Googleは2026年9月1日、Geminiに動画を自律的に拾い読みする「エージェント型動画理解」を追加しました。
長時間の内見動画や現地撮影データをAIに読ませたいが、コストが読めずに止まっている。そんな不動産事業者にとって無視できない発表が出ました。Googleが公開したエージェント型動画理解（agentic video understanding）は、トークン消費を最大88パーセント、コストを最大66パーセント削減しながら、精度を最大7パーセント向上させたと公表しています。本記事は、宅建業免許（東京都知事(1)第113520号）を保有し、AI導入コンサル100社超の実績を持つ株式会社オルセル（不動産のチカラ運営）が、内見動画・現地動画のAI活用という観点から3つの論点で解説します。
何が起きたか：Geminiが動画を「拾い読み」できるようになった
エージェント型動画理解とは、AIが動画の必要な部分だけを自分で探して見に行く処理方式のことです。Google公式ブログによると、対応モデルはGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteの3つで、公開は2026年9月1日です。海外AI専門メディアのThe Decoderも、トークン使用量を最大88パーセント削減する機能として報じています。
従来の動画解析は「静的処理」と呼ばれ、動画を一定のコマ数（初期設定は毎秒1フレーム）で機械的に読み込む方式でした。90分の動画なら、必要な場面が最後の3分にあっても、頭から全部を等しく読み込みます。当然トークンは膨らみ、かといってコマ数を落とせば肝心の一瞬を取りこぼします。
今回の方式は、モデル自身が「どこを」「どの速さで」「どのモダリティ（映像・音声・文字起こし）で」見るかを判断し、必要な区間だけを内部ツールで呼び出します。Googleは、1秒未満の瞬間の抽出、複数時間の動画からの一点検索、異常検知、動作や物体の正確なカウントを具体的な用途として挙げています。利用方法はAPI設定で処理方式を「agentic」に指定するだけで、追加料金は発生せず、通常のGemini APIトークン課金のままです。
日本の不動産事業者にとっての論点1：内見動画のコストが読める水準に近づいた
不動産の現場で撮られる動画は、そもそも長くて散らかっています。1物件の内見動画が10分から20分、リノベ前の現況撮影やオーナー立ち会いの現地確認になれば30分を超えることも珍しくありません。この長さこそが、動画のAI活用が進まなかった最大の理由でした。
Googleが今回とくに効果が大きいと説明しているのが、まさにこの長尺動画の領域です。10分程度の手順動画から90分の講義、数時間の記録映像まで、静的処理では「高いトークンコストを払う」か「重要な情報を落とす手法を使う」かの二択を迫られていたと明記しています。トークンが最大88パーセント減るということは、単純計算で同じ予算で8倍以上の動画本数を処理できる可能性があるということです。ただしこの数値は標準的な動画解析ベンチマークでの上限値であり、内見動画で同じ削減率が出るかは各社での検証が必要です。この点は要確認としておきます。
具体的な用途としては、内見動画から間取り・設備・傷や劣化箇所を自動で拾い出して物件コメントの下書きにする、複数時間ある現地確認動画から「浴室の給湯器」が映る箇所だけを秒単位で引き当てる、といった作業が現実的な射程に入ります。当メディアでは以前、内見動画のAIスクリプト自動生成や物件写真のAIキャプション生成を扱いましたが、静止画で成立していた自動化が、コスト面で動画にも広がりはじめたと捉えるのが実態に近いはずです。
日本の不動産事業者にとっての論点2：値下げ競争の本命は「読み方の効率化」に移った
もう一つ押さえておきたいのは、AIの安さの出どころが変わってきたことです。2026年8月にはGemini 3.7 Flashが前世代の価格を50パーセント下回る形で登場しましたが、あれは単価そのものの引き下げでした。今回の88パーセント削減は単価ではなく、同じ単価のまま読み込む量を減らすアプローチです。
この違いは実務上けっこう重要です。単価の値下げは競合も同時に恩恵を受けるので差になりませんが、処理方式の選択は使う側の設計次第で差が出ます。動画を丸ごと投げ続ける運用と、必要な区間だけ取りに行かせる運用では、同じモデルを使っても月額のAPI費用が一桁変わりうるということです。AI活用のコスト管理が「どのモデルを選ぶか」から「どう読ませるか」に移ってきている、という見方をしています。
今後の展望と初動アクション
まず動くべきなのは、すでに動画資産を持っている賃貸管理会社と売買仲介です。過去に撮った内見動画や現地確認動画が社内サーバーやクラウドに眠っているなら、それは学習済みの資産ではなく、まだ一度も読まれていない在庫データです。まずは10本程度を選んで、Google AI Studioで処理方式を「agentic」にした場合と従来設定の場合で、トークン消費と抽出精度を実測してください。判断材料は自社データからしか出てきません。
次に、社内の運用ルールを先に決めておくことです。内見動画には入居者の私物、表札、近隣住民、車のナンバーが映り込みます。個人情報保護法の観点から、AIに投入する前のマスキング基準と、外部APIへの送信可否を社内規程として明文化しておく必要があります。技術的にできることと、宅建業者として送っていいデータは別物です。
三つ目に、YouTube連携の動きを見ておくことです。Googleは今後数か月のうちに、YouTubeの「Ask YouTube」機能にこの技術を適用すると述べています。物件紹介動画をYouTubeに置いている事業者にとっては、視聴者がAIに質問して答えを得る導線が増えるということであり、動画内で語る情報の設計そのものが集客に効いてくる可能性があります。
まとめ
Geminiのエージェント型動画理解は、長尺動画のAI解析コストを最大88パーセント下げる処理方式です。不動産業では内見動画・現地確認動画という長くて重いデータを大量に抱えているため、恩恵を受けやすい領域といえます。まずは自社動画10本での実測と、個人情報の投入基準づくりから始めるのが現実的な一歩です。
参考文献
- Google公式ブログ「Introducing agentic video understanding with Gemini」
- Gemini API 公式ドキュメント（Video understanding）
- The Decoder「Google Gemini’s new agent-based video analysis cuts token usage by up to 88 percent」
- Gemini Enterprise Agent Platform 公式ドキュメント
※不動産のチカラでは、生成AIの導入支援から運用最適化まで、貴社の不動産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://fudosannochikara.jp/contact/
引用元: The Decoder
【監修】齋藤竹紘（株式会社オルセル代表 / EC支援19年5,000社超・AIコンサル100社超 / 宅建業免許 東京都知事(1)第113520号）