顧客事例

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

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

大手消費者インサイトブランドが Dataproc を使用して高度なパーソナライズを加速している方法

Tue, 21 Apr 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 7 日に、Google Cloud blog に投稿されたものの抄訳です。

RVU には、人々を支援し、業界を変革するという明確かつ重要な使命があります。

当社が展開している Confused.com、Uswitch、Tempcover、Money.co.uk、Mojo Mortgages などの市場をリードする家計管理ブランドや乗り換え支援ブランドにおいて、何よりも重要なのは透明性と正確な情報です。昨今の消費者は、単純な比較表以上のものを求めています。つまり、各消費者の状況に合わせたパーソナライズされたおすすめを求めているのです。

その期待に応えるには、すべてのブランドを支える真のパーソナライズエンジンを構築する必要があります。また、それを実現するには高度な ML モデル向けに膨大で複雑なデータセットを処理できるデータ基盤が必要です。現在、当社のプラットフォームはすべてのブランドから収集した数十億のデータポイントを活用して最適化した、数百もの自動化されたパーソナライズキャンペーンを支えています。この大規模なプラットフォームの構築には、Google Cloud と、Google Cloud が提供する Apache Spark 向けの 2 つのソリューション（Dataproc と Google Cloud Serverless for Apache Spark）を活用しました。Google Cloud を採用したことで、当社の使命は現実のものになりつつあります。

特徴量エンジニアリングのための高速エンジン

当社と Google Cloud の関係は今に始まったものではありません。当社は 10 年以上にわたり、統合データプラットフォームとして BigQuery を使用しています。パフォーマンスマーケティングのバックグラウンドを持つ当社では、常に大量のデータを扱ってきました。しかし、自社はデジタルインフラストラクチャ企業ではないという認識は早い段階からありました。どこに価値があるのかに常に注目しなくてはならないため、インフラストラクチャやキャパシティの問題に悩む必要がなくなる BigQuery のようなマネージドソリューションは、創業当初から私たちにとってまさにうってつけでした。

主な課題は、全ブランドにわたり、顧客の行動を意味のある一貫した全体像にまとめることでした。無数の断片的なインタラクションを、ユーザーの行動、クリック、意思決定の方法をそのまま反映したデータに変換する必要があったのです。単独のイベントや集計ビューを頼りにするのではなく、これらのシグナルを、当社の ML モデルが活用できる有用なナラティブとして取り込むことができるプラットフォームを構築する必要がありました。

これを実現するために Dataproc を利用できたことは、実に画期的でした。Dataproc が最も効果を発揮したのは、主に ML モデル開発の特徴量エンジニアリングを目的とした、高速 Spark 処理エンジンとしての役割です。膨大な未加工の顧客データをデータサイエンスモデルが活用できる形へと変えていく「特徴量エンジニアリング」は、まさに当社の価値を高める要素であり、Google が大きな競争優位性を持つ分野です。

その結果、イノベーションの速度が大幅に向上しました。Serverless for Apache Spark を使用することで、わずか数日で特徴量エンジニアリング用に顧客データを整形できるようになりました。以前は数週間かかっていた作業です。製品化までの時間も、数週間かかっていたのが大幅に短縮されました。今では、チームに新たに加わった契約社員でも、探索的データ分析やすべての特徴量エンジニアリングを含むモデルをわずか 1 週間半で提供することができます。これはものすごいスピードです。

パーソナライズされたエクスペリエンスの提供

イノベーションのスピードを向上させることで、お客様やパートナーに、よりパーソナライズされたユーザーエクスペリエンスを提供できるようになりました。

Spark への移行後、高度なパーソナライズへの取り組みは加速しました。膨大な行動データやコンテキストデータを処理する大規模なデータ処理ジョブを実行して、真に有意義な予測を生成するモデルを構築できるようになりました。

これらのモデルは、お客様に何を言うべきかだけでなく、いつ、どのように言うべきかを理解できるようサポートしてくれます。これにより、適切なタイミングと適切なチャネルを選んで、お客様の心に響くパーソナライズされた情報を提供することができます。

未来のビジョンを築く

Google のデータクラウドは、価値を優先するという当社の文化とまさに合致しており、ビジネスに大きな影響を与えています。私はこれを、すべてが同じエコシステム内でシームレスに接続されるネットワーク効果と呼んでいます。当社のデータは BigQuery に存在し、そのデータを検証、拡充、変換する能力は Dataproc と Serverless for Apache Spark に紐付けられ、ML モデルをデプロイする機能はこのネットワーク全体に及んでいます。すべてが連携し統合されているため、当社の消費者ブランドのリアルタイムでの精度を高め、競争優位性を確保することができるのです。

エンジニアにとっての大きなメリットは、インフラストラクチャを扱う必要がないことです。クラスタやサーバーのネットワークを設定して相互に通信させる必要はなく、ボタンを押すだけで 10 分以内にすべてのデータを処理できます。非常に効率的で、データプロダクトの構築やイテレーションなど、より価値の高い作業に時間を割くことができます。

Dataproc のおかげで、スピード、スケール、アジリティが向上しました。また、AI を活用してイノベーションを起こし、高度なパーソナライズの未来を築くためのツールも提供されます。現在、RVU の最先端のテクノロジーとデータは、英国の何百万人もの消費者がよりスマートに十分な情報に基づいて意思決定できるようサポートし、まさに業界を変革しようとしています。

RVU の成功から何かヒントを得られましたでしょうか。Dataproc を使用した永続的なクラスタが必要な場合も、サーバーレス Spark のアジリティが必要な場合も、Google Cloud ならインフラストラクチャではなく価値に集中できるマネージドソリューションを見つけることができます。ユースケースに適した Google Cloud 上の Spark をご確認ください。

- RVU、データエンジニアリング責任者、Siddharth Dawara 氏

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

Honeylove が BigQuery を活用して製品の品質とサービスの効率を向上させた方法

Fri, 17 Apr 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 3 日に、Google Cloud blog に投稿されたものの抄訳です。

完璧なブラの制作には、数千ものデータポイントが利用されます。

Honeylove が単なる下着ブランドではない理由はそこにあります。当社は、優れたブラジャー、トップス、補正下着、ボディスーツを製造するテクノロジー企業です。顧客からのフィードバックに基づいて製品を反復的に改良する方法から、数千ものデータポイントにわたってサイズを最適化する方法まで、テクノロジーは当社のあらゆる業務の基盤となっています。

2018 年に Honeylove が誕生した当時、当社のデータはまだ統合されていませんでした。Shopify で分析を行い、あるプラットフォームでメールキャンペーンのパフォーマンスを確認し、別のプラットフォームで広告の指標を確認するといった状況でした。データはバラバラな状態で、効果的につながっていませんでした。

そんな折、心を捉えたのが BigQuery でした。この投稿では、Honeylove が BigQuery と Gemini を活用してデータを統合し、重要なビジネスインサイトを自動化し、AI を活用して製品の品質とサービスの効率を向上させている方法をご紹介します。また、データを最大限に活用したいとお考えの他の組織の皆様が、当社の手法をどのように応用できるかについてもご説明します。

BigQuery と Gemini でインサイトを変革

最初のステップは、すべてのデータを 1 か所に集めることでした。BigQuery は、当社がまさに求めていたもの、つまり、チームが Google エコシステム内ですでに使用しているツール（Google 広告や Google スプレッドシートなど）とシームレスに統合できる、パフォーマンスが高く経済的な統合データプラットフォームを提供してくれました。これにより、手作業によるデータサイロが解消され、ビジネス全体で AI と ML の機能を迅速に導入できるようになりました。

真の変革が実現したのは、貢献度分析に BigQuery ML 関数を活用し始めたときでした。当社は、コンバージョン率、顧客満足度スコア、ウェブサイトのパフォーマンス、返品率など、最も重要な指標の背後にある主な要因を分析するモデルを構築しました。

とても便利なことに、これらの貢献度分析の結果を Gemini に直接フィードすれば、アクセスしやすいレポートと要約を生成できます。この手法を導入するまでは、重要な会議の前に 10～15 人が 1 時間かけて手作業でダッシュボードを確認し、データを詳しく調べて有用なインサイトを探そうとしていました。Gemini でこのプロセスを自動化するだけで、年間数百時間を節約できました。

さらに、BigQuery と Gemini の効果は、時間の節約だけにとどまりませんでした。これらのツールを活用することで、完全に見逃していたであろうパターンやインサイトを発見することができました。優秀なマーケティングアナリストがダッシュボードを監視したとしても、このようなレポートと同じようにデータを切り分けることはできないでしょう。

また、以前は手作業によるプロセスが主流だった在庫予測と需要計画の分野も変革できました。BigQuery ML の ARIMA 単変量予測モデルをデプロイしてトレーニングすることで、季節性や最近の変化に合わせて自動的に調整される、SKU レベルの高精度な需要予測を利用しました。

この自動化された予測と手動で計算した予測との誤差は、常に 5% 以内に収まっています。これは、20～30% の誤差が生じることもあったサードパーティベンダーの予測と比べると、大きな改善です。こうしてチェックポイントが追加されたことで、より自信を持って在庫に関する重要な決定を下せるようになりました。

マルチモーダルエンベディングで価値と創造性を引き出す

カスタマーサービスのチケットは、e コマースブランドにとって貴重なフィードバックや情報の宝庫となります。ただし、データから分析情報を抽出できる場合に限ります。Google Cloud ならそれが可能です。

当社は、Gemini エンベディングモデルと BigQuery ベクトル検索を活用して、チケットの非構造化テキストを行動につながるデータに変換しています。簡単な SQL コマンドを使用して、データウェアハウスにすでに存在するチケットのベクトルエンベディングを生成し、それらのベクトルを検索拡張生成（RAG）によるセマンティック検索に使用しています。

これにより、「お客様は当社のブラのどのような点を気に入っているか」や「ボディスーツのどのような点を改良したらよいか」といったように、正確で自然な言葉で質問できます。これに応えて、Gemini は類似するユースケースを即座に特定し、キーワードのマッチタイプだけにとどまらず、微妙なニュアンスを伴うことが多い問題の根本原因を迅速に見つけられるようにします。こうして製品の改良を積極的に進めて、サービスの効率性を高めることができます。節約できる時間はチケット 1 件あたり約 30 秒ですが、やり取りが数千件あることから、乗算すればその効果が絶大であることがおわかりになるでしょう。

当社はまた、広告とインフルエンサーコンテンツのライブラリ全体で動画アセットを検索するために、マルチモーダルエンベディングのテストも行っています。「犬の動画を探して」や「赤いドレスの動画を探して」といったクエリをテストして、それが実際に機能するのを見るのは楽しいものでした。次のステップでは、これらのエンべディングを使用して、新しいクリエイティブアセットを既存のものと比較し、過去のデータに基づいてパフォーマンスを予測します。

成長分野のクリエイティブは、これまで数値分析ではなく直感に頼っていましたが、今後は既存の広告クリエイティブの大規模なライブラリを使用して、テストする内容や今後のクリエイティブの作成に役立てることで、この状況を変えたいと考えています。

Google Cloud を使用して未来に向けて構築

Google Cloud と BigQuery は、今では当社の中心的な柱となっています。これにより手作業に費やす時間が減り、実世界の問題を解決する価値の高い作業に時間を割くことができ、小規模なチームで非常に効率的に働けるようになりました。

Google Cloud チームとの連携は非常に役立っています。Google は真のパートナーであり、当社のロードマップを継続的にサポートしてくれています。そして BigQuery ML の機能をさらに活用し、データサイエンスの作業をオフライン分析ではなく、常時利用可能な自動化されたモデルへと移行しています。

また、Vertex AI RAG Engine を使用して社内ナレッジボットを開発し、Google ドライブでホストされている社内ドキュメントに直接接続して、社内ポリシーやプロセスに関する質問に即座に回答できるようにしています。さらに、当社は Conversational Analytics API のテストを行っており、「セルフサービス BI」エクスペリエンスを提供して、チームがアナリストを必要とせずに、書式なしテキストで質問して指標とグラフを取得できるようにしたいと考えています。

テクノロジーファーストの企業として、この変革は Honeylove の事業に大きな影響を与え続けています。これにより、製品品質のイノベーションが加速し、業務効率が向上し、お客様によりインテリジェントで一貫したサービスエクスペリエンスを提供できるようになりました。

- Honeylove、データ責任者、Erik Fantasia 氏

- Honeylove、最高技術責任者、Daniel Upton 氏

Spanner の完全に相互運用可能なマルチモデルデータベースを使用した実際の成功事例

Thu, 16 Apr 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 4 月 1 日に、Google Cloud blog に投稿されたものの抄訳です。

生成 AI の基盤を築くマルチモデルデータベースの力に焦点を当てた最初の投稿では、組織がデータベースのアーキテクチャと管理に対する従来のアプローチでもたらされる課題を克服するうえで、Google Cloud Spanner がどのように役立つかを説明しました。この投稿では、4 つの一般的なユースケースを取り上げて、具体的な例を詳しく見ていきます。

以下に挙げる 3 つの主要な戦略目標を達成するために、Spanner のマルチモデル機能を選択するお客様が増えています。

スケーラビリティと信頼性の基盤: グラフ、ベクトル、検索などに特化した多くの専用データベースは、従来の単一マシンアーキテクチャで構築されています。結果として、お客様はスケーラビリティ、可用性、整合性に関する根本的な課題に直面しています。限界に達したか、あと少しで達するため、お客様はこうした専用システムから移行しています。Spanner のすべてのデータモデルは、99.999% の可用性、自動スケーリング、無制限の水平スケーリングを提供する実証済みのプラットフォーム上に構築されており、新しい機能へと簡単に拡張できます。たとえば、既存のグラフスキーマにベクトルエンベディング列を追加するといったことが可能です。
乱立するデータベースの統合と ETL の排除: 複数の異なるデータベースにそれぞれ独自のデータモデル、クエリ言語、バックアップポリシーがある場合、それらを管理、保護し、パッチを適用するのは、ユーザーにとって悪夢のような煩わしい作業になります。データを同期するために必要な抽出、変換、読み込み（ETL）パイプラインは、不整合や遅延を生み出すことが多く、特にストレスとなります。Spanner は、単一の統合データベースで複数のデータモデルを提供することで、この複雑さを解消し、余分なデータコピー、不整合、管理オーバーヘッドを排除します。さらに、Spanner の相互運用可能なマルチモデル機能により、デベロッパーは 1 つの SQL クエリを作成するだけで、リレーショナルテーブルを結合し、グラフ関係を走査し、ベクトル検索またはテキスト検索機能に対してフィルタを適用できます。
進化するアプリケーションニーズに適応する将来性: 多くのお客様は簡単なアプリケーションから始めますが、時間の経過とともに、よりスマートでより複雑なアプリケーションにする必要が生じることを認識しています。Spanner では、グラフベースのレコメンデーションや AI を活用したベクトル検索を後から追加できます。デベロッパーは、簡単なデータ定義言語（DDL）コマンドを使用して、運用データに対してグラフ機能や検索機能を簡単に有効化できます。Spanner を使用すれば、面倒な移行も複雑な再設計も不要で、成長の限界もありません。お客様は、信頼性の高いリレーショナルデータベースを基盤として構築しながら、アプリケーションの進化に合わせて新しい高度なデータモデルをシームレスに追加できます。

ここでは、さまざまな業界のお客様が、Spanner の進化するマルチモデル機能を活用して、最も困難なデータ課題を解決し、早期に成功を収めている例をご紹介します。

1. 不正行為の検出

不正行為者は、複数のトランザクションやアカウントにまたがる複雑でわかりにくいパターンを悪用することがよくあります。従来のリレーショナルデータベースでは、このような入り組んだ関係をリアルタイムで検出するのは容易ではありません。Spanner は、リレーショナルクエリとグラフ分析を組み合わせて、リアルタイムのパターン認識を実現します。これにより、企業は不正行為を示す可能性のある不審なクラスタや異常な接続を効率的に特定し、財務上の損失を大幅に削減してセキュリティを強化できます。

DANA: 急速に拡大する顧客ベースに対するマネーロンダリング対策

DANA は、インドネシアを拠点とする電子ウォレットアプリで、融資、保険、投資などの支払いとデジタル金融サービスを提供しています。DANA は自社に不可欠なマネーロンダリング対策（AML）の取り組みをサポートするために、Spanner Graph を採用しました。

課題: 急速に拡大を続ける大規模なユーザーベースを持つ DANA は、トランザクションにおけるマネーロンダリングのパターンを検出するために、既存のリレーショナルデータベースを使用して、スケールしてクエリパフォーマンス SLA を満たすのに四苦八苦していました。グラフデータベースで分析を行うように移行すればよいのは明らかでしたが、市場の多くのグラフデータベースプロバイダは、そのような規模には対応できませんでした。
ソリューション: 綿密な RFP プロセスを経て、その高可用性、実質無制限のスケーラビリティ、外部整合性から、Spanner が選ばれました。全文検索（FTS）とベクトル検索をグラフモデル内で直接使用できる機能が、重要な差別化要因となりました。

Palo Alto Networks: SaaS ID のアクセスグラフ

サイバーセキュリティの大手企業である Palo Alto Networks は、Spanner を活用して組織の ID 体制に関する分析情報を提供し、構成ミスや過剰な権限を持つアカウント、休眠アカウント、ローテーションされていない認証情報、ID プロバイダ（IDP）にないアカウントを検出しています。

課題: チームは、データサイロを生み出すことなく高いスケーラビリティを確保しながらイノベーションを加速できる、AI 時代に対応する世界クラスのエージェントセキュリティプロダクトを構築する必要がありました。
ソリューション: Spanner 上に「アクセスグラフ」を構築し、ユーザー ID、アクセス許可、関連するユーザーアクティビティを SaaS アプリケーション内で接続しました。Spanner では、グラフとグラフ以外の両方のユースケースに対して単一のスキーマをシームレスに使用して、大規模なスケールを実現できます。

Verisoul.ai: リアルタイムの偽ユーザー検出

Verisoul は、偽ユーザーを検出して防止するための AI を活用した統合プラットフォームを提供しており、アカウントが実在し、一意で、信頼できるものであることを保証します。

課題: Verisoul は以前は、Postgres、Cassandra、Neo4j にわたる 10 種類の独立したサービスを構築、維持することで、ネットワークインテリジェンス、デバイスインテリジェンス、行動データやセンサーデータ、メール、マルチアカウンティングなど、さまざまな種類のデータを処理していました。この複雑さにより、最新の不正攻撃の速度、規模、高度化に対抗できるゼロレイテンシ検出を提供することが困難になっていました。
ソリューション: Spanner に統合することで、Verisoul は何百万ものアカウントを持つ何百もの顧客をリアルタイムでモニタリングし、すべてのログイン、ページビュー、クリック、マウスの動きを捕捉できるようになりました。Spanner により、グラフ、ベクトル検索、そして BigQuery とのシームレスな統合のためのオールインワンデータベースが得られ、メンテナンスのオーバーヘッドを排除しながら、無制限のスループットの提供をすべてシンプルなアーキテクチャで実現することができました。

2. レコメンデーションエンジン

パーソナライズされたレコメンデーションは、消費者向けオンラインビジネスの中核をなすものです。効果的なレコメンデーションエンジンを構築するには、膨大な量のユーザー行動データ、商品やサービスの属性、過去のインタラクションを分析する必要があります。Spanner の相互運用可能なクエリを使用すると、ユーザープロファイル（リレーショナル）、インタラクション履歴（検索）、商品の類似性（グラフ）を組み合わせて、関連性の高いおすすめ表示をリアルタイムで生成し、ユーザーエンゲージメントの向上を促進し、コンバージョン率を改善できます。

Target: ベクトル検索とグラフ検索を組み合わせてギフトのおすすめを表示

Target は、生成 AI を活用した Gift Finder を使用して高度にパーソナライズされたギフトのおすすめを表示し、ホリデーシーズンのショッピング体験を向上させたいと考えていました。

課題: アプリケーションは検索専用データベースで実行されており、表示するギフトのおすすめの内容は限定されていました。ショッピング体験をパーソナライズしてより良いものにするには、高度なアップグレードが必要でした。
ソリューション: Target は、汎用性の高いハイブリッドクエリモデルとなる Spanner Graph を選択しました。このソリューションは、グラフ走査機能とベクトル検索を独自のエンベディングと組み合わせて、直感的なリアルタイムの商品提案を実現します。これらすべてを、2025 年のブラックフライデーとサイバーマンデーの買い物商戦に間に合わせることができました。

True Digital Group: AI 検索を統合

タイの大手通信テクノロジー企業である True Digital Group は、ストリーミングメディアと印刷メディアの両方にわたる幅広い高品質なデジタルサービスと、顧客ロイヤリティの追跡を提供しています。同社の AI を活用したインテリジェント検索機能により、キーワードとユーザーインテントに基づいてコンテンツを正確に取得できます。

課題: 複数のデータベースでスタックが断片化されていることで、データの更新頻度の低さ、整合性のないトークン化、複数のクエリ言語の混在、検索の品質低下などから、ユーザーは検索機能の使用を避けるようになっていました。
ソリューション: True Digital は、すべての検索機能を Spanner に統合しました。SQL を使用してキーワードとインテントベースの検索結果を組み合わせることで、検索の関連性と精度が大幅に向上し、顧客エンゲージメントと満足度の向上につながりました。

3. ハイブリッド検索

情報検索は、事実に基づいた最新データで AI モデルをグラウンディングし、エージェントワークフローを可能にする重要な架け橋です。多くの場合、ユーザーは法的文書、財務報告書、研究論文の膨大なコーパスを検索する必要があります。これはまるで、干し草の山の中から特定の針を探すようなものです。相互運用可能なマルチモデル Spanner は、ハイブリッド検索機能でお客様を支援し、AI モデルが任意の規模で最も関連性の高いコンテキストを正確に取得できるようにします。

Rogo: 財務ワークフローの自動化

Rogo は、独自の社内データと、ファイリング、PitchBook、LSEG、FactSet、S&P Capital IQ などの外部の金融情報源を接続し、財務担当者が提案資料の作成から投資メモの作成まで、ワークフローを自動化できるよう支援しています。

課題: Rogo は、構造化形式と非構造化形式の両方にわたって、数十の情報源からデータを同時に取り込んで接続する必要があります。これをサポートする適切なバックエンドを見つけるのは簡単ではありませんでした。
ソリューション: Rogo は、その高いパフォーマンス、スケーラビリティ、管理のしやすさから、Google Cloud Spanner を選択しました。リレーショナルデータとドキュメントベースのデータの両方を 1 か所に保存してクエリを実行できるため、プラットフォームの成長に伴い、監査とメンテナンスが容易になりました。

Inspira: リーガルインテリジェンスのストリーミング

リーガルテックの大手企業である Inspira は、法的調査や一般的な労働力の最適化に特化した、AI を活用したソリューションを提供しています。同社のプラットフォームは、法律事務所、企業、政府機関にサービスを提供し、7,500 万件の法的文書と 4 億 4,000 万件のベクトルの膨大なリポジトリを管理しています。

課題: Spanner に移行する前、Inspira は、Elasticsearch、BigQuery、Cloud SQL で構成された多言語対応システムに依存する、複雑で断片化されたアーキテクチャに苦慮していました。これにより、データの同期が複雑化し、キーワード検索とベクトル検索を組み合わせるために複雑な「2 段階」のクエリフィルタリングが必要でした。また、レイテンシと高い読み取り / 書き込みスループットを犠牲にすることなく、10 億個を超えるベクトルをスケールする方法も必要でした。
ソリューション: こうした非効率性を解消するため、Inspira はスタック全体を Spanner に統合し、4.5 TB のデータパイプラインを、統合された高パフォーマンスの信頼できる唯一の情報源へと大幅に簡素化しました。FTS とベクトル検索の両方をネイティブにサポートする Spanner を活用することで、ハイブリッドクエリにおいて「1 段階」のフィルタリングが可能になり、RAG ワークフローを使用した LLM ベースの法的分析において高精度のスニペットを実現しました。

4. 自律型ネットワーク運用

自律型ネットワーク運用（ANO）は、事後対応型メンテナンスから予防的な自己修復型ネットワークへの移行を意味します。ネットワークトポロジの包括的なデジタルツインを作成し、リアルタイムの運用データと重ね合わせることで、通信事業者は根本原因分析を自動化し、異常を予測し、人手を介さずにネットワークインシデントを解決できます。

MasOrange: デジタルツイン

MasOrange の ANO の取り組みの中心にあるのは、時間的デジタルツインです。これは、同社の全国規模のワイヤレスネットワークトポロジを、オペレーションサポートシステム（OSS）やビジネスサポートシステム（BSS）のデータとともに複製します。

課題: MasOrange は、ANO スタックの基盤となる、ゼロ RPO / RTO の高可用性で無限にスケーラブルなグラフデータベースを必要としていました。複数の異なるソリューションの管理という運用上のオーバーヘッドのない、ベクトル検索や全文検索機能を求めていました。
ソリューション: MasOrange は、スケーラビリティと可用性の厳しい要件を満たしながら、完全に相互運用可能なグラフ検索、ベクトル検索、全文検索機能を提供できることから、Spanner を選択しました。現在、MasOrange のデジタルツインは Spanner 上で稼働しており、エンドツーエンドの異常検出と根本原因分析を強化しています。

今後の展望

スケール保証、高い信頼性、グローバルな整合性、さまざまなデータモデルを相互運用可能な方法で処理する汎用性を備えた Spanner は、エージェントワークロードに対応できる将来を見据えたデータベースです。

Google は、データベースが単純な実装の詳細となり、デベロッパーは生産性の向上、運用効率の改善、ビジネス目標の達成に純粋に集中できるようになる未来を思い描いています。Spanner のページで詳細をご覧になり、詳細を確認して今すぐ始めましょう。

- グループプロダクトマネージャー、Wenzhe Cao

膨大な表計算作業から脱却。AI と数理最適化で実現する、需要予測の先の「発注・在庫管理の自動化」

Tue, 14 Apr 2026 03:00:00 +0000

商品、サービス、店舗を通じて、より効率的で最適なサプライチェーンの実現を目指す中で、需要予測の精度向上は株式会社カインズにとっても最優先課題です。しかし、精度の高い需要予測モデルを構築し予測結果を出力することはサプライチェーン全体においては入り口に過ぎません。

実際には、予測値が出た後に、SKU ごとの特性や季節性に応じた「予測結果の精査」や「発注・在庫管理のためのメンテナンス」という不可欠な実務工程が存在し、その膨大な作業を表計算ソフトによる手作業で支えているという実態がありました。

本記事では、Vertex AI による需要予測の次のステップとして、AI エージェントを組み合わせることで、190 万行に及ぶ SQL 処理と複雑な表計算ソフト作業をどのように刷新したのか、株式会社カインズの取り組みの舞台裏を詳しく紹介します。

利用しているサービス:
Big Query、Vertex AI、Cloud Run Jobs、Workflows、Vertex AI Agent Builder (SDK)

「表計算ソフト作業」への依存がもたらす限界

これまで、需要予測の結果を実務に反映させるプロセスは、まさに「表計算ソフト作業との格闘」でした。システムから出力されるデータは、190 万行に及ぶ膨大な SQL クエリ結果を発注点メンテナンス向けの表計算ソフトの作業用シートに書き出したもので、その出力だけで丸 2 日を要していました。

出力されたデータは 1 ファイルに収まりきらず、20 万行ごとに 6〜7 個のファイルに分割して管理されていました。現場の担当者は、これらのファイルに対して棚割りデータや在庫データ、直近の売上実績などから様々なフラグを作成したり、他システムで管理しているマスタデータを VLOOKUP 等の関数で紐付けたりしていました。さらに「この在庫は動かさない」といった個別のフラグを手作業で立てるなど、複雑で膨大な表計算ソフト作業を行っていました。

「こうした表計算ソフト作業でメンテナンスを行うこと自体が、もはや正解ではないと感じていました」と、矢口氏は当時の課題を振り返ります。表計算ソフトの作業用シートのメンテナンスは、専任の担当エンジニアがつきっきりで数式の変更や列の追加要望に対応していましたが、列ずれの確認やテストに多大な工数がかかり、現場のニーズに即座に応えることが難しい状況にありました。

AI エージェントの導入：自然な対話で「発注点メンテナンス」を民主化

この課題を根本から解決するために導入されたのが、AI エージェントを活用したデータ処理基盤です。Vertex AI Agent Builder を活用し、ユーザーが自由な条件でデータの絞り込みを行える仕組みを構築しました。

従来の運用では、メンテナンスの要望があるたびに表計算ソフト作業のロジックを書き換える必要がありましたが、AI エージェントを介することで、ユーザー自身が「この条件でデータを抽出してほしい」といった指示を出し、BigQuery 上のデータを直接操作・抽出することが可能になりました。

また、需要予測の「後工程」として非常に負荷が高かったのが、酒類などの発注において「車建発注（在庫回転日数をコントロールしつつトラック積載量を最大化する）」の最適化計算です。これまでは、カインズ側でベースの発注量を 1 日かけて表計算ソフトで算出して翌日に取引先に送付し、取引先側で車建計算を行っていました。しかし、数理最適化を使ったアルゴリズムを開発し、計算を組み込むことでこのプロセスを自動化。現在ではカインズ自身で車建発注量の計算を行えるようになりました。

導入効果：劇的な業務削減と「あるべき姿」への集中

今回の取り組みにより、主に以下の 3 つの成果が得られました。

劇的な工数削減： 2〜3 日かかっていた発注点メンテナンスのためのデータ抽出および表計算ソフト作業が大幅に効率化されました。
柔軟性の向上：Vertex AI Agent Builder を使った AI エージェントの導入により、自分たちで「やりたいこと」を AI エージェントを通じて即座に実行できる内製化のスピード感が実現しました。
データの正確性と一貫性：複数のファイルに分散しローカル保存されていた表計算ソフト作業のデータが BigQuery という単一のソースに統合され、属人的な数式ミスや列ずれの不安が解消されました。

「需要予測を起点に発注管理から在庫管理まで、すべて統合された基盤で実行することが可能になった」と矢口氏は語るように、点在していた業務プロセスが Google Cloud 上で統合されたことが、最大の価値となっています。

今後の展望：数理最適化のさらなる拡張と AI エージェントの融合

現在はローカル環境で行っている数理最適化計算のリクエスト処理なども、順次 AI エージェント上に移行していく予定です。またシーズン商品の最適化や棚割の最適化など、より複雑な変数が絡む領域への数理最適化の適用も視野に入れています。

AI が単に予測値を出すだけでなく、実務における判断をサポートし、複雑な計算を肩代わりする。株式会社カインズにとって、この「需要予測のその先」の実現こそが、小売・流通業界における真の DX の鍵となるはずです。

株式会社カインズ
株式会社カインズは、29 都道府県下に 264 店舗を展開するホームセンターチェーンです。「くらし DIY 」をブランドコンセプトに、くらしを豊かにする価値ある商品・サービスを開発し、お値打ち価格で毎日提供します。Kindness（親切心）と創意工夫のアイデアあふれる店舗づくりに努めることで、お客様一人ひとりの、ご家族の、そして地域の日常を楽しいものとし、お客様とのプロミスである「くらしに、ららら。」をお届けします。

インタビュイー
株式会社カインズ　
ビジネスソリューション部需要予測グループ　グループマネジャー　矢口未知彦氏

ID.me、1 億 6,000 万ユーザーに対応するスケーリングと運用リスクの軽減を同時に達成

Thu, 09 Apr 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 3 月 31 日に、Google Cloud blog に投稿されたものの抄訳です。

編集者注: ID.me は、デジタル ID のセキュリティを変革することで、ID の確立が容易であることを証明しています。さらに、同社のプラットフォームは 1 億 6,000 万人の会員に対応できるようスケールされ、1 分あたり最大 40,000 人のユーザーへの対応が可能となっています。圧倒的な規模とリアルタイム AI を必要とする税務申告などのサービスに対応するために、同社のチームは 50 テラバイトのデータを従来のプラットフォームから Google Cloud に移行し、AlloyDB、Cloud SQL、Vertex AI を基盤とする最新のアーキテクチャを採用しました。このアーキテクチャにより、開発の迅速化、不正行為の検出精度の向上、データチーム全体の作業完了時間の 40% 短縮が実現しました。

皆さん、家を出るときは、スマートフォン、運転免許証、クレジットカードなど、必ずなんらかの身分証明書を携帯するでしょう。それによって自分の身元を証明できますし、ほぼどこでも利用できます。しかし、オンラインでは、何度も本人確認を求められ、新しいサービスやツールを使い始めるたびに、新しいログイン情報を作成する必要があります。ID.me は、ユーザーが本人確認を一度だけ安全に行い、その認証情報をオンラインのどこでも使用できるようにすべきだと考えています。

当社の目標は、公的機関と民間企業の両方で信頼性の高いログイン方法として機能する、ID 用のデジタルウォレットを開発することです。当社は現在、1 億 6,000 万人以上の会員にサービスを提供しており、私たちの生活や仕事において ID の重要性が高まっています。このため当社は、対面で運転免許証を提示する場合と同じくらい簡単に、オンラインで本人であることを証明できるよう規模を拡張しています。

追いつかないスピードで増える需要

ID.me の以前の会員数は 5,000 万人でしたが、この数年間で 1 億 6,000 万人以上という規模まで成長しました。現在は 1 日単位での使用状況のトラッキングは行わず、代わりにほぼリアルタイムのモニタリングを行っています。現時点で、当社のプラットフォームは 1 分あたり最大 40,000 人の会員に対応できるように設計されています。この種の需要は予測できません。ID.me の会員にとって、アクセスがすべてです。稼働時間だけでなく、政府の給付金、医療、限定特典などに関して、会員が必要とする場合に、安全かつ即座に本人確認を行えることが重要です。そしてユーザー数が拡大する中、当社のインフラストラクチャを必要な形でスケールできていないことがわかりました。アーキテクチャの限界に達しつつあったため、当社はある決断を下しました。ID.me のデータ基盤を Google Cloud 上で再構築して、次の成長段階に備えることにしたのです。

1 億 6,000 万人の大切なお客様と当社のための新しいデータベース

最初の作業は、当社が必要としていた圧倒的なスケーラビリティと信頼性を実際に提供できるデータベースを選択することでした。すぐに目に留まったのが AlloyDB for PostgreSQL でした。以前の環境で直面していたスケーリングのボトルネックと運用上の複雑さに直接対処するソリューションであったため、ピーク時の需要にも自信を持って対応できるようになりました。この移行によって、技術的な課題を解決できただけでなく、開発者のエクスペリエンスが劇的に向上しました。チームがプロビジョニング、メンテナンス、パッチ適用に費やす時間が大幅に減り、開発サイクルが数週間からわずか数日に短縮されました。

過去 2 年間で、15 個のデータベースインスタンスに分散されていた 50 テラバイト以上のデータを Google Cloud に移行しました。しかも、ダウンタイムは最小限で済みました。また、2 階層アーキテクチャも導入しました。Cloud SQL がより小規模かつ標準的なサービスをサポートし、AlloyDB が ID.me プラットフォームのバックボーンを形成するより負荷の高いワークロードを実行します。これにより、安定性を損なうことなく迅速に処理を進めることができます。また、チームに余裕が生まれ、実際にイノベーションを推進する作業に集中できています。たとえば、当社の ID に対する取り組みに逆行するのではなく、確実に役立つ AI の開発などです。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud データベースでよりスマートに構築'), ('body', <wagtail.rich_text.RichText object at 0x7f8b04e89880>), ('btn_text', ''), ('href', ''), ('image', None)])]>

AI トレーニングの目的は . . . AI との戦い？

あらゆる組織が AI を活用しようと躍起になっています。しかし ID.me では、その不正使用を防ぐことも同じくらい重要です。脅威の状況は進化しており、特に生成モデルは、個人になりすます能力だけでなく、合成 ID を作成する能力も高めています。ユーザーが名乗ったとおりの人物であることを確認することをビジネスとしている当社にとって、この脅威は大きな問題です。

AlloyDB の優れた点の一つは、複数の読み取りプールを作成できることです。当社では、これらの読み取りプールを、データエンジニアやデータサイエンティストと迅速に共有できるデータクリーンルームとしています。不正行為分析担当者がそこに入り、問題を発見して、リアルタイムで修正または防止できます。

全体で見ると、AlloyDB AI のおかげで従来のシステムを 10～20 倍にスケールし、さらに料金も下げることができました。その効果は非常に大きいものです。ID.me は、米国連邦政府から、国家システム内での大規模な不正行為を防止する役割を担っていると認められています。この成功の重要な要因となったのは、AlloyDB に組み込まれた高可用性と、スケーリングが容易な読み取りプールです。これにより、米国の国家税務当局である Internal Revenue Service（IRS）は、前回の納税申告のピーク時に、1 秒あたり 120,000 件を超えるトランザクションを滞りなくシームレスに処理できました。これは実質的に、以前のセルフホスト型 PostgreSQL のパフォーマンスの 2 倍に相当します。

多くの新機能を試してきましたが、特に期待しているのは Gemini Enterprise と AlloyDB AI の自然言語です。これにより、当社の AI の構築と操作の方法に根本的な変化がもたらされるからです。

1 つのログインであらゆるシステムにスムーズに対応

当社のデータチームは Google Cloud を大いに活用しており、作業が大幅に楽になりました。移行後は、変更をはるかに迅速に行えるようになり、全体の作業完了時間が 40% 短縮されました。ID.me のエンジニアリングチームでは、開発者のエクスペリエンスが劇的に向上しました。チームが製品の機能全体をリリースするまでに要する期間が数週間から数日に短縮し、当社の会員にとって重要な問題の解決に時間を費やせるようになりました。

インフラストラクチャのスケーリングと信頼の拡大を同時に達成できました。ポータブル ID を圧倒的な規模で処理できるように構築された、より高速でスマートなプラットフォームにより、当社は目標達成に一歩近づきました。それは、必要なときに必要な場所で、デジタルによる安全な方法で本人確認を行うことができるソリューションです。子どもの頃に飼っていたペットに関するセキュリティ保護用の質問は、もうなくなるかもしれません。

詳細:

AlloyDB と AlloyDB AI の機能の詳細をご確認ください。
AlloyDB の無料トライアルを今すぐ開始しましょう。
AlloyDB を活用してビジネスを変革している Bayer や Character.ai などのお客様の事例をご覧ください。

- ID.me、クラウドプラットフォームアーキテクト Kevin Liu 氏

FM Logistic が AlphaEvolve を使って倉庫規模の「巡回セールスマン問題」を解決

Wed, 08 Apr 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 3 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

巡回セールスマン問題とは、「すべての地点を 1 回ずつ訪問する最短ルートは何か」という、一見すると単純な問題です。これはコンピュータサイエンスにおける最も難しい問題の一つであり、数学者は 1 世紀近くもこの問題に取り組んでいます。また、FM Logistic のポーランドの倉庫作業員が日々直面している課題でもあります。

倉庫は全体でサッカー場 8 面分の広さがあり、ピッキングポイントの数は 17,700 を超えています。シフトごとの作業員数は数十人にのぼり、その各人が電動車両に乗ってフロアを縦横に駆け巡り、1 度の巡回で数十か所の保管場所を回って段ボール箱を回収します。こうした作業において、不要な経路が積み重なっていくと、時間が無駄になるだけでなく、車両の劣化や、納品の遅延にもつながります。

14 か国以上でグローバル事業を展開する物流プロバイダの FM Logistic は、すでにルーティングを最適化する仕組みを有していました。既存のモデルは、費用優先の高速なルート割り当てロジックに基づき、リアルタイムで応答を得られるようなものです。これはこれでうまく機能していましたが、ルートの判断がその都度行われる仕組みになっており、倉庫全体から見たルート調整能力に限界がありました。一度のシフトで同時に働く作業員数が数十人にのぼることを考えると、ルートがわずかでも改善されれば、大きな効果に直結します。

そこで導入されたのが、Google Cloud の AlphaEvolve です。

AI に、もっと優れたアルゴリズムを書いてもらう

AlphaEvolve は、Gemini モデルを使ってアルゴリズムを自律的に生成、改良する進化型のコーディングエージェントです。固定ルールからスケジュールを計算するのではなく、コーディングパートナーのように動作するのが特徴で、新しいコードを記述し、スコアを付け、最初のコードよりも優れたソリューションが見つかるまで反復処理を行います。

この取り組みをゼロから始めたわけではありません。既存のアルゴリズムを AlphaEvolve に「シード」プログラムとして提供しました。このアルゴリズムは、各ステップごとに、最善と思われるルートをその都度採用するというものです。この実際に使用されているアルゴリズム（すでに問題を解決しており、まだ最適化の余地があるもの）をベースラインとして使用し、Gemini を使って変更や新しいロジックを加えて新たなコードを生成して、人間が設計した元のコードを上回ることができるかどうかを調べました。

改善結果の評価

AlphaEvolve によって改善するには、各アルゴリズムのパフォーマンスを測定する方法が必要となります。そこで、60 件の巡回（合計 1 時間以上の作業員データ）を代表的なデータセットとして使ってカスタム評価関数を設計し、生成された数千のアルゴリズムを実際の状況下でテストしました。

この評価では、「ピックごとの平均移動距離を最小に抑える」という基本的な目標に基づいてコードをスコア付けします。また、運用上の問題を回避するため、フォークリフトの容量超過や、注文品の回収漏れ、同じ箱の重複割り当て、注文の先入れ先出しルール違反、リアルタイム運用で許容される計算時間の超過といった事象にそれぞれペナルティを設け、不適切な解を避けられるようにしています。

結果

新しいルーティングロジックでは、過去最良だったベースラインからの改善をただちに数値で確認できました。

過去最良のソリューションと比較して、ルーティング効率が 10.4% 向上。
全体で、倉庫内の移動距離が年間 15,000 km 以上削減。

この効率化により、人員や車両を増やすことなく、従来と同じ作業員数および設備でより多くの注文を処理できるようになりました。

FM Logistic のグループ CIO である Rodolphe Bey 氏は、次のように述べています。「Google Cloud と協力して AlphaEvolve および Gemini を実装したことで、このスピードが要求される業務においてルーティングアプローチをさらに最適化することができました。既存のアルゴリズムもすでに高度に最適化されていたため、そのベースラインを超えることは困難と思われましたが、上乗せで 10.4% の改善を実現しました。この改善は、納品のスピードアップや、労働条件の改善、車両の劣化軽減に直結しています。」

最終的に勝ち残ったアルゴリズムの動作

AlphaEvolve の実験を繰り返し、実験のたびに数百の候補プログラムを生成するという方法によって、人間が設計した最良のアルゴリズムを上回る新しいアルゴリズムが生み出されました。この新しいアルゴリズムは、人間が解読可能なルールセットとなっており、倉庫チームが内容を確認して適宜調整することが可能です。

3 つの主な改善点:

密度ベースの開始点（アンカー選択）: 旧システムでは、最も多くのピッキングが必要な一か所を開始点として選択していました。新しいアルゴリズムでは、開始点を広く捉えるようになっています。具体的には、互いに近くにあるアイテム同士をクラスタ化して、アイテムが密集しているエリアを開始点（基点アンカーグループ）として使用します。この方法によって、すべての巡回において開始点の効率が高められます。
距離シミュレーションにおけるフィルタリング: リアルタイムに通用する速度を維持するため、2 段階の処理プロセスを使用しています。まず、クイックフィルタによって、ルートロジックに適さない注文を除外します。続けて、残った適切な候補に対してのみ厳密な距離シミュレーションを実行することで、スピードを落とすことなく最も効率の良い経路を見つけています。
柔軟なルート構築: ある出発点から初めて、トラックを効率的に満載にできなくなった場合、無駄なルートを強制することはありません。メインプールにいったん積み荷を戻し、後でもっと良いルートでピックすることで、倉庫全体で効率を向上させています。

次のステップ

ポーランドでの試験運用（現在は本番環境に移行済み）では、倉庫規模の複雑なルーティングにおいて、進化型 AI が役立つことが示されました。FM Logistic は現在、大量の商品を扱っている他の e コマース施設にもこのアルゴリズムを適用することを計画中です。また、AlphaEvolve を道路輸送にも応用し、トラックが積載量に満たない場合の効率化に役立てられないかどうか探っています。さらに、倉庫内の商品配置にも AI を活用して移動距離をさらに短縮できないかどうか検討中です。

^{このプロジェクトは、FM Logistic チーム（Mateusz Klimowicz、Jarosław Urbański、Florent Martin、Alberto Brogio）、Google Cloud の AI for Science チーム（Kartik Sanu、Laurynas Tamulevičius、Nicolas Stroppa、Chris Page、Gary Ng、John Semerdjian、Skandar Hannachi、Vishal Agarwal、Anant Nawalgaria、他）、Google DeepMind の協力によって実現しました。}

- FM Logistic、シニアソフトウェアエンジニア、Mateusz Klimowicz 氏

- Google、シニアスタッフ ML エンジニア兼プロダクトマネージャー、 Anant Nawalgaria

初級者コースのように簡単: Vail Resorts がパーソナライズされたおすすめを自動化する AI アシスタントを構築した方法

Mon, 06 Apr 2026 02:20:00 +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。

スキーヤーやスノーボーダーは、新雪を追い求めたり、新しいトリックをマスターしたり、新しい地形を探索したりと、ゲレンデでのあらゆる瞬間を精一杯楽しむものです。よく知っているお気に入りのゲレンデを訪れる場合でも、初めてのゲレンデを訪れる場合でも、必要な情報をすぐに手に入れて、自信を持って移動し、隠れた名所を見つけ、到着した瞬間からその場所に溶け込みたいと考えています。

そのような理由から、Vail Resorts は 2024～2025 年の雪シーズンに My Epic Assistant をリリースしました。Vail は、世界で最も象徴的で愛されている山岳リゾート（ウィスラーブラッコム、パークシティマウンテン、ストウ、クレステッドビュートなど）を運営しています。同社は、すべての利用者が新しいアプリで十分なサポートを受けられる、つまり、ゲレンデ体験に没頭したまま、迅速かつ有益な回答を得て、ゲレンデにあるすべてのものを発見できるようにしたいと考えていました。

情報ブースを探すのと、次の滑走に向けてリフトに乗っている間にアプリで情報を得るのと、どちらがよいか、考えれば答えは明白です。

My Epic Assistant は、Vail Resorts の IT チーム、接客チーム、運営チームのノウハウを Google の強力な Gemini モデルにフィードする AI 搭載アシスタントです。結果として、ゲレンデで適切なシーズンパスを選択するサポート、最新の雪の状況の共有、レッスンの準備状況の確認、ココアを飲むのに最適な場所の提案などを、このエージェントで行えるようになりました。Vail Resorts は、単なる chatbot ではなく、ウィスラーでパウダースノーを楽しめる日と、ビーバークリークへの家族旅行に適した日の微妙な違いを理解できるデジタルコンシェルジュを求めていました。

これらのサービスを次のレベルに引き上げるため、Vail Resorts のチームと Google Cloud スペシャリスト 66degrees は、2025～2026 年シーズン向けに My Epic Assistant を更新し、シーズンパスのおすすめや強化されたパーソナライズなどの新機能を追加しました。この機能により、ゲストの質問を理解し、複雑なリクエストに対応して、ゲストに最適なパスをインテリジェントに案内できるようになりました。

この投稿では、ゲレンデを楽しむために迅速なサポートを求めている、目の肥えた利用者からの、微妙な違いのある複雑な質問に効果的に回答できるマルチエージェントシステムをオーケストレートするという難題に、Google がどのように取り組んだのかをご紹介します。このような AI 搭載ツールを活用できるのは、ゲレンデに詳しい利用者だけではありません。

このような AI 搭載ツールを活用できるのは、ゲレンデに詳しい利用者だけではありません。

このブログ投稿では、接客業のこの過酷な分野特有の課題に巧みに対処できるマルチエージェントシステムをオーケストレートして、My Epic Assistant を構築した方法について詳しく説明します。これは、顧客中心の他の分野の組織が、それぞれの状況に合わせてエージェントシステムを構築するうえでも役立つアプローチです。

新しいシーズン、より良い結果

My Epic Assistant 内のパーソナライズ、検索、要約の各機能、会話フローを実装して改良した結果、アプリの初回リリース以降、人間のエージェントへのエスカレーションが 45% 減少しました。

テクノロジーは人と人の触れ合いに取って代わるのではなく、それを強化するものです。日常的なロジスティクスを自動化し、パーソナライズを拡大することで、Vail Resorts のゲストエクスペリエンステクノロジーチームは、そのことを確実にすることができました。全体的に、サポートを求める利用者は、より迅速かつ確実に、より多くの方法とタイミングでサポートを利用できるようになりました。

「Google Cloud のツールを利用することで、エージェント設計パターンを活用して、自然でパーソナライズされた会話を実現できました。これにより、顧客満足度が向上し、手動でのインテント設計の必要性が低減しました。また、これらのツールにより、柔軟性と制御性を組み合わせて、アシスタントがブランド、ポリシー、プロダクト戦略の範囲内で常に流動的に対応できるようになりました」とチームは述べています。

My Epic Assistant の構築手順

まず、My Epic Assistant はサブトピック分類エージェントを使用して、パスの比較、おすすめの提案、一般的な情報の検索など、利用者の最初のリクエストを理解します。パスは期間限定でのみ購入できるため、日付オブジェクトを使用して時期を判断します。パスが販売終了している場合は、自動的にリフト券の情報にルーティングされます。パスとリフト券の両方が購入可能な場合、アシスタントはいくつかの確認の質問をして、旅行に最適な価値を提供するオプションを顧客が決定できるようにします。次に、アシスタントは、おすすめを提示するために必要な追加データを判断するために、データ収集エージェントに引き継ぎます。認証済みのユーザーの場合、Vail Resorts は、よく訪問するリゾート、平均訪問回数、年齢、今後訪問予定のリゾート、ピーク日の好みなどの既存のデータを、Webhook から呼び出して提供します。認証されていない新規のユーザーの場合、ギャップを埋めるために、確認のための回答しやすい質問をします。一方通行の静的なフォーム入力ではありません。

このステップでは、生成 AI の会話機能が真価を発揮します。My Epic Assistant は、自由に会話できるように設計されているため、利用者はいつでも確認のための質問をして、コンテキストを失うことなくレコメンデーションプロセスに戻ることができます。ハンドブックの手順に沿って、モデルは出力に必要なすべてのパラメータが入力されているかどうかを継続的に評価し、次のステップに進みます。このプロセス中も、利用者は他の質問をすることができます。

たとえば、ピーク日の利用を希望するかどうかを尋ねられた利用者が、「制限の対象となる今年のピーク日はいつですか？」と続けて質問する可能性があります。My Epic Assistant は、Vail Resorts の広範な知識を体系化したウェブサイトのデータストアを呼び出して対応します。その後、My Epic Assistant は回答を提供し、コンテキストを失うことなく会話の前のターンに戻ります。

最後に、レコメンデーションエージェントが引き継ぎます。収集したユーザーデータを使用して、すべてのパスオプションの構造化データベースに対してクエリを実行し、完全一致を見つけます。その後、システムは、特定されたパスが適している理由を説明するユーザーフレンドリーな回答を生成し、直接購入リンクを含むコンテンツカードを提供して、利用者の最終ステップを簡素化します。

パスレコメンデーションエージェントのコア機能は、既存のすべてのパス、その特長、制限事項の構造化ファイルを含むパスマトリックスのデータストアツールです。利用可能なオプションが多数あるため、ツールがすべての入力パラメータを受け取ったときに有効で適切なオプションを返すことを確認するには、広範なテストが必要でした。66degrees は、この分野に関する Vail Resorts の深い知識を活用して、あらゆる結果を検証しました。

プロンプトエンジニアリングにより、最終的な回答では、特定のパスが利用者に最適なオプションである理由を詳細に説明したおすすめが提示されます。また、おすすめの購入リンクを含むコンテンツカードも呼び出されます。ハンドブックを終了する必要はありません。新しくリリースされた Epic Friends 機能に関する詳細情報が表示されるなど、生成された回答が適切でない場合もありました。静的な回答は、コードスニペットと条件付きアクションを介して呼び出されます。これらもハンドブック自体に格納されるため、全体的なアーキテクチャが簡素化されます。

パーソナライズが初級者コースのように簡単に

My Epic Assistant のスマートテクノロジーとユーザー重視のデザインの新しい組み合わせにより、Vail Resorts は、単なる顧客の質問とその回答という枠を超えて、多くの顧客のリクエストに対して真に会話型でありながら完全に自動化されたエクスペリエンスを提供できるようになりました。重要なのは、Vail Resorts のような運営企業にリゾート利用者が期待するコンシェルジュサービスを、AI とクラウドテクノロジーなしでは実現できない規模で提供していることです。

Vail Resorts は、My Epic Assistant のパスのおすすめ機能により、すべての利用者がこれまでで最高のシーズンを過ごすためのカスタムのおすすめ情報を受け取れるように準備を進めています。

上級者コースのように技術的に難しい課題を、初級者コースのように簡単に扱えるソリューションで解決することをご希望の場合は、66degrees と Google Cloud のエキスパートにお問い合わせのうえ、最新の AI とクラウドテクノロジーで何ができるかをご確認ください。

- 66degrees、会話アーキテクト、Olivia Marrese

- Google、カスタマーエンジニア、Jacob Walcik

Manhattan Associates、Google Cloud データベースで 1 日に 10 億件以上の API 呼び出しを処理

Mon, 06 Apr 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 3 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

編集者注: サプライチェーンとオムニチャネルコマースソリューションのグローバルリーダーである Manhattan Associates は、それまで使用していた Oracle と DB2 のシステムから Google Cloud データベースに移行することで、Manhattan Active SaaS プラットフォームをモダナイズしました。Cloud SQL と BigQuery を活用することで、同社は現在、1 日あたり 10 億件以上の API 呼び出しを平均 150 ミリ秒未満の応答時間で処理しており、数万の店舗と物流センターで毎月数十万人のアクティブユーザーをサポートしています。

モノリシックな基盤からクラウドのレジリエンスへ

当社の Manhattan Active SaaS プラットフォームは、グローバルサプライチェーンのサポートに不可欠なため、常時稼働と高いパフォーマンスが求められます。従来の Oracle と DB2 のインフラストラクチャは、手動によるスケーリング、複雑なライセンス管理、高額なメンテナンス費用が必要で、運用に大きな負担が生じていました。そのため、可用性を契約条項に規定した SLA、自動化されたレジリエンス、予測可能な費用モデルを利用できる新しいデータベース基盤を必要としていました。

当社が Google Cloud のデータベースを選んだのは、Manhattan Active をグローバル規模で稼働させるために必要な、柔軟性、スケーラビリティ、運用の容易さのバランスが適切だったからです。マネージドデータベースの Google Cloud SQL を使用することで、手動でのメンテナンスを排除でき、組み込みの高可用性、スケーラビリティ、リージョン間の障害復旧に注力できるようになりました。

Manhattan Active の各機能は、現在、独立したコンテナ化されたサービスとして実行されており、Google Kubernetes Engine（GKE）によってオーケストレートされています。データは Pub/Sub を介して BigQuery にストリーミングされ、リアルタイム分析が行われます。また、Cloud Logging と Cloud Monitoring により、大規模なオブザーバビリティを実現しています。Google Cloud のマネージドサービスを活用したマイクロサービスファーストの設計により、当社は、迅速に進化するためのアジリティを得られたほか、全リージョンにおいてミッションクリティカルな運用のレジリエンスを維持できるという確信を持つことができました。

aside_block: <ListValue: [StructValue([('title', 'Google Cloud データベースでよりスマートに構築'), ('body', <wagtail.rich_text.RichText object at 0x7f8afc489910>), ('btn_text', ''), ('href', ''), ('image', None)])]>

あらゆるトランザクションにレジリエンスとスピードを組み込む

当社のプラットフォーム基盤を Google Cloud で刷新したことで、大規模に価値を提供する方法を再検討する機会が生まれました。Manhattan Active のアーキテクチャは、マネージドデータベースと連携することで、サプライチェーンの煩雑さが解消され、応答性とレジリエンスに優れたシステムへと変わりました。

そのメリットはプラットフォーム全体に波及しています。Cloud SQL は Manhattan Active の中核を担っており、1 日あたり数百万件に及ぶサプライチェーンのトランザクションを迅速かつ確実に実行しています。リアルタイム分析は BigQuery に送信され、より精度の高い予測と、より迅速な異常検出を小売業者に提供しています。自動フェイルオーバーとクロスリージョンレプリカによってビジネスの継続性が確保されるため、障害が発生した場合でも重要なサービスは利用可能な状態を維持できます。

基盤をモダナイズ: データベースからインテリジェンスへ

従来の Oracle と DB2 のシステムからの Google Cloud データベースへの移行は、パフォーマンスの問題を解決しただけでなく、次のステップに向けた強固な基盤を築くことにもなりました。その信頼性とスケーラビリティにより、生成 AI をサプライチェーンに直接組み込むことも可能になりました。

当社のエージェント型 AI スイートには、店舗や物流センターの業務全体でリアルタイムの意思決定を調整する事前構築済みエージェント（Intelligent Store Manager や Labor Optimizer など）が含まれています。また、Manhattan Agent Foundry を利用すれば、ローコード環境を使用してカスタム AI エージェントを構築することも可能です。この基盤は、リアルタイムのログ分析、デベロッパー向けコード支援、シナリオシミュレーションといったユースケースを通じて、社内の効率化も支えています。

かつてないスピード、規模、運用効率を実践

このプラットフォームのモダナイゼーションの効果は、小売業者にもすぐに現れました。それは、目に見えるスピードと信頼性です。

現在、Manhattan Active は、Cloud SQL と BigQuery を活用して驚異的な数の API 呼び出しに日々対応しており、平均応答時間は 150 ミリ秒未満を実現しています。このスピードにより、数万の店舗と物流センターにわたって数十万人の月間アクティブユーザーをサポートしており、重要な場面でのリアルタイムな意思決定を可能にしています。

運用面では、プラットフォームの弾力性と効率性が向上しました。このシステムは、1 日に数十万件のスケーリングイベントを自動的に処理するため、ピーク時のトラフィック急増時でも一貫したパフォーマンスを維持できます。高額なオーバープロビジョニングを行う必要はありません。また、Query Insights などのデータベースオブザーバビリティツールにより、エンジニアは状況を明確に把握できるため、データベースのパッチ適用や事後対応型のトラブルシューティングに費やす時間が減り、機能開発やパフォーマンスチューニングにより多くの時間を割けるようになりました。

現在、Manhattan Associates では、レジリエンスが組み込みの機能となっています。これは、当社のソフトウェアを利用する小売業者にとって、よりスマートかつ迅速で、将来のあらゆる事態に備えたサプライチェーンの実現へとつながるものです。

詳細

Cloud SQL でビジネスを変革する方法をご確認ください。今すぐ無料トライアルを開始できます。
IDC レポートをダウンロードして、Cloud SQL への移行によってコストの削減、アジリティの向上、デプロイの高速化を実現する方法をご確認ください。
Ford と Yahoo が Cloud SQL でモダナイズして、高いパフォーマンスを実現し、費用を削減した方法をご確認ください。

- Manhattan Associates、シニアディレクター、Narayana Reddy Kothapu 氏

- Manhattan Associates、テクニカルディレクター、Rajkumar Ramani 氏

JA 共済連: 年間数百件におよぶ問い合わせの回答支援 AI エージェントを Gemini Enterprise を用いてスピーディに構築

Mon, 30 Mar 2026 02:00:00 +0000

将来的な人員減を見据え、全国共済農業協同組合連合会（以下、JA共済連）は、富士通株式会社（以下、富士通）とのパートナーシップのもと、Google Cloud の AI エージェントプラットフォーム Gemini Enterprise を活用した業務効率化プロジェクトを始動させました。その第一歩となったのが、各県域における地域貢献活動にかかる積立金の支出可否判断の支援です。ここでは取り組みの詳細をプロジェクトで中心的な役割を担った 4 名のキーパーソンに伺います。

利用しているサービス:
Gemini Enterprise など

利用しているソリューション:
生成 AI

AI エージェント活用で「2040 年問題」に備える

多くの企業・組織で人手不足が叫ばれる昨今。政府試算によると、日本の労働人口は 2040 年までに現労働人口の約 2 割、最大 1,200 万人ほど減少すると言われています。この問題はJA 共済連にとっても無縁ではありません。同会は「相互扶助」の理念を掲げ、全国の JA（農業協同組合）と連携・協調しながら「ひと・いえ・くるま」の総合保障の提供のほか、豊かで安心して暮らすことのできる地域社会づくりに貢献しています。この質の高いサービスを維持するためにも、「2040 年問題」にいかに備えるかが喫緊の課題となっています。そこで着目されたのが生成 AI の技術です。JA共済連農業・地域活動支援部地域貢献企画管理グループ主幹の市川豪氏は、次のように説明します。

「将来的に予想される職員の減少に対応するためには、業務を効率化していくことも有効な手段となります。最近、社会的に大きな注目を集めている生成 AI 技術を活用することで、現状をかなり改善できるのではないかという期待があり、具体的な活用方法を探ってみることになりました。」

JA共済連は、同会のシステム開発・運用パートナーである富士通に AI を用いた業務効率化を相談。いくつかのユースケースを検討した結果、対応のスピードアップと負荷軽減が求められていた地域貢献活動にかかる基金の支出判断に、AI エージェント技術を活用するプランを採用します。

「地域貢献活動とは、健康増進や防災、交通事故対策、農機具の寄贈など、JA・JA共済連が、組合員や地域住民の方々のために行う活動です。実施に当たっては、ガイドラインに基づいて支出可否を判断します。ただし、地域貢献活動は一般的な共済事業と異なり、明確な約款が定められているわけではありません。実際には、過去事例などと照らし合わせながら個別かつ総合的に検討する必要があり、どうしても判断に時間がかかってしまいます。公益性の高い非常に重要な活動を充実させるうえでも、判断の迅速化が求められていました。」（市川氏）

市川氏とともに同業務を担当してきた地域貢献企画管理グループ主査、町田瑞季氏は、AI導入によって期待される効果を、業務負荷の軽減という観点から説明します。

「最大の問題はガイドラインの解釈が担当者によって異なり、判断基準に差が生じるリスクがあったことです。これまでは、そうした問題を未然に防ぐため、部署内で全国からの問い合わせに関する認識をすり合わせたうえで、回答を行っていました。しかし、文書による照会だけで年間 200～300 件、さらに毎日数件、電話による問い合わせがあり、認識のすり合わせだけでも負担になっていました。この部分に AI エージェントをうまく活用できれば、私たち本部の作業だけでなく、地域貢献活動を実施する JA と直接やりとりをしている全国各地の担当者の作業負荷も大きく軽減されるのではないかという期待がありました。」

Gemini Enterprise だから実現できた短期間での課題解決

この課題解決にあたり、富士通の営業部門担当者として、JA共済連の業務効率化を担当してきた岡田晋太朗氏は、さまざまなソリューションの中から、Gemini Enterprise の採用を決定しました。

「AI エージェント導入に際しては、『短期間で成果を出したい』『アジャイル的に対話しながら AI を育てたい』というリクエストがありましたので、ノーコード・ローコードで構築できる Gemini Enterprise を選択しました。他の選択肢も検討しましたが、チューニング力や短期間での成果創出の確実性を考えると、今回は Gemini Enterprise が最適解という結論に達しました。」

2025 年 7 月に開発に着手。その後はスピード感をもって進められ、業務フローのヒアリング後、わずか 1〜2 週間でプロトタイプが完成。富士通のエンジニアとして AI エージェント開発に携わった宇野健介氏は、Gemini Enterprise を用いた AI エージェント作成について、こう語ります。

「今回は Gemini Enterprise の ADK（Agent Development Kit）を用いてAI エージェントを開発しました。Gemini Enterprise には、Gemini Pro をはじめとする高性能なモデル、SDK、UI、ローコードツールなどが一通り揃っているうえ、それらを連携させるのも容易で、スムーズに開発を進めることができました。今回、Gemini には、ガイドラインのほか、過去 3 年分、約 600 件の照会票（照会内容と回答の記録）データをナレッジとして追加しました。AI エージェントに新たに照会内容を入力すると、ナレッジを参照し、適切な回答を出してくれる仕組みです。最初のプロトタイプの時点でかなり精度が出ていましたが、そこからさらにご要望に沿うようチューニングしていき、トータルおよそ 1.5 か月程度で必要な精度・内容に仕上げられています。」

チューニングでは、いくつかの工夫も行われました。

「例えば、照会内容によって検討すべき争点が異なるため、まず AI エージェントに照会内容から争点を洗い出させ、そのうえで回答を生成させるようにしました。これにより、担当者の思考プロセスに、より近い回答が生成されるようになりました。また、単に過去事例をナレッジとして追加するだけでは、AI がキーワードにヒットした複数の過去事例の「いいところ取り」をしてしまい、文脈のつながらない回答を生成してしまう恐れがありました。照会票データを 1 つずつ「別のファイル」としてナレッジに追加することで、個別ケースの文脈を維持した回答を引き出せるように対応しました。」（宇野氏）

さらに、回答精度の向上に加え、「この情報が足りていないので教えてください」と AI 側から追加情報の提供を促す機能も実現。これらの改善によって、実用性が大きく高まったと言います。

業務負荷を最大 50％削減見込み、今後は他部署への展開を予定

町田氏は出来上がった AI エージェントを初めて利用した際、瞬時に理想的な回答が提示されたことに感動したと、当時を振り返ります。

「単に承認・否決を判定するのではなく、過去事例なども踏まえ、『ガイドラインのこの箇所に合致します、理由はこれです』と判断の根拠を明確に提示してくれるため、これならすぐに業務に使えそうだと感じたのをよく覚えています。また、チャット形式でやり取りできることも操作の学習が不要でありがたかったですね。」（町田氏）

市川氏によると、本システムの導入によって、照会応答業務負荷が 20〜50％程度削減できることを見込んでいるとのこと。

「特に回答の均質化・平準化が図れる点を高く評価しています。今後、実務への導入が実現した場合には、まずは各県本部に対してこの AI エージェントをリリースすることで、各地の職員が悩む時間を減らし、迅速に判断できるのではないかと考えています。将来的には他部署へも横断的に展開し、組織全体の効率化を図っていきたいです。Gemini Enterprise の導入で削減できた時間を、本来注力すべき、より良い地域貢献活動の企画・分析に充てていくことで、最終的には組合員や利用者の利益にもつなげていけるのではと期待しています。」（市川氏）

今回の取り組みの成功を受け、JA 共済連と富士通は今後、さらに AI エージェントの活用を拡大していく予定で、すでに別部署では、新たな業務効率化に向けた PoC（概念実証）も始まっています。

「今後は問い合わせ業務に限らず、営業推進、査定、支払いなど、バリューチェーン全体での活用を提案していければと考えています。また、現場の担当者自らが Gemini Enterprise を操作し、AI エージェントを作成・チューニングしていく取り組みも加速していきたいです。」（岡田氏）

「今回は AI エージェントを用いた業務改善でしたが、今後は、地域貢献活動参加者のニーズ分析などに Google Cloud の技術と知見を活用していきたいと考えています。2026 年 1 月に JA共済連は 75 周年を迎えました。伝統を守りつつも、新しいテクノロジーの力で組織の変革・改革を前に進めて、より深く多角的に地域に貢献していきたいですね。」（市川氏）

全国共済農業協同組合連合会
JA グループの共済事業を全国規模で支える連合会。「相互扶助」の理念のもと、「ひと・いえ・くるま」の総合保障を中心とした活動で、組合員・地域住民の暮らしと営農を支える。全国本部と 47 都道府県本部からなる体制で、総窓口数は約 5,400 か所。従業員数は6,367 名（2025 年 3 月末現在）。

富士通株式会社
（Google Cloud パートナー）
「イノベーションによって社会に信頼をもたらし、世界をより持続可能にしていく」というパーパスを掲げ、世界中のお客様に選ばれるデジタル・トランスフォーメーション（DX）パートナーとして、社会課題の解決に取り組んでいる。AI、コンピューティング、ネットワーク、データ＆セキュリティ、およびコンバージングテクノロジーの 5 つの重点技術領域を核に、幅広いサービスとソリューションを提供。これらの技術を駆使し、持続可能な社会の実現を目指すサステナビリティ・トランスフォーメーション（SX）を推進している。

インタビュイー
全国共済農業協同組合連合会
・農業・地域活動支援部地域貢献企画管理グループ主幹　市川豪氏
・農業・地域活動支援部地域貢献企画管理グループ主査　町田瑞季氏
富士通株式会社
・Finance & Public事業本部共済事業部　岡田晋太朗　氏
・クロスインダストリーソリューション事業本部
　Forward Deployed Engineering事業部　宇野健介氏

映像制作は映像「創作」へ ── 日本テレビが挑む AI 共創の最前線

Thu, 26 Mar 2026 03:10:00 +0000

Google Cloud 主催「Agentic AI Summit '26 Spring」内で開催された第 5 回生成 AI 事例アワード。6 社のファイナリストによるピッチコンテストで見事最優秀賞に輝いたのは、日本テレビ放送網が開発した AI 共創プラットフォーム「AI Co-Creator」でした。

ドラマ「TOKYO 巫女忍者」で証明した AI × 実写の可能性

発表者は日本テレビ放送網の古谷康佑氏。2024 年新卒入社ながら、AI チーフクリエイターとして地上波ドラマ「TOKYO 巫女忍者」の制作を主導。大規模セットを使わず、実写と生成 AI を高度に融合させた映像作品を実現しました。

台本ひとつで映像が動き出す「AI Co-Creator」

この成功体験から生まれたのが「AI Co-Creator」です。台本を入力するだけで、AI が場所・人物・衣装などを自動で読み解き、シーンをまたいでも一貫した世界観を保つ画像・動画を生成します。中核には Gemini 3 Pro がオーケストレーターとして座り、画像生成には Nano Banana Pro、動画生成には Veo 3.1 を使い分けながら、アセットは Google Cloud Storage に蓄積。これらが自律型 AI エージェントとして連携する仕組みです。

AI が自ら採点・修正し、クリエイターの「打席数」を増やす

最大の特徴は、生成された動画を AI 自らが採点し修正案を出してくれる点。クリエイターは泥臭い修正作業から解放され、制作の主体が「手」から「目」へと変わります。従来数週間かかっていた絵コンテ制作がわずか 1 時間で完結し、アイデアの打席数を爆発的に増やせるようになりました。

AI は単なる効率化ツールではなく、「そうきたか」とプロを触発するクリエイティブパートナー。アイデアを持つ誰もが物語を解き放てる世界が、すぐそこまで来ています。古谷氏は今後の展望として、これまで予算の壁で諦めていたハリウッド級の CG 表現を AI で実現し、よりプレミアムなコンテンツを発信していきたいと語りました。

サイバーエージェント: 広告クリエイティブ制作を効率化する「AI SCREAM」において、 Google Cloud の画像生成 AI モデルが活躍

Thu, 26 Mar 2026 03:00:00 +0000

株式会社サイバーエージェント（以下、サイバーエージェント）は、同社が誇る豊富なクリエイティブ制作のノウハウに生成 AI 技術を組み合わせた「AI クリエイティブ BPO（Business Process Outsourcing）」事業（※1）を展開しています。その中でもとりわけ注目されているのが、クリエイティブ生成 AI プラットフォーム「AI SCREAM（アイスクリーム）」（※2）です。今回は、同プロジェクトで中心的な役割を果たしてきたおふたりに、AI SCREAM 誕生の裏側と、どのように Google Cloud の生成 AI 技術が活用されているかを伺いました。

利用しているサービス:
Veo、Imagen、Nano Banana など

利用しているソリューション:
生成 AI

生成 AI 活用により広告クリエイティブ制作の「量と質」を最大化する「AI SCREAM」

運用の最適化が求められるインターネット広告においては、ターゲットの属性やリアルタイムな広告効果の変化に合わせて、最適なクリエイティブを供給し続ける必要があります。サイバーエージェントの「AI SCREAM」は、各社の生成 AI モデルを、統一された UI 上で一元管理し、横断的に活用できる画期的なプラットフォームです。このプラットフォームでは、広告制作などに必要な静止画や動画、テキストといった「素材」の準備から、それらを組み合わせて広告クリエイティブなどの最終アウトプットを完成させるまでの作業を、誰もがスピーディーに行うことが可能です。

AI SCREAM 開発に初期から携わってきた同社 AI 事業本部 AIクリエイティブカンパニープロジェクトマネージャー、亀山千尋氏はその開発の背景と強みを次のように説明します。

「生成 AI を利用した広告クリエイティブ制作は、膨大な量の素材を即座に用意できることが最大の長所で、インターネット広告との相性が良いと言えます。一方で、各社のモデルは提供方法や UI、対応言語などがそれぞれ異なっており、現場のビジネス職が複数のモデルを適材適所で使い分けるハードルの高さも課題になっていました。こうしたギャップを埋めるために誕生したのが『AI SCREAM』です。プロンプトの改善や目的に最適なモデルの選択をワンストップで行える環境を整えており、専門知識を問わず、誰もが高精度なクリエイティブ制作を実現できるようになっています。」

AI SCREAM は、企画当初から AI クリエイティブ BPO 事業での展開を想定。社外へ質の高いサービスを提供するため、まずは社内で徹底的に使い込み、完成度を高める方針で開発が進められました。その後、社内 PoC を経て 2024 年 2 月に社内向けにリリースされ、現在は社内のクリエイターやビジネス職など、毎日およそ 1,000 名のユーザーに利用されるまでに成長しています。

Google Cloud の生成 AI モデルは人物のフォトリアルな表現に長けている

AI SCREAM では、商用利用可能な新たな生成 AI モデルが各社から登場すると毎回、社内ガイドライン（※3）と照らし合わせた上で、2 週間以内に検証・実装を完了するスピード重視の方針が採用されています。亀山氏によれば、さまざまな生成 AI の中でも、Veo や Imagen、Nano Banana などの Google Cloud の画像生成 AI モデル群は、社内利用で高い評価を獲得しているとのことです。

「広告クリエイティブにおいて、商品やサービスに親近感を持っていただくためには、自然な人物描写が必要な場合があります。その点、Google Cloud の画像生成 AI モデルは、特に人物を違和感なく描写できるといったような評価がとても多いです。」

亀山氏と共に AI SCREAM のプロジェクトを推進してきた、AI 事業本部 AI クリエイティブカンパニープロジェクトマネージャー、鈴木知佳氏は、フォトリアルな表現に加え、ユーザーの意図に忠実なアウトプットが可能であることも、Google Cloud の生成 AI モデル群が高く支持される理由だと語ります。

「Google Cloud の画像生成 AI モデルは、プロンプトの意図を正確に捉えた出力精度が高く、イメージ通りに仕上げやすいところが喜ばれているようです。特に Nano Banana は、発表直後から機能性や表現力の面で注目を集めており、現場からは『1 日も早く AI SCREAM に組み込んでほしい』という要望が上がるほどでした。」

サイバーエージェントでは、現場の声を受けた改善も継続的に実施。例えば 2025 年 12 月には、クリエイティブ制作から部分的な修正・編集までを誰でもスピーディーに完結できる、「ブラッシュアップ AI 機能」も追加されています。

「ブラッシュアップ AI 機能は、複数の生成 AI モデルを組み合わせたエージェント技術で実現しています。ただし、開発は容易ではありませんでした。AI ならではの出力の不確実性を最小限に抑え、膨大な選択肢から、ベストプラクティスを見出すことの難しさを痛感させられましたね。」（鈴木氏）

この課題を乗り越えるべく、AI SCREAM 開発チームはアジャイルなアプローチを採用。まずはベータ版として同機能を提供し、ユーザーからのフィードバックを踏まえて、迅速に改善を重ねることで完成度を高めていきました。亀山氏は、この迅速な開発サイクルを支えたのが、Google Cloud の献身的なサポート体制だったと振り返ります。

「生成 AI モデルのベンダーは多くが海外企業ということもあり、サポートを受けるまで時間を要する場合もあります。しかし Google Cloud の対応は極めて速く、いつも助けられました。『新モデル登場から 2 週間以内に提供する』という私たちの方針を維持し、ブラッシュアップ AI 機能を実現できたのは、その親身な伴走のおかげだと感じています。」

（AI SCREAM によるクリエイティブ編集の例）

AI SCREAM がデザイナー、ビジネス職双方に意識変容をもたらした

AI SCREAM で生成された素材の点数は、2025 年 2 月からの 1 年間で累計 120 万点を突破しました（※4）。そのうち約 10 万点が実際の案件や社内キャンペーン、提案資料など、さまざまなシーンで使われています。とりわけ特筆すべきは、制作時間短縮で、従来の方法に比べて現段階で約 30% の削減に成功しました。しかし鈴木氏は、それが意味するのは、単なる省力化やコストカットではないと胸を張ります。

「広告クリエイティブ制作に携わるメンバーが『どうすれば広告効果を最大化できるか』という本質的な発想や表現の開発により注力できるようになりました。 AI を活用することで、人間とテクノロジーの適切な役割分担が実現しています。」

さらに、亀山氏は、AI SCREAM 最大の成果は、直観的で分かりやすい UI / UX の実現によって、ビジネス職でも、自らクリエイティブを制作・編集を行える環境が整ったことだと強調します。

「このことは大きな意識変容をもたらしました。広告運用の現場では、細かな修正に即座に対応し、PDCA を回す速さが成果を左右します。こうしたスピーディーな対応を誰もが行える環境になったことは、ビジネス職にとっても大きな変化でした。クリエイターには、彼らにしかできない高度な判断や企画にリソースを集中させ、それ以外の工程を効率化するという好循環が生まれ、結果としてアウトプット全体のクオリティ向上につながっています。」

サイバーエージェントは、自社およびパートナー企業での活用を通じて得られた知見と実績をもとに、今後は外部企業への展開をより一層加速させていきます。最後に、亀山氏は将来を見据え、Google Cloud への期待を語ってくれました。

「継続的な機能改善のためにも、Google Cloud が提供する優れたモデルのさらなる進化を心待ちにしています。個人的には、グローバル企業ならではのローカライズに期待しているところです。“日本らしさ” を理解し、これまで以上に違和感のない出力ができるようになると、活用の幅がますます広がっていくはずです。また、多くの企業が安心して生成 AI を導入できるよう、Google Cloud には安全性強化の点でも、業界を牽引していただけることを願っています。」

^（※1）^{AI クリエイティブ BPO（Business Process Outsourcing）事業}^（※2）^{クリエイティブ生成 AI プラットフォーム「AI SCREAM（アイスクリーム）」}^（※3）^{社内ガイドライン}^（※4）^{AI SCREAM で生成された累計生成点数は 120 万点を突破}

株式会社サイバーエージェント
「21 世紀を代表する会社を創る」をビジョンに掲げ、 1998 年に設立。国内最大級のインターネット広告代理事業をはじめ、メディア&IP事業、ゲーム事業を主軸とした多岐にわたる事業を展開している。従業員数は 8,264 名（連結子会社含む。2025 年 12 月時点）。

インタビュイー
・AI 事業本部　AI クリエイティブカンパニープロジェクトマネージャー　亀山千尋氏
・AI 事業本部　AI クリエイティブカンパニープロジェクトマネージャー　鈴木知佳氏

その他の導入事例はこちらをご覧ください。

Google Cloud のお客様が構築した優れたソリューション（2 月版）: Team USA のテック、通信会社のデータ刷新、ゴールデンステートの「G.O.A.T.T.」

Tue, 17 Mar 2026 01:30:00 +0000

※この投稿は米国時間 2026 年 2 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

AI とクラウドテクノロジーは、世界中のあらゆる業界のあらゆる分野を変革しています。お客様がいなければ、Google Cloud は存在しなかったでしょう。お客様こそが Google のプラットフォームで未来を築いている存在だからです。このシリーズでは、ビジネスを根本から変え、業界を形作り、新しいカテゴリを生み出しているエキサイティングなプロジェクトの数々を取り上げます。

今回の最新号では、Google Cloud がスキー＆スノーボード米国代表向けに AI 搭載のトレーニングツールをどのように構築したのかをはじめ、Vodafone と Fastweb の新しいデータ活用の取り組み、John Lewis Partnership のデベロッパープラットフォームの評価、ゴールデンステートウォリアーズの AI 活用ハンドブック、Hackensack Meridian Health における健全で安定したネットワーク運用、そして Ab Initio が AI 用のデータにより良いコンテキストをもたらす取り組みまで幅広く取り上げます。

来年改めてチェックして、さらに多くの業界のリーダーや注目のスタートアップが Google Cloud テクノロジーをどのように活用しているかをご確認ください。また、まだご覧になっていない場合は、Google のお客様による 1,001 件の実際の生成 AI ユースケースのリストをご確認ください。

AI で米国代表チームをさらに強く

対象: Google Cloud は、今年 2 月にイタリアで開催される冬季オリンピックに向けて、スキー＆スノーボード米国代表チームのための AI 搭載トレーニングツールの開発に取り組みました。

取り組み: スノーボーダーの Maddie Mastro 選手やフリースキーヤーの Alex Hall 選手など、米国代表チームのアスリートたちが競技で優位に立てるようにするとともに、オリンピックに向けて彼らの大胆なトリックに潜む物理法則を解き明かすため、Google Cloud は業界初となる AI 搭載の動画分析プラットフォームを構築しました。このプラットフォームでは、空間知能に関する研究を基に Google DeepMind が開発した独自モデルが活用されています。このツールの目的は、スキー＆スノーボード米国代表チームの選手たちが、トリックの完成度を高めると同時に自信を深められるよう支援することです。

意義: Google Cloud ツールを使用すると、リフトで山頂に戻るまでの間に、各技の完全な分析、過去の取り組みとの比較、次回改善できる点に関する膨大なメモやヒントを確認できます。このツールを開発した主な理由はアスリートのパフォーマンス向上でしたが、安全性の確保もそれに次ぐ重要な目的でした。身体の動きをより正確に把握できるようになれば、事故やけがの予防にもつながります。240 人の選手を擁するチームでは、数十人がけがで離脱する可能性もあるため、これは極めて重要です。

コメント:「以前は、友人に電話して『5 年前のあのトリックの映像、持ってる？』と聞き、ビデオを行き来しながら比較していました。でもこのツールなら違います。過去の滑走を取り込み、今の分析に生かすことができます。スロー再生して、その瞬間に頭や体がどの位置にあるのかを正確に確認できるのです。重要なのは、そうした細かな動きをリアルタイムで見て理解できることです。」– 米国オリンピック代表 5 回参加者 / 金メダル 3 回受賞者、Shaun White 氏

Google Cloud × Team USA - 技術の舞台裏

Fastweb + Vodafone: データワークフローを再構築

対象: 2025 年に Swisscom が Vodafone Italy を買収したことを受け、欧州の通信業界をリードする両社は、顧客へのサービス提供のあり方を見直し、モバイル、ブロードバンド、デジタルの各チャネルで、タイムリーかつパーソナライズされた体験を届けたいと考えました。

取り組み: 両社はすでに BigQuery を使って顧客データワークフローのモダナイズを進めていましたが、エコシステムを統合したことで、既存構成の限界が見えてきました。そこで、すべてのチャネルが正確な顧客データにリアルタイムでアクセスできるよう、Spanner をサービスおよびガバナンス層として導入しました。これにより、低レイテンシでの参照、水平方向のスケール、高可用性を実現し、運用負荷をほぼゼロにできるフルマネージド環境を整備しました。また、Gemini を活用し、コードから直接分かりやすいドキュメントを生成することで、手作業にかかっていた時間を大幅に削減しています。

意義: Spanner Graph を利用することで、プラットフォームが実際にどう動いているかに即した形で、データリネージを可視化できるようになりました。具体的には、どのテーブルがどのジョブを動かしているのか、変換処理がどのように連鎖するのか、依存関係がどこにあるのかといった点を把握できるようになっています。コールセンターでは、より完全で最新の顧客情報を確認できるようになり、デジタルチャネルでは、カスタムインテグレーションなしでも整合性のあるデータを利用できるようになりました。また、パートナーは、Apigee を通じて必要な情報に低レイテンシでアクセスできるようになりました。

Fastweb + Vodafone のコメント:「Google Cloud サービスで Customer 360 プラットフォームを再構築したことで、Fastweb + Vodafone の業務の仕組みは大きく変わりました。ワークフローのモニタリングが簡素化され、パイプラインがより効率的になり、リアルタイムのサービス提供が一般的になりました。」– Fastweb + Vodafone、IT AI 導入およびプラットフォームエンジニアリングリード、 Vincenzo Forciniti 氏

John Lewis がデベロッパープラットフォームの価値を測定

対象: John Lewis Partnership は、John Lewis の百貨店と Waitrose のスーパーマーケットを展開する英国の大手小売企業です。同社はデジタルトランスフォーメーションを推進するため、John Lewis Digital Platform（JLDP）を構築し、johnlewis.com 向けに高品質なソフトウェアを開発する数十のプロダクトチームを支えています。

取り組み: John Lewis は、単純な利用状況の指標にとどまらず、プラットフォームが生み出す本当の価値を測るための、より高度で多段階の手法を整備しました。当初は「オンボーディングに要する時間」のようなスピード重視の指標で測っていましたが、その後は DORA 指標に加え、DX プラットフォームを通じたエンジニアの主観的なフィードバックも組み合わせた包括的なモデルへと移行しました。さらに、35 以上の健全性指標（Kubernetes のベストプラクティス、セキュリティ、運用準備状況など）を小規模な自動ジョブで継続的にモニタリングする独自の「Technical Health（技術的健全性）」機能も導入しています。これにより、各チームは「信号機」を見るかのようにサービスの状態をリアルタイムで把握できます。

意義: 活動量ではなく価値に焦点を当てたことで、必須だから使うツールであることにとどまらず、開発者の手間やつまずきを実際に減らしていることを確認できました。また、自動化された Technical Health チェックにより、プロダクトチームは技術的負債やセキュリティ上の脆弱性を先回りして管理できるようになりました。その結果、中央の運用チームが個々のサービス運用に集中する必要が減り、インシデント解決（MTTR）の短縮、障害の減少、そして大幅なコスト削減につながっています。

コメント:「測定は、到達点ではなく旅の過程です。まずは関係者にとって意味のある指標を測ることから始めつつ、プラットフォームの進化に合わせて柔軟に見直していく準備もしておくべきです。プラットフォームの実現可能性を示す段階で重要だったことが、数年後に機能が成熟した段階でも同じように重要とは限りません。」– John Lewis Partnership、プリンシパルプラットフォームエンジニア、 Alex Moss 氏

Hackensack Meridian Health、VPC Flow Logs でネットワーク移行のリスクを低減

対象: Hackensack Meridian Health（HMH）は、ニュージャージー州最大の医療機関病院システムを擁する大手の非営利医療機関です。病院、救急医療センター、診療所からなる広大なネットワークを運用しているため、システムの信頼性は同組織にとって中核となる価値です。

取り組み: 新しい Google Cloud のネットワーク設計へ大規模に移行する準備として、HMH は VPC Flow Logs と Flow Analyzer を活用し、ハイブリッド環境のトラフィックが「ブラックボックス」になってしまう問題を解消しました。具体的には、Cloud Interconnect の VLAN アタッチメントでログを有効化し、送信元 / 宛先 IP、ポート、プロトコルなど、粒度の細かいテレメトリーを取得しました。その後、このデータをエクスポートし、「誰が誰と通信しているか」を可視化したマップを作成しました。これにより、オンプレミスのデータセンターと、特定の Google Cloud リージョン、VPC、アプリケーションとの間にある重要なトラフィックパターンを特定できるようになりました。

意義: 医療の現場では、ネットワークのわずかな途切れでさえ、重大な影響につながりかねません。トラフィックを事前にマッピングしておくことで、Hackensack Meridian Health は、カットオーバーのどの局面でリスクが最も高まるのかを正確に特定できました。この準備により、移行時の問題をわずか 3 分で検知し、5 分以内に解決できました。従来であれば数時間かかっていた可能性のある作業です。さらに移行にとどまらず、この水準の可視化によって、ハイブリッドインフラ全体にわたるキャパシティ計画、コスト配賦、セキュリティコンプライアンスをより適切に管理できるようになります。

コメント:「相互接続のトラフィックはこれまでブラックボックスのようなものでした。VPC Flow Logs を有効にして Flow Analyzer にフィードすることにより、求めていたマップをようやく入手できるようになりました。ルートを変更する前に、このような重要なトラフィックフローを特定することが、移行全体のリスクを軽減するうえでの鍵でした。」— Hackensack Meridian Health、クラウドエンジニアリングマネージャー、Randall Brokaw 氏

ゴールデンステートウォリアーズの AI 活用バックオフィス

対象: ゴールデンステートウォリアーズは、NBA の中でも近年特に成功を収めているフランチャイズの一つです。そしてコート上の勝利を陰で支えているのが、組織の「G.O.A.T.T.」とも呼べる専門の運用チームです。「G.O.A.T.T.（Greatest of All-Time Technologies）」は、データと AI を活用したプラットフォームで、試合中のインサイト、トレード判断、ファン体験の向上を後押しします。

取り組み: ウォリアーズは、Google Cloud 上に社内の「デジタル頭脳」を構築し、これまでの「勘と経験」に頼る文化から、「分析を起点とする」戦略へと舵を切りました。BigQuery と Gemini を活用することで、試合前のスカウティングレポート作成など、以前は数時間かかっていた複雑な業務フローを自動化できるようになりました。さらに ML を用いて、個々の選手の単純な成績よりも「チームへの適合性」を重視したトレードシミュレーションを数千回実行しています。加えて、コンピュータビジョンにより、NBA におけるすべてのシュートについて「ショットの質」を追跡しています。ビジネス面でも、Discovery API を使ったコンテンツ推薦エンジンを構築し、世界中のファンに対してパーソナライズされたデジタル体験を提供しています。

意義: AI を軸にしたこのアプローチによって、経営陣が検討すべき選択肢をあらかじめ絞り込めるようになり、人間の専門性を実現可能性の高い案に集中させられます。データ処理という「科学」の部分を自動化することで、コーチやスカウトは、対面での指導や戦略立案、選手育成といった「職人技」により多くの時間を割けるようになります。この統合は、3 ポイント革命のようなコート上の戦術に影響を与えただけではありません。業務面でも効率が向上し、従業員はトップダウンの指示を待つのではなく、AI によるアイデアを自発的に IT チームへ持ち込むようになりました。

コメント:「人間か機械のどちらかがすべての意思決定を担うような段階に到達することはありません。大事なのは、直感とデータが同じ結論に行き着くちょうどよい中間点を見つけることです。データは、具体的な選択肢を評価し始める前の段階で、意思決定ツリーを絞り込むのに役立ちます。」— ゴールデンステートウォリアーズ、消費者向け製品および新興テクノロジー担当シニアディレクター、 Nick Manning 氏

Ab Initio がエージェント型 AI 時代に向けて企業データ活用を推進

対象: Ab Initio は、大量データの統合とガバナンスを得意とするエンタープライズ向けソフトウェア企業です。同社のプラットフォームは、ハイブリッドおよびマルチクラウド環境にまたがる複雑なデータライフサイクルを管理するため、大規模組織から信頼されています。

取り組み: AI エージェントが正確なデータに基づいて動けるようにする（グラウンディングする）という課題を解決するため、Ab Initio は Google Cloud と連携し、自社のデータファブリックを BigQuery、Dataplex Universal Catalog、Gemini と統合しました。さらに、メインフレーム、COBOL、SAS などのレガシー環境と、最新のクラウド環境の間をつなぐ、500 以上のメタデータおよびデータコネクタ群も提供しています。この統合により、フィールド（項目）単位でエンドツーエンドのデータリネージを把握できるようになり、Gemini はデータの所在に左右されることなく、十分に文書化された「AI ですぐ使える」データにアクセスできるようになります。

意義: AI エージェントの有効性は、アクセスできるデータの質と範囲に大きく左右されます。Ab Initio を「中立的なハブ」として使うことで、企業はデータそのものを移動させることなく、オンプレミスやマルチクラウドのデータを単一の統合レイヤに連携できます。その結果、Gemini が根拠に基づき、説明可能な形で推論するために必要となる、豊かな意味的コンテキスト（セマンティクス）とリネージを提供できるようになります。企業にとっては、テスト段階の AI から、監査可能でコンプライアンスにも対応し、複雑な意思決定を自動で行えるプロダクションレディなエージェント型ワークフローへより速く移行できるということです。

コメント:「エージェント型 AI には、信頼できる AI 対応のデータとメタデータが必要です。情報の出所、品質、意味を理解することは、データそのものと同じくらい重要です。Gemini はエージェントレイヤの重要なコンポーネントとして機能し、このコンテキストを使用して説明可能かつ監査可能な意思決定を行います。」— Ab Initio、開発責任者 Scott Studer 氏および Google Cloud、データガバナンス、共有、統合担当プロダクトリード、Chai Pydimukkala 氏

- Google Cloud コンテンツおよび編集担当編集長

小規模モデルで高品質を: ドメイン特化型言語モデルを評価する BMW Group の試み

Fri, 13 Mar 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 3 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

音声操作できる車は、テレビ番組の題材として、あるいは最近のスマートフォン連携技術として、長年の夢でした。

より自然で優れた音声コマンドを実現する方法の一つは、AI 基盤モデルを車両システムに組み込むことです。これにより、従来の音声コマンドよりもインテリジェンスが向上します。AI 基盤モデルは、日常的な質問と車両機能をシームレスな対話で結び付けることができます。これらのモデルにより、運転手は前方の道路に集中しながら、より直感的な操作でドライブを楽しむことができます。

大規模言語モデル（LLM）は強力な機能を提供しますが、少なくとも自動車という環境においては、大きな欠点があります。それは、一貫したネットワークアクセスに依存しているため、遅延や中断の可能性がある車内での使用には不向きであることです。

信頼性の高い次世代のインテリジェンスを実現するため、BMW Group と Google Cloud は概念実証を成功させ、ドメイン特化型言語モデルをファインチューニング、最適化、評価、デプロイするワークフローを自動化する、効率的で再現可能なソリューションを構築しました。これは特に、小規模言語モデル（SLM）に重点を置いています。このブログ投稿では、結果、所見、ソースコードを公開して、幅広い導入を促進したいと考えています。

BMW Group のコネクテッドカープラットフォーム担当バイスプレジデントである Celine Laurent-Winter 博士は、次のように述べています。「小規模言語モデルの最適なトレードオフを見つけるのは、困難で反復的なプロセスです。ドメイン特化型 SLM のトレーニング、テスト、デプロイのワークフローを自動化することで、開発効率を大幅に向上させることができます。自動化されたパイプラインにより、モデルを自社のドメインに迅速に適応させ、ドメイン固有のベンチマークに対して厳密にテストおよび評価できます。これにより、自動化された再現可能なワークフローで、モデルのイテレーションと最適化を数日ではなく数時間で行うことができます。」

小規模言語モデル: 小さなコンセプト、大きな可能性

生成 AI は、自動車メーカーに強力な新機能を提供し、複雑な音声コマンドを可能にします。以前は、「ルート上にあるレストランで、今営業していてベジタリアンメニューがある、評価が 4 つ星以上の場所を探して」のようなリクエストを音声コマンドシステムが理解することはほぼ不可能でした。生成 AI は、言語理解と推論の機能により、このようなリクエストを解読できます。

しかし、このインテリジェンスを統合するには課題があります。クラウドベースの LLM は強力ですが、イライラするような遅延を避けるためには安定したネットワークが必要です。一方、車載 LLM は、自動車の限られたコンピューティングハードウェアによって制約を受けます。

小規模言語モデルは理想的なバランスを提供できる可能性がありますが、サイズと機能の適切なトレードオフを見つけるには、慎重な最適化が必要です。

このような、用途に特化した適正サイズの生成 AI モデルは、自動車などのエッジデバイスで直接実行できます。一般的なアプローチは、最も頻繁に使用される機能を SLM によってローカルで処理し、より複雑なリクエストのみをクラウドベースの LLM にルーティングするというものです。SLM には、対象デバイスで実行できる軽量さと、実用に耐えうる性能の両立が求められます。特に、ファインチューニングによって自動車の特定のコンテキストに合わせて調整されている場合はなおさらです。

基盤モデルを自動車に統合する際の課題

クラウドと比較して、自動車のインフォテインメントシステムはストレージとコンピューティング能力が限られています。5 シリーズのセダンや X3 SUV は大きく見えるかもしれませんが、4 つの車輪の間に収めなければならないパフォーマンス、テクノロジー、ラグジュアリーを考えると、スペースは限られています。

そのため、16 ビットの精度で 40 GB を超えるメモリを消費する Gemma 3 27B などの大規模言語モデルを統合することは困難です。より小さいバージョン（例: Gemma 3 270M）も存在しますが、それらは広範で一般的な焦点を持つ傾向があり、大規模なモデルと比較すると精度が低下する可能性があります。

そのため、私たちのような特殊なユースケースでは、モデルの圧縮（サイズを縮小）とチューニング（高精度を確保）が必要になります。目標は、最も頻繁なタスクについて、モデルサイズ、推論時間、精度の間で最適なトレードオフを見つけることです。

LLM から SLM への変換

リソースを大量に消費する大規模な LLM を効率的な SLM に変換するには、よく知られた圧縮手法と品質向上手法が必要です。以下は、私たちが調べた一般的な手法の概要（一部）です。

圧縮手法:

主な目標は、モデルのコンピューティングとメモリの複雑さを軽減することです。これは、以下によって実現できます。

量子化: 高精度のパラメータ（例: 32 ビット浮動小数点数）から低精度形式（例: 8 ビット整数、4 ビット浮動小数点数）に変換することで、モデルのメモリ使用量を削減します。ただし、これにより精度が低下する可能性があります。その程度は多くの場合、わずかです。
プルーニング: ニューラルネットワーク内で重要度の低いパラメータや接続を体系的に特定して削除し、コア機能を維持しながら SLM を合理化します。
知識蒸留: コンパクトな「生徒」モデルをトレーニングして、より大規模な「教師」LLM のパフォーマンスを再現し、複雑な知識をはるかに小さく、より効率的なアーキテクチャに転送します。

圧縮後の品質向上

さらに、圧縮時に失われたパフォーマンスを回復または向上させるのに役立つ方法を検討しました。

ファインチューニング（および LoRA）: 対象のデータセットを使用して、圧縮モデルを特定のドメインに適応させます。標準的なアプローチは、Low-Rank Adaptation（LoRA）などのパラメータエフィシエントファインチューニング（PEFT）です。LoRA は元の重みを固定し、より小さいトレーニング可能な行列を注入することで、フルファインチューニングのパフォーマンスを維持しながら、コンピューティングとストレージの費用を大幅に削減します。
強化学習（RL）: Proximal Policy Optimization（PPO）、Direct Policy Optimization（DPO）、Group relative policy optimization（GRPO）などの手法を使用して、人間の好みに合わせて調整します。RL は、望ましい動作に報酬を与えることでモデルの出力を繰り返し改善し、より有用で正確な回答を生成するようにモデルを導きます。

自動車タスクのパフォーマンス評価

モデルの圧縮と強化が完了したら、最後の重要なステップとして、パフォーマンスを厳密に評価します。これには、システムパフォーマンス（レイテンシ、ターゲットハードウェアのリソース使用率など）と、モデルが生成した回答の定性的な評価が含まれます。品質を評価する確立された方法は次のとおりです。

ポイントワイズ評価: この方法では、生成された単一の回答の品質を、事前定義された「グラウンドトゥルース」または参照回答と比較して評価します。例としては、ROUGE や BLEU の指標があります。
ペアワイズ評価: このアプローチでは、2 つの異なるモデル出力のうちどちらが優れているかを判断します。多くの場合、会話の質に対する主観的な人間の好みに近いものになります。これは、自動評価ツール（LLM-as-a-Judge）または直接的な人間のフィードバックによって実行できます。

これらの評価方法を組み合わせた堅牢なテスト戦略を策定することは、圧縮とファインチューニングの取り組みの成功を検証するために不可欠です。

最適な構成を見つけることの難しさ

汎用 LLM から特化型 SLM への移行は簡単ではありません。量子化の種類から、ドメイン特化型ファインチューニングデータセットの特性や内容まで、あらゆる選択が最終モデルの品質と効率に直接影響します。これにより、可能な構成の範囲が指数関数的に広がり、それぞれに独自のトレードオフが生じます。

この複雑な状況は、実務上の制約によってさらに複雑化します。すべての圧縮または強化手法があらゆる言語モデルに適用できるわけではなく、互換性のない手法もあります。たとえば、Google Gemini のような API 専用モデルでは、固定された一連の方法でのみファインチューニングが許可されます。

有効な組み合わせの数が膨大であるため、最適な構成を手動で検索することは、不可能ではないにしても、非常に面倒な作業になります。この課題を克服するために、実行可能なパイプラインを通じて自動化された再現可能なワークフローを構築しました。

ソリューション: SLM 最適化のための自動化ワークフロー

私たちのソリューションは、最適化された SLM を生成するために必要な圧縮、適応、評価の各ステップをオーケストレートする自動化ワークフローです。これは、各ステップがモジュール化されたパラメータ化可能なコンポーネントである柔軟なパイプラインを設計することで実現されます。このワークフローベースのアプローチにより、広大な構成空間を体系的に探索し、車載デプロイに最適なパフォーマンスを発揮するモデルを特定できます。

このプロセスは、Vertex AI Pipelines などの強力なワークフローエンジンで自動的に実行できるワークフローとして構造化されています。このワークフローでは、一連のオペレーション（量子化、LoRA ファインチューニング、DPO など）を、相互に接続されたコンポーネントのチェーンとして定義できます。パイプラインパラメータを使用すると、構成空間全体を検索し、さまざまなベースモデル、圧縮手法、チューニング方法、評価データセットをテストできます。

この自動探索により、手動でテストすることは不可能なほど包括的な可能性を探索できます。各パイプライン実行の最終的なアーティファクトは完全に追跡可能で、デプロイの準備が整っています。これには、バージョン管理された SLM 自体、モデルを生成した正確な構成パラメータ、評価に使用されたデータセット、パフォーマンス指標の詳細なレポートが含まれ、完全な再現性が確保されます。

実装: Vertex AI Pipelines による自動化ワークフロー

私たちのソリューションは、構成可能で実行可能なパイプラインテンプレートを使用して、Google Cloud の Vertex AI プラットフォーム上に構築されています。これにより、広大な検索空間で最適な SLM を見つけるための、構造化され、自動化された方法が提供されます。図 1 は、このワークフロー、そのステップ、さまざまなデータストアとモデルストアとのやり取りを示しています。

図 1: 自動化されたパイプラインのステップと、データストアおよびモデルストアとのやり取りの概要。

ステップ 1: バージョニングと構成

すべての Vertex AI ワークフローは、Vertex AI Experiments から始まります。この最初のステップにより、プロセス全体がバージョン管理されます。選択した LLM とデータセット、パイプラインの構成パラメータはすべて、バージョン管理された単一のエンティティとしてログに記録されるため、すべてのテストで完全なトレーサビリティと再現性が確保されます。

ステップ 2: 最適化と圧縮

この段階では、先ほど説明した圧縮と拡張の手法を実践します。重要なのは、このパイプラインがモデル、手法、パラメータ間の複雑な互換性マトリックスを管理するように設計されていることです。たとえば、パイプラインテンプレートでは、特定のモデルアーキテクチャに対して、サポートされていることがわかっている特定のファインチューニング手法のみを適用するように強制できます。これにより、これらの制約の管理が自動化されます。

私たちの実装では、さまざまなファインチューニング（例: LoRA）や強化学習手法（例: DPO、GRPO、PPO）のための、再利用可能で標準化されたコンポーネントを提供しています。圧縮には、トレーニング後の量子化手法を採用し、モデルをターゲットハードウェアの仕様に合わせて、より低いビット数のデータ型（bfloat16、4 ビット浮動小数点数、8 ビット整数など）にマッピングします。

ステップ 3: 変換とデプロイのテスト

SLM が最適化されると、パイプラインによって環境にデプロイされます。これにより、ターゲット環境を代表するハードウェアでモデルのデプロイが成功するかどうかをテストできます。このステップは、現実的な条件下でのモデルの技術的な実現可能性を早期に検証する重要なポイントとなります。

たとえば、クラウドのコンピューティングインスタンスで、Android デバイス上で SLM を直接ネイティブに（つまり、エミュレーションレイヤなしで）実行するなどが考えられます。これにより、モデルがターゲット環境でどのように機能するかをテストできます。

ステップ 4: 評価

SLM の真のパフォーマンスを測定するために、包括的な評価が実施されます。これは、単純な精度だけでなく、クラウドベースのデバイスエミュレータで測定されたメモリ使用量や推論レイテンシなどのハードウェア固有の指標も含まれます。また、複数の評価方法を組み合わせて回答の品質を評価します。

これには、ROUGE や BLEU などのポイントワイズの指標と、自動評価ツールなどのより高度なペアワイズの手法が含まれます。このパイプラインは、会話のコンテキストを使用した複数ターンの回答生成やクエリの書き換えなど、車内での幅広いタスクを反映したカスタムテストデータセットを使用するように設計されています。この堅牢な評価フレームワークは将来も見据えており、Google Gemini や Gemma などのマルチモーダル SLM を評価する機能も備えています。

ステップ 5: 可視化と分析

Vertex AI Experiments により、生成された指標を保存し、さまざまなテストの実行を並べて比較し、TensorBoard や Looker などの統合ツールを使用して可視化できるため、最も有望な SLM 候補を簡単に特定できます。

図 2: Vertex AI Pipeline インターフェースに表示される自動化パイプライン。

バージョニングから評価まで、この自動化されたワークフロー全体が強力なフィードバックループを形成します。これにより、継続的なインテグレーションと改良が可能になるため、チームは迅速にイテレーションを行い、進化する要件に合わせて SLM を適応させ、手作業ではほぼ不可能だった最適な構成を見つけることができます。

まとめと今後の展望

このブログ投稿では、Google Cloud の Vertex AI 上に構築された自動化ワークフローが、SLM 開発をどのように効率化しているかについて詳しく説明しました。これにより、パフォーマンス、精度、サイズに関して、どのモデルアーキテクチャまたはタイプ（Gemini、Gemma、Llama など）がドメインにとって最適なトレードオフを提供するかを厳密に評価できます。

重要な点として、私たちはこのアプローチを BMW Group の「クラウド内のヘッドユニット」と連携させています。これにより、Android オープンソースプロジェクト（AOSP）ベースのインフォテインメントシステムをクラウドコンピューティングインスタンス上でネイティブに実行できます。これにより、限られた組み込みデバイスを使用しなくても、スケーラブルな仮想環境でマルチモーダル機能を含む SLM をテストできます。

BMW Group は、AI を活用して最先端の車内体験を提供することに尽力しており、これは AI と ML に関する Google Cloud の専門知識とシームレスに連携しています。今後もパートナーシップを継続し、自動車 AI の可能性の限界を押し広げていくことを期待しています。

概念実証のソリューションを SLM パイプラインの形式で GitHub に公開しています。ニーズに合わせて自由に調整し、独自の最適化された SLM を構築してください。

^{このブログ投稿は、Google LLC の Michael Menzel 博士と BMW Group の Jens Kohl 博士が執筆したもので、BMW Group の Arian Bär 博士、David Katz 博士、Felix Willnecker 博士、Jens Kohl 博士、Karsten Knebel 氏、Manuel Luitz 博士、Paul Weber 氏、Raphael Perri 氏、Thomas Riedl 氏と、Google LLC の Florian Haubner 氏、Marcel Gotza 氏、Michael Menzel 博士、Raul Escalante 氏が参加した概念実証での作業に基づいています。}

- Google Cloud、Michael Menzel 博士

- BMW Group、Jens Kohl 博士

TVer: 日本最大級の動画配信プラットフォームを支える広告基盤を Google Cloud で内製化

Tue, 10 Mar 2026 03:00:00 +0000

民放公式テレビ配信サービス「TVer」は、2025 年に10 周年を迎え、月間再生 6.5 億回、累計 9,000 万 DL 超の巨大プラットフォームへ成長しました。同社はこの成長を支えるべく広告サーバーの内製化を決断。GKE や Bigtable を活用し、1日あたり億単位のリクエストを低遅延で処理する新基盤を構築しました。株式会社 TVer（以下、TVer）大野祐輔氏と髙品純大氏に、内製化の舞台裏と Google Cloud 選定理由を伺いました。

利用しているサービス:
GKE Standard, Bigtable, Memorystore for Redis Cluster, BigQuery, Cloud Logging など

利用しているサービス:
Google Cloud Consulting (PSO)

事業成長を加速させるため、ビジネスの心臓部である広告サーバーの内製化を決断

TVer の広告事業は、サービスの利用者数増加に伴い、非常に大きな規模へと拡大しています。これまで広告配信は外部の配信プラットフォームを利用してきましたが、さらなる機能開発のスピードアップと、配信技術に関する知見を社内に蓄積するため、独自の広告サーバーを構築するフェーズに移行しました。内製化を決断した理由について広告プロダクト本部長の大野氏は、こう説明します。

「TVer にとって広告配信システムは、まさにビジネスの心臓部とも言える重要な事業基盤です。これを内製化することで、新しい広告フォーマット、新機能への挑戦やデリバリー速度の改善といった一連の作業を、従来よりも高速に回せると考えました」

今回のプロジェクトにおける最優先事項は、ビジネスクリティカルなシステムに相応しい「高い可用性」「低レイテンシなパフォーマンス」「スケーラビリティ」の 3 点でした。1 日に数億件という膨大な広告リクエストを遅滞なく処理し、トラフィックが急増しても事業成長を阻害しない強固なインフラが求められたのです。

TVer が Google Cloud を選んだ最大の理由について、システム開発を担当しているプロダクト開発部の髙品氏は、「データの取り回しの良さとコスト効率」が最も重要だったと説明します。

「内製化以前から、広告ログの分析・集計基盤は BigQuery で構築していました。もし広告配信基盤を他のクラウドに構築した場合、毎日発生する億単位の広告ログをクラウド間で転送する必要があり、膨大なアウトバウンドコストが発生します。また、事業価値の高いデータを転送時のトラブルで失うリスクも避けたいと考えました。BigQuery という強力なデータ基盤と同じ場所に配信サーバーを置くことが、コストとリスクの両面で最適だったのです。

また、開発言語として Go を採用したいという現場のニーズと、Google Cloud との親和性の高さも、エンジニアチームにとって大きな後押しとなりました。」

GKE と、Memorystore、Bigtable の適材適所な併用。技術的難題を突破した PSO の支援

構築された新システムは、GKE Standard をコンピューティング基盤とし、データベースには要件に応じて Memorystore for Redis Cluster（以下 MRC）と Bigtable を使い分ける構成を採用しました。

髙品氏は、データベースの選定理由について次のように解説します。

「広告配信 API に求められるミリ秒単位のレイテンシを実現するため、リレーショナルデータベースではなく NoSQL を選択しました。データの整合性が重要で、超高速なレスポンスが必要なものは MRC、ストレージの容量とコスト効率を重視するものは Bigtable と、戦略的に併用しています。GKE Standard を採用したのも、秒間数十万リクエストが集中するリアルタイム配信に耐えうるキャパシティを事前に確保できる柔軟性を評価したからです。」

この複雑なアーキテクチャの実装と、本番環境の広告配信を止めずに新基盤へ移行するという難易度の高いミッションを支えたのが、Google Cloud のプロフェッショナルサービス（PSO）でした。PSO の役割の重要性を大野氏はこう振り返ります。

「PSO の支援がなければ、予定通りのローンチは不可能だったでしょう。インフラの設定にとどまらず、アプリケーションのアルゴリズムやデータ構造にまで深く踏み込んだレビューをいただいたことが、厳しい負荷試験をクリアする決定打となりました。コードレベルの改善案を迅速に提示いただけるなど、その専門性の高さとスピード感に非常に感謝しています。」

安定と革新を両立した配信基盤を武器に、さらなる視聴体験の向上を目指す

新サーバーへの移行によって、TVer の広告事業は「自分たちでコントロールできる」自由を手に入れました。現在は、システムの信頼性やパフォーマンスを損なうことがないように細心の注意を払って機能をリリースしつつも、守りに徹するだけではなく、 Google Cloud のアップデートを積極的に検証しています。

「最新世代マシンへの刷新に加え、Bigtable の継続的マテリアライズドビューによる集計効率化、さらには Memorystore for Valkey への移行など、最新技術を積極的に取り入れ、より強固な配信基盤を目指していきたいと考えています。」と髙品氏は今後の展望を明かします。

最後に大野氏は、このプロジェクトを振り返り、次のように締めくくりました。

「今回のプロジェクトを通じて、Google のサービスを支える信頼性とスケーラビリティを備えた技術を組織の資産にできたことは大きな収穫です。パブリッククラウドの選択肢が増え、相対化できるようになったことで、今後の大規模プロダクト開発に活かせる自信がつきました。TVer 広告は、これからもテクノロジーの力で、ユーザーに素晴らしい視聴体験を提供し続けていきます。そしてこのような最新でエキサイティングな業務を一緒に取り組める仲間も大募集中です。」

株式会社TVer
2006 年に広告代理店および在京民放キー局の共同出資により、株式会社プレゼントキャストとして設立。2015 年に民放公式テレビ配信サービス「TVer（ティーバー）」を開始し、場所や時間に縛られない「見逃し配信」という新たな視聴習慣を国内に定着させた。2020 年の社名変更を経て、現在は在京・在阪の民放 10 社および広告代理店が参画する国内最大級の映像配信プラットフォームへと成長を遂げている。サービス開始 10 周年を迎える 2025 年には、累計アプリダウンロード数 9,000 万、月間動画再生数 6.5 億回を突破。現在は「テレビを開放して、もっとワクワクする未来を　TVerと新しい世界を、一緒に。」をミッションに掲げ、リアルタイム配信やコネクテッド TV 対応を強化し、放送と通信を融合させた次世代のテレビ体験の創出を目指している。

インタビュイー（写真左から）
・広告プロダクト本部本部長大野祐輔氏
・広告プロダクト本部プロダクト開発部髙品純大氏

テレビ朝日：生成 AI 動画コンテストを機に Veo を本格活用。番組制作の未来を語る

Mon, 09 Mar 2026 02:00:00 +0000

テレビ朝日では、強みであるコンテンツ制作を中核とし、放送事業のみならず、配信、イベント、ショッピング、海外展開など多角的な「360°戦略」を推進しています。その成長戦略の一環として近年特に注力しているのが AI の活用です。2025 年夏からは AI を経営の柱の一つに据え、専門部署である「AI 推進部」を設立。同部署が中心となり、Google Cloud の動画生成 AI モデル「Veo」を活用した社内企画「生成 AI 動画コンテスト」を開催しました。このプロジェクトを牽引した AI 推進部とデータソリューションセンターの担当者に、Veo がもたらした衝撃と、AI 活用の未来について話を伺いました。

利用しているサービス:
Gemini 2.5 Flash Image, Veo, Vertex AI / Vertex AI Studio, Google Cloud Storage など

「楽しく最新 AI の能力を理解」し、同時にAI リテラシーを向上させた、テレビ朝日独自の生成 AI 動画コンテスト

テレビ朝日が「生成 AI 動画コンテスト」を開催した背景には、2 つの大きな課題感がありました。一つは、AI が実際のコンテンツ制作にどう役立つのか、社員が具体的なイメージを持ちにくいこと。もう一つは、著作権やガイドラインなど、AI 活用に伴うリスクへの理解を深める必要性です。

今回のプロジェクトのリードを務めた、インターネット戦略局 AI 推進部の小俣氏は、コンテスト形式を採用した理由を次のように語ります。

「単に AI を『使ってください』と促すだけでは浸透しません。座学のような受動的な学びではなく、参加型のコンテストにすることで、社内で注目される企画に仕立て、自発的に動画生成 AI への理解を深めてもらう仕掛けとしました。実際にコンテンツ作りを楽しみながら、 AI をうまく扱う力と、安全に利用するポイントを自然にマスターしてもらうことが最大の目的でした。」

コンテストは 2025 年 6 月から 8 月にかけて実施され、応募資格は全社員を対象としました。現場のクリエイターだけでなく、バックオフィスの社員も含め、年齢、性別、部署を超えて 50 以上の応募作品が集まりました。AI 推進部のメンバーは、参加者一人ひとりに「伴走者」として寄り添い、技術的なサポートだけでなく、ガバナンスや著作権に関する個別指導を徹底しました。

動画生成 AI 「Veo」がもたらした衝撃：PC 1 つで “頭の中のイメージ” を映像化する

コンテストの核となるツールに選ばれたのが、Google Cloud の最新動画生成 AI 「Veo」です。採用の決め手となったのは、その圧倒的なクオリティと、商用利用における権利関係がクリアな点でした。

AI 推進部で技術担当を務める山口氏は、初めて触れたときの衝撃を振り返ります。

「プロンプトを入力するだけで、頭の中にあるイメージが数分でアウトプットされる体験は衝撃的でした。通常、海外ロケや大規模な CG 制作が必要な映像が、PC 1 つで生成できてしまう。人物の動きや周囲の環境音まで含めた “その場の空気感” を一瞬で作り出せる点に、従来の制作フローを根底から変える可能性を感じました。」

しかし、その圧倒的な表現力を持つ Veo でも、プロの制作現場で活用するには、生成映像を意図通りにコントロールすること、および放送局としてのガバナンス担保という実運用上の課題がありました。この革新的な技術を組織として安全かつ効率的に使いこなすための「解」が求められました。AI を「遊び」で終わらせず、放送業務支援ツールとして利用させるために、AI 推進部は技術的な工夫も凝らしました。その一つが、Veo と Nano Banana を同時に安全かつ効率的に使いこなすために開発した社内ツールです。コンテンツ制作をサポートするために、主に以下の機能を備えました。

プロンプトの構造化: 自然言語を AI が理解しやすい構造に変換し、意図に近い映像を出しやすくする機能を搭載
ガバナンスの徹底: 誰が、いつ、どのようなプロンプトで生成したかのログを管理し、著作権保護やコスト管理を徹底できる仕組みを構築

また AI 推進部とデータソリューションセンターのメンバーが協力し、参加者一人ひとりの「伴走者」となり、プロンプトのコツから著作権ガイドラインの遵守までを個別にフォローしました。「生成 AI は自由度が高い反面、コントロールが難しい。そこをシステムと伴走でカバーすることで、クリエイターが安心して『実験』できる環境を整えました。」とデータソリューションセンターの北川氏は振り返ります。

最新鋭のツールを提供するだけでなく、独自のシステムと密な人的サポートを両輪で動かしたこの導入プロセスこそが、社員たちの「まずは一歩を踏み出す」勇気とクリエイティビティを支える基盤となりました。その結果、コンテスト作品の中には、テレビ朝日の社屋や廊下・トイレの写真をベースに非現実的な世界を合成したものなど、プロの目から見ても「AI か実写か判別がつかない」ほどのリアリティを持つ作品が登場し、社内で大きな反響を呼びました。

クリエイティブとテクノロジーの融合：番組制作の現場で見え始めた、動画生成 AI 活用の姿

今回のコンテストの成果は、単なるツールの体験に留まりませんでした。コンテスト後、社内では「Veo」という言葉が日常会話で当たり前に使われるようになり、さらに AI への心理的ハードルが劇的に下がり、AI を「自分たちの武器」として捉える文化が芽生え始めています。

AI 推進部の技術チーフ中村氏は、インフラとしての Google Cloud の安定性を高く評価しています。

「アカウント管理のしやすさや課金の安定性など、Vertex AI のプラットフォームとしての信頼性は非常に重要です。誰がいつ何を生成したかというログ管理や、コストコントロールが可能な仕組みがあるからこそ、企業として安心して AI 活用を推進できます。」

今後の展望について、チームはさらなる高みを見据えています。既に、ドラマの背景映像の補完や、バラエティ番組のネタ映像、再現 VTR の制作など、実際の地上波放送での活用に向けた具体的な検討が始まっています。

「目指しているのは、AI を単なる効率化のツールではなく、社員の発想を広げるパートナーにすることです。」とデータソリューションセンターの皆木氏は語ります。

「クリエイターがより創造的な仕事に時間を割ける環境を作り、テクノロジーとの融合によって、これまでにない新しいコンテンツを視聴者の皆さまに届けていきたいと考えています。進歩する生成AIと共に、私たちはこれからも未知の領域へ挑戦し続けます。」

株式会社テレビ朝日
1957年に日本教育テレビとして創立され、1959年にテレビ放送を開始。1970年にニュースネットワークとして発足した ANN（All-Nippon News Network）のキー局を務める。2000年代以降、看板報道番組や強力なドラマシリーズ、スポーツ中継を武器に躍進し、近年は年度視聴率三冠王（個人全体・世帯）を獲得するなど、民放トップクラスの支持を確立。2000年代よりデジタル化やインターネット配信、ABEMAとの連携を推進。現在は放送を核にコンテンツ価値を全方位で最大化する「360°戦略」を掲げ、IP（知的財産）の多角展開やグローバル市場への進出、先端技術の活用を通じ、総合コンテンツ企業としてのさらなる成長を目指している。

インタビュイー（写真右から）

・ビジネスソリューション本部インターネット戦略局 AI推進部小俣慎太郎氏
・ビジネスソリューション本部インターネット戦略局 AI推進部中村敦氏
・ビジネスソリューション本部インターネット戦略局 AI推進部山口真由子氏
・ビジネスソリューション本部インターネット戦略局データソリューションセンター北川玲音氏
・ビジネスソリューション本部インターネット戦略局データソリューションセンター皆木渓夏氏