【2026年最新】Gemini 3.5 Flash完全解説｜料金・比較・活用7選

結論: Gemini 3.5 Flash は Google が2026年5月に正式リリース（GA）した、コーディング・エージェントタスクに特化したマルチモーダルモデルです。1M コンテキスト・$1.50/$9.00 per 1M tokens という料金体系で、Terminal-Bench 2.1（76.2%）ではGemini 3.1 Proを超えるエージェント性能を示します。

この記事の要点:

• 料金: input $1.50 / output $9.00（per 1M tokens）。無料枠あり（Google AI Studio）
• コーディング・エージェント性能: Terminal-Bench 2.1 = 76.2%（Gemini 3.1 Proを上回る）
• 速度: 同世代フロンティアモデル比で約4倍高速（output tokens per second）

対象読者: API活用・エージェント開発を検討中のエンジニア・中小企業のDX担当者
読了後にできること: Gemini 3.5 Flash のAPIを5分でセットアップし、コーディングタスクで試せる

「Gemini 3.1 Pro を使っているけど、もっと速くてコスパのいいモデルはないか」

今年（2026年）5月、そんな疑問に Google が一発で答えを出してきました。Gemini 3.5 Flash の正式リリース（GA）です。正直、最初に数字を見たとき「これは本物か？」と思いました。コーディング・エージェントタスクの主要ベンチマークでGemini 3.1 Proを上回りながら、速度は約4倍、料金も扱いやすいポジションに収まっています。

私が研修・コンサルで関わっている企業の多くが、Claude Code や Codex を使ったエージェント開発で詰まるポイントを抱えています。「コンテキストが足りない」「APIコストが重い」「長い処理が遅い」——Gemini 3.5 Flash はこれらの課題に対して、かなり具体的な答えを持っています。

この記事では、Google公式ブログ・DeepMindモデルカード・複数の独立ベンチマークをもとに、Gemini 3.5 Flash の仕様・料金・競合比較・業務別活用シナリオを完全解説します。API設定のコードサンプルも全部コピペできる形でまとめました。

Gemini 3.5 Flash とは — 2026年5月GA・基本スペック

Gemini 3.5 Flash は Google DeepMind が開発し、2026年5月19日にGA（Generally Available）となったマルチモーダルLLMです。Gemini 3.5シリーズの「Flash」ポジション——つまり「プロ級の知能を、より速くより手軽に」というコンセプトで設計されています。

Google公式ブログ（2026-05-19）では “Frontier-level intelligence at Flash speeds” と説明されています。これは宣伝文句ではなく、主要なエージェントベンチマークで実際に数字が出ています。

基本スペック一覧

出典: Gemini Developer API pricing — Google AI for Developers（参照日: 2026-06-04）

AIエージェントの基本概念や導入ステップについては、AIエージェント導入完全ガイドで体系的にまとめています。Gemini 3.5 Flash はこのエージェントアーキテクチャの「実行エンジン」として非常に強力です。

ベンチマーク詳細 — Gemini 3.1 Proを上回る領域

「Flashなのに Proを超える」と聞いて最初は半信半疑でしたが、ベンチマークを見ると特定の領域では本当にそうなっています。重要なのは「すべてのベンチマークで」ではなく「エージェント・コーディング系で」という限定です。ここが使い分けのカギです。

主要ベンチマーク結果

出典: Google Blog — Gemini 3.5: frontier intelligence with action（参照日: 2026-06-04）、DeepMind Model Card — Gemini 3.5 Flash（参照日: 2026-06-04）

注目は長文コンテキスト活用の数字です。MRCR v2（128kトークン）での77.3%は、Claude Opus 4.7（46.9%）やGPT-5.5（41.4%）に対して圧倒的な差をつけています。1Mトークンのコンテキストウィンドウを「持っているだけ」でなく「実際に使えている」という証拠です。

競合モデル完全比較表 — Gemini 3.5 Flash vs Claude Opus 4.7 vs GPT-5.5 vs Gemini 3.1 Pro

「結局どれを使えばいいのか」——この質問を研修先でも顧問先でもよく聞きます。答えは「用途と予算次第」ですが、比較表を見ると選び方の軸が見えてきます。

出典: Gemini 3.5 Flash vs 2.5 Flash: Real Cost and Performance Comparison（参照日: 2026-06-04）、Opus 4.8 vs GPT-5.5 vs Gemini 3.5 Flash: Cost vs Value（参照日: 2026-06-04）

Uravation の判断軸：エージェントタスク・大量文書処理・コーディング補助が主用途なら Gemini 3.5 Flash が最も費用対効果が高いです。逆に SWE-bench レベルの複雑なコード生成・深い推論が必要なら Claude Opus 4.7 が依然リードしています。「まず Gemini 3.5 Flash で試して、難しいタスクだけ重いモデルに回す」というルーティングが現実的な設計です。

Claude CodeとCodex CLIの料金・性能比較についてはCodex CLI vs Claude Code 料金・性能比較2026も参考にしてください。

業務別7活用シナリオ — 実務でどこに使うか

「ベンチマークはわかった。でも実際の業務でどう使うの?」——これが本質的な質問です。1Mトークン・エージェント特化・マルチモーダルという特性を生かせる7つのシナリオを整理しました。

シナリオ1: コーディング補助・コードレビュー

Terminal-Bench 2.1（76.2%）のスコアが示す通り、ターミナル操作を含む実際の開発タスクが得意です。大きなコードベース全体をコンテキストに入れて、リファクタリング方針の提案やレビューができます。

import google.genai as genai

client = genai.Client(api_key="YOUR_API_KEY")

# コードレビューの例
code_to_review = open("main.py").read()

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=f"""
以下のPythonコードをレビューしてください。
- バグの可能性
- パフォーマンス改善点
- セキュリティリスク
- リファクタリング提案

コード:
{code_to_review}
""",
)
print(response.text)

シナリオ2: マルチステップエージェントタスク

MCP Atlas（83.6%・1位）が示す通り、複数ツールを連携させたエージェントタスクが得意です。Google Antigravity との統合でサブエージェント的な処理も可能です。

import google.genai as genai

client = genai.Client(api_key="YOUR_API_KEY")

# Function callingを使ったエージェント的な使い方
tools = [
    {
        "function_declarations": [
            {
                "name": "search_database",
                "description": "データベースから情報を検索する",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "query": {"type": "string", "description": "検索クエリ"},
                        "table": {"type": "string", "description": "テーブル名"}
                    },
                    "required": ["query", "table"]
                }
            }
        ]
    }
]

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents="第1四半期の売上データを取得して分析してください",
    config={"tools": tools}
)
print(response.text)

シナリオ3: 大量文書データ分析

1Mトークンのコンテキストを生かした最大の用途の一つです。MRCR v2（77.3%）のスコアは、長文中の情報を正確に引き出す能力を示しています。法律文書・契約書・研究論文・業務マニュアルなど、大量の文書群をまとめて分析できます。

import google.genai as genai

client = genai.Client(api_key="YOUR_API_KEY")

# 複数ドキュメントを一度に処理
documents = []
for filepath in ["contract_a.pdf", "contract_b.pdf", "terms.pdf"]:
    with open(filepath, "rb") as f:
        documents.append(f.read())

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=[
        "これらの契約書を比較して、異なる条件・注意すべき条項を一覧にしてください。",
        *[{"mime_type": "application/pdf", "data": doc} for doc in documents]
    ],
)
print(response.text)

シナリオ4: 動画・画像の自動分析

マルチモーダル対応（テキスト・画像・音声・動画）を活用した分析が可能です。製品動画のQAチェック・プレゼン資料の内容確認・図表からのデータ抽出などに使えます。

import google.genai as genai

client = genai.Client(api_key="YOUR_API_KEY")

# 動画ファイルを分析
with open("presentation.mp4", "rb") as f:
    video_data = f.read()

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=[
        "このプレゼン動画の内容を要約し、重要なポイントを箇条書きにしてください。",
        {"mime_type": "video/mp4", "data": video_data}
    ],
)
print(response.text)

シナリオ5: 翻訳・多言語コンテンツ処理

高品質な多言語処理と長文コンテキストの組み合わせで、大量の文書翻訳・多言語コンテンツの一括処理が可能です。翻訳の一貫性を保つために、用語集や過去の翻訳例をコンテキストに含めることができます。

import google.genai as genai

client = genai.Client(api_key="YOUR_API_KEY")

# 用語集付き翻訳
glossary = """
専門用語対応表:
- Machine Learning → 機械学習
- Fine-tuning → ファインチューニング
- Inference → 推論（処理）
"""

text_to_translate = open("technical_doc_en.txt").read()

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=f"""
以下の用語集に従って、英語テキストを日本語に翻訳してください。
専門用語は必ず用語集の訳語を使用してください。

{glossary}

翻訳対象:
{text_to_translate}
""",
)
print(response.text)

シナリオ6: 月次レポート・定型業務の自動化

コスト面（$1.50/$9.00 per 1M tokens）を考えると、月次で大量処理が発生する定型業務の自動化に向いています。Finance Agent v2（57.9%・1位）のスコアは金融系の定型処理での強さを示しています。

import google.genai as genai
import json

client = genai.Client(api_key="YOUR_API_KEY")

# CSVデータから月次レポートを自動生成
import csv

monthly_data = []
with open("sales_data_june.csv") as f:
    reader = csv.DictReader(f)
    for row in reader:
        monthly_data.append(row)

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=f"""
以下の6月の売上データを分析して、月次レポートを作成してください。
- 総売上・前月比・目標達成率
- 上位5製品
- 課題と改善提案

データ:
{json.dumps(monthly_data, ensure_ascii=False, indent=2)}
""",
)
print(response.text)

シナリオ7: Vertex AI 経由の企業向けエージェント基盤

個人利用・プロトタイプ段階であれば Gemini API で十分ですが、企業で本番運用する場合は Vertex AI 経由が推奨です。データリージョン制御・アクセス管理・SLAが整います。

import vertexai
from vertexai.generative_models import GenerativeModel

# Vertex AI 初期化
vertexai.init(project="YOUR_PROJECT_ID", location="us-central1")

model = GenerativeModel("gemini-3.5-flash")

# チャット形式でのエージェント
chat = model.start_chat()
response = chat.send_message(
    "今月の顧客サポートログを分析して、よくある問い合わせ上位5件を抽出してください。"
)
print(response.text)

5ステップ導入フロー — 今日から試せる手順

1. Google AI Studio でAPIキー取得 — aistudio.google.com にアクセス。Googleアカウントでサインイン後、「Get API key」からキーを生成。無料枠があるため最初のテストはコスト不要
2. Python SDK インストール — pip install google-genai で最新SDK（google-genai）をインストール。旧 google-generativeai は非推奨なので注意
3. 最初のコード実行（コーディングタスク） — 上記「シナリオ1」のコードを手元のコードで試す。モデル名は gemini-3.5-flash を指定
4. コスト見積もりと上限設定 — Google AI Studioの「Billing」で月次上限を設定。本番移行前に30日分のトークン使用量を試算する（$1.50/$9.00 per 1M tokens で計算）
5. Vertex AI への移行（本番化） — プロトタイプ検証後、企業利用には Vertex AI への移行を検討。データリージョン・SLA・IAM管理が整うため安心して運用できる

【要注意】失敗パターン3選 — よくある落とし穴

失敗1: リージョン制約を無視してデプロイする

❌ よくある間違い: Gemini API（Google AI Studio）でプロトタイプが動いたため、そのまま本番で使い続ける。個人情報や機密データを処理するケースで、データが日本国内に留まるか確認しないまま運用を開始する。

⭕ 正しいアプローチ: 個人情報・機密データを処理するならVertex AI（asia-northeast1 = 東京リージョン）を使い、データが日本国内で処理されることを確認する。プライバシーポリシー・社内規程との整合性も確認すること。

なぜ重要か: 個人情報保護法・社内情報セキュリティポリシーの観点から、処理場所を把握せずに使うのはリスクです。Vertex AIならリージョンを指定できます。

失敗2: 「4倍速」の数字をそのまま信じてTTFTを混同する

❌ よくある間違い: 「4倍速」という数字をユーザー体感の応答速度と思い込む。thinking mode（高精度モード）を使った際に、なぜか遅いと感じる。

⭕ 正しいアプローチ: 「4倍速」は output tokens per second の指標です。high thinking mode では First Token to Output（TTFT）が17〜19秒になるケースがあります。ユーザー向けインターフェースには thinking mode なし or low thinking に設定し、バックグラウンド処理に high thinking を使うという使い分けが実用的です。

失敗3: コンテキスト容量の「持つ」と「使える」を混同する

❌ よくある間違い: 1Mトークンのコンテキストウィンドウがあるからといって、毎回100万トークンを詰め込む設計にする。コストが予想外に膨らむ。キャッシュ設定を忘れる。

⭕ 正しいアプローチ: キャッシュ機能（$0.15/1M tokens）を活用する。システムプロンプト・固定コンテキスト（ドキュメント・コードベース）はキャッシュに乗せ、動的なユーザー入力部分だけを毎回送信する設計にすると、コストを大幅に下げられます。30,000 API呼び出し/月の場合、キャッシュなし約$99、50%キャッシュ活用で約$64まで下がります（出典: Hassan Raza, 2026-06-04）。

失敗4: モデルルーティングを設計しないまま全タスクを1モデルに集中させる

❌ よくある間違い: 「Gemini 3.5 Flash が優秀だから全部これで」という設計。複雑な推論・SWE-benchmark レベルのコード生成でも使い続け、品質が出ない。

⭕ 正しいアプローチ: タスク難易度に応じてモデルをルーティングする。エージェントタスク・大量文書・コーディング補助 → Gemini 3.5 Flash。高度な推論・複雑なコード生成 → Claude Opus 4.7 or Gemini 3.1 Pro。「最初に安いモデルで試して、失敗したら上位モデルに回す」フォールバック設計がコスト最適です。

実企業の活用事例（公開情報）

事例区分: 公開事例
以下はGoogle公式ブログ（2026-05-19）で公表されている企業事例です。

• Shopify: データ分析による販売予測の並列処理。複数の予測モデルを並列実行してターンアラウンドを短縮
• Macquarie Bank: 100ページ以上の契約・文書を読み込んだ顧客オンボーディングの自動化。1Mトークンの長文コンテキストを活用
• Xero: 複数週にわたる税務処理ワークフローの自動化。マルチステップのエージェントタスクに適用

出典: Google Blog — Gemini 3.5: frontier intelligence with action（参照日: 2026-06-04）

Vertex AI vs Gemini API — 企業はどちらを使うべきか

研修・顧問で「どちらを使えばいい?」という質問が多いので整理します。

個人情報・機密情報を扱う本番システムには Vertex AI を推奨します。プロトタイプ・社内ツール・データ規制のない用途なら Gemini API で十分です。

Node.js / REST API 設定例

Python以外でも使いたい場合のコードサンプルです。

// Node.js（@google/genai SDK）
import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({ apiKey: process.env.GEMINI_API_KEY });

async function main() {
  const response = await ai.models.generateContent({
    model: "gemini-3.5-flash",
    contents: "Gemini 3.5 Flashの主な特徴を3点で教えてください",
  });
  console.log(response.text);
}

main();

# REST API（curl）
curl -X POST 
  "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.5-flash:generateContent?key=YOUR_API_KEY" 
  -H "Content-Type: application/json" 
  -d '{
    "contents": [{
      "parts": [{"text": "Gemini 3.5 Flash の料金を教えてください"}]
    }]
  }'

まとめ：今日から始める3つのアクション

Gemini 3.5 Flash は「高速・1Mコンテキスト・エージェント特化」の3点が際立ったモデルです。特に長文処理とマルチステップエージェントタスクでは、より高価なモデルに対しても競争力があります。

1. 今日やること: Google AI Studio でAPIキーを取得し、gemini-3.5-flash モデルで手元のコードレビューを1回試す（無料枠で可）
2. 今週中: 現在使っているLLMのAPIコスト（先月分）を計算し、Gemini 3.5 Flash に切り替えた場合の試算を出してみる。同じタスク量で$1.50/$9.00 per 1M tokens に換算
3. 今月中: 本番移行を検討するなら Vertex AI の設定を試し、データリージョン（asia-northeast1）での動作を確認する。社内のAIガバナンスポリシーとの整合性チェックも同時に実施する

あわせて読みたい:

• AIエージェント導入完全ガイド — エージェント設計の基礎から実装まで
• Codex CLI vs Claude Code 料金・性能比較2026 — コーディング系AIツールの選び方

参考・出典

• Google Blog — Gemini 3.5: frontier intelligence with action — Google（参照日: 2026-06-04）
• Gemini 3.5 Flash — Model Card — Google DeepMind（参照日: 2026-06-04）
• Gemini Developer API pricing — Google AI for Developers（参照日: 2026-06-04）
• Gemini 3.5 Flash vs 2.5 Flash: Real Cost and Performance Comparison for Production AI Tools — Hassan Raza（参照日: 2026-06-04）
• Gemini 3.5 Flash: Google’s Fastest Agentic Model — DataCamp（参照日: 2026-06-04）
• Opus 4.8 vs GPT-5.5 vs Gemini 3.5 Flash: Cost vs Value — Lushbinary（参照日: 2026-06-04）

著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー約10万人。
100社以上の企業向けAI研修・導入支援。著書『AIエージェント仕事術』（SBクリエイティブ）。
SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。

ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。