Gemini新モデルに搭載された「操作する手」、使う前の注意点は3つ。
AIエージェントに仕事を任せたのに、最後の一手だけはいつも自分でやっている——心当たりはありませんか。メールの下書きは書いてくれる。要約も作ってくれる。でも、その内容を実際に社内システムのフォームへ打ち込むのは、結局あなたの役目のままだったはずです。
実践担当のツカウです。AIエージェントは「考える」までは強いのに、「実際に画面を操作する」はいつも手薄でした。今週、その手薄な部分に手が生えました。2026年7月21日、Googleが「Gemini 3.6 Flash」と「Gemini 3.5 Flash-Lite」を公開し、両モデルに画面のクリック・入力を担う「コンピュータ操作」機能を標準の道具として組み込んだと発表しています。今日は、この新しい"手"をどこで使い、使う前に何を潰しておくべきかを整理します。
「読む・考える」から「動かす」へ
これまでのAIエージェントの多くは、文章を読み、要約し、答案を作るところまでは得意でした。ただし画面上のボタンを押す、フォームに値を入れる、複数のSaaSを行き来してコピー&ペーストするといった「手を動かす」作業は、専用の外部ツールを別に組み合わせて初めて成立する、少し面倒な領域だったのです。
今回の発表で公式に整理されたのは、この「操作する手」がモデル本体に標準で備わったツールになったという点です。開発者向けにはGemini APIやGoogle AI Studio・Google Antigravityから、企業向けにはGemini Enterprise Agent Platformから、追加の仕組みを組まずに呼び出せるとされています。
数字で見る「操作の腕前」
画面操作の実力を測る代表的な指標に「OSWorld-Verified」というベンチマークがあります。実際のOS画面上でタスクをこなせるかを検証するテストです。公開された数値を並べると、Gemini 3.6 Flashは83.0%を記録し、前世代の3.5 Flash（78.4%）を上回りました。軽量版のGemini 3.5 Flash-Liteも74.0%まで伸ばし、旧世代の下位モデル「3 Flash」（65.1%）を上回っています。
料金も押さえておきましょう。3.6 Flashは100万トークンあたり入力1.50ドル・出力7.50ドル。3.5 Flash-Liteは入力0.3ドル・出力2.5ドルと、下位モデルほど安く抑えられています。用途に応じたモデルの選び方や他社モデルとの価格比較は、早見表（ai-models.html）に週次でまとめていますので、そちらもあわせて確認してください。
実務で試すなら、この3つから
「操作する手」が使えると分かったところで、どこから試すか。私が勧めるのは、次の3つです。
1. 定型フォームへの入力代行。 経費精算や勤怠申請のように、決まった項目に決まった形式で入力するだけの作業は、操作エージェントの得意分野です。
2. 複数SaaS間のコピー転記。 問い合わせ管理ツールの内容を、社内の別システムに転記するような「見て、写す」作業も相性がいいところです。
3. 資料作成前のスクリーンショット収集。 複数の画面を巡回してキャプチャを集め、報告資料の下地を作る下ごしらえにも使えます。
試す前に潰しておく注意点、3つ
ここからが本題です。便利さに飛びつく前に、次の3つだけは先に決めておいてください。
注意点1：操作させる範囲を、あらかじめ区切る。 エージェント用のアカウントやブラウザプロファイルを分け、触れてよい画面と触れてはいけない画面を最初に線引きしておく。範囲を区切らないまま本番環境に触らせるのは避けてください。
注意点2：取り消しにくい操作は、必ず人の確認を挟む。 送信・決済・削除のように後戻りしにくい操作の手前には、承認のひと工程を残す。フォーム入力までは任せても、最後の「送信」ボタンだけは人が押す、という分担が実務では現実的です。
注意点3：思考ステップの積み上がりで、費用が想定より膨らむことがある。 画面操作は一回の指示で何手も動くぶん、対話だけのやり取りより処理ステップが増えやすい構造です。試験運用のあいだは、想定より費用がかさんでいないか、こまめに確認してください。
3つとも、目新しい話ではありません。ただ、これまで「考えるだけ」だったエージェントに実際に手が生えた以上、この3つを決めずに走らせるのは、鍵をかけずに留守にするようなものです。
今日試すなら、ここだけでいい
あれこれ挙げましたが、今日のところは一つだけで十分です。社内の小さな定型フォーム入力を一つだけ選び、担当者の目の届く範囲で、承認ステップ付きの操作エージェントを試してみてください。 対象は失敗しても実害の小さいものに限る。うまく回れば、次に広げる範囲の見当がつきます。うまくいかなくても、失うのはその一件分の手間だけです。
「操作する手」は、エージェントを賢くする話ではなく、エージェントにできる仕事の種類を増やす話です。だからこそ、任せる範囲を決めるのは相変わらず人の役目のままです。まずは小さな一件から、その線引きの感覚を掴んでみてください。
参考にした主な出典
・Google公式ブログ「Introducing Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber」(2026年7月21日)——Gemini 3.6 Flash・3.5 Flash-Liteを公開。両モデルにコンピュータ操作機能を標準ツールとして搭載、Gemini API・Google AI Studio・Gemini Enterprise Agent Platform等から利用可能と発表。OSWorld-Verifiedで3.6 Flashが83.0%（3.5 Flash比78.4%）、3.5 Flash-Liteが74.0%（3 Flash比65.1%）を記録。価格は3.6 Flashが入力1.50ドル／出力7.50ドル（100万トークンあたり）、3.5 Flash-Liteが入力0.3ドル／出力2.5ドルと発表（数値はいずれも提供元の指標・発表に基づく）