Googleは2026年9月1日、Geminiの新機能として「Agentic Video Understanding（エージェント型動画理解）」を発表しました。
従来のように動画を一定のフレームレートで処理するだけではなく、AI自身が目的に応じて動画内を探し、必要な場面を詳しく確認する仕組みです。
特に長時間の動画では、
動画を最初から均一に処理する → 必要な場所をAI自身が探して見る
という変化が大きなポイントです。
詳しい発表内容は、Google公式「Introducing agentic video understanding with Gemini」で確認できます。
Agentic Video Understandingとは？
従来の動画分析では、動画を一定のフレームレートで読み込み、その情報をもとにAIが内容を理解する方法が一般的でした。
Googleによると、GeminiのAgentic Video Understandingでは、モデルの推論能力と動画ツールを組み合わせ、
検索 → スキャン → 必要な動画区間を詳しく確認 → 回答
というエージェント型の処理を行います。
Gemini自身が「どこを見るべきか」「どの速度で見るべきか」「映像・音声・文字起こしのどれを確認するべきか」を判断し、必要な情報を取得します。
つまり、動画全体を同じ密度で処理するのではなく、質問に答えるために必要な場所をAIが自分で探す仕組みに近づいたわけです。
Googleが示した効果
Googleが公開した標準的な動画分析ベンチマークでは、Agentic Video Understandingによって、
トークン消費：最大88%削減
分析コスト：最大66%削減
精度：最大7%向上
という結果が示されています。
特に効果が大きいとされているのが長尺動画です。
Googleは、10分程度のハウツー動画から90分の講義、さらに数時間に及ぶ録画まで例として挙げています。従来の静的な処理では、長時間になるほど大量のトークンを消費するか、処理量を減らして重要な情報を取りこぼす可能性がありました。
ただし、88%・66%・7%という数字はGoogleが特定のベンチマークで示した最大値です。
すべての動画や利用環境で同じ効果が得られるという意味ではない点には注意が必要です。
何ができる？
Googleは具体的な用途として、非常に短い瞬間の検索、長時間動画から特定情報を探す処理、異常検知、動作や物体のカウントなどを挙げています。
たとえば実務では、
- 長時間の会議録画から特定の発言を探す
- 研修動画から必要な説明部分を見つける
- 数時間の動画から特定の出来事を検索する
- 動画内の異常な動きを調べる
- 動作や物体の回数を数える
- YouTube動画の内容を分析する
といった活用につながります。
重要なのは、単なる「動画の要約」だけではありません。
大量の動画の中から、必要な情報を検索して取り出す
という使い方が現実的になってきています。
どのGeminiで使える？
2026年9月4日時点では、Agentic Video Understandingは、
Gemini 3.7 Flash
Gemini 3.6 Flash
Gemini 3.5 Flash-Lite
で提供されています。
動画アップロードとYouTube動画に対応し、Gemini API / Google AI Studio / Gemini Enterprise Agent Platformから利用できます。
APIでは動画の処理設定を "agentic" にすることで利用できます。
またGoogleは、GeminiアプリのFlash・Flash-Liteモデルへの展開や、今後YouTubeの「Ask YouTube」機能にもAgentic Video Understandingを活用していく予定だと説明しています。
実務では何が変わる？
企業では、すでに大量の動画データが蓄積されています。
会議録画、研修動画、営業動画、商品説明、作業記録、監視映像などです。
問題は、それらの動画が「保存されているだけ」になりやすいことです。
動画が数百時間あったとしても、人間がすべて見直すのは現実的ではありません。
Agentic Video Understandingのような技術が進化すると、
動画を保存する → 人間が探す
から、
動画を保存する → AIに質問する → AIが該当箇所を探す
という流れに変わる可能性があります。
長尺動画を大量に扱う企業ほど、この変化の影響は大きくなるでしょう。
OmochiXの見方
今回の発表で注目したいのは、動画AIの競争が**「動画を生成できるか」だけではなくなっていること**です。
生成AIによって動画を作る技術が急速に進化する一方で、
大量の映像を理解する
必要な瞬間を探す
質問に合わせて詳しく調べる
という方向でもAIは進化しています。
つまり動画そのものが、AIから検索できる「知識資産」になっていく可能性があります。
企業にとっては、これまで蓄積してきた会議・研修・営業・作業記録などの動画を、AIによってどこまで再利用できるかも重要になってくるでしょう。
まとめ
GeminiのAgentic Video Understandingは、動画分析を
「動画全体を一定の方法で読むAI」から「必要な場所を自分で探して見るAI」へ
変えるアップデートです。
Googleのベンチマークでは、最大88%のトークン削減、最大66%の分析コスト削減、最大7%の精度向上が報告されています。
特に長時間の動画を大量に扱う業務では、大きな意味を持つ可能性があります。
AIによる動画活用は「生成」だけではなく、検索・理解・分析の領域でも大きく進化し始めています。
OmochiXでは今後も、こうしたAIエージェントによって実際の仕事がどう変わるのかを追っていきます。
参考情報
本記事は2026年9月4日時点のGoogle公式情報をもとに作成しています。
掲載している「最大88%」「最大66%」「最大7%」などの数値はGoogleが公開したベンチマーク結果です。すべての動画・モデル・利用条件で同じ結果になることを保証するものではありません。
