Google DeepMindが、Gemini 3.5 Flashに画面を見て操作する機能（native computer use）を標準ツールとして組み込んだと発表した。開発者はブラウザ・モバイル・デスクトップの3環境を横断して操作する独自エージェントを構築できる。
Google DeepMindが、Gemini 3.5 Flashに画面を見て操作する機能（native computer use）を標準ツールとして組み込んだと発表した。開発者は、ブラウザ・モバイル・デスクトップの3環境を横断して操作する独自のエージェントを構築できる。従来は外部ツールや追加実装が必要だった操作自動化を、モデル本体の機能として呼び出せる点が今回の特徴である。
注目点は、この機能が高速・低コストを志向する「Flash」系統に載ったことにある。画面操作エージェントは画面を見て操作を繰り返すため推論の呼び出し回数が多くなりやすく、推論単価がコストを左右する。Flash系統で動かせることは、入力代行やUIテストのように同じ操作を反復する用途で、エージェントを実運用に乗せる際のコスト判断材料になる。
業務自動化を内製する開発現場やUIテストを自動化したいチームにとっては構築の選択肢が広がる一方、画面操作の自動化を外部ツール前提で組んでいた構成は置き換えの検討対象になる。対応の前提条件や利用方法の詳細は公式発表で確認する必要がある。
この変化で何が要点か。図解と出典つきで一目で。
構造化された事実を最初に。誰が何をいつどこでなぜどのように。
近年、AIモデルは文章生成だけでなく、人間の代わりに画面を見て操作する「エージェント」へと進化している。Geminiシリーズの軽量・高速版である「Flash」系統に、こうした画面操作機能が標準ツールとして組み込まれた点が今回の特徴である。従来は外部ツールや追加実装が必要だった操作自動化を、モデル本体の機能として呼び出せるようになった。
ブラウザ・モバイル・デスクトップという複数の操作環境を横断できるため、業務自動化やテスト、入力代行などの用途が広がる。高速・低コストを志向するFlash系統で利用できることは、エージェントを実運用に乗せるコスト面で重要な判断材料になる。
Google DeepMindは、Gemini 3.5 Flashに画面を見て操作する機能（native computer use、モデル本体に組み込まれた画面操作ツール）を搭載したと発表した。開発者はこの標準ツールを使い、ブラウザ・モバイル・デスクトップの画面を横断して操作する独自エージェント（人間の代わりに自律的に作業するソフトウェア）を構築できる。
Gemini 3.5 Flash now supports native computer use. This built-in tool lets developers build custom agents that can see and take action across browser, mobile, and desktop interfaces.
引用にある「native computer use」はモデルに最初から組み込まれた画面操作機能のこと、「built-in tool」は追加実装なしで呼び出せる標準ツールのこと、「across browser, mobile, and desktop interfaces」はブラウザ・モバイル・デスクトップの3つの画面環境を横断して操作できることを指す。従来は外部ツールや個別実装が必要だった操作自動化を、モデル本体の機能として呼び出せる点が今回の核心である。
今回の機能が高速・低コストを志向する「Flash」系統に載った点が、実運用を考える読者にとって最も効く変化である。画面操作エージェントは画面を見て判断し操作を繰り返すため、推論の呼び出し回数が多くなりやすい。上位モデルで動かすと反復のたびにコストが積み上がる。
Gemini 3.5 Flashは軽量・高速版として推論単価を抑える系統に位置づけられている。そのため、入力代行やUIテストのように同じ操作を何度も走らせる用途で、コストを抑えたままエージェントを回しやすくなる。これが、操作系エージェントを試作で終わらせず実運用に乗せられるかどうかの分かれ目になる。
得をするのは、業務自動化を内製する国内の開発現場である。ブラウザ・モバイル・デスクトップを横断する操作エージェントを、環境ごとに別々の自動化基盤を組まずモデル本体の機能だけで構築できるためだ。
ソフトウェアのUIテストを自動化したいチームも恩恵を受ける。実画面に対する操作テストを書きやすく、Flash系統のため反復実行のコストを抑えやすい。
一方で、画面操作の自動化を外部ツール前提で組んでいた既存構成は、置き換えの検討対象になる。モデル本体に標準機能として組み込まれたことで、追加ツールに頼った部分が機能的に重複しうるためである。
立場別、明日から動ける一手。
Gemini 3.5 Flashの画面操作機能が対応するブラウザ・モバイル・デスクトップそれぞれの前提条件と利用方法を公式発表で確認する。
画面操作エージェントをFlash系統で動かした場合の推論単価と、現行で使う上位モデルや外部自動化ツールの運用コスト差を比較する。
1つの定型業務（入力代行やUIテスト）でGemini 3.5 Flashの画面操作を動かし、操作の成功率と人手介入の回数を試す。
Google DeepMind公式の「Gemini 3.5 Flash now supports native computer use」という発表に対し、開発者がブラウザ・モバイル・デスクトップを横断する独自エージェントを構築できる点が注目されている。
公式発表と各所の反応から編集部が要約した主な論点です。個別のX投稿そのものは下部のセクションに表示されます。
「Gemini 3.5 Flash now supports native computer use」
同時期にはGemini appの学習用ノートブック機能（study notebooks）の告知も行われ、Geminiまわりの機能拡張がまとまって発信された。現時点での反応数は限定的で、目立った賛否の対立は確認できていない。
Gemini 3.5 Flash now supports native computer use. This built-in tool lets developers build custom agents that can see and take action across browser, mobile, and desktop interfaces. Find out more →
※トレンド検出時刻付近の人気投稿を表示
Gemini 3.5 Flash now supports native computer use. This built-in tool lets developers build custom agents that can see and take action across browser, mobile, and desktop interfaces. Find out more →