顧客事例

Best Buy、Workforce Identity 連携で AI ワークロードをスケールし、アクセスを保護

Fri, 07 Aug 2026 02:30:00 +0000

Best Buy のテクノロジーチームは、同社が高度な分析や AI のために Google Cloud の利用を拡大するなかで、スケーリングに関する 2 つの大きな課題に直面しました。それは、Microsoft Entra ID から数千人のバックエンドユーザーを同期する際のリスクの軽減と、管理の煩雑さへの対処です。

この小売業者は、Google Cloud の Workforce Identity 連携を実装することで、両方の問題を解決し、大規模なクラウド拡張への道を開きました。この直接的なアプローチにより、デベロッパーは別の ID ストアを用意することなく、既存の Microsoft 認証情報でクラウドリソースにセキュアにアクセスできるようになりました。これにより、技術部門のリーダーは、アクセスが厳密に制御され、監査可能で、大規模な管理が可能であるという確信を持つことができました。

サービスアカウントを直接連携に置き換える

Best Buy はこれまで、バックエンドユーザーを Entra ID から Google Cloud にコピーするために、複雑な同期パイプラインを維持していました。Google Workspace をデプロイせずに Cloud Identity を使用していたため、より直接的なアプローチが必要でした。以前は、Best Buy における Power BI と BigQuery の連携は、サービスアカウントの認証情報に依存していました。

このパターンは小規模なチームでは機能しますが、チームが拡大するにつれて、いつの間にか負債になっていきます。

サービスアカウントのキーを手動でローテーションするということは、各チームが保持する認証情報を追跡し、すべてのキーが潜在的なセキュリティの脆弱性であることを受け入れることを意味していました。サービスアカウントキーは、Best Buy のセキュリティチームとプラットフォームチームにとって日々の運用の妨げとなっていました。また、データアクセス要件が複雑化するにつれて、技術的負債も蓄積していきました。

数万人のユーザーをサポートするために、Best Buy は ID アーキテクチャをモダナイズしました。チームは、Workforce Identity 連携を採用して、既存の Entra ID の ID を Google Cloud に直接連携しました。

現在、デベロッパーが Power BI を通じて BigQuery にアクセスする際は、既存の Entra ID の ID を使用して本人認証を行います。キーのローテーション、チャットメッセージで認証情報が公開されることの心配、監査ログで誰がアクションを実行したかの推測をする必要はもうありません。

このアーキテクチャは、2 つのコンポーネントが連携して動作します。Entra ID が認証を処理し、Workforce Identity 連携が Entra ID と Google Cloud 間の信頼関係を仲介します。この連携は Google 側ではステートレスです。ユーザーレコードを同期するのではなく、アクセスの時点でトークンを検証します。サービスアカウントキーのレイヤを削除することで、認証情報管理の負担が大幅に軽減されます。

アーキテクチャ

下の図は、Entra ID から Workforce Identity 連携を介して、Best Buy でチームが使用するサービスにどのように ID が流れるかを示しています。以前のアプローチからの主な変更点は、サービスアカウントキーのレイヤが完全に削除されたことです。Entra ID と Google Cloud の間で管理する認証情報はありません。

ID は Entra ID から Workforce Identity 連携を介して、Best Buy のチームが使用するサービスに流れる

実装に関する主な決定事項

このアーキテクチャを実装するにあたり、Best Buy はいくつかの重要な技術的選択を行いました。

Entra ID でプロビジョニングアプリと SSO アプリを分離する: 構成は、Entra ID のプロビジョニングとシングルサインオン（SSO）の設定ガイドに沿っています。Entra ID でプロビジョニングアプリケーションと SSO アプリケーションを分離する必要があります。2 つの異なるエンタープライズアプリとして実行すると、関心の分離がより明確になります。プロビジョニングの変更が SSO 構成に影響を与えることはなく、その逆も同様です。
Automation OU を慎重に配置する: Entra ID プロビジョニングサービスアカウントを別の組織部門（OU）に配置し、その組織部門の SSO を明示的に無効にする必要があります。これにより、ブートストラップの問題（SSO をグローバルに適用すると、プロビジョニングアカウントが認証を行えず、そもそもプロビジョニングの設定ができなくなる）を回避できます。
同期不要とは、Google 側がステートレスであることを理解する: Workforce Identity 連携では、Cloud Identity にユーザーレコードを作成または保持することはありません。アクセスの時点でトークンを検証します。これにより、同期の遅延、古いレコードのクリーンアップ、個別のプロビジョニングパイプラインが不要になるため、Best Buy の目標規模に合ったアーキテクチャが実現します。

デベロッパー向けのセキュアな認証

デベロッパーにとって、この変更は実質的に意識されることはありませんでした。社内の Entra ID 認証情報で一度認証するだけで、Power BI を使用する場合でも、API を直接呼び出す場合でも、BigQuery に自動的にアクセスできます。SSO のエクスペリエンスは、Microsoft ID を使用してアクセスする他のすべてのものと一致します。

セキュリティチームとプラットフォームチームにとって、そのメリットは非常に大きいものです。認証情報管理による攻撃対象領域が消滅します。監査ログには、共有サービスアカウント ID ではなく個々のユーザーが表示されるようになり、手動での鍵のローテーションを待つのではなく、企業の ID ライフサイクルに基づいてアクセスを迅速に取り消すことができます。

現在、デベロッパーの Google Cloud アクセスをサービスアカウントキーで管理しているなら、Workforce Identity 連携への移行を検討する価値は十分にあります。セキュリティ上の大きなメリットが得られ、チームが拡大するにつれて運用が簡素化されます。Best Buy は現在、将来の小売業務を強化するために、このセキュアなアクセスをより幅広い従業員に拡大しています。

Workforce Identity 連携のサポートを拡大

Google Cloud は、あらゆる組織が独自の ID プロバイダを簡単に導入できるように、継続的に取り組んでいます。最近のアップデートにより、Ping Identity ユーザーの設定が簡素化され、オンライン請求先アカウントへのアクセスが拡張されました。

Ping Identity のインテグレーション: Ping Identity を使用している場合は、新しい専用のセットアップガイドに沿って連携を構成できます。このガイドでは、従業員を Google Cloud リソースにセキュアに接続するための手順を説明します。
オンライン請求サポート: Google Cloud は、オンライン請求先アカウントをお持ちのお客様をサポートします。Workforce Identity 連携を使用すると、企業請求契約を結ぶことなく、セキュアで同期不要のアクセスが可能になります。

使ってみる

Google Cloud は、クラウド導入の障壁を取り除き、組織が環境をより簡単に保護できるように取り組んでいます。これらの新機能を試し、組織の ID プロバイダを接続するには、Workforce Identity 連携で ID を直接連携させる方法の詳細を確認し、サポートされている Google Cloud サービスをご覧ください。

- Best Buy、クラウドエンジニアリング担当シニアマネージャー、Kishor Patil 氏

- Google Cloud Security、シニアプロダクトマネージャー、Stephen Cakebread

The Blueprint: Voicify が AI を活用した注文体験を顧客にとって満足度の高いものに

Thu, 06 Aug 2026 02:10:00 +0000

※この投稿は米国時間 2026 年 7 月 24 日に、Google Cloud blog に投稿されたものの抄訳です。

「The Blueprint」へようこそ。今回始まったこの特集では、最新の AI とクラウドテクノロジーを使用して業界共通の課題や個別の課題に対処する Google Cloud のお客様の取り組みをご紹介します。仕事でイノベーションを目指す皆さまの着想の一助になれば幸いです。

2018 年に設立された Voicify は、すべての通話をシームレスで魅力的な体験に変えることを目標として、従来の電話の概念を一変させています。

課題:

2018 年に Voicify を創業したとき、当社のビジョンは、組織が、電話やチャットなどのあらゆるチャネルで、信頼性が高く、実用的で、技術的な基盤に基づく音声駆動型アシスタントを構築できるよう支援することでした。しかし、パンデミックによってすべてが変わりました。

当社は、主に飲食業界と医療業界の電話のユースケースに焦点を移しました。これらの業界では当時、通話量と人員配置が大きな課題となっていました。飲食店では、電話の最大 20% に応答できず、その結果注文を失う可能性がありました。また、医療機関では、予約情報を診療管理システムに統合する際に、情報の精度を 100% 維持しながら多くの通話に対応するのに苦労していました。その際、専門的な目的別 AI アシスタントが、企業が優れたサービスを大規模に維持するための鍵であることに気づきました。

成功を収めるには、4 つの主要な課題を克服する必要がありました。

トランザクションの精度: 音声アシスタントは、POS システムや診療管理システムに対する複雑な顧客リクエストを 100% の精度で推論する必要がありました。
トラフィックの急増への対応: 飲食店や医療機関では（極端な）トラフィックの急増がよく見られますが、費用を抑え、カスタマーサービスを維持するには、LLM の使用量を正確にプロビジョニングする必要があります。
レイテンシ: アシスタントの応答が遅れると、顧客が電話を切ってしまう可能性があります。ユーザーが音声またはテキストのリクエストを送信してから、AI モデルが最初の出力を生成するまでの遅延を最小限に抑え、最初のトークンまでの時間を極めて短くする必要がありました。
セキュリティとコンプライアンス: 2018 年の創業以来、当社は HIPAA、SOC2、ISO27001、PCI に準拠し、エンタープライズグレードのセキュリティを確保しています。データの完全性とセキュリティを保護するために、可能な限りの安全保護対策を採用したアーキテクチャとインフラストラクチャが必要でした。

ソリューション:

当社の会話型オーケストレーションプラットフォームは、飲食店の注文を送信する前に、POS システムと照合して構築および検証し、正確性を確保します。そのプラットフォームの内部では、Gemini Enterprise Agent Platform を介して提供される Gemini Flash が、レイテンシを大幅に短縮し、ユーザーの待ち時間を最小限に抑え、ユーザーが電話を切るのを防ぎます。それにより、以前に使用していた他の LLM と比較して、約 25%～30% の費用削減と、信頼性向上も実現しました。

ビジネスの成長、通話量の増加、そしてトラフィックの急増に対応するために、Google AI Studio から Vertex AI（現在は Gemini Enterprise）に切り替えました。後者が提供するエンタープライズ向けの保証は、医療機関のお客様のセキュリティとコンプライアンスだけでなく、スケーリングにも必要でした。Gemini Enterprise Agent Platform の特定の機能により、サービスの中断や、応答できない状況が発生することなく、大量の通話に対応できます。

これらのエンタープライズグレードのサービスは、AI Studio よりも費用がかかる可能性がありますが、信頼できる稼働時間を確保するうえで価値は十分にあります。また、従量課金制のプレミアム機能により、スケーリングがはるかに簡単になりました。たとえば、感謝祭の前日に過去最高の使用量に対応するために、Vertex AI でプロビジョンドスループットと従量課金制のプレミアム機能を組み合わせて使用したところ、レート制限の問題は発生しませんでした。

アーキテクチャ:

結果:

Gemini により、コンテキストの取得とメニューの作成を行う社内プログラマティックツールの負担が軽減されました。Gemini を使用することで、レイテンシが短縮され、信頼性が向上するなど、パフォーマンスと信頼性が大幅に向上しました。また、Gemini を活用したアシスタントの安定性が向上したことで、お客様のオンボーディングがはるかに効率的になりました。飲食店が POS システムにアクセスできるようになってからテストの準備が整うまでの期間は、以前は 1～2 週間でしたが、現在はわずか 1～2 日になりました。

スケーリングとエンタープライズグレードのサービスを実現する Google のソリューションにより、重要な指標である最初のトークンまでの時間を最適化し、お客様の待ち時間を最小限に抑えることができました。Vertex AI のプロビジョンドスループットと従量課金制の機能を使用することで、過去最高の使用量となった期間でも、100% の稼働率を確保し、応答できない状況やレート制限の問題を回避できました。今では、飲食店のトラフィックの急増に簡単に対応できるようになりました。

技術面では、会話型の注文取得から、会話や POS アクティビティのコンテキストを使用したよりプロアクティブな支援へと移行することを見込んでいます。たとえば、金曜日の夜に、いつものようにお気に入りの日本料理店に注文する際には、近い将来、Voicify の音声アシスタントがプロアクティブに注文してくれるようになるかもしれません。

詳細:

当社が注力している業界には、バックエンド内で時間をかけて解決しなければならない独自の課題がいくつかあります。

Voicify ソリューションの中核となるコンポーネントは、音声オーケストレーションプラットフォームです。これは、電話 AI スタック全体を管理し、エンタープライズグレードのスケーラビリティとセキュリティを実現するように設計されています。また、ユーザーのニーズに応じて業界ソリューションが呼び出されるノードでもあります。当社の音声オーケストレーションプラットフォームは、お客様の近くに配置され、Gemini や音声アシスタントのさまざまなコンポーネントなどのバックエンドサービスを調整します。このプラットフォームは、純粋な生成ではなく、プログラム上の要素を含む、自動音声認識、テキスト読み上げ、テキスト生成などの機能を管理するために使用します。

アーキテクチャについて当社が下した独自の決定の一つは、複雑で膨大な飲食店のメニューを管理する方法でした。メニュー全体を 1 つのプロンプトに含めることは避け、最初のプロンプトには特定の情報のみを含め、会話が進むにつれて詳細情報を収集することにしました。これにより、応答時間が短縮され、特定のやり取りで各メニューの関連部分のみに焦点を当てることで、大規模な注文の複雑さを管理できます。

また、当社は創業当初から、特に医療分野において、セキュリティとコンプライアンスに関する企業のお客様の高い基準を満たすようにアーキテクチャを設計しました。エンタープライズグレードのスケーラビリティも保証しています。アーキテクチャの面でも、データの完全性と安全性を確保するために、あらゆる安全保護対策を講じています。最後に、可能な限り高いレベルの可用性を実現するための戦略の一環として、当社のプラットフォームはマルチクラウド環境をサポートするように設計されています。

- Voicify、CTO / 共同創業者、Nick Laidlaw 氏

- Voicify、エンジニアリング担当ディレクター、Aadu Pirn 氏

メンテナンスからイノベーションへ: Checkout における Managed Service for Apache Airflow への移行

Wed, 29 Jul 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 7 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。

データプラットフォームを構築したデータエンジニアリングチームが、「2 日目」（運用上の現実）に直面することがよくあります。それは、オーケストレーター自体の継続的なメンテナンス作業です。

Checkout.com のデータプラットフォームチームの場合、本来であれば他の作業に費やすことができていた時間を、別のハイパースケーラーでセルフホスト型の Apache Airflow 環境を管理することに費やす必要がありました。サーバー管理、パッチ適用、インシデント対応に気を取られ、パイプラインの構築に集中することができずにいました。

Google Cloud のフルマネージド Airflow サービスである Managed Service for Apache Airflow（第 3 世代）に移行することで、Checkout.com はその信頼性と費用構造を大きく変革しました。今回は、同社がよりスケーラブルで費用効率に優れた、堅牢なデータ基盤を構築した手法をご紹介します。

出発点: セルフマネージド Airflow

移行前、Checkout.com はセルフマネージドインフラストラクチャで Airflow を実行していました。機能には問題がありませんでしたが、基盤となるリソースのメンテナンスには細心の注意が必要でした。パッチ適用、アップグレード、サーバー管理により、定期的にサービスを中断する必要がありました。

過去 1 年間の運用データから、同社が以下のような課題に直面していたことが明らかになっています。

運用面での障害の軽減: セルフマネージド環境にあった Checkout.com は、特に負荷の高い期間に、安定性に関する課題に直面していました。
複雑な依存関係の管理: パッケージのアップグレードと互換性の確保を絶えず手動で行う必要があり、手間がかかっていました。Managed Airflow（第 3 世代）に移行した後は、イメージレベルで依存関係を処理することでこのプロセスを簡素化し、日常的な環境アップグレードの中でシームレスに互換性を確保できるようになりました。
DAG の同期時間: S3 へのデプロイ後、スケジューラへの DAG の同期に約 6 分かかり、イテレーションの速度に影響を与えていました。
手動プロセス: スケーリングには人間による介入が必要で、新しいチームのオンボーディング時には dbt 用のシークレットと変数を手動で作成する必要がありました。

ソリューション: Managed Service for Apache Airflow（第 3 世代）

Checkout.com のチームは、インフラストラクチャに関連する責務を軽減し、Google Cloud のマネージドスケーラビリティを活用するために、Managed Airflow に移行しました。その結果はすぐに表れ、信頼性、費用、開発速度の 3 つの領域で数値で示すことができる成果が上がりました。

動的スケーリングの効果

以前の Elastic Container Service 環境では、ピーク時の負荷に必要な最大数のワーカーを割り当てていました。つまり、実際の使用量に関係なく、常時ピーク時の容量に対応できる料金を支払う必要がありました。

Managed Airflow には動的スケーリング機能が組み込まれているため、リソースを手動で管理する必要がありません。この環境では、ワークロードの具体的な需要に基づいてワーカーの数が自動的に調整されます。システムは、タスクが急増するとスケールアップし、タスクが減少するとスケールダウンしてリソースを節約します。同様に、固定プロビジョニングから動的スケーリングに移行することで、月額費用も推定 30% 削減されました。

信頼性と DAG の分離

Checkout.com による移行の主な目的は、安定性の向上でした。以前は、問題のある DAG が 1 つあるだけで環境全体に影響が及ぶことがあったからです。

Managed Airflow により、アーキテクチャ面での重要な改善点が数多く導入されました。

DAG の分離: 各 DAG は独自の実行環境で実行されます。1 つの DAG が失敗したり、リソースを過剰に消費したりしても、環境全体に影響することはありません。
マネージドオペレーション: Google Cloud がスケジュールに従ってパッチ適用とアップグレードを処理するため、手動でのアップグレード管理が不要になります。
可視性の向上: Google Cloud Monitoring および Cloud Logging とのインテグレーションにより、タスクの実行を明確に可視化できます。エンジニアは、プラットフォームチームに問題をエスカレーションすることなく、個別にデバッグできるようになりました。

デベロッパーワークフローの高速化

この移行により、Checkout.com のデータエンジニアの日常的なワークフローも改善されました。

デプロイの高速化: DAG に Cloud Storage を使用することで、ほぼ瞬時の同期が可能になりました。
オンボーディングの簡素化: チームがオンボーディング前に変数を作成する際に、プラットフォームサポートが不要になりました。
dbt 実行のモダナイズ: 同社の最も大きな成果の一つが、dbt の実行方法の変更です。以前は、サポートされている dbt バージョンごとに、エンジニアが複雑な仮想環境を手動でインストールして管理する必要がありました。Managed Airflow（第 3 世代）は、コンテナ化された dbt 実行を活用することで、依存関係のボトルネックを解消します。これにより依存関係が完全に分離されるため、チームは最小限の設定で、手動によるインフラストラクチャのオーバーヘッドなしに、必要な dbt モデルを実行できます。
環境の更新: 新しいロールを追加したり、Python パッケージを更新したりするために、Airflow 環境全体を再デプロイする必要がなくなりました。
Gemini Cloud Assist による AI を活用したトラブルシューティング: セルフマネージド環境では、タスクが失敗すると、断片化されたログや指標でその原因を必死に探すことがよくありました。Checkout.com は、Managed Airflow を導入したことで、Google Cloud コンソールの Airflow DAG UI から直接 Gemini による調査を開始できるようになりました。

Gemini は一般的なエラーメッセージを提供するだけでなく、裏付けとなる証拠と矛盾する証拠の両方を含む、さまざまな仮説の評価スコアカードを生成します。これにより、平均復旧時間を大幅に短縮できます。

まとめ

Checkout.com にとって、Managed Airflow（第 3 世代）への移行が戦略的転換点となり、エンジニアが価値の提供に集中できる環境を整えることができました。

「Managed Service for Apache Airflow を導入したことで、効率、スケーラビリティ、信頼性が大幅に向上しました。マネージドインフラストラクチャ、自動スケーリング、迅速なデプロイ、分離された実行環境により、業務遂行に変革をもたらすことができました。」- Checkout.com、データプラットフォームエンジニア、Keisi Mancellari 氏

スケーラブルで費用効率に優れた、安定したプラットフォームを導入したことで、Checkout.com は自社のデータパイプラインの将来に集中できるようになりました。今後何が起こっても、自社のオーケストレーションレイヤで対応できると確信しています。

Managed Service for Apache Airflow の詳細と、このソリューションがいかにしてデータプラットフォームをサポートするかをご確認ください。

この投稿にご協力いただいた Serge Bouschet 氏と Keisi Mancellari 氏に心より感謝いたします。

- Managed Airflow、リードプロダクトマネージャー、Piotr Wieczorek

- カスタマーエンジニア、Michelle Liu

損保ジャパン、機械学習モデルの開発を AI エージェントで自動化 ─ 1 週間かかっていた実験サイクルが 1 日に

Mon, 27 Jul 2026 01:00:00 +0000

保険の現場では、代理店やお客様からの「この保険は契約できるのか」「この事故は補償されるのか」といった照会が日々発生します。損害保険ジャパン株式会社（損保ジャパン）は、こうした問い合わせ対応を支援する社員向けツール「おしそん LLM」を提供しています。Chrome の拡張機能から質問を投げると、関連する社内資料を検索して回答に反映する検索拡張生成 (RAG) が裏側で動き、AI がまとめます。

その回答の良し悪しを左右するのが、社内で育てている検索用の機械学習モデルです。ただ、このモデルを改良する作業は工程が複雑で、どの工夫がなぜ効いたのかを言葉で説明しづらく、担当者の経験と勘に頼る、いわゆる属人化した状態でした。損保ジャパンは、このモデル改良の進め方を AI エージェントに進めさせる仕組みをつくり、これまで何日もかけていた試行錯誤を、短いサイクルで回せるようにしています。

今回は、この開発を率いる損害保険ジャパンの眞方様と、チームで実務を担う SOMPO ホールディングスのキム様に、その舞台裏をうかがいました。

実験は回せるのに、良し悪しが見極められない

いちばんの悩みは、実験はたくさん回せるのに、その良し悪しを見極められないことでした。モデルの改良では、何度も試しては結果を確かめます。ところが、その 1 回 1 回が良い実験だったのかを見直す作業が追いつきません。「質のいい実験なのかどうかのレビューはすごく難しい。そこを効率化、自動化できないかというのが出発点でした」と眞方様は振り返ります。実験によっては結果が出るまでに 1 本で 1 週間かかることもあり、数を増やすほど見直しが回らなくなっていました。

そこで眞方様は、この一連の流れを AI エージェントに任せられないかと考えます。「データ分析ができて、計画も立てられる。機械学習の知識も Web 検索で補える。だとしたら、できない要素がないなと思い始めました」。こうして、モデル改良の自動化に踏み出しました。

3 つの役割分担で、EDA から学習・評価までを回す

仕組みは大きく 3 つの部品でできています。

学習プログラムを Gemini Enterprise Agent Platform（以降 Agent Platform）上で動かすML 実行基盤
データの中身を調べる EDA Agent
実験の段取りを考えて回す実験オーケストレータ

EDA（探索的データ分析）とは、いきなりモデルを作りはじめる前に、手元のデータにクセや問題がないかをひと通り点検しておく作業のことです。

中心になるのが、損保ジャパンが内製した EDA Agent です。Agent Development Kit (ADK) で開発し、Agent Platform の Agent Runtime 上で動かしています。経験豊富なデータ分析の担当者が最初に行う点検作業を、まるごと肩代わりします。

BigQuery に取り込んだデータを、エージェントが自分で SQL を書いて点検します。「自動車保険ばかりで火災保険がほとんどない」といった件数の偏り、文章データのノイズ、全角と半角が混じった表記の不統一（Unicode の正規化が必要な箇所）などを確認。さらに BigQuery ML で小さなモデルを試し、どの前処理が効きそうかのあたりもつけます。データが大きいと費用がかさむため、重すぎる処理は事前に見積もって止めます。結果は元データと同じ場所に決まった命名規則で残すので、人もエージェントも後から判断の理由をたどれます。

データの加工の流れは、Knowledge Catalog のデータリネージが自動で記録します。どのデータが、どんな処理を通って、どう変わったのかという来歴を線でつないで地図のように見せる仕組みです。中間データの出どころを後からさかのぼれるので、原因さがしや作り直しがぐっと楽になります。

もう一方の実験オーケストレータは、コードを書いて実験を動かすコーディングエージェントです。自ら方針を立て、EDA Agent の点検結果をふまえて、学習を Agent Platform Pipelines で回し、できあがったモデルの成績を評価します。良ければ本番へ、いまひとつなら EDA Agent に戻ってやり直す、この往復を自動でくり返します。役割を 2 つに分けたのは、あとから経緯をたどれるようにするためです。「コーディングエージェントで全部やることもできますが、それだと、なぜこのデータ分析をしたのかというログが残らない。だから分けています」と眞方様は話します。

1 週間の実験サイクルが 1 日に

効果は、かかる時間にはっきり表れました。データを調べて、学習させて、結果を見直す。この実験のひと回りに、1 週間かかるものもありました。それが、エージェントを使うと 1 日ほどで終わります。キム様も「以前は 1 回の実験サイクルに 3 日以上かかっていましたが、いまは 1 日のうちに何度も試せるようになりました」と語ります。

回せる回数が増えただけではありません。担当者の頭の中にあった判断の理由が、エージェントの記録として残るようになり、属人化もほぐれてきました。これまで手の回らなかった、結果を 1 件ずつ見て確かめるような地道な分析にも取り組めるようになっています。

AI に「作業」を、人に「課題づくり」を

時間が空いたぶん、チームの重心はどこに移ったのでしょうか。眞方様が最も重要だと語るのは、タスクを作ること、データを作ること、課題を見つけることでした。

「ビジネス上の課題を機械学習のタスクに落とし込んで、そのためにデータセットを加工する。ここが一番大変で、まだ AI にはできないところなんです。だから、AI でできないところに注力するよう心がけています」。エージェントが出した定性分析が本当に合っているのか、最終的な判断は人が担います。いまはそのレビューに力を入れているそうです。

人と AI の線引きを、眞方様は自動運転にたとえます。「自動運転の技術ができたとしても、どこにどう行きたいかを決めるのは人です。機械学習も同じで、どういう文脈でどこに使いたいのか、どんなデータセットを作るのかを考えることは、人にしかできない部分だと思います」。キム様も同じ方向を見ています。「AI に任せるのは作業のほうですね。定型的なところは AI に任せて、エンジニアはもう少し上のレイヤー、戦略を考えることに時間を割くべきかなと」

変化の時代に、気軽に試せるチームでいたい

最後に、これからの展望と、同じ挑戦に向かう人たちへのメッセージを聞きました。狙いは、自動化できる領域を広げていくこと。そして、AI エンジニアが意思決定や戦略にフォーカスできる状態を作ることです。

「今のやり方も、半年後には陳腐化している可能性が全然あると思っています。だからこそ、気軽に試していくことが大事なのかなと。うまくいかないことも多いですが、それをチームとして取り組める状態になっていくと、AI 時代を生き抜けるエンジニアになり、強い組織になるんじゃないかな」と眞方様は語ります。

キム様は、人と AI の関わり方をこう締めくくりました。「AI は何でも自動化できそうなんですが、実際はそうでもないんです。やってみると、ここはうまくいかない、人間が必要だ、というところがちゃんと見つかる。人間がそこにフォーカスして価値を出していく。AI に合わせるのではなく、AI と共同して価値を作っていきたいです」

人手では追いつかなかった機械学習の開発に、AI エージェントとの分担で挑む。損保ジャパンの取り組みは、保険の現場の問い合わせ対応という足元の課題から始まり、開発のあり方そのものを変えはじめています。

利用している主なサービス:

Gemini 2.5 Pro / Gemini 2.5 Flash / Gemini 3.5 Flash
Gemini Enterprise Agent Platform（Custom Jobs / Pipelines / Agent Engine）
BigQuery / BigQuery ML
Agent Development Kit (ADK)
Knowledge Catalog（Data Lineage)

SOMPO Digital Lab
https://zenn.dev/p/sompojapan_dx

インタビュイー

損害保険ジャパン株式会社
部署・役職 DX推進部開発推進グループチーフエンジニア
眞方篤史様

SOMPO ホールディングス株式会社
部署・役職デジタル・データ戦略部シニアAIエンジニア／主任
キムヘン様

セガサミーホールディングス: Google Security Operations と Google Threat Intelligence を導入し、セキュリティ対策をグローバルで標準化へ

Fri, 17 Jul 2026 02:00:00 +0000

セガサミーグループはグローバルにビジネスを展開する総合エンタテインメント企業です。そのコーポレート IT を担うセガサミーホールディングス株式会社（以下、セガサミー HD）IT ソリューション本部は、SIEM（Security Information and Event Management）の刷新を機に Google Cloud Security の利用検討を開始し、導入を決定。個別最適で積み上がってきたセキュリティ運用の統合管理へと大きく舵を切りました。本プロジェクトの中核メンバーに、当初の課題から選定の決め手、今後の展望までを伺います。

利用しているサービス:
Google Security Operations, Google Threat Intelligence など

利用しているソリューション:
セキュリティ

"個別最適" がもたらした、セキュリティ管理・運用体制の構造的課題

セガサミーグループは、ゲームコンテンツや映像作品などを手がける「エンタテインメントコンテンツ事業」、パチンコ・パチスロ機器の製造・販売などを行う「遊技機事業」、そしてゲーミング機器の開発や統合型リゾートの運営などを行う「ゲーミング事業」という 3 つの柱を持つ、総合エンタテインメント企業グループです。グループで保有する機密情報は、未発売ゲームタイトルの開発データから遊技機の技術情報、さらにはビジネスのノウハウやユーザー情報まで多岐にわたります。セガサミー HD IT ソリューション本部の宮地雅人氏は、「金融系の情報ではないものの、外部への漏えいは絶対に許されないものばかり」だと前置きし、同社が抱えるセキュリティ管理の課題を次のように説明します。

「当グループでは厳しいセキュリティ要件に対応すべく、各セキュリティ領域において、その時点で最も優れた製品を個別に選定・導入する方針を取ってきました。しかし結果として、機能ごとにコンソールが乱立する状況が生まれ、管理・運用の大きな負担になっていたことは否めません。こうした状況を解消し、セキュリティを統合して管理・運用できる環境に移行したいという気持ちが強まってきたのです。」

加えて、ログ管理の中核を担ってきたオンプレミス型 SIEM の老朽化が進んでいたことも解決すべき課題でした。同社 SOC（Security Operations Center）担当として、サイバー攻撃の検出やログ分析を担ってきた IT ソリューション本部グローバルセキュリティ推進室 IT インフラセキュリティ課田邉由嗣氏は、当時の SIEM 環境の課題をこう振り返ります。

「従来のオンプレミス型 SIEM は、とにかくログを集約し、オンラインで見られる状態にしておこうという発想で構築されたものでした。しかし、ログの量があまりに膨大だったため、すべてのログを入れておけない状態が長く続いており、思うような分析ができずにいたのです。増設やクラウド型 SIEM への移行も検討していたのですが、コストの増大などを嫌って後回しにしてしまい、気がつけば抜本的な見直しが急務になっていました。」

ログを蓄積するだけの運用から、インテリジェントな活用へ

そうした中、2024 年ごろ、各国の拠点で個別に管理・運用されていた IT 施策を、セガサミー HD がヘッドクオーターとなって指揮する方針が決定。セキュリティ製品についてもグローバルで統一しようという機運が高まり、蓄積してきた課題を一気に解消するチャンスが巡ってきました。グローバルセキュリティ推進室グローバルセキュリティ企画課範國貴栄氏によれば、新環境に向けたセキュリティソリューション選定で重視されたのは、総合的な利便性の高さでした。

「複数のクラウド型 SIEM を比較・検討した結果、行き着いたのが Google Security Operations（SecOps）でした。最大の決め手となったのが、その利便性の高さ。ログを蓄積してしまえば、標準で搭載されている Curated Detections が自動で脅威検知し、独自アラートルールの作成を Gemini に手伝ってもらうこともできます。我々の目指す、ログのインテリジェントな活用という方向性に最も近い選択肢だと感じました。また、ダッシュボードもカスタマイズしやすいため、グローバルなレベルで運用の標準化を促進する効果も見込まれました。」

さらに「比較・検討した他社製品と比べてコストメリットが大きかった」（宮地氏）という要因も導入を後押ししたといいます。このような中、2024 年 7 月からの PoV（価値実証）、10 月の部門内レビュー、年末の役員説明を経て、2025 年 4 月から、まずは国内での正式な活用がスタートすることになりました。

「Google Cloud のパートナーである株式会社リベルスカイの伴走や、Google Cloud サポートチームの献身的な対応もあり、スムーズに移行することができました。しいて言えば、ログを中継して SecOps に投げるサーバーの構築に少し苦労した程度です。SecOps は Gemini と連携させていくことにより、SIEM という難解な印象の強いソリューションを扱いやすくし、セキュリティに関する全社的なリテラシーを高めていく効果も期待できます。現在は旧来のオンプレミス型 SIEM も並行して動かしていますが、年内には完全に切り替えが完了し、海外拠点でも順次切り替えを進めていく見込みです。」（範國氏）

「ちなみにエストニアの拠点は、今回の取り組みに先行して SecOps の導入を進めていました。彼らも使い始めたばかりですが、実際的な運用方法や細かなチューニングなども含めて弊社グループ内で積極的に情報を共有し、より高度な活用につなげていければと考えています。」（宮地氏）

SecOps と Google Threat Intelligence による管理体制を世界 80 拠点で標準化

今回の SecOps 導入では、運用体制の変革をもたらすことも期待されています。同社の SOC 業務では、スタッフ個々の負担増加や、ノウハウが属人化してしまう状況をいかに回避するかが、目標になってきました。

「少人数 SOC による属人化状態になってしまうと、他の業務の繁忙期や、担当者が体調不良になった際に監視・分析が止まってしまうことも考えられます。しかし、SecOps のように AI も活用しながら、誰でも脅威や侵害に気づいて迅速に対策できるツールがあれば、工数をチームメンバーに分散でき、属人化も解消できます。何より、より多くの社員が実際の運用に関わるようになることで、SOC 業務が "自分ごと化" される価値も大きいと感じています。今後はチケット管理ツールなどと連携させ、アラートから通知までを一気通貫でつなげて自動化させていく予定です。SOC の負荷をさらに低減し、本来やるべきセキュリティ対策の議論に時間を割けるようにしていきたいです。」（田邉氏）

属人化の解消という点では、脅威インテリジェンスの領域でも変革が進んでいます。従来使っていた脅威インテリジェンスサービスは製品としては非常に優れていたものの、ライセンス料が高額で、各拠点に 1 ライセンスずつしか割り振れていない悩みがありました。これを解決すべく、SecOps の導入に並行して、Google Threat Intelligence も採用されています。

「ライセンスが少ないと脅威情報にアクセスできる人間が、ごく一握りになってしまいます。その点、Google Threat Intelligence であれば、同じ予算で各拠点のセキュリティ担当者全員にアカウントを払い出せます。SIEM への取り込みなど、API 連携が容易な点も魅力的です。これにより、自分たちの会社の脅威情報を自分たちでプロアクティブに見にいける環境を整えることができたと思っています。」（宮地氏）

「受け身ではない、能動的なセキュリティ対策は、数年前から目指していました。従来の環境ではうまく実現できていなかったことが、Google Threat Intelligence の導入でいよいよ本格的に実現できるのではないかと期待しています。」（田邉氏）

今後、セガサミー HD は、Sega of America、Sega Europe など、およそ 80 にもおよぶ海外拠点に対して、SecOps や Google Threat Intelligence をはじめとする Google Cloud のセキュリティソリューションを統一的に展開していく予定です。

「ここで活きてくるのが、そのブランド力です。Google Cloud は世界中の誰もが知っており、どの地域でも利用できるため、各海外拠点のエンジニアたちにもすんなりと受け入れてもらえます。今後は ASM（Attack Surface Management）や、CNAPP（Cloud Native Application Protection Platform）である Wiz なども活用し、製品開発業務の生産性や、サービスの品質を世界中で高めていきたいと考えています。」（宮地氏）

セガサミーホールディングス株式会社
2004 年 10 月 1 日に大手パチンコ・パチスロ機器メーカーのサミーと、大手ゲームメーカーのセガの経営統合により設立された総合エンタテインメント企業グループの持株会社。グループの経営管理および、コーポレート IT 整備などの附帯業務を行う。従業員数は単体で 492 名、グループ連結で 11,944 名（2026 年 3 月末現在）。

インタビュイー（写真右から）
IT ソリューション本部
・グローバルセキュリティ推進室部長兼セキュリティガバナンス管理課課長兼
　グループ CIO 室　宮地雅人氏
・グローバルセキュリティ推進室グローバルセキュリティ企画課　範國貴栄氏
・グローバルセキュリティ推進室 IT インフラセキュリティ課　田邉由嗣氏

その他の導入事例はこちらをご覧ください。

AI エージェント事例アワード開催！指示するから、自律する AI へ。

Mon, 13 Jul 2026 02:00:00 +0000

前身の「生成 AI 事例アワード」を始めてから、2 年あまりが経ちました。この場には、ビジネスを大きく動かした取り組みから、日々の業務を助ける等身大のアイデアまで、素晴らしい事例が数多く集まってきました。そして、この 2 年で生成 AI そのものも、試す段階から業務に組み込む段階へと移ってきています。

指示を一つずつ出す使い方から、目的を伝えて自律的に動かす使い方へ。この変化は、AI を業務にどう生かすかという問いそのものを変えつつあります。そして、アワードに応募いただく事例の顔ぶれも、この 2 年で確かに変わってきました。

こうした変化に合わせて、今回から名称を 「AI エージェント事例アワード」へと改め、次の一歩をつくる活用事例をあらためて募集します。ビジネスを前に進める最先端の取り組みから、アイデアが光る業務効率化まで。分野や規模は問いません。みなさんの事例をお待ちしています。

事例アワードへの応募・詳細はこちら

スケジュール

エントリーからピッチコンテストまでの日程は次のとおりです。

エントリー開始: 7 月 7 日（火）
エントリー締切: 9 月 2 日（水）
ファイナリストのピッチコンテスト : Agentic AI Summit '26 Fall（10 月 29 日）内で実施

評価基準

審査では、次の 3 つの観点から事例を見ます。

技術的革新性（特に AI エージェントの活用）
実用性と実現可能性
社会的・経済的な影響

表彰内容

受賞した企業には、次の賞を用意しています。※ 表彰内容は予告なく変更になる場合があります。

最優秀賞（1 社 2 名）

トロフィー
Google Cloud Next 27（ラスベガス開催）への特別招待

優秀賞（3 社）

トロフィー
Google Cloud グッズ

ファイナリスト賞（8 社）

Google Cloud グッズ

みなさんの応募をお待ちしています。

日立「Gemini Enterprise 活用コンテスト」開催レポート ― 112 件の応募から選ばれた、現場を変える 10 の AI エージェント

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

6 月 17 日（水）渋谷ストリームグーグルオフィスにて AI エージェントは、現場のどんな仕事を本当に楽にしてくれるのか。その答えを、日立製作所のみなさん自身が見せてくれる一日がありました。今年 4 月からデジタルシステム＆サービスセクターの社員を中心に利用が広がった Gemini Enterprise。その活用アイデアを競う「Gemini Enterprise 活用コンテスト」には、総勢 112 件もの応募が集まりました。選り抜かれた 10 組が登壇した発表会の熱気を、そのままお届けします。

112 件の応募から、現場発の 10 組が登壇

発表会は、日立とグーグル・クラウド・ジャパン両社の挨拶で幕を開けました。AI を業務にどう根付かせるかという強い意志が、冒頭から明確に打ち出されていました。

日立デジタルシステム&サービス/ AI &ソフトウェアサービスビジネスユニット事業主管を務める西孝治氏は、AI への期待をこう語りました。「AI は非常に活況を呈していますが、一番やりたいのは日立の社内トランスフォーメーションです。みなさんが AI を使いこなして、お客様の前でもマーケットの中でも、 Gemini をこんな風に使っているぞと宣伝してくれる、そんな AI のショーケースになってほしい」。 1 人で考えるには限界がある、隣の人が何をしているかという知見をぜひ共有してほしい、という呼びかけもそえられました。

続いて登壇した Google Cloud 執行役員自動車・産業営業本部本部長の浅井は、会場を見渡してこう切り出します。「壇上から見ると、みなさんの顔が自信に満ちあふれているのがひしひしと伝わってきて、私自身もワクワクしています」。日頃 Google Cloud と一緒にビジネスの変革を進められていることへの感謝を述べました。

現場の「困った」から生まれた 10 のエージェント

10 組の発表はどれも、日々の業務でぶつかる具体的な「困った」を出発点にしていました。発表順にご紹介します。

失注ポストモーテム AI 「失注リフレクター」: 失注した案件の経緯を SharePoint の社内資料から再構成し、「3 つの分岐点」「顧客の発言と真意」「次回への教訓」を 3 分で構造化レポートにまとめます。レポートは社内のナレッジ DB にためて、営業担当者が商談前に過去の知見として参照できるようにします。原因分析にかかる時間を短縮するとともに、分析の実施率を大幅に高めることで、失注を組織の武器に変える仕組みを提案しました。
Power Automate × Gemini Enterprise による定例会議議事録作成の「完全自動化」 : Microsoft の Power Automate と Gemini Enterprise を組み合わせ、定例会議の議事録づくりを入口から仕上げまで自動でつなぎました。
業務改善アドバイザー: 複数のエージェントが手分けして、自分の業務をヒアリングし、分析し、ボトルネックを洗い出して改善案まで示します。業務の流れは Mermaid 形式の図にして一目で見渡せるようにしました。業務のヒアリングから分析、改善提案までのプロセスを大幅に短縮できる可能性が示されました。これまで数日かかっていた作業が、約 10 分に縮みます。
議事録「ワンショット 5 方向展開」マルチエージェント: Gemini Enterprise の Agent Designer で 5 つのサブエージェントを組み、 Teams のトランスクリプトから Markdown レポート、 Word 議事録、 Excel の Q&A 、 Teams 向けの展開メッセージ、 Redmine チケットを一度に生成します。議事録1 本あたりの二次加工は 90 分から 5 分へ、 94 % 削減。年間およそ 7,000 時間の削減になります。
開発チーム、転生したら AI だった件: 開発が一段落してメンバーが抜けた後の問い合わせや軽微なバグ修正を引き受ける仕組みです。離任する前に「AI 転生テンプレート」で自分の思考の進め方や口調まで写したサブエージェントを残し、人が減ってもチームが回ります。問い合わせ対応や初期調査は 1 時間〜半日から 5 〜 10 分に短くなり、問い合わせの 8 割以上に対して、AIが妥当な回答案を提示できると見ています。
ExcelScribe 手書き帳票の Excel 自動転記ツール: 端末を持ち込めないデータセンターなどの現場で手書きした帳票を、 Gemini Enterprise が文字認識して元の Excel に書き戻します。アウトプットをより精緻に行うために組み合わせるツールを作成しました。
画面録画 × Gemini で PC 操作のムダを可視化: PC 上の自分の作業を画面録画して渡すだけで、 Gemini が操作を読み取り、ショートカットや関数で速くできる箇所を具体的に示します。リモートワークで「隣の人の操作を見て盗む」機会が減った今だからこそ効くアイデアで、マウス操作などをおよそ 20 〜 30 % 減らせます。
NotebookLM と Gemini Enterprise を活用したグラフィックレコーディング作成 : 会議資料や記事を NotebookLM で要約し、その結果を Gemini Enterprise に渡して、グラレコの構成案・レイアウト・イラストの案、さらに画像までを生成します。技術のある社員が、構成作りも含めて 2 時間かかっていた作業が、10 分で実施できるケースも見られました。
提案の質と速度を極める財務分析 with 3 つの AI エージェント: 決算短信サーチ、財務諸表分析、可視化の 3 つのエージェントが連携し、企業名を入れるだけで IR 資料を集め、在庫の回転日数など供給網に効く指標まで自動で計算します。 1 社あたり 3 時間かかっていた情報収集・分析が 45 分に、工数を 75 % 削減しました。
Gemini マルチエージェントによる設計書レビュー支援: チェックリストや日立がこれまで積み上げてきた社内の設計ガイドをレビュー観点として整理し、複数の専門エージェントがシステムの設計書を多角的に確認します。観点不足による見逃しを抑え、レビューがレビュアーの経験に左右されにくくなりました。

どの発表にも共通していたのは、 AI に丸投げするのではなく、「どこを AI に任せ、どこは人が判断するか」をていねいに切り分けていたことです。発表のあとは毎回 Q&A が活発に飛び交い、自分の業務にどう応用できるかを考える声が会場のあちこちから上がっていました。

受賞した 5 組と、審査員からの言葉

審査員が選んだ受賞者の 5 組には、それぞれの着眼点に対して温かいコメントが寄せられました。

オーディエンス賞: 画面録画 × Gemini で PC 操作のムダを可視化。会場の投票で一番多くの支持を集めました。審査員からは「なぜこの人たちは、資料を書かないという選択をしなかったのか。ふつうは AI に資料そのものを作らせたくなるのに、この人たちはあえて、作る作業を速くするほうへ情熱を注いだ。そこがすごい」「現場で起きている泥臭い作業をいかに AI で効率化していくか。これはフィジカル AI の基本で、とても期待できます」と熱のこもった講評がありました。

Google Cloud 賞: 開発チーム、転生したら AI だった件。 Google Cloud の執行役員カスタマーエンジニアリング統括技術本部長渕野は「アイデアとしてとても面白い」と評価したうえで、応用の広がりに触れました。「コーディングを助けるエージェントは増えていますが、実際のシステム開発はプロジェクトの背景を踏まえて進める必要があります。その文脈までエージェントに引き継げる、という意味で応用が効く発想だと思いました」。

Google Cloud 賞: ExcelScribe 手書き帳票の Excel 自動転記ツール。賞品を手渡した Google Cloud 浅井は、「他社のツールであっても、ちゃんと書き込めるモジュールを開発してほしい、という熱いプレッシャーを感じました。フィールドの声として、しっかり開発チームに届けます」とコメントしました。

日立賞: 失注ポストモーテム AI 「失注リフレクター」。日立の内藤氏は、失注分析の難しさに踏み込みました。「受注は意外と再現性が低く、失注は再現性が高いという事実をよく見ていくと、受注確度を上げることに繋がります。そこをきちんと言語化できているのがとても良かった。ぜひお客様の営業活動にも役立てられる形へ、 Gemini と一緒にアイデアを練り上げていってください」。

日立賞: Gemini マルチエージェントによる設計書レビュー支援。日立のものづくりで培ってきた設計の知見を、そのままレビューの観点としてエージェントに持たせた点が評価されました。

5 組とも、削減できた時間や工数といった数字だけでなく、現場の心理的な負担まで軽くしている点が印象的でした。

これからも、日立の挑戦とともに

閉会のあいさつで、 Google Cloud の渕野はこの日の手応えをこう振り返りました。「今日のプレゼンはどれも Q&A が活発で、発表を見て自分のアイデアはこうできるんじゃないか、と考えている様子が伝わってきました。みなさんを支援している私たち Google のメンバーも、やりがいと達成感を感じる素晴らしい会でした」そして、これからへの期待も。「 1 回目でこのレベルの高さです。 2 回、 3 回と続けていけば、どんどん上がっていくはずです。私たちも引き続き、しっかり支援させていただきます」。

また、審査員を務めた日立デジタルシステム&サービス/経営戦略統括本部統括本部長内藤氏からは、30年のキャリアを振り返りつつ、日立の未来への明るい展望が語られました。

「私自身、社内で Gemini Enterprise を毎日5回以上は必ず使う愛用者ですが、今日の皆さんのアイデアを聞いて『こういう使い方もあったのか！』と非常に理解が深まりました。今すぐにでもやってみたいアイデアがたくさんあり、とても楽しいひとときでした」と感謝を述べました。

また、コンテストを通じて見えた社内の変化についても、次のように熱く語りました。「この活動は、自分たちの業務を良くしていく『カスタマーゼロ』につながることはもちろんですが、何より発表者の皆さんが本当に楽しそうでした。これまで30年間会社にいますが、横の人がこんなに楽しそうに仕事をしている姿は見たことがありません。今日そういう一面が見えて、日立の未来は明るいんじゃないかと勝手に思ったりしています」

挨拶の最後には、「日立の取り組みと、Google さんの発展を心から祈念して、ぜひ皆さんと一緒にやってみたいと思います！」と会場に呼びかけました。内藤氏の「すごいぞ！」という掛け声に、会場全体が「Gemini！」と大きな声で応え、イベントは最高潮の盛り上がりのなか締めくくられました。

開会で西さんが語った「日立を AI のショーケースに」という思いは、この日の 10 組の発表で、もう確かな形になり始めていました。現場の「困った」から生まれたアイデアが、 112 件という数になって集まり、その一つひとつが誰かの仕事を軽くしていく。 Google Cloud はこれからも、日立のみなさまのこうした挑戦に、 Gemini Enterprise とともに伴走していきます。

Alphaevolve で分子発見を 4 倍に高速化した Schrödinger の事例

Mon, 06 Jul 2026 19:00:00 +0000

※この投稿は米国時間 2026 年 7 月 1 日に、Google Cloud blog に投稿されたものの抄訳です。

計算化学の研究者は、従来より、分子間相互作用をシミュレートする際に、精度を犠牲にする高速な古典的力場を使用するか、大規模なジョブでは実行速度が遅すぎる高精度の量子力学的手法に頼るかという、悩ましいトレードオフに直面してきました。

ML 力場（MLFF）は、高忠実度の量子データでニューラルネットワークをトレーニングすることで、そのギャップを埋めます。しかし、現代の創薬や材料設計では、膨大な化学ライブラリを処理するために、さらに高速な処理速度が求められています。このようなパフォーマンスの制約を克服するために、Schrödinger は Google Cloud と提携して AlphaEvolve をデプロイしました。これは Google DeepMind が開発した進化型 AI コーディングエージェントで、アルゴリズムのボトルネックを克服する最も効率的なコードパスを見つけるために、アルゴリズムを繰り返し生成して改良します。

AlphaEvolve とのコラボレーション

30 年以上にわたり科学ソフトウェアの開発をリードしてきた Schrödinger は、MLFF トレーニングパイプライン内でパフォーマンスを制限する重要なアルゴリズムとして、近傍リスト計算法とエバルト総和法の 2 つを特定しました。これらのアルゴリズムは、原子の近傍からのデータを集計して長距離ポテンシャルを計算しますが、どちらもトレーニングと推論の速度において制限要因となっていました。

Schrödinger の技術面での最大の目標は、エネルギーと力の計算のための AI モデルのトレーニングを高速化することでした。具体的には、分子力学で使用される、重要ではあるものの計算負荷の高い機能であるエバルト総和法をターゲットとしました。Schrödinger の PyTorch コードにおいて、エバルト総和法が主なパフォーマンス上の制約となっていました。ベクトル化されたアルゴリズムは確立されておらず、通常は単純な for ループに頼っていたため、大規模なシミュレーションでは処理が遅くなっていました。

AlphaEvolve をモデルに組み込むことで、システムは並列バッチ行列乗算を使用して、エバルト総和法のバッチ実装を生成できるようになりました。これにより、PyTorch コードが進化し、既存のカスタムカーネルを上回るパフォーマンスを実現できました。

評価指標

Schrödinger は、厳格な多層的評価フレームワークを使用して、進化したコードがパフォーマンスと科学的正確性の両方を備えていることを確認しました。

逆時間（主要指標）: 計算時間をベースラインスコア 7.9 から短縮して、スループットを最大化することが主な目標でした。
機能的正確性: 進化したプログラムはすべて、無秩序水モデルなどの複雑なシステムに対する回帰テストを含む、完全なテストスイートに合格する必要がありました。
成功率: 機能的に正確で、ベースラインよりも高速なプログラムの割合で測定しました。

「AlphaEvolve を使用することで、これまでよりも迅速かつ効率的に、より広範な化学空間を探索できるようになりました。MLFF 推論の高速化は、創薬、触媒設計、材料開発における研究開発サイクルを短縮し、企業が分子候補のスクリーニングを数か月ではなく数日で完了できるようにすることで、ビジネスに現実的な効果をもたらします。」- Schrödinger、ML テクニカルリード、Gabriel Marques 氏

結果: 4 倍の高速化とボトルネックの解消

AlphaEvolve を適用することで、Schrödinger はエバルト総和法のコード内の単純な for ループを並列バッチ行列乗算に置き換えました。この最適化により、プログラムの成功率は 1% 未満（5,000 件の評価のうち 40 件）から 60% 以上に向上し、パフォーマンス指標はベースラインの 7.9 から 30 近くまで改善されました。

これらの基本的なアルゴリズムを最適化することで、MLFF のトレーニングと推論の両方で 4 倍の高速化が実現しました。この高速化により、研究者は分子スクリーニングのタイムラインを短縮できます。これは、いくつかの重要な研究分野に直接的なメリットをもたらします。

創薬: 緊急の医療ニーズに対応するため、有望な治療候補を迅速に特定できます。
触媒設計: 産業用途向けに効率的な化学プロセスを開発できます。
材料開発: 電子機器やエネルギー貯蔵向けに、カスタムプロパティを持つ次世代材料を設計できます。

次なる進化

Schrödinger は、この進化的なアプローチをカスタム GPU カーネルに適用し、AI によって生成されたコードが、人間が設計した実装よりも優れているかどうかをテストする予定です。

進化型 AI エージェントが科学的なコードベースを最適化する方法については、AlphaEvolve に関する技術論文の全文をお読みください。また、研究ワークフローの高速化についてご相談されたい場合は、Google Cloud AI チームにお問い合わせください。

- Google、プログラムマネージャー、Kartik Sanu

- Google、グループ AI プロダクトマネージャー兼エンジニア、Anant Nawalgaria

Atlas が Cloud SQL Enterprise Plus エディションにより数百の加盟店のデータベースをどうスケールしたか

Fri, 03 Jul 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 6 月 17 日に、Google Cloud blog に投稿されたものの抄訳です。

Atlas は、飲食店向けのオペレーティングシステムを構築しています。オンラインショップ、POS、サードパーティロジスティクス、食のプラットフォームの統合、顧客ロイヤリティ、AI ツールは、飲食店の立ち上げから運営、そして成長に必要なあらゆる要素を網羅しています。当社はシンガポールでは、SaladStop、Killiney、Haidilao、Raffles Hotel、Lo and Behold Group、Les Amis Group などのブランドと連携し、加盟店の 1 回あたりの購入額の増加、売上拡大、運用コスト削減を支援しています。

Atlas の各加盟店には、専用の Cloud SQL for PostgreSQL データベースが割り当てられます。飲食店の形態はそれぞれ大きく異なります。単一店舗のカフェと複数店舗あるチェーン店で、裏側の仕組みが同じであるべきではありません。データベースを独立させることで、データが完全に分離されているほか、昼食時や夕食時のピーク時でもパフォーマンスが予測可能で、各店舗を個別にスケール、チューニング、移行できる柔軟性があります。Atlas の成長に伴い、データベースの数も増えています。

課題: 標準エディションの枠を超えたスケール

当社は、最初に標準の Cloud SQL Enterprise エディションを導入しました。これは強固な基盤でしたが、加盟店が増え、機能が追加されるにつれて、データベースを管理するために必要な運用レイヤがボトルネックになりました。

接続プーリングを別のレイヤとして管理していたため、実行、保護、モニタリングするサービスが増えていきました。クエリによって CPU が急上昇した場合、何が起こったのか、どの加盟店がトリガーしたのかを正確に把握する必要がありましたが、限られたシグナルから問題を突き止めるのに時間がかかりすぎていました。小規模なチームで、専任のデータベースエンジニアがいなかったため、コンポーネントが追加されるたびにメンテナンスの負荷が増加していました。

Enterprise Plus エディションへの移行

新しいデータベースインスタンスをプロビジョニングする必要が生じたとき、Google Cloud チームに Cloud SQL Enterprise Plus エディションを紹介してもらいました。運用上のオーバーヘッドがどれだけ増えるのかをすでに懸念していましたが、Enterprise Plus エディションでは、本来なら自社で対応しなければならない作業のカテゴリ全体が不要になることがわかりました。

マネージド接続プーリング: この機能が Cloud SQL に直接組み込まれるようになったため、プーリングを個別のレイヤとして実行する必要がなくなりました。これにより、システムの構成要素が減り、メンテナンスの負担が軽減されただけでなく、攻撃対象領域も小さくなりました。
Query insights: これは、当社に最も大きな効果をもたらした機能でした。どのクエリの負荷が高く、どの加盟店がそのクエリをトリガーしているかを正確に把握できるようになったからです。パフォーマンスチューニングが、推測に基づくものから、具体的で実行可能なものへと変わりました。数百ものデータベースを実行するプラットフォームにとって、この可視性は「スーパーパワー」と言えます。
データキャッシュ: これにより、加盟店のデータセットが増加しても、読み取りパフォーマンスが一定に保たれるようになりました。飲食店では毎日多くのデータが生成されるため、データレイヤはそうした複雑化に合わせて高速処理を維持する必要があります。
ダウンタイムがほぼゼロのスケーリング: 加盟店の拡大に合わせて、オフピーク時にサービスを中断することなくインスタンスをスケールできるようになりました。

新しいインスタンスで結果を確認した後、既存のすべてのデータベースも Enterprise Plus エディションに移行しました。

効果: インフラストラクチャ管理ではなくイノベーションに注力

現在、Atlas は数千の飲食店で利用されており、数百ものマネージドデータベースを使用して毎日数万件の注文を処理しています。最も大きな変化は、エンジニアリングの時間の使い方です。データベース運用にかかる時間が 30% 減り、プロダクトを構築するための時間が増えました。新規加盟店のオンボーディングも簡素化されました。すぐに使用できるマネージドデータベースが数秒でプロビジョニングされるため、導入がスムーズです。パフォーマンスは以前よりもはるかにプロアクティブになり、問題が加盟店に悪影響を及ぼす前に検出して修正しています。日々の業務では、データベース管理について考える必要はなく、加盟店により良いサービスをどう提供するかに注力できています。その結果 Atlas は前年比 200～300% の成長を遂げました。

今後の展望: AI ファーストの未来

当社は、社内外で AI に多額の投資を行っています。社内では、AI 支援の開発ワークフローを通じてエージェントエンジニアリングに全面的に取り組んでおり、少人数のチームでもコードのビルド、レビュー、リリースを大幅に高速化できるようになりました。社外では、飲食店の経営者がより良い意思決定を行い、それに基づいて行動できるよう支援する AI 搭載ツールを構築しています。当社のロードマップは、ユーザーとの新たな接点や飲食店の成長を支援する新しい方法など、多くの実験的なアイデアであふれています。これらすべてを迅速に進める自信を与えてくれるのは、基盤となるレイヤである Cloud SQL と Google Kubernetes Engine（GKE）の存在です。このレイヤは実績があり、開発の妨げになることはないからです。

インフラストラクチャの複雑さは Google Cloud が処理してくれるため、Atlas は飲食店向けの最適なツールの構築に専念できます。

Cloud SQL Enterprise Plus により、柔軟性、オブザーバビリティ、スケーラビリティに優れたデータベースアーキテクチャが実現しました。これによりインフラストラクチャ管理に頭を悩ませることなく、加盟店のことだけを考えられるようになりました。AI をさらに活用し、プラットフォームを成長させていく中で、Google Cloud は、基盤となるインフラストラクチャを気にかけずに迅速に前進するための自信を与えてくれます。

データベースアーキテクチャをスケールする準備はできていますか

インフラストラクチャのボトルネックにより、イノベーションが妨げられないようにしましょう。管理するデータベースが数十個でも数百個であっても、エンジニアリングチームが最も重要な作業に集中できるように、Google Cloud SQL がどのように運用の合理化とオブザーバビリティの強化を行うかをご覧ください。

Cloud SQL Enterprise Plus エディションに関する詳細
登録して Cloud SQL を無料で試す。

- Atlas、共同創業者 / エンジニアリング責任者、Surendhar Reddy 氏

- Google Cloud、データベース、シニアプロダクトマネージャー、Alok Srivastava

英国の成長企業が AI 時代にどのようにビジネスを構築しているか

Thu, 02 Jul 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 6 月 18 日に、Google Cloud blog に投稿されたものの抄訳です。

英国の 500 万を超える中小企業（SMB）は、英国経済の屋台骨です。現在、こうした重要な役割を担う企業は AI の導入を進めており、業務の効率化や迅速化、そして最終的には顧客により良い成果を提供できるようになりつつあります。

この変化は、日々の具体的な成果によってもたらされています。Google とのパートナーシップで Enterprise Nation が発表した最近の調査によると、英国で調査対象となった AI 導入企業の 71% が、AI によってルーチン業務の時間を節約できていると回答し、64% が生産性の直接的な向上を報告しています。さらに、AI 対応の生産性向上ツール（Google Workspace with Gemini など）は、中小企業の生産性を 20% 向上させており、これは実質的に、毎週 1 日分の労働時間を中小企業に還元していることになります。

Google Cloud は、この変化を最前列で見てきました。中小企業は長年にわたって Google Workspace などのプラットフォームを利用しており、現在では Google AI プラットフォームとモデルで変革を遂げています。実際、Google Cloud AI を利用している英国の中小企業の数は、前年比でほぼ 2 倍になっています。これには、Gemini モデルや、Gemini Enterprise、AI Studio などのプロダクトが含まれます。これらは、中小企業が次のようなことを行えるよう支援しています。

より優れたカスタマーサポートシステムを導入し、電話対応のエスカレーションと解決をより迅速に行えるようにする。
給与計算や会計などの分野で、反復的な作業を自動化する。
データアナリストとしての専門教育を受けていない従業員も含め、より多くの従業員が業務でデータを理解し、活用できるようにする。
マーケティング関連資料の新しいデザインを迅速に作成し、導入する。
より多くの人が、日々の業務をサポートする独自の AI エージェントを構築できるよう支援する。
これまでにないスピードと低コストで、複雑な調査プロジェクトを実施する。

今回の Google Cloud ロンドンサミットでは、Google AI ツールを積極的に使用して業務を変革している、革新的な中小企業のお客様を多数ご紹介します。その中には、最近 Google との連携を拡大した企業も含まれます。

サステナビリティフィンテック企業の Neural Alpha は、Gemini モデルを使用して、非構造化の環境レポートや企業のサステナビリティレポートを読み取り、数千もの重要な事実を自動的に抽出および整理しています。これにより、数か月を要していた手動での調査を、ほんのわずかな時間に短縮しました。
デジタルセキュリティプロバイダの Sep 2 は、Gemini Enterprise を使用して、24 時間 365 日体制で脅威をモニタリングする自律型 AI エージェントをデプロイしています。これにより、インシデント検出を迅速化し、顧客に対するセキュリティ脅威を素早く排除しています。
戦略的なブランドデザインエージェンシーである Sunhouse は、Gemini Enterprise を使用して Google ドライブに保存されたアーカイブ済みのデザイン制作物を簡単に見つけられるようにしています。これにより、チームはファイル検索に費やす時間を減らし、グローバルブランドとのビジネスを成長させるためにより多くの時間を使えるようになっています。
グローバルな B2B イベント企業である Terrapinn は、Gemini モデル、NotebookLM、Looker、BigQuery を活用して手作業を自動化されたワークフローに置き換え、世界クラスのカンファレンスの企画、マーケティング、開催までのスピードを加速させることで、業務を変革しています。
通信プロバイダの VoCoVo は、Google Cloud AI をシステム全体に統合して、孤立したデータを活用可能なインテリジェンスに変え、自律的なワークフローを構築しています。これにより、ルーチン業務を効率化し、チームがインパクトの大きいイノベーションに集中できるようにしています。

チームの強化: 英国企業の成長を支援する AI スキル向上リソース

中小規模のチームがインパクトを最大化し、最新の AI 環境を自信を持って活用できるよう、Google は専用の無料スキル向上リソースを用意しました。既存のチームをトレーニングする場合でも、全従業員がデータツールを利用できるようにする場合でも、これらのプログラムは AI 活用に向けた組織づくりに役立ちます。

中小企業向けプログラム: 新しい中小企業向け学習プログラムをチェックするか、Gemini Enterprise Agent Ready（GEAR）プログラムに登録して、エージェント型 AI の専門的なトレーニングを受けることができます。
組織向け Google Skills: Google Cloud と Google DeepMind のエキスパートが作成した 3,000 以上の AI コースとハンズオンラボを備えた、無料のオンデマンドラーニングプラットフォームを利用できます。
Get Certified Program: チームの専門知識を実証する準備ができたら、このプレミアムなコホートベースのプログラムを活用しましょう。ここではクラスルームトレーニング、技術メンターシップ、AI を取り入れたスキルバッジが提供されており、業界で認められた認定資格の取得に向けてチームが準備できるよう設計されています。

Google は、Workspace の生産性向上ツールから、すべての広告サービス、そして強力な AI ツールまで、中小企業向けのテクノロジーとトレーニングのフルパッケージを提供することで、中小企業が将来どのような状況になっても成長し続けられるよう支援しています。

- 英国、アイルランド、サハラ以南のアフリカ担当バイスプレジデント、Maureen Costello

AI の可能性からエージェント型の現実へ: 英国の新たな章を切り拓く

Wed, 01 Jul 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 6 月 18 日に、Google Cloud blog に投稿されたものの抄訳です。

英国、特にロンドンは、ヨーロッパおよび世界における AI 開発の主要な拠点の一つであり続けています。もちろん、Google DeepMind の本拠地でもあり、Ineffable Intelligence のような重要な AI ユニコーン企業（Google Cloud のお客様）も存在します。Ineffable Intelligence は本日、Google との重要なパートナーシップを発表しました。

1 年前、Google はロンドンサミットに参加し、英国の公務員のスキルアップへの大規模な投資など、生成 AI の大きな可能性を紹介しました。本日、パートナー様を再び歴史ある Tobacco Dock の空間にお迎えするにあたり、その可能性は産業規模の現実となっています。ホワイトホール（政府機関）とシティ（金融街）のリーダーたちとの対話を通じて、焦点がチャットボットやメディアでの実験的な試みから、実運用を伴う本格的な実行へと移っていることを実感しています。今はエージェント型企業の時代です。単に会話するだけのシステムから、自ら推論し、計画を立て、複雑なワークフローを実行できるシステムへと進化を遂げようとしています。

この移行は、2030 年までに AI が英国経済にもたらすと予測される 4,000 億ポンドの経済効果の礎となるものです。Google Cloud は、エージェント型企業を現実のものにするために必要な完全統合スタック（カスタムシリコン、最先端モデル、グローバル規模のインフラストラクチャ）を提供する唯一のプロバイダです。

英国の企業と研究の新たなフロンティア

銀行業界は、この変化を実証する重要な場です。そして、世界最大級かつ極めて重要な金融機関の一つである HSBC は、その先駆者として道を示しています。このたび、Google は HSBC との複数年にわたる変革的なパートナーシップを発表し、HSBC のプロダクトとサービス全体で AI の導入をグローバルに加速させることになりました。この新たなコラボレーションにより、HSBC のグローバルな業務全体で AI を活用した働き方への移行がさらに加速します。

HSBC は、Google Cloud および Google DeepMind のエンジニアリングチームと連携して、新しい AI 搭載ツールとプログラムを共同開発します。これには、Gemini モデルや Gemini Enterprise Agent Platform などの Google の最新のエージェント型 AI 機能へのアクセスが含まれます。初期の展開では、3 つの分野に重点を置きます。具体的には、高度にパーソナライズされた資産管理サポート、金融犯罪リスク管理の強化、そして現場の担当者やリレーションシップマネージャーの顧客サービスを向上させる AI ツールです。

英国のスタートアップは、Ineffable Intelligence のような最先端の研究所の取り組みに示されているように、テクノロジー、特に AI で新たな境地を開拓し続けています。今年初めに設立された同社は、Google Cloud を優先クラウドパートナーとして選び、Google の AI 最適化ハードウェアとツールのフルスタックを活用して、Ineffable の第 1 世代の基盤モデルを構築、トレーニングしています。

AlphaGo プロジェクトで重要な役割を果たした元 Google DeepMind 研究者の David Silver 氏が率いる Ineffable Intelligence は、AI 開発に独自のアプローチを採用しています。このチームは、言語モデルの背後にあるような、人間が生成した大規模なデータセットに依存するのではなく、主に強化学習を通じて独自の経験から学習するシステムを構築しています。その野望は、試行錯誤を通じて知識を深める「スーパーラーナー」を作り出すというものです。今年、Ineffable Intelligence はヨーロッパのシードファンディングラウンドで 11 億ドルの記録を樹立しました。現在、同社は Google Cloud 上の NVIDIA Vera Rubin NVL72 プラットフォームを搭載した A5X の最大規模のクラスタの一つをデプロイすることで、トレーニング作業をサポートし、大規模なコンピューティングスケールを実現しています。

試験運用から本格的な実運用へと移行するには、企業はモデルを導入するだけでなく、明確なロードマップを必要としています。その道筋を示すため、Google は Deloitte とのパートナーシップを強化します。これに伴い、Deloitte はロンドンのキャンパスに新たな AI Studio を開設する予定です。Google Cloud とのコラボレーションで開発されたこのスタジオは、英国の組織が AI の試験運用から一歩進んで、自律的で行動指向の AI システムを大規模にデプロイできるよう支援します。

また、Deloitte は英国の AI およびデータ担当の従業員 1,000 人を対象に、Gemini Enterprise に関するスキルアップを支援することも表明しています。この認定プログラムにより、デロイトの AI およびデータエンジニアが Google の最先端のエージェントアーキテクチャを実装するための技術的専門知識を身につけ、英国のお客様に地域最大規模の認定 AI 人材プールを提供できるようになります。

将来を見据えた公共部門の構築

現代的なデジタル政府の青写真を実現するには、硬直化したレガシーな契約から脱却し、アジャイルで AI 主導の公共サービスへと転換することが求められます。住宅・コミュニティ・地方自治省（MHCLG）、i.AI インキュベーター、Google Deepmind、および Faculty との連携により、英国の「建設を促進する」という国家目標を直接的に支援する、実効性のある公共部門の改革と刷新のためのツールを実現しています。

MHCLG などの行政機関は、Google のテクノロジーを使用して構築された Extract というツールをすでに導入しています。このツールは、文書処理時間を 2 時間からわずか 2 分に短縮することで、計画策定プロセスの変革を推進しています。同時に Google は、バーネット、ドーセット、カムデンの各自治体と共同開発した AI 都市計画ツールの試験運用を支援しています。このツールは、一般的な申請における意思決定時間を 50% 短縮することを目指しています。さらに、英国運輸省（DfT）は、Gemini を活用してパブリックコンサルテーションの分析を効率化しており、年間 400 万ポンドの節約が見込まれています。

この規模のイノベーションには、安全で主権が確保された基盤も必要です。そのため、Google Cloud は英国におけるデータ所在地に関する取り組みを強化しており、その一環として、国内での AI 処理を特徴とする Gemini 3.5 Flash を、2026 年 6 月末までに機密性の高い主権ユースケース向けに提供する予定です。また、英国の組織が厳格なコンプライアンスの境界内でイノベーションを起こせるよう支援しています。

AI やその他のデジタル脅威を利用する悪意のあるアクターがもたらす課題からビジネスを保護するために、Google は最近、包括的な AI 搭載サイバーセキュリティプラットフォームである Google AI Threat Defense を発表しました。このプラットフォームは、Wiz、Mandiant、Gemini、CodeMender を組み合わせて、お客様の脆弱性を発見および修正し、安全を確保します。

小売業界から公共サービスまで、実証されたインパクト

自律型エージェントはもはや将来の予測ではなく、すでに英国経済全体に価値をもたらしています。e コマースソリューションプロバイダである THG Ingenuityとの取り組みでは、AI ショッピングアシスタントを通じてコンバージョン率が 8 倍に向上しました。同様に、Starling は、「支出インテリジェンス」ツールを提供することで、お客様が購入や支出の傾向を即座に分析できるようにしています。また、Rightmove は、Google の Gemini モデルを基盤とした AI 搭載の会話型物件検索ベータ版をリリースし、ユーザーが自分の言葉で物件を検索できるようにしました。

このインパクトの広さはあらゆる分野で確認できます。Kingfisher は小売業に特化したエージェント型アプリケーションを先駆けて開発し、Openreach は通信業界でフィールドサービスの最適化を推進しています。また、Unilever はバリューチェーン全体で AI を大規模に活用し、成長を促進して新時代の消費財において魅力的なブランドを構築しています。

一方、VMO2 は複雑なデータオペレーションを合理化し、Vodafone はネットワークパフォーマンスを再定義する 10 億ドルのパートナーシップを推進しています。また、WPP は、高品質なキャンペーンアセットの迅速かつ大規模な生成、AI エージェントの駆動、ロボットカメラオペレーターのトレーニングなど、クリエイティブワークフロー全体に Gemini を統合しています。

中小企業とスタートアップの成長エンジンを強化

英国の AI の成功の真価は、中小企業とスタートアップのエコシステムにあります。Google の AI Works 調査では、重要な転換点が浮き彫りになっています。AI は、中小企業の生産性を 20% 向上させ、英国経済に 1,980 億ポンドの生産額を創出する可能性を秘めています。小規模企業の 56% がすでに支援を求めていることを受け、Google は、どの企業も取り残されないように、AI Works for Britain スキル向上の取り組みを開始しました。

また、ロンドン AI ハブでは、Tech Nation との継続的なパートナーシップを通じて、次世代の英国ユニコーン企業の育成にも取り組んでいます。この継続的なコミットメントにより、創業者には事業拡大に必要なリソースとコミュニティが提供されます。今年 9 月には、ロンドンで Gemini Startup Forum: Cybersecurity を開催し、スタートアップが設計段階からセキュリティを考慮した AI アプリケーションを構築できるよう支援することで、このミッションをさらに推進します。

Platform 37 の Model Garden

英国の可能性に対する Google の信念は、物理的な拠点にも反映されています。Google は、増大する需要に対応するため、英国のデジタルインフラストラクチャへの投資を継続しています。2025 年 9 月にはウォルサムクロスに最先端のデータセンターを開設しました。これは、英国の AI 経済を活性化するために 2 年間で 50 億ポンドを投資する計画の重要な一環です。また、今年初めには、ロンドンのキングスクロスに新しいオフィス Platform 37 を開設しました。あわせて、AI の理解を深めるための新しい公共スペース「The AI Exchange」の計画も発表しています。

この勢いを活かし、2026 年第 4 四半期には Platform 37 の Model Garden を開設できることを嬉しく思います。ロンドンを拠点とするこのハブは、単なる物理的なスペースではありません。Google の最も重要なお客様との関わり方を根本的に向上させることを目的とした戦略的投資です。時代を超越した英国庭園の美学と、リビングデジタルウォールや 3 階建てのアトリウムなどの没入型ハイテクイノベーションを融合させた Model Garden は、Google の最高のアイデアを物理的に体験できる場所です。

エージェント型企業の青写真

英国の企業、行政リーダー、各種組織が AI の潮流をリードし続けるためには、活用するテクノロジーだけでなく、仕事の進め方の根本的なあり方も再考する必要があります。国内外の数千の組織と数百万のチームをサポートする中で、Google は AI で成功を収めるための 3 つのコア戦略を見出しました。

文化: 将来を見据えて組織を再構築する必要があります。真の変革とは、チームが AI エージェントとまったく新しい方法で協働できるよう、チームの意欲を高め、実行できる体制を整え、必要な環境を完備することです。これは単なる自動化ではなく、人と AI の協働を目指すものです。
責任: 設計段階から安全性とセキュリティを念頭に置いて構築する必要があります。ユーザー、顧客、ブランドの保護は最優先事項です。Google のフロンティアモデルは、厳格な AI 原則と、設計段階からセキュリティを考慮したインフラストラクチャを基盤として構築されています。
サステナビリティ: コンピューティング需要が高まる時代において、経済的に持続可能であり、かつ地球環境に貢献する方法で規模を拡大させる必要があります。Google は、24 時間 365 日カーボンフリーエネルギーを利用することに取り組んでおり、英国の AI の成長が気候変動目標の犠牲にならないよう確実なものにしています。

共に未来を築く

Google Cloud は、英国のエージェント型への移行における主要なパートナーです。私たちは、試験的な試みによる期待先行の段階を脱し、実運用における厳格なフェーズへと足を踏み入れています。キングスクロスの研究室から、小売業界を支える多様な企業まで、私たちは英国のレジリエントで、主権が確保された、繁栄ある未来を設計しています。

昨日、今日、そして未来に向けて、ロンドンで活動を共にしてくださる皆様に感謝申し上げます。今年は、特別なオンデマンドエクスペリエンスをご用意しました。ロンドンサミットの決定的な瞬間を、いつでもどこでもストリーミングで視聴いただけます。

- 英国、アイルランド、サハラ以南のアフリカ担当バイスプレジデント、Maureen Costello

Sakana AI: Gemini Enterprise Agent Platform をサービス基盤に全面採用し、日本発の斬新なマルチエージェントサービスを実装

Mon, 29 Jun 2026 01:00:00 +0000

目覚ましい技術進化が続く生成 AI。その分野において異彩を放っているのが、日本発のスタートアップ、Sakana AI株式会社（以下、Sakana AI）です。同社は巨大な単一モデルに頼らず、複数の AI モデルを協調させて「集合知」を引き出すという独自のアプローチで、斬新な生成 AI の研究開発を推進。2026 年 6 月には、Google Cloud を運用基盤に据えたマルチエージェントオーケストレーションシステム、「Sakana Fugu」をローンチしています。今回はプロジェクトの中心となった 3 名のサイエンティストに、開発の舞台裏を聞きました。

利用しているサービス:
Gemini, Gemini Enterprise Agent Platform, Cloud Run, Cloud SQL, Memorystore for Redis, BigQuery, Cloud Armor, Cloud Load Balancing, Identity Platform, Cloud Scheduler, Cloud Logging

利用しているソリューション:
生成 AI

日本のスタートアップが実現した、新世代のマルチエージェント AI モデル

現在の生成 AI 技術は、LLM（大規模言語モデル）の容量を拡大する方向で世界中で開発が続いています。そのような中、Sakana AI は社名の由来でもある「小さな魚が集まって 1 匹の大きな魚のように振る舞う生態」や、進化の原理にインスピレーションを受け、複数の AI モデルを動的に組み合わせる独自の研究を推進。2026 年 4 月には、「Sakana Fugu」のコアテクノロジーとなる AI モデルを発表しています。プロジェクトを率いたチーフサイエンティストの Yujin Tang 氏は、開発の背景をこう振り返ります。

「私たちは Google、OpenAI、Anthropic といった主要な企業が提供する AI モデルと同等、またはそれを上回る性能を持つ基盤モデルを開発することを目指してきました。しかし、自分たちですべての基礎研究をゼロから行うのは、現実的でも効率的でもありません。そこで Sakana AI では、オープンソースやクローズドソースの API サービスとして提供されているモデルを協調させ、タスクをより効率的に処理できる『Sakana Fugu』を開発しました。原点となったのは、2025 年 1 月に『Nature Machine Intelligence』誌に論文として寄稿した、『進化的モデルマージ（基盤モデル群の融合・活用）』^（※1）という手法です。」

このようなモデル開発は、市場の潜在的なニーズに応え、新たな事業の展開を可能にするものでもありました。

「現在の LLM は、あるモデルはコーディングに強く、別のモデルは経済分野に強いというように、得意分野が分かれています。そのためユーザーは用途に応じて AI を使い分けなければならず、非効率な作業を強いられていました。しかし『Sakana Fugu』を利用すれば、ユーザーは単一のエンドポイントを呼び出すだけで、背後にある多様な AI にアクセスして最適な回答を得られます。このシステムをサブスクリプションモデルとして提供することは、世界中の AI 研究者やエンジニア、企業、ビジネスパーソンなどのニーズに応えつつ、新たなビジネスを展開するという意義も持っていました。」（Tang 氏）

「集合知」を活用できるプラットフォームを、Gemini Enterprise Agent Platform で構築

「Sakana Fugu」の特徴は、単に既存の AI を決まったパターンで組み合わせるのではなく、クエリの複雑さに応じて最適なモデルと処理を選択する「オーケストレーション」機能にあります。学習を担当した Stefan Nielsen 氏は、その動作原理を次のように説明します。

「『Sakana Fugu』はスポーツに例えるなら、さまざまな選手（AI モデル）やフォーメーション（組み合わせ）、戦術（タスク処理）を対戦相手（クエリ）に応じて使い分けるコーチのような存在です。つまり『AI のチームを指揮する AI』として『集合知』にアクセスし、個々のモデルを上回るパフォーマンスを発揮できるシステムになっています。実現にあたっては、モデルの選択を最適化する『進化戦略』と、モデルの連携方法を学習する『強化学習』を実施しました。いずれも 2026 年の国際学会 ICLR で発表した研究成果です^（※2）。また、学習過程でモデルが自分自身を呼び出す手法を組み込み、『推論時スケーリング』も可能にしています。」

専用設計のアーキテクチャも奏功し、「Sakana Fugu」ではモデル間の遷移を感じさせないほどシームレスな利用環境が確保されています。

「今回のサービスローンチでは、私たちは推論速度を重視した『Fugu』と、高いパフォーマンスを発揮する『Fugu Ultra』という 2 つのバリエーションを用意しました。これらのシステムではコーディングや対話能力などに卓越した Gemini も、動的に呼び出すフロンティアモデルの 1 つとして中核に組み込まれています。」（Nielsen 氏）

「オーケストレーション」を通じて、個々のモデルを上回る結果を引き出す。この難しい要件を実現するために選ばれたのが、Google Cloud です。もともと Sakana AI は Google や Google DeepMind 出身のエンジニアを中心に設立されたため、Google Cloud が採用されたのは自然な流れでした。しかし、インフラ設計を担当した Qi Sun 氏は、運用プラットフォームとしての適性の高さを再認識したと強調します。

「インフラ構築における最優先事項は、常に高品質なレスポンスを時間通りに返せる安定性の確保です。一方で、可能な限り多くの処理ができる、非常に高いスループットも重視していました。Google Cloud は、これらの要件をしっかり満たしています。さらに述べれば、『Sakana Fugu』では、Gemini をはじめとする各モデルを同一基盤上でフレキシブルに統合・連携できることが不可欠となります。この点、Gemini Enterprise Agent Platform は GPU をホスティングしつつ、マネージドサービスで管理や運用の負荷も軽減してくれるので最適でした。」

Sun 氏は、サービス構築に必要な各種ツールが十全に揃っていたことも、採用理由に挙げています。

「『Sakana Fugu』は、フロントエンド層、中間処理層、モデル層という 3 つのレイヤーで構成されています。フロントエンドでは Cloud Armor や Model Armor で不適切な入力や DDoS 攻撃からモデルを保護し、ランタイムセキュリティを確保。Firebase によるユーザーの認証と保護、API キーの管理などを実施しています。中間処理層は、基盤モデルの呼び出しやログとキャッシュの処理、BigQuery へのデータ書き込みなどを担当。そしてシステムのコアにあたるモデル層が、クエリに応じて最適な処理を行います。Cloud Run と Gemini Enterprise Agent Platform は、自動でロードバランシングとスケーリングをする機能も備えており、どのようなリクエストが来てもすぐに対応できます。」

Google Cloud のサポートを受け、わずか半年でサービスローンチに成功

2025 年 10 月に始動した開発プロジェクトは、2026 年 4 月に完了。6 か月という短期間で実装にこぎつけています。Tang 氏によれば、それを支えたのが Google Cloud によるサポートでした。

「彼らとは毎週のようにミーティングを行うだけでなく、専用のチャットスペースでも密にコミュニケーションをとっていました。質問に応じて、各専門分野に最も詳しいエキスパートを連れてきてもらったり、事前に理想的なユースケースやベストプラクティスを示してもらえたりしたのも助かりました。通常のように、ドキュメントを頼りにソリューションを探していたなら、開発は数週間から数か月単位で遅れていたと思います。」

サポートは GPU ワークロードにおける Cloud Run、Gemini Enterprise Agent Platform、Google Kubernetes Engine（GKE）の使い分けといった設計判断から、スケーラビリティの確保、権限管理の効率化といった詳細にも及びました。

「Google Cloud の担当チームは、Firestore のスケーリング制限や Cloud Logging のデータ制限といった、本番の運用で直面する課題をうまく回避する方法も一緒に考えてくれました。私たちも Terraform を導入し、運用の再現性と整合性を担保しつつ、IAM 権限を含む環境を、すべてコードで管理できる体制を整えました。」（Tang 氏）

こうして開発された「Sakana Fugu」は、社内の研究者やエンジニアが、リサーチ、コード作成、アイデアの創出などの幅広い業務で活用。すでに高い評価を得ています。

「定量的な成果としては、代表的な 6〜7 種類のベンチマークで、主要な AI モデルを上回る SOTA（最高水準）のスコアを記録したことも挙げられます。Google Cloud のダッシュボードを活用して、システムを精緻にモニタリングしたことも改善につながりました。細部を見直した結果、キャッシュヒット率は 5％向上しています。」（Tang 氏）

約 2 か月に及ぶ PoC（概念実証）を経て、Sakana AI は 2026 年 6 月に有料の AI 開発プラットフォームである「Sakana Fugu」の提供を開始。このサービス実装は、グローバルなレベルでもすでに大きな注目を集めつつあります。最後に Tang 氏は、開発プロジェクトを総括しつつ、今後への展望を語ってくれました。

「今回のプロジェクトでは、やはり Gemini Enterprise Agent Platform が非常に役立ちました。BigQuery からデータを取得し、Model Garden を柔軟に活用するフローを、エンタープライズクラスの安定した環境で構築できるからです。『Sakana Fugu』は、Sakana AI のさまざまな製品を支えるコアテクノロジーとなっていく予定です。生成 AI の可能性を探りながら、社会の幅広い分野に貢献していくためにも、今後も Google Cloud と連携しながら、独自の技術開発を続けていきたいと考えています。」

^{※1 Akiba, Shing, Tang, Sun, Ha. Evolutionary optimization of model merging recipes. Nature Machine Intelligence 2025. https://doi.org/10.1038/s42256-024-00975-8}

^{※2 Xu, Sun, Schwendeman, Nielsen, Cetin, Tang. TRINITY: An Evolved LLM Coordinator. ICLR 2026. https://arxiv.org/abs/2512.04695. Nielsen, Cetin, Schwendeman, Sun, Xu, Tang. Learning to Orchestrate Agents in Natural Language with the Conductor. ICLR 2026. https://arxiv.org/abs/2512.04388}

Sakana AI株式会社
世界トップクラスの AI 研究者が集まり、2023 年 7 月に日本で設立。自然界の生物や進化の仕組みに着想を得た「進化的モデルマージ」を提唱。巨大な単一モデルに頼らない、効率的かつ省エネルギーな AI システムの研究・開発に強みを持つ。その独創的な理論とテクノロジーは注目を集め、世界の名だたる企業から出資を受ける。創業 1 年足らず、日本最速でユニコーン企業となった。

インタビュイー（写真左から）
・チーフサイエンティスト　Yujin Tang（ユージンタン）氏
・リサーチサイエンティスト　Qi Sun（チーサン）氏
・リサーチサイエンティスト　Stefan Nielsen（ステファンニールセン）氏

その他の導入事例はこちらをご覧ください。

Siemens が「象の切り分け」（細分化）により産業用ソフトウェア開発のエージェントワークフローを推進

Thu, 25 Jun 2026 02:00:00 +0000

※この投稿は米国時間 2026 年 6 月 17 日に、Google Cloud blog に投稿されたものの抄訳です。

Siemens のようなテクノロジー企業では、ソフトウェアは世界中の工場、エネルギー網、輸送ネットワークを結びつける、人体で言えば神経系のような役割を果たしています。

産業用 AI、産業用ソフトウェア、産業オートメーションのグローバルリーダーである Siemens には、工場やプロセスの自動化、エネルギーインフラストラクチャ、インテリジェントな輸送など、数十年にわたるドメインの専門知識の蓄積があります。これは、既製の AI ソリューションでは再現できないものです。しかし、イノベーションにあたってはレガシーコードが重い足かせとなっています。

10 年以上にわたって開発された数億行に及ぶコードベースを持つ Siemens は、標準的な AI ツールでは解決できない課題に直面していました。それは、このコードと、その上で実行されるアプリケーションを理解し、モダナイズすることです。産業グレードのソフトウェアの規模と複雑さには、根本的に異なるアプローチが必要です。既存のコーディングアシスタントには、複雑な多層構造の産業用コードベースをナビゲートするために必要なコンテキストの深さが欠けており、このギャップを埋める必要がありました。

この問題を解決するために、Siemens と Google Cloud は、ソフトウェア開発ライフサイクルを自動化する AI システムである Knowledge Fabricを作成しました。このエージェントは、Spanner Graph のナレッジグラフ、Google Agent Development Kit、Gemini API、Agent Platform、Gemini CLI、Anthropic Claude Code を使用して構築されました。既存のフロンティアをウェブベースのインターフェースに移行するパイロット版では、Knowledge Fabric によって実装作業が軽減され、エンジニアはシステムとの完全な互換性を維持しながら、顧客のイノベーションに集中できるようになりました。

「ソフトウェアエコシステム全体を、カスタムナレッジグラフを備えたインテリジェントなエージェントシステムに取り込むことで、開発者が開発時間を最適化できるよう支援するだけでなく、自律エージェントが過去を推論して未来を構築できるようにします。これにより、エンジニアは反復作業から解放され、より価値の高い問題解決に集中できるようになります」と、Siemens のプロダクトクリエーションエクセレンス担当シニアバイスプレジデントである Franz Menzl 氏は述べています。

課題: 産業用ソフトウェアの複雑さ

大規模な産業グレードのソフトウェアシステムのモダナイゼーションは、飛行機を飛行中に改修するようなものだとよく言われます。Siemens が直面した課題には次の 4 つの側面がありました。

規模: リポジトリは膨大で、標準的な大規模言語モデルのコンテキストウィンドウをはるかに超えています。
断片化: 重要な知識が、コード、Jira チケット、Confluence ページ、2000 年代初頭にスキャンされた PDF マニュアルに散在していました。
複雑さ: 特定のコード行が 10 年前の機能要件定義書のどこに該当するのか追跡することは、手作業や従来のツールでは効率的に対処できない課題となっていました。これは業界全体が共通して抱えている現実です。
責任: システムは、多くの場合 15～20 年以上にわたる運用期間にわたって、厳格な品質、コンプライアンス、ライフサイクルの要件を遵守する必要があります。そのため、AI によって生成された出力は、説明可能で、追跡可能で、検証可能でなければなりません。ハルシネーションや検証されていない変更は、非効率的であるだけでなく、運用上も許容できません。

「標準の RAG（検索拡張生成）では不十分であることがわかりました。コードは単なるテキストではなく、固有の構造を持っています。クラスはファイルに属し、ファイルはモジュールに属します。これをベクトルデータベースにフラット化すると、コードベースの要素間の関係性の表現が失われてしまいます」と、Google Cloud のテクニカルリードである Agata Gołębiowska は言います。

解決策: ドメインを認識する Knowledge Fabric

この広大なソフトウェア環境を AI 主導のワークフローでナビゲートできるようにするため、チームは Knowledge Fabric エージェントを構築しました。このエージェントは、キーワードの一致だけでなく、アセット間の関係を「理解」します。

Spanner Graph を使用してコードベースの固有の構造をモデル化し、あらゆる形式のドキュメントに対しても同様に厳密なアプローチを適用しています。これらのドメイン間の接続をマッピングすることで、特定のコードスニペットを設計ドキュメントの要件に直接関連付けることができます。次にエージェントは、ツールを使用して Graph Query Language（GQL）で構造をクエリし、このグラフを走査します。

しかし、GQL はその一部にすぎません。セマンティックな理解を可能にするために、Spanner の近似最近傍（ANN）アルゴリズムを使用してすべてのノードのエンベディングを生成し、コードベース全体で効率的なベクトル検索を実行します。最後に、エージェントに全文検索機能を提供します。この機能は GQL と組み合わせて、ノードとエッジを正確に特定できます。

これら 3 つの方法を組み合わせることで、LLM エージェントは「Axis Control Panel のロジックを変更した場合、どの関数を更新する必要がありますか？」といった複雑なクエリに回答できます。システムは、キーワードと意味的類似性を考慮してグラフを走査し、依存関係を特定して関連ドキュメントを取得し、正確な影響分析を提示します。

この正確なコンテキストにより、コーディングエージェントは有効で、使用可能で、保守可能な実装を生成できます。

「象の切り分け」: エージェントワークフロー

このプロジェクトから得られた重要な知見は、AI エージェントは大規模で曖昧なタスクを苦手としているということです。成功を収めるために、チームは「象の切り分け」という設計パターンを採用しました。

このシステムは、「このモジュールをリファクタリングする」のような広範なリクエストを、より管理しやすい小さなタスクに分割します。各タスクは、Google Agent Development Kit（ADK）で構築された専門のエージェントによって処理されます。

検索エージェント: 詳細な調査のスペシャリストとして機能します。ツールを使用してコードグラフを探索し、エージェント検索でドキュメントと調査結果を相互参照します。
ユーザーストーリーエージェント: プロダクトオーナーにインタビューして要件を収集し、既存のシステムコンテキストにリンクされた受け入れ基準を含む詳細なユーザーストーリーの下書きを作成します。
アーキテクチャの影響エージェント: グラフに対して提案された変更を分析し、コード行の記述を開始する前に副作用を予測します。
タスク分解エージェント: アーキテクチャの影響エージェントからの分析結果を使用し、作業を管理しやすい小さなタスクに分解します。各タスクには、特定の変更に関連するすべてのコンテキストが含まれます。
コーディングエージェント: 特定のタスクで説明されている変更を実装します。コンテキストや事前分析なしにこのステップに進んでも、実用可能なコードは生成されません。

このシステムでは、すべてのステップで人間が関与するため、本番環境レベルの信頼性の高い成果が保証され、エンジニアはルーチン的な実装作業から解放され、有意義な作業に集中できます。

Siemens のプロジェクトリードである Alexander Lomakin 氏は次のように述べています。「象の切り分け、つまり、複雑なリファクタリングジョブを、エージェントが主導する小さなタスクに分割することで、生産性が大幅に向上しました。AI の複雑な構造をナビゲートするために必要なロードマップを与えたということです。」

パイロット運用の結果: エンジニアリングの迅速化と効率化を実現

デベロッパーはほぼ即座にその成果を確認できました。

新機能の依存関係を分析するには、以前はシニアエンジニアが数日かけてコードベースと従来のドキュメントを調べる必要がありました。Knowledge Fabric を使用すると、同じ作業にかかる時間が大幅に短縮されます。

最近の試験運用では、従来のコントロールパネルを最新のウェブベースのインターフェースに移行する際に、Knowledge Fabric によってシステムの完全性と産業品質基準を維持しながら、コーディング作業全体が削減されました。

エンジニアは、反復作業に費やす時間を減らし、顧客価値の創出により多くの時間を費やせるようになりました。

使ってみる

Knowledge Fabric は、生成 AI がボイラープレートコードの作成だけでなく、ビジネスが最も依存するレガシーシステムのモダナイゼーションにも役立つことを示しています。

グラフベースのエージェントを構築してレガシーをモダナイズする方法の詳細については、以下をご覧ください。

Spanner Graph について読む。
Agent Platform を確認し、Agent Garden で事前構築済みの本番環境グレードのエージェントを見つける。
Agent Development Kit を確認する。
Siemens が産業用 AI をどのように推進しているか詳細を確認する。

- Google、グループプロダクトマネージャー兼 AI エンジニア、Anant Nawalgaria

- Google、スタッフソフトウェアエンジニア、Tomasz Świtoń

グラフ技術を活用した信頼できるエージェントプラットフォームの構築: Yahoo の事例

Wed, 24 Jun 2026 01:00:00 +0000

※この投稿は米国時間 2026 年 6 月 16 日に、Google Cloud blog に投稿されたものの抄訳です。

エージェント型 AI を導入する企業にとって必要なのは、事後対応型のインテリジェンスシステムから、プロアクティブなアクションシステムへの転換です。これは、必要とされるコンテキストとパフォーマンスを備えたエージェントを構築するとともに、すべての意思決定について説明と監査が可能な、規制当局の要求に対応できるレベルの説明責任を担保するためです。

Google Cloud Next ‘26 では、Agentic Data Cloud でアクションシステムを実現する方法について解説しましたが、まさにこのビジョンの好例となるのが Yahoo のデジタルメディア購入プラットフォームです。Yahoo は Google Cloud と提携し、Google データクラウドのグラフ技術を活用して、Seller Agent デジタルメディア購入プラットフォームを構築しました。Seller Agent は、数週間かかる手動プロセスをわずか数秒に凝縮して、完全に管理されたライブキャンペーンを実行できます。自律システムが厳格な説明責任を維持しながら驚異的なスピードで動作できることを証明するこのシステムは、さまざまな業界で活用できる強力なブループリントとなります。

「Yahoo! の使命は、デジタルの世界を案内する、信頼されるガイドになることです。Google Cloud とのパートナーシップを通して迅速性、透明性、効果、信頼性を確保したエージェント型メディア購入を実現することで、私たちは広告主様に対してもこの約束を果たしていきます。」- Yahoo、収益化責任者、Gabriel DeWitt 氏

このブログでは、エージェント型 AI への移行について詳しく説明し、Yahoo の Seller Agent アーキテクチャがメディア購入におけるスピードと信頼性の課題をいかに解決しているかを検証します。また、このグラフベースのパターンを応用して、皆様の組織で信頼できるアクションシステムを構築する方法もご紹介します。

ケーススタディ: エージェント型メディア購入

長年にわたり、プレミアムデジタル広告キャンペーンのような複雑で価値の高いワークフローでは、人手を介した数週間にわたる引き継ぎ、断片化したスプレッドシート、そして手動の分析が必要とされてきました。Yahoo は、エージェント型 AI を使えば、このタイムラインを劇的に短縮し、わずか数秒でキャンペーンを計画して実行できる可能性があることに着目しました。「手動から自律的な実行へ」というこの飛躍は、運用効率を大幅に改善し、投入した予算をより確実に測定可能な成果へと結びつける大きなチャンスでした。

しかし、リスクの高いワークフローに LLM をただ組み込むだけでは問題は解決しません。もし、リアルタイムの広告在庫や、価格設定ルール、ビジネス上の制約を決定論的に理解できていないエージェントが契約や広告掲載の交渉を行えば、ハルシネーションが生じやすくなり、甚大な損失を招く取引となるおそれがあるからです。信頼できるエージェントプラットフォームには、統計的な推測ではなく、確固たる事実に基づいて行動するためのリアルタイムかつ決定版の情報源が不可欠です。

しかも、「スピード」と「事実へのグラウンディング」は必要とされる条件の半分にすぎません。AI エージェントが実際の予算を動かし始めた瞬間、その動作は規制当局の厳しい監視の対象となります。そして規制当局は、特定の決定がなぜ行われ、どのポリシーが適用されたのかについて即座に説明できることを求めてきます。事後にシステムログをさかのぼって調べるような手法は、自律的な実行を管理する手段としては不適切です。実用できるレベルのアクションシステムには、後付けではなくワークフローに直接組み込まれた、規制当局の要求に対応可能なガバナンスと監査可能性が必要です。

信頼できるアクションシステムのアーキテクチャ

Yahoo! の使命は、デジタル世界を案内する、信頼できるガイドになることです。エージェント型メディア購入は、予算を Yahoo に託し、真の説明責任が果たされることを期待する広告主、代理店、パブリッシャー、そして規制当局に対しても、その約束を広げていくものです。課題は、説明可能、管理可能、監査可能な方法でキャンペーンの実施を自動化することでした。

この課題に対処するため、Yahoo は Google Cloud で実行されるマルチエージェントシステムとして Seller Agent を構築しました。バイヤーのリクエストは、Google Kubernetes Engine（GKE）で実行され、Google の Agent Development Kit（ADK）でオーケストレーションされる計画スーパーバイザーエージェントを介して入力されます。スーパーバイザーは、在庫の検出、オーディエンスのマッチング、予測、価格分析、パッケージの推奨、ガバナンスのレビュー、実行など、各リクエストを専門的なタスクに分解します。エージェントは、オープンな Agent2Agent（A2A）プロトコルを介して連携します。一方、Gemini Enterprise Agent Platform は、エンベディング、予測、グラフ学習のためのモデルをホストします。

しかし真のブレークスルーは、自律的な実行における迅速性と完全な透明性を両立させている「デュアルグラフ基盤」のプラットフォームです。このプラットフォームは、行動に最適化されたナレッジグラフと、記憶と学習を担うコンテキストグラフという、意図的に役割を分離した 2 つの特殊なグラフシステムによって支えられています。

ナレッジグラフ: エージェントをビジネスの実態にグラウンディング

Spanner Graph を活用した Yahoo のナレッジグラフは、収益化ビジネスの各要素を相互に関連付けられた運用モデルとして表すことで、エージェントのあらゆる意思決定をビジネスの実態にグラウンディングします。広告サービス、プレースメント、オーディエンスセグメント、広告枠、契約、ガバナンス管理は、それぞれファーストクラスエンティティとして、その相互関係とともにモデル化されます。重要なのは、ポリシーをアプリケーションロジックに埋め込むのではなく、バージョン管理された関係としてグラフ内に直接組み込んでいることです。この設計により、商品、契約上の義務、同意に関する要件、規制上の制約を、単一の統合されたグラフ操作でまとめて評価することが可能になっています。

グラフは、エージェントプラットフォーム全体でセマンティックコントラクトとして機能します。キャンペーンの評価中、エージェントは 1 つのクエリプラン内で、バイヤーの初期要件から対象となるオーディエンスや管理ポリシーまでを横断的に参照できます。Gemini Enterprise Agent Platform のエンベディングは、セマンティック類似性によってこれらのエンティティの情報を拡充し、グラフニューラルネットワークは推論された関係を提供します。これにより、エージェントは単に利用可能な広告枠を取得するだけでなく、広告枠選定の根拠を正確に把握したうえで、あらゆるガバナンス上の制約を確実に遵守できるようになります。

Yahoo のナレッジグラフオントロジー（IAB AdCOM などの業界標準に準拠）

コンテキストグラフ: 監査可能なメモリの作成

エージェント規模での実行が安全なのは、完全な透明性が確保されている場合のみです。その透明性を確保することが、コンテキストグラフの核となる役割です。Seller Agent がアクションを実行するたび、その正確な実行プロセスが BigQuery Agent Analytics プラグインによってキャプチャされます。システムは、未加工のイベントをログに記録するだけでなく、Yahoo の意思決定トレースオントロジーを活用した BigQuery Agent Analytics SDK を使用して、このエビデンスから型付きのクエリ可能なコンテキストグラフを作成し、BigQuery Graph に格納します。

その結果、すべての意思決定ポイント、候補パッケージ、ポリシー評価、スペシャリストエージェントへの委任、実行結果を相互に関連付けた、エビデンスのグラフが出来上がります。このトレースは型付きグラフとして構造化されているため、エージェントの意思決定プロセスを簡単なクエリによって説明することができます。監査人は、元のキャンペーンの概要、割り当てられたすべてのスコア、適用されたポリシーなどの意思決定までのプロセスを即座にトレースできます。これにより、自律的な動作が「不透明なプロセス」から「完全に透明で継続的に改善される意思決定記録」に変わり、絶対的な説明責任を確保するのに役立ちます。

Yahoo のコンテキストグラフオントロジー

人間ができる範囲からエージェントならではの規模へ

このアーキテクチャが実際にどのように機能するのか、具体例として広告キャンペーンの実施を考えてみましょう。従来は計画、販売、運用、コンプライアンスの各部門で数週間を要していた調整作業を、2 つのプロセスを同時進行させることで数秒で完了できるようになっています。

ナレッジグラフに基づくアクションの実行: このパイプラインでは、バイヤーのリクエストからナレッジグラフに基づくキャンペーンの公開まで、直線的に予算を動かしていきます。このプロセスは、以下の 4 つのステップで構成されます。

キャンペーンの概要の送信: バイヤーエージェントは、対象オーディエンス、予算、地域、ビジネス目標を記述したキャンペーン概要を Ad Context Protocol（AdCP）を介して送信します。
ナレッジの検索: Seller Agent は、ナレッジグラフに対してクエリを実行し、関連する広告枠、オーディエンス、契約上の利用可能性、過去のパフォーマンス、管理ポリシーを特定します。
評価とスコアリング: エージェントはこれらの要素を総合的に評価して、メディア購入候補のパッケージを組み立てます。予測モデルが各機会をスコアリングする一方で、ガバナンスエージェントが同意、ブランド保護、規制上の制約を個別に確認します。
承認と実行: パッケージは、ポリシーのしきい値に基づいて自動的に承認されるか、人間による審査のためにエスカレーションされます。承認されるとメディア購入が実行され、配信が開始されます。

コンテキストグラフを使用した監査と学習。実行パイプラインが進行する一方で、この並列ループはシステムの推論プロセスをコンテキストグラフに継続的に記録します。これにより、透明性が確保され、将来のサイクルの改善が可能になります。この監査と学習プロセスには、次の機能があります。

継続的なキャプチャ: 検討されたすべての候補、割り当てられたスコア、適用されたポリシー、ガバナンスの意思決定は、紐付けられた記録としてコンテキストグラフ内で元のキャンペーンセッションにリンクされます。
クローズドループ学習: 配信、アトリビューション、成果のシグナルが届くと、それらが生成元の意思決定に紐付けられ、将来の推奨事項を改善するためのトレーニングデータが作成されます。
即時の説明可能性: 広告主が特定のパッケージが選択された理由や、成果に影響を及ぼしたポリシーについて質問すると、回答がコンテキストグラフに保存され、1 回のクエリでアクセスできます。

これにより、ナレッジ、意思決定、ガバナンス、測定、学習が連携して機能するプラットフォームが実現し、自律的なメディア購入の説明可能性と監査可能性を確保しつつ、継続的な改善を図ることが可能になります。

あらゆる業種に適用できる設計

単なるアドバイザーとしての AI の時代は終わりを迎えつつあります。企業がいま求めているのは、複雑な複数ステップのワークフローを実行できる自律型エージェント、つまり「アクションシステム」です。しかし、規制の厳しい業界では、意思決定の根拠を証明できない場合、AI がもたらすスピードがむしろリスクに変わってしまいます。自律的な実行の主な障壁となるのは、もはやインテリジェンスではなく、信頼性です。

Yahoo と Google Cloud が構築したアーキテクチャは、この問題を解決できる、幅広く適用可能なブループリントを提供します。デジタルメディアの購入におけるボトルネックを解消するために設計されたものではありますが、その基盤となるパターンは、金融取引からサプライチェーンのロジスティクスまで、リスクの高い意思決定を管理するあらゆる業界に適用可能です。エージェントならではのスピードで運用しながら、人間による監督を維持していくために、企業は以下のような新しいアーキテクチャのベースラインを採用する必要があります。

ビジネスの実態に基づく意思決定: 確率モデルだけでエージェントを運用することはできません。ビジネスロジック、有効な契約、コンプライアンスルールを決定論的にマッピングするナレッジグラフによって、エージェントをグラウンディングする必要があります。
監査可能なメモリの構築: 追跡できないものを管理することはできません。エージェントのすべてのアクションをコンテキストグラフに記録し、クエリ可能な不変のレコードを作成して、意思決定の理由や却下された代替案を正確に把握できるようにする必要があります。
オープンな相互運用性の重視: 信頼には透明性が不可欠です。オープンプロトコルと来歴標準を基盤とすることで、エージェントの動作に関する、業界共通の監査可能な枠組みを確立できます。

基盤モデルがコモディティ化するにつれ、企業の競争優位性は変化してきています。長期的に優位性を守る鍵となるのは、デプロイする言語モデルではなく、自社独自のビジネスオペレーショングラフと、統制された履歴データです。同様に、エンタープライズ AI の未来は、単に動作できるシステムではなく、その動作を説明、管理し、責任を負うことができるシステムにあります。

使ってみる

信頼できるアクションシステムを構築する準備はできましたか？まず、Spanner Graph を使用して、エージェントワークフローをビジネスの実態にグラウンディングしましょう。次に、BigQuery Graph を使用して監査可能なメモリを構築すれば、クローズドループ学習と、規制当局の要求に応じられるレベルの説明可能性を実現できます。BigQuery Agent Analytics プラグインと SDK を使用して、これらの運用トレースのキャプチャと分析を今すぐ開始できます。最後に、Ad Context Protocol を確認して、Yahoo のエージェントプラットフォームを支えるオープンコミュニケーション標準をぜひ理解しておきましょう。

- Yahoo、エンジニアリング担当ディレクター、Mikul Bhatt 氏

- Google Cloud、シニアスタッフソフトウェアエンジニア、Bei Li

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

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

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

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

利用しているソリューション:
生成 AI

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

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

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

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

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

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

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

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

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

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

PoV の成功を踏まえて、500 ライセンスを全社員に一斉に展開

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

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

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

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

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

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

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

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

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

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

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

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

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

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

その他の導入事例はこちらをご覧ください。

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

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

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

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

大規模で高度なレビューインテリジェンスを実現

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

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

オープンモデルをファインチューニングする理由

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

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

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

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

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

システムアーキテクチャ

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

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

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

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

パフォーマンスチューニング

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

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

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

課題

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

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

結果

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

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

- Google、フォワードデプロイドエンジニア、Dario Banfi

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

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

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

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

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

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

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

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

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

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

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

成果を上げるためのカリキュラム

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

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

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

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

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

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

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

MENA-T の成長に向けた Google の取り組み

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

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

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

Urban Outfitters、Sterling OMS を AlloyDB for PostgreSQL に移行して大幅な費用削減を実現

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

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

編集者注: Urban Outfitters, Inc.（URBN）は最近、大規模なインフラストラクチャのアップグレードを完了し、既存の IBM Sterling Order Management System（Sterling OMS）の Oracle データベースを Google Cloud の AlloyDB for PostgreSQL に移行しました。Google Cloud と IBM のパートナーシップの拡大を証明するこの戦略的な取り組みは、URBN に大きなメリットをもたらし、効率向上と費用削減を実現したほか、将来を見据えたテクノロジー環境の構築への道を開きました。この成功事例は、企業が AlloyDB for PostgreSQL を活用してデータベースをモダナイズし、新たなレベルのパフォーマンスとスケーラビリティを実現する方法を示しています。

変化の速い小売業界において、注文管理はシームレスなカスタマーエクスペリエンスの基盤となります。Urban Outfitters, Inc.（URBN）は、IBM Sterling Order Management System（Sterling OMS）を同社のグローバルな e コマース事業の中心に据え、注文の受付から、リアルタイムの在庫追跡、納品の最適化、購入後のロジスティクスに至るまで、あらゆる業務をオーケストレートしていました。このシステムは、店舗、倉庫、デジタルチャネルのグローバルネットワーク全体で数百万件のトランザクションを効率的に処理でき、迅速で正確かつ柔軟に注文を処理するという顧客の期待に応えられるものでした。

しかし、この重要なシステムの基盤である 11 TB もの巨大な Oracle データベースが、次第にボトルネックになりつつありました。また、高額なライセンス費用や保守費用、増大する運用上の複雑さ、独自技術による制約が、スケーラビリティと長期的なイノベーションにとって重大な課題となっていました。そのため、Sterling OMS の高可用性、パフォーマンス、トランザクションの整合性を維持するために、以下のような要件を満たす最新のデータベースソリューションが必要になりました。

総所有コスト（TCO）の削減: 信頼性を維持しながら、ライセンス費用、運用上のオーバーヘッド、インフラストラクチャ費用を削減する。
ビジネス継続性の確保: 高可用性、迅速なフェイルオーバー、障害復旧をサポートし、注文処理や顧客取引の中断を防ぐ。
オープンスタンダードの採用: 独自技術から移行し、オープンで柔軟性があり、将来を見据えたソリューションを採用する。
同等の機能の維持: Sterling OMS の機能を損なうことなくシームレスな移行を実現し、すべてのミッションクリティカルな機能をそのまま維持する。

URBN のような小売企業においては、注文管理のわずかな不具合でさえ、財務面や運用面に重大な影響を及ぼす可能性があります。取引の失敗、在庫の予測ミス、納品の遅延は、顧客満足度、ブランドの評判、収益に直接影響します。Sterling OMS はミッションクリティカルなシステムであるため、URBN は技術的に堅牢かつ正確な移行アプローチを必要としていました。そのため、ダウンタイム、データ損失、パフォーマンス低下をほぼゼロに抑えた移行が求められました。

ソリューション: AlloyDB for PostgreSQL

この複雑な移行の成否は、URBN、IBM、Google Cloud による緊密かつ継続的なコラボレーションにかかっていました。このパートナーシップにより、業界をリードする専門知識と最先端の技術が結集し、各チームが全フェーズを通じて綿密に連携して取り組みました。URBN の技術スタッフと IBM と Google Cloud の専任エンジニアが直接連携することで、各チームは大規模なデータベースの移行を綿密に計画し、最適化できました。

このプロジェクトの成功は、以下のような重要な柱によって支えられました。

ファーストティアデータベースの認識と機能開発: IBM と Google Cloud のエンジニアリングチームが協力して、Sterling OMS で AlloyDB for PostgreSQL をファーストティアデータベースとして完全に認識し、サポートできるようにしました。
2 つの読み取りレプリカによるエンタープライズグレードの信頼性: パフォーマンスを向上させ、高可用性とスケーラビリティを実現するために、AlloyDB のデプロイアーキテクチャには 2 つの読み取りレプリカが含まれています。これにより、レポート作成や分析のためのデータへの低レイテンシアクセスが可能になり、Sterling OMS アプリケーション全体のオペレーショナルレジリエンスが向上します。
広範なパフォーマンスチューニング: Google Cloud の専任のパフォーマンスエンジニアリングチームが、URBN と IBM のエキスパートと協力して、データベースクエリの微調整と構成の最適化を行いました。このような継続的かつ高品質なサポートにより、AlloyDB は以前の Oracle データベースのパフォーマンスベンチマークを達成しただけでなく、それを上回る成果を上げることができました。この作業は、AlloyDB 上で Sterling OMS の膨大なトランザクション量を処理する、URBN のような非常に大規模な小売業者にとって不可欠です。
厳格な切り替えテストとリスク軽減: Google Cloud と IBM のチームは、厳格かつ反復的な切り替えテスト戦略で URBN を支援しました。この戦略には、Sterling OMS システムで AlloyDB を丸 1 日稼働させてから Oracle データベースに戻すという作業が含まれていました。このプロアクティブなテストにより、URBN のチームは制御された環境下で潜在的な問題を特定、解決でき、リスクを大幅に軽減するとともに、移行後のシステムに対する信頼性を高めることができました。

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 0x7f4e9faae7f0>), ('btn_text', ''), ('href', ''), ('image', None)])]>

変革をもたらす転換

AlloyDB への移行により、URBN のデータ戦略は根本的に再構築されました。パフォーマンスや信頼性を損なうことなく、最適化されたストレージとコンピューティングアーキテクチャを通じて、より望ましい TCO を実現しています。さらに、PostgreSQL 互換データベースである AlloyDB への移行により、オープンソースエコシステムの柔軟性を手に入れました。この移行により、ベンダーロックインから解放されるだけでなく、活気のあるコミュニティやさまざまな最新ツールにアクセスできるようになり、長期的な技術的アジリティの確保につながりました。

この移行によって、費用や柔軟性の面だけでなく、優れたパフォーマンスと拡張性が実現し、URBN のミッションクリティカルな業務をサポートできるようになりました。また、最適化されたデータベースカーネルと高精度のクエリ調整を組み合わせることで、大幅な速度向上を実現し、Sterling Commerce システムの応答性を直接的に高めることができました。

成功への道筋: 計画とテスト

URBN が IBM Sterling OMS での AlloyDB への移行を成功させたこの事例は、ミッションクリティカルなインフラストラクチャをモダナイズし、AI の拡張に備えた将来性のある環境を構築しようとする組織にとってのブループリントとなります。組織をまたいだ緊密なパートナーシップと、段階的にリスクを軽減するアプローチの組み合わせは、極めて複雑なミッションクリティカルな移行でさえも実現できることを証明しています。

モダナイゼーションの課題に直面している企業にとって、URBN の事例は成功への明確なロードマップとなります。AlloyDB 上でシステムを実行し、元の環境に戻すという反復的な切り替えテストの実施は、本番稼働に必要な信頼を築くための「秘訣」でした。このレベルの厳格なテストを優先することで、企業はよりアジリティと効率性に優れ、イノベーションに満ちた未来へと進むことができます。

その他の情報

AlloyDB が PostgreSQL の優れた機能と Google Cloud の強みを組み合わせている方法を紹介している最新の電子書籍。
AlloyDB を 30 日間無料で試せる AlloyDB の無料トライアルクラスタ。
AlloyDB for PostgreSQL の詳細。

- Urban Outfitters、CIO、Rob Frieman 氏

- Google Cloud、プロダクト管理、データベース担当バイスプレジデント、Raj Pai

Google Cloud AI を活用して、未知なる偉大な創造に挑むスタートアップ

Wed, 27 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。

ラスベガスから未来へ、今週、新しい扉が開かれます。世界をリードするスタートアップが Google Cloud Next で一堂に会し、画期的な AI の取り組みを紹介します。最高水準の AI モデル、極めて負荷の高いワークロードにも対応するインフラストラクチャ、インテリジェントなマルチモデルデータベース、安心と成長のためのセキュリティおよびデジタル主権ソリューション、これらのいずれかを、あるいはすべてを必要とする、あらゆる規模、あらゆる業界のスタートアップが、Google Cloud を選択しています。

活用事例は枚挙に暇がありませんが、ほんの一例を挙げると、人気ソフトウェア作成プラットフォーム Lovable では、Google Cloud インフラストラクチャが利用され、現在 Lovable で作成されているプロジェクトは 1 日 20 万件を超えています。また、米国の医師に広く利用されている医療 AI プラットフォーム OpenEvidence は、Google AI ツールを使用してエビデンスに基づく回答を医療現場で提供しています。同社は最近、Wiley および Mount Sinai との大規模なパートナーシップを発表し、信頼できる医学研究とその AI アシスタントへのアクセスを拡大しました。

今回の Google Cloud Next では、Google Cloud を使用して新たに取り組みを開始した、または取り組みを拡大している、さらに多くのスタートアップをご紹介しました。バイブコーディング、モデルのトレーニングと推論、ヘルスケアとライフサイエンス、画像生成、金融サービス、ゲームなど、さまざまな分野をリードするスタートアップが盛り沢山です。さらに、Google Cloud の AI Hypercomputer を通じて GPU ベースの AI コンピューティングを利用し始めた新しいスタートアップグループもご紹介します。これは、Google と NVIDIA の緊密な技術パートナーシップが生み出した潮流であり、躍進が期待される分野です。

Google Cloud は常に AI スタック全体をスタートアップに統合環境で提供し、ビジネスがすぐにトップスピードに乗れるよう力強く後押ししてまいりました。Next ‘26 で発表する新サービスにより、スタートアップの選択肢と機会は一層広がるばかりです。

たとえば、Gemini Enterprise エージェントプラットフォームによる複雑なエージェントの迅速な構築、推論とトレーニングのための 2 つの差別化された TPU サービスによるコンピューティングニーズの最適化、次世代のクロスクラウドレイクハウスによるデータフリクションの削減、Wiz AI エージェントと Google 規模の脅威インテリジェンスによる総合的なガバナンスの向上など、進歩を支えるさまざまな取り組みが目白押しです。また、Marketplace と Gemini Enterprise のインテグレーションにより、AI ソリューションを企業ユーザーに直接販売できる仕組みも整っています。

多岐にわたるスタートアップのイノベーションをサポート

AI が仕事や生活のあらゆる側面をいかに劇的に変革しているかについて疑問をお持ちの方は、Google を利用しているスタートアップが市場にもたらしているイノベーションをご覧になればすぐにご理解いただけるはずです。

コーディングおよびデベロッパー用ツール

Emergent AI は、Google Kubernetes Engine（GKE）をコアインフラストラクチャとして使用し、オンデマンドの隔離された開発サンドボックスを何千件もオーケストレートすることで、バイブコーディングをサポートします。自動スケーリングに GKE Autopilot を活用し、コード生成に Gemini モデルを活用して、自然言語のプロンプトをプロダクションレディなライブアプリケーションに変換し、即座にプレビュー可能にするプラットフォームです。
Lovable は Google Cloud との連携を拡大し、新しいコーディングエージェントをリリースしました。このエージェントは、Google Cloud Marketplace と Gemini Enterprise から購入できます。
Parallel は、AI エージェントに特化した高精度のウェブ検索と調査のための API を構築しています。Gemini、BigQuery、BigTable、Spanner などの Google Cloud プロダクトを活用することで、2025 年 8 月のサービス開始以来、プラットフォームの構築、リリース、大規模なスケーリングを実現しています。
Temporal は Google Cloud と提携し、独自の Application Development Kit（ADK）インテグレーションを構築しています。これは、強力な実行保証、稼働時間、監査可能性、運用上のレジリエンスを必要とするミッションクリティカルなユースケースにエージェントシステムのデプロイを可能にするものです。

顧客エンゲージメント

Satisfi Labs は、行楽地や体験に関する顧客エンゲージメントを変革するために設計されたエージェント型 AI プラットフォームで、スポーツ、エンターテイメント、観光業界にまたがる 800 社の顧客にサービスを提供しています。Google Cloud エコシステム上に構築され、Gemini、BigQuery、AlloyDB、Datastream などのテクノロジーを活用して、インテリジェントなインタラクション、スケーラブルなデータ処理、リアルタイムのインサイトを実現しています。
Vapi は、会話型音声 AI を作成するデベロッパー向けのプラットフォームです。インテリジェンスコアとして Gemini を活用することで、コンピューティングの費用対効果を最大化しながら、驚異的なスケールでプレミアムな音声体験を生み出せます。
Vurvey Labs は、Gemini Enterprise Agent Platform を活用してエージェント集団の仮想世界を構築し、人間の行動と将来のニーズを予測しています。
ZenBusiness は、Gemini Enterprise Agent Platform を利用し、ビジネスの設立支援、コンプライアンス、ウェブサイト開設のための AI アシスタント「Velo」のリリースなどを通じて企業運営を簡素化しています。

ドキュメントインテリジェンス

Reducto は、Gemini Enterprise Agent Platform と AI Studio をコアモデルとともに活用して、リスクの高いワークフローを自動化し、本番環境の AI パイプラインを大規模に強化しています。

FinOps

Mavvrik は、Gemini と BigQuery を活用した FinOps プラットフォームです。統合された費用管理プラットフォームで、FinOps、IT、財務のリーダーによるパブリッククラウド、プライベートクラウド、AI ワークロード、SaaS アプリケーションにまたがる支出の管理、可視化、割り当ての自動化を支援しています。

生成メディア

ComfyUI は、Nano Banana Pro を統合することで、複雑なノードベースの生成メディア制作を合理化し、プロビジョンドスループットを使用してカスタマーエクスペリエンスの一貫性を向上させています。
Gamma は、Nano Banana 2 を活用し、ローカライズされたビジュアルを瞬時に生成してアイデアを数秒で共有可能なコンテンツに変換するツールです。7,000 万人以上のユーザーが、プレゼンテーション、ドキュメント、ウェブサイト、ソーシャル投稿の作成に使用しています。

業種特化型 AI

Chorus は、Alphabet のイノベーション部門である X から分離独立した企業で、さまざまな業界で物的資産の製造、移動、管理方法を変革する AI オーケストレーションツールを構築しています。Gemini Enterprise Agent Platform、高度な ML、独自のアルゴリズムを活用して、物的資産ごとのきめ細かな可視性、温度データ分析インテリジェンス、ミッションクリティカルなサプライチェーン全体にわたる動的な配送予測を提供しています。
ExaCare AI は、救急治療回復期ケア業務向けの AI プラットフォームです。Gemini Enterprise Agent Platform と Gemini を推論に使用し、入院から清算までのワークフロー全体で臨床データと運用データを処理します。
Industrility は、機械メーカー向けの AI 搭載アフターセールスプラットフォームです。Google Gemini の高度な言語モデルを基盤としてメンテナンスインテリジェンスエンジンが構築され、重要なメンテナンスタスクを抽出することで従来 2 か月かかっていた手動プロジェクトを 3 時間に短縮しています。
Insilica は、Gemini Enterprise Agent Platform を使用して、数百万件の毒性規制文書と数千件のデータベースを処理し、統合されたエージェント型リスク評価プラットフォームを編成しています。
Proximal Health は、DocAI を利用して保険金請求の審査プロセスを自動化しています。
Stord は、オムニチャネルの小売業向けのフルフィルメントサポートとソフトウェアを提供しています。Gemini Enterprise Agent Platform を活用して、商品取引総額年 100 億ドル以上の実データに基づき、数百万件の注文において配達日を予測し、需要計画を最適化する ML モデルを構築しています。
Stylitics は、Gemini Enterprise Agent Platform を使用して、世界トップクラスの小売業向けに 1,000 以上の AI プログラムをサポートし、AI による画像生成やコーディネートとスタイリング、AI 分析などを提供しています。
Wand は Gemini Enterprise Agent Platform を使用して、同社のシングルプレーヤー PC ゲームプラットフォームに組み込まれたコンテキスト対応型コンパニオン Game Guide を運用しています。Game Guide は、プレーヤーが行き詰ることのないよう導いたり、隠しコンテンツの発見を手伝ったりして、ゲームウィンドウを離れずに没頭し続けられるようプレーヤーをサポートします。

生産性向上

Notion は、生産性向上ツールへの AI 統合の最先端スタートアップであり、テキストと画像の生成機能に Gemini モデルを活用しています。

サステナビリティ

Watershed は、エンタープライズ気候プラットフォームで業界をリードするスタートアップです。Google Cloud を活用してサステナビリティデータを実用的な気候インテリジェンスに変換し、脱炭素化をグローバルに加速させ、組織が前例のない規模で測定結果を行動につなげられるよう支援しています。

NVIDIA AI インフラストラクチャによるモデルのトレーニングと推論のサポート

世界で最も革新的なスタートアップが NVIDIA の最先端 GPU を搭載したコンピューティングへのアクセスを必要とする場合、現在その多くは Google Cloud に依存しています。Google と NVIDIA との長年にわたるパートナーシップにより、スタートアップは Google Cloud を利用することで、AI モデルのトレーニングと実装、ファインチューニングのサポート、新しいエージェントワークロードのスケーリングが行えます。

今回の Google Cloud Next では、このようなスタートアップの成功事例を紹介し、さらに NVIDIA AI インフラストラクチャと Google Cloud の AI スタックの利用を選択した新しいスタートアップとのパートナーシップについても発表いたしました。

新規および拡大中のパートナーには、以下のスタートアップが含まれます。

Thinking Machines Labs は、Google Cloud を通じて最新の NVIDIA Blackwell チップを利用する予定です。これにより、GB300 を利用する最初の Google Cloud ユーザーの 1 社となります。Thinking Machines は初期テストにおいて、GB でのトレーニングとサービングの速度が前世代のチップと比較して 2 倍に向上したことを確認しています。
GMI Cloud は、Google Cloud の GPU インフラストラクチャを活用し、推論に最適化されたプラットフォームを運用して、テキスト、画像、動画にわたる GMI Studio のワークフローと大規模なモデル提供を実現しています。本番環境グレードのリアルタイム AI アプリケーションへの需要が高まる中、高使用率をサポートする Google Cloud の GPU インフラストラクチャが注目されています。
Inferact は、データセンターハードウェア上のオープンソース LLM 向けに、高性能で使いやすい推論エンジン vLLM を開発しています。これには、Google Cloud 上の NVIDIA GB200 のクラスタや、Managed Lustre や Cloud Filestore などのサービスが利用されています。
Neuraldefend は Google Cloud および NVIDIA と提携し、H100 および L4 GPU を使用してモデルトレーニングと本番環境の推論を行い、リアルタイムのディープフェイク検出エンジンとデジタルトラストソリューションを提供しています。
Nucleus AI は、Google Cloud を介して NVIDIA H100 GPU のクラスタをモデルトレーニングに利用しています。
Reflection は、Google Cloud を通じた G4 VM の使用や Google Cloud Storage などのサービスの利用を拡大し、オープンウェイトモデルのトレーニングと推論をサポートしています。
Reve は、Google Cloud 上の A3 Mega（NVIDIA H100 GPU）インスタンスと A3 Ultra（NVIDIA H200 GPU）インスタンスを使用して、高負荷マルチモーダル基盤モデルのトレーニングと推論を処理しています。また、GKE を使用して高パフォーマンストレーニングのニーズを管理しています。

多くのスタートアップは通常、NVIDIA の最新の Blackwell インフラストラクチャで実行される Google Cloud G4 VM を通じて NVIDIA の GPU にアクセスしています。さらに、今年中には NVIDIA の Vera Rubin アーキテクチャへのアクセスもスタートアップに提供する予定です。NVIDIA との緊密なパートナーシップにより、Google Cloud AI Hypercomputer は GPU ユーザー向けに高度に最適化されており、さまざまなユースケースで超低レイテンシ、高スループット、費用対効果に優れたパフォーマンスを実現できます。

この高度な最適化は、スタートアップが GPU を利用する手段として Google Cloud を選択する理由の一つです。また、Gemini Enterprise、Agent Builder、BigQuery、Google Kubernetes Engine など、高度に差別化された Google AI スタックのテクノロジーに簡単にアクセスできることも決め手となっています。

また、Google は今後も NVIDIA との緊密な連携を継続し、NVIDIA の Inception プログラムと Google for Startups クラウドプログラムを通じて、初期段階のスタートアップを AI コンピューティングとクラウドサービスでサポートしていきます。対象となるスタートアップには、以下の有望な企業が含まれます。

Aible は、長期稼働用エンタープライズ AI エージェントを構築しています。Google Cloud 上で GPU にアクセスすることで、Aible は Nemotron 3 や NemoClaw のエージェントを BigQuery 上で直接実行したり、インテリジェントウェアハウスのようなマルチエージェントブループリントをオーケストレートしたり、サーバーレスの RTX アクセラレーションによる推論を Cloud Run にデプロイしたりできます。
Baseten は、大規模言語モデルとビジョンモデル用のモデル提供を最適化するマネージド推論プラットフォームを提供しています。Google Cloud 上で GPU にアクセスすることで、Baseten は NVIDIA アクセラレーションによる推論をデプロイし、本番環境で生成 AI ワークロードを実行する顧客向けに 1 秒あたりのトークン数、1,000 リクエストあたりの費用、GPU 使用率を向上させています。
CodeRabbit は、Google Enterprise Agent Platform を介して Nemotron モデルでサポートされる、コードレビュー用の AI 主導ワークフローを構築し、低レイテンシの PR 要約、エンベディングを活用したコンテキスト拡充、スケーラブルな同時レビューパイプラインを実現しています。
Factory AI は、複雑なコードグラフを走査したり、依存関係を解決したり、実際の本番環境リポジトリに対して安全なパッチを生成したりできる自律型コード編集エージェントを開発しています。Factory AI が Gemini Enterprise Agent Platform の Nemotron モデルによって実現した、このエージェントは「Droids」と呼ばれ、Nemotron Super で稼働します。Droids は、セマンティックコード検索、grep や静的解析などのツール拡張型推論、大規模な複数ファイルのリファクタリング計画などを実行できます。
Mantis AI は、ラテンアメリカのメディアおよびエンターテイメント企業向けに、動画ネイティブのインテリジェンスレイヤを構築しています。NVIDIA の Inception プログラムと Google Cloud とのコラボレーションを通じ、Mantis AI は高スループットの推論パイプラインを運用し、ファインチューニングされたモデルバリエーションの厳密な評価と、NVIDIA NIM、Blueprints、ベクトル検索サービスの試験適用によって、放送局やライブ配信者が動画の分析から大規模なオーケストレーションに移行するのに役立つ本番環境対応のスタックを提供しています。
Photoroom は、商品画像を生成、編集する拡散ベースとトランスフォーマーベースのビジョンモデルを専門に扱っています。Photoroom は 1 分あたり 1,000 件以上の画像を処理し、4 倍速の TensorRT と xformers を使用して Stable Diffusion パイプラインの 100% 高速化を実現することで、Google Cloud で 50 万 GPU 時間以上を問題なく消費しています。

Gemini Enterprise でエージェントを直接販売

AI スタートアップにとって、企業の調達プロセスは成長のボトルネックとなることがよくあります。そこで、Google は Google Cloud Marketplace を Gemini Enterprise に統合することで、調達プロセスを加速するグローバルな場を設けました。

このたび、Next において、Marketplace でエージェントを提供する優秀なスタートアップ 70 社を発表しました。

これに加え、さらに多くのスタートアップがエージェントを構築して市場に投入できるよう、Google はパートナーのエージェント開発とマーケティングを支援する新しい 7 億 5,000 万ドルのファンドを立ち上げます。この新しいファンドについて詳しくは、こちらをご覧ください。

Gemini Startup Forum のご紹介

6 月には、シードからシリーズ A までのスタートアップの創業者を対象とした内容の濃い 2 日間の会合 Global Gemini Startup Forum を開催します。参加者は Google のリーダーやエンジニアと交流し、プロダクトの構築やスケーリングを体験しながら、Google の AI ポートフォリオを構成するさまざまなチームとフィードバックを共有します。プログラムの詳細をご確認のうえ、今後開催予定のイベントにご興味がございましたら、ぜひご登録ください。

今年後半には、次回のプログラム Gemini Startup Forum: Cybersecurity がロンドンで開催予定です。ご応募受付中ですのでご検討ください。AI を活用して次世代セキュリティソリューションを構築しているスタートアップには、ぜひご参加いただきたく存じます。

Google for Startups AI エージェントチャレンジにご参加ください

スタートアップは今すぐ参加して、実践力をお試しください。Next 2026 では、Google for Startups AI エージェントチャレンジを開催することが決定しました。

Next の参加者だけでなく誰でも参加できるこのグローバルコンペティションは 6 週間にわたって開催され、各チームには 500 ドルのクレジットと、新しい Gemini Enterprise Agent Platform をはじめとするツールが提供され、これを使用して自律システムの構築と、賞金総額 90,000 ドルの分け前を競い合います。

チャレンジ応募作品は受付が開始されており、提出期限は 2026 年 6 月 5 日までとなっています。このチャレンジには、各チームの開発状況に応じて 3 通りのトラックが用意されています。新しいエージェントをゼロから構築するか、既存のプロトタイプを最適化して本番環境での信頼性を高めるか、ビジネスで実用化されているエージェントをリファクタリングするかにより、Google Cloud Marketplace と Gemini Enterprise アプリを通じエンタープライズ仕様で配布できる可能性があります。

応募作品は、技術的な実装（30%）、ビジネスケース（30%）、イノベーションと創造性（20%）、デモとプレゼンテーション（20%）の各基準に基づいて評価されます。こちらで詳細をご確認のうえ、ふるってご応募ください。

新レポート「Future of AI: Perspectives on generative media for Startups」をお読みください

Future of AI: Perspectives on generative media for Startups レポートでは、8 人のスタートアップ創業者、投資家、Google 社員への独占インタビューが掲載され、業界の将来に関する率直なアドバイス、戦略的プライオリティ、予測がまとめられています。

創業者たちの生の声に耳を傾けることは、AI 主導のコンテンツ作成における新たな波を乗り越え、Google Cloud で生成メディアの未来を築くうえで、大いに役立つはずです。そして、将来の Next で、あなた自身が生の声を発する立場になるかもしれません。

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

顧客事例

Best Buy、Workforce Identity 連携で AI ワークロードをスケールし、アクセスを保護

サービス アカウントを直接連携に置き換える

アーキテクチャ

実装に関する主な決定事項

デベロッパー向けのセキュアな認証

Workforce Identity 連携のサポートを拡大

使ってみる

The Blueprint: Voicify が AI を活用した注文体験を顧客にとって満足度の高いものに

課題:

ソリューション:

アーキテクチャ:

結果:

詳細:

メンテナンスからイノベーションへ: Checkout における Managed Service for Apache Airflow への移行

出発点: セルフマネージド Airflow

ソリューション: Managed Service for Apache Airflow（第 3 世代）

まとめ

損保ジャパン、機械学習モデルの開発を AI エージェントで自動化 ─ 1 週間かかっていた実験サイクルが 1 日に

実験は回せるのに、良し悪しが見極められない

3 つの役割分担で、EDA から学習・評価までを回す

1 週間の実験サイクルが 1 日に

AI に「作業」を、人に「課題づくり」を

変化の時代に、気軽に試せるチームでいたい

最新 AI エージェント事例を厳選！ Gemini Enterprise で企業の業務を変える

7 月版で新しく追加された企業

セガサミーホールディングス: Google Security Operations と Google Threat Intelligence を導入し、セキュリティ対策をグローバルで標準化へ

"個別最適" がもたらした、セキュリティ管理・運用体制の構造的課題

ログを蓄積するだけの運用から、インテリジェントな活用へ

SecOps と Google Threat Intelligence による管理体制を世界 80 拠点で標準化

AI エージェント事例アワード開催！ 指示するから、自律する AI へ。

スケジュール

評価基準

表彰内容

日立「Gemini Enterprise 活用コンテスト」開催レポート ― 112 件の応募から選ばれた、現場を変える 10 の AI エージェント

112 件の応募から、現場発の 10 組が登壇

現場の「困った」から生まれた 10 のエージェント

受賞した 5 組と、審査員からの言葉

これからも、日立の挑戦とともに

Alphaevolve で分子発見を 4 倍に高速化した Schrödinger の事例

AlphaEvolve とのコラボレーション

評価指標

結果: 4 倍の高速化とボトルネックの解消

次なる進化

Atlas が Cloud SQL Enterprise Plus エディションにより数百の加盟店のデータベースをどうスケールしたか

課題: 標準エディションの枠を超えたスケール

Enterprise Plus エディションへの移行

効果: インフラストラクチャ管理ではなくイノベーションに注力

今後の展望: AI ファーストの未来

データベース アーキテクチャをスケールする準備はできていますか

英国の成長企業が AI 時代にどのようにビジネスを構築しているか

チームの強化: 英国企業の成長を支援する AI スキル向上リソース

AI の可能性からエージェント型の現実へ: 英国の新たな章を切り拓く

英国の企業と研究の新たなフロンティア

将来を見据えた公共部門の構築

中小企業とスタートアップの成長エンジンを強化

Platform 37 の Model Garden

エージェント型企業の青写真

共に未来を築く

Sakana AI: Gemini Enterprise Agent Platform をサービス基盤に全面採用し、日本発の斬新なマルチ エージェント サービスを実装

日本のスタートアップが実現した、新世代のマルチ エージェント AI モデル

「集合知」を活用できるプラットフォームを、Gemini Enterprise Agent Platform で構築

Google Cloud のサポートを受け、わずか半年でサービス ローンチに成功

Siemens が「象の切り分け」（細分化）により産業用ソフトウェア開発のエージェント ワークフローを推進

課題: 産業用ソフトウェアの複雑さ

解決策: ドメインを認識する Knowledge Fabric

「象の切り分け」: エージェント ワークフロー

パイロット運用の結果: エンジニアリングの迅速化と効率化を実現

使ってみる

グラフ技術を活用した信頼できるエージェント プラットフォームの構築: Yahoo の事例

ケーススタディ: エージェント型メディア購入

信頼できるアクション システムのアーキテクチャ

ナレッジグラフ: エージェントをビジネスの実態にグラウンディング

コンテキスト グラフ: 監査可能なメモリの作成

人間ができる範囲からエージェントならではの規模へ

あらゆる業種に適用できる設計

使ってみる

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

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

PoV の成功を踏まえて、500 ライセンスを全社員に一斉に展開

サービスアカウントを直接連携に置き換える

AI エージェント事例アワード開催！指示するから、自律する AI へ。

データベースアーキテクチャをスケールする準備はできていますか

Sakana AI: Gemini Enterprise Agent Platform をサービス基盤に全面採用し、日本発の斬新なマルチエージェントサービスを実装

日本のスタートアップが実現した、新世代のマルチエージェント AI モデル

Google Cloud のサポートを受け、わずか半年でサービスローンチに成功

Siemens が「象の切り分け」（細分化）により産業用ソフトウェア開発のエージェントワークフローを推進

「象の切り分け」: エージェントワークフロー

グラフ技術を活用した信頼できるエージェントプラットフォームの構築: Yahoo の事例

信頼できるアクションシステムのアーキテクチャ

コンテキストグラフ: 監査可能なメモリの作成

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

大規模で高度なレビューインテリジェンスを実現

システムアーキテクチャ

パフォーマンスチューニング

Google for Startups AI エージェントチャレンジにご参加ください