Geminiのエージェント型動画理解とは?EC商品動画・レビュー動画を分析する設定手順と費用の注意点、プロンプト4本【2026年版】

Geminiのエージェント型動画理解とは、AIが必要な場面だけを選んで動画を解析する方式です。対応モデルと設定方法、5分未満の動画では逆効果になる注意点、ライブ配信やレビュー動画の分析に使えるプロンプト4本をEC事業者向けに解説します。

投稿日: カテゴリー Gemini

エージェント型動画理解とは、AIが見る場面を選んで動画を解析する方式です。

Googleは2026年9月1日、Gemini APIに「エージェント型動画理解(agentic video understanding)」を追加しました。従来は動画を1秒1コマの一定間隔で読み込み、すべてのコマをAIに渡していましたが、この方式ではAI自身が「どの区間を、どの速さで、映像・音声・文字起こしのどれで確認するか」を決め、必要な部分だけを読み込みます。Googleの発表では、1時間級の長尺動画で読み込むデータ量が最大88%減り、精度も上がったとされています。一方で、公式ドキュメントは5分未満の短い動画ではかえって使用量が増える場合があると注意しており、30秒〜2分の商品紹介動画が中心のEC事業者は、使いどころを見極める必要があります。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル(うるチカラ運営)の現場知見にもとづき、仕様と設定方法、EC業務で効果が出やすい動画の種類、そのまま使えるプロンプト4本を整理します。

「全コマを読む」から「必要な場面だけ見る」へ何が変わったのか

変わったのは、動画の読み込み方をAPI側で固定せず、AIの判断に任せられるようになった点です。通常の処理(静的処理)では、動画は既定で1秒あたり1コマの間隔で切り出され、そのすべてが入力になります。Gemini APIの動画理解の公式ドキュメントによると、低解像度設定で1秒あたり約100トークン、高解像度で約300トークン、音声は1秒あたり32トークンが目安です。1時間の動画なら、低解像度でも数十万トークン規模になります。

エージェント型では、1回のAPI呼び出しの中でAIが内部のツールを繰り返し使い、質問に関係しそうな区間だけを読み込みます。異常を探すような質問では、選んだ時間帯だけをより細かいコマ間隔で読み直すこともできると説明されています。広告業界メディアのPPC LandがまとめたGoogleのベンチマークでは、Gemini 3.7 Flashで1時間級の動画を扱う1H-VideoQAの1問あたりの使用量が397,600から47,700トークンへ、LVBenchでは300,300から36,000トークンへ、いずれも88.0%減りました。複雑な推論を問うMinervaでは80,900から33,600トークンへ58.4%減っています。

精度も下がっていません。同じ整理によると、Minervaの正答率は73.7%から79.0%、1H-VideoQAは87.5%から88.5%、LVBenchは85.1%から88.6%へ上がりました。ただし、これらはGoogleが選んだベンチマークと設定での自社発表の数字で、第三者による再現は確認されていません。早期利用企業のPonderは「同等の再現率を、およそ3.5分の1の入力トークンで得られた」とコメントしており、これは約71%減に相当します。

費用への影響は、トークン削減率とそのまま一致しない点に注意が必要です。Googleは費用の削減を「最大66%」と説明しています。公式ドキュメントでは、AIが動画内を移動するための推論は思考トークン(thoughts_token_count)として、読み込んだ映像・音声・文字起こしはツール入力トークン(tool_use_prompt_token_count)として計上されると記載されています。機能そのものの追加料金はなく、通常のトークン単価で課金されます。

この機能の発表時の論点は、Gemini動画解析の88%削減を扱った速報記事でも整理しました。本記事では、その後に対応モデルが広がった現時点の仕様を前提に、EC業務での実装に焦点を当てます。

対応モデルと設定方法、使える動画の条件

設定は、動画のパートにmedia_processing="AGENTIC"を指定するだけです。公式ドキュメントでは、generateContentのPython、JavaScript、Go、RESTのそれぞれで指定例が示されており、明示的に静的処理にしたい場合はmedia_processing="STATIC"を使います。何も指定しなければ従来どおりの静的処理です。

対応モデルは、発表時点のGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteから広がり、本記事執筆時点の公式ドキュメントでは、Gemini 4 Carbon、Gemini 4 Argon、Gemini 4 Neon、Gemini 4 Hydrogen、3.8 Flash、3.6 Flash、3.5 Flash Liteが挙げられています。静的処理はすべてのGeminiモデルで使えます。Gemini 4系は11月に入っても新モデルの公開が続いており、最新の対応状況は公式ドキュメントで確認してください。11月に公開されたGemini 4 Neonの位置づけは、Gemini 4 Neonの速報記事で解説しています。

動画の渡し方は、File APIへのアップロード、Cloud Storageの登録、リクエストへの直接埋め込み、YouTubeのURL指定の4通りです。File APIは有料枠で1ファイル20GB、無料枠で2GBまでです。YouTubeのURL指定は公開動画のみが対象で、プレビュー扱いの機能とされています。無料枠では1日あたり8時間分の動画までという上限があります。コンテキストウィンドウが100万トークンのモデルでは、低解像度で約3時間、高解像度で約1時間の動画を扱えるとされています。

提供面は、Google AI StudioのGemini APIと、法人向けのGemini Enterprise Agent Platformです。一部の報道では、法人向けドキュメントで「プレビュー」表記があるとも伝えられているため、本番システムに組み込む前に、利用する環境での提供区分を確認しておくと安心です。

EC業務で効果が出やすい動画、出にくい動画

結論は、「長い動画から一部を探す」用途に向き、「短い動画を丸ごと要約する」用途には向かないということです。公式ドキュメントは、5分未満の短い動画や、範囲の広い質問では、エージェント型のほうが総トークン数が増え、最初の応答までの時間も延びる場合があると明記しています。

EC事業者の手元にある動画で、エージェント型が向いているのは次のようなものです。1つ目はライブコマースの録画です。楽天市場のライブ配信や、Instagram・TikTokのライブ、自社で配信したセール特番は1〜2時間に及ぶことが多く、「視聴者からの質問に答えた場面だけ抜き出したい」という用途にぴったりです。2つ目は、長尺の商品レビュー動画や比較動画です。インフルエンサーが30分かけて複数商品を比べる動画から、自社商品に触れた箇所だけを探す使い方が考えられます。3つ目は、倉庫や検品作業の記録映像で、異常な動きや手順の抜けを探す用途です。

反対に、向いていないのは30秒〜2分程度の商品紹介動画や、SNS向けのショート動画を「全体の要約」で処理する用途です。この長さなら、静的処理で全コマを渡しても使用量は小さく、エージェント型の探索のほうが手間になります。現場で繰り返し見るのは、新機能を何にでも使ってしまい、短い動画の一括処理でかえって費用が増えるパターンです。動画の長さと質問の種類で、処理方式を切り替える設計にしておくのが安全です。

アパレル系の単一ブランドで試したケースでは、月に数本のライブ配信アーカイブから「サイズ感」「素材」「洗濯方法」に関する質問を抜き出し、商品ページのFAQに反映する運用が組みやすい題材でした。視聴者の質問は、そのまま検索されやすい言葉で語られているため、商品ページの改善材料として価値が高いのです。動画を検索できる資産にする別のアプローチとしては、TwelveLabs Marengo 3.0で商品動画を検索可能にする方法もあわせて検討してください。

静的処理とエージェント型を切り替える3つの判断軸

処理方式は、動画の長さ、質問の絞り込み度、結果に求める速さの3つで決めるのが実務的です。どれか1つだけで決めず、3つを順番に確認すると判断がぶれません。

1つ目の軸は動画の長さです。公式ドキュメントが示す5分という目安を出発点に、5分未満は静的処理、30分を超えるものはエージェント型を第一候補にします。5〜30分の動画は、質問の内容次第で結果が変わりやすい中間地帯なので、同じ動画を両方式で一度ずつ処理し、使用量と結果の質を比べてから決めると安全です。

2つ目の軸は質問の絞り込み度です。「サイズの質問に答えた場面」「自社商品が映った場面」のように探す対象がはっきりしているほど、エージェント型の利点が出ます。反対に、動画全体の雰囲気をつかみたい、要約を作りたいといった質問では、静的処理のほうが素直な結果になりやすいと考えられます。

3つ目の軸は結果に求める速さです。エージェント型は内部で探索を繰り返すため、最初の応答までの時間が延びる場合があります。ライブ配信の直後に急いで質問一覧を作りたい場面では、静的処理で全体をざっと見てから、気になる区間だけをエージェント型で掘り下げる、という二段構えも選択肢になります。夜間にまとめて処理する過去のアーカイブなら、速さより費用を優先してエージェント型を使うのが合理的です。

ライブ配信・レビュー動画の分析に使えるプロンプト4本

ここからは、Geminiのエージェント型動画理解を前提に、EC業務で使えるプロンプトを4本紹介します。いずれも「探す対象」を具体的に指定するのがコツです。範囲の広い質問は、公式ドキュメントが注意するとおり使用量が増えやすいからです。

1本目は、ライブコマースの録画から質問と回答を時刻付きで抜き出す依頼です。商品ページのFAQ作りに直結します。

プロンプト1:ライブ配信録画から視聴者の質問と回答を抽出

この動画は当店の{配信日}のライブコマース録画です。
視聴者からの質問に配信者が答えている場面だけを探し、次の形式で一覧にしてください。
1. 時刻(開始〜終了)
2. 質問の要旨(視聴者の言葉に近い表現で)
3. 配信者の回答の要旨
4. 関係する商品名({商品名リスト}から選ぶ。該当なしなら「不明」)
質問が{カテゴリ:サイズ/素材/洗濯/配送/価格}のどれに当たるかも付けてください。
推測で補った箇所には「推測」と書いてください。

2本目は、長尺のレビュー動画から自社商品への不満や不具合の指摘を探す依頼です。品質改善や問い合わせ対応の準備に使います。

プロンプト2:レビュー動画から自社商品への指摘を探す

この動画は第三者による{商品カテゴリ}の比較レビューです。
当店の商品「{商品名}」が映っている、または言及されている場面だけを探してください。
各場面について次をまとめてください。
1. 時刻
2. 良い評価か、不満・不具合の指摘か
3. 指摘の内容(実際の発言やテロップに沿って)
4. 他社商品と比較されている場合は、その比較の観点
発言をそのまま長く引用せず、要旨で書いてください。

3本目は、自社の商品紹介動画やライブ配信で、広告表現として問題になりうる発言やテロップを探す依頼です。薬機法・景品表示法の観点での一次チェックに使えますが、最終判断は専門家に確認してください。

プロンプト3:動画内の広告表現リスクを一次チェック

この動画は当店が配信した{商品カテゴリ}の紹介動画です。
発言とテロップの中から、次に当たる可能性のある表現を探し、時刻と該当箇所の要旨を一覧にしてください。
1. 効能・効果を断定する表現(病気が治ると受け取れる表現、体重の減少を保証する表現など)
2. 最上級・No.1表現で根拠が示されていないもの
3. 二重価格や期間限定など、条件の説明が不足している価格表現
各項目に、言い換え案を1つずつ添えてください。法的な最終判断ではなく一次チェックであることを冒頭に明記してください。

4本目は、倉庫や検品の記録映像から手順の抜けを探す依頼です。エージェント型が選んだ時間帯を細かく見直せる特性を生かします。

プロンプト4:検品作業の記録映像から手順の抜けを探す

この動画は当社倉庫の{作業名}の記録映像(約{時間}分)です。
標準手順は次のとおりです。
{手順1/手順2/手順3/手順4}
映像の中で、手順が飛ばされた、順番が入れ替わった、または確認動作が短すぎると思われる場面を探してください。
各場面について、時刻、該当する手順番号、気づいた点を書いてください。
映像から判断できない場合は「判断不可」と書き、無理に断定しないでください。

導入でつまずきやすい失敗例と回避策

1つ目の失敗は、短い動画にもエージェント型を一律で使うことです。30秒の商品動画を数百本まとめて処理する場面では、静的処理のほうが速く安くなるケースが多いと考えられます。回避策は、動画の長さで処理方式を分けることです。目安として5分を境に、それより短いものは静的処理、長いものはエージェント型で試し、実際の使用量を比べてから基準を決めます。

2つ目は、範囲の広い質問を投げることです。「この動画を要約して」のような質問では、AIが全体を見て回る必要があり、使用量の削減効果が出にくくなります。「サイズに関する質問の場面だけ」「自社商品に言及した場面だけ」のように、探す対象を絞った質問にするのが基本です。

3つ目は、他人の動画の扱いです。YouTubeの公開動画は分析の入力に使えますが、分析結果を自社の商品ページに転載する場合は、発言の引用や著作権の扱いに注意が必要です。レビュー動画から得た気づきは、自社の言葉で書き直して改善に生かす、という使い方が安全です。

KPI設計と費用・工数の目安

KPIは「1本あたりの処理費用」と「抜き出した情報の活用件数」の2つで見るのが実用的です。処理費用は、APIの応答に含まれる思考トークンとツール入力トークンを記録し、静的処理で同じ動画を処理した場合と比べます。活用件数は、ライブ配信から抽出した質問のうち、商品ページのFAQや説明文に反映できた件数で測ります。

費用面では、機能の追加料金はなく、通常のトークン単価で課金されます。PPC Landの整理では、発表時点の参考単価としてGemini 3.6 Flashが入力100万トークンあたり1.50ドル、出力7.50ドル、Gemini 3.5 Flash-Liteが入力0.30ドル、出力2.50ドルと紹介されています(最新の単価は公式の料金ページで要確認)。1時間のライブ配信録画を月に4本処理する程度なら、静的処理でも費用は大きくありませんが、エージェント型で使用量を抑えられれば、アーカイブの過去分をまとめて分析する計画も立てやすくなります。

工数面では、API連携の開発に慣れたチームなら、動画のアップロードから結果の一覧出力までの試作は1〜2日程度が目安です。開発体制がない店舗は、まずGoogle AI Studioの画面で、手元の動画とプロンプトを使って結果の質を確かめてから、外注するかどうかを判断する流れが現実的です。

今後の展望と独自考察

エージェント型動画理解は、「動画を全部読ませる」時代から「必要な場面を探させる」時代への転換点と読めます。EC事業者の手元には、ライブ配信の録画、インフルエンサーのレビュー、店舗やイベントの記録など、活用しきれていない長尺動画が眠っています。これらを低い費用で検索・抽出できるようになれば、商品ページやFAQの改善材料を動画から継続的に取り出せるようになります。

Googleは、GeminiアプリのFlash系モデルや、YouTubeの視聴ページでの「Ask YouTube」にも同様の仕組みを今後展開する予定と伝えられています(時期は未定)。消費者がYouTube上で「この動画のどこでサイズの話をしている?」と聞けるようになれば、レビュー動画の中での自社商品の言及され方は、これまで以上に購買判断に直結します。動画内で自社商品がどう語られているかを把握しておくことは、AI時代の評判管理の一部になっていくと考えています。

よくある質問

エージェント型動画理解とは何ですか?

エージェント型動画理解とは、AIが質問に必要な場面を自分で選び、その部分だけを読み込んで動画を解析する方式のことです。従来の静的処理は、動画を一定間隔のコマで全部読み込みます。Gemini APIでは2026年9月1日に提供が始まりました。

追加料金はかかりますか?

いいえ、機能自体の追加料金はありません。通常のトークン単価で課金され、移動のための推論は思考トークン、読み込んだ映像や音声はツール入力トークンとして計上されます。使用量が減れば、その分だけ費用が下がる仕組みです。

30秒の商品紹介動画にも使うべきですか?

いいえ、短い動画には静的処理のほうが向いている場合が多いです。公式ドキュメントは、5分未満の動画や範囲の広い質問では総トークン数が増え、応答も遅くなる場合があると注意しています。長尺のライブ配信やレビュー動画から一部を探す用途で使うのが効果的です。

どのモデルで使えますか?

本記事執筆時点の公式ドキュメントでは、Gemini 4 Carbon、Argon、Neon、Hydrogen、3.8 Flash、3.6 Flash、3.5 Flash Liteが対応モデルとして挙げられています。発表時は3.7 Flashなども対象でしたが、モデルの入れ替わりが速いため、最新の対応状況は公式ドキュメントで確認してください。

YouTubeの動画をそのまま分析できますか?

はい、公開されているYouTube動画はURLを指定して分析できます。ただし、URL指定はプレビュー扱いの機能で、無料枠では1日8時間分までの上限があります。分析結果を自社サイトに使う場合は、発言の引用や著作権の扱いに注意してください。

楽天市場のライブ配信の録画にも使えますか?

はい、録画ファイルを手元に保存できれば、File APIにアップロードして分析できます。録画の保存方法や二次利用の可否は、各配信サービスの規約で確認してください。抽出した質問を楽天市場の商品ページのFAQに反映する使い方は、規約の範囲内で取り組みやすい活用例です。

まとめ

Geminiのエージェント型動画理解は、AIが必要な場面だけを選んで読み込むことで、長尺動画の解析に必要なデータ量をGoogleの発表で最大88%減らした機能です。設定はmedia_processing="AGENTIC"を指定するだけで、追加料金はありません。EC事業者にとっては、ライブ配信の録画や長いレビュー動画から質問や指摘を抜き出す用途で効果が出やすく、短い商品紹介動画は従来の静的処理のほうが向いています。動画の長さと質問の絞り方で処理方式を使い分けることが、費用を抑えて成果を出す近道です。

参考文献


著者:齋藤竹紘(株式会社オルセル 編集長/5,000社以上のEC支援実績/書籍3冊)


※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談(30分)も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/


【監修】齋藤竹紘(株式会社オルセル代表 / 19年・5,000社のEC支援実績)


投稿者: 齋藤竹紘

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。

お問い合わせ