Vertex AIとは｜主要モデル・料金とGoogle Cloud LLM開発案件

Vertex AIとは何か（サービスの位置づけ）

Vertex AIは、Google CloudのAI／MLプラットフォームとして提供されているマネージドサービス群です。Googleが自社で開発する基盤モデル（Gemini・Imagen・Chirp・Veoなど）だけでなく、Meta Llama・Anthropic Claude・Mistralなどのサードパーティモデルも、Model Gardenを通じて同じコンソールから扱えます。モデル呼び出しのAPIだけでなく、モデル評価・チューニング・エンドポイントの管理・パイプライン・エージェント構築の各機能が同居しているのが特徴です。

Vertex AIの立ち位置を一言でいうと、「Google Cloud版のマネージドAI／LLM基盤」です。AWSで同じレイヤーを担うのがAmazon Bedrock、Azure OpenAIモデルをAzureからマネージドに提供するのがAzure OpenAI Service、Google CloudでGemini・Imagen・Model Gardenなどを扱うのがVertex AI、と対応させると位置がつかみやすいはずです。

Google Cloudサービスとしての特徴

• 統一プラットフォーム：モデルの評価・チューニング・デプロイ・監視・パイプライン・エージェント構築が同じコンソールにまとまっている

• 統一API：generateContent／streamGenerateContent／Vertex AI Prediction APIなどで、多くのマネージドモデルを共通に近い呼び出しパターンで扱える（入力形式や対応機能はモデルごとに差があるため、正式には各モデルのリファレンスで確認）

• Google Cloud基盤に統合：IAM・VPC Service Controls・Cloud KMS・Cloud Audit Logs・Cloud Loggingなど既存のGoogle Cloudサービスとネイティブに連携する

• データ保護：Google Cloud公式ドキュメントでは、Vertex AIに送信された顧客データは基盤モデルの学習に使われない方針が案内されている。ただし機能や契約条件ごとに扱いが変わる場合があるため、案件着手前にVertex AI Generative AI のデータガバナンスで最新仕様を確認し、契約書と突き合わせる

• モデルの切り替え：Google純正のGeminiに加え、Model Garden経由でClaude・Llama・Mistralなどのモデルも扱える

使い始めの流れ

1. Google Cloudコンソールで「Vertex AI」を有効化し、必要なAPI（aiplatform.googleapis.com など）を有効にする

2. IAMで実行ユーザー／サービスアカウントに roles/aiplatform.user などの必要ロールを付与する

3. Vertex AI Studioで対話的にモデルを試すか、SDK（google-cloud-aiplatform / google-genai）から generateContent を呼び出す

4. 認証はGoogle Cloudの標準（アプリケーションデフォルト認証／サービスアカウントキー／Workload Identity）で完結し、追加のAPIキー発行は必須ではない

数分〜数十分で有効化されることが多いですが、組織ポリシーでプロジェクトのAPI有効化を制限している場合は、情シスや基盤チームとの調整が入ることがあります。

ミニFAQ：サービスの位置づけ

Q. 「Google AI Studio」と「Vertex AI」は何が違いますか？

A. どちらもGeminiを呼び出せますが、Google AI Studioは個人開発者向けの実験環境で、Vertex AIは企業向けのAI／MLプラットフォームです。VPC制御・IAM・監査ログ・SLAといった企業要件を通したいならVertex AI、まず個人で試したいならGoogle AI Studioと使い分けるのが一般的です。詳細はGemini APIの使い方でも整理しています。

主要モデルと選び方

Vertex AIで扱えるモデルは、大きく分けてGoogle純正のGeminiシリーズ・Google純正のマルチモーダル／音声／動画モデル・Model Garden経由のサードパーティ／オープンモデルの3系統です。代表的なモデルとユースケースを整理します。

主要モデルの一覧

上記は代表例です。提供モデル・名称・世代・リージョン・提供終了状況は更新が速いため、正式にはVertex AI 生成AIのモデル一覧で最新版を確認してください。同じモデルでも「東京リージョン（asia-northeast1）」で使えるものと、米国リージョン（us-central1）でしか使えないものがあるため、要件定義時に必ずリージョンを確認します。

用途別のモデル選定

• 社内RAG（社内文書のQ&A）：Gemini Pro＋text-embedding系、または Gemini Flash＋text-embedding系の組み合わせ

• コード生成・レビュー支援：Gemini Pro、または Model Garden経由のClaude

• 軽量チャット（大量トラフィック）：Gemini Flash / Flash-Lite

• セルフホスティング前提のオンプレ連携：Model Gardenで Llama系をVertex AI Endpointsにデプロイ

• 音声・動画を含むマルチモーダル：Gemini（マルチモーダル対応モデル）＋Chirp／Veo

判断軸としては、「まずGemini Proで精度検証 → コストが合わないところをFlashやFlash-Liteに落とす」という順序が実務では多く見られます。Google AI Studioで軽く試したプロンプトを、そのままVertex AI側で本番相当の認証・ネットワーク条件で検証していく流れです。

ミニFAQ：モデル選定

Q. Vertex AIで OpenAIのGPTシリーズは使えますか？

A. 2026年時点では、Vertex AIの提供モデルにOpenAIのGPTシリーズは含まれていません。GPT系を使いたい場合はAzure OpenAI ServiceかOpenAI APIを直接呼ぶ構成になります。

料金体系（トークン課金とエンドポイント課金）

Vertex AIの料金は、モデル種別ごとに公式ページ（Vertex AI 料金）で公開されていますが、課金の軸は次の2つに整理できます。

2つの課金モデル

Geminiのようなマネージド提供のモデルはトークン単価で課金され、入力トークンと出力トークンで別単価が設定され、出力側が高めに設定されるのが一般的です。マルチモーダル入力（画像・動画・音声）は入力トークン換算のロジックが用途ごとに異なるため、実際の単価は公式料金ページで最新値を確認します。

一方、Model GardenでLlamaなどのオープンモデルをセルフデプロイして使う場合は、Vertex AI Endpointsに割り当てたマシンタイプ（例：n1-highmem-8＋GPU）とノード数、稼働時間で課金されます。トークン数と直接連動しない代わりに、リクエストの有無に関わらず稼働時間分の料金が発生する点が最大の違いです。

どちらを選ぶかの判断軸

• 月間トークン数がまだ読めない → トークン課金（Gemini・マネージド提供モデル）

• 本番稼働で1日中トラフィックが張り付く → セルフデプロイ型を選ぶかどうか要検討

• 応答レイテンシを厳しくSLA化したい／モデルをカスタム学習したい → エンドポイント課金（セルフデプロイ）

• 社内評価用の一時的な負荷 → トークン課金

Geminiのマネージド提供モデルの一部には、まとまったトークンをまとめて処理するバッチAPI（Batch Prediction）があり、対話用の同期呼び出しよりも単価を抑えられるケースがあります。夜間バッチで大量のドキュメント要約や分類を回す用途では、同期呼び出しよりコストを抑えやすい選択肢として検討する価値があります（実際の削減幅はモデル・ワークロードで大きく振れるため、公式料金ページの単価で試算します）。

ミニFAQ：料金の勘所

Q. 想定より請求が跳ねやすいポイントは？

A. 実務でよく指摘されるのは、①Model Gardenのセルフデプロイでリクエストが無くてもエンドポイントが常時稼働している②長文プロンプトが毎回入力トークンとして課金される③マルチモーダル入力（動画）で入力トークン換算が想定より大きい、の3点です。エンドポイントは検証後に停止する、システムプロンプトはコンテキストキャッシュ機能で使い回す、動画・画像は必要な部分に絞る、という運用ルールで抑えます。詳細な削減設計はLLMコスト最適化案件の単価相場でも整理しています。

主要機能（Studio・Model Garden・Pipelines・Agent Builder）

Vertex AIには、モデル呼び出し以外にも本番運用を意識した機能が揃っています。案件で名前が挙がる主要機能を整理します。

Vertex AI Studio

• 役割：プロンプトを対話的に試し、社内で共有できるプレイグラウンド

• 主な用途：業務担当者と一緒にプロンプトの候補を作り、動作を確認する

• 勘所：Studioで動いたプロンプトは、そのままSDKからも呼び出せる。プロンプト履歴の共有・比較機能が付いているため、非エンジニアとの検証に便利

Model Garden

• 役割：Google純正・パートナー・オープンモデルを1か所に集めたカタログ

• 主な用途：Claude・Llama・Mistralなど非Googleモデルの発見／有効化／デプロイ

• 勘所：モデルによって「マネージドAPIで呼べる」「セルフデプロイ限定」「Vertex AI Studioで試せる」など提供形態が異なる。案件のRFPで「マルチモデル対応」と書かれている場合、Model Gardenの有効化条件と提供形態を先に確認する

Vertex AI Pipelines

• 役割：機械学習のワークフロー（前処理→学習→評価→デプロイ）をパイプラインとして定義・実行するMLOps基盤

• 主な用途：モデル再学習・データパイプライン・LLMの評価バッチ

• 勘所：Kubeflow Pipelines DSL または TensorFlow Extended（TFX）をベースにしており、既存のMLOps知識がそのまま使える。詳細はMLOpsとはを参照

Vertex AI Endpoints（Prediction）

• 役割：モデルをRESTエンドポイントとしてホスティングする推論基盤

• 主な用途：Model Gardenでセルフデプロイしたモデル、独自学習モデルのオンライン推論

• 勘所：オートスケーリング設定を誤ると、リクエストが少なくてもGPUノードが常時稼働してコストが跳ねる。最小・最大レプリカ数やスケーリング条件を事前に確認し、アイドル時のコストが膨らまない設定にする

Vertex AI Search／Agent Builder

• 役割：RAGとエージェントの実装を高水準APIでまとめたサービス

• 主な用途：社内ドキュメント検索、業務エージェント、カスタマーサポート

• 勘所：BigQueryやCloud Storage内のドキュメントをコネクタで取り込み、埋め込み・検索・回答生成を自前実装せずに構築できる。細かい制御が要る場合はLlamaIndexなどのフレームワークと組み合わせるパターンもある

Model Monitoring／Model Evaluation

• 役割：デプロイしたモデルの入力データ分布のドリフト検知、生成AIモデルの品質評価

• 主な用途：本番運用後の品質担保、モデル更新前のオフライン評価

• 勘所：生成AI向けにはLLM-as-a-Judgeベースの評価もサポートしており、要件定義の段階で評価指標を先に決めておくと後戻りが減る

Bedrock／Azure OpenAI／OpenAI直叩きとの違い

Vertex AIを検討するときによく比較されるのが、Amazon Bedrock・Azure OpenAI Service・OpenAI API 直叩きの3つです。同じ「マネージドLLM／マネージドAI基盤」でも、実務上は違いがあります。

比較表

選び分けの実務ルール

• 既存インフラがGoogle Cloud中心：BigQueryやGCSのデータを頻繁に扱うならVertex AIが最短。データ移動を伴うマルチクラウド構成を避けやすい

• 既存インフラがAWS中心：AWSアカウント内でIAM統制を効かせたいならBedrock

• 既存インフラがMicrosoft中心：Microsoft Entra IDとM365連携が前提ならAzure OpenAI

• モデルはGPT一択で、インフラ依存を最小化したい：OpenAI API直叩き。ただし監査ログ・VPC統制は自前で組む

• マルチクラウド前提：Bedrock／Vertex AI／Azure OpenAIを併用するケースもあるが、認証・ネットワーク・モデル評価基盤が3系統に分かれるため運用負荷が上がる点は最初に見積もる

案件別の選定順序については、クラウド案件の参入順序でも整理しているので、クラウド未経験者はあわせて参照してください。

Google CloudでのAI／機械学習案件と単価

ここではフリーランス案件としてのVertex AI／Google Cloud AI関連案件の傾向を整理します。

案件の4類型

Vertex AI関連の案件は、実務では以下の4つに分かれる傾向があります。

1. PoC・要件定義フェーズ：Vertex AI Studioでプロンプトを試作し、ユースケース別に精度・コスト・レイテンシを検証する

2. RAG構築：BigQuery／Cloud StorageのドキュメントをVertex AI Search／Agent Builder、またはLlamaIndexなどのフレームワークと組み合わせて実装する

3. Agent Builder／エージェント実装：業務ツール連携（Google Workspace、Salesforce、社内API）を伴うエージェントを設計する

4. MLOps・チューニング：Vertex AI Pipelinesでの再学習フロー、Model Registryでのバージョン管理、Model Monitoringのドリフト検知設定

案件別の詳細はRAG構築案件の実情やLLMファインチューニング案件の全体像、社内LLM導入案件とはにも整理があります。

案件単価の目安

まずは公開案件ベースでの単価目安を示します。以下の数字は、2026年9月時点で確認した首都圏中心の主要フリーランスエージェント数社（数社）の公開案件ページと、面談で提示された条件（週4〜5日準委任案件）を観測した目安です。公開案件数がまだ多くない領域のため、あくまで観測ベースの目安として読んでください。非公開案件は個別条件で上振れするケースがあります。

※以下の表は 2026年9月時点、首都圏中心・週4〜5日準委任の公開案件観測ベースの目安です。

上振れは、Google Cloud認定資格（Google Cloud認定資格おすすめ一覧も参照）や、金融・製造・医療などのドメイン知識、英語での要件定義対応が入ると見られます。特に、複数部門をまたぐ要件定義やセキュリティレビューを主導できる人ほど上振れしやすい傾向があります。単価を体系的に上げる考え方はフリーランスエンジニアの単価相場と単価の上げ方で整理しています。

自分がどのくらいの単価を狙えるか気になる方は、無料のフリーランスエンジニア単価診断で現在の市場単価の目安を確認できます。実際にVertex AI案件を探すときは、フリーランスエンジニアの案件一覧でGoogle Cloud／生成AI関連の募集条件と単価レンジを比較しておくと、面談時の交渉材料が揃います。

求められるスキルセット

案件情報を見る限りでは、以下のスキルセットが揃っている人が呼ばれやすい傾向があります。

• Google Cloud基盤：IAM、VPC、VPC Service Controls、Cloud Storage、BigQuery、Cloud Run の実務

• LLMアプリの実装：Python＋google-genai／google-cloud-aiplatform SDK、RAG／エージェントの設計経験

• 周辺サービス：BigQuery（構造化データの取り込み・特徴量化）、Cloud Composer（バッチ）、Dataflow（ストリーミング前処理）

• セキュリティ／統制：VPC-SC、Cloud KMS、Cloud Audit Logs、Cloud DLPでの機微情報マスキング

• MLOps：Vertex AI Pipelines、Model Registry、Cloud Build／Cloud DeployでのCI/CD

ミニFAQ：案件参入

Q. Google Cloudの実務経験がなくてもVertex AI案件に入れますか？

A. 参入自体は不可能ではありませんが、実務案件ではGCPの基礎（IAM／VPC／BigQuery／Cloud Storage）を触った経験を条件にしているケースが目立ちます。まったくの未経験なら、まずCloud RunやBigQueryで小さくGoogle Cloudの実務を経験した上で、Vertex AI Studioで生成AI側のPoCを積むルートが現実的です。

Vertex AIを本番で使う前に押さえておくべき勘所

PoCが動いた後、本番で運用する段階でつまずきやすいポイントを整理します。案件でも面談で必ず聞かれる観点です。

認証・IAM設計

• roles/aiplatform.user だけでは不足する操作（モデル一覧取得・チューニング・エンドポイント管理など）が出やすいため、実行者・管理者・監査担当ごとに必要権限をVertex AI IAM 権限リファレンスで確認して設計します

• Workload Identityを使うと、GKE Pod／Cloud Runサービスから鍵ファイルなしで安全にVertex AIを呼べます

• 個人開発者アカウントを本番で使い回さない。監査ログでの追跡性を担保するためにも、サービスアカウントを目的別に分ける

ネットワーク統制

• 顧客データを扱う場合は、VPC Service Controls でVertex AI APIの境界を切り、想定外プロジェクトへのデータ持ち出しを防ぐ

• Private Google AccessでVPC内から外部IP無しでVertex AIを呼び出せる。多くの大企業案件で必須条件になる

• リージョン制約（データ所在地）が要件にある場合、モデルの提供リージョンが限定されている点を早めに確認する

コスト管理

• Model Gardenのセルフデプロイエンドポイントは、放置するとリクエストが無くてもGPU課金が発生する。PoC終了時は必ずエンドポイントを停止／削除する

• 対応モデル・APIでは、コンテキストキャッシュ（Context caching）を使うと、長い共通プロンプトの再送コストを抑えられる場合がある。適用条件・料金体系はモデルとAPIごとに異なるため公式仕様を確認する

• BigQueryやCloud Storageからのデータ転送料金も見落としがち。同じリージョンに揃えるのが基本

プロンプトインジェクション対策

• 外部データを埋め込むRAGでは、埋め込み対象の文書に「これまでの指示を無視して〜」と書かれているとエージェントが誤動作する。詳細な対策はプロンプトインジェクション対策 を参照

• Vertex AIのSafety Settings（有害コンテンツフィルタ）は、業務ドメインによって過剰にフィルタリングされる場合があるため、閾値設定を要件確認する

契約・情報管理

• 業務委託で顧客データを扱う場合は、機密情報の取り扱い・成果物の帰属・データ返却／削除の条項をあらかじめ整理しておく。詳しくは業務委託で生成AIを使うときの契約・機密情報の注意点 を参照

Vertex AIを学ぶ順序（実務ロードマップ）

Vertex AI単体の学習だけでは案件参入はしにくく、周辺のGoogle Cloudサービスと合わせて段階的に触るのが現実的です。以下は、生成AI案件を目指す場合の実務ロードマップの一例です。

ステップ1：Google Cloud基礎（1〜2週間）

• IAMロール、VPC、Cloud Storage、BigQuery、Cloud Runの基本操作

• 参考：GCPとは｜Google Cloud主要サービス・AWSとの違い・案件単価、BigQueryとは、GCP Cloud Runとは

ステップ2：Vertex AI Studio／Geminiの単体呼び出し（2〜3週間）

• Google AI Studioでプロンプト検証 → Vertex AI Studioで同じことを試す

• SDK（google-genai / google-cloud-aiplatform）でCLIから generateContent を呼ぶ

• モデルごとのトークン消費とコストを実測する

ステップ3：RAG構築とエージェント（1〜2か月）

• Cloud StorageまたはBigQuery上の社内文書をチャンク化し、埋め込みモデルでベクトル化

• Vertex AI Search／Agent Builder、またはLlamaIndexなどのフレームワークでRAGを構築

• Difyなどのノーコードプラットフォームで簡易的にRAGを試す方法はDifyとはを参照

ステップ4：MLOps・パイプライン（1〜2か月）

• Vertex AI Pipelinesで再学習フローを組み、Model Registryでバージョン管理

• Model MonitoringでData Drift／Prediction Driftを検知

• CI/CDはCloud Build＋Cloud Deploy、またはGitHub Actions＋gcloudコマンドで整える

ステップ5：資格・案件応募（並行）

• Google Cloud認定資格の Associate Cloud Engineer → Professional Machine Learning Engineer の順で受験するのが一般的

• 資格取得と並行して、GitHubなどにVertex AIを使った検証プロジェクトを公開しておくと面談で説明しやすい

Vertex AI案件でよく組み合わせるGoogle Cloudサービス

Vertex AI案件は単独では成立しにくく、下記のGoogle Cloudサービスと組み合わせて設計するのが実務です。案件情報を見るときは、これらのサービス経験も条件に入っているかを確認します。

案件のRFPに「Vertex AI＋BigQuery＋Cloud Run」といった組み合わせで書かれることが多いのは、この分業構造が背景にあります。

まとめ

Vertex AIは、Google Cloudの中で生成AI／機械学習のワークフロー全体をカバーするマネージドプラットフォームです。単なるLLM呼び出しではなく、モデル評価・チューニング・デプロイ・監視までを1つのコンソールで扱えるため、企業のAI基盤選定で有力な選択肢になっています。案件で価値を出すには、Vertex AI単体ではなく、IAM／VPC-SC／BigQuery／Cloud Storageなど周辺のGoogle Cloudサービスと合わせて設計できることが前提です。

要点を整理しておきます。

• Vertex AIは Google Cloud版の統合AI／MLプラットフォーム。Gemini＋Model Garden（Claude・Llama等）を扱える

• 料金は「モデル別トークン課金」と「セルフデプロイ時のエンドポイント時間課金」の2軸

• 選定はAWSならBedrock、AzureならAzure OpenAI、Google CloudならVertex AIが最短ルート

• 案件はPoC・RAG・Agent Builder・MLOpsの4類型が中心。単価は他のGoogle Cloud案件と同水準〜やや上乗せの傾向

• 学ぶ順序はGoogle Cloud基礎 → Vertex AI Studio → RAG／エージェント → MLOps → 資格・案件応募が現実的

Google Cloud全体の案件動向はGCPとは｜Google Cloud主要サービス・AWSとの違い・案件単価、AWS／Azureとの参入順序はクラウド案件の参入順序でも整理しています。案件を具体的に探す段階に来たら、フリーランスエンジニアの案件一覧で募集条件と単価レンジを確認してみてください。