Generative AI Leader 完全攻略① — 試験概要と生成AIの基礎・Google Cloud の製品群

Generative AI Leader は、Google Cloud が 2025 年 5 月に投入した、非技術職に向けた世界初の生成 AI 認定だ。プログラミングやデータサイエンスの経験を前提とせず、生成 AI をビジネスにどう活かすかという「戦略と判断」を問う。本記事は Generative AI Leader の試験全体像を押さえたうえで、4 領域のうち前半 2 領域 — 生成 AI の基礎と、Google Cloud の生成 AI 製品群 — を、公式試験ガイドに沿って攻略する。この 2 領域だけで配点の約 65% を占める、合否を左右する範囲だ。

GCP 認定全体の地図はGoogle Cloud 認定 入門 2026（2026-06-22 公開）で示した。AI ブログの読者にとって、この資格は最も短時間で取得でき、かつ実務の語彙が一気に増える 1 枚になる。

Generative AI Leader 試験の全体像 — 4 領域と配点

まず試験仕様を確認する。前提条件がなく、誰でも挑める設計になっている点が最大の特徴だ。

出題は 4 領域で構成され、公式試験ガイドが示す配点は次の通りだ。

• Section 1 生成 AI の基礎（約 30%）
• Section 2 Google Cloud の生成 AI 製品群（約 35%）
• Section 3 出力を改善する技術（約 20%）
• Section 4 成功するための事業戦略（約 15%）

最大配点が Section 2 の「Google Cloud の生成 AI 製品群（約 35%）」に置かれている点が、この資格の性格を物語る。汎用的な生成 AI の知識だけでなく、Google Cloud の製品を「何のために使い分けるか」を語れることが核心になる。本記事は前半の Section 1〜2（合計約 65%）を扱い、後半の Section 3〜4 は続編で攻略する。技術試験ではなく戦略・判断を問う試験のため、コードを書く力ではなく、「この業務課題にはどの製品・どの手法が向くか」を選ぶ力が試される。

なお、この認定が「非技術職向けの世界初の生成 AI 認定」として 2025 年に登場した背景には、AI が一部の専門家だけのものではなくなり、あらゆる職種に基礎的な AI リテラシーが求められるようになった、という時代の変化がある。エンジニアにとっても、ステークホルダーと同じ言葉で生成 AI を語るための共通語彙を整える価値は大きい。

学習に入る前に、時間配分の感覚も持っておきたい。90 分で 50〜60 問なので、1 問あたり 1.5 分前後だ。設問は長文のシナリオよりも、用語の意味や「この場面に向くのはどれか」を問う短めのものが中心になる。読解で時間を失う心配は少ないため、迷った問題に印を付けて先へ進み、最後に戻る進め方で十分に間に合う。学習の順序としては、配点の大きい前半 2 領域に時間を厚く配り、用語と製品の対応を体に入れてから、後半の手法と戦略へ進むのが効率的だ。

Section 1 — 生成 AI の基礎（約 30%）

Section 1 は、生成 AI を語るための土台となる概念を問う。まず押さえるべきは用語の定義だ。人工知能、自然言語処理、機械学習、生成 AI、基盤モデル（foundation model）、マルチモーダル基盤モデル、拡散モデル（diffusion model）、プロンプトチューニング、プロンプトエンジニアリング、大規模言語モデル（LLM）といった言葉を、自分の言葉で説明できる状態にしておきたい。これらは生成 AI を扱ううえでの共通語であり、定義があいまいだと後続の領域すべてがぐらつく。

機械学習の基礎も問われる。教師あり学習、教師なし学習、強化学習という 3 つのアプローチの違い、そして機械学習のライフサイクル — データの取り込み、データの準備、モデルの学習、モデルのデプロイ、モデルの管理 — の各段階と、それぞれに対応する Google Cloud のツールを理解する。この流れは、AI を「一度作って終わり」ではなく「継続的に運用するもの」として捉える視点を養う。

実務的に重要なのが、基盤モデルの選び方だ。公式ガイドは、モダリティ（テキストか画像か）、コンテキストウィンドウ（一度に扱える情報量）、セキュリティ、可用性と信頼性、コスト、性能、ファインチューニングやカスタマイズの可否、といった観点で、業務に合うモデルを選ぶ判断を求めている。「とにかく高性能なモデルを使えばよい」のではなく、用途・コスト・制約のバランスで選ぶ、という現実的な視点が問われる。あわせて、データ品質の重要性（完全性・一貫性・関連性・可用性・コスト・形式）、構造化データと非構造化データの違い、ラベルありデータとラベルなしデータの違いも理解しておく。

これらの概念は、単なる暗記対象ではなく、生成 AI をビジネスで使う際の判断の前提になる。たとえば、扱うデータが構造化されているか非構造化かによって、適した手法も製品も変わる。データの品質が低ければ、どれほど高性能なモデルを使っても出力は安定しない。基礎領域が配点の約 30% を占めるのは、この土台が崩れると後続のすべての判断が揺らぐからだ。生成 AI が何を生み出せるか — 文章・画像・コード・動画の生成、要約、発見、自動化 — という具体的な使いどころと併せて理解しておくと、事業課題と技術を結びつけやすくなる。

生成 AI のランドスケープ 5 層と Google の基盤モデル

Section 1 のもう一つの柱が、生成 AI のランドスケープを 5 つの層で捉える視点だ。公式ガイドは次の 5 層を挙げている。

• Infrastructure（インフラ）: AI を動かす計算基盤
• Models（モデル）: 基盤モデルそのもの
• Platforms（プラットフォーム）: モデルを開発・運用する土台
• Agents（エージェント）: 自律的にタスクをこなす AI
• Applications（アプリケーション）: 利用者が触れる最終製品

この 5 層は、生成 AI のどの部分の話をしているのかを位置づける地図になる。たとえば Gemini はモデル層、Agent Platform はプラットフォーム層、というように整理すると、製品が頭の中で散らからない。エージェント層が独立して挙げられている点は、2026 年の生成 AI が「会話するモデル」から「自律的に動くエージェント」へと重心を移していることを反映している。

Google 自身の基盤モデルとして、公式ガイドは 4 つを挙げる。Gemini（汎用のマルチモーダルモデル）、Gemma（軽量なオープンモデル）、Imagen（画像生成）、Veo（動画生成）だ。Gemini と Gemma の違い — プロプライエタリで高性能な Gemini と、公開されていて自分の環境でも動かせる Gemma — を押さえておくと、用途に応じたモデル選定の問題に強くなる。画像なら Imagen、動画なら Veo、という対応もセットで覚えておきたい。

5 層の地図と 4 つのモデルを結びつけると、生成 AI の全体像が立体的に見えてくる。利用者が触れるのはアプリケーション層だが、その裏にはエージェント、プラットフォーム、モデル、インフラが積み重なっている。どの製品の話をしているのかを、この層構造の中に位置づける癖をつけると、製品名が増えても迷子にならない。Google が基盤モデルからインフラまでを一気通貫で自社に持っている点も、この地図を見ると理解しやすい。

Section 2 — Google Cloud の生成 AI 製品群（約 35%、最大配点）

Section 2 は配点が最も大きく、この試験の主戦場だ。まず問われるのが、生成 AI における Google Cloud の強みである。AI を中核に据える「AI-first」の姿勢、責任ある・安全な・プライベートな・信頼できる・スケーラブルという「エンタープライズ対応」の AI プラットフォーム、Google 製品全体に AI が統合された包括的なエコシステム、そしてオープンなアプローチ。これらが Google Cloud の生成 AI の土台になる。

インフラ面の強みも問われる。AI に最適化された計算基盤として、ハイパーコンピューター、Google が独自設計した TPU、GPU、データセンターが挙げられる。AWS が独自チップ（Trainium / Inferentia）で AI ワークロードを支えるのと同様に、Google も自社設計の TPU を競争力の源にしている、と理解すると位置づけが明確になる。さらに、利用者がデータを制御できること（セキュリティ・プライバシー・ガバナンス）、低コードやノーコードのツール・事前学習済みモデル・API によって AI 開発を民主化していること、も Google Cloud の打ち出しだ。

ここで言う「エンタープライズ対応」が何を意味するかは、試験でも問われやすい論点だ。企業が生成 AI を本番で使うには、出力の安全性、データのプライバシー、アクセス制御、規模の拡張性といった条件をすべて満たす必要がある。個人が試しに使う AI と、企業の基幹業務に組み込む AI では、求められる水準がまるで違う。Google Cloud が「責任ある・安全な・プライベートな・信頼できる・スケーラブル」という言葉を並べるのは、この企業利用のハードルを越えていることを示すためだ。製品単体の機能よりも、こうした「なぜ企業で使えるのか」という観点で理解しておくと、設問の意図に応えやすい。

製品の使い分けこそが Section 2 の核心であり、配点の重さもここに由来する。汎用的な生成 AI の知識を超えて、「どの業務に、どの Google Cloud 製品を当てるか」を判断できる状態を目指したい。次の 2 つの見出しで、業務向けの Gemini ファミリーと、開発者向けの基盤・エージェントを順に整理する。

業務を変える Gemini 製品ファミリー

Google Cloud の生成 AI 製品は、用途別に複数のラインを持つ。まず業務利用の中心となるのが Gemini ファミリーだ。

Gemini app と Gemini Advanced は、個人やチームが対話形式で使う AI だ。Gems と呼ばれるカスタム設定で、用途に合わせた振る舞いを作れる。Gemini Enterprise は企業向けの統合基盤で、Cloud NotebookLM API、マルチモーダル検索、カスタムエージェント機能を備える。社内に散在するデータを横断的に検索し、業務に特化したエージェントを組む、といった使い方が想定される。そして Gemini for Google Workspace は、文書・表計算・メールといった日常業務に AI を直接組み込む。

顧客体験を変える製品群も Section 2 に含まれる。外部検索の機能としては、Gemini Enterprise Agent Platform 上の Agent Search や Google Search が挙げられる。さらに、コンタクトセンターを刷新する Customer Engagement Suite — 会話型エージェント（Conversational Agents）、オペレーター支援の Agent Assist、会話分析の Conversational Insights、そして Contact Center as a Service — が、顧客対応の自動化と高度化を担う。これらは「生成 AI を顧客接点にどう適用するか」という、ビジネス価値が見えやすい領域だ。

Gemini ファミリーを使い分ける鍵は、「誰が、どこで使うか」だ。個人やチームが汎用的に対話で使うなら Gemini app、社内データを横断して企業全体で活用するなら Gemini Enterprise、日々の文書作業の中で使うなら Gemini for Workspace、という対応になる。同じ Gemini の名を冠していても、想定する利用者と利用場面が異なる。この使い分けを問う設問は頻出なので、製品名と利用シーンをワンセットで覚えておきたい。

開発者向けの基盤とエージェント

開発者が AI を組み込むための基盤も問われる。中心となるのが Agent Platform だ。ここには、多様なモデルから選べる Model Garden、検索を組み込む Agent Search、そして自動で機械学習を行う Agent Platform AutoML が含まれる。Model Garden は、Google の Gemini だけでなく、サードパーティやオープンソースのモデルも含めて選べるモデルのハブで、AWS の Bedrock に近い役割を果たす。

検索や社内データに基づいた回答を作るための RAG（検索拡張生成）の機能も用意されている。あらかじめ組まれた「prebuilt RAG with Agent Search」と、自分で組み込む「RAG API」があり、用途に応じて選ぶ。そして Agent Platform を使えば、独自のエージェントを構築できる。

エージェントがどう外部とやり取りするか、という観点も出題される。エージェントは、拡張機能（extensions）、関数（functions）、データストア、プラグインといった「ツール」を使って外部環境と関わり、タスクを達成する。そのツールとして使える Google Cloud のサービスや事前学習済み API には、Cloud Storage、各種データベース、Cloud Functions、Cloud Run、Speech-to-Text API、Text-to-Speech API、Translation API、Document AI API、Cloud Vision API、Natural Language API などがある。最後に、ノーコード寄りで業務エージェントを組む Agent Studio と、開発者がモデルを試す Google AI Studio の使い分けも押さえておきたい。

開発者向けの領域で意識したいのは、生成 AI が「質問に答えるモデル」から「自分で動くエージェント」へと進化している点だ。エージェントは、与えられたツールを使って外部のデータやサービスにアクセスし、複数の手順を自律的にこなす。だからこそ、どんなツールを与えるか、どの API と組み合わせるか、という設計が重要になる。Generative AI Leader は技術実装そのものは問わないが、この「エージェントが何をできて、何を必要とするか」という概念は、ビジネス側の判断者にとっても欠かせない知識として出題される。

AWS の AI サービスとの対応で覚える

AWS の AI Practitioner（AIF-C01）を学んだ読者なら、役割で対応づけると製品名の洪水を整理できる。あくまで「役割が近い」対応であり、機能は完全一致しない点を前提に見てほしい。

この対応表を一度作ってしまえば、Section 2 の製品群は「AWS で言えばあれ」と紐づけて覚えられる。ただし注意したいのは、Google が「エージェント」を製品ラインの前面に出している点だ。AWS でも Bedrock Agents は存在するが、Google は Agent Platform、Agent Search、Agent Studio とエージェント関連の名前が一段と多い。2026 年の Google Cloud が、対話する AI から自律的に動くエージェントへと軸足を移していることの表れであり、ここは AWS の知識だけでは補えない新規学習領域になる。

とはいえ、エージェントを過度に難しく考える必要はない。要するに、目的を与えると自分で手順を考え、必要なツールを呼び出してこなしてくれる AI、という理解で出発点としては十分だ。試験で問われるのは内部実装ではなく、「どんな業務をエージェントに任せられるか」「そのために何が必要か」という活用の視点である。AWS で Bedrock Agents の概念に触れていれば、その延長線上で捉えられる。

前半 2 領域のつまずきポイント

前半で典型的につまずく 3 点を挙げる。

第一に、製品名の物量に飲まれることだ。Gemini app、Gemini Enterprise、Gemini for Workspace、Agent Platform、Agent Search、Agent Studio、Google AI Studio と、似た名前が次々に出てくる。個別暗記ではなく、「業務利用か、開発者向けか」「対話か、検索か、エージェント構築か」という用途の軸で分類して覚えると、混乱が収まる。

第二に、Gemini と Gemma の取り違えだ。両者は名前が似ているが、Gemini はプロプライエタリな高性能モデル、Gemma は公開されたオープンモデル、という性格の違いがある。用途に応じてどちらを選ぶか、という問題で差がつくため、この区別は確実に押さえたい。

第三に、ランドスケープ 5 層の位置づけ漏れだ。Infrastructure・Models・Platforms・Agents・Applications の 5 層は、製品がどの層の話かを整理する地図になる。製品名を覚えるときに「これは何層か」を併せて意識すると、知識が層構造の中に収まり、引き出しやすくなる。

加えて、製品名そのものより「用途を問われている」と気づくことが大切だ。設問は「Gemini Enterprise とは何か」を直接聞くより、「社内データを横断検索したい企業に最適なのはどれか」のように、シーンから製品を選ばせる形が多い。用途とシーンから逆引きする訓練を積めば、製品名の細部に振り回されずに正解へたどり着ける。

まとめ — 前半 2 領域で配点の 3 分の 2 を押さえる

Generative AI Leader の前半 2 領域は、Section 1（生成 AI の基礎、約 30%）と Section 2（Google Cloud の生成 AI 製品群、約 35%）で、合計約 65% を占める。基礎では用語の定義・機械学習のライフサイクル・基盤モデルの選び方・ランドスケープ 5 層・Google の 4 モデル（Gemini / Gemma / Imagen / Veo）を、製品群では業務向けの Gemini ファミリーと開発者向けの Agent Platform・RAG・エージェントツールを押さえる。

AWS の AI サービスと役割で対応づければ、製品名の暗記負担は大きく減る。ただしエージェント関連は Google が前面に出す新領域であり、ここは丁寧に押さえたい。続編では、後半の Section 3（出力を改善する技術）と Section 4（事業戦略）を攻略し、プロンプトエンジニアリング・グラウンディング・責任ある AI まで含めて Generative AI Leader の全体像を完成させる。

学習の進め方としては、まず公式の無償トレーニング（約 7〜8 時間で一巡できる）で全体像をつかみ、配点の大きい前半 2 領域を本記事で繰り返し確認するのが効率的だ。製品名は用途の軸で分類し、模擬問題で「どの場面にどの製品か」を反射で答えられる状態を目指したい。公式と正規教材だけで合格圏には十分届くため、実試験問題の転載をうたう dumps サイトには手を出さないこと。

参照

• Generative AI Leader（公式試験ページ）
• Generative AI Leader 試験ガイド（公式 PDF）
• New Google Cloud certification in generative AI（Google Cloud 公式ブログ）
• Gemini API と Gemini Enterprise Agent Platform（2026-05-23 公開）
• Google Cloud 認定 入門 2026（2026-06-22 公開）

ブラウザだけでできる本格的なAI画像生成【ConoHa AI Canvas】

swiftwand

X

AIを使って、毎日の生活をもっと快適にするアイデアや将来像を発信しています。 初心者にもわかりやすく、すぐに取り入れられる実践的な情報をお届けします。 Sharing ideas and visions for a better daily life with AI. Practical tips that anyone can start using right away.