この記事でわかること
- シラバス全4セクションの重要ポイントを網羅した解説
- 試験で問われやすい「サービスの使い分け」と「紛らわしい選択肢」の整理
- 各セクションの出題比率と優先度
- 試験直前30分の確認チェックリスト
この記事の使い方
この記事は、Google Cloud Generative AI Leader（以降 Gen AI Leader）試験の全体像の把握や、試験直前の最終チェックにご利用いただくことを想定しております。本記事と併せて、公式ドキュメントや模擬試験での学習をしていただくことを強く推奨いたします。
試験の基本情報
試験形式
| 項目 | 内容 |
|---|---|
| 問題数 | 50〜60問（多肢選択式・複数選択式） |
| 試験時間 | 90分 |
| 受験料 | $99 USD（税別） |
| 受験方法 | オンライン（遠隔監視）または認定テストセンター |
| 前提知識 | なし（非エンジニアも対象） |
| 有効期限 | 3年 |
Gen AI Leaderの立ち位置
Cloud Digital Leader（CDL）と並ぶビジネス向け基礎資格です。エンジニアだけでなく、マーケター・プロダクトマネージャー・経営層など、生成AIをビジネスに活用したい全職種が対象です。
セクション別出題比率
| セクション | テーマ | 出題比率 |
|---|---|---|
| Section 1 | 生成AIの基礎 | 約30% |
| Section 2 | Google CloudのGen AIサービス | 約35% |
| Section 3 | モデル出力を改善するテクニック | 約20% |
| Section 4 | ビジネス戦略・責任あるAI | 約15% |
Section 2が最も出題比率が高く、Google Cloud固有のサービス知識が合否を分けます。
Section 1：生成AIの基礎（約30%）
Section 1はAIの全体像と生成AI特有の概念を問うセクションです。「生成AIとは何か」「どのモデルをいつ使うか」を理解していることが求められます。
1-1. AIの全体像と生成AIの位置づけ
| 概念 | 内容 |
|---|---|
| AI（人工知能） | 人間の知能を模倣するコンピューターシステム全般 |
| ML（機械学習） | データからパターンを学習するAIの一分野 |
| DL（ディープラーニング） | ニューラルネットワークを使ったMLの一手法 |
| NLP（自然言語処理） | テキストや音声を扱うMLの一分野 |
| 生成AI（Generative AI） | 新しいコンテンツ（テキスト・画像・動画・音声・コード）を生成するAI |
紛らわしいポイント：識別AIと生成AIの違い
- 識別AI（Discriminative AI）：既存データのパターンを検出・分類する（例：スパムメール判定、画像認識）
- 生成AI（Generative AI）：新しいコンテンツを生成する（例：文章作成、画像生成、コード生成）
Foundation Model（基盤モデル）とは
大量のデータで事前学習された大規模なAIモデル。特定のタスクに特化せず、多様な用途に転用できる汎用性が特徴。GPT・Geminiなどが代表例。
1-2. モデル種別と使い分け
| モデル | 種別 | 主な用途 |
|---|---|---|
| Gemini | マルチモーダルLLM | テキスト・画像・音声・動画・コードを横断的に処理 |
| Gemma | オープンソースLLM | 自社環境へのデプロイ・カスタマイズ向け |
| Imagen | 画像生成モデル（拡散モデル） | テキストから高品質な画像を生成 |
| Veo | 動画生成モデル | テキストや画像から動画を生成 |
ここが出る
- テキスト・マルチモーダル処理 → Gemini
- 画像生成 → Imagen（拡散モデル）
- 動画生成 → Veo
- オープンソース・自社デプロイ → Gemma
1-3. LLMの限界と注意点
| 限界 | 内容 | 対策 |
|---|---|---|
| ハルシネーション（幻覚） | 事実と異なる情報を自信を持って生成する | RAG・Grounding（Section 3で詳述） |
| 知識カットオフ | 学習データの締め切り日以降の情報を持たない | RAGでリアルタイム情報を補完 |
| バイアス | 学習データに含まれる偏りが出力に反映される | 多様なデータ・責任あるAI原則の適用 |
1-4. 生成AIの主なユースケース
- テキスト生成：文書作成・要約・翻訳・メール返信
- コード生成：コード補完・バグ修正・コードレビュー
- 画像生成：マーケティング素材・デザイン案・プロトタイプ
- 動画生成：広告・教育コンテンツ・プロダクトデモ
- 音声処理：文字起こし・音声合成・リアルタイム翻訳
Section 2：Google CloudのGen AIサービス（約35%）
Section 2は最も出題比率が高いセクションです。GoogleのAIサービスの全体像と、各サービスの役割・使い分けを理解することが合格の鍵です。
2-1. GeminiサービスのEcosystem
GoogleのGeminiは用途ごとに3つの層で提供されています。
| 種類 | 対象 | 主な機能 |
|---|---|---|
| Gemini app | 一般ユーザー向け | チャット・質問応答・マルチモーダル処理（consumer向け） |
| Gemini for Google Workspace | ビジネスユーザー向け | Gmail・Docs・Sheets・Slides・Meet での生産性向上 |
| Gemini for Google Cloud | 開発者・クラウド利用者向け | クラウドコンソール支援・コード生成（Duet AI機能を含む） |
2-2. Vertex AI Platform
Vertex AIはGoogle CloudのAI/MLプラットフォームです。モデルの開発・学習・デプロイ・管理を一元化します。
| ツール | 対象ユーザー | 特徴 |
|---|---|---|
| Google AI Studio | 個人・プロトタイピング | 無料・手軽・すぐ試せる。APIキーで利用可能 |
| Vertex AI Studio | 企業・本番開発 | エンタープライズ向け。セキュリティ・スケール・管理機能が充実 |
紛らわしいポイント：Google AI Studio vs Vertex AI Studio
- 個人・実験・プロトタイプ → Google AI Studio
- 企業・本番環境・セキュリティが重要 → Vertex AI Studio
Model Garden
Vertex AI上でアクセスできるモデルのカタログ。Gemini・Gemma・Imagen・サードパーティモデルなど、多数の事前学習済みモデルを一覧で確認・利用できます。
Vertex AI Search
企業の独自データ（ドキュメント・ウェブサイト・データベース）に対してAI検索を構築できるサービス。RAGの実装に活用されます。
Google Agentspace
企業向けのAIエージェント基盤。複数のAIエージェントを組み合わせて、複雑なビジネスタスクを自動化します。
2-3. 事前構築済みAPI
コードを書かずにAI機能を利用できる既製のAPI群です。
| API | 機能 |
|---|---|
| Vision API | 画像認識・物体検出・OCR（文字認識） |
| Speech-to-Text | 音声をテキストに変換（文字起こし） |
| Text-to-Speech | テキストを音声に変換 |
| Translation API | テキストの翻訳 |
| Natural Language API | テキストの感情分析・エンティティ抽出 |
| Document AI | 文書（請求書・契約書など）の自動処理 |
| Video Intelligence API | 動画の内容分析・物体検出 |
ここが出る：事前構築済みAPIの使い分け
- カスタマーレビューの感情を分析したい → Natural Language API
- 音声通話を文字に起こしたい → Speech-to-Text
- 請求書を自動処理したい → Document AI
Section 3：モデル出力を改善するテクニック（約20%）
Section 3はLLMの限界を克服し、より良い出力を得るための手法を問うセクションです。プロンプトエンジニアリングとRAGが最頻出です。
3-1. プロンプトエンジニアリング
プロンプトとはAIへの入力指示のこと。プロンプトの書き方次第で出力の品質が大きく変わります。
| 手法 | 概要 | 使う場面 |
|---|---|---|
| Zero-shot | 例を与えずに指示だけで実行 | シンプルなタスク。AIが十分な知識を持つ場合 |
| One-shot | 例を1つ与えて実行 | 出力形式を指定したい場合 |
| Few-shot | 例を複数与えて実行 | 精度を上げたい・特定の形式が必要な場合 |
| Chain-of-Thought（CoT） | 「ステップごとに考えて」と指示して推論過程を出力させる | 数学的問題・複雑な推論が必要な場合 |
| Role assignment | 「あなたは〇〇の専門家です」とペルソナを与える | 特定の専門知識・文体が必要な場合 |
主要パラメータ
| パラメータ | 役割 | 設定の指針 |
|---|---|---|
| Temperature | 出力の多様性・創造性を調整（0〜1） | 低い→一貫性重視 / 高い→創造性重視 |
| Top-p | 確率分布から上位P%のトークンを選択 | 多様性の制御に使用 |
| Max tokens | 出力の最大トークン数 | 長い回答が必要なら大きく設定 |
ここが出る：Temperatureの使い分け
- 事実確認・要約・コード生成（一貫性が重要）→ Temperature低め（0〜0.3）
- アイデア出し・創作（多様性が重要）→ Temperature高め（0.7〜1.0）
3-2. RAGとGrounding
RAG（Retrieval-Augmented Generation）
LLMに外部データを動的に検索して取り込む手法。ハルシネーション防止・知識カットオフ問題の解決に最も効果的です。
Grounding
LLMの出力を信頼できる情報源（Google検索・自社データ）に基づかせること。RAGはGroundingを実現する手法の一つです。
3-3. Fine-tuning（微調整）
事前学習済みのFoundation Modelに対して、特定のデータセットで追加学習を行う手法。
- 使う場面：特定業界の専門用語・自社の文体・特定フォーマットの出力を定着させたい場合
- RAGとの違い：Fine-tuningはモデル自体の知識を変える。RAGは都度外部データを参照する
紛らわしいポイント：RAG vs Grounding vs Fine-tuning
| 手法 | 概要 | 使う場面 |
|---|---|---|
| RAG | 外部データをリアルタイムで検索・参照 | 最新情報が必要・社内ドキュメントに回答させたい |
| Grounding | 情報源に基づいた回答を生成（RAGを含む広い概念） | ハルシネーション対策全般 |
| Fine-tuning | 特定データでモデルをさらに学習させる | 特定の文体・ドメイン知識を定着させたい |
Section 4：ビジネス戦略・責任あるAI（約15%）
Section 4はGen AIを組織に導入するための考え方と、安全・倫理的な運用原則を問うセクションです。
4-1. Gen AI導入のステップ
組織にGen AIを導入する際のGoogle推奨アプローチです。
- ユースケースの特定：どの業務課題をAIで解決するか定義
- データの評価：利用可能なデータの質・量・プライバシーを確認
- モデル・手法の選択：事前構築済みAPI / AutoML / カスタムモデルから選択
- プロトタイプの構築と評価：小規模で試して効果を検証
- 本番展開とモニタリング：継続的な監視・改善
4-2. SAIF（Secure AI Framework）
GoogleのAIセキュリティフレームワーク。Gen AIシステムを安全に構築・運用するための指針です。
主な原則：
- AIシステムへのアクセス制御（IAM・VPC Service Controls）
- 学習データとモデルの保護（暗号化）
- AIの出力に対するモニタリングと監査
- データ居住地・規制要件への準拠
ここが出る
Vertex AIでは、ユーザーのデータはGoogleの公開Foundation Modelの学習には使われません。エンタープライズでのデータプライバシーを保証する重要なポイントです。
4-3. 責任あるAI（Responsible AI）
| 原則 | 内容 |
|---|---|
| 公平性（Fairness） | 特定のグループに対する偏見・差別が生じないAIを構築する |
| 透明性（Transparency） | AIの判断根拠を人間が理解・説明できる状態にする |
| プライバシー（Privacy） | 個人データの収集・利用を適切に管理し保護する |
| 説明責任（Accountability） | AIの結果に対して人間が責任を持ち、問題時に対応できる体制を整える |
紛らわしいポイント：説明可能なAI vs 責任あるAI
- 説明可能なAI（Explainable AI）：AIがなぜその判断をしたかを示す技術的な仕組み
- 責任あるAI（Responsible AI）：公平性・透明性・プライバシー・説明責任を包括した倫理的な開発・運用の考え方
試験直前30分チェックリスト
Section 1（約30%）確認項目
- AI > ML > DL > GenAIの包含関係を説明できる
- 識別AIと生成AIの違いを具体例で言える
- Foundation Modelの4種（Gemini / Gemma / Imagen / Veo）の用途を言える
- ハルシネーション・知識カットオフ・バイアスの意味と対策を言える
- 生成AIの主なユースケース（テキスト・コード・画像・動画）を言える
Section 2（約35%）確認項目
- Gemini 3層（consumer app / Workspace / Google Cloud）の違いを言える
- Google AI Studio（個人・プロトタイプ）vs Vertex AI Studio（企業・本番）の使い分けを言える
- Model Gardenの役割を説明できる
- Vertex AI Searchの用途（社内データへのAI検索）を言える
- 主要な事前構築済みAPI（Vision / Speech-to-Text / Document AI等）の役割を言える
Section 3（約20%）確認項目
- Zero-shot / One-shot / Few-shotの違いを言える
- Chain-of-Thoughtプロンプティングがどんな場面で有効か言える
- Temperature低め→一貫性 / 高め→創造性の対応を言える
- RAGの仕組みとハルシネーション対策への効果を説明できる
- RAG vs Fine-tuningの使い分けを言える
Section 4（約15%）確認項目
- SAIFの概要（GoogleのAIセキュリティフレームワーク）を説明できる
- Vertex AIでユーザーデータがGoogleの学習に使われないことを覚えている
- 責任あるAIの4原則（公平性・透明性・プライバシー・説明責任）を言える
- 説明可能なAIと責任あるAIの違いを説明できる
最後に
この記事は2026年5月時点の公式試験ガイドに基づいて作成しています。Google Cloudのサービスは継続的に更新されるため、受験前に必ず公式の試験ガイドで最新情報を確認してください。
試験に向けて、残りの準備を全力で応援しています。
関連記事