Geminiのエージェント型映像理解機能が登場

GoogleがGeminiのモデル群に「エージェント型映像理解」を導入した。対象はGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteで、Gemini APIのGoogle AI StudioとGemini Enterprise Agent Platformから使える。従来は映像を1秒1フレーム（既定値、APIで変更可）の固定レートで一律に読み込ませていた。新方式では、モデルが自分で「どこを、どの速さで、どの情報源（映像フレーム、音声、文字起こし）から見るか」を決め、必要な区間だけを取りに行く。Googleの発表では、標準的な映像分析ベンチマークで分析コストが最大66%減、トークン消費が最大88%減、精度は最大7%向上したという。 ここが面白い。映像AIでは「全部を一律に見る」のが長年の常識で、それがコストの正体だった。今回の発想は、人間の編集者が長尺素材を早送りしながら要所だけ止めて見るやり方を、モデル自身にやらせたことだ。長時間の講義や数時間の録画ほど効果が大きいと書かれているのも、「全部見る」が破綻する領域で効くという意味で筋が通っている。一方で、数字はGoogleのベンチマークであり、自社の映像で同じ率が出る保証はない。ベンダーの「最大」は、いつも一番良い条件での数字だと疑って読むのが実務の作法だ。 中小企業の実務に引き寄せると、工場の作業記録、店舗の防犯カメラ映像の確認、研修動画の要点抽出などが候補になる。ただし導入を判断する前に、社内の代表的な映像を3本ほど選び、今の方式と新方式で処理時間と費用を比べてみるのが近道だ。「AIに映像を見せると高い」という思い込みが崩れるかどうかは、自分の目で確かめればいい。処理方式をAPIの設定で「agentic」にするだけで試せる点も、検証のハードルを下げている。