Googleは2026年9月1日、Gemini 3.7 Flash・3.6 Flash・3.5 Flash-Liteに「エージェント型動画理解（agentic video understanding）」機能を追加した。動画を丸ごと読み込むのではなく、AIが必要な部分だけを自律的に選んで確認する仕組みで、トークン消費を最大88%、コストを最大66%削減しながら精度も向上させたという。
本文
これまでのGeminiの動画理解は、動画全体を一律のフレームレートで解析する方式が中心だった。今回追加された「エージェント型」モードでは、モデル自身がツールを呼び出して動画の必要な区間だけを読み込み、内容を確認したうえで「他の箇所も見る必要があるか」「特定の瞬間を高フレームレートで見直すべきか」を自律的に判断する。
主なポイントは以下の3つ。
1.トークン消費を最大88%削減：動画全体を均一に処理せず、必要な部分だけを選択的に読み込むことでコストを大幅に圧縮
2.精度は最大7%向上：Gemini 3.7 Flashでこの機能を使うと、精度とコスト効率の両面で他モデルを上回る結果が出ている
3.提供範囲：現時点ではGoogle AI Studio上のGemini APIおよびGemini Enterprise Agent Platformで利用可能。コンシューマー向けGeminiアプリへの展開は「近日中」とされている
利用方法は、API設定を「agentic」モードに切り替えるだけとシンプル。長時間の監視カメラ映像や講義動画、会議録画などを扱う用途では、コスト削減効果が特に大きくなりそうだ。
まとめ
動画解析は生成AI活用の中でもコストがかさみやすい領域だったが、Googleが「必要な部分だけを賢く見る」アプローチでこの課題に切り込んだ形だ。今後、動画を使ったAIエージェント活用（監視・要約・検索）がさらに実用段階へ進む可能性がある。
コメント