Googleの主力モデルGemini 3.5 FlashがPC操作をネイティブサポートし、エンタープライズ向けエージェント自動化を実現

動察 Beating のモニタリングによると、Googleは「コンピューター操作（Computer Use）」機能を内蔵ツールとして、主力大規模モデルGemini 3.5 Flashに直接統合した。

ネイティブ統合前は、開発者はエージェントタスクを実行するために専用のGemini 2.5コンピューター操作モデルを呼び出す必要があった。ネイティブ統合後、開発者や企業ユーザーはGemini APIまたはGoogle CloudのGeminiエンタープライズエージェントプラットフォーム（旧Vertex AIプラットフォーム）を介して、主力モデルに直接デバイスを操作させることができ、エージェント（Agent）開発アーキテクチャが簡素化された。

内蔵されたコンピューター操作ツールは、ブラウザ、モバイル端末、またはデスクトップ環境のスクリーンショットを受信し、視覚認識とステップ推論を行った後、マウスクリック、キーボード入力、スクロールホイール操作、メニューナビゲーションなどの操作命令を出力する。これにより、ソフトウェアの継続的テストやウェブページ間のデータ収集といった長時間の自動化タスクを完了する。デバッグと監査を容易にするため、モデルは命令生成時に「意図（intent）」フィールドを付与し、各操作の論理を説明する。

エージェントが実際のネットワーク環境で遭遇する可能性のあるプロンプトインジェクションリスクに対処するため、Googleはモデルに対し指向性のある対抗訓練を実施し、2つのオプション保護機能を提供する。資金支払いやファイル削除などの不可逆操作が発生する場合には強制的に人間による承認を導入し、スクリーンショット内で間接的なインジェクション命令が検出された場合には自動的にタスクを中断する。

現在、Browserbaseはオンラインでホストされたデモ環境（gemini.browserbase.com）を提供しており、Google公式もGitHubでcomputer-use-previewという名前の参照実装コードをオープンソース化している。