AIモデル・生成AIの選び方

Google Earth AIの地理エージェント、専門データと計画で業務を試す

公開日 ・更新日

Google Earth AIのGeospatial Reasoning agentは、汎用LLMに地図を見せるだけの機能ではありません。Google Researchは2026年10月14日、Earth AIの基盤モデル、地理ツール、先行計画を組み合わせた実験システムの拡大を発表しました。現場で試すなら、データ、計画、検証結果を分けます。

地理分析は、地域名を入力すれば終わる仕事ではありません。衛星、気象、人口、道路などのデータをどう組み合わせたかで、結論の意味が変わります。汎用モデルの回答だけを採用しない仕組みが必要です。

専門データとツールを選ぶ

公式発表では、エージェントがWeatherNext、洪水予測、Population Dynamics Foundation Model、AlphaEarth Foundations、Remote Sensing FoundationsなどのEarth AIモデルに接続します。Google Maps Platform、Earth Engine、Data Commons、Google Dataset Searchも組み合わせられます。

すべてを最初から有効にする必要はありません。出店候補の比較、災害時の影響範囲、公開データの地域差など、一つの問いに必要なデータだけを選ぶ。自社データはCSV、GeoJSON、クラウドテーブルから持ち込めるため、入力範囲と権限を先に決めます。

計画と出典を見える状態にする

Geospatial Reasoning agentは、複雑な処理の前に段階的な分析計画を作り、必要なスキルとデータを選び、コンテキストの外にある専用ワークスペースで処理します。回答には計画とデータソースが示され、前提を確認したり、別のデータへ置き換えたりできます。

ここが、単に地図を要約する機能との違いです。最初の一件では、計画、使ったデータ、欠けたデータ、結果の確度を同じ記録へ残します。出典が確認できない結論は、提案書の最終値に入れません。

ベンチマークと人の確認を分ける

公式の技術報告では、汎用LLM、検索・地図ツール付き、Earth AIツール付き、先行計画まで含むエージェントの構成を比較し、GeoKToolsやGeoExpertQueriesなど4種類のベンチマークで評価しています。評価結果は分析の強い初稿を示すもので、最終判断ではありません。

WHOアフリカ地域事務所などのパートナーによる初期テストも紹介されていますが、実験アクセスは限定的です。まず一地域・一種類の問いで、分析時間、出典確認率、専門家の差し戻しを測る。精度を一つの数字だけで判断しないことが大事です。

出典（公式）：Google Research「Putting Earth AI to work: Geospatial agents for our planet's biggest challenges」https://research.google/blog/putting-earth-ai-to-work-geospatial-agents-for-our-planets-biggest-challenges/ 出典（公式）：Google「Research@ 2026: Novel capabilities and intelligence」https://blog.google/innovation-and-ai/technology/research/research-capabilities-intelligence-2026/

AIエージェントのデータ接続と検証設計を相談したい方は、COZITOへご相談ください。

出典・参考資料

著者: 松井 勇樹