この記事の「約40%短縮」などはGoogleが公表したADKの検証結果です。ふくふくではArgonによるコード改善も、このADKベンチマークの追試も行っていません。一方、後半のキャッシュ教材は編集部が作成して実行し、意図した失敗と修正後の合格を確認しました。
Gemini 4 Argonが、発表だけの段階から一般提供へ進みました。Googleの発表日時は2026年10月13日16時UTC、日本時間では10月14日1時です。9月30日の初回発表を扱った前回記事からの重要な差分は、有料APIや対象プランで利用が始まったことです。一般提供の公式発表
同日に公開された開発事例には、「AIに一晩任せたら速くなった」という見出し以上の価値があります。Googleの開発チームは、モデルが提案した六つの最適化のうち、四つを採用しませんでした。自社の受発注処理や集計プログラムをAIで改善したい人にとって、参考になるのは、この採否を分けた検査です。
まずどこで使えるか。APIとアプリの契約を分ける
| 使う場所 | 公式の提供対象 | 始める前に確認すること |
|---|---|---|
| Gemini API | 有料のAPI利用枠。モデルIDはgemini-4-argon | API用の課金設定、利用枠、予算。アプリの定額契約と分ける |
| Google Antigravity / AI Studio | Google AI Ultra加入者向けの提供を案内 | 自分のアカウントで対象モデルを選べるか |
| Geminiアプリ / 検索のAIモード | Google AI ProまたはUltra加入者 | コードを実行・検査する環境とは用途を分ける |
これは10月13日の一般提供発表に基づく整理です。APIの案内にある「無料枠やProでは利用できない」という記述を、そのまま一般向けGeminiアプリへ広げないでください。製品ごとに利用経路が異なります。公式の提供先一覧 / 開発者向けガイド
日本はAI StudioとGemini APIの提供地域に含まれます。公式には18歳以上などの利用条件もあります。ただし、今回ふくふくのアカウントでArgonが選べることまでは確認していません。既存の対象契約やAPI環境がある場合に、モデル選択画面と利用枠から確認できます。対象地域・利用条件
Argonはクラウドで利用するモデルで、今回の一般提供を「モデルをダウンロードしてMacだけで動かせる」という意味に取ることはできません。APIを呼ぶ開発環境と、後半のオフラインPython教材も別です。教材にはArgonの契約もAPIキーも要りません。
| 標準API単価（100万トークン当たり） | 2026年11月30日まで | 12月1日以降 |
|---|---|---|
| 通常の入力 | 2ドル | 4ドル |
| キャッシュされた入力 | 0.10ドル | 0.20ドル |
| 出力（思考トークンを含む） | 10ドル | 20ドル |
導入価格の終了日も、今回の開発者向け資料で確認できます。キャッシュ入力の割引はヒットした分に適用され、すべての入力が安くなるわけではありません。上の表はモデルの標準API料金です。別の推論区分やツールを使う場合は料金表を確認し、定額プランの費用と混同しないようにします。一晩の作業費用は、作業時間だけからは求められません。公式ガイドの料金
約20万行の改善で、六つの案のうち二つだけが残った
Googleが対象にしたのは、AIエージェントを作るPython版Agent Development Kit（ADK）です。約20.5万行の既存コードに対し、チームのルールを.agents/skillsへ置き、Antigravityの/goalで作業を続けさせたと説明しています。最終的には人が変更をレビューして採用範囲を絞りました。詳説記事は10月13日、対応する公開コミットは10月7日です。公式事例 / 変更コミット
| 判断 | 変更の方向 | 見たポイント |
|---|---|---|
| 採用 | 必要な会話履歴を絞ってからコピーする | 同じ内容を返しながら無駄な処理を減らす |
| 採用 | 重いモジュールを必要なときに読み込む | 既存の公開属性やテストとの互換性を保つ |
| 見送り | 複数エージェント用のキャッシュ | 古いデータを返す可能性が残った |
| 見送り | 内部属性を使う計測処理の省略 | 依存ライブラリの更新で壊れる懸念があった |
| 見送り | 会話履歴を組み立てる処理の書き直し | 読みづらさが増す一方、別の検査で実用的な短縮がなかった |
| 見送り | 再生用イベントの索引 | 人工的な試験での効果に対し、状態管理が複雑になった |
この採否はGoogleの説明を要約したものです。AIが考えた案を全部取り込むことと、仕事に役立つ改善を選ぶことは違います。既存システムでは「計算は速いが更新後に古い数字を出す」「本番とは違う入力でしか効かない」という変更も、速度試験だけなら良い案に見えてしまいます。採否の理由
「40%」が表している待ち時間はどれか
数字を読むときは、処理全体と一部分を分けます。公開コミットには、即座に返答するモデルとツールを使い、ADK自体の処理時間を測った結果が載っています。実際のLLMが文章を生成する待ち時間まで40%短くなったという測定ではありません。
| Googleの測定項目 | 変更前 → 変更後 | 読み取り方 |
|---|---|---|
| 50ターン後、最初のモデル要求まで | 64ms → 36ms | この前処理は約43%短縮 |
| 150ターン後、最初のモデル要求まで | 200ms → 122ms | この前処理は約39%短縮 |
| 158ターン全体 | 65.6秒 → 56.1秒 | 全体では約14%短縮 |
| 新規プロセスでADKをimport | 1.22秒 → 0.97秒 | 読み込み部分は約21%短縮 |
| 新規プロセスから最初のモデル要求まで | 3.07秒 → 3.09秒 | この測定では短縮していない |
いずれもGoogle側の測定値で、中央値は6〜12回の実行から算出されています。表の最初の二行はガベージコレクションを無効にした条件です。ここでいうターンは内部の処理ステップで、利用者が送った質問の回数とは同じではありません。測定条件と数値
また、会話履歴のコピーを減らす改善は、メモリ内のセッションを使う経路が対象です。別の保存方式を使うシステムへ同じ短縮率を当てはめることはできません。自社の仕事では、「CSVの読み込み」「計算」「画面表示」「外部APIの返答待ち」を分け、一番時間を使う場所で変化があるかを見るのが実用的です。
5分で試す。「速いけれど古い合計」を見つける教材
この問題を小さく確かめるため、金額の合計を返す独自教材を用意しました。100円と200円の二行なら合計は300円です。一行目を150円へ変えれば350円になります。ところが、欠陥版は「行数が変わらなければ前の合計を再利用する」ため、二行のまま金額を変えたときに300円を返します。
Googleの実際の欠陥と同じコードではありません。「キャッシュが速くても、更新後の正しさを別に調べる」という考え方を学ぶための架空例です。ダウンロードには元の実装、欠陥版、修正版、実行記録を収録しました。Python教材ZIPをダウンロード
必要なのはPython 3.10以降だけです。追加ライブラリやネットワーク接続は使いません。ZIPを展開したargon-code-review-labフォルダで次のコマンドを一つずつ実行します。Windowsではpython3をpy -3へ置き換えてください。編集部ではmacOS / Python 3.12.10で確認し、WindowsとLinuxでは未実行です。
python3 cache_lab.py --check baselinepython3 cache_lab.py --check buggypython3 cache_lab.py --check fixed| 実装 | 編集部で確認した結果 | 同じ行数で金額を更新した後 |
|---|---|---|
| baseline：毎回計算 | 8項目合格・終了コード0 | 350円 |
| buggy：行数だけでキャッシュ判定 | 7項目合格、1項目失敗・終了コード1 | 300円のまま |
| fixed：更新の版番号でキャッシュ判定 | 8項目合格・終了コード0 | 350円 |
修正版は、用意した更新メソッドを呼ぶたびに版番号を進めます。前回と版が違えば計算し直す仕組みです。ただし、この教材の更新経路に対する修正であり、複数の処理が同時に書き込む問題や、データベースの更新まで解決するものではありません。更新方法が増えれば、その経路も検査へ追加します。
python3 cache_lab.py --benchmark速度だけの試験も用意しました。この試験はデータを変更せず繰り返し読むので、欠陥版も正しい合計を返して通過します。編集部の計測ではキャッシュ版の待ち時間は小さくなりましたが、それは金額変更後に正しくなることを意味しません。具体的な時間と全試行はZIPのobserved-results.jsonに残しています。端末によって時間は変わるため、倍率を合格条件にはしていません。
自分のデータへ移すなら、「同じ件数で金額だけ変える」「データが空になる」「別の顧客へ切り替わる」といった変化を選び、期待する答えを先に書きます。何度も同じ入力を読む試験だけでは、日々更新される業務の不具合を見逃しやすくなります。
実際にArgonへ依頼するときの日本語指示文
対象モデルが使える既存のAntigravity環境では、作業用に複製した小さなリポジトリから始められます。モデル一覧でGemini 4 Argonを選び、守りたい仕様と検査コマンドを記したうえで依頼します。以下は編集部が作成した依頼文で、Argonでの実行結果ではありません。
/goal この作業コピーの集計処理を改善してください。
最初に、入力、出力、公開API、変更してはいけない仕様を読み、現状の処理時間を記録してください。ボトルネックを確認してから変更案を選んでください。
出力の値と型、並び順、例外の条件を維持します。速度測定には同じ入力を使い、計測回数と中央値を残してください。
キャッシュを追加する場合は、同じ件数で内容だけを更新するケース、空の入力、別の顧客のデータで検査してください。既存テストを書き換えて失敗を隠さないでください。
変更後は、回帰テストと、最適化に使っていない別の入力で結果を比較してください。速くならない案や保守負担が増える案も、その理由を記録してください。
変更案ごとに、変更前後の数値、検査結果、残る制約をまとめてください。レビュー用の差分まで作り、マージ・本番公開・依存関係の大幅更新は行わないでください。AIへすべての正解を教える必要はありませんが、人が検収する側には期待値を用意します。たとえば月次売上なら、売上金額の一致、取消行の扱い、同日内の順序などです。速さを求める依頼と同時に、変えてはいけない意味を言葉にしておくと、レビューの論点がはっきりします。
| 変更案ごとに残す項目 | 記録する内容 |
|---|---|
| 処理の対象 | データ量、更新頻度、現実の利用場面 |
| 正しさ | 同一入力の答えと、更新後に期待する答え |
| 待ち時間 | 部分処理と仕事全体を分けた変更前後の値 |
| 利用費 | 確認できたAPI使用量や利用枠。未取得は未取得と記す |
| 採否 | 採用、修正して再確認、見送りのいずれかと理由 |
事務担当者と開発担当者で役割を分けるなら、前者が「業務上、変わってはいけない答え」を決め、後者がそれを自動検査へ落とし込みます。AIが多くの改善案を出せるほど、この小さな検収表が役立ちます。全部を採用する必要はなく、変更が少なくても仕事全体の待ち時間が減り、更新後も正しい案を残せれば十分です。
確認日：2026年10月14日。一般提供と料金は当日のGoogle公式資料、ADKの数値は公開コミット1754b3eと公式事例を参照しました。Argon自体の試用は未実施です。自作Python教材では、元実装と修正版の合格、欠陥版の意図した失敗を確認しています。