投稿者アーカイブ

GPT-5.5が企業向けエージェントにもたらす変革、Databricks導入事例

GPT-5.5が企業向けエージェントにもたらす変革、Databricks導入事例

大規模言語モデルの進化が、企業の実務ワークフローに直接的な成果をもたらし始めている。データ分析基盤を提供するDatabricksが、OpenAIの最新モデルGPT-5.5を社内向けAIエージェントに組み込んだ結果、複雑な文書処理タスクを評価するベンチマーク「OfficeQA Pro」でエラーが46%も減少した。GPT-5.5はこのベンチマークで初めて正解率50%を超えたモデルとなった。

この結果は「モデルの性能向上が、実際のビジネス指標にどう結びつくか」を示す重要な事例だ。単なる会話能力の評価ではなく、スキャンされたPDFや古い社内フォーマットの文書を解析し、複数ステップのタスクを自律的に遂行する能力が問われている。本記事ではGPT-5.5がどのような技術的進歩を遂げ、企業のAI活用にどんな可能性を開くのかを解説する。

企業向けAIエージェントの現在地、なぜ文書処理が壁になるのか

企業向けAIエージェントの現在地、なぜ文書処理が壁になるのか

企業がAIエージェントを導入する際、最初にぶつかる壁が「社内文書の解析」だ。契約書や見積書、古いシステムから出力されたレポートなど、形式がバラバラな文書をAIに理解させるのは想像以上に難しい。特にスキャンされたPDF(画像として取り込まれた文書)や、数十年前のレガシーフォーマットで保存されたファイルは、最新のAIでも正確なテキスト抽出に失敗することが多い。

この問題の深刻さは、小さな認識ミスが後続の処理全体を狂わせる点にある。たとえば請求書の金額を一桁間違えて抽出すれば、その後の経理処理やレポート作成がすべて誤った情報で進んでしまう。人間なら「明らかにおかしい」と気づくようなエラーでも、AIエージェントは抽出した数値をそのまま信じて処理を続ける。これが企業現場でのAI導入を妨げる最大の障壁となっていた。

OfficeQA Proベンチマークの評価観点とは

Databricksが開発したOfficeQA Proは、こうした実務課題を忠実に再現する評価指標だ。このベンチマークでは、モデルに対して以下の3つの能力が求められる。

  • 文書解析(Parsing):スキャンPDFやレガシーファイルから正確に情報を抽出する能力
  • 情報検索(Retrieval):長大な文書群の中から必要な情報を見つけ出す能力
  • 根拠に基づく推論(Grounded Reasoning):抽出した情報をもとに、論理的な判断や回答を生成する能力

単なる知識クイズではない。バラバラなフォーマットの文書を理解し、複数のステップを経て最終的なアウトプットを出す「エージェントとしての実務能力」が試される設計になっている。

従来モデル(GPT-5.4)
スキャンPDF 抽出ミス発生 後続処理がすべて誤る
※誤った数字をそのまま信じて処理を継続してしまう
GPT-5.5
スキャンPDF 正確に抽出 エラー46%削減
※古い文書やスキャンPDFの解析精度が段階的に向上

上図のように、GPT-5.5への切り替えによって文書解析のエラーが大幅に減り、後続のワークフロー全体の信頼性が向上した。この改善の背景には、モデルの視覚認識能力と言語理解の統合が進んだことがあると見られている。

GPT-5.5が達成した二つの飛躍的改善

GPT-5.5が達成した二つの飛躍的改善

Databricksが報告したGPT-5.5の改善点は、大きく二つの領域に分かれる。一つは文書解析精度の劇的な向上、もう一つは複数ステップのタスクを効率的に管理するオーケストレーション能力の進化だ。

スキャン文書解析の「ステップ関数的」な進歩

Databricksの記事で同社のSinghvi氏が指摘するように、GPT-5.4まではスキャンされた古い文書から数字を正確に読み取れないケースが頻発していた。これに対しGPT-5.5は、古い文書やスキャンPDFの解析において「ステップ関数的な性能向上」を見せたという。「ステップ関数的」とは、なだらかな改善ではなく、階段を一段上がるように非連続的な飛躍があったことを意味する。

この進歩が特に重要なのは、企業が保有する文書の多くが過去の資産だからだ。10年前の契約書、5年前の監査レポート、紙をスキャンしてPDF化した資料。こうした「過去の遺産」を正確に解析できるかどうかが、AIエージェントの実用性を左右する。GPT-5.5はこの壁を一つ越えたと言える。

ムダな遠回りをしないタスク実行能力

もう一つの重要な改善が、複数ステップのタスクを実行する際の軌道(Trajectory)の最適化だ。GPT-5.4では、目的に対して不必要な検索を繰り返す「遠回り」が発生し、非効率な処理経路をたどることがあった。これはエージェントが過剰に「慎重」になりすぎる、あるいは文脈を適切に把握できずに余計な確認作業を挟んでしまう問題だ。

GPT-5.5では、必要な情報を必要なタイミングで的確に取得し、最短のステップでタスクを完了する能力が高まった。追加の監視や人間による修正なしに、複雑なワークフローを完遂できる信頼性が向上している。

GPT-5.4のタスク遂行経路(非効率な例)
タスク受付 不要な検索A 本来の検索 不要な検索B ようやく回答
※過剰な確認で処理が長引く
GPT-5.5のタスク遂行経路(最適化後)
タスク受付 必要な検索のみ 最短で回答
※文脈を適切に把握し、最短経路で完了

この改善は、企業がAIエージェントに求める「人間の監視なしで動く自律性」に直結する。タスクが長引けばそれだけコストも増え、途中で人間が介入する必要性も高まる。GPT-5.5はこの課題に対して明確な前進を示した。

企業ワークフローへの実装、AgentBricksとAI Unity Gateway

企業ワークフローへの実装、AgentBricksとAI Unity Gateway

DatabricksはGPT-5.5を単独のチャットボットとして使っているわけではない。同社の「AI Unity Gateway」を通じて、AgentBricksやAgent Supervisor APIといったエージェント構築基盤と統合し、実際のビジネスワークフローに組み込んでいる。

AgentBricksとは、Databricksが提供するエージェント構築フレームワークだ。専門特化した複数のエージェントを組み合わせ、複雑な業務プロセスを自動化できる。ここでGPT-5.5は「監督者(Supervisor)」として機能する。各専門エージェントが文書解析やデータ検索、レポート生成といった個別タスクを担当し、GPT-5.5が全体の流れを管理して適切なタイミングで適切なエージェントに指示を出す。このアーキテクチャによって、単一モデルでは扱いきれない複雑な業務フローが実現できる。

GPT-5.5(監督エージェント)
タスク全体のオーケストレーションと判断を担当
文書解析エージェント :スキャンPDFのテキスト抽出を担当
情報検索エージェント :社内文書からの関連情報取得を担当
レポート生成エージェント :収集した情報をもとに成果物を作成
AI Unity Gatewayを通じて顧客がこの構成をカスタマイズ可能

この「監督者モデル」のアプローチは、今後の企業向けAI活用の主流になると考えられる。一つの巨大モデルがすべてを処理するのではなく、専門エージェントを束ねる統括役としてLLMを配置する設計だ。GPT-5.5のオーケストレーション能力の向上は、この設計思想と見事にマッチしている。

ナレッジワークにおけるGPT-5.5のインパクト

ナレッジワークにおけるGPT-5.5のインパクト

DatabricksのSinghvi氏は「GPT-5.5は知識作業においてステップ関数的な変化をもたらした」と評している。単に質問に答えるだけでなく、複数の文書を横断して情報を統合し、文脈を理解した上で判断を下す「知識労働の代替」としての性能が大きく向上したという評価だ。

この評価が特に重要なのは、AIが「単なる道具」から「業務のパートナー」へと役割を変えつつあることを示唆しているからだ。従来のAIアシスタントは、人間が明確に指示したタスクを実行するのが限界だった。GPT-5.5を中核に据えたエージェントは、曖昧な指示や複雑な文脈でも自律的に判断し、複数ステップの業務を完遂できる水準に近づきつつある。

日本企業への示唆、データ資産の再活用という視点

この事例から日本企業が学ぶべきポイントは明確だ。多くの企業が「過去の文書資産」を抱えている。紙で保管された契約書、古い基幹システムから出力された帳票、スキャンされたPDFの山。これらをAIで解析し、活用可能なデータに変換する技術が現実のものになりつつある。

ただし注意点もある。GPT-5.5の性能向上が顕著だったのは「スキャン文書の解析」と「複数ステップのオーケストレーション」であり、これはモデル自体の進化に加えて、Databricksのエージェント基盤との統合設計が効いている。単に高性能なLLMを導入するだけでは同様の成果は得られない。データ基盤とエージェント設計の両面からアプローチする必要がある。

この記事のポイント

  • GPT-5.5は企業の実務ベンチマークOfficeQA Proでエラーを46%削減し、初めて正解率50%を突破した
  • 特にスキャンPDFやレガシー文書の解析精度が飛躍的に向上し、古い文書資産の活用が現実的に
  • 複数ステップのタスクを効率的に管理するオーケストレーション能力も改善し、自律的な業務遂行が可能に
  • DatabricksではGPT-5.5を監督エージェントとして配置し、専門エージェント群を統括する設計を採用
  • 日本企業にとっては、過去の文書資産をAIで再活用できる可能性が開けた事例として注目すべき
海田 洋祐
GitHubがアクセシビリティエージェントを試験運用。3,535件のPRをレビューし解決率68%

GitHubがアクセシビリティエージェントを試験運用。3,535件のPRをレビューし解決率68%

GitHubは2026年5月、実験的な汎用アクセシビリティエージェントの試験運用を開始した。このエージェントはプルリクエスト内のフロントエンドコードを自動的にレビューし、アクセシビリティ上の問題を指摘する。さらに多くのケースで修正案まで提示する。

運用開始後に3,535件のプルリクエストをチェックし、68%という高い解決率を達成。構造の明確化やインタラクティブ要素の名前付け、テキスト代替など、日常的に発生するバリアを自動で取り除く仕組みだ。

GitHubのブログで公開された知見には、アクセシビリティチームが取り組んだ設計方針や、LLMエージェントならではの制限への対処法が詰まっている。本記事ではその要点を技術者向けに掘り下げる。

エージェントの目的と初期成果

エージェントの目的と初期成果

📋 エージェントが検出した問題の上位5種

  • 支援技術への構造と関係性の明示不足
  • インタラクティブ要素の名前の不明瞭さ
  • 重要なアナウンスがユーザーに届かない
  • 非テキストコンテンツの代替テキスト欠如
  • フォーカス順序が視覚レイアウトと一致しない
3,535件 のPRをレビュー
68% の解決率

※エージェントは自動修正を適用するか、開発者に具体的な提案を提示する

GitHubの発表によれば、このエージェントはアクセシビリティを「完全に解決する」ことを狙っていない。現場のエンジニアがアクセシビリティ上のバリアを見つけて取り除く作業を「増強する」存在として設計された。そのため、あらゆるケースに対応する「銀の弾丸」ではないと明言されている。

この姿勢が実験の立ち上げを加速させ、社内の賛同を得るうえで有効だった。スコープを限定し、明確な責任範囲を共有することで、過度な期待を防ぎつつ素早く実装できたという。

エージェント設計を支える考え方

エージェント設計を支える考え方

GitHubのチームは「障害の社会モデル」に基づき、環境の作り方によってアクセス障壁が生まれると捉えている。ユーザーインターフェースの構築方法そのものが障壁を生み出すため、エージェントは仲間の作業を補い、そうした障壁の除去を支援する役割を担う。

つまり「人間の判断を置き換えるAI」ではなく、「アクセシビリティ専門家の補助輪」として機能させる考え方だ。この方針が、後述するサブエージェント構造や複雑性評価の仕組みに一貫して織り込まれている。

過去のアクセシビリティ改善がエージェントを支えた

過去のアクセシビリティ改善がエージェントを支えた

GitHubにはLLMが普及する以前から、アクセシビリティの問題を体系的に記録し修正する仕組みが存在していた。テンプレート化された報告フォーム、再現手順、WCAG達成基準との紐付け、修正プルリクエストへのクロスリンクといった豊富なメタデータを備えた単一のリポジトリに、すべての問題が集約されている。

この構造化されたデータの蓄積こそが、エージェントにとって理想的な「学習素材」になった。GitHubのブログ記事は「過去の手作業による監査と修正こそが最大の資産」と強調している。問題とその修正コードを参照することで、エージェントは組織固有のコーディング規約やUIパターンに沿った適切な提案を引き出せるようになった。

さらに、LLMの非決定的な「あいまい一致」がここでは強みに転じた。定型のスキルファイルだけで「アクセシビリティのベストプラクティスに従え」と指示しても、膨大な非アクセシブルコードで訓練されたモデルはむしろアンチパターンを生成しがちだ。過去の修正履歴から具体的な文脈を参照できることで、質の高い出力が安定した。

効率的なトークン消費のためのサブエージェント戦略

効率的なトークン消費のためのサブエージェント戦略

アクセシビリティはコード、デザイン、ライティングなど多領域にまたがる全体的な関心事だ。そのため、一般的なエージェントを作ろうとすると、1回の処理で大量のトークンを消費し、応答速度の低下や運用コスト増、信頼性の低下を招く。

⏺ 親エージェント(Orchestrator)

  • リクエストの振り分けとコードスキャン
  • 複雑性スコアの算出
  • エスカレーション判断と再監査ループ
📊 レビューサブエージェント(読み取り専用)

コード監査とWCAG調査を実施し、構造化された監査レポートを出力する。コード変更は一切行わない。

🛠 実装サブエージェント(書き込み可)

親エージェントから渡された構造化レポートを基に、コード修正またはガイダンス文書を生成する。

親エージェントが出力を検証し、必要なら人間の専門家へエスカレーションする

2つのサブエージェントはサンドボックス化され、直接通信はしない。構造化テンプレートを介して情報を受け渡す。

GitHubは当初、1つのモノリシックなエージェントで始めたが、すぐに限界を感じたという。そこで採用したのが、2つの専用サブエージェントによるアーキテクチャだ。

1つ目は「パッシブなレビューア」。コードの監査とWCAG達成基準との照合を行い、構造化されたレポートを出力する。2つ目は「アクティブな実装者」。親エージェントがレポートを精査した後、修正が必要な箇所だけにコード変更を加える。両者は直接情報をやり取りせず、テンプレート化されたスキーマファイルで内容を渡す。

この構成には明確な意図がある。レビューサブエージェントは「意見を持たず」すべての問題を列挙し、親エージェントが重要度を評価する。複数の重大なWCAG違反がある場合や、高リスクと判定されたパターンでは自動修正を試みず、アクセシビリティチームへのエスカレーションを促す。コードの複雑性が閾値を超えれば、修正ではなくガイダンス提供のみの「ガイダンス専用モード」に切り替わる。

さらに、メソッド的な手順で指示を実行させることが精度向上の鍵だった。親エージェントに「フェーズ1 調査」「フェーズ2 コード監査」「フェーズ3 構造化出力」という順序を徹底させ、各フェーズ内のステップも固定順で実行する。この線形な流れは、人間が手動で監査と修正を行うときの思考手順をそのままなぞったものだ。

エージェントの限界を理解し対策する

エージェントの限界を理解し対策する

どれほど精心に設計しても、LLMベースのエージェントには避けられない落とし穴がある。GitHubは実験を通じて、以下の領域に特に注意を払った。

コードの複雑性を数値化して介入を制御する。シェルスクリプトでコードの相対的な複雑度をスコア化し、閾値を超えた場合は自動修正を禁止する。エージェントは「アクセシビリティチームに相談してください」と開発者に伝えるだけにとどめる。

高リスクパターンをブラックリスト化する。ドラッグアンドドロップ、トースト通知、リッチテキストエディタ、ツリービュー、データグリッドなど、現在のLLMでは支援技術と完全に調和する実装が困難なUIパターンが対象だ。これらのパターンを含むコードに対しては、エージェントは修正を生成せず、必ず人間の介入を求める。

「行動バイアス」を抑える。LLMはとにかく何かを生成したがる性質があるため、コードを書かないよう指示されたルールをかいくぐろうとする行動が見られた。これに対抗するため、指示違反を防ぐ「アンチゲーミング」ルールを導入した。

自動化で検出できない36%の壁を認識する。WCAG 2.1のレベルAとAAの達成基準は55項目あるが、そのうち決定論的な自動チェックで検出できるのは35項目にとどまる。残り約36%は手動評価が不可避だ。エージェントの成功率だけを見て安心してはならず、設計段階から手動でアクセシビリティを検討する重要性をGitHubは強調している。

WCAG A/AA達成基準55項目の内訳

64%
自動検出可能
36%
手動評価が必要

LLMエージェントはこの36%の領域に挑戦しているが、まだ完全ではない。設計とプロトタイピングの段階で人間がバリアを特定するプロセスが不可欠。

加えて、エージェントの出力を定期的に手動レビューし、プルリクエストレビュアーのフィードバックを収集する仕組みも整えている。これにより、指示やリソースを改善すべき領域を継続的に特定している。

この記事のポイント

  • GitHubのアクセシビリティエージェントは、3,535件のPRをレビューし68%の解決率を記録した
  • エージェントは「人間の代替」ではなく「増強」を目的とし、スコープを限定して運用
  • 過去の手動監査で蓄積した構造化データが、エージェントの精度を飛躍的に高めた
  • サブエージェント構造と線形な指示実行でトークン消費を抑え、精度を向上
  • 自動検出できないWCAG基準の約36%を手動で補い、高リスクパターンは生成を禁止する対策が鍵
海田 洋祐
Google-Agent登場、AIがユーザー代理でWebを閲覧する時代へ

Google-Agent登場、AIがユーザー代理でWebを閲覧する時代へ

Webサイトを訪れるのは人間だけではなくなった。2026年3月20日、Googleは公式のフェッチャーリストに「Google-Agent」という新たな項目を追加した。これはクローラーでもなければ、学習用のボットでもない。ユーザーの指示で動くAIエージェントだ。

AIアシスタントに「この商品をリサーチして」「最安値のサイトを比較して」と頼む場面を想像してほしい。そのとき実際にサイトを訪問し、情報を読み取り、フォームを操作するのがGoogle-Agentである。Googleの実験的ブラウジングツール「Project Mariner」が最初の採用例となる。

これまでのSEOは「クローラーにどう読まれるか」が主眼だった。しかし今回の発表で、Web運営者は「ユーザーの代わりに行動するAI」という第三の訪問者像を明確に意識せざるを得なくなった。

Google-Agentが従来のクローラーと根本的に異なる点

Google-Agentが従来のクローラーと根本的に異なる点

GooglebotはWeb全体を巡回し、検索インデックスを構築する自動プログラムだ。一方、Google-Agentが発動する条件はただ一つ、人間がAIに「調べて」と依頼したときである。この「ユーザートリガー」という性質が、あらゆるルールを塗り替える。

robots.txtは通用しない

GoogleはGoogle-Agentを「ユーザートリガーフェッチャー」に分類している。Google Read Aloud(テキスト読み上げ)やNotebookLM(文書分析)、Feedfetcher(RSS)と同じカテゴリだ。いずれも「人間がリクエストを起こした」という共通点がある。Googleの公式見解は明快で、ユーザートリガーフェッチャーは「原則としてrobots.txtを無視する」としている。

考え方はシンプルだ。ChromeのアドレスバーにURLを入力して開くとき、ブラウザはrobots.txtの内容に関係なくページを取得する。Google-Agentはユーザーの代理であり、自律型クローラーではない。したがって同じ理屈が適用される。

この判断はOpenAIやAnthropicのアプローチと明確に異なる。ChatGPT-UserやClaude-Userはいずれもユーザートリガーフェッチャーでありながら、robots.txtの指示に従う仕様だ。robots.txtでブロックすれば、ユーザーに頼まれてもページを取得しない。Googleはそこに別の線を引いた形になる。

従来のクローラー(Googlebot)
robots.txtを尊重する
サイト所有者がアクセス制御可能
ユーザーエージェント文字列で識別
AIエージェント(Google-Agent)
robots.txtを原則無視
人間の操作と同等の扱い
アクセス制御にはサーバー認証が必要

robots.txtを万能のアクセス制御手段と考えていたサイト運営者にとって、これは大きな認識転換になる。Google-Agentを拒否したい場合は、サーバーサイドの認証やIP制限など、人間の訪問者をブロックするのと同じ手段を採る必要がある。

暗号認証「Web Bot Auth」がもたらす信頼性

暗号認証「Web Bot Auth」がもたらす信頼性

Google-Agentの発表でより重要なのは、付随する技術的布石だ。公式ドキュメントの一行に、Google-Agentが「web-bot-auth」プロトコルの実験に参加していることが記されている。識別子は「https://agent.bot.goog」である。

デジタルパスポートの仕組み

Web Bot AuthはIETF(インターネット技術標準化委員会)で策定が進む標準規格である。簡単に言えば、ボットのためのデジタルパスポートだ。各エージェントは秘密鍵を持ち、公開鍵をディレクトリに登録する。そして全てのHTTPリクエストに暗号署名を付与する。

Webサイト側はその署名を検証することで、訪問者が名乗る通りの存在であることを暗号学的に確認できる。ユーザーエージェント文字列は誰でも偽装できるが、Web Bot Authの署名は偽装できない。この差は決定的だ。

すでにAkamai、Cloudflare、AmazonのAgentCore Browserがこのプロトコルをサポートしている。Googleの参入は、標準化に向けたクリティカルマス(臨界量)の獲得を意味する。

なぜこの仕組みが今必要なのか

Webは深刻なアイデンティティ問題に直面しつつある。AIエージェントのトラフィックが増えるほど、正規のエージェントと、エージェントを装うスクレイパーを区別する必要が高まる。IPアドレスによる検証は有効だが、暗号署名のほうが大規模にスケールしやすく、なりすましも極めて難しい。

Google-AgentへのWeb Bot Auth導入は実験段階だが、エージェント認証の方向性を強く示す一手とみられている。Search Engine Journalの記事でも、この暗号認証こそがGoogle-Agent発表の最も重要な要素だと指摘されている。

Webサイト運営者が今すべき具体的対応

Webサイト運営者が今すべき具体的対応

Google-Agentの登場で、Webの訪問者モデルは3層構造として明確化された。人間が直接ブラウジングする層、GooglebotやGPTBotのようにコンテンツをインデックスするクローラー層、そして特定の人間の指示でリアルタイムにタスクを実行するエージェント層である。それぞれに異なるアクセスルールと目的がある。

第1層 人間の訪問者
ブラウザで直接サイトを閲覧、robots.txtは無関係
第2層 クローラー
検索インデックス用に巡回、robots.txtで制御可能
第3層 AIエージェント
ユーザーの代理でリアルタイムに行動、robots.txt無効

この3層構造を前提に、運営者が取るべき現実的な対策は以下の通りだ。

サーバーログの監視を始める

Google-Agentはユーザーエージェント文字列に「compatible; Google-Agent」を含む。Googleは検証用のIPレンジも公開している。まずは自社サイトにどの程度の頻度でエージェントが訪れているか、どのページを標的にしているか、何を試みているかを把握することが出発点になる。

CDNとファイアウォールの設定を確認する

非ブラウザトラフィックを積極的にブロックするセキュリティ設定を導入している場合、Google-Agentがサーバーに到達する前に拒否されている可能性がある。公開されているIPレンジが許可リストに含まれているか、確認しておくべきだ。

フォームや予約フローの検証

Google-Agentはフォームの送信や複数ステップのフロー操作も行う。チェックアウト、予約、問い合わせといった機能がJavaScriptに過度に依存していると、エージェントが正常に処理できず、裏側で静かに失敗しているケースが生じる。セマンティックなHTMLと明確なラベル設計が、これまで以上に重要になる。

robots.txtは完全なアクセス制御手段ではないと認識する

robots.txtはクローラー向けに設計された仕組みであり、エージェントの時代には通用しない場面が増える。どうしてもアクセスを制限すべきコンテンツには、認証を導入する必要がある。境界線の引き直しが求められている。

ハイブリッドWebはすでに始まっている

ハイブリッドWebはすでに始まっている

1年前まで、AIエージェントが人間と並んでWebサイトを閲覧する未来はカンファレンスの予測トークに過ぎなかった。しかし今、その存在にはユーザーエージェント文字列があり、公開されたIPレンジがあり、暗号認証プロトコルがあり、Googleの公式ドキュメントへの記載がある。

Webは人間用と機械用に分岐しなかった。融合したのだ。公開する全てのページは、人間とエージェントの両方に同時にサービスを提供している。Googleが可視化したのは、その非人間のオーディエンスがいつ現れたかを正確に把握できる手段である。

Search Engine Journalの記事は、この動きを「SEO史上最大の意識改革」と位置づけている。誇張ではない。検索エンジンにどう読まれるかだけでなく、「ユーザーの代理としてやってくるAI」にどう対応するかが、これからのWeb運営の新たな基軸になる。

この記事のポイント

  • Googleがユーザー代理でWebを閲覧する新フェッチャー「Google-Agent」を公開、Project Marinerが最初の採用例
  • ユーザートリガーフェッチャーに分類されるためrobots.txtは原則無効、アクセス制御にはサーバー認証が必要
  • 「Web Bot Auth」暗号認証プロトコルを実験導入中、エージェントのなりすまし防止を狙う
  • Web訪問者は「人間」「クローラー」「エージェント」の3層構造へ移行、各層で対応が異なる
  • サーバーログ監視、CDN設定確認、フォームのセマンティックHTML対応が即時の実務対策となる
海田 洋祐
Vercelがソースマップ保護機能を発表、本番環境のコード露出を防止

Vercelがソースマップ保護機能を発表、本番環境のコード露出を防止

Vercelは2026年5月、本番環境のソースマップを安全に配信する新機能「Protected Source Maps」をリリースした。ブラウザが読み取る .map ファイルを Vercel Authentication の背後に置き、開発チームだけがアクセスできる仕組みだ。これにより、デバッグ情報を必要な人間にだけ提供し、それ以外の第三者には 404 を返す。

フロントエンドのバンドルは本番ビルドで圧縮・ミニファイされるため、可読性を保つにはソースマップが欠かせない。しかし従来は、そのソースマップが認証なしで公開されてしまい、コードの内部ロジックやコメントが誰でも閲覧できる状態だった。Protected Source Maps は、このセキュリティリスクを根本的に解決する。

ソースマップがなぜ重要か

ソースマップがなぜ重要か

ミニファイとデバッグのジレンマ

本番サイトの JavaScript や CSS は、ファイルサイズ削減のためにミニファイされる。変数名を短縮し、空白やコメントを取り除く処理だ。ところが、エラーが発生したとき、ブラウザのコンソールには圧縮後のコードしか表示されず、スタックトレースが「at a.a (bundle.js:1:2345)」のように読めなくなる。デバッグがほぼ不可能になるのだ。

この問題を解決するのがソースマップである。ミニファイ元のファイル名や行番号、元の変数名を記録した .map ファイルとして生成し、ブラウザがそれを使って元のソースコードを復元する。つまり、ビルド後の難読コードを、開発時の読みやすいコードに戻す「翻訳辞書」のような役割だ。

ソースマップの仕組み

ソースマップは通常、ミニファイされたファイルの末尾に //# sourceMappingURL=app.js.map というコメントを挿入することでブラウザに通知される。ブラウザがこのコメントを見つけると、対応する .map ファイルを別途リクエストし、デベロッパーツール上でオリジナルのソースコードを表示する。ここまでは開発者にとって日常的な光景だ。

しかし、本番環境でこの .map ファイルが認証なしに取得できると、第三者が容易にソースコードを読めてしまう。公開を想定していないコメントや、内部のビジネスロジックがダダ漏れになるリスクがある。

本番ソースマップが晒されてきたリスク

本番ソースマップが晒されてきたリスク

従来の典型的な対策は、ビルド時にソースマップを生成しないか、本番サーバーにアップロードしないというものだった。しかし、それでは本番環境で発生したエラーの調査が困難になる。また、サーバー側で特定の IP アドレスや VPN 経由のみアクセスを許可する方法もあるが、設定が複雑で、動的に変わるチームメンバーの管理には向かない。

実際に、JavaScript フレームワークの設定ミスによってソースマップが公開され、内部の API キーやテスト用のパスワードが漏えいした事例も報告されている。ソースマップは開発者にとって便利な一方、扱いを誤ると大きなセキュリティホールになりうる。

従来(ソースマップが公開されている場合)
GET /assets/app.js.map
200 OK(全文返却)
※認証なしで誰でもソースコードを参照可能
Protected Source Maps 有効時
GET /assets/app.js.map
404 Not Found
(未認証の場合)
認証チーム
200 OK(デバッグ可能)
※Vercel Authentication を通した開発者のみアクセス可能。その他は 404

上の図は、認証がない場合と今回の保護機能を適用したあとの応答の違いを示している。従来は誰でも .map を取得できたが、Protected Source Maps を有効にすると、チーム外のリクエストには 404 Not Found が返る。

Protected Source Maps の動作と設定

Protected Source Maps の動作と設定

Vercel Authentication によるアクセス制限

この機能の核は、プロジェクトの .map ファイルが Vercel Authentication で保護される点にある。通常、Vercel Authentication はデプロイプレビューや特定のパスをチームメンバーだけに公開するために使われる認証フレームワークだ。今回これがソースマップにも適用された。

つまり、ブラウザがソースマップをリクエストしても、Vercel のエッジネットワークが認証情報を確認する。チームの開発者であれば、普段から使っているブラウザのセッションでそのまま .map ファイルを取得できる。しかし、チーム外の人物や認証されていないブラウザからのリクエストには 404 が返るため、存在そのものを隠蔽する効果もある。

新規プロジェクトではデフォルトで有効、既存も後から移行可能

Vercel は、新規に作成するプロジェクトでは Protected Source Maps をデフォルトで有効にした。これにより、これからデプロイするプロジェクトは意識せずとも本番ソースマップが保護される。既存のプロジェクトについては、管理画面の「Settings」〜「Deployment Protection」からスイッチをオンにするだけで有効化できる。再デプロイも不要だ。

この設定変更は即座にエッジネットワーク全体に反映される。認証なしの .map リクエストはその瞬間から 404 になるため、段階的な移行作業を必要としない。

開発フローへの影響と注意点

開発フローへの影響と注意点

セキュリティとデバッグ効率の両立

Protected Source Maps を導入しても、認証済みの開発者には従来通りソースマップが提供される。つまり、ブラウザのデベロッパーツールでエラーを追う際に元のコードが見えなくなることはない。本番環境で発生した問題を調査するチームにとって、利便性は一切損なわれない。

一方で、認証されていないサードパーティには 404 が返るため、ソースコードの漏えいリスクを大幅に低減できる。特に、エラーログに .map ファイルの URL が含まれていた場合でも、外部からはアクセスできない。

導入時に確認すべき点

この機能を使ううえで、いくつか注意点がある。まず、Vercel Authentication はブラウザのセッションを利用するため、開発者がログイン状態である必要がある。シークレットウィンドウやチームアカウント外のブラウザからはデバッグできない点に注意が必要だ。

また、CI/CD ツールなど自動化された環境でソースマップを処理する場合は、Vercel の API トークンを使って認証を通すか、あるいは別途プライベートなストレージにマップをアップロードする運用を検討してもよい。ただし、多くのケースでは開発者のブラウザからのリクエスト以外にソースマップが必要になるシチュエーションは少ないため、まずは Protected Source Maps をオンにして、必要に応じて調整するのが現実的だ。

この記事のポイント

  • Vercel が Protected Source Maps をリリース、本番ソースマップをチーム限定に
  • ブラウザからの .map リクエストは Vercel Authentication で保護される
  • 認証なしのアクセスには 404 NotFound を返却、コードの露出を防止
  • 新規プロジェクトはデフォルトで有効、既存プロジェクトも管理画面から即時有効化可能
  • 導入後も開発者のデバッグ体験は変わらず、セキュリティと利便性を両立
海田 洋祐
WordPress 7.0 RC4リリース、正式版は5月20日予定

WordPress 7.0 RC4リリース、正式版は5月20日予定

WordPress 7.0のリリース候補第4版(RC4)が2026年5月14日に公開された。正式版のリリース予定日は5月20日で、今回のRC4はその最終段階にあたるバージョンだ。すでに本番環境への適用は推奨されていないが、テスト環境での検証を通じて、より安定したWordPress 7.0のリリースに貢献できる段階に入っている。

リリース候補版とは、正式版と同等の品質を持つと判断されたバージョンのことだ。しかし、さまざまな環境やプラグインとの組み合わせで予期せぬ問題が発生する可能性は常に残る。そのため、RC4の段階でもコミュニティ全体でのテストが引き続き重要になる。本記事ではRC4のテスト方法と協力の手段を整理し、WordPress 7.0の正式リリースに向けた現状を解説する。

WordPress 7.0 RC4の概要とテスト方法

WordPress 7.0 RC4の概要とテスト方法

RC4はリリースサイクルの最終段階

WordPressの開発プロセスでは、アルファ版、ベータ版、リリース候補版(RC)の順に段階を踏んでいく。RCは「リリース可能」と判断された状態を指し、新機能の追加は停止され、バグ修正と安定化に集中するフェーズだ。RC4はこの最終段階の4回目のビルドにあたる。WordPress 7.0の開発において、これまでのRC1〜RC3で発見された問題が修正され、さらに安定性が高められている。

今回のRC4では、2026年5月8日以降に報告された問題に対応する修正が含まれている。具体的な変更点はWordPress Core TracやGutenbergのGitHubリポジトリで確認できる。特にブロックエディタ関連のコミットが多く、エディタの動作安定性が向上している点が特徴だ。

テスト環境を用意する4つの方法

RC4のテストは以下の4つの方法で行える。いずれも本番サイトでの使用は避け、必ずテスト用の環境で実行することが前提だ。

方法1. プラグインによるテスト
WordPress Beta Testerプラグインをインストールし、ベータ版またはRC版に更新する。既存のテスト環境がある場合に最も手軽な方法だ。
対象: 既存のテストサイトを持っているユーザー
方法2. 直接ダウンロード
公式サイトからRC4のZIPファイルをダウンロードし、テスト用のWordPressサイトに手動でインストールする。クリーンな環境で一から検証したい場合に適している。
対象: 新規テスト環境を構築するユーザー
方法3. コマンドライン(WP-CLI)
WP-CLIを使用してコマンドラインから更新する。複数のテストサイトを一括管理する開発者に向いている。
対象: 開発者・サーバー管理者
方法4. WordPress Playground
ブラウザ上で直接WordPress 7.0 RC4をテストできるPlaygroundインスタンスが用意されている。インストール不要で、クリックするだけで即座にテストを開始できる。
対象: 手軽にテストしたい初心者・検証目的のユーザー

上記の4つの方法のうち、WordPress Playgroundは特に導入のハードルが低く、環境構築の手間なくRC4の動作を確認したい場合に有効だ。テストサーバーを用意できない場合でも、ブラウザひとつでブロックエディタの新機能やテーマとの互換性を試せる。

RC4に含まれる修正と技術的な詳細

RC4に含まれる修正と技術的な詳細

WordPress Core Tracのクローズチケット

RC4では、2026年5月8日から5月14日までの間に報告されたWordPress Coreのチケットがクローズされている。これらは主にRC3までのテストで発見されたバグや、エッジケースでの動作不具合に対応するものだ。具体的なチケットの一覧は公式のTracで公開されており、コンポーネントごとに分類された修正内容を確認できる。

また、Gutenbergのコミットログにも同期間の修正が反映されている。ブロックエディタはWordPress 7.0の中核機能であり、RC段階でのエディタ関連の修正は正式版の品質を左右する重要な要素だ。GitHubのコミット履歴を追うことで、どのブロックやAPIに変更が加えられたかを詳細に把握できる。

ハードストリングフリーズと言語翻訳

RC4の公開と同時に、翻訳のハードストリングフリーズ(Hard String Freeze)が実施された。これは、WordPress 7.0のインターフェースに含まれる文字列が確定し、これ以上の変更が行われないことを意味する。翻訳コントリビューターはこのタイミングで、100以上の言語へのローカライズ作業を集中して進められる。

翻訳作業に参加するには、WordPressの翻訳プラットフォーム(translate.wordpress.org)でプロジェクトに参加し、未翻訳の文字列を各言語に翻訳していく。日本語を含む多くの言語で、正式リリースまでに翻訳を完了させることが目標とされている。

WordPress 7.0の正式リリースに向けたスケジュール

WordPress 7.0の正式リリースに向けたスケジュール

5月20日の正式リリース予定

WordPress 7.0の正式リリースは2026年5月20日に予定されている。RC4がテストでの最終関門となり、ここで重大な問題が発見されなければ、予定通り正式版が公開される見込みだ。ただし、リリース候補版の段階で新たな重要課題が見つかった場合には、RC5やさらなる修正が行われる可能性もある。

WordPress 7.0の開発スケジュール全体は、Make WordPress Coreブログで公開されている。7.0関連の投稿にはタグが付与されており、過去のベータ版やRC版の詳細、フィールドガイド(開発者向けの技術解説)などがまとめて参照できるようになっている。

テスト参加が正式版の品質を左右する

RC版のテストに参加することは、WordPressの品質向上に直接貢献する手段だ。テストは開発者だけでなく、普段WordPressを使用しているサイト運営者であれば誰でも参加できる。使用しているテーマやプラグインとの互換性を確認し、問題があれば報告することで、正式リリース時のトラブルを未然に防げる。

バグの報告は、サポートフォーラムのAlpha/Betaエリアか、WordPress Tracで直接行う。再現手順を明確に記載したバグ報告は、開発チームが問題を迅速に特定し修正するための重要な手がかりとなる。また、既知のバグ一覧と照合することで、重複報告を避けられる。

コミュニティによる協力と貢献の方法

コミュニティによる協力と貢献の方法

テスト参加の具体的な手順

WordPress 7.0のテストに参加するための詳細なガイドが公式テストチームから公開されている。このガイドでは、テスト環境のセットアップから、確認すべき機能、バグ報告の方法までが段階的に説明されている。テスト初心者向けの一般的なセットアップガイドも用意されており、初めてテストに参加する場合でも迷わずに始められる。

テスト中に問題を発見した場合は、前述のAlpha/BetaフォーラムかWordPress Tracに報告する。Tracでの報告に慣れている場合は、再現手順を含めた詳細なチケットを作成することで、開発チームが効率的に対応できる。また、Make WordPress Slackの#core-testチャンネルでは、テストに関する最新情報の共有や、他のテスターとのコミュニケーションが行われている。

翻訳以外の貢献手段

WordPressはオープンソースプロジェクトであり、コードのコントリビューション以外にもさまざまな貢献手段が用意されている。ドキュメントの作成、フォーラムでのサポート、イベントの運営、アクセシビリティの検証など、技術スキルに関係なく参加できる分野が多い。

WordPress 7.0のリリースに向けては、テストと翻訳が特に重視されている段階だ。RC4の段階ではコードの変更は最小限に抑えられているため、テストと翻訳がコミュニティによる主な貢献領域となる。Make WordPress Coreブログでは、7.0関連の最新情報が継続的に発信されているため、関心のある分野の投稿をフォローすることで、自分に合った参加方法を見つけられる。

この記事のポイント

  • WordPress 7.0 RC4が5月14日に公開され、正式リリースは5月20日を予定している
  • テスト方法はプラグイン、直接ダウンロード、WP-CLI、Playgroundの4つから選択できる
  • RC4では5月8日以降のバグ修正が含まれ、翻訳のハードストリングフリーズも実施された
  • テストと翻訳は正式版の品質を左右する重要なコミュニティ貢献の手段である
  • 本番環境でのRC4の使用は避け、テスト環境での検証を行うことが前提となる
海田 洋祐
VS Code 1.121が公開、AIエージェントのターミナル連携とモデル管理が進化

VS Code 1.121が公開、AIエージェントのターミナル連携とモデル管理が進化

マイクロソフトは2026年5月20日、コードエディタ「Visual Studio Code」のバージョン1.121を公開した。今回のリリースでは、Copilot Chatが備えるエージェント機能とターミナルとの連携部分に多くの改良が加えられている。

具体的には、ツール呼び出しの表示が見やすくなり、特定のLLMモデルをピン留めして素早く選択できる仕組みが追加された。加えて、長いテストやビルドの出力を自動で圧縮する範囲が大幅に拡大され、エージェントが生成するコマンドの実行効率と可読性が一段と向上している。

開発者のワークフローに与える影響は小さくない。ターミナルに流れるログ情報が整理され、エージェントが勝手にバックグラウンド処理に移行するタイミングが賢くなったおかげで、より思考の流れを途切らせずに済むのだ。本記事ではこれらの改善点を実務的な視点で掘り下げていく。

エージェントホストの操作性向上

エージェントホストの操作性向上

まず目を引くのが、エージェントホスト内でのツール表示まわりの改善だ。Copilot Chatのエージェントモードでは、AIが「ファイルを読む」「ターミナルでコマンドを打つ」などのツールを自律的に呼び出す。今回のアップデートで、それらのツール名がより直感的な表示になった。

これまでは内部的で分かりにくかった呼称が、人間にとって理解しやすい「ファイル読み取り」「コマンド実行」といったラベルに置き換わっている。入力と出力のUIも再設計され、どのツールに何を渡し、何が返ってきたかが一目で追えるようになった。エージェントの行動をレビューしたり、デバッグしたりする局面で役立つ変更だ。

自動承認ピッカーとワークスペースの事前選択

もうひとつ、エージェントホスト接続時の「自動承認ピッカー」が追加された。外部のエージェントホストへ接続する際に、あらかじめ信頼できるものを選んでおける仕組みで、毎回承認操作を求められる煩わしさが減る。

また、VS Codeを既に特定のワークスペースで起動している場合、エージェントウィンドウを開くとそのワークスペースのフォルダが自動で事前選択される。手動でプロジェクトフォルダを指定し直す手間が不要になるため、作業開始時のリズムが良くなる。小さな改良だが、1日に何度も繰り返す操作だけに、開発効率への積み重ね効果は意外と大きい。

Before
ツール表示:run_in_terminal (何をするツールか直感的に分からない)
エージェント起動時:フォルダ未選択の状態 (手動で毎回選ぶ必要がある)
After
ツール表示:コマンド実行(ターミナル) (ツールの役割がラベルからすぐ分かる)
エージェント起動時:現在のワークスペースが自動選択 (操作を1ステップ省略できる)
変更前   変更後

上の図は、ツール表示とワークスペース選択の流れをビフォーアフターで示したものだ。変更前は開発者がエージェントの内部的な動きを読み解く必要があったが、変更後は視覚的に整理され、作業開始時の手数も減っている。

モデル管理の進化と「お気に入り」機能

モデル管理の進化と「お気に入り」機能

続いて、言語モデルピッカーに「ピン留め」機能が追加された。これは、よく使うモデルをお気に入り登録して、ドロップダウンリストの上部に固定する機能だ。

現在、VS CodeのCopilot Chatでは複数のAIモデルを切り替えて使える。コーディング向きのモデル、自然言語のやり取りに向いたモデル、軽量で反応が速いモデルなど、タスクに応じて選び分ける開発者も多い。ピン留め機能により、毎回リストをスクロールして探すストレスから解放される。

環境変数「VSCODE_AGENT」の追加とその効果

Copilot Chatがターミナルでコマンドを実行する際、専用の環境変数「VSCODE_AGENT」がセットされるようになった。この変数は、AIが起動したターミナルセッションであることを明示的に示すためのものだ。

実務では、シェルのプロンプト表示を変えたり、エージェント向けのログフォーマットを自動判別したりする用途に使える。たとえば、AI用のターミナルでは冗長なカラー表示をオフにして、パースしやすいテキスト出力に切り替える、といった使い方が考えられる。自分でシェル初期化ファイルをカスタマイズしている開発者にとっては、自動化の可能性が広がる嬉しい追加だ。

チャットと統合ブラウザの連携強化

チャットと統合ブラウザの連携強化

統合ブラウザ(Simple Browser)で表示中のWebページを、ワンクリックでCopilot Chatに共有できる「Add to Chat」オプションが右クリックメニューに追加された。

VS Codeの統合ブラウザは、エディタ内でドキュメントやAPIリファレンスを閲覧するのに使われる。今回の機能で、例えばReactの公式ドキュメントを開きながら「このセクションの内容を要約して」とAIに投げる操作が、ドラッグやコピーペーストなしで完結する。Web上の情報をコーディングの文脈にスムーズに取り込めるのは、エディタを離れずに作業を続けたい開発者にとって大きな利点だ。

また、チャットエージェントが内部的に生成したバックグラウンドターミナルは、コマンド完了後に自動で破棄されるようになった。これにより、使われないプロセスが蓄積してシステムリソースを圧迫するのを防げる。エージェントがテストの実行や依存関係のインストールなどを一括操作した後、きれいに後片付けされるイメージだ。

統合ブラウザ活用フロー
📄 ドキュメント閲覧 🖱️ 右クリックでAdd to Chat 💬 Copilot Chatに内容共有 📝 エディタでコード生成
バックグラウンドターミナルのライフサイクル
エージェントがコマンド実行 バックグラウンドターミナル生成 コマンド完了後に自動破棄 (不要なプロセスが残らない)

これらの改善は、AIアシスタントを「裏方」として使う際の体験を底上げする。情報収集からコード生成、実行、後始末まで、一連の流れに無駄がなくなっていく方向性だ。

ターミナルツールの出力処理が大幅に改善

ターミナルツールの出力処理が大幅に改善

今回のリリースで最も実務的なインパクトが大きいかもしれないのが、ターミナルツールの出力圧縮まわりの拡張だ。

エージェントがテストランナーやビルドツールを実行すると、膨大なログが出力され、チャット画面が埋め尽くされることがある。この問題に対応するため、出力圧縮(冗長な行を折りたたみ、重要な結果だけを強調表示する仕組み)の対象が一気に広がった。

圧縮対象が大幅に拡大されたコマンド群

新たに対象となったのは、以下のツール群だ。

  • テストランナー: pytestjestcargo test
  • ビルドツール: tsc(TypeScriptコンパイラ)、cargo buildmake
  • リンター類
  • Docker関連コマンド
  • パッケージマネージャ(npm、yarn、pipなど)

これらのツールが出力する長大なログから、本当に必要なエラー行やサマリーだけを抽出し、チャット画面上ではコンパクトに表示してくれる。テストが数千件走っても、失敗したケースだけに集中できるわけだ。

アイドルサイレンスタイマーで同期実行を自動バックグラウンド化

ターミナルツールには、同期コマンドが一定時間まったく出力を返さない場合に、自動的にバックグラウンド実行に切り替える「アイドルサイレンスタイマー」が導入された。設定した時間内に何の進捗も表示されなければ、AIエージェントはそのコマンドをバックグラウンドに回し、別のタスクに取り掛かれる。

従来は、長時間かかる処理が走っている間、エージェントの思考がブロックされがちだった。この機能は、CI/CDパイプラインや重いデータベースマイグレーションの待ち時間中に、エージェントが他の作業を並行して進められるようにするものだ。

従来の同期実行
$ pytest –long-suite
(数千行のログが流れる)
エージェントは完了まで他の操作ができない
1.121での改善
$ pytest –long-suite
出力が折りたたまれ、エラー行のみ表示
一定時間出力なし → 自動でバックグラウンド化
ブロックされていた時間   他の作業を並行実行できる

アイドルサイレンスタイマーは設定可能なため、プロジェクトの特性に合わせて閾値を調整できる。テストが沈黙するのはバグではなく重い処理の前触れ、というチームなら長めに取ればいい。

マルチラインコマンドの修正とConPTYの最新化

エージェントホストのターミナルツールでは、複数行にまたがるシェルコマンドの実行時に問題が発生することがあったが、今回のアップデートで修正された。bashやPowerShellでループや条件分岐を含むスクリプトを生成させるケースで、従来は行の継続が正しく解釈されないバグに遭遇することがあった。この修正によって、AIが生成した複数行スクリプトの信頼性が高まっている。

さらに、Windows環境向けに、擬似ターミナルAPIの基盤となるConPTY(conpty.dll)の新しいバージョンがVS Code本体に直接バンドルされるようになった。これまではシステム側のバージョンに依存しており、古いWindowsではターミナルの描画に問題が出ることがあった。バンドル化により、VS Code側で一貫したターミナル挙動を保証できるようになった。

SSH接続におけるキーボード対話認証のサポート

SSH接続におけるキーボード対話認証のサポート

最後に、エージェントホストがSSH接続する際に、キーボードインタラクティブ認証(パスワード入力やワンタイムパスコードの要求を含む対話形式の認証)がサポートされた。多要素認証が求められるサーバーや、接続時に追加の質問が表示される環境でも、エージェントホスト経由の自動接続が可能になったわけだ。

セキュリティ要件が厳しい本番環境や、企業ポリシーで対話認証を強制されているサーバーに対して、Copilot Chatのエージェントを遠隔操作するハードルが下がる。VS Code Remote Developmentの既存ユーザーにとっては、よりシームレスにAI支援を組み込めるようになる変更だ。

エージェントホストのSSH認証フロー
🔑 SSH接続試行 🔐 キーボード対話認証(OTP・質問応答) ✅ 接続確立
※従来はキーボード対話認証が未対応で、多要素認証が必要なサーバーではエージェントの遠隔接続に支障があった
認証試行   接続成功

この機能は、特にDevSecOpsの文脈で歓迎されそうだ。開発環境と本番環境を明確に分離しつつ、AIアシスタントの支援を安全に受けられる選択肢が増えたことを意味する。

この記事のポイント

  • VS Code 1.121ではAIエージェントのツール表示が見直され、入力と出力の可読性が向上した
  • モデルピッカーにお気に入りのピン留め機能が追加され、切り替え操作が高速化した
  • ターミナル出力の圧縮対象が拡大され、テストやビルドのログがコンパクトに表示される
  • アイドルサイレンスタイマーにより、長時間コマンドの自動バックグラウンド化が可能になった
  • SSHのキーボード対話認証サポートで、よりセキュアな環境へのエージェント接続が容易になった
海田 洋祐
Amazon RedshiftにGraviton搭載のRGインスタンス登場、データレイククエリエンジンも統合

Amazon RedshiftにGraviton搭載のRGインスタンス登場、データレイククエリエンジンも統合

Amazon Redshiftに新しいインスタンスファミリー「RG」が追加された。AWSのArmベースプロセッサ「Graviton」を採用し、データウェアハウスのワークロード処理を従来のRA3インスタンスと比較して最大2.2倍高速化する。vCPUあたりの価格は30%引き下げられ、分析コストの大幅な圧縮が見込める。

さらに、このRGインスタンスではデータレイクへのSQLクエリ実行機能がクラスタノードに統合された。Apache Icebergテーブルへのクエリは最大2.4倍、Apache Parquetへのクエリは最大1.5倍高速化している。これまで別途必要だったRedshift Spectrumと、1TBあたり5ドルのスキャン料金が不要になる点も見逃せない。

BI(ビジネスインテリジェンス)ダッシュボードやAIエージェントによる大規模なクエリ実行が日常化する中、今回の刷新はパフォーマンスとコストの両立をこれまで以上に高い水準で実現するものだ。

RGインスタンスの概要と主要な性能向上

RGインスタンスの概要と主要な性能向上
【従来】RA3ベースの構成
RA3インスタンス
データウェアハウス処理
Redshift Spectrum(データレイククエリ専用)
※ SpectrumはTBあたり$5のスキャン料金が発生
【新】RGベースの統合構成
RGインスタンス(Graviton搭載)
データウェアハウス処理(最大2.2倍高速)
データレイククエリエンジン統合(Iceberg最大2.4倍高速)
※ Spectrum不要、スキャン料金ゼロ
従来のRA3構成  新RG構成で追加・強化された部分

このデモは従来のRA3構成と新RG構成の違いを視覚化したものだ。RGインスタンスではデータレイククエリ機能が完全に統合され、外部のSpectrum層に依存しないアーキテクチャに変わっている。

Gravitonプロセッサがもたらす価格性能比の改善

RGインスタンスの中核にあるのは、AWSが設計したArmアーキテクチャのカスタムプロセッサ「Graviton」だ。x86系のチップと比べて電力効率が高く、同じ電力あたりの処理量を引き上げられる特徴がある。AWSのサービスにおけるGraviton採用はEC2やRDSなどで既に広がっており、Redshiftでもその恩恵を受けられるようになった。

具体的なインスタンスタイプとしては、エントリー向けの rg.xlarge(4vCPU、32GBメモリ)と、本番ワークロード向けの rg.4xlarge(16vCPU、128GBメモリ)が用意された。従来の ra3.xlplus から rg.xlarge への移行では、vCPU数とメモリ容量は同等だが処理性能自体が大きく向上する。一方、ra3.4xlarge から rg.4xlarge への移行ではvCPU数が12から16へ約1.33倍、メモリも96GBから128GBへと拡張され、単純なスペック面でも上積みがある。

AWS News Blogの記事によれば、これらの新インスタンスはデータウェアハウス処理でRA3比最大2.2倍の性能を達成しているという。企業が日常的に利用するBIダッシュボードの応答速度や、ETL処理のバッチジョブ実行時間が大幅に短縮される計算だ。

データレイククエリエンジン統合の実質的な意味

データレイククエリエンジン統合の実質的な意味
【データレイククエリの処理フロー(Before)
Redshiftクラスタ Spectrum層(外部) S3データレイク
※ クエリがVPC外部のSpectrum層を経由、TBあたり$5のスキャンコストが加算
【データレイククエリの処理フロー(After)
Redshift RGクラスタ 統合クエリエンジン S3データレイク
※ VPC内で完結、スキャン料金ゼロ、データ移動不要

RGインスタンスで最も構造的な変化が起きたのは、データレイククエリの実行方式だ。これまではS3に置かれたデータレイクに対してSQLで分析する際、Redshift Spectrumという別のサービス層を経由する必要があった。このSpectrum層はクラスタの外部で動作するため、VPCの境界を越えたデータのやり取りが発生し、1TBあたり約5ドルの追加スキャン料金が積み上がる仕組みだった。

Spectrumが不要になったことで変わる運用とコスト

RGインスタンスでは、データレイクへのクエリをクラスタ上のノードで直接実行する。Spectrum層を経由しないため、クエリがVPCの内側に留まり、IAMロールも既存のものをそのまま使える。セキュリティ境界がシンプルになるだけでなく、データレイク利用時の通信レイテンシも低減する。

コスト面では、Spectrumのスキャン料金がゼロになる影響が大きい。例えば月間10TBのデータレイクをスキャンするワークロードの場合、Spectrumだけで月50ドルの追加コストが発生していた。RGインスタンスへの移行後は、このコストが完全に消える。データレイク分析の規模が大きい企業ほど、削減額は積み上がる計算だ。

既存の外部テーブルやスキーマ定義、クエリ構文はそのまま動作するため、アプリケーションコードの修正は不要だ。移行に伴う手間を最小限に抑えつつ、性能向上とコスト削減の両方を手に入れられる設計になっている。

AIエージェント時代を見据えた設計思想

AIエージェント時代を見据えた設計思想

今回のRGインスタンス投入の背景には、AIエージェントによるデータウェアハウス利用の急増がある。自律的に目標を追求するAIエージェントは、人間のアナリストとは比較にならない頻度でクエリを発行する。AWS News BlogのChanny Yun氏は、AIエージェントのクエリ量が「典型的な人間の利用規模を矮小化する」と表現している。

大量の低レイテンシSQLクエリを安定的に処理するには、1クエリあたりのコストを大幅に下げつつ、応答速度も維持しなければならない。vCPU単価で30%のコストダウンを実現しつつ、処理そのものを高速化したRGインスタンスは、まさにこの要求に応える製品だと言える。2026年3月に発表された新規クエリの最大7倍高速化と組み合わせることで、AIエージェントがリアルタイムにデータを参照しながら判断するワークロードにも耐えうる基盤が整った。

移行手順と現在の利用可能リージョン

移行手順と現在の利用可能リージョン
移行パスの選択
弾力的なリサイズ ダウンタイム10〜15分でインプレース移行。互換性のある構成が対象。
スナップショットと復元 RA3のスナップショットからRGクラスタを新規作成。移行時に構成変更も可能。

RGインスタンスへの移行は、AWSマネジメントコンソール、CLI、APIのいずれからでも実行できる。データレイククエリエンジンはデフォルトで有効化されており、クラスタ作成後すぐに統合環境を利用できる。

移行パスは大きく2つある。1つ目は弾力的なリサイズで、互換性のある構成であれば10〜15分のダウンタイムでインプレース移行が完了する。2つ目はスナップショットと復元で、既存のRA3クラスタからスナップショットを取得し、RGインスタンスの新規クラスタとして復元する方法だ。移行時に構成を変更したい場合に適している。

2026年5月時点で、RGインスタンスは以下のAWSリージョンで利用可能だ。米国東部(バージニア北部、オハイオ)、米国西部(北カリフォルニア、オレゴン)、アジアパシフィック(香港、ハイデラバード、ジャカルタ、マレーシア、メルボルン、ムンバイ、大阪、ソウル、シンガポール、シドニー、台湾、東京)、カナダ(中部)、欧州(フランクフルト、アイルランド、ミラノ、ロンドン、パリ、スペイン、ストックホルム)、南米(サンパウロ)と、主要リージョンをほぼ網羅している。東京リージョンも含まれているため、国内のワークロードにも即座に適用可能だ。

実務者が押さえるべき導入判断のポイント

実務者が押さえるべき導入判断のポイント

RGインスタンスは確かに魅力的だが、導入にあたってはいくつか確認すべき点がある。まず、オンデマンドインスタンスとリザーブドインスタンスの両方が提供されているため、長期的な利用が見込めるならリザーブドインスタンスによるコスト最適化を検討したい。AWS料金計算ツールで自社のワークロードパターンに基づいたシミュレーションを行うのが確実だ。

次に、Spectrumに依存していた既存のETLパイプラインや外部ツールとの統合に問題がないか、事前に検証環境でテストすることを推奨する。クエリ構文や外部テーブル定義は互換性が保たれているが、パフォーマンス特性が変わるため、実行計画の変化によって一部のクエリで想定外の挙動が生じる可能性はゼロではない。

最後に、データレイクとデータウェアハウスの両方を1つのインスタンスファミリーで処理できるようになったことで、アーキテクチャの簡素化と運用負荷の低減が見込める。特にデータレイクの分析規模が拡大傾向にある企業や、AIエージェントの本格導入を検討しているチームにとって、RGインスタンスへの早期移行は競争力の源泉になりうる。

この記事のポイント

  • RGインスタンスはGraviton搭載によりRA3比最大2.2倍の性能とvCPU単価30%削減を両立
  • データレイククエリエンジンが統合され、Spectrumと1TBあたり5ドルのスキャン料金が不要に
  • Apache Icebergで最大2.4倍、Parquetで最大1.5倍のクエリ高速化を達成
  • BIダッシュボードやAIエージェントによる大量クエリを低コストで処理できる基盤が整った
  • 移行は弾力的リサイズまたはスナップショット復元で対応、既存クエリの修正は不要
海田 洋祐
GoogleがFAQリッチリザルト廃止、AhrefsがスキーマのAI引用価値を否定

GoogleがFAQリッチリザルト廃止、AhrefsがスキーマのAI引用価値を否定

2026年5月、スキーママークアップの価値に冷や水を浴びせる二つの動きが重なった。GoogleはFAQリッチリザルトを廃止し、Ahrefsは構造化データがAI引用を増やさないとするレポートを公開した。

この連続パンチは、SERPでの視認性向上とAI引用獲得というスキーマの二大セールスポイントを直撃する。本記事では、今回の動きが持つ意味と、データが示すスキーマの未来像を掘り下げていく。

Googleがスキーマ特典を絞り込んだ5年間

Googleがスキーマ特典を絞り込んだ5年間
2023年
FAQリッチリザルトを公的機関・医療サイトに限定
HowToリッチリザルトをデスクトップ限定化、後に廃止
2025年
Course Info、Claim Review、Estimated Salary など7種類の構造化データを廃止
2026年
Practice Problem 構造化データを廃止
FAQリッチリザルトを完全廃止
出典: Google Developer Blog、Search Engine Journal(2023-2026年)より作成

FAQリッチリザルト廃止の最終決定

2026年5月12日、GoogleはFAQページ向けの構造化データを正式に廃止した。FAQリッチリザルトは検索結果上に質問と回答を展開表示する機能で、多くのサイトがクリック率向上のために導入してきた。Googleはこの廃止について「検索結果を簡素化し、ユーザーにとって本当に価値のある情報だけを表示するため」と説明している。

この決定は突然ではない。2023年8月にはFAQリッチリザルトの表示対象を政府機関や医療サイトなどの権威的サイトに限定していた。その時点で、一般的な商業サイトやブログでのFAQ表示はすでに停止されていた。今回の完全廃止は、その延長線上にある最終決定といえる。

GoogleのJohn Mueller氏はReddit上で「マークアップの種類は登場と消滅を繰り返すが、ごく一部の重要なものだけは残り続ける」とコメントしている。これはスキーマ全般を否定する発言ではないが、特定のリッチリザルトを戦略の柱に据えることのリスクを暗に示している。

可視的報酬のパターン

過去5年間の動きを振り返ると、明確なパターンが浮かび上がる。新しい構造化データが導入される。SEO業界がその使い方を検証し、広く導入する。数年のうちにGoogleがその表示特典を縮小または廃止する。そして業界は次の新しいスキーマタイプに注目を移す。

重要なのは、マークアップ自体が無効になるわけではない点だ。Googleのシステムは引き続きFAQ構造化データを読み取り、ページ内容の理解に活用する。しかし検索結果上での目に見える特典、つまりリッチリザルト表示という形での直接的なSEO効果は消滅した。

Ahrefsレポートが示したAI引用とスキーマの関係

Ahrefsレポートが示したAI引用とスキーマの関係
従来のスキーマ導入提案(Before)
スキーママークアップの導入
JSON-LDを追加すれば、AI検索での引用が増える
Ahrefs実測データ(After)
JSON-LD追加の効果は統計的に有意でない
AI Overviewsでの引用はむしろ4.6%減少(原因は不明)
AI Mode +2.4%、ChatGPT +2.2% はいずれも誤差の範囲内

1,885ページのA/B比較から見えたもの

Ahrefsは2026年5月16日、構造化データとAI引用の関係を検証した大規模レポートを公開した。調査対象はJSON-LD形式のスキーマを追加した1,885のウェブページ。各ページに対し、スキーマを追加しなかった同条件のコントロールページを用意し、Google AI Overviews、Google AI Mode、ChatGPTの3つのAIシステムで引用数の変化を計測した。

結果は次のとおりだ。

  • Google AI Modeで引用が2.4%増加
  • ChatGPTで引用が2.2%増加
  • Google AI Overviewsで引用が4.6%減少

AI ModeとChatGPTの増加率は統計的な誤差の範囲内であり、スキーマの効果とは言い切れない数値だった。AI Overviewsの減少は統計的に有意だったが、Ahrefs自身が「この減少をスキーマが原因と断定することはできない」と慎重な見解を示している。

データが明かさなかった二つの前提

この調査結果を読む上で、二つの前提を見逃してはならない。

第一に、調査対象の全ページはスキーマ追加前からすでにAI Overviewsで100件以上の引用を獲得していた。つまり、これらのページはAIシステムによって十分にクロールされ、認識され、引用されていた。まだAIに認識されていないページでスキーマがクローリングやインデックス登録を助ける可能性は、このデータでは検証されていない。

第二に、この調査では全スキーマタイプを一括りにしている。Article、FAQ、Product、HowTo、Organizationなど種類の異なるスキーマがまとめて「スキーマあり」とラベル付けされた。タイプ別の効果は未検証であり、特定の種類で引用増加が起きる可能性は否定されていない。

Ahrefsのコンテンツマーケティング責任者であるRyan Law氏はLinkedIn上で「スキーママークアップを追加すればAI検索での引用が増えるか?おそらくノーだ」と端的に総括した。Law氏は「スキーマはAI引用を改善する魔法の解決策ではない」とも付け加えている。

業界内で広がった議論の温度感

業界内で広がった議論の温度感
FAQマークアップ → リッチリザルト表示 → SEO効果 → 普及 → 過剰最適化 → Googleが表示を制限・廃止 → 次のマークアップへ
Lily Ray氏(Amsive)が「SEOでスパム可能なものは必ずスパムされる」と指摘したサイクル
GEO業界の売り文句 → 「スキーマでAI引用が増える」→ Ahrefsデータで実証できず
Mark Williams-Cook氏(Candour)が「GEOブロはスキーマで蛇の油を売っている」と批判

「FAQスキーマはAI訓練用だった」という仮説

今回のFAQリッチリザルト廃止に対して、業界内ではさまざまな見解が飛び交った。なかでも注目されたのが、Marie Haynes ConsultingのMarie Haynes氏が提示した仮説だ。

Haynes氏は「GoogleはAIを訓練するためにFAQデータが必要だったので、リッチリザルトという形でインセンティブを与えた。そして今、もうそのデータは不要になった」という見方を示した。この説はGoogle自身によって確認されたものではないが、FAQスキーマ導入から廃止までのタイムラインを説明する一つの解釈として、多くの実務者の関心を集めた。

GEO業界への波紋

SEOの専門家であるLily Ray氏(Amsive社、SEO・AIサーチ担当VP)はLinkedIn上で「FAQスキーマはGEOにとって重要」というフレーズが約16万8000ページで使われていることを指摘し、「SEOでスパム可能なものは必ずスパムされる」と述べた。Ray氏は2019年にFAQスキーマが初めて導入された際のMoz記事でこのサイクルを予見していた。

Yoastの創業者であるJoost de Valk氏は、この事態を「GEO業界は初期SEOの歴史を高速で再現している」と表現し、「FAQスキーマの廃止はそのサイクルが再起動した最初の具体的な証拠だ」と自身のブログで述べた。de Valk氏はSchema.orgに対して、FAQSectionという新しいタイプを提案するissueも提出している。これは「このページにFAQセクションがある」という情報と「このページ自体がFAQである」という情報を構造的に分離するための提案だ。

データが答えられなかった問い

データが答えられなかった問い
AIシステムがページ情報を取得する流れ(概念図)
① クローリング(ページ発見)
← searchVIU調査: この段階でAIはHTML表示テキストを参照、JSON-LDは未使用と報告
② パース・インデックス(内容解析・登録、スキーマが効く可能性)
③ エンティティ理解(実体の同定、スキーマが効く可能性)
④ 検索時の取得・引用(実際に回答を生成)
出典: searchVIU調査(2025年)、Ahrefsレポート(2026年5月)より構成
Ahrefs調査で未検証の領域
まだAIに引用されていないページでの効果
スキーマタイプ別の効果(Article/Product/FAQを個別検証していない)
30日を超える長期的効果
Bing/Copilot/Perplexity/Claude での挙動
JavaScript経由で注入したスキーマの効果

検証されていない経路

Ahrefsの計測対象はGoogle AI Overviews、AI Mode、ChatGPTの3システムに限られる。BingやCopilot、Perplexity、Claudeなど他のAI検索システムがスキーマをどのように扱うかは未検証だ。これらのシステムはGoogleとは異なるクローリングやパースの仕組みを持つ可能性がある。

また、searchVIU(2025年)の実験では、5つのAIシステムがページを直接取得する段階で、表示テキスト(HTML)を参照し、JSON-LDやMicrodata、RDFaなどの隠されたマークアップは使用していなかったと報告されている。これは取得段階に限った話であり、インデックス登録やエンティティ理解の段階でスキーマが役立つ可能性を否定するものではない。

計測期間とタイプ混在の問題

Ahrefsの調査期間は30日間である。スキーマ追加の効果がさらに長期間かけて現れる可能性や、スキーマ追加と同時に行われた他のページ変更の影響を分離できていない点も、解釈上の注意が必要だ。

GoogleはFAQスキーマの廃止告知の中で、構造化データを「ページをよりよく理解する」ために使い続けると述べている。この「よりよく理解する」という表現が具体的に何を指し、どのような測定可能な結果につながるのかは、現時点では明らかになっていない。エンティティ理解やソース選定への間接的な影響を測定したデータは、まだ誰も公表していない。

SEO実務者がいま取るべき戦略

SEO実務者がいま取るべき戦略
〜 今すぐ見直す 〜
FAQスキーマ導入をGEO対策の柱にしていた戦略は前提から再検討
「スキーマを追加すればAI引用が増える」というGEOの売り文句はデータで裏付けられていない
〜 引き続き有効 〜
Product、Review、Event、Video スキーマ → リッチリザルトが現役
Organization、Person、Article スキーマ → エンティティ記述としての価値は残る
見出し構造の明確化、本文での直接的な回答提示 → AI引用に効く可能性が高い

特定スキーマへの過度な依存を避ける

まず確認すべきは、今回のFAQリッチリザルト廃止がスキーマ全体の否定ではないという点だ。Product、Review、Event、Videoといった一部の構造化データは、引き続きアクティブなリッチリザルト機能をサポートしている。Organization、Person、Articleマークアップも、エンティティやコンテンツの記述手段として価値を持ち続ける。

問題は、特定のスキーマタイプを戦略の柱にしてしまうことだ。過去5年間のパターンが示すように、Googleは普及したマークアップの表示特典を段階的に縮小する傾向がある。スキーマは検索エンジンにとっての「水道管」であり、一度敷設すれば特定の蛇口(リッチリザルト)が閉まっても、別の形で水(データ)を運び続ける可能性は残る。

AI引用を狙うならHTML構造を見直す

searchVIUの調査が示したのは、AIシステムがページ取得時にJSON-LDではなく表示テキスト(可視HTML)を参照しているという事実だ。この結果は、AI引用を増やすためにはスキーマよりもコンテンツ自体の構造が重要である可能性を示唆する。

具体的には、見出しを階層的に整理すること、質問に対して本文中で直接的な回答を示すこと、情報を明確なセクションに分けること、といった基本的なコンテンツ設計が、マークアップよりもAI引用に効くかもしれない。スキーマの導入を否定するデータではないが、スキーマだけでAI引用が増えるという期待はデータで裏付けられなかった。

この記事のポイント

  • Googleは2026年5月にFAQリッチリザルトを完全廃止し、可視的スキーマ特典の縮小傾向が続いている
  • Ahrefsの調査(1,885ページ)では、JSON-LD追加によるAI引用の増加は統計的に確認されなかった
  • GEO業界で広がった「スキーマでAI引用が増える」という売り文句は、データによる裏付けを欠いている
  • ProductやOrganizationなどリッチリザルトが現役のスキーマタイプは引き続き価値を持つ
  • AI引用を狙うなら、スキーマ以上にHTML構造の明確化と本文での直接回答が重要になる可能性が高い
海田 洋祐
JavaScriptの隔離実行を実現するShadowRealm APIとCSS設計への影響

JavaScriptの隔離実行を実現するShadowRealm APIとCSS設計への影響

TC39で策定が進む「ShadowRealm」APIはJavaScriptに新たな隔離実行の仕組みを持ち込む。グローバルスコープを汚染しないサンドボックス環境でコードを動かせるためサードパーティライブラリやテストコードの管理が大きく変わる可能性がある。

CSS設計の観点からもこのAPIは注目に値する。CSS-in-JSの実行や外部スクリプトによるスタイル競合といった問題に対してレルム(領域)レベルの分離が使えるようになればフロントエンド全体の堅牢性が一段上がるからだ。

本記事ではShadowRealmの基本的な考え方から具体的なAPIの使い方、そしてCSS設計との接点までを整理する。

JavaScriptのスレッドとレルム(領域)の基本

JavaScriptのスレッドとレルム(領域)の基本
従来の理解(誤解を含む)

「JavaScriptはシングルスレッド言語である」

より正確な捉え方

「ひとつのレルム(領域)はシングルスレッドだがJavaScriptアプリケーションは複数のレルムをまたいでマルチスレッド実行できる」

※Web Workersやiframeは別のレルムに属し専用のスレッドで動く。

上の図はよくある「JSはシングルスレッド」という言説が誤解を生む部分を示している。実際にはブラウザのタブひとつがひとつのレルムでありその中でJavaScriptはメインスレッドで動く。一方Web Workersは別のレルムでワーカースレッドを使いiframeもまた独自のレルムを持つ。

シングルスレッド言語の誤解

「JavaScriptはシングルスレッド」というのは「言語仕様としてマルチスレッドを提供していない」という意味では正しい。関数単位で別のスレッドにオフロードするといった仕組みはない。だがWeb Workersを使うとJavaScriptを別スレッドで実行できる。

ここで混乱が生まれる。言語がシングルスレッドでもアプリケーション全体ではマルチスレッド実行が可能だからだ。CSS-Tricksの記事ではこの点を「JavaScriptのレルムはシングルスレッド」と整理している。つまり実行環境の単位であるレルムに着目すれば言語の特性とアプリケーションの振る舞いを矛盾なく説明できる。

レルムとは何か

レルムとはコードが実行される環境そのものを指す。ブラウザタブが持つグローバルオブジェクト(window)や組み込みオブジェクト(ArrayObjectなど)はすべてそのレルムに紐づく。同じページ内のiframeであっても別のレルムでありwindowArrayも別物だ。

たとえば親ページで定義したグローバル関数はiframe内のレルムからは見えない。逆も同様だ。こうした隔離は意図しない干渉を防ぐ一方でレルム間の連携にはpostMessageなど特定の手段が必要になる。

グローバルスコープ汚染の現実とCSSへの影響

グローバルスコープ汚染の現実とCSSへの影響
Before(隔離なし)
広告スクリプトA
window.themeColor = '#ff0000';
自社スクリプトB
document.body.style.color = window.themeColor;
※意図しない赤色が適用される
After(ShadowRealmで隔離)
広告スクリプトA(ShadowRealm内)
globalThis.themeColor = '#ff0000';
自社スクリプトB(メインレルム)
document.body.style.color = 'initial';
※影響を受けない
■ 広告スクリプトA ■ 自社スクリプトB ※破線枠はShadowRealm内部を表す

JavaScriptのグローバルスコープは簡単に汚染される。変数のvar宣言の巻き上げや不用意なグローバル変数の追加に加えてサードパーティの広告タグやアナリティクスツール、A/Bテスト用スクリプトが暗黙のうちにグローバル空間へ値を書き込む。これがCSSにまで波及することがある。

サードパーティスクリプトがもたらすCSSの衝突

広告配信スクリプトがwindow.themeColorを書き換えればそれを参照している自前のCSS-in-JSロジックが意図しないスタイルを適用してしまう。また外部ウィジェットがページ全体のfont-sizeを動的に変更すればレイアウトが崩れる原因になる。

こうした問題はグローバルスコープを共有するからこそ起こる。完全に隔離されたレルムで外部コードを動かせれば変数の上書きやオブジェクトの改変は発生せず結果としてCSSの意図しない変化も防げる。

CSS-in-JSにおける隔離の必要性

CSS-in-JSライブラリではスタイルの計算結果をJavaScriptのオブジェクトや変数として管理するケースが多い。テーマ切り替えや動的スタイル生成にグローバル変数を使っていると外部スクリプトがそれらを上書きするリスクがある。ShadowRealmを使ってスタイル計算を隔離すれば外部からの干渉を受けない安全なスタイル生成が可能になる。

ShadowRealm APIの仕組み

ShadowRealm APIの仕組み

TC39で策定中のShadowRealmはコードを独立したグローバル環境で実行するためのAPIだ。このAPIには大きく分けてふたつの機能がある。evaluate()で任意のJavaScript文字列を評価する方法とimportValue()でモジュールを動的インポートしてエクスポートされた値だけを安全に受け取る方法だ。

基本的な使い方

// ShadowRealmインスタンスを作成
const shadow = new ShadowRealm();

// 外側のレルムでグローバル関数を定義
function globalFunction() {}

console.log( globalThis.globalFunction );
// 結果: function globalFunction()

// ShadowRealm内で同じ関数を評価しても未定義
console.log( shadow.evaluate( 'globalThis.globalFunction' ) );
// 結果: undefined
外側のレルム(メインスレッド)
globalThis.globalFunction → function globalFunction()
ShadowRealm内(同じメインスレッド上)
globalThis.globalFunction → undefined
※ShadowRealmは独自のグローバルオブジェクトと組み込みオブジェクトを持つがスレッドは共有する。

コードが示すようにShadowRealmインスタンス内部のグローバル環境は外側から完全に切り離されている。しかもこのコードはメインスレッド上でそのまま実行されるためスレッド間通信のコストや複雑さを伴わない。

CSS-Tricksの記事ではこの性質を「無限に使える使い捨てのクリーンルーム」と表現している。テストのモックデータが本番のグローバル変数と衝突する心配もなくサードパーティコードを安全に評価できる環境だ。

importValueによるモジュールの隔離実行

// spookycode.js
export function greeting() {
  return "Hello from the ShadowRealm!";
}

// メイン側
async function shadowGreeter() {
  const shadow = new ShadowRealm();
  const shadowGreet = await shadow.importValue(
    "./spookycode.js",
    "greeting"
  );
  shadowGreet(); // "Hello from the ShadowRealm!"
}
shadowGreeter();
モジュールソース(spookycode.js)
export function greeting() { ... }
ShadowRealmでimportValueして関数を受け取る
const fn = await shadow.importValue("./spookycode.js", "greeting");
外側のレルムで安全に実行
fn(); // "Hello from the ShadowRealm!"
※モジュール内部のグローバルは外側から隔離されており意図しない干渉は起きない。

importValue()はPromiseを返し第二引数で指定したエクスポート名の値だけを取り出す。モジュールの内部実装はShadowRealmの隔離環境で動くため外側のグローバル空間を一切汚さない。CSS-in-JSで使うテーマ計算モジュールなどをこの形で読み込めばグローバル変数を介したスタイルの競合を根本から断てる。

ShadowRealmが変えるCSS設計の安全性

ShadowRealmが変えるCSS設計の安全性
Before(グローバル共有)
テーマ変数: window.currentTheme = 'dark';
※広告スクリプトが window.currentTheme = 'light'; に上書き
After(ShadowRealmでテーマ管理を隔離)
テーマはShadowRealm内のモジュールで完結
※外部スクリプトからはアクセス不能。
※テーマ管理をShadowRealmに隔離することで予期せぬ上書きからCSS変数を守れる。

ShadowRealmはまだブラウザに実装されていないがCSS設計の安全性を高めるうえでいくつかの具体的な使い道が考えられる。

スタイルの衝突防止とテーマ分離

複数の独立したコンポーネントやマイクロフロントエンドがひとつのページに同居するケースではそれぞれが使うCSS変数やテーマオブジェクトが衝突しやすい。ShadowRealmで各コンポーネントのスタイル計算ロジックを包めばそれぞれのグローバル空間は完全に分離され変数の取り合いが起きない。

またユーザーごとにカスタマイズされたテーマを動的に生成するような仕組みでも計算ロジックをShadowRealmに閉じ込めれば他スクリプトによる意図しないテーマ書き換えを防げる。

テスト環境の清浄化

CSS-in-JSの単体テストではグローバルなスタイルシートの状態がテスト結果に影響を与えることがある。ShadowRealm上でテストを実行すればテストごとに完全にクリーンなグローバル環境が得られモックデータの準備も簡素化される。ブラウザテストとNode.jsテストの両方で同じ隔離機構を使える点もメリットだ。

実装状況と将来の展望

実装状況と将来の展望

ShadowRealmの提案はTC39のステージ2.7にある。これは「原則的に承認され検証段階にある」という位置づけでブラウザへの試験実装が始まれば仕様の微調整が入る可能性は残る。現時点では実際のブラウザやNode.jsで使うことはできない。

CSS-Tricksの記事でも指摘されているようにShadowRealmはセキュリティ境界ではなく完全性境界を提供するものだ。つまり悪意あるコードの実行を完全に防ぐサンドボックスではないがグローバル変数や組み込みオブジェクトを意図せず壊してしまうリスクを封じ込めるには十分な隔離性能を持つ。

ステージ3へ進み主要ブラウザが実装を始めればCSS-in-JSライブラリやテストランナー、サードパーティスクリプト管理の分野でいち早く活用が広がるだろう。

この記事のポイント

  • ShadowRealmはコードを独立したグローバル環境で実行するTC39提案のAPI
  • メインスレッド上で動くためスレッド間通信の複雑さがない
  • サードパーティスクリプトやCSS-in-JSのテーマ計算を隔離しスタイル競合を防げる
  • テストコードの実行環境としてもクリーンなグローバル空間を提供する
  • 現時点ではステージ2.7で未実装。ブラウザ対応はこれから
海田 洋祐
GoogleがAEOとGEOを「依然としてSEO」と公式見解、新ガイド公開

GoogleがAEOとGEOを「依然としてSEO」と公式見解、新ガイド公開

Googleは2026年5月15日、生成AI検索機能(AI OverviewsやAI Mode)に向けたウェブサイト最適化の公式ガイドを公開した。名称は「Optimizing your website for generative AI features on Google Search」である。

このドキュメントでGoogleは、AEO(Answer Engine Optimization)やGEO(Generative Engine Optimization)と呼ばれる一連の手法について、はっきりとした立場を示した。すなわち「それらは依然としてSEOの一部である」という公式見解だ。同時に、llms.txtファイルの作成やチャンキング(コンテンツの細分化)、不自然な言及の獲得といった、一部で推奨されてきた施策に対しても「必要ない」と明言している。

記事では、この新ガイドのポイントを具体的に紹介しつつ、実務者がAI検索時代に本当に注力すべき施策を整理する。

新ガイド公開の背景と位置づけ

新ガイド公開の背景と位置づけ

今回のガイドは、2025年に公開されたAI機能の仕組みに関するドキュメントを大幅に拡充したものだ。従来版ではAI機能の動作原理や検索パフォーマンスの測定方法が中心だったが、新ガイドは「何をすべきか」という最適化アドバイスに踏み込んでいる。特に「神話打破(Mythbusting)」というセクションを新設し、業界で流布している誤解に対してGoogleの立場を直接的に表明した点が目を引く。

Googleの生成AI検索機能は、RAG(Retrieval-Augmented Generation / 検索拡張生成)とクエリファンアウトを基盤としており、基本的には既存の検索インデックスからコンテンツを引き出す仕組みだ。このため、コアとなるランキングシステムや品質評価の仕組みは従来と大きく変わらない。ガイドはその点を強調しつつ、AIならではの特性を踏まえた最適化の方向性を示している。

2025年公開の旧ガイド
AI機能の仕組み解説が中心
コンテンツの表示制御方法
パフォーマンス測定の基本
2026年5月公開の新ガイド
具体的な最適化アドバイスを追加
「神話打破」セクションの新設
AEO・GEOの位置づけを明確化
エージェント体験への初期ガイダンス

新旧ガイドの差分を見ると、Googleがサイト運営者に対して「何を気にしなくてよいか」を明確に伝えようとしていることがわかる。生成AI検索の登場以降、さまざまなサービスが独自の最適化手法を提唱してきたが、Googleはその多くを不要と断じた形だ。

AEO・GEOは「依然としてSEO」という公式見解

AEO・GEOは「依然としてSEO」という公式見解

用語の定義とGoogleの立場

ガイドでは、AEOを「Answer Engine Optimization」、GEOを「Generative Engine Optimization」と定義した上で、「Google検索の観点から言えば、生成AI検索のための最適化は検索体験のための最適化であり、したがって依然としてSEOである」と明記した。

この見解は、Googleの検索担当者であるGary Illyes氏やCherry Prommawin氏が過去のカンファレンスで発言してきた内容を公式文書化したものだ。両氏はSearch Central Liveにおいて、GEOやAEOに個別のフレームワークは不要であると述べていた。今回のガイド公開により、その立場が正式な参照可能なドキュメントとして記録されたことになる。

RAGとクエリファンアウトの仕組み

GoogleのAI機能は、RAG(検索拡張生成)という仕組みを使っている。これは、ユーザーの質問に対してまず検索インデックスから関連コンテンツを取得し、その情報をもとに生成AIが回答を構成する方式だ。クエリファンアウトは、ひとつの質問を複数の関連クエリに展開して広範囲の情報を収集する技術を指す。いずれも既存の検索インデックスに依存しているため、ベースとなるSEO対策が効いてくる構造は変わらない。

この点を踏まえると、「AI向けに別の最適化が必要」という発想そのものが、Googleの検索システムの実態と乖離していることになる。

従来の検索
ユーザーのクエリ
検索インデックス
ランキング表示
生成AI検索(AI Overviews / AI Mode)
ユーザーのクエリ
検索インデックス
RAGで回答生成
※コアの仕組みは同一。インデックス登録と品質評価が基盤

上図のように、AI検索においても検索インデックスが情報取得の起点であることに変わりはない。つまり、クローラビリティやコンテンツ品質といった従来型SEOの基盤が、そのままAI検索のパフォーマンスに直結する。

Googleが必要ないと明言した5つの施策

Googleが必要ないと明言した5つの施策

新ガイドの「神話打破」セクションでは、以下の施策について明示的に「Google検索においては不要」と記載されている。

llms.txtファイルや特殊マークアップ

機械可読なファイルやAI向けテキストファイル、特別なマークアップ、Markdownなどを用意する必要はない。GoogleはHTML以外のさまざまなファイル形式を検出しインデックス登録できるが、それはファイル形式が特別扱いされることを意味しない。

チャンキング(コンテンツの細分化)

AIシステム向けにコンテンツを細かく分割する必要はない。Googleのシステムは「ページ内の複数トピックのニュアンスを理解し、ユーザーに関連する部分を表示できる」能力を持つ。Search Engine Journalの記事によれば、GoogleのDanny Sullivan氏も2026年1月に同様の見解を示しており、社内エンジニアからもチャンキングを推奨しない意見が出ているという。

AI向けの文章リライト

AIシステムは類義語や一般的な意味を理解できるため、すべてのロングテールキーワードバリエーションを網羅したり、生成AI検索向けに特別な文体で書いたりする必要はない。過剰な最適化はむしろ不自然なコンテンツを生むリスクもある。

不自然な言及(メンション)の獲得

AI機能はブログや動画、フォーラムなどで語られている製品やサービスに関する言及を表示することがある。しかし、不自然な形で言及を集めようとする行為は「思われているほど有益ではない」とガイドは指摘する。中核のランキングシステムは品質に焦点を当てており、スパム的な言及は別の仕組みでブロックされる。

生成AI検索向けの専用構造化データ

生成AI検索のために特別なschema.orgマークアップを追加する必要はない。構造化データはリッチリザルトの表示資格を得るために従来通り活用するのがよいとしている。

Googleが明言した「不要な施策」一覧
llms.txtファイル 機械可読ファイルやAI向けMarkdownは不要
チャンキング コンテンツの細分化はAIが不要と判断
AI向け文章リライト 全キーワード網羅や特殊文体は非推奨
不自然な言及獲得 スパム的メンションはブロック対象
専用構造化データ 生成AI専用のschema.orgは存在しない
不要と明言された施策  Googleの理由

上記の施策はいずれも、一部のGEO関連リソースやAI検索最適化ガイドで推奨されてきたものだ。しかしGoogleの公式見解は真逆であり、こうした「AI専用対策」にリソースを割くことの費用対効果は極めて低いと言わざるを得ない。

代わりに注力すべき最適化の要点

代わりに注力すべき最適化の要点

では実際に何をすべきか。ガイドの推奨事項は、多くのSEO担当者にとって馴染み深い領域に集約されるが、AI検索ならではの文脈も含まれている。

非コモディティコンテンツの重視

ガイドが特に強調するのが「非コモディティコンテンツ」の概念だ。コモディティコンテンツとは、「初めて住宅を購入する人への7つのヒント」のような、どこにでもある一般知識の寄せ集めを指す。対する非コモディティコンテンツの例としてGoogleが挙げるのは「なぜ我々は検査を放棄して節約したのか——下水管内部の実例」のような、独自の経験や視点に基づく記事である。

この区別は、AIが既存の知識を要約して回答を生成できる時代において、人間の独自体験や専門的判断が差別化要因になることを示唆している。単なる情報の列挙ではなく、実際に経験したこと、検証したこと、独自に分析したことを盛り込む姿勢が求められる。

クローラビリティとインデックス

生成AI機能にコンテンツが表示されるには、ページがインデックス登録され、スニペット表示の対象となっている必要がある。具体的には、クロールのベストプラクティスに従うこと、可能な限りセマンティックHTMLを使用すること、JavaScript SEOの基本を守ること、良好なページエクスペリエンスを提供すること、重複コンテンツを減らすことなどが推奨されている。

ローカルビジネスとECの最適化

ローカルビジネスやECサイト向けには、Merchant CenterフィードとGoogleビジネスプロフィールの活用が推奨されている。また、Business Agentという、ユーザーがGoogle検索上でブランドとチャットできる会話型体験についても言及があった。これは、実店舗や商品を持つ事業者にとってAIエージェント経由の接点が増える可能性を示している。

AI検索時代のSEO優先順位(Google公式ガイドより)
最優先
非コモディティコンテンツの作成 独自の経験・分析に基づく記事
最優先
クローラビリティとインデックス管理 従来のテクニカルSEO対策
推奨
構造化データの適切な活用 リッチリザルト用途として継続
条件付き推奨
エージェント対策(UCP対応など) ビジネス関連性と余力がある場合
優先度高  状況に応じて検討

整理すると、AI検索対策の本質は「強いコンテンツを作り、検索エンジンに正しく読み取らせる」という原点に立ち返ることだ。特別なテクニックや抜け道を探す段階は、少なくともGoogleにおいては終わったと言える。

エージェント体験とUCPの初期ガイダンス

エージェント体験とUCPの初期ガイダンス

新ガイドでは、エージェント体験についても独立したセクションが設けられた。AIエージェントを「予約の手配や製品仕様の比較など、人に代わってタスクを実行できる自律システム」と定義し、ブラウザエージェントがスクリーンショットの分析、DOMの検査、アクセシビリティツリーの解釈を通じてウェブサイトにアクセスする可能性に言及している。

この文脈で紹介されているのが、web.devの「エージェントフレンドリーなウェブサイトのベストプラクティス」ガイドと、UCP(Universal Commerce Protocol)だ。UCPはGoogleが2026年初頭に発表した新興プロトコルで、Shopifyと共同開発され、すでに20社以上が支持を表明している。Vidhya Srinivasan氏の年次レターでも紹介された。

ただしGoogleは、このセクションについて「ビジネスに関連性があり、余力がある場合に検討するもの」と位置づけている。エージェント最適化は将来的な投資であり、今すぐ取り組まなければ検索順位が下がる性質のものではない。

実務への影響と今後の展望

実務への影響と今後の展望

このガイドの最大の価値は、Googleの立場を一つの文書に集約したことにある。これまでカンファレンスやポッドキャスト、ブログ投稿に分散していた見解が、公式ドキュメントとして参照可能になった。「神話打破」セクションは特に重要で、AEOやGEOのサービスを展開する業界が推奨してきた施策の多くを、Google自身が否定した形だ。

ただし注意すべき点もある。このガイドはあくまでGoogleのAI検索機能に特化したものであり、ChatGPTやPerplexityなど他プラットフォームのAI検索には適用されない可能性がある。これらのサービスは異なるシグナルを重視しているかもしれず、マルチプラットフォーム戦略をとる場合は別途検証が必要だ。

Googleは文書の締めくくりで、「このガイドのすべてを達成しなくても成功できる」と述べている。「多くのコンテンツは、明白なSEO対策を一切施さなくてもGoogle検索(生成AI体験を含む)で成果を上げている」というコメントからは、技術的な最適化よりもコンテンツの本質的な価値が優先されるというメッセージが読み取れる。

SEO担当者やサイト運営者にとって、このガイドは戦略的なリソース配分を見直す良い契機になるだろう。「AI専用の対策」に時間と予算を割くよりも、独自の情報価値を持つコンテンツの制作と、堅実なテクニカルSEOの維持に集中する。それが、Googleの生成AI検索において最も確実なアプローチだと公式に示されたのである。

この記事のポイント

  • Googleが生成AI検索最適化の公式ガイドを2026年5月に公開し、AEOやGEOは「依然としてSEOの一部」と明言した
  • llms.txt、チャンキング、AI向けリライト、不自然な言及獲得、専用構造化データの5施策を「不要」と断定
  • 代わりに非コモディティコンテンツ、クローラビリティ確保、構造化データの適切な活用を推奨
  • エージェント体験とUCPに関する初期ガイダンスも含まれるが、優先度は相対的に低い
  • ガイドの適用範囲はGoogleに限られるため、他プラットフォームでは別途戦略の検証が必要である
海田 洋祐