Google、「Gemini 3.5 Flash」にコンピューター操作ツールを標準統合

AI に画面を操作させるタスクは、これまで処理が遅く高価な専用モデルを呼び出して使うのが一般的でした。

Google はその構成を改めました。6 月 24 日、同社は主力軽量モデルである Gemini 3.5 Flash に、標準の組み込みツールとしてコンピューター操作機能（computer use）を統合したと発表しました。

主力モデルに組み込まれた画面操作機能

この機能は従来、スタンドアロンの Gemini 2.5 computer use 専用モデルとしてのみ提供されていたものです。

今回の統合により、Google 検索や Google マップを活用するグラウンディング機能と同様に、通常の 3.5 Flash のパイプライン内で直接画面を操作できるようになりました。開発者はブラウザ、デスクトップ、モバイルをまたぎ、画面を見て判断し操作を実行するエージェントを構築できます。

Google は主に、ソフトウェアの継続的な自動テストや、複数の業務アプリをまたぐ長時間のナレッジワークといった企業向け自動化タスクでの利用を想定しています。

開発者や企業はすでに Gemini API や Gemini Enterprise Agent Platform を通じて利用可能で、Browserbase によるデモ環境も公開されています。

プロンプトインジェクションへの二重の備え

外部環境を直接操作するエージェントにとって、ウェブサイトなどに潜む悪意ある指示、いわゆるプロンプトインジェクションは最大の脅威です。

Google はこれに対抗するため、Gemini 3.5 Flash のコンピューター操作向けに特化した敵対的トレーニングを実施したとしています。

さらに企業向けとして、2 つの安全対策システムをオプションで用意しました。

1 つは、機密性の高い操作や取り消しのきかない処理を実行する前にユーザーの明示的な確認を必須とする機能です。もう 1 つは、間接的なプロンプトインジェクションを検知した瞬間にタスクを自動停止する機能です。

Google はモデル単体の防御に頼るのではなく、サンドボックス環境の整備や人間の確認プロセスの併用といった多層防御が不可欠だと注意を促しています。

なぜ重要か

自動化を推進する現場にとって、高速かつ安価な Flash クラスのモデルで画面操作が可能になった意味は非常に大きいです。巨大なモデルで画面操作を行うとコストが跳ね上がり、判断待ちの遅延で処理が止まりがちでした。3.5 Flash に乗ったことで、毎日何千回も回すようなソフトウェアテストの実運用が一気に現実味を帯びてきます。

専用モデルという隔離枠を外し、通常のファンクションコーリングと同列の標準ツールとして扱った点は、設計として非常に賢い判断だと考えます。開発者は複数のモデルを使い分ける複雑なパイプラインを組む必要がなくなります。

一方で、実運用における隠れたリスクは依然として警戒すべきです。ウェブ上の見えないテキストや細工された画像によるインジェクション攻撃を、検知機能だけで 100 パーセント防ぎ切るのは困難です。自動停止機能があるとはいえ、厳重な権限分離やサンドボックスなしで本番の業務データに触らせるには、まだ慎重な見極めが必要に見えます。