
Gemini Computer Useは、モデルがスクリーンショットを読み取り、クリックやキー入力、スクロールを返し、それを自分のコードが実行するツールです。Gemini 4ファミリーとGemini 3.x Flashモデルで動作し、通常のトークン以外に追加費用はかかりませんが、無料枠はありません。Googleの安全対策(確認プロンプト、任意のインジェクションスキャン)は実在するものですが、サンドボックスは自分で構築する必要があります。サポート業務では、APIがないツールに限って使うのがいいと思います。eeselの直接的なヘルプデスク接続のほうが、制限や監査がしやすいからです。
Gemini Computer Useとは何か、そしてなぜ名前が変わり続けるのか
Computer Useは独立したモデルとして始まりました。Googleは2025年10月7日、Gemini 2.5 ProをベースにしたGemini 2.5 Computer Useモデルをパブリックプレビューとして発表し、「主にウェブブラウザ向けに最適化」していると説明しました。Googleは、デスクトップのOS操作にはまだ最適化されていないとしていました。
2026年6月24日、このアイデアは主要モデルへと統合されました。Google DeepMindは、Computer UseがGemini 3.5 Flashに組み込みツールとして追加され、開発者は独立モデルを使う必要がなくなったと述べ、現在はブラウザ、モバイル、デスクトップをカバーしています。今日では、すでに使っているモデルのツールとして有効にするだけです。
私はeeselのエージェントが他のツールの中でどう動くかに取り組んでいるので、これをサポートチームが読むべき視点で読みます。つまり、APIを持たないソフトウェアに到達するための汎用的な方法です。それは有用ですが、APIを実際に持っているソフトウェアに到達する方法としては、最も遅く最も不正確でもあります。
eesel CLIを使えば、AIコーディングエージェントがヘルプセンターの記事のエクスポートなど承認済みのナレッジをアップロードし、eesel chatでエージェントにテスト質問をして、本番公開前に回答を確認できます。ヘルプデスク自体の接続には、依然として管理者アクセス権を持つ人の承認が必要で、指示の変更は直接編集するのではなく、チャットでエージェントに頼むことで行います。
現在どのモデルが対応していますか?
GoogleのGemini APIドキュメントには7つのモデルが記載されており、Agent Platformドキュメントにはさらに多くのモデルが載っています。以下の料金はGoogleの料金ページより、100万トークンあたり、有料プランの数字です。
| モデル | モデルID | 入力 / 出力 | 備考 |
|---|---|---|---|
| Gemini 4 Neon | gemini-4-neon | 3.00ドル / 15.00ドル | 無料枠なし |
| Gemini 4 Carbon | gemini-4-carbon | 2.00ドル / 10.00ドル | 2026年12月1日に4ドル / 20ドルへ上昇 |
| Gemini 4 Argon | gemini-4-argon | 2.00ドル / 10.00ドル | 2026年12月1日に4ドル / 20ドルへ上昇 |
| Gemini 4 Hydrogen | gemini-4-hydrogen | 1.50ドル / 7.50ドル | Google自身のコード例で使用 |
| Gemini 3.8 Flash | gemini-3.8-flash | 0.75ドル / 3.75ドル | 2027年1月1日に1.50ドル / 7.50ドルへ上昇 |
| Gemini 3.5 Flash-Lite | gemini-3.5-flash-lite | 0.30ドル / 2.50ドル | インジェクションスキャン利用可 |
| Gemini 3 Flash Preview | gemini-3-flash-preview | 確認したページには記載なし | 古いアクションセット、プレビュー表記 |
Agent Platformのページには、Gemini 3.7 Flash、3.6 Flash、3.5 FlashとGemini Robotics ER 2も記載されており、プレビュー表記があるのはRobotics ER 2とGemini 3 Flashのみです。どちらのページも一般提供の日付を発表していないため、新しいモデルの状態は「安定版として宣言された」ではなく「記載され対応している」と捉えるべきでしょう。
選ぶ際には、CarbonとArgonの2つのプロモ価格が11月30日に終了することに注意してください。モデルごとの詳細はNeon、Carbon、Argon、3.8 Flashの各記事で扱っています。
ループはどう動きますか?
Computer Useは、あなたのコードが管理するループです。Googleのドキュメントは5つのステップを説明していて、モデルがあなたのマシンに直接触れることはありません。

- アプリがプロンプト、ツール設定、スクリーンショットを送信します。
- モデルが1つ以上の
function_call項目を返し、それぞれに座標と理由を説明するintentが付きます。 - クライアントが安全性の判断を確認し、必要なら利用者に確認を取り、例えばPlaywrightで操作を実行します。
- 新しいスクリーンショットと現在のURLを取得し、
function_resultとして送り返します。 - タスクが終わるか、エラーが起きるか、ブロックや拒否が止めるまでループが繰り返されます。
座標は0から999のグリッドで送られ、コードが実際のビューポートに合わせて拡大縮小します。Googleのリファレンス例はループを10回までに制限しており、私もこの上限を採用します。

実際に何をクリックできますか?
同じツールが3つの環境をカバーします。GoogleのGemini APIドキュメントではブラウザで20、デスクトップで17、モバイルで10のアクションが数えられています。
- ブラウザ: マウス操作(
click、double_click、right_click、drag_and_drop、scroll)、キーボード操作(type、press_key、hotkey)、さらにnavigate、go_back、go_forward、take_screenshot。 - デスクトップ: 同じセットから3つのナビゲーション操作を除いたもの。
- モバイル:
open_app、list_apps、long_press、go_back、type、clickなど。
組み込みの操作に加えて自分の関数も追加できるので、APIがあるところではAPIを呼び、ないところでは画面に頼るという組み合わせが可能です。この組み合わせが現実的な使い方です。
運用コストはどれくらいですか?
Googleは追加料金を課していません。料金ページには、Gemini APIのComputer Useは「各モデルの料金で通常のトークンとして課金される」とあり、Agent PlatformのドキュメントもGeminiと同じレートとSKUで課金されるとしています。このツールの無料枠は「利用不可」と記載されています。
意外なのはコストの構造です。各ステップで新しいスクリーンショットが入力として送られ、モデルは行動の前に考えることが多く、それが出力として課金されます。30回クリックするタスクは30枚のスクリーンショット分の料金がかかります。Googleはタスクごとの数字を公開していないので、私ならHydrogenと、より大きなモデルの両方で自分のタスクを10回ずつ実行し、トークンあたりのコストではなく、完了タスクあたりのコストを比較します。
性能はどうですか?
Google自身のモデルカードが最も明確な数字を示しています。OSWorld-2.1(オフラインサブセット)という、エージェントがデスクトップ環境でタスクを完了するベンチマークです。
| モデル | OSWorld-2.1 | 出典カード |
|---|---|---|
| Claude Opus 5.5 | 87.2% | Gemini 4 Carbonカード |
| Claude Sonnet 5.5 | 83.9% | Gemini 4 Hydrogenカード |
| Gemini 4 Carbon | 81.5% | Gemini 4 Carbonカード |
| GPT-6 Astra | 80.9% | Gemini 4 Carbonカード |
| Gemini 4 Hydrogen | 77.6% | Gemini 4 Hydrogenカード |
| Claude Fable 5.1 | 76.8% | Gemini 4 Carbonカード |
| GPT-6.1 Terra | 74.2% | Gemini 4 Hydrogenカード |
出典:Carbonカード(2026年10月時点の結果)とHydrogenカード(2026年11月時点)。これらはベンダーが報告した数値で、数日違いで公開された2枚のカードから来ているため、厳密な直接比較ではなく、おおまかな序列と見るべきです。この表ではCarbonはClaude Opus 5.5に次ぐ2位で、HydrogenはSonnet 5.5より下に位置します。Neonのスコアは見つかりませんでした。
知っておくべき2つの欠落があります。Googleの6月の投稿は3.5 Flashをこれまでで最高のComputer Use対応モデルと呼んでいますが、スコアはグラフ画像でしか示されておらず、引用できませんでした。HydrogenのカードはOSWorldの結果を報告していますが、ドキュメントがそのモデルを対応として挙げているにもかかわらず、Computer Useを想定用途には挙げていません。Claude側の数値については、Opus 5.5とSonnet 5.5についての私のまとめをご覧ください。
安全対策は何をカバーしていますか?
Googleのドキュメントはリスクについて率直です。Computer Useは「エラーやセキュリティ上の脆弱性を含む可能性がある」としています。3つの失敗タイプを挙げています:信頼できないコンテンツや詐欺、間違ったボタンをクリックするといった時折の意図しない操作、CAPTCHAの回避のようなポリシー違反です。

これらの対策は4つのグループに分かれます:
- ステップごとの判断。 各ファンクションコールには
safety_decisionが付くことがあります。require_confirmationとされた場合、アプリは利用者に確認を取り、その後でのみsafety_acknowledgementを設定できます。Googleは、この確認を回避することは許可されていないとしています。 - ポリシーカテゴリ。 Gemini 3.5 Flash以降では、7つのカテゴリが確認をトリガーできます:金融取引、機密データの変更、コミュニケーションツール、アカウント作成、データ変更、ユーザー同意の管理、法的条項です。開発者はこれらの一部を無効にする希望を示せますが、モデルはそれでも確認を求めることがあります。
- 組織ポリシー。 Agent Platformでは、管理者の制約によって開発者が確認を無効にできないようにできます。変更が反映されるまで最大1時間かかることがあります。
- インジェクションスキャン。 Gemini 3.5 Flash-Lite以降では、隠された指示を探すスクリーンショットのスキャンはオプトインで、デフォルトでは無効です。トリガーされると実行をブロックします。
Googleはまた、サンドボックス化されたVMやコンテナ、許可リストやブロックリスト、プロンプト・スクリーンショット・提案された操作・実行された操作のログ記録も推奨しています。Agent Platformには、APIまたはPlaywright経由で操作できるコンテナ化されたブラウザサンドボックスがあります。この攻撃自体の背景については、グロッサリーのプロンプトインジェクションとAIガードレールの項目をご覧ください。
開発者たちは何と言っていますか?
3.5 Flashの発表に関するHacker Newsのスレッドは242ポイントを集め、2つの陣営に分かれました。
"Computer use is such a terrible idea. It's slow, insecure, error prone, expensive."
"Computer use is a great idea. It gets the job done when nothing else will."
どちらも、異なる仕事について正しいことを言っています。別のコメント投稿者は、エージェントがアプリ全体をエンドツーエンドで構築・テストできるため、GUIアプリの開発に非常に有用だと述べていました。これはGoogle自身の例とも一致しており、テストと調査に重点を置いています。私はこの2番目のコメントを、この機能を使う理由のすべてだと受け止めています。他に手段がないときの頼みの綱です。
サポートチームは使うべきですか?
APIがないツールに対しては、慎重に使うなら「はい」です。ヘルプデスク自体については、そこから始めるべきではないと思います。画面経由のルートはピクセルを読み取り、クリックを選び、新しい画面を確認します。ヘルプデスク接続はチケットを読み、返信を作成し、人へ引き渡します。後者の方が失敗する箇所が少なく、各操作に名前を付け、制限し、記録できます。

これが私がインフラと従業員の間に引く境界線です。Computer Useはインフラです。モデルに手を与えるだけで、サンドボックス、承認、ログ、止めるべきタイミングのルールはすべて自分で用意します。eeselは従業員です。そのAIヘルプデスクチームメイトは、Zendesk、Freshdesk、Gorgiasなど他のヘルプデスクへの直接接続を通じて既存のキューに加わり、あなた自身のナレッジから回答し、難しいチケットはチームへ引き渡します。eeselは本番公開前に過去のチケットに対してすべてのロールアウトをシミュレートしますが、これは画面操作型のループには含まれないステップです。
SamCartは、実際のキューでそれがどう見えるかを示す例です。FreshdeskのチケットとWebサイトのチャットの両方でeeselを運用し、チャネルごとに別のエージェントを用意し、どちらも約280件のヘルプセンター記事から回答しています。Freshdeskのオートメーションがどのチケットにエージェントが返信するかを決め、人がアサインされていない間だけ動作します。販売者が人による対応を求めると、チケットは引き渡し用にタグ付けされ、エージェントは停止します。これらすべてはヘルプデスクが直接公開している情報なので、スクリーンショットは不要です。
サポート業務でGemini Computer Useをそれでも使う場面:
- APIが一切ないツール。 古い請求画面がウェブUIしか持たない場合など、確認を挟み、まずは読み取り専用のアカウントで。
- 自社のヘルプセンターやチャットウィジェットをエンドツーエンドでテストする。 これはGoogle自身の用途と一致します。
- 複数サイトをまたいだリサーチ。 サポートのマクロのために競合の公開価格ページを確認するなど。
権限面については、エージェントの権限、返金のガードレール、テスト、オブザーバビリティについての私のガイドは、Computer Useエージェントにも他のエージェントと同じように当てはまります。Google以外のブラウザエージェントの状況については、Claude for Chrome、ChatGPTエージェント、Manusをご覧ください。ルートによってコストや引き渡しの話がどう変わるかについては、エージェント対人間エージェントのコストとエージェント引き渡しのベストプラクティスをお読みください。
ヘルプデスク業務でeeselを試す
目標がより速く、より安全なチケット対応なら、すでにあなたのヘルプデスクを知っているチームメイトから始めましょう。eeselはZendesk、Freshdesk、Gorgiasに直接接続し、過去のチケットとヘルプセンターから学習し、各操作をオン、確認してからオン、オフのいずれかに設定します。自分のキューで試してみたい場合は、eeselを試すか、デモを予約してください。
