Gemini 2.5 Computer Use：Googleが実現したブラウザ自動操作の革命的AIモデル

Gemini 2.5 Computer Use：Googleが実現したブラウザ自動操作の革命的AIモデル

Googleが2025年10月7日に発表した「Gemini 2.5 Computer Use」は、ウェブブラウザの操作に特化したAIエージェントモデルとして、業界に大きな衝撃を与えている 。このモデルは画面のスクリーンショットを「見る」ことで、マウスクリックやキーボード入力といったUI操作を自動生成できる 。従来のAIモデルが構造化されたAPIを通じてソフトウェアと連携していたのに対し、Gemini 2.5 Computer Useは人間と同じようにグラフィカルユーザーインターフェースを直接操作できる点が画期的なんです。開発者はGemini APIを通じてGoogle AI StudioやVertex AIでこの機能にアクセス可能で、すでにパブリックプレビューとして提供が開始されている 。

Gemini 2.5 Proを基盤とした視覚理解能力

Gemini 2.5 Computer Useは、Gemini 2.5 Proの優れた視覚理解力と推論能力を基盤として構築された専用モデル です。スクリーンショットをインプットとして受け取り、画面上の要素を視覚的に認識した上で、ユーザーのリクエストを分析して次の行動を判断します。このプロセスは継続的なループとして機能し、アクション実行後に新しいスクリーンショットがモデルに送り返されることで、タスクが完了するまで反復的に動作し続けるんです。

このモデルが実現する具体的な操作内容は、以下の通りです。

• フォームへの自動入力: 複数の入力フィールドを持つ複雑なフォームでも、視覚的に認識して適切に情報を入力できる

• インタラクティブ要素の操作: ドロップダウンメニューやフィルター機能といった動的な要素を理解し、適切に選択や操作を実行

• ログイン処理の自動化: 認証が必要なページでも、画面を見て判断しながら自動的にログイン操作を完了させる能力を持つ

• クリックとスクロール: 目的のボタンやリンクを視覚的に特定し、正確にクリックしたり、ページをスクロールして情報を探索

業界トップクラスのベンチマーク性能

Gemini 2.5 Computer Useは、複数のウェブおよびモバイル制御ベンチマークにおいて、主要な競合モデルを上回る性能を発揮し、しかも低レイテンシを実現している 。特にブラウザ制御においては、品質とレスポンス速度の両面で優位性を示しています。

Googleが公開したベンチマーク結果から、このモデルの実力が浮き彫りになっています。Online-Mind2Web、WebVoyager、AndroidWorldといった主要なベンチマークテストで、既存の競合モデルを大幅に上回るスコアを記録しました。特に注目すべきは、高い精度を維持しながら約225秒という低レイテンシを実現している点で、実用性の高さが証明されているんです。

ウェブブラウザに最適化された設計思想

Gemini 2.5 Computer Useは主にウェブブラウザ向けに最適化されている ものの、モバイルUI制御タスクでも優れた可能性を示しています。ただし、現時点ではデスクトップOSレベルの制御には最適化されていません。この特化型アプローチにより、ブラウザ操作において極めて高い精度と効率性を実現できているわけです。

ブラウザに特化させた理由は明確です。現代のビジネスやプライベートにおいて、多くのタスクがウェブブラウザ上で完結します。オンラインショッピング、フォーム送信、データ検索、予約システムの操作など、日常的に行う作業の大部分がブラウザベースなんです。Googleはこの現実を踏まえ、最も需要の高い領域に焦点を絞ることで、実用性を最大化したと考えられます。

APIを通じた開発者フレンドリーな実装

開発者がGemini 2.5 Computer Useを活用するプロセスは、非常にシンプルに設計されています。Gemini APIの新しい`computer_use`ツールを通じて、モデルの中核機能にアクセス可能です。

実装の流れは以下のようになります。

• 初期入力: ユーザーリクエスト、環境のスクリーンショット、最近のアクション履歴をモデルに送信する

• 関数のカスタマイズ: サポートされているUIアクションのリストから特定の機能を除外したり、カスタム関数を追加指定できる

• レスポンス生成: モデルが入力を分析し、クリックやタイピングといったUIアクションを表す関数呼び出しを生成して返答

• 確認プロセス: 購入などの重要なアクションでは、実行前にエンドユーザーの確認を求めるリクエストを含めることが可能

• 反復実行: アクション実行後、新しいスクリーンショットと現在のURLをモデルに送り返し、タスク完了まで繰り返す

この仕組みにより、開発者は複雑なブラウザ自動化ロジックを一から構築する必要がなく、AIの視覚理解能力を活用した柔軟な自動操作システムを短期間で実装できるんです。

安全性を重視した3層の保護メカニズム

AI技術の進化と同時に、安全性への配慮も極めて重要です。Googleは、Gemini 2.5 Computer Useにおいて、意図的な悪用、予期しないモデルの動作、ウェブ環境におけるプロンプトインジェクションや詐欺といった3つの主要リスクに対処するため、多層的な安全対策を実装しています。

モデル自体に組み込まれた安全機能に加えて、開発者向けの安全制御も提供されています。

• ステップごとの安全サービス: モデルが提案する各アクションを実行前に評価する、モデル外部の推論時安全サービスを配備

• システム指示: 開発者が特定の高リスクアクションに対して、モデルに拒否させるか、ユーザー確認を求めるように指定できる機能

• 禁止アクション: システム整合性への危害、セキュリティ侵害、CAPTCHA回避、医療機器制御などの潜在的に危険な操作を自動完了させない仕組み

開発者向けドキュメントには、安全対策のベストプラクティスに関する詳細な推奨事項も記載されており、本番環境へのリリース前に徹底的なテスト実施が強く推奨されています。

Googleプロダクトでの実績と早期導入事例

実は、Gemini 2.5 Computer Useのバージョンは、すでにGoogleの複数のプロダクトで本番環境に導入されて実績を積んでいます。Project Mariner、Firebase Testing Agent、そしてAI Mode in Searchの一部エージェント機能など で、このモデルの技術が活用されているんです。

特にGoogle社内のペイメントプラットフォームチームでは、UIテストの自動修復メカニズムとしてComputer Useモデルを実装し、従来は修正に数日かかっていたテスト失敗の60%以上を自動的に復旧できるようになったと報告されています。これは、開発速度を飛躍的に向上させる実例として注目に値します。

早期アクセスプログラムの参加企業からも、高い評価の声が上がっています。

• Poke.com: 「人間向けのインターフェースとの連携が必要なワークフローにおいて、Gemini 2.5 Computer Useは競合他社より50%速く、パフォーマンスも優れている」と評価

• Autotab: 「複雑なケースでコンテキストを確実に解析する能力が際立っており、最も困難な評価項目でパフォーマンスが最大18%向上した」と報告

• Googleペイメントチーム: 「従来のスクリプトが失敗した際、モデルが現在の画面状態を評価し、ワークフローを完了するために必要なアクションを自律的に判断する」機能を高く評価

ブラウザ自動化がもたらす新時代のワークフロー

Gemini 2.5 Computer Useが切り開く可能性は、単なる技術的進歩を超えて、私たちの働き方そのものを変革する潜在力を秘めています。個人アシスタント、ワークフロー自動化、UIテストといった用途で、すでに実用段階に入っているんです。

特に注目すべきは、複雑なマルチステップタスクの自動化能力です。例えば、複数のウェブサイトから情報を収集し、それらを統合してフォームに入力し、送信するといった一連の流れを、人間の介入なしに完遂できます。これまで人手で数十分かかっていた作業が、数分で完了する時代が現実のものとなりつつあるわけです。

さらに、ビジネス領域では以下のような活用シーンが期待されています。

• データ収集と入力の自動化: 競合他社の価格情報を定期的に収集し、自社のデータベースに自動入力するような反復作業を効率化

• カスタマーサポート: ユーザーからの問い合わせ内容に基づいて、管理画面を操作してアカウント情報を確認したり、設定変更を代行

• E2Eテストの強化: アプリケーションの実際のユーザー体験を模倣したテストを自動実行し、バグを早期発見

• レポート作成の自動化: 複数のダッシュボードから必要なデータを収集し、それらを統合したレポートを自動生成

料金体系と開発者向けリソース

Gemini 2.5 Computer Useの料金体系は、標準的なトークンベースの課金構造を採用している。プロンプトが20万トークン未満の場合、入力トークンは100万トークンあたり1.25ドル、20万トークンを超えるプロンプトでは100万トークンあたり2.50ドルとなります。出力トークンは、どちらのモデルでも同様に100万トークンあたり10ドルで設定されています。

開発者が今すぐ始められるリソースも充実しています。

• デモ環境: Browserbaseがホストするデモ環境で、実際の動作を即座に試せる体験版を提供

• 開発ドキュメント: Vertex AIドキュメントを含む詳細なリファレンスとガイドで、PlaywrightでのローカルエージェントループやBrowserbaseでのクラウドVM実装方法を学習可能

• コミュニティサポート: Developer Forumでフィードバックを共有し、ロードマップの形成に参加できるコミュニティが活発に機能

特に、エンタープライズ向けにはVertex AIを通じた提供が用意されており、企業のセキュリティ要件やコンプライアンスニーズに対応した形での導入が可能になっています。

AndroidWorldベンチマークでのモバイル制御能力

Googleが公開したAndroidWorldベンチマークの結果 からは、モバイルUI制御タスクにおいても強力な可能性が示されています。ウェブブラウザに主に最適化されているとはいえ、スマートフォンやタブレットのアプリ操作においても有望な性能を発揮しているんです。

モバイル環境での活用シーンとしては、以下のようなものが考えられます。

• アプリ自動テスト: モバイルアプリの品質保証プロセスにおいて、実際のユーザー操作をシミュレートした自動テストを実行

• タスク自動化: 複数のアプリを横断した操作フロー（例: カレンダーアプリで予定を確認し、地図アプリでルートを検索し、メッセージアプリで共有）の自動化

• アクセシビリティ支援: 視覚障害や運動障害を持つユーザーのために、音声指示に基づいてモバイル操作を代行するアシスタント機能

現段階ではデスクトップOSレベルの制御は最適化されていないものの、将来的なアップデートでこの領域も拡張される可能性は十分にあります。Googleの技術ロードマップを考えれば、モバイルとブラウザで培った知見を、デスクトップ環境にも展開していくのは自然な流れでしょう。

まとめ

Gemini 2.5 Computer Useは、AIがグラフィカルユーザーインターフェースを直接操作できる時代の幕開けを告げる革新的なモデルです。ウェブブラウザに特化した設計により、実用性と性能のバランスを高次元で実現し、すでに多くの開発者や企業が実践的な活用を開始しています。視覚理解能力と推論能力を組み合わせることで、従来のRPA（Robotic Process Automation）ツールでは困難だった柔軟性と適応性を獲得しているのが大きな特徴なんです。

この技術がもたらす主要なメリットをまとめると、以下のようになります。

• 開発効率の劇的向上: UIテストや反復的な操作タスクの自動化により、開発チームは本質的な価値創造に集中できる

• 柔軟な自動化: 事前にプログラムされた手順だけでなく、画面を見て判断する能力により、様々な状況に適応可能

• 低レイテンシでの高精度: ベンチマークで証明された通り、実用に耐えるスピードと正確性を両立

• 包括的な安全対策: 多層的な安全メカニズムにより、悪用リスクを最小化しながら強力な機能を提供

• 豊富な開発リソース: 充実したドキュメントとコミュニティサポートで、導入障壁を低く抑えている

結論

Gemini 2.5 Computer Useの登場は、AI技術が「情報処理」から「行動実行」へと進化する重要な転換点を示しています。これまでのAIモデルは主に、質問に答えたり、コンテンツを生成したりといった情報レベルの処理に留まっていました。しかし、このモデルは実際にウェブブラウザを操作し、具体的なタスクを完遂する能力を持つことで、AIエージェントの実用化に向けた大きな一歩を踏み出したんです。Googleが提供する開発者向けツールとコミュニティサポートを活用すれば、個人開発者から大企業まで、あらゆる規模での導入が可能になっています。この技術が今後どのように進化し、私たちの日常やビジネスをどう変えていくのか、その動向から目が離せません。