Vertex AIとは?

2026年7月更新

Vertex AIは、機械学習および生成AIモデルの構築、デプロイ、管理をエンタープライズ規模で行うための、Google Cloudの統合プラットフォームです。モデルトレーニング、Model Gardenと呼ばれる厳選されたモデルマーケットプレイス、エージェント構築ツール、MLOpsインフラストラクチャを一つのコンソールに集約しているため、データチームは個別のサービスをつなぎ合わせることなく、実験段階から本番運用へとスムーズに移行できます。

この定義は今も製品の実態を正しく表していますが、名称は変わりました。2026年4月のGoogle Cloud Nextにおいて、GoogleはVertex AIをGemini Enterprise Agent Platformに改称し、Agentspaceを統合したうえで、モデル単体ではなくエージェントを中心とした位置づけへとサービスを再編しました。基盤となるAPI、Model Garden、トレーニングパイプライン、エンドポイントに変更はなく、多くの実務者やドキュメント、求人情報では今も慣習的に「Vertex AI」という呼称が使われています。本記事もその理由から一貫して「Vertex AI」という表記を用いつつ、リブランディングによって実際に変わった点については個別に触れていきます。

Vertex AIの機能

Vertex AIは、生データから稼働中のモデルに至るまでの全工程をカバーしており、この点が単機能のAPIとの決定的な違いです。

モデルトレーニングとカスタム開発。 チームは、構造化データや一般的なタスクにはAutoMLを使ってゼロからカスタムモデルをトレーニングすることも、独自のコード、データ、計算リソースを用いて完全にカスタムな機械学習パイプラインを構築することもできます。Vertex AI Pipelines、Feature Store、Experimentsが、データセットのバージョン管理、トレーニング実行の追跡、モデルに供給する特徴量の管理といった裏方の作業を担います。

Model Garden。 すべてをゼロからトレーニングするのではなく、多くのチームはまずここから始めます。Model Gardenは、Google自社のGeminiファミリーをはじめ、AnthropicのClaude、MetaのLlama、Mistral、Gemma、DeepSeek、QwenなどGoogleおよびそのパートナーによる200を超える基盤モデルを集めた単一のカタログです。チームはモデルを並べて比較し、対応しているモデルはファインチューニングし、独自のサービング基盤を構築することなく数クリックでデプロイできます。テキスト生成、Imagenによる画像生成、Veoによる動画生成など、プラットフォーム上での生成AI関連の取り組みの多くも、ここから始まります。

Agent Builder。 2026年のリブランディングでGoogleが最も強く打ち出した部分です。Agent Builderには、Python、Go、Java、TypeScriptでAIエージェントを構築するためのオープンソースかつコードファーストなフレームワークであるAgent Development Kit(ADK)、エージェンティックワークフローを設計するためのローコードキャンバスであるAgent Studio、あらかじめ用意されたエージェントテンプレート集であるAgent Gardenがまとめられています。さらに、エージェントの応答を自社データに基づいて裏付けるRAG Engineに加え、組織内で稼働するエージェントが一定数を超えた段階で権限管理やカタログ化を行うAgent IdentityとAgent Registryも含まれます。

MLOps。 モデルやエージェントが稼働を始めると、Vertex AIはドリフトや性能劣化を検知するモデルモニタリング、バージョン管理されたモデルレジストリ、自動再トレーニングのトリガー、エンドポイントのスケーリングといった運用面を担います。これは、標準的なMLOpsの考え方をプラットフォームレベルで適用したものです。特に生成AI機能を構築するチームにとっては、この運用レイヤーはモデル精度だけでなく、プロンプトのバージョン管理、評価セット、検索パイプラインの健全性を扱うLLMOpsにより近いものになっていきます。

Vertex AIの対象者

Vertex AIは、単発のプロンプトを試している個人開発者ではなく、エンタープライズの機械学習チームやデータチーム向けに構築されています。このプラットフォームは、すでにデータ基盤(多くの場合BigQuery)、Google Cloud IAMによるIDおよびアクセス管理の仕組みが整っていること、そしてモデル、パイプライン、エージェントをノートブックや個人のAPIキーに散在させるのではなく、統制の効いた一つの環境内にまとめておく理由があることを前提としています。

実際のところ、最も恩恵を受けるのは主に3つのグループです。データサイエンスおよびMLエンジニアリングチームは、独自のMLOpsスタックを構築することなく、カスタムモデルのトレーニング、バージョン管理、サービングにVertex AIを活用します。アプリケーションおよびプラットフォームチームは、Agent BuilderとModel Gardenを使い、何もゼロからトレーニングすることなく既存製品に生成AI機能を追加します。そしてITおよびガバナンスチームは、IDおよびアクセス管理と監査ログの機能を活用し、AIの利用が一つのパイロットチームを超えて広がっていく中でもコンプライアンスを維持します。

すでにGoogle Cloud上で稼働している組織、特にBigQueryにデータを保持している組織は、データの重心とAIプラットフォームが同じ場所にあるため、まっさらなクラウドアカウントから始めるチームに比べて本番運用までの道のりが大幅に短くなります。

Vertex AIの料金体系

Vertex AIは、固定のプラットフォーム利用料が発生しない従量課金制を採用しています。実際に支払う金額は、プラットフォームのどの部分を利用するかによって決まります。

生成AIモデルの呼び出しはトークン単位で課金され、料金はモデルごとに設定されています。2026年半ば時点で、Gemini 2.5 Flash-Liteは入力トークン100万件あたり0.10ドル、出力トークン100万件あたり0.40ドルであるのに対し、フラッグシップのGemini 2.5 Proは入力トークン100万件あたり1.25ドル、出力トークン100万件あたり10.00ドルからとなっています。料金はコンテキストウィンドウが長くなるほど上がり、モデルが小さく高速になるほど下がる仕組みのため、大量にクエリを処理するチームは、簡単な問い合わせは安価なモデルに振り分け、難しいタスクには高価なモデルを温存するという運用をよく行います。

カスタムトレーニングと計算リソースはノード時間単位で課金され、基本の計算料金の上にGPUおよびTPUの料金が加算されます。例えば、NVIDIA A100 GPUの場合、計算リソースが1時間あたり約2.93ドル、それにVertex AIの管理料として1時間あたり0.44ドルが加わり、合計で1時間あたり約3.37ドルとなります。教師ありファインチューニングは、時間単位ではなく処理したトレーニングトークン数に基づいて課金されます。

スループット階層は自動的にスケールします。GoogleのStandard PayGo階層では、過去30日間の利用金額(ローリング集計)が増えるほど利用可能なスループットが引き上げられ、予測可能なワークロード向けにはコミット利用による割引も用意されています。Googleは一般に、AWSやAzureよりも長期のコミット期間を提示する代わりに、より低い料金を適用する傾向があります。

実務上のリスクは、どのハイパースケーラーのAIプラットフォームにも共通するものです。提示されたトークン単価は、推論量、ファインチューニングの実行、ストレージ、ネットワークを1年分積み上げるまでは小さく見えます。これを正しくモデル化することこそ、AIの総所有コスト(TCO)というフレームワークの存在意義であり、トークン単価という見出し数字だけを根拠に予算を確定させる前に、一度取り組む価値があります。

Vertex AI vs. AWS Bedrock vs. Azure AI Foundry

3社のハイパースケーラーAIプラットフォームはいずれも、主要な商用モデルおよびオープンウェイトモデルをホストし、ファインチューニングに対応し、それぞれのクラウドのIDおよびストレージシステムと統合されています。違いが表れるのは、カタログの充実度、エージェント関連ツール、そしてすでにどのエコシステム上に立っているかという点です。

3社のうち、モデル品質だけで優劣が決まるものはありません。主要プロバイダー間のモデル性能差は通常わずかであるため、プラットフォームの選定は結局のところ、どのクラウドにすでに自社データがあるか、コンプライアンス要件、そして既存のエンジニアリングスキルセットによって決まることがほとんどです。これは、機能チェックリストではなく、体系立てたAIベンダー評価を通じて検討する価値のあるトレードオフです。

重要なポイント

• Googleは2026年4月のGoogle Cloud Nextにおいて、Vertex AIをGemini Enterprise Agent Platformに改称し、Agentspaceを統合したうえで、既存のAPIやエンドポイントを変更しないままエージェント中心の製品として再編しました。詳細はGoogle Cloudの公式製品ページを参照してください。
• Model Gardenでは、Gemma、Qwen、DeepSeek、Llamaを含む、Googleおよびそのパートナーによる検証済みモデル200種類以上にアクセスできます。詳細はGoogle CloudのModel Gardenページを参照してください。
• Google Cloudの売上は2026年第1四半期に前年同期比63%増となり、四半期として初めて200億ドルを超えました。詳細はCNBCによるAlphabetの2026年第1四半期決算報道を参照してください。
• Google Cloudは2026年時点で世界のクラウドインフラ市場の約12%を占めており、約31〜33%のAWS、約23〜25%のMicrosoft Azureに次ぐ位置にあります。Synergy Research Groupのデータに基づくBusinessStatsの報道による。
• Gemini 2.5 Proの料金は入力トークン100万件あたり1.25ドル、出力トークン100万件あたり10.00ドルから、Gemini 2.5 Flash-Liteは入力トークン100万件あたり0.10ドル、出力トークン100万件あたり0.40ドルです。詳細はCloudZeroによる2026年のVertex AI料金解説を参照してください。
• NVIDIA A100 GPUを使ったカスタムトレーニングは、計算リソースが1時間あたり約2.93ドル、それにVertex AIの管理料1時間あたり0.44ドルが加わり、合計で1時間あたり約3.37ドルとなります。詳細はCloudZeroの料金分析を参照してください。

Vertex AIがビジネスにとって重要な理由

Vertex AIを採用する戦略的な理由は、モデルの品質そのものではありません。Gemini、Claude、GPT系のモデルは数ヶ月ごとに首位が入れ替わり、その差は通常わずかだからです。本当に重要なのは、モデルを取り巻く運用レイヤーです。推論、ファインチューニング、エージェントオーケストレーション、コンプライアンスログの管理をそれぞれ別のベンダーで行うのではなく、AI関連の作業のトレーニング、デプロイ、モニタリング、ガバナンスを一つの場所で行えるという点です。

この統合の重要性は、AIの利用が一つのパイロットチームを超えて広がっていくほど増していきます。モデルモニタリングの抜け漏れ、権限が過剰で統制されていないエージェント、把握されていないファインチューニング費用といった問題は、一つのチームが試験的に取り組んでいる段階では小さく済んでも、十数のチームがそれぞれ独立してAI機能をリリースし始めると、一気にコストが膨らみます。2026年第1四半期決算とあわせて報告されたGoogle Cloudの4,620億ドルのクラウド受注残高(IG.comによるAlphabet決算プレビューより)は、エンタープライズのAI関連支出が、その都度購入するのではなく数年単位で前倒しでコミットされるようになっている実態を映し出しており、これはまさにVertex AIが応えるべく設計されたプラットフォームへの賭けそのものです。

すでにGoogle Cloudを利用している組織にとって、実務上の魅力は「近さ」にあります。BigQuery内のデータ、Model Garden内のモデル、Agent Builder内のエージェントが、すべて同一のIAM境界の中に収まっているのです。これにより、動作するプロトタイプから本番機能へと移行するために必要な統合作業が減り、この統合作業こそがエンタープライズAIプロジェクトの多くで最も時間のかかる後半部分となりがちです。

知っておくべき制限事項

Vertex AIがすべてのチームにとって既定の選択肢というわけではなく、導入を決める前に検討しておくべき制限事項がいくつかあります。

• 2026年のリブランディングが混乱を生んでいます。 ドキュメント、職種名、サードパーティのチュートリアル、社内のランブックでは今も「Vertex AI」という呼称が使われる一方、新しいマーケティング資料や一部の新機能ではGemini Enterprise Agent Platformという名称が使われています。しばらくは名称の不統一が続くと考えておくべきです。
• Google Cloudエコシステム内で最も真価を発揮します。 既存のGCP基盤、特にBigQueryを持たないチームは、AWSやAzureネイティブなチームがそれぞれのプラットフォームでは不要な追加のセットアップ作業を負うことになります。
• コストが多層的で予測しづらい面があります。 トークン料金、ノード時間単位の計算リソース、ストレージ、ネットワークがそれぞれ個別に課金されるため、見出しのトークン単価だけを根拠にした概算は、実際の支出を過小評価しがちです。
• エージェント関連ツールはモデルトレーニング機能に比べて新しい段階にあります。 Agent Builder、ADK、Agent Registryは主に2025年から2026年にかけてリリース、成熟してきたため、事例やサードパーティ製品との連携、採用可能な人材の層は、以前から確立されているトレーニングやデプロイ機能に比べてまだ薄いのが実情です。
• リージョンおよびモデルの利用可否にはばらつきがあります。 Model Garden内のすべてのモデルが、あらゆるGoogle Cloudリージョンで利用できるわけではなく、データレジデンシー要件のあるチームにとっては重要な点です。

関連するAIコンセプト

• 検索拡張生成(RAG) - Vertex AIのRAG Engineがエージェントの応答を自社データに基づいて裏付けるために用いる技術
• API統合 - Vertex AIのモデルおよびエージェントが既存のビジネスアプリケーションと連携する仕組み
• モデルサービング - Vertex AIがトレーニング済みモデルを本番エンドポイントとして公開するために用いるインフラストラクチャ層

外部リソース

• Gemini Enterprise Agent Platform(旧Vertex AI) - Google Cloudの公式製品概要
• Google Cloud上のModel Garden - Vertex AI経由で利用できる200以上のモデルの公式カタログ
• Vertex AIの料金 - Google Cloudの公式料金リファレンス