質問は次のものでした：「私たちはどのようにエージェントを構築するのですか？」。しかし今の質問は：「私たちはどのように何千ものエージェントを管理するのですか？」です。そこで見つかった答えは：Gemini Enterprise Agent Platformです。
エージェント型AIの未来：Gemini Enterprise Agent Platform
サンダー・ピチャイによれば、すべてが、基盤となる柱の統合と、次のイノベーションの波に向かって進んでいます。Googleは「Geminiの時代」、つまり「エージェンシー（主体性）の時代」にいます。Gemini Enterpriseは、職場環境内でエージェントを管理できる能力を備えた、AIへのゲートウェイとなってきました。
前回のCloud Next以降の技術変化のスピードはかつてないほど速く、Google Cloudには素晴らしい勢いがあります。
当社の第一者モデルは、顧客によるダイレクトAPI利用を通じて、現在1分あたり160億トークン以上を処理しています。これは前四半期の100億トークンから増加しています。この成長を支え、牽引するために、2026年には、当社全体の機械学習計算（compute）投資の半分強が、クラウド事業向けに振り向けられる見込みです。これにより、クラウドのお客様とパートナーに利益をもたらします。
とても重要な4つの領域
1. Gemini Enterprise Agent Platform
Google Cloudは正式にエージェント型の時代へ入り、単なるチャットを超えて、エンタープライズのための「ミッションコントロール」へと踏み出します。
スケール＆モメンタム：2026年Q1に月間アクティブユーザーが40%増加。第一者モデルは現在、1分あたり160億トークンを処理します。
ミッション：新しいGemini Enterprise Agent Platformは、データ・人・目標の間をつなぐ「結合組織（connective tissue）」として機能します。組織が、建築（アーキテクチャ）的な厳密さをもって、何千ものエージェントをBuild（構築）、Scale（拡張）、Govern（統制）、Optimize（最適化）できるようにします。
2. AI搭載サイバーセキュリティ
セキュリティは、GoogleのThreat IntelligenceとWizのパートナーシップによって革命的に変わろうとしています。
自律的な防御：WizのAI-APPのローンチにより、ハイブリッドおよびマルチクラウド環境において、コードからランタイムまでを保護します。
現実のインパクト：社内SOCのエージェントは、現在、毎月数万件の脅威レポートをトリアージし、対処（ミティゲーション）にかかる時間を90%以上短縮しています。
3. 次世代インフラ：TPU v8
何百万もの同時稼働エージェントを支えるため、Googleは2チップ戦略で8世代目のTensor Processing Unitsを投入します：
TPU 8t（Training）：従来世代（Ironwood）と比べて処理能力が3倍、消費電力あたりの性能が2倍向上を実現します。
TPU 8i（Inference）：大量のスループットと低レイテンシー向けに最適化されており、複雑なエージェント型ワークロードを、コスト効率よくスケールして実行するために不可欠です。
4.「Customer Zero」：パフォーマンスの証明
Googleは、自社のエージェント型テクノロジーを活用して、大規模な社内効率化を推進しています：
コーディング：Googleにおける新規コードの75%が、現在AIによって生成されています。複雑なコード移行は、昨年と比べて6倍の速さで完了しています。
市場投入までのスピード：クリエイティブアセットの生成にエージェントを使ったことで、Gemini in Chromeのリリースにおいて、制作の立ち上げが70%速まり、コンバージョンが20%増加しました。
企業にとっての重要なポイント
価値は、モデルそのものから、ミッションクリティカルなタスクの実行へと移りました。数か月ではなく数日でコード移行を行う場合でも、脅威対応を自動化する場合でも、Gemini Enterprise Agent Platformは、戦略を自律的なアクションへと変える原動力（エンジン）です。
Gemini Enterprise：すべての従業員に、すべてのワークフローにおけるGoogle AIのベスト
トーマス・キュリアンによれば、Gemini Enterpriseは、AIエージェントの時代の統合システムとして今や位置づけられ、データ・人・そしてそれらの目標または目的をつなぐ存在になっています。そのため、Gemini EnterpriseはINTELLIGENCE（インテリジェンス）とAUTOMATION（オートメーション）を組み合わせてVALUE（価値）を生み出します。機能させるには、コンテキストとアクションが必要です。インテリジェンスはデータから生まれ、オートメーションはエージェントによって駆動されます。すべてが集結して、完全で統合されたシステムだけが解決できる大規模な方程式を形成します。
その完全に統合されたシステムには、次の層があります：
- Agentic Taskforce（エージェンティック・タスクフォース）：事業に向けて事前設定された専門エージェント。
- Agentic Platform and Models（エージェンティック・プラットフォームおよびモデル）：エージェントを構築・デプロイ・管理するためのシステム。
- Agentic Defense（エージェンティック・ディフェンス）：AIのライフサイクル全体を確実に守る自律的な保護。
- Agentic Data Cloud（エージェンティック・データクラウド）：エージェント・システムに信頼できるビジネスのコンテキストを提供するエンジン。
- AI Hypercomputer（AIハイパーコンピューター）：エージェント型の時代の物理に合わせて設計され、最適化された基盤。
Gemini Enterprise Agent Platformは、ビジネスロジック・データ・モデルを統合し、自律的なアクションを起こすための集約環境です。Vertex AIの機能を拡張し、新しい機能も取り込むことで、ミッションクリティカルなビジネスソリューションシステムに適用されるのと同じ建築（アーキテクチャ）的な厳密さをもって、チームがエージェントをBUIL（構築）、SCALE（拡張）、GOVERN（統制）、OPTIMIZE（最適化）できるようにします。
ビジネス運用におけるGemini Enterprise Agent Platformの重要性。
Agent Platformは、個別のAIタスクを管理するところから、確信をもってビジネス成果を委任するところへ移行するのを助けます。次のことができます：
BUILD（構築）：
ロジックモジュールをドラッグして、モデルを選択することでエージェントを作成できる設計環境を示します。SCALE（拡張）：
TPUとAxionによって大規模なデプロイを可能にし、デジタルシティ上で何千ものエージェントが増殖していく様子を可視化します。GOVERN（統制）：
監視、アクセス制御、セキュリティ（Agentic Defense）を備えた集中型のコントロールパネルを提示し、エージェント群全体を管理します。OPTIMIZE（最適化）：
パフォーマンス分析、A/Bテスト、コスト指標を表示し、エージェント型運用の効率を継続的に改善します。
すべては、Gemini 3.1 Pro（プレビュー）などの最先端モデルに基づいて構築されています。これは、複雑なワークフローのオーケストレーション向けに最適化された、最も進んだ推論モデルです。Gemini 3.1 Proは、戦略と自律的な実行のギャップを埋め、最小限の設定でAPIやシステムと連携します。
画像生成については、高忠実度のビジュアルを作るためのGemini 3.1 Flash Image（Nano Banana 2としても知られています）があります。
Veo 3.1 Liteは、大量のビデオアプリケーションを作るための、最も費用対効果の高い動画モデルです。
Lyria 3 Proは、プロフェッショナルおよびエンタープライズ品質のオーディオと音楽のための次世代モデルです。
また、Claude Opus、Sonnet、Haikuなど、Anthropicのモデルも利用可能です。
大きな前進や飛躍を示すモデルを超えて見えてくるのは、最も重要な要因――その真の価値――は、ミッションクリティカルな課題に対する解決策を得るために、それらを実運用に投入することにある、という点です。
Gemini Enterprise Agent Platformを利用する顧客：
返却形式: {"translated": "翻訳されたHTML"}
要約すると、Gemini Enterprise Agent Platform は、企業のデータに基づくエンタープライズグレードのエージェントを、迅速に構築し、スケールし、統制し、最適化できる、オープンかつ包括的なプラットフォームです。これは、グローバル規模で、アプリケーションやワークフローを強力で信頼性の高いエージェント型システムへと変えるために必要な、フルスタックの基盤と、豊富な開発者の選択肢を提供します。
Gemini Enterprice Agent Platform へようこそ。さっそく始めましょう
クイック スタート ガイドでは、希望する言語向けに Google Gen AI SDK をインストールする方法と、その後で最初の API リクエストを行う方法を説明します。
認証方法を選択
Application Default Credentials（ADC）を使用するか、API キーを使用して Gemini Enterprise Agent Platform に認証できます。ADC は推奨される方法です。開始する前に
セットアップ スクリプトを使って ADC を設定するか、手順を手動で完了してください。
Windows の場合：
powershell -c "iex (irm https://storage.googleapis.com/cloud-samples-data/adc/setup_adc.ps1)"
- 必要なロールを設定する 標準の API キーまたは ADC を使用している場合、Gemini Enterprise Agent Platform 用に、プロジェクトへ適切な Identity and Access Management（IAM）権限も付与される必要があります。express mode の API キーを使用している場合は、次のステップに進んでください。
Gemini Enterprise Agent Platform を使用するのに必要な権限を取得するには、管理者に依頼して、プロジェクトに Agent Platform User（roles/aiplatform.user）の IAM ロールを付与してもらってください。ロールの付与について詳しくは、「Manage access to projects, folders, and organizations（プロジェクト、フォルダ、組織へのアクセスを管理する）」を参照してください。
また、カスタム ロールやその他の事前定義ロールを通じて、必要な権限を取得できる場合もあります。
- SDK をインストールして環境をセットアップする ローカル マシンで、次のタブのいずれかをクリックして、プログラミング言語用の SDK をインストールします。 たとえば、このコマンドを実行して、Java 用の Gen AI SDK をインストールおよび更新できます。 Maven pom.xml に次を追加します：
<dependencies>
<dependency>
<groupId>com.google.genai</groupId>
<artifactId>google-genai</artifactId>
<version>0.7.0</version>
</dependency>
</dependencies>
環境変数を設定します：
# `GOOGLE_CLOUD_PROJECT_ID` と `GOOGLE_CLOUD_LOCATION` の値を
# プロジェクトに合わせて適切な値に置き換えます。
export GOOGLE_CLOUD_PROJECT=GOOGLE_CLOUD_PROJECT_ID
export GOOGLE_CLOUD_LOCATION=global
export GOOGLE_GENAI_USE_VERTEXAI=True
- 最初のリクエストを作成する generateContent メソッドを使用して、Gemini Enterprise Agent Platform 上の Gemini API にリクエストを送信します。
次の例は、SDK または REST のいずれかを使ってリクエストを行う方法を示しています。SDK の例を実行するには、コードをファイル（たとえば request.java）にコピーし、ターミナルからそのファイルを実行します（たとえば java request.java）。
import com.google.genai.Client;
import com.google.genai.types.GenerateContentResponse;
import com.google.genai.types.HttpOptions;
public class TextGenerationWithText {
public static void main(String[] args) {
// TODO(developer): 実行する前に、これらの変数をサンプルに合わせて置き換えてください。
String modelId = "gemini-2.5-flash";
generateContent(modelId);
}
// テキスト入力でテキストを生成します
public static String generateContent(String modelId) {
// リクエスト送信用に使用するクライアントを初期化します。このクライアントは 1 回だけ作成すればよく、
// 複数のリクエストに再利用できます。
try (Client client =
Client.builder()
.location("global")
.vertexAI(true)
.httpOptions(HttpOptions.builder().apiVersion("v1").build())
.build()) {
GenerateContentResponse response =
client.models.generateContent(modelId, "How does AI work?", null);
返却形式: {"translated": "翻訳されたHTML"}System.out.print(response.text());
// 例: 応答
// では、AIがどのように動くのかを分解して説明します。幅広い分野なので、私は…
//
// ここでは、簡略化した全体像を示します。
// …
return response.text();
}
}
}
- 画像を生成する
import com.google.genai.Client;
import com.google.genai.types.Blob;
import com.google.genai.types.Candidate;
import com.google.genai.types.Content;
import com.google.genai.types.GenerateContentConfig;
import com.google.genai.types.GenerateContentResponse;
import com.google.genai.types.Part;
import com.google.genai.types.SafetySetting;
import java.awt.image.BufferedImage;
import java.io.ByteArrayInputStream;
import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import javax.imageio.ImageIO;
public class ImageGenMmFlashWithText {
public static void main(String[] args) throws IOException {
// TODO(developer): このサンプルを実行する前に、これらの変数を置き換えてください。
String modelId = "gemini-2.5-flash-image";
String outputFile = "resources/output/example-image-eiffel-tower.png";
generateContent(modelId, outputFile);
}
// テキスト入力で画像を生成する
public static void generateContent(String modelId, String outputFile) throws IOException {
// クライアントの初期化。作成後は、複数のリクエストで再利用できます。
try (Client client = Client.builder().location("global").vertexAI(true).build()) {
GenerateContentConfig contentConfig =
GenerateContentConfig.builder()
.responseModalities("TEXT", "IMAGE")
.candidateCount(1)
.safetySettings(
SafetySetting.builder()
.method("PROBABILITY")
.category("HARM_CATEGORY_DANGEROUS_CONTENT")
.threshold("BLOCK_MEDIUM_AND_ABOVE")
.build())
.build();
GenerateContentResponse response =
client.models.generateContent(
modelId,
"背景に花火のあるエッフェル塔の画像を生成してください。",
contentConfig);
返却形式: {"translated": "翻訳されたHTML"}// レスポンスの各パートを取得
List<Part> parts =
response
.candidates()
.flatMap(candidates -> candidates.stream().findFirst())
.flatMap(Candidate::content)
.flatMap(Content::parts)
.orElse(new ArrayList<>());
// 各パートについて、テキストが存在すれば出力し、そうでなければ
// 画像データが存在する場合はそれを読み取り、
// 出力ファイルに書き込む
for (Part part : parts) {
if (part.text().isPresent()) {
System.out.println(part.text().get());
} else if (part.inlineData().flatMap(Blob::data).isPresent()) {
BufferedImage image =
ImageIO.read(new ByteArrayInputStream(part.inlineData().flatMap(Blob::data).get()));
ImageIO.write(image, "png", new File(outputFile));
}
}
System.out.println("Content written to: " + outputFile);
// 例のレスポンス：
// ここでは、背景に花火のあるエッフェル塔です...
//
// Content written to: resources/output/example-image-eiffel-tower.png
}
}
}
- 画像を理解する Geminiは画像も理解できます。以下のコードは、前のセクションで生成された画像を使用し、画像に関する情報を推論するために別のモデルを使用します。:
import com.google.genai.Client;
import com.google.genai.types.Content;
import com.google.genai.types.GenerateContentResponse;
import com.google.genai.types.HttpOptions;
import com.google.genai.types.Part;
public class TextGenerationWithTextAndImage {
public static void main(String[] args) {
// TODO(developer): サンプルを実行する前に、これらの変数を置き換えてください。
String modelId = "gemini-2.5-flash";
generateContent(modelId);
}
// テキストと画像を入力として、テキストを生成する
public static String generateContent(String modelId) {
// リクエストを送信するために使用するクライアントを初期化します。このクライアントは1回だけ作成すればよく、
// 複数のリクエストで再利用できます。
try (Client client =
Client.builder()
.location("global")
.vertexAI(true)
.httpOptions(HttpOptions.builder().apiVersion("v1").build())
.build()) {
GenerateContentResponse response =
client.models.generateContent(
modelId,
Content.fromParts(
Part.fromText("この画像に何が写っていますか？"),
Part.fromUri(
"gs://cloud-samples-data/generative-ai/image/scones.jpg", "image/jpeg")),
null);
System.out.print(response.text());
// 例のレスポンス:
// 画像には、パーチメント紙の上に並べられた、ブルーベリーのスコーンがフラットレイで写っています。そこには ...
return response.text();
}
}
}
- コード実行を使用する Gemini Enterprise Agent Platform のコード実行機能により、Gemini API は最終的な出力に到達するまで、Python コードを生成して実行し、結果から反復的に学習できます。Gemini Enterprise Agent Platform は、関数呼び出しに似たツールとしてコード実行を提供します。コード実行機能を使用して、コードベースの推論を活用し、テキスト出力を生成するアプリケーションを構築できます。たとえば：
import com.google.genai.Client;
import com.google.genai.types.GenerateContentConfig;
import com.google.genai.types.GenerateContentResponse;
import com.google.genai.types.HttpOptions;
import com.google.genai.types.Tool;
import com.google.genai.types.ToolCodeExecution;
public class ToolsCodeExecWithText {
public static void main(String[] args) {
// TODO(developer): サンプルを実行する前に、これらの変数を置き換えてください。
String modelId = "gemini-2.5-flash";
generateContent(modelId);
}
// Code Execution ツールを使用してテキストを生成します
public static String generateContent(String modelId) {
// リクエストを送信するために使用するクライアントを初期化します。このクライアントは
// 一度だけ作成すればよく、複数のリクエストで再利用できます。
try (Client client =
Client.builder()
.location("global")
.vertexAI(true)
.httpOptions(HttpOptions.builder().apiVersion("v1").build())
.build()) {
// GenerateContentConfig を作成し、codeExecution ツールを設定します
GenerateContentConfig contentConfig =
GenerateContentConfig.builder()
.tools(Tool.builder().codeExecution(ToolCodeExecution.builder().build()).build())
.temperature(0.0F)
.build();
GenerateContentResponse response =
client.models.generateContent(
modelId,
"20 番目のフィボナッチ数を計算してください。次に、それに最も近い回文を見つけてください。",
contentConfig);
返却形式: {"translated": "翻訳されたHTML"}System.out.println("コード:
" + response.executableCode());
System.out.println("結果:
" + response.codeExecutionResult());
// 例のレスポンス
// Code:
// def fibonacci(n):
// if n <= 0:
// return 0
// elif n == 1:
// return 1
// else:
// a, b = 1, 1
// for _ in range(2, n):
// a, b = b, a + b
// return b
//
// fib_20 = fibonacci(20)
// print(f'{fib_20=}')
//
// Outcome:
// fib_20=6765
return response.executableCode();
}
}
}
ミッションクリティカルなソリューションに必要とされる建築上の厳密さをもって Gemini Enterprise Agent Platform を実装するには、そのプロセスを 4 つの戦略的フェーズに分けます。以下に詳細なステップバイステップガイドを示します。
ミッションクリティカルなソリューションに必要とされる建築上の厳密さをもって Gemini Enterprise Agent Platform を実装するには、そのプロセスを 4 つの戦略的フェーズに分けます。以下に詳細な手順を示します。
フェーズ 1: Vertex AI でのインフラストラクチャ設定
構築に着手する前に、Google Cloud 環境を準備し、エージェントが必要なリソースにアクセスできるようにする必要があります。
Vertex AI を有効化: Google Cloud コンソールにアクセスし、Vertex AI API を有効にします。
ナレッジ カタログを設定: データソース（BigQuery、Cloud Storage、またはサードパーティ API）を接続し、エージェントが推論のよりどころとなる「根拠のある」ナレッジベースを持てるようにします。
ベースモデルを選択: 複雑な推論やオーケストレーションを必要とするタスクには Gemini 3.1 Pro を選び、低遅延と高速性を必要とするタスクには Gemini 3.1 Flash を選びます。
フェーズ 2: BUILD（エージェントの構築）
ここで、ビジネスロジックが AI モデルと出会います。
「システム指示」を定義: エージェントの役割、口調、ならびに運用上の境界（制約）を確立します。
ツール利用の設定（関数呼び出し）: エージェントが「操作することを許可される」API やツールを定義します。たとえば、在庫管理システムや決済ゲートウェイへの接続などです。
フロー設計（Agent Designer）: ローコードのインターフェースを使ってロジックモジュールをドラッグ＆ドロップし、さまざまなシナリオでエージェントがどう振る舞うべきかを決めます。
フェーズ 3: GOVERN & SCALE（ガバナンスとスケーリング）
構築後は、エージェントをエンタープライズレベルの基準のもとで運用する必要があります。
Agentic Defense を適用: コンテンツをフィルタリングし、幻覚を防ぎ、機密性の高い顧客データを保護するためのセキュリティレイヤーを設定します。
RBAC（ロールベースアクセス制御）を確立: エージェントを誰が変更できるのか、また各エージェントインスタンスが照会できる特定のデータは何かを定義します。
大量展開: TPU 8i インフラストラクチャと Axion プロセッサを活用し、エージェントがパフォーマンス低下なしに数百万件の同時インタラクションを処理できるようにします。
フェーズ 4: OPTIMIZE（継続的な最適化）
展開で作業が終わるわけではありません。エージェントは現実世界から学習する必要があります。
リアルタイム監視: パフォーマンス分析ダッシュボードを確認し、完了したタスクのレイテンシと成功率を測定します。
A/B テスト: 同じエージェントの 2 つのバージョンをデプロイし、どちらがユーザーの課題をよりよく解決できるかを比較します。
フィードバックループを閉じる: インタラクションデータを使って指示を洗練し、ロジックを再学習します。これにより、自律的な実行がますます正確になります。
重要な注意:
このプラットフォームの鍵は、チャット以上のところにあります。最小限の設定で、ミッションクリティカルなシステムに対してアクションを実行できることです。
最終結論:
最終結論は、従来の AI から完全に自律したエンタープライズへのパラダイムシフトを、効果的に捉えています。
Agentic Enterprise のエンジン
Gemini Enterprise Agent Platform は単なるチャットインターフェースをはるかに超えたものです。組織が運用能力を指数関数的に拡張するために必要な「つなぎ目（接続組織）」として機能します。Google は、前例のないハードウェア基盤（TPU v8）とともに Gemini 3.1 モデルファミリーを統合することで、「Agentic Era」の中核課題を解決しました。つまり、実験的なプロトタイプから、数千の自律エージェントのオーケストレーションへ移行できるようにしたのです。
主要な戦略的ポイント:
会話から実行へ: このプラットフォームの真の価値は、自律性とエンタープライズレベルのセキュリティによって、ミッションクリティカルなアクションを実行できる点にあります。たとえば、自動コード移行からリアルタイムのサイバーセキュリティ防御まで幅広く対応します。
建築上の厳密さ: 構築・ガバナンス・スケーリング・最適化という各段階を通じて、このプラットフォームは AI を「ブラックボックス」ではなく、制御可能で監査可能、かつ非常に効率的なビジネス資産にすることを保証します。
実世界で実証されたインパクト: Goldman Sachs、Ford、L'Oréal といった世界的リーダーによる大規模な導入により、このプラットフォームが脅威への対処にかかる時間を 90% 以上削減し、ソフトウェア開発を最大 6 倍まで加速できることが示されました。
最終的な所感
私たちは、企業の成功が人材やデータだけで測られるのではなく、デジタル人材（デジタルワークフォース）の効率によって測られるようになる変化を目撃しています。Gemini Enterprise Agent Platform は、そのワークフォースを確信・セキュリティ・グローバル規模でオーケストレートするための「ミッションコントロール」です。
「問題は、エージェントを作れるかどうかではありません。ビジネスを変革するために、どれだけの数のエージェントをいかに速くデプロイできるかです。」
返却形式: {"translated": "翻訳されたHTML"}
