「Flash」が画面を操作しはじめた──Gemini 3.5 FlashへのComputer Use統合が告げる"使う側"から"動かす側"へのAIシフト
リード ── 軽量モデルが「見て・考えて・操作する」ようになった日
2026年6月24日（米国時間）、Googleは主力の高速AIモデル「Gemini 3.5 Flash」に、画面を見ながらクリックや文字入力を行う「Computer Use（コンピューター操作）」機能をネイティブ統合したと発表した。「Gemini API」および「Gemini Enterprise Agent Platform」を通じて開発者がすぐに利用できる。
一見すると、数あるAIアップデートのひとつに過ぎないように見える。だが、この発表には見逃せない意味がある。これまで「Computer Use」は、Gemini 2.5世代では専用モデル「Gemini 2.5 Computer Use」として切り出されていた、いわば特殊機能だった。それが今回、最速・最安クラスの汎用モデル「Flash」に標準ツールとして組み込まれた。AIが「質問に答える存在」から「画面を見て自分で操作する存在」へと変わる流れが、ハイエンドではなく"普段使いのモデル"にまで降りてきた瞬間である。本稿では、この統合が何を意味するのか、性能・安全性・競争環境という複数の角度から掘り下げる。
背景 ── Computer Useとは何か、なぜ「Flashへの統合」が重要なのか
Computer Useとは、AIエージェントがスクリーンショットをもとに画面の状態を理解し、自律的にコンピューターを操作する仕組みを指す。人間がマウスを動かしボタンを押すのと同じように、AIがブラウザーやアプリの画面を"見て"、目標達成のために必要な操作を自ら判断して実行する。専用のAPI連携がないレガシーシステムや、人間向けにしか作られていないWebサービスでも、画面さえあればAIが扱えるようになる点が最大の特徴だ。
この技術系譜をたどると、Googleは2024年12月に発表したChrome自動操作の実験「Project Mariner」を起点に、Gemini 2.5世代で専用のComputer Useモデルを提供してきた。しかし専用モデルは、開発者が「通常のタスクはこのモデル、PC操作はあのモデル」とモデルを使い分ける必要があり、構成が煩雑になりがちだった。
今回のポイントは、その能力がGemini 3.5 Flashに"内蔵ツール"として溶け込んだことにある。Geminiはもともと、関数呼び出し（function calling）や、検索・マップを根拠として使う組み込みツールを得意としてきた。そこにComputer Useが加わったことで、開発者は単一のFlashモデルだけで、Webブラウザー・モバイル・デスクトップを横断する「見て・考えて・操作する」カスタムエージェントを、より手軽かつ確実に構築できるようになる。Gemini 3.5 Flashは2026年5月20日のGoogle I/O 2026で発表された、大型モデルに迫る品質を高速・低コストで実現するモデルであり、エージェント用途を強く意識した設計になっている。その器に操作能力が直結した意味は大きい。
詳細① ── ベンチマークが示す「軽量なのに強い」
注目すべきは性能だ。OS上の操作をAIがどれだけ正確に実行できるかを測るベンチマーク「OSWorld-Verified」で、Gemini 3.5 Flashは78.4を記録した。これは前世代のGemini 3 Flashの65.1から大幅な向上であり、上位モデルであるはずのGemini 3.1 Proの76.2すら上回っている。
競合と並べるとこのスコアの位置づけがより鮮明になる。AnthropicのClaude Sonnet 4.6が78.4で同点、最上位のClaude Opus 4.8が83.4でトップ。OpenAI勢はGPT-5.4 miniが72.1、GPT-5.5が78.7だった。つまりGemini 3.5 Flashは、軽量・高速・低コストという「Flash」の立ち位置を保ちながら、PC操作を伴うエージェント用途で最上位モデルや競合のフラッグシップに肉薄する水準に達している。コストと速度を重視せざるを得ない実運用において、「安いモデルでも実務に耐える操作精度が出る」ことの意味は、ベンチマークの数字以上に重い。
さらにGemini 3.5 Flashは、操作の"意図"も併せて出力する。AIがなぜ特定のボタンを押そうとしているのかを開発者が把握しやすくなり、エージェントの挙動をデバッグしたり、不可解な操作を事前に止めたりする設計がしやすくなる。ブラックボックスになりがちな自律操作の透明性を一段引き上げる工夫である。
詳細② ── 想定される用途は「地味だが効く」業務自動化
Googleが想定する用途は、派手なデモよりむしろ業務の現場に近い。複数の手順を伴う定型業務の自動化、複数の企業向けアプリをまたいだ情報収集、開発中のWebアプリの動作確認、そしてアクセシビリティ（操作性）テストなどだ。
いずれも、これまで人間が画面を見ながら手作業で繰り返してきた領域である。たとえば、社内の複数システムにログインして数値を転記する経理処理、見積もりから発注までの画面遷移、リリース前にあらゆる画面を一通りクリックして回る品質確認──こうした「API化されていないが人手はかかる」作業こそ、Computer Useが本領を発揮する場所だ。RPA（ロボティック・プロセス・オートメーション）が事前に動作を細かく定義する必要があったのに対し、画面を理解して柔軟に操作するAIエージェントは、画面レイアウトの多少の変更にも対応しやすい。Computer Useエージェントは2024年末に登場した新カテゴリだが、2026年に入って精度・実用性ともに「業務に組み込める」水準に達したと評価する向きが増えている。
詳細③ ── 自律操作の最大の弱点「プロンプトインジェクション」とどう向き合うか
一方で、AIが画面を見て自律的に操作する仕組みには、構造的なリスクがつきまとう。最大の懸念が「間接プロンプトインジェクション」だ。これは、AIが訪れたWebページや読み込んだ文書のなかに悪意ある指示文を仕込んでおき、AIをだまして本来の目的とは異なる操作（機密情報の送信や不正な購入など）を実行させる攻撃手法である。チャットボットと違い、エージェントは実際に"行動"を起こすため、被害が情報漏洩やシステムへの不正操作に直結しやすく、深刻化しやすい。
Googleはこの点に複数の防御を用意した。まず、Gemini 3.5 Flash内蔵のComputer Useには、こうした攻撃に対するターゲットを絞った敵対的トレーニングが施されている。そのうえで企業向けに、任意で有効化できる2つのセーフガードを提供する。ひとつは、取り消しにくい操作や機密性の高い操作の前にユーザーへ明示的な確認を求める仕組み。もうひとつは、間接プロンプトインジェクションを検知した場合にタスクを自動的に停止する仕組みだ。Googleは多層防御（defense-in-depth）の考え方を掲げ、これらを安全なサンドボックス、人間による確認、厳格なアクセス制御と組み合わせて運用することを推奨している。裏を返せば、モデル単体に安全を委ねるのではなく、運用設計まで含めて初めて安全が成り立つ、という前提が明確に示されている。
なお、開発者がすぐ試せるよう、デモ環境（gemini.browserbase.com）、GitHub上の参照実装（google-gemini/computer-use-preview）、APIドキュメントも同時公開されている。
影響と今後 ── "操作するAI"の覇権争いは本格化フェーズへ
今回の発表は、単独の機能追加にとどまらない競争の文脈のなかにある。2026年に入って、画面操作AIをめぐる動きは一気に加速した。Anthropicは3月にClaudeで自分のPCを操作する機能を投入し、OpenAIは4月にエージェント「Codex」を刷新、6月にはWindowsの自動操作にも対応させた。オープンソースでも「Holo3」や「Browser-Use」といった選択肢が登場している。各社が「画面を操作できること」を当然の前提とし始めたなか、Googleが汎用の高速モデルに操作能力を標準搭載した意義は、競争の主戦場が「操作できるか否か」から「いかに安く・速く・安全に操作させるか」へ移ったことを象徴している。
実務面では、Flashという低コスト帯に高い操作精度が降りてきたことで、これまでコストが見合わなかった中小規模の業務自動化にもエージェント導入の現実味が出てくる。ローカルやセルフホスト環境でAIエージェントを運用する立場からも、軽量モデルで操作タスクが回せることは構成の選択肢を広げる朗報だ。同時に、自律操作の普及は攻撃面の拡大も意味する。プロンプトインジェクション対策やアクセス制御をどう設計するかが、これからのエージェント運用における事実上の必須スキルになっていくだろう。
まとめ
Gemini 3.5 FlashへのComputer Use統合は、「特別なモデルでしかできなかったPC操作」を「普段使いの高速モデルの標準機能」へと格下げ──いや、格上げした出来事だった。OSWorld-Verifiedで上位モデルや競合に迫る78.4という数字、業務に直結する用途設計、そして多層防御を前提とした安全機構。これらは、AIが「答えるツール」から「動かすパートナー」へと役割を変えつつある現実を、具体的なかたちで突きつけている。重要なのは、操作能力が手に入ったことそのものよりも、それを安全に運用する設計を誰が・どこまで担うのかという問いだ。AIに画面の鍵を渡す時代は、もう実験段階を抜けつつある。
参考ソース
- Google公式ブログ「Introducing computer use in Gemini 3.5 Flash」 https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-computer-use-gemini-3-5-flash/
- 窓の杜「『Gemini 3.5 Flash』がPC操作能力を獲得、『Computer Use』をネイティブ統合」（2026年6月25日） https://forest.watch.impress.co.jp/docs/news/2119842.html
- GIGAZINE「Gemini 3.5 Flashに画面を認識してクリックや文字入力する能力『computer use』が追加される」（2026年6月25日） https://gigazine.net/news/20260625-gemini-3-5-computer-use/
- ITmedia「Google、『Gemini 3.5 Flash』に『Computer Use』を標準搭載」（2026年6月25日） https://www.itmedia.co.jp/aiplus/article/2606/25/2000000127/
- Google Cloud ドキュメント「Gemini 3.5 Flash」 https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/gemini/3-5-flash
- btncon「Claude／ChatGPT Agent／Project Mariner徹底比較とRPA代替の現実」（2026年5月31日） https://www.btncon.com/blog/computer-use-agents-comparison-2026
- Gemini API ドキュメント（Computer Use） https://ai.google.dev/gemini-api/docs/computer-use