Google Cloud Next Tokyo 2026イベントレポート～AIエージェントを支える「フルスタックAI」～

Google Cloud Nextは、Googleが毎年各地で開催するグローバルカンファレンスです。Google Cloudの最新技術や製品ロードマップ、国内外の導入事例が紹介される場として、多くの企業や技術者から注目を集めています。7/30（木）～31（金）に日本で開催されたGoogle Cloud Next Tokyo 2026でも、Google Cloudからの基調講演および個別セッションに加え、日本企業による活用事例などが数多く実施されました。

特に印象的だったのは、AIエージェントを企業システムにどう組み込み、本番環境で運用していくかという議論が中心になっていたことです。Googleは、これまでのAI活用を個人の業務効率化の段階と位置付けるならば、次のステージはAIエージェントによる業務変革であると説明しました。

AIエージェント時代に対応した企業変革

基調講演全体を通じて最も強く語られていたのは、生成AIを導入するだけでは不十分であり、AIエージェントをベースに業務プロセスそのものを再設計する必要があるというメッセージです。

その考え方を説明するために、Googleは産業革命時代の「電化」を例に挙げました。当時、工場に電気モーターを設置しただけでは生産性は大きく向上しなかったそうです。しかし、製造ラインや業務プロセスを電力活用を前提に見直したことで、初めて電化の効果を最大限に引き出せるようになりました。現在のAI活用も同じ段階にあります。AIの効果を最大化するために、企業はチャットボットや生成AIツールを業務へ追加するだけではなく、業務の中に複数のAIエージェントを組み込み、業務プロセスをAI前提で再設計することが重要です。

Googleが描く「フルスタックAI」とは

このような、業務プロセスの再設計を踏まえたAIエージェントの実装を実現するための基盤として示されたのが、 Googleがインフラからモデル、データ、セキュリティ、エージェント基盤、アプリケーションまでを一貫して設計・提供する「フルスタックAI」です。Googleは、AIエージェントを企業システムの中で安全かつ大規模に運用するために必要な技術要素を、以下の6つのレイヤーで整理して提示しました。

この構成から見えてくるのは、AIを支える計算基盤から先進モデル、データ活用基盤、セキュリティ、エージェント運用基盤、さらには業務アプリケーションまでをGoogleが一貫して提供することで、企業がAIエージェントを本番環境へ導入しやすい環境を整えようとしていることです。

ここからは、基調講演で発表された各レイヤーに対応する新機能やサービスについて、企業事例を交えてご紹介します。

AI HypercomputerとGemini Enterpriseが支えるフルスタックAIの土台

フルスタックAIの下層に位置づけられているのが「AI Hypercomputer」と「Research & Frontier Models」です。Googleは、AIエージェントを業務システムの中で大規模かつ継続的に動かすためには、高性能なAIモデルに加え、その背後にある計算基盤も重要になると説明しました。

AI Hypercomputer：データセンター全体を1台のAIコンピュータへ

GoogleはAIインフラを単なるサーバやGPUの集合ではなく、「データセンター全体を1台のAIコンピュータとして動かす仕組み」として捉えています。その要素として、Google独自開発のTPU、CPUに加え、NVIDIAの最新GPU、高速ストレージ、データセンター向けネットワークが紹介されました。

例えば「TPU（Tensor Processing Unit） 」は、GoogleがAI・機械学習向けに特化して開発したプロセッサで、Geminiをはじめとする大規模AIモデルにも利用されています。最新世代となる「TPU v8」では、学習用の「TPU 8t」と推論用の「TPU 8i」の2つのチップが発表され（※2026年中に提供開始を予定）、AIワークロードの用途にさらに最適化されました。さらにGoogle Cloudは、NVIDIAの最新GPU（NVIDIA Vera Rubin NVL72）を国内でいち早く提供するパブリッククラウドでもあり、企業は用途に応じてTPUとGPUを選択できます。

AIモデルの大規模化が進む中で、単体チップの性能だけでは限界があります。「Managed Lustre」は高性能並列ファイルシステムで、データの読み書きを並列化することで待機時間を最小限に抑えます。また、多数のプロセッサを高速かつ効率的に接続する専用ネットワーク「Virgo Network」によって、複数の計算資源を活用することで、より大規模なAIシステムを実現します。

Research & Frontier Models：Geminiが企業AIの中核へ

AI Hypercomputerの上で動くのが、Geminiを中心とする「Research & Frontier Models」です。Googleは、Geminiを単なるチャットAIではなく、企業システムの中で推論や判断を担うAIエージェントの基盤と位置付けています。実際、基調講演ではGeminiを中核とし、その機能を大幅に拡張した「Gemini Enterprise」が紹介されました。

GeminiはGmailやMeetなどのGoogle Workspaceのアプリケーションをはじめ、GoogleのさまざまなAIサービスの基盤となるAIモデルです。一方、Gemini Enterpriseは、Google Workspace内のデータ検索や情報要約だけでなく、業務システムや社外のSaaSなどと連携したタスク実行、ワークフロー自動化まで対応できます。これらのより高度で組織全体にわたる活用を可能にする機能は、Geminiモデルによって支えられています。

このようにGoogleは、AI Hypercomputerによる計算基盤とGeminiを中心とした先進モデルを組み合わせることで、企業の中で多数のAIエージェントを動かすための土台を構築しています。

Agentic Data Cloudが変える企業データ活用

AIエージェントを業務で活用するうえでデータは欠かせません。しかし多くの企業では、データが部門やシステムごとに分散し、PDF、画像、ファイル、SaaS、データベースなど、さまざまな形式で存在しています。こうした企業データをAIエージェントが活用できる形に変えるのが「Agentic Data Cloud」層です。基調講演では、従来のデータ基盤を「System of Intelligence」と表現し、BIや分析によって過去を把握する仕組みだと説明しました。一方で、AIエージェント時代には、分析結果をもとに次のアクションまで実行する「System of Action」へ進化する必要があります。AIエージェントが24時間稼働し、データをもとに判断・実行する世界です。Agentic Data Cloudは、このSystem of Actionを支えるためのデータ基盤になります。

その中核として紹介されたのが「Borderless Lakehouse」です。AWSやAzureなどの他クラウド、DatabricksやSalesforceをはじめとする外部プラットフォーム、オンプレミス環境に存在するデータを移動させることなく横断的に利用できるアーキテクチャで、AIエージェントがデータの所在を意識せず活用できます。

さらに「Knowledge Catalog」も注目を集めました。これは、企業内に散在するデータや文書をAIエージェント向けに整理する仕組みです。人間であれば「営業資料はSharePointにある」「顧客情報はCRMにある」と判断できますが、AIエージェントはそうした業務知識（コンテキスト）を持っていません。Knowledge Catalogは、データ同士の関係性や業務上の意味を整理することで、AIエージェントが必要な情報へたどり着けるようにします。

Agent PlatformでAIエージェントを本番運用へ

AIエージェントを「作る」こと自体は以前より容易になっています。しかし、企業の本番環境で安全かつ継続的に運用するには、開発だけでなく、システム連携や実行基盤、ガバナンス、監視など、多くの仕組みが必要です。Googleはこの課題に対し、「Gemini Enterprise Agent Platform」を通して、4つの柱（構築、スケーリング、管理、最適化）を支援するさまざまな機能を提供します。

【構築】ADK（Agent Development Kit）

AIエージェントを業務システムとして構築するための開発基盤。単一のエージェントだけでなく、複数のサブエージェントが役割分担しながら動く複雑な業務フローにも対応できます。

【スケーリング】Agent Runtime

ユーザとの会話履歴や状態を保持しながら処理を継続したり、利用者の増減に応じて自動的に処理能力を拡張したりすることで、AIエージェントを継続的に業務システムとして稼働するための仕組み。

【管理】Agent Registry/Agent Gateway

Agent Registry：社内で利用するAIエージェントやMCPサーバ、スキルを一元管理するための仕組み。スキル共有、脆弱性スキャン、一括無効化などにより、社内にAIエージェントが乱立するのを防ぎます。

Agent Gateway：エージェントの通信を制御するポイントとして、不正通信の遮断、権限制御、ネットワーク制御を担っています。

【最適化】OpenTelemetry/Google Cloud Observability

AIエージェントの実行情報を収集・可視化・分析するプラットフォーム。エージェント間通信やトークン消費量、処理時間、外部ツールへのアクセスなどを追跡したり、応答遅延の原因を特定したりできます。

AIエージェントを企業システムとして稼働しつづけるために、Gemini Enterprise Agent Platformはそのライフサイクル全体を支える基盤です。

Agentic Defenseが実現するAI時代のセキュリティ

AIエージェントが社内システムへ接続し、データへアクセスしながら業務を実行するようになると、セキュリティの重要性はこれまで以上に高まります。生成AIの進化によって脆弱性の発見から攻撃までの時間が大幅に短縮され、人手だけで脅威へ対応することが難しくなる中（※）、GoogleはAIを活用してAI時代の脅威へ対抗する「Agentic Defense」の考え方を示しました。

（※参考記事）Claude Mythosとは？セキュリティ専門家が語るAI時代の脅威と企業が取るべき対策

その中心となるのが「Google AI Threat Defense」です。これは、Attack Surface（攻撃対象領域の把握）、Scan（脆弱性の検出）、Remediation（修復）、Monitoring（継続監視）の4段階で、脆弱性の発見から対処、監視までをAIで支援する仕組みです。

その代表的な機能が「CodeMender」です。CodeMenderは、AIを活用して脆弱性の発見や修正案の作成、テストまでを支援する仕組みであり、Googleは「AIの脅威はAIで守る」という考え方を強調していました。一方で、守るべき対象はシステムだけではありません。「Model Armor」が守るのは、AIエージェントそのものです。プロンプトインジェクションやデータ漏えい、有害な出力などを検知・制御する機能であり、AIエージェントが安全に動作するためのガードレールとして位置付けられています。

さらに、AIエージェントのID管理も新たな論点です。ID管理・認証基盤を提供するOktaのセッションでは、AIエージェントがSaaSや社内システムへアクセスする際に、長期間有効なトークンや過剰権限を持つことのリスクが指摘されました。そこで、エージェントとリソースの間にID制御のレイヤーを挟み、ポリシーに基づいて最小限の権限を付与する技術（※）が役立ちます。これは、人を対象としてきたIAMが、AIエージェントも管理対象に含む方向へ進化していることを示していると言えるでしょう。

Agents & Applicationsに見る実践事例

フルスタックAIの最上位に位置するのが、「Agents & Applications」層です。ここでは、AIエージェントが実際の業務や組織においてどのように広がっているかが、企業事例として紹介されました。

例えばNTTドコモでは、dポイント会員基盤を中心とした1億超のユーザと顧客属性データを活用し、顧客ごとに最適な施策を判断・実行するAIエージェントの実現を目指しています。AIエージェントがデータ分析から施策立案までを高速に行うことで、ユーザ一人ひとりに最適化されたマーケティングを支援する構想を示しました。

そしてスクウェア・エニックスはGemini Enterprise Agent Platformをゲームの開発基盤として採用。Geminiの特徴である、テキストだけでなく音声や画像、動画など複数の情報を統合的に理解できるマルチモーダル性能を活かし、ゲーム画面や音声情報を理解しながら動作テストを行う仕組みや、ゲーム内キャラクターとの自然な対話を実現する取り組みが紹介されました。

またSOMPOホールディングスでは、約款や規定、社内ナレッジを活用する社内向けAIアシスタントとしてGemini Notebookを活用しています。会議終了後には録音データを自動で要約し、ナレッジとして蓄積する仕組みも導入されており、社員が必要な情報へ迅速にアクセスできる環境を整えています。また市民開発によって1万件超のAIエージェントが作成されるなど、現場主導の活用も進んでいました。

これらの事例から見えるのは、AI活用がPoCや個人の生産性向上から、全社展開や業務プロセス変革へと進み始めていることです。AIエージェントは単なる業務補助ツールにとどまらず、企業活動を支える新たな業務基盤になりつつあると言えるでしょう。

Google Cloud Next Tokyo 2026では、SCSKも個別セッションに登壇しました。（おかげさまで満員御礼）テーマは「対話型AIエージェントをがっつり使いこなす戦記。精度向上！個人情報！もっとデータ活用！」です。ECサイトのカスタマーセンターを想定した対話型AIエージェントの実装事例を題材に、本番運用で直面したリアルな課題とその解決策を紹介しました。

精度の壁：顧客の意図を正しく理解できるか

まず課題となるのが精度です。従来型のチャットボットは、あらかじめ定義されたシナリオに沿って動作するため、想定外の言い回しや曖昧な表現への対応を苦手としていました。例えば「注文をキャンセルしたい」という問い合わせでも、「頼んだやつをやめたいんだけど」と表現が変わるだけで意図を正しく認識できないことがあります。また、「請求書はいつ届きますか」という問い合わせを「請求書の再発行依頼」と誤判定してしまうなど、似たカテゴリの判別も課題でした。さらに本人確認では、「やまさき」という音声から「山崎」「山﨑」など複数の漢字表記が考えられるため、人名認識も簡単ではありません。

そこで活用されたのが、Conversational Agentsの「Playbook」です。従来のキーワードマッチではなく、Geminiが会話の文脈を理解しながら問い合わせ内容を判断します。また本人確認の場面では、「やまさき」という音声から複数の漢字候補を生成し、顧客データベースと照合する仕組みも紹介されました。人が自然に行っている判断を、AIエージェントが代替できるようになっています。

セキュリティの壁：個人情報をどう守るのか

次に立ちはだかるのがセキュリティの壁です。対話型エージェントでは、氏名や電話番号などの個人情報が会話の中に含まれる可能性があるため、企業が業務利用するには適切な保護が欠かせません。また、AIが意図せず個人情報の漏えいや不適切な回答をしないように制御する仕組みも必要です。

この課題に対し、生データを分析環境へ渡さない「Zero Retention」のアーキテクチャを採用し、「Cloud DLP」によるリアルタイムマスキングを実装しました。例えば、顧客が「山田太郎です。電話番号は090-1234-5678です」と発話した場合、その会話ログ（生データ）は高セキュリティ環境のBigQueryに保存されます。次に、Cloud DLPが生データから個人情報を検出し、「XXXXです。電話番号はXXX-XXXX-XXXXです」のようにマスキングします。さらに、マスキング後のデータをGeminiでダブルチェックすることで、個人情報が除去されたことを確認したデータのみが、分析環境へ渡されます。

また、AIエージェント自身の発言を制御するガードレール機能も実装しました。「○○社の方がお安いかもしれません」といった競合製品の推奨や不適切な発言などが生成された場合、顧客へ送信される前に検知し、適切な内容へ修正したうえで応答を返します。

データ活用の壁：AIエージェントを継続的に賢くできるか

多くの企業では、通話ログやチャット履歴を蓄積しているものの、レポートやダッシュボードで閲覧するだけに留まり、AIの改善へ十分に活用できているところはまだまだ少ないのが現状です。

SCSKではこのデータ活用の壁に対し、Geminiを活用した自動評価サイクルを組み込みました。通話終了後、応答の適切さや解決率などからGeminiが通話品質を採点し、スコアが低いものについては、改善提案を自動で行います。例えば、「配送状況の確認」を「返品問い合わせ」と誤って判定した場合には、カテゴリ定義の見直しや判定条件の追加が提案されます。管理者はその内容を確認し、承認した改善案をナレッジへ反映。そして次回以降の応対結果を再び評価することで、継続的な改善サイクルを実現できます。

このように、精度、セキュリティ、データ活用の仕組みを整え、評価、改善、反映のサイクルを回すことではじめて、AIエージェントは本番業務で使える存在になります。SCSKの発表は、Googleが基調講演で示したフルスタックAIを実際の業務システムへ落とし込む具体例として非常に印象的なセッションでした。

Google Cloud Next Tokyo 2026を通じて見えてきたのは、企業向けAIの競争軸が、単なるモデル性能やチャット体験から、AIエージェントを本番業務で動かすための基盤設計へと移っていることです。Googleは、AI Hypercomputer、Research & Frontier Models、Agentic Data Cloud、Agentic Defense、Agent Platform、Agents & Applicationsという6層のフルスタックAIを提示し、AIエージェント時代に必要な企業システム基盤を包括的に示しました。

特に重要なのは、AIエージェントは単体で価値を生むのではなく、データ、セキュリティ、業務アプリケーション、運用監視と結びついて初めて本番利用できるという点です。AIエージェントを導入するだけではなく、AIエージェントが学び続け、改善し続ける仕組みを設計できるかどうかが、今後の企業価値を左右する重要なテーマになっていくでしょう。