしょうか？なぜなら、エージェントの真価が、世界をどれだけ深く理解しているかに左右されるのと同様に、デジタル世界を深く理解している企業は Google の他にはないからです。

今回のリリースでは Gemini の推論能力が活用されていますが、このパートナーシップにより、市場で他に類を見ないマルチモーダルかつフルスタックのインテリジェンスの未来が実現されるでしょう。たとえば、次のようなことが可能になります。

実世界でのグラウンディング: エージェントが領収書と Google マップのデータを照合して、ビジネスが実際にその場所に存在することを確認できるようになります。
スムーズなフロー: 将来的に Google ウォレットとのインテグレーションにより取引のタイムスタンプを瞬時に照合したり、Gmail とのインテグレーションによりホテルの明細書を自動的に表示したりできるようになります。
エッジインテリジェンス: Gemini Nano やサービスシステム Android AICore などのモバイルの進化により、最終的には機密性の高い処理がデバイス上で直接可能になり、ユーザーはデータをスマートフォン以外に送信することなく、プライバシーを確保しながら迅速に操作できるようになります。

SAP Concur は、世界の金融取引を支える専門分野の知識を持っています。Google Cloud は、トレーニングに最適化されたカスタム設計チップ（TPU）から、ユーザーが携帯するモバイル OS まで、AI スタック全体を提供しています。

次世代エージェントを構築する準備はできていますか？

ExpenseIt のような推論エンジンを構築するために、一から作り直す必要はありません。ここで説明するアーキテクチャパターン（ルーティング、自己検証、ツール使用）は、Google Agent Development Kit（ADK）にすでに組み込まれています。ADK は、ユーザーの皆様が「プロンプトエンジニアリング」から「システムエンジニアリング」に移行するのを支援するフレームワークとベストプラクティスを提供します。これらは、信頼性とスケーラビリティに優れ、企業に適したエージェントを構築するためのブループリントとしてご利用いただけます。

- Google AI スペシャリスト、Matt Wilkerson

- Google 主要アカウントエグゼクティブ、Jaime Serra

エージェントが自然言語を AlloyDB、Cloud SQL、Spanner のクエリに変換できるように QueryData がサポート

Tue, 21 Apr 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

このたび、QueryData のプレビュー版がリリースされました。自然言語をデータベースクエリにほぼ 100% の精度で変換するツールです。QueryData を使用すると、AlloyDB、Cloud SQL（for MySQL および PostgreSQL）、Spanner（GoogleSQL 用）全体でエージェントエクスペリエンスを構築できます。QueryData は、自然言語から SQL への変換に関する、世界で最も競争の激しいベンチマークの一つである BiRD ベンチマークで 1 位を獲得した Google Cloud の機能と、Gemini アシストによるコンテキストエンジニアリングに基づいています。

通信業界のリーダーである Hughes Network Systems をはじめ、すでに多くのデベロッパーが QueryData を本番環境にデプロイし、そのメリットを実感しています。「Google Cloud のデータエージェントにより、ユーザーサポート業務を変革しました。QueryData は当社のソリューションの中核であり、本番環境で 100% に近い精度を実現します。エージェントシステムの未来に期待しています。」 - Hughes Network Systems、AI 担当ディレクター、Amarender Singh Sardar 氏

エージェントシステムの可能性: インテントからアクションへ

エージェントシステムは、人間へのアドバイス役から、能動的な意思決定者へと進化しています。エージェントがビジネスアクションを正確に実行するには、運用データベース（価格、在庫、取引記録など）からの正確な情報が必要です。

自然言語で表現されたリクエストを使用して、会話型入力とデータベースレコードのギャップを埋めることが不可欠です。エージェントがアクションを実行できるようにするには、自然言語をクエリに変換する質の高い機能が必須です。

開発者のジレンマ: データベースを使用するエージェントに対する自然言語が難しい理由

エージェントがエンタープライズデータをクエリする際のハードルは、精度、セキュリティ、使いやすさの 3 つです。QueryData はこれら 3 つすべてに対応しています。

精度 – 回答が不正確だと、ビジネス上の意思決定の誤り、エンドユーザーの不満、金銭的損失のリスクが生じます。多くの業界では、テキストを SQL に変換する精度が 90% だと、アクションを実行するのに不十分です。
セキュリティ - 各ユーザー（またはエージェント）が、閲覧を許可されたデータのみをクエリできるようにするには、企業に、監査可能で決定論的なアクセス制御が必要になります。LLM の判断に頼る（いわゆる「確率的」アクセス制御）だけでは、その要件を満たすことはできません。たとえセキュリティ侵害のリスクが低くても、実際に侵害が生じた場合の損失は不釣り合いに大きくなります。
使いやすさ - 高い精度を達成するには、デベロッパーがデータに関する広範なコンテキスト情報を提供する必要があります。これは手間のかかる作業です。また、エージェントツールを統合して維持する作業なども、デベロッパーの負担になります。

精度のギャップを理解する

LLM はクエリコードの作成に非常に優れています。しかし、特定のデータベースに対して正確なクエリを作成するには、コーディングスキルやスキーマの解析機能を備えているだけでなく、以下のような状況に対応できる必要があります。

スキーマが不明確なことがある - デベロッパーは略称や短縮名を使用することがよくあります。たとえば、「product」という名前の列は何を意味するでしょうか？商品カテゴリなのか、特定のモデルなのか、不明確です。「prod」や「p」のような列名では、さらにわかりにくくなります。
値が曖昧なことがある –「注文返品ステータス」という列を例に取ってみましょう。値は「1」、「2」、「3」という整数で表されています。このうち、「返品済み」または「返品手続き開始済み」を表すのはどれでしょうか？
スキーマはデータ構造を定義するが、ビジネスロジックには対応しない - ビジネスでは、「1 か月のアクティブユーザー」を、ログインしただけでなく、少なくとも 1 回投稿したユーザーとして定義する場合がありますが、データベースにはこのニュアンスがない場合があります。
クエリの指定が不十分 – 自然言語の質問は、「最新の売上」のように曖昧な場合があります。

QueryData はほぼ 100% の精度をどのように実現するか

QueryData は、Gemini LLM と、独自のデータベースを記述するコンテキストを活用します。

データベースコンテキストは、基本的に QueryData を強化するコードであり、以下を含む説明と指示のセットです。

スキーマオントロジー – データの意味に関する情報。列、テーブル、値の説明。QueryData が質問に答えるために必要なデータを把握して、曖昧さを克服するうえで役立ちます。
クエリのブループリント - 特定の種類の質問に答えるためにデータベースクエリを記述する方法に関するガイドラインと明示的な指示。テンプレートとファセットは、特定の種類の質問に対して記述する正確な SQL を指定します。

最後の手段として、QueryData は、明確化のための質問が必要な状況を検出します。

クエリの決定論的なセキュリティ

エージェントアプリケーションには、決定論的で監査可能なセキュリティが必要です。デベロッパーは、パラメータ化されたセキュアビュー（PSV）を使用して、ユーザー ID やリージョンなどの固定パラメータを介してエージェントのアクセスを定義できます。アプリケーションはセキュリティ上重要なこれらのパラメータをクエリとは別に渡すことで、エージェントが許可されたデータにのみアクセスできるようにします。これにより、エージェントが制限された情報をクエリしようとしても、できなくなります。

PSV は現在 AlloyDB でサポートされており、Cloud SQL と Spanner でも近日中にサポートが開始される予定です。

品質向上とツール統合のための使いやすさ

QueryData はエージェントワークフローに簡単に統合できます。QueryData API は、直接使用することも、人気のあるオープンソースの MCP サーバーであるデータベース向け MCP ツールボックスを介して Model Context Protocol（MCP）ツールとして公開することもできます。QueryData はさまざまなデータベース言語に自動的に対応します。データベース固有のコードは不要で、1 つの API ですべてのデータベースにクエリを実行できます。

QueryData がデベロッパーの作業を容易にするもう 1 つの領域は、コンテキストエンジニアリングです。コンテキストエンジニアリングは、コンテキストを繰り返し評価して最適化するプロセスです。これは、QueryData がデータベースに対して正確にクエリを実行する能力にとって非常に重要です。QueryData を使用するデベロッパーは、以下の堅牢なツールスイートを利用できます。

すぐに行えるコンテキスト生成 – QueryData を構成すると、Gemini CLI の専用エージェントである Context Engineering Assistant が、データベースの最初のコンテキストセットの作成を支援します。
評価: デベロッパーは、バンドルされている Evalbench フレームワークを使用して、ユースケースに固有の一連のテストに対する精度を測定できます。
コンテキストの最適化: Context Engineering Assistant は評価結果を確認し、変更を推奨してから、評価の再実行を支援します。この反復プロセスを通じて、ほぼ 100% の精度を達成できます。

QueryData で今すぐ構築できるもの

デベロッパーはすでに QueryData を使用してさまざまなものを構築しています。例を以下に示します。

顧客向けアプリケーション: 不動産検索エンジン。QueryData がユーザープロンプトをデータベースクエリに変換し、内覧の予約をスケジュールします。
社内ツール: AI を活用したスタッフ配置アプリ。人事データをクエリして、マネージャーが従業員をシフトに割り当てられるようにします。
マルチエージェントアーキテクチャ: 貿易コンプライアンスワークフロー。最上位のエージェントがサブエージェントに、取引相手の KYC（顧客理解）ステータスが適切であることを確認するよう指示します。KYC エージェントがデータベースにクエリを実行して、顧客の身元を確認します。

次のステップ

エージェントを介して、ほぼ 100% の精度のデータベース呼び出しを行うためのツール、QueryData の使用を今すぐ開始できます。詳しくは、以下の技術ドキュメントをご覧ください。

下に示す「スイスの物件検索」の高忠実度デモをご確認ください（動画チュートリアルはこちら）。注: これは独立したプロジェクト（Google Cloud によって管理されていない）であり、説明のみを目的としています: GitHub リンク

- グループプロダクトマネージャー、Tom Kubik

- エンジニアリングディレクター、Andrew Brook

Google が管理する MCP サーバーを使用してプロダクションレディな AI エージェントを構築する方法

Tue, 21 Apr 2026 00:00:00 +0000

※この投稿は米国時間 2026 年 3 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

デベロッパーがより高度な推論システムを使用した AI エージェントを構築するのに伴い、真のビジネス価値を推進するために、より高品質な燃料として、エンタープライズデータと専用ツールが必要になります。このオクタン価の高い組み合わせを最大限に活用するために、Google は Google が管理する Model Context Protocol（MCP）サーバーを提供しています。これは、AI エージェントが Google および Google Cloud サービスと安全にやり取りするために構築されたエンジンです。

これらの Google がホストするフルマネージドエンドポイントにより、AI エージェントは Google マップ、BigQuery、Google Kubernetes Engine、Cloud Run、その他多くの Google サービスと通信できます。AI エージェントを大胆に構築するにあたっては、責任を持って構築することも重要です。

このガイドでは、Google のマネージド MCP サーバーでエージェントを安全に構築する方法を説明します。

Google が管理する MCP サーバーを使用する理由

ローカルでのテストからエンタープライズグレードの AI に移行するには、スケーリングと監視を優先する堅牢なマネージドインフラストラクチャを採用する必要があります。主なメリットは次のとおりです。

本番環境への準備: オープンソースの MCP サーバーはローカルでの開発には最適ですが、本番環境ではスケーラビリティ、単一障害点、管理オーバーヘッドの問題が生じます。Google のマネージド MCP サーバーでは、Google がホスティング、スケーリング、セキュリティに対応するため、インフラストラクチャのプロビジョニングは不要です。
統合された検出機能: シンプルなディレクトリサービスを使用して、Google サービス（maps.googleapis.com/mcp など）で利用可能なすべての MCP エンドポイントを公開アクセスでクエリし、簡単に検出できます。
エンタープライズセキュリティ: Google MCP サーバーは、Cloud IAM、VPC-SC、Model Armor などの Google Cloud セキュリティスタックとネイティブに統合されています。
統合されたオブザーバビリティと監査機能: Google MCP サーバーは Cloud Audit Logs と統合されており、すべてのツール呼び出しアクティビティを一元的に表示できます。これにより、プラットフォームチームは、単一のエンタープライズグレードのロギングペインを通じて、エージェントのパフォーマンスのモニタリング、コンプライアンスの確保、インタラクションのトラブルシューティングを行うことができます。

図 1: Google MCP サーバーのアーキテクチャ概要図

ADK と Google MCP サーバーを使用する AI エージェントの例

Cityscape は、Google の Application Development Kit（ADK）を使用して構築されたデモエージェントです。「京都の景観を生成して」のようなシンプルなテキストプロンプトを、AI が生成した独自の都市画像に変換します。信頼できる場所情報には Google Maps Grounding Lite によって管理される MCP サーバーを使用し、画像生成には Nano Banana モデル（ローカル MCP サーバー経由）を使用します。

この軽量アプリは、サーバーレスランタイムである Google Cloud Run に簡単にデプロイされ、ユーザーとやり取りします。以下は、エージェントがローカルのリアルタイムの気象状況に基づいて生成した 2 つの画像の例です。

図 2: リアルタイムの天気情報を使用して Cityscape エージェントが生成した画像の例

1. ADK エージェントから Google MCP サーバーを呼び出す:

下の get_weather コードスニペットで示されているように、Cityscape エージェントはストリーミング可能な HTTP エンドポイントを利用して、Google マップ MCP サーバーとやり取りします。このサーバーは、指定された都市のリアルタイムの気象状況をエージェントに提供します。提供されたデータは、生成された都市景観画像に天候を設定するために使用されます。

これは Google が管理するリモート MCP サーバーであるため、Google がホスティング、スケーリング、セキュリティに対応します。そのため、エージェントは、あらゆるトラフィックレベルに対応する自動スケーリング、Google の本番環境インフラストラクチャによる組み込みの信頼性、エンタープライズグレードのセキュリティといったメリットをすぐに活用できます。ユーザーが管理するインフラストラクチャはありません。以下のようにマップ URL を指定し、API キーで認証するだけです。本番環境へのデプロイに最適です。

code_block: <ListValue: [StructValue([('code', '# Remote Google MCP server: connects to Google Maps Grounding Lite \r\n# to fetch real-time weather conditions for a given city.\r\nget_weather = McpToolset(\r\n connection_params=StreamableHTTPConnectionParams(\r\n url="https://mapstools.googleapis.com/mcp",\r\n headers={"X-Goog-Api-Key": os.environ["MAPS_API_KEY"] }\r\n ),\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f9758d92be0>)])]>

Google Maps Grounding Lite は Google が管理するリモートエンドポイントですが、Cityscape エージェントは、画像生成のためにローカルでホストされる MCP サーバーという、対局的な例も示しています。nano_banana ツールセットは、StdioConnectionParams を使用して GenMedia MCP サーバーに接続します。

この設定により、エージェントは、先ほど収集したランドマークと天候のデータを取り込んで、デザイン化されたアイソメトリックな都市景観画像を生成します。自己ホスト型 MCP サーバーを実行すると、プロセスのライフサイクルと環境構成を完全に制御できますが、ホストマシンまたはサイドカーコンテナにローカルバイナリが必要になるため、ホスト型アプローチと比較して設定が複雑になります。

code_block: <ListValue: [StructValue([('code', '# Self-hosted MCP server: launches the GenMedia MCP server (mcp-gemini-go)\r\n# as a subprocess to generate cityscape images via the Gemini image model.\r\nnano_banana = McpToolset(\r\n connection_params=StdioConnectionParams(\r\n server_params=StdioServerParameters(\r\n command="mcp-gemini-go",\r\n env=dict(os.environ, PROJECT_ID=os.environ["GOOGLE_CLOUD_PROJECT"]),\r\n ),\r\n timeout=60,\r\n ),\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f9758d92910>)])]>

ADK は、Google が管理する MCP サーバー、リモート MCP サーバー、自己ホスト型 MCP サーバーをサポートしています。Google が管理する MCP サーバーは運用オーバーヘッドがゼロの、プロダクションレディなインフラストラクチャを提供し、リモート MCP サーバーと自己ホスト型 MCP サーバーはカスタムツールや試験的なツールに対する柔軟性を提供します。

2. エンタープライズグレードのセキュリティとコンテンツのガードレール

エージェントの時代において、セキュリティは後回しにできません。2 つの主要なセキュリティ機能を Cityscape エージェントに適用する方法をご紹介します。

IAM 拒否ポリシーによる MCP ツールのきめ細かい制御

Google Cloud では、IAM 拒否ポリシーを使用して MCP ツールへのアクセスを制御できます。これは、他の Google Cloud リソースですでに使用しているガバナンスフレームワークと同じです。

たとえば、過去の都市景観メタデータや人口統計のデータセットをクエリするために、BigQuery MCP サーバーを追加して Cityscape エージェントを拡張するとしましょう。BigQuery MCP サーバーは、get_dataset_info や list_datasets などの読み取り専用ツールと、データを変更できる execute_sql などの書き込みツールの両方を公開します。

このユースケースでは、エージェントは BigQuery に情報をクエリするだけで、データの挿入、更新、削除を行う SQL を実行してはなりません。Google が管理する MCP サーバーを使用する場合、プロンプトエンジニアリングだけに頼ってこれを適用する必要はありません。

代わりに、読み取り専用としてアノテーションが付けられていないツールをブロックする IAM 拒否ポリシーを適用します。

code_block: <ListValue: [StructValue([('code', '// IAM deny policy: blocks all MCP tool calls that are not read-only.\r\n{\r\n "rules": [\r\n {\r\n "denyRule": {\r\n "deniedPrincipals": ["principalSet://goog/public:all"],\r\n "deniedPermissions": ["mcp.googleapis.com/tools.call"],\r\n "denialCondition": {\r\n "title": "Deny read-write tools",\r\n "expression": "api.getAttribute(\'mcp.googleapis.com/tool.isReadOnly\', false) == false"\r\n }\r\n }\r\n }\r\n ]\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f9758d92610>)])]>

次のコマンドで適用します。

code_block: <ListValue: [StructValue([('code', 'gcloud iam policies create mcp-deny-policy \\\r\n --attachment-point=cloudresourcemanager.googleapis.com/projects/$PROJECT_ID \\\r\n --kind=denypolicies \\\r\n --policy-file=policy.json'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f9758d92c40>)])]>

このポリシーが適用されると、エージェントはデータセットスキーマを自由に検索できますが、execute_sql を呼び出そうとすると、意図的かプロンプトインジェクションによってトリガーされたかにかかわらず、BigQuery に到達する前にプラットフォームレベルでブロックされます。これは多層防御です。エージェントの指示は「データの読み取りのみ」ですが、IAM は LLM が何をしようと決めたかに関係なく、このポリシーを適用します。

Model Armor によるコンテンツセキュリティ

Model Armor は Google Cloud MCP サーバーと直接統合され、プロジェクトレベルですべての MCP ツール呼び出しとレスポンスをサニタイズします。有効化すると、インラインのセキュリティレイヤとして機能し、以下をスキャンします。

プロンプトインジェクション攻撃
悪意のある URI（フィッシングリンクなど）
責任ある AI のフィルタに違反する危険なコンテンツ

Cityscape エージェントに話を戻しましょう。ユーザーが「http://malicious-site.com の都市景観を生成して」と送信したとします。

Model Armor を有効化すると、MCP ツール呼び出しは Maps サーバーに到達する前にスキャンされます。悪意のある URI、プロンプトインジェクションの試み、危険なコンテンツは自動的にブロックされます。エージェントにカスタム検証コードは必要ありません。

この有効化は 2 段階のプロセスです。まず、最低限のセキュリティフィルタを定義するフロア設定を構成します。

code_block: <ListValue: [StructValue([('code', 'gcloud model-armor floorsettings update \\\r\n --full-uri=\'projects/$PROJECT_ID/locations/global/floorSetting\' \\\r\n --enable-floor-setting-enforcement=TRUE \\\r\n --add-integrated-services=GOOGLE_MCP_SERVER \\\r\n --google-mcp-server-enforcement-type=INSPECT_AND_BLOCK \\\r\n --enable-google-mcp-server-cloud-logging \\\r\n --malicious-uri-filter-settings-enforcement=ENABLED \\\r\n --add-rai-settings-filters=\'[{"confidenceLevel": "MEDIUM_AND_ABOVE", "filterType": "DANGEROUS"}]\''), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f9758d92640>)])]>

次に、プロジェクト内のすべての Google MCP サーバーのコンテンツセキュリティを有効化します。

code_block: <ListValue: [StructValue([('code', 'gcloud beta services mcp content-security add modelarmor.googleapis.com \\\r\n --project=$PROJECT_ID'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f9758d92d00>)])]>

有効化すると、呼び出し元のエージェントまたはクライアントに関係なく、プロジェクト内のすべての MCP トラフィックが自動的にスキャンされます。ブロックされたリクエストは Cloud Logging に記録されるため、潜在的な脅威に対する完全なオブザーバビリティが得られます。

ご利用にあたって

Google MCP サーバーは、AI エージェントがプロトタイピングから抜け出せない原因となるインフラストラクチャのハードルを取り除きます。マネージドエンドポイントとプラットフォームレベルのセキュリティ（IAM 拒否ポリシー、Model Armor、Cloud Audit Logs）を組み合わせることで、運用オーバーヘッドを最小限に抑えながら、プロダクションレディな基盤を構築できます。自律エージェントの時代が到来しています。スタックの準備を整えましょう。

ADK Cityscape エージェントのコードリポジトリはこちら
Google MCP サーバーとサポートされているサービスの詳細については、こちらをご覧ください
ハンズオン Codelab: ローカルからクラウドへの移行 - Gemini CLI、Cloud Run、Cloud SQL MCP サーバーを使用したフルスタックアプリの移行
Google Cloud Run で AI エージェントを構築: エージェント型 AI アプリケーション向けのサーバーレスランタイム

- Google Cloud、プロダクトマネージャー、 Lisa Shen

- Google Cloud、ソリューションリード、 Daniel Strebel

Google Cloud と米国代表チームによる分析の裏側: 米国冬季オリンピック選手のための AI インフラストラクチャの設計

Fri, 17 Apr 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 4 月 11 日に、Google Cloud blog に投稿されたものの抄訳です。

従来の動画再生では、フリースタイルスキーやスノーボードにおける複雑な空中技の様子はわかりますが、その技がどのようにして実現されたかという物理的な説明はできません。スポーツのスピードでは、高速の動作を実用的なデータ（関節の角度、回転速度、体の縮め具合）に変換することは非常に困難です。これには、アスリートの完全な 3 次元モデルをフレームごとにリアルタイムで追跡および分析する必要があります。

Google DeepMind とのコラボレーションにより、私たちは冬季オリンピックに先立ってこうした分析を米国オリンピック選手に提供するシステムを構築しました。Google AI の姿勢推定モデルは、単一の 2D 動画を完全な 3D 生体力学分析に変換し、ローカル座標系に 63 個の関節をプロットします。これにより、アスリートとコーチには革新的な競争上の優位性がもたらされます。より広範なユースケースにおいては、人間の動きを客観的なデータに変換できます。

課題: 過酷な状況では標準的なビジョンが機能しない

2D 動画から 63 個の関節を持つ 3D 骨格を生成するには、膨大なコンピューティングワークロードが必要です。研究室レベルのセンサーを使用せず、予測不能な屋外環境で生成するには、コンピュータビジョンの限界に挑戦する必要があります。スノーボーダーやスキーヤーは、ものすごいスピードで移動します。分厚い装備も身につけています。グラブやスピンのために体を抱え込むと、手足が視界から外れます。標準的な姿勢推定モデルでは、このようなオクルージョンが発生した瞬間に追跡が失われます。

Google のソリューションは、人間の動きを反映する独自のモデルを利用します。各フレームを個別に処理するのではなく、学習済みの事前分布を使用して、身体の全体的な軌跡に基づいて見えない部分の関節の位置を推測します。この時間的推論により、高速の逆回転でも安定したデジタル骨格を維持できます。

インフラストラクチャ: TPU と Vertex AI

オクルージョンの解決だけでは、完全とは言えません。オリンピック選手が着地した数秒後にこうした分析情報を迅速に提供するには、高負荷に対応できるインフラストラクチャが必要です。私たちは Google Cloud 上に高性能な推論エンジンを構築し、オリンピックで求められる厳しい MLOps の需要に対応しました。

ハードウェア基盤: TPU

パイプラインの中核をなすのは、最も負荷の高い行列演算を担う Google の Tensor Processing Unit（TPU）です。エンコーダがまず動画を潜在表現に圧縮し、動画トランスフォーマーモデルが 3D での関節の位置を予測します。

標準的なクラウドの「コールドスタート」による遅延をなくすため、米国チームが冬季オリンピックに出場する期間中、専用の TPU スライスを静的にプロビジョニングしました。これにより、モデルは高帯域幅メモリ（HBM）に常に読み込まれた状態になります。動画が到着すると「ウォーム」状態の TPU に到達し、マルチテナント環境でのリソース競合なしに、ほぼ瞬時の予測可能な推論が保証されます。

大規模なオーケストレーション: Vertex AI

単一のラボサーバーへのデプロイは簡単ですが、オリンピック競技大会での生のアクションのオーケストレーションは簡単ではありません。Vertex AI は、ボリューム、複雑性、レイテンシを管理するための統合コントロールプレーンを提供しました。

バッチ予測による水平スケーリング: Vertex AI バッチ予測 API を使用すると、受信した動画はワーカーの分散ネットワークに即座に転送されます。これにより、モデルの読み込みと推論が切り離され、システムが水平方向にスケールされ、複数のアスリートを同時に処理できるようになります。
ボリュームと弾力性: 米国オリンピック選手の動画分析は、「バースト的」です。すなわち、選手の走行時間という短い期間に計算ニーズが急増します。Vertex AI は、リソースを常にオンにしておくのではなく、こうしたデータ急増を吸収するためにリソースを動的にプロビジョニングします。
セキュリティと排他性: チーム USA の専有データを保護するために、Virtual Private Cloud（VPC）内にプライベートエンドポイントを確立しました。承認されたトラフィックは専用のネットワーク経路を介して移動し、エンジンを公共のインターネットから分離することで、攻撃対象領域を減らし、レイテンシを最小限に抑えます。

その他の応用法

極寒の冬の気象条件下で信頼性の高い姿勢推定が可能なシステム（高速、繰り返されるオクルージョン、速度要件）は、一般化されたシステムです。基盤となる AI アーキテクチャに加え、構造化データフィードや汎用的なインテリジェンスを提供する機能により、冬季競技以外のさまざまなユースケースが可能になると考えられます。

会話型 AI の理学療法コーチが、動作のフォームを分析してサポートしてくれることを想像してみてください。あるいは、工場作業員の姿勢から検出された合図によってトリガーされるロボットアシスタントなどです。これらはすべて、専用のセンサー AI を強力な推論モデルと組み合わせることで、役立つ分析情報やアクションを提供できる潜在的なユースケースです。

- Google Cloud プロジェクトチーム

AI & 機械学習

Gemini Cloud Assist: ユーザーの指示を待たずにユーザーに代わって機能するプロアクティブなクラウド運用

App Design Center で本番環境への準備を加速

事後対応型から事前対応型の修復へ

24 時間 365 日体制での費用の異常の特定

あらゆる場所でアシスタンスを提供

プロアクティブな機能を簡単に利用

Salesforce と Google Cloud、パートナーシップを拡大

チームがすでに利用している環境で業務を行う：Slack、Google Workspace、そして Gemini Enterprise

エージェンティック コンテキストの拡張：最適化されたセキュリティ、高度なインテリジェンス、ゼロコピーデータ

提供時期

第 8 世代 TPU の内幕: アーキテクチャの詳細

TPU 8: 特化された設計

TPU 8t: 事前トレーニングの原動力

TPU 8i: サンプリングとサービングのスペシャリスト

詳細: Boardfly とトーラスの数学

TPU 8t と TPU 8i の概要

ソフトウェアの有効化: パフォーマンス重視の AI スタック

世代を重ねるごとにパフォーマンスが大幅に向上しています

今後の対応

Next ‘26 で発表された GKE の新機能

GKE Agent Sandbox: エージェント時代を加速

GKE ハイパークラスタがスケーラビリティの上限を再定義

最先端の推論を強化

RL コンピューティングのボトルネックの解消

カスタム指標に基づくインテントベースの自動スケーリング

新しいワークロード、変わらないミッション

Gemini Enterprise・NotebookLM Enterprise の ISMAP 登録を完了

Google Cloud パートナーとのエージェント型エンタープライズの構築と 7 億 5,000 万ドルのイノベーション ファンド

AI エージェントの開発を加速させるための投資

パートナー様が構築したエージェントを Gemini Enterprise で公開

グローバル コンサルティング パートナーが AI トランスフォーメーションを推進できるよう支援

一般的な SaaS プラットフォームを通じて Gemini をより多くのお客様に提供

エージェント時代のパートナー チャネルの構築

Vertex AI の Claude でマルチリージョン エンドポイントが利用可能に

マルチリージョン エンドポイントの概要と使用する場面

エンドポイント オプションの比較

プロンプトのキャッシュ保存を完全にサポート

ベスト プラクティス

ご利用方法

エージェントの未来を築く: メディアとエンターテイメント分野の Google Cloud パートナー エコシステムに注目

制作の強化: 手作業からインテリジェントなアシスタントへ

コンテンツの価値向上: 静的なアーカイブからアクティブなアセットへ

グローバル リーチへの拡大: シンプルなストリーミングから視聴者の拡大まで

信頼性の確保: インフラストラクチャから信頼の基盤へ

エコシステムを実際にご覧ください

エージェンティックな組織を実現する Gemini Enterprise：長時間実行エージェント、コラボレーション スペース、高度なガバナンス機能を発表

デジタル タスクフォースによる複雑な業務の自動化

チームの生産性向上：Projects と Canvas

オープンで接続されたエンタープライズ エコシステム

エンタープライズ スケールのガバナンスを追加費用なしで標準搭載

Google AI インフラストラクチャの次なる展開：エージェンティック時代に向けたスケーリング

エージェンティック インテリジェンスへの移行

エージェンティック AI 向けに構築された第 8 世代 TPU システム

NVIDIA Vera Rubin プラットフォームを搭載した A5X

Axion、Intel、AMD によるエージェンティック ロジックと強化学習の推進

データセンター スケールアウト ファブリックのための Virgo ネットワーク

ストレージ：データ ボトルネックの最小化

GKE：エージェント ネイティブ ワークロードの運用

スタック全体でのレイテンシ削減

AI ライフサイクル全体を支えるオープン ソフトウェア エコシステム

エージェンティックな成長のための基盤

次世代のエージェントを推進する Gemini Enterprise Agent Platform を発表

お客様が Gemini Enterprise Agent Platform で実現していること

AI エージェントの構築

AI エージェントの拡張

AI エージェントのガバナンス

AI エージェントの最適化

新しい Gemini Enterprise : エージェントの開発、連携、管理を集約した統合プラットフォーム

Gemini Enterprise Agent Platform : エージェンティック時代の企業の統合管理を支援

Gemini Enterprise app：日常業務のハブ

エージェント エコノミー：パートナーとの連携による拡大

Vertex AI 上の Claude Opus 4.7

Vertex AI 上の Claude でエージェントを迅速に構築、スケーリング、統制

お客様の声:

費用とパフォーマンスの最適なバランスを見つける方法

基礎を理解する: 従量課金制（PayGo）オプション

妥協を許さないワークロード向け: プロビジョンド スループット（PT）

追加ボーナス: Batch API と Flex PayGo

会話型分析エージェントの評価を行う方法

エージェンティックコンテキストの拡張：最適化されたセキュリティ、高度なインテリジェンス、ゼロコピーデータ

Google Cloud パートナーとのエージェント型エンタープライズの構築と 7 億 5,000 万ドルのイノベーションファンド

グローバルコンサルティングパートナーが AI トランスフォーメーションを推進できるよう支援

エージェント時代のパートナーチャネルの構築

Vertex AI の Claude でマルチリージョンエンドポイントが利用可能に

マルチリージョンエンドポイントの概要と使用する場面

エンドポイントオプションの比較

ベストプラクティス

エージェントの未来を築く: メディアとエンターテイメント分野の Google Cloud パートナーエコシステムに注目

グローバルリーチへの拡大: シンプルなストリーミングから視聴者の拡大まで

エージェンティックな組織を実現する Gemini Enterprise：長時間実行エージェント、コラボレーションスペース、高度なガバナンス機能を発表

デジタルタスクフォースによる複雑な業務の自動化

オープンで接続されたエンタープライズエコシステム

エンタープライズスケールのガバナンスを追加費用なしで標準搭載

エージェンティックインテリジェンスへの移行

Axion、Intel、AMD によるエージェンティックロジックと強化学習の推進

データセンタースケールアウトファブリックのための Virgo ネットワーク

ストレージ：データボトルネックの最小化

GKE：エージェントネイティブワークロードの運用

AI ライフサイクル全体を支えるオープンソフトウェアエコシステム

エージェントエコノミー：パートナーとの連携による拡大

妥協を許さないワークロード向け: プロビジョンドスループット（PT）

きめ細かい検証とパフォーマンストラッキング

セキュリティベースラインの引き上げ: 必須の AI とクラウドのセキュリティがデフォルトで有効に

AI 保護とクラウドセキュリティの民主化

エージェントシステムの可能性: インテントからアクションへ

Google が管理する MCP サーバーを使用してプロダクションレディな AI エージェントを構築する方法

2. エンタープライズグレードのセキュリティとコンテンツのガードレール

Model Armor によるコンテンツセキュリティ