Xのタイムラインを流し見してたら、Google DeepMindのブログが流れてきた。Gemini 3.5 Flashに「computer use」が組み込まれたらしい。マジで速報すぎて最初は見逃しそうになった。
ざっくり言うと、AIがパソコンの画面を見て、自分で操作できる機能だ。クリックしたり、フォームに入力したり、アプリを横断して動いたりする。以前はGemini 2.5という別モデルの機能だったのが、今回メインのFlashモデルに統合されたというのが今回のポイント。しかも「best performance yet」って書いてあった。自分たちの中で過去最高の精度だと言ってる。
AnthropicのComputer Useと何が違うの？
海外のAI界隈では、Anthropicがずっと「Computer Use」の先駆者みたいな扱いをされてきた。Claude 3.5 Sonnetで最初に発表されたとき、Xがかなり盛り上がってたのを覚えてる。あのときも「AIが画面操作できるようになった」ってバズったんだよな。
今回のGeminiのポイントは、それがFlashという「速くて安いモデル」に入ったことだ。Googleは同時にSearch groundingやMaps groundingもすでに持っていて、そこにcomputer useが加わった形になる。つまり「検索して・地図見て・画面操作して」を一個のモデルでできるようになったわけ。組み合わせると何ができるか、ちょっと想像するだけでヤバいのわかる。
妻にこの話をしたら「それって家のパソコンも操作されるの？」って聞いてきた。「ローカルじゃなくてAPIで呼ぶ感じだよ」って説明したけど、たぶんわかってない。でも3歳の子の前でデモしたら「ロボットだ！」って喜びそうだな、とかも思った。
日本ではまだ「ふーん」止まりな気がする
正直、海外のデベロッパーコミュニティはもうエージェント系のユースケースを語り合ってる。でも日本のXを見てると、まだこのニュースの温度感が低い。Computer useって言葉のイメージが伝わりにくいのかもしれない。
自分が整理すると、こんな感じで使えそうだと思ってる。
- ブラウザを自動で操作して情報収集するエージェント
- 複数のSaaSをまたいで作業をこなすタスクボット
- 画面を見ながらQAテストを自動で回すツール
フリーランスとして案件の効率化を常に考えてる自分からすると、「定型業務を任せられるエージェントを作れる時代になった」という感触がリアルにある。去年まではプロンプトで試行錯誤する段階だったのが、今年に入ってエージェントが実用フェーズに入ってきてる感じだ。
APIの料金体系とか実際のレイテンシとか、そういう細かいところはまだ調べきれてない。来週カフェで作業配信しながら実際に触ってみるつもりだ。フォロワーにも「試してみた感想」を投げかけてみると、また面白い反応が返ってきそうだな。あなたはcomputer use、もう試してみた？