Agentic Video Understanding(エージェンティック・ビデオ・アンダースタンディング)とは

Agentic Video Understandingとは、AIが質問に応じて動画内を検索し、必要な場面を選び直しながら内容を調べる動画理解の方式です。動画を最初から同じ細かさで読むのではなく、答えに必要な場所へ確認作業を集中させるのが特徴です。

Googleが2026年9月1日、Gemini 3.7 Flash、Gemini 3.6 Flash、Gemini 3.5 Flash-Lite向けに発表しました。アップロードした動画とYouTube動画を、Gemini APIおよびGemini Enterprise Agent Platformから分析できます。動画を新しく生成する機能ではなく、既存映像の中から答えを探す仕組み。

AIは動画のどこを見るのか？

従来の動画理解では、あらかじめ決めた間隔で画像を抜き出し、音声や文字起こしと一緒にモデルへ渡します。処理方法が単純で結果を予測しやすい一方、間隔の間に起きた短い出来事を見落とし、変化の少ない場面へも同じ量の処理を使う方式。

Agentic Video Understandingでは、AIが質問を手掛かりに動画全体を検索し、候補区間を走査し、必要なフレーム、音声、文字起こしを詳しく確認。たとえば「作業員が保護具を外した場面」を探すとき、長い休憩時間を細かく読む代わりに、人の動きがある区間を重点的に調べます。見る位置と細かさを固定せず、調査の途中で変える点が、通常の動画入力との違いです。

APIでは動画の処理設定へ「agentic」を指定して有効化します。専用の追加料金はなく、選んだGeminiモデルの入力・出力トークン料金が適用されます。トークンはAIが映像や文章を処理するときの細かな単位です。動画時間だけで費用を決めつけず、質問の複雑さと再確認の回数も含めて試算してください。

固定フレーム処理とどう使い分けるのか？

固定フレーム処理は、同じ動画へ同じ間隔を適用するため、検査手順をそろえやすい方法です。数秒ごとに必ず看板を読むなど、確認位置が決まっている業務向き。エージェンティック処理は、質問ごとに探す場所が変わる長時間動画や、出来事がいつ起きるか分からない調査で力を発揮します。

Googleは社内評価で、固定処理と比べて使用トークンを最大88%、費用を最大66%減らし、精度を最大7%高めたと公表しました。いずれも「最大」のベンダー評価値で、すべての動画に当てはまる数字ではありません。動きの多い防犯映像と、画面がほとんど変わらない講義動画では結果が異なります。

どんな業務で使えるのか？

候補は、製造現場の異常場面、店舗映像の商品棚、研修動画の特定説明、スポーツ映像のプレー、長時間会議の決定場面などです。動画を人が早送りして探す作業を減らし、該当時刻と根拠場面を先に絞れます。複数動画を横断する調査では、担当者が見るべき候補を優先順位付きで出す使い方も考えられます。

ただし、AIの回答だけで事故判定、人事評価、本人確認を確定してはいけません。似た制服の人を取り違える、小さな表示を誤読する、画面外の出来事を推測するといった誤りがあり得ます。AIは判断者ではなく、人が確認する場面を絞る検索係として始めるのが安全です。

導入試験では何を比べるべきか？

実際の業務動画から、見つけるべき出来事と正しい時刻を人が先に記録した検証セットを作ります。同じ質問を固定フレーム処理とエージェンティック処理へ渡し、見落とし、誤検出、根拠時刻のずれ、トークン量、費用、処理時間を比較。重要度が高い用途では、照明、画角、音声の有無、動画の長さを変えて再現性も確かめます。

監視映像や会議録画を使う前に、本人への通知、利用目的、保存期間、閲覧権限を決める必要があります。技術的に検索できることと、組織がその映像を分析してよいことは別問題です。自動削除、アクセス記録、人による最終確認までを運用手順に含めてください。

Agentic Video Understandingに関するよくある質問

ライブ配信をリアルタイムで監視できますか？

2026年9月1日の公式案内が対象にしているのは、アップロード動画とYouTube動画です。ライブ映像を常時監視するリアルタイム機能と同じものではないため、別途提供状況を確認してください。

映像内の物体や出来事を数えられますか？

Googleは物体や出来事の数え上げを利用例に挙げています。ただし、重なり、画面外への移動、低画質で数え間違う可能性があるため、重要な集計では正解付き動画との照合が必要です。