1. これは何の話？
GoogleがGemini 3 Flashに新しい画像理解能力「Agentic Vision」を追加しました。これは、AIモデルが与えられた画像をただ「見る」だけでなく、能動的に詳しく「調べる」ことができる機能です。
モデル自身がPythonコードを生成・実行して画像を操作（クロップ、回転、アノテーションなど）し、その結果を再度観察することで、より深いコンテキスト理解と正確な回答を導き出します。
2. 何がわかったか
Agentic Visionは以下の「Think, Act, Observe」ループで動作します。
- Think: ユーザーのクエリと画像を分析し、計画を立てる。
- Act: 画像を操作・分析するためのPythonコードを実行（例：屋根の端を拡大する、指に番号を振って数える）。
- Observe: 変換された画像をモデルのコンテキストに追加し、再確認する。
具体的なユースケースとして以下が紹介されています：
- ズームと検査: 建築図面の細部（屋根の端など）を自動でクロップして拡大確認し、規制準拠をチェックする。
- 画像の注釈（アノテーション）: 指の数を数える際に、実際にバウンディングボックスと番号を描画して「数え間違い」を防ぐ。
- 視覚的な数学とプロット: 画像内の高密度な表データを読み取り、決定論的なPython計算で正規化してグラフを描画する（LLMの計算ミスであるハルシネーションを防ぐ）。
3. 他とどう違うのか
従来のマルチモーダルモデル（GPT-4Vなど）は、画像を静的な入力として一度だけ処理するのが一般的です。対してAgentic Visionは、モデルが主体的に「見たい部分を見る」「補助線を引いて考える」といった能動的な視覚探索を行う点が革新的です。
特に「Pythonコード実行」を視覚認識プロセスに組み込んでいる点がユニークです。計算やカウントといったLLMが苦手なタスクを、コード実行という確実な手段にオフロードすることで精度を飛躍的に高めています。
4. なぜこれが重要か
「AIが見ているつもりで見落とす」という幻覚（ハルシネーション）問題への強力な解決策となります。人間が複雑な図面を見るときにルーペを使ったり、数を数えるときに指差したりするのと同様のプロセスをAIが実行できるようになったためです。
また、開発者は複雑な画像処理パイプラインを自前で組む必要がなく、Geminiに「詳細を確認して」と指示するだけで、高度な視覚的推論をアプリに実装できます。
5. 未来の展開・戦略性
現在はGemini 3 Flash（軽量モデル）での提供ですが、将来的には他のモデルサイズへの拡張も計画されています。また、現在は明示的な指示が必要な操作（回転など）も、今後はモデルが自律的に判断して実行する「完全な暗黙的動作」へ進化する予定です。
Web検索や逆画像検索などのツールとも統合される見込みで、AIエージェントが現実世界を理解するための「目」としての機能が強化されていきます。
6. どう考え、どう動くか
画像認識を含むアプリケーションを開発している場合、Gemini 3 FlashのAgentic Visionは精度の壁を突破する鍵になるかもしれません。特に図面の検証、精密なカウント、データ化などのタスクで威力を発揮します。
指針：
- 現在の画像認識タスクで「細部が見えていない」「カウントミス」がある場合、Agentic Visionを試す。
- Google AI Studioのデモアプリで挙動を確認する。
次の一歩：
- 今日やること：Google AI StudioでAgentic Visionのデモ（Visual Thinking）を触ってみる。
- 今週やること：自社の画像データを使って、従来の認識精度と比較検証する。
7. 限界と未確定
- ズーム以外の操作（回転など）はまだ明示的なプロンプトが必要な場合がある。
- コード実行を伴うため、推論レイテンシ（応答速度）が通常の画像認識より長くなる可能性がある。
- 具体的なAPIコストへの言及はブログ内にはない。
8. 用語ミニ解説
- Agentic Vision（エージェンティック・ビジョン）: AIがエージェント（代理人）のように自律的に視覚情報を探索・操作して理解する手法。
- Grounding（グラウンディング）: AIの回答を、実際のデータや事実に基づいて根拠付けること。ここでは画像への書き込みやコード実行結果に基づいて回答すること。
9. 出典と日付
Google（2026-01-28）：https://blog.google/innovation-and-ai/technology/developers-tools/agentic-vision-gemini-3-flash/
