Google DeepMind は 2026年6月24日、Introducing computer use in Gemini 3.5 Flash を公開しました。Gemini 3.5 Flash に computer use が組み込みツールとして入り、ブラウザ、モバイル、デスクトップ環境をまたいで「見て、考え、操作する」エージェントを作れるようになった、という発表です。従来は standalone の Gemini 2.5 computer use model として提供されていた機能が、メインの Flash モデルに統合された点が要点です。
この発表で重要なのは、単に Gemini の機能が増えたことではありません。computer use が専用モデルではなく、通常利用される高速モデルの内側に入ったことで、エージェント開発の前提が少し変わります。
これまで、画面操作を伴うエージェントは「特殊な用途」として扱われがちでした。API を呼ぶ、関数を実行する、検索で補強する、といった処理に比べると、実際の UI を見て操作するタスクは不確実性が高く、検証や安全設計も重くなります。そのため、導入判断では「本当にそこまで自動化する必要があるのか」が先に問われました。
しかし computer use が Flash に統合されると、見え方は変わります。開発者は、関数呼び出しや Search、Maps grounding などの built-in tools と同じ流れで、画面操作を選択肢に入れやすくなります。これは、エージェントが API のある領域だけでなく、既存の業務アプリケーションやテスト環境にも接続しやすくなる、ということです。
特に可能性が大きいのは、長い手順を含む業務です。継続的なソフトウェアテスト、社内ツールをまたいだ確認作業、ドキュメントや管理画面の点検のように、人間が画面を移動しながら判断していた作業は、これまで自動化の費用対効果を測りにくい領域でした。computer use が標準モデルに近づくほど、こうした作業は「専用RPAを組むかどうか」ではなく、「エージェントに任せる範囲をどこまで広げるか」という判断に移っていきます。
もちろん、操作できるAIは便利なだけではありません。Google も、ライブ環境で動くエージェントには prompt injection などのリスクがあるとして、敵対的訓練、重要操作の明示確認、間接 prompt injection 検知時の停止、sandboxing、人間の確認、アクセス制御を組み合わせる方針を示しています。ここは導入側にとって、機能評価と同じくらい重要な論点です。
前向きに見るなら、今回の変化は「エージェントを試す段階」から「エージェントを業務設計に組み込む段階」への移行を後押しします。判断すべきなのは、computer use を使うかどうかだけではありません。どの作業なら失敗を許容できるか、どの操作には人間の確認を残すか、どの環境なら安全に試せるかです。
エージェント開発の機会は、モデル性能そのものよりも、操作権限と検証設計をセットで考えられる組織に開かれていきます。
関連記事
- Inside Microsoft’s two-decade push to cut water intensity while scaling for growth
- Our latest Google Finance upgrades, including a new app
- Introducing Claude Opus 5
参考文献
コメント