個人最強は Claude Code。組織最強は Gemini CLI。境界線を実務で引き直した記録

Posted at 2026-04-12

Claude Code や Cursor を毎日のように使っていませんか。そこに Gemini CLI を「一応」入れてみた人、結構いると思います。

入門記事を読んで、npx @google/gemini-cli を叩いて、ターミナルで数回会話して、「……で、これ Claude Code でよくない？」と閉じる。正直、最初は僕もそうでした。

でも、生成AI推進の立場で両方をしばらく触り続けているうちに、少しずつ景色が変わってきました。

Gemini CLI は Claude Code の代替ではなく、Claude Code がどうやっても届かない場所で効いてくる、もう一本の刀だった。

この記事は入門編の続きとして、その「届かない場所」を3つの領域と4つのユースケースで言語化してみる応用編のつもりで書いています。乗り換えを勧めたい記事ではなく、併用前提で境界線を引く記事だと先に断っておきます。読み終わる頃には、次の3つが手に入るはずです。

Claude Code と Gemini CLI の境界線を、自分の判断軸で語れるようになる
組織・インフラ文脈で Gemini CLI を検討する根拠が持てる
4つの応用ユースケースを、自分の業務に当てはめて考えられる

"個人最強の Claude Code" と "組織最強の Gemini CLI"

結論から書きます。僕が今のところ落ち着いている見方はこれです。

個人最強は Claude Code。組織最強は Gemini CLI。どちらか選ぶ必要はなく、境界線を知って両方持つのが正解。

この境界線の根拠を、3つの軸で整理します。

① 設計思想が違う

Claude Code は、たとえて言うなら「慎重なシニアエンジニア」です。変更前に確認してくる。差分を見せてくれる。暴走しにくい。

対して Gemini CLI は、もっと即時実行型です。PTY（擬似端末）経由でターミナルの状態をストリームし、対話的スクリプト（途中でユーザー入力が必要になるやつ）にも食らいついてくれます。DataCamp や Shipyard の比較記事でも、この "スピード重視・Swiss Army knife 的な設計" が Gemini CLI の特徴として書かれています。

使い分けのイメージはこうです。実装を任せるなら慎重な Claude Code、雑多な自動化や調査を走らせるなら身軽な Gemini CLI。

② ライセンスと提供元が違う

Gemini CLI は Apache 2.0 のオープンソースで、リポジトリは google-gemini/gemini-cli で公開されています。Claude Code は Anthropic のプロプライエタリ製品です。

個人で使っている分にはこの差はほとんど意識しません。ですが、組織でフォーク・改変したい瞬間に、この差は一気に効いてきます。社内ルールで外部サービスへのコード送信を絞りたい、監査ログを自前で取りたい、社内 SKILL を組み込んだカスタムビルドを配布したい。こういう要求が出た瞬間に、Apache 2.0 という一言の重みが変わります。

③ エコシステムの重心が違う

そしてここが、たぶん一番大事です。

Gemini CLI は Vertex AI、BigQuery、Cloud Run、IAM といった Google Cloud のエコシステムと認証を共有した状態で動くことを前提に設計されているのです。Claude Code は設計上、どうやってもここには入ってこられません。

GCP を本番環境にしている組織にとっては、これはもう "便利な選択肢" ではなく "そこにしかない手札" になります。

Gemini CLI が効く3つの領域

この背景を踏まえて、僕が「Claude Code では届かない」と感じている領域は3つあります。

領域1: マルチモーダル — 画像・音声を CLI に「食わせられる」

まず一番わかりやすいのがこれ。Gemini CLI は @ファイル名 構文で、画像・音声・PDF をそのままプロンプトに渡せます。

> @ui_mockup.png から TypeScript + Bootstrap で LoginPage コンポーネントを作成して
> @meeting.m4a を話者ラベル付きで議事録形式にまとめて
> @spec.pdf と @current_code.py を比較して差分を教えて

画像は UI モックやスクショ、音声は MP3・WAV・M4A・FLAC の主要フォーマットに対応。Windows 版なら v0.36.0 以降、Alt+V でクリップボードの画像を直接貼り付けることもできます。

そして Claude Code は、2026年4月時点で CLI への画像入力に対応していません。音声も同様です。ここは構造的な差なので、「Claude Code のアップデートで追いつく」という話ではなく、CLI でマルチモーダルを扱いたいなら今は Gemini CLI の独壇場、という理解でいいと思います。

ちなみにコード生成そのものの能力は、SWE-bench Verified のようなベンチマークだと Claude Opus 4.6 と Gemini 3.1 Pro がほぼ拮抗しています。つまり「コード品質で圧倒的な差がある」という時代は終わりかけていて、差別化は「どこで使うか」に移ってきているわけです。

ひとつだけ注意点を書いておきます。画像生成や動画出力といった "出力系" のマルチモーダルは、Gemini API レベルの能力と Gemini CLI から直接叩けるかの境界が曖昧で、公式ドキュメントでも混在している状況。この記事では「CLI に画像・音声を入力として食わせる」ユースケースに限定して話を進めます。ここだけは断言できる使い方です。

領域2: Google Cloud ネイティブ連携 — GCP にいるならほぼ一択

Gemini CLI の二つ目の強みは、Google Cloud との密結合です。ここはもう、競合がいません。

Vertex AI Workbench の中で Gemini CLI が直接動く。Workbench インスタンスにログインした時点で、BigQuery・ローカルファイル・シェル操作が単一サーフェスで扱える
BigQuery 公式拡張あり。gemini extensions install で専用の拡張を入れると、自然言語 → SQL 生成 → 実行 → 予測分析までが1つの会話で完結する
AI.GENERATE や AI.FORECAST のような BigQuery ML の生成AI関数が GA になっており、SQL から直接 Gemini を呼べる
IAM がそのまま効く。Cloud Run も Artifact Registry も、いちいち別の認証を差し込まずに Gemini CLI の文脈から触れる

そして組織導入を考えるときに決定的なのが、Vertex AI バックエンドに切り替えると、入力データがモデル学習に使われないことが公式に保証される点。具体的には GOOGLE_CLOUD_PROJECT 環境変数を指定するだけで切り替わります。iret.media の記事が詳しいので、組織導入を考えるチームは一度目を通しておくと安心かもしれません。

無料APIと Vertex AI バックエンドはここで完全に別物。「とりあえず無料で使ってます」のまま組織のコードを流し込むのは、実はわりと危ない橋です。

領域3: 組織カスタマイズ可能なエージェント基盤

最後の領域は少し抽象的ですが、実は一番効いてくる差だと思っています。

Gemini CLI は「個人用 CLI」ではなく「組織で横展開する CLI」として設計されているのです。具体的にはこういう仕組みが揃っています。

GEMINI.md：Claude Code で言う CLAUDE.md に相当するコンテキストファイル。ただし階層的に複数ファイルを連結して送れる
Agent Skills（SKILL.md）：スキル単位で機能を定義し、セッション開始時に自動スキャンされる
Subagents / Remote Subagents：@サブエージェント名 で呼び出せる。v0.24.0 以降は Agent-to-Agent（A2A）プロトコルで、リモートに置いたエージェントへの委譲もできる
MCP サーバー連携：カスタムツール追加の標準機構として組み込まれている
Enterprise Guide と Plan Mode：企業向けのデプロイ・運用ガイドが公式に提供されていて、Plan Mode では変更前にレビューできる

この「組織横展開を前提にした足回り」が、Claude Code との一番質的な差だと思います。個人が1人で生産性を上げるためではなく、チーム全員が同じ設定・スキル・サブエージェントを共有して、組織全体の生産性を底上げするための道具、という設計思想が透けて見えます。

応用ユースケース4選 — Before / After で整理する

ここからが本題です。「Claude Code では届かない」を、4つの具体ユースケースで描きます。

ユースケースa：スクショ → 要件抽出 → コード実装

Before：Figma や PPT で届いた UI モックを、まず人間が目視で読み解く。必要ならスクショを ChatGPT に貼って要件を抽出させ、それを Claude Code に改めて渡してコード化する。ツールを 3つ跨ぐ、よくある渡り鳥パターンです。

After：モックの画像をそのまま @mockup.png として Gemini CLI に渡し、そのままコンポーネント設計と初期コードまで一気に出させます。

> @login_sketch.jpg を見て、TypeScript + Bootstrap で LoginPage コンポーネントを作成して。
  email / password フィールド、ログインボタン、パスワード忘れリンクを含めること。

実際に触ってみた感触だと、コンポーネントの階層やパディング感までそれなりに読んでくれます。もちろん初稿は手直しが必要ですが、「画像から構造を読む」という一番時間のかかる部分が消えるのは大きい。

ここが Claude Code との違いとして一番わかりやすいところです。テキストしか食えない Claude Code では、そもそもこの入口に立てません。

注意点を1つ。@image 構文を使ったコード生成については、Medium や LinkedIn の体験記では動作確認されているものの、公式チュートリアルレベルの明示的なコマンド例は現時点でやや薄いです。**「体験記レベルで動作確認済み、実戦投入には試行錯誤あり」**というくらいの温度感で捉えておくのが誠実なところだと思います。

ユースケースb：BigQuery × Gemini CLI の分析パイプライン

個人的には、4つの中でこれが一番効きます。そして日本語記事がほぼ存在しません。つまり、組織のデータエンジニア層にとっては完全に空白地帯です。

Before：「BigQuery で○○を集計したい」と言われたら、SQL を書く → 実行 → 結果を Pandas に移す → 予測モデルを別途作る → レポート化、という分割作業。ツールが多い分、誰かが欠けると止まります。

After：Gemini CLI に公式拡張 bigquery-data-analytics を入れるだけで、自然言語 → SQL → 実行 → 予測 → 解釈までが 1セッションで完結。

セットアップはこれだけです。

export BIGQUERY_PROJECT="YOUR_PROJECT_ID"
npm install -g @google/gemini-cli@latest
gemini extensions install https://github.com/gemini-cli-extensions/bigquery-data-analytics
gemini

起動したらそのまま自然言語で叩けます。

> the_look ecommerce データセットを見て、最も注文件数が多い上位5商品を教えて
> 来月の返品率を forecast ツールで予測して
> 集中すべきチャネルとその理由を教えて

拡張の中には execute_sql / forecast / analyze_contribution / search_catalog など8種類の専門ツールが組み込まれています。ただのテキスト生成ではなく、BigQuery 側の AI 関数と IAM 権限をそのまま握った状態で動いているのがポイントです。

Claude Code で同じことをするには、MCP サーバーを自前で立てて認証を通して……と何段階か挟むことになります。やればできますが、"公式統合" という安心感は Gemini CLI にしかない強みです。

ユースケースc：音声メモ → 議事録 / 仕様書生成

これもかなり効きます。

Before：会議を録音 → Whisper で文字起こし → ChatGPT で整形 → 話者ラベルを手で付ける → Confluence にコピペ。4ツール跨ぎで、面倒だから結局やらない。そういう人が多いと思います。

After：@meeting.m4a を Gemini CLI に渡して、文字起こし・話者分離・要約・アクションアイテム抽出を 1プロンプトで片付けます。

音声ファイルの @ 構文対応は GitHub Issue #5720 で 2025年8月に動作確認済みでクローズ済み。公式サポートです。

プロンプトは、例えばこういう形が効きやすいです。

@meeting_2025_04.m4a を処理してください。
各話者を正確に属性付けして逐語的に文字起こしした後、
以下の構造化サマリーを作成してください：
- 目的・背景
- 主要ポイント
- 決定事項
- アクションアイテム（担当者・期日付き）
出力順序：サマリー → トランスクリプト

Gemini 2.5 Flash でも十分読める品質が出ます。精度優先なら 2.5 Pro。

音声ファイルを投げるだけで議事録の初稿ができる、というのは、体験としてかなり地味に効きます。「やるのは知ってたけど面倒だったやつ」が消えるタイプの効き方です。Claude Code は音声入力に対応していないので、この土俵にはそもそも上がってこられません。

ユースケースd：Vertex AI カスタムエージェント育成

最後は少しスケールが大きい話になります。社内向けのカスタムエージェントを、Gemini CLI + ADK（Agent Development Kit）+ Vertex AI Agent Engine で育てていく使い方です。

Before：社内向けカスタムチャットボットを作ろうとすると、フロント、バックエンド、デプロイ、評価、認証、それぞれ別の選択をして、別々にメンテすることになります。"PoC で終わってしまう" 最大の理由がここにあります。

After：Gemini CLI をフロントに、ADK でエージェントを定義し、Vertex AI Agent Engine や Cloud Run にデプロイする。この流れが "公式フロー" として揃っている、というのがミソです。

最小構成のイメージはこんな感じになります。

from google.adk.agents import LlmAgent
from google.adk.tools.mcp_tool import MCPToolset

agent = LlmAgent(
    model="gemini-2.5-flash",
    name="internal_helpdesk_agent",
    instruction="社内問い合わせに答えるエージェント。RAGで社内ドキュメントを参照する。",
    tools=[MCPToolset(...)],
)

そして開発フロー全体はこう流れます。

Gemini CLI で仕様をざっくり叩いて形にする
/memory add でエージェントのコンテキストを追加する
MCP サーバーで外部ツールと繋ぐ
ADK Eval（AgentEvaluator.evaluate_eval_set）で pytest 統合のテストを走らせる
Cloud Run にデプロイする

Agent Builder で作ったエージェントは Gemini Enterprise に登録でき、社員はいつもの Gemini UI から呼び出せます。IAM ベースのエージェントID管理や、プロンプトインジェクション対策の Model Armor も組み込み済みです。

Claude Code は Anthropic 側のクラウドに接続するモデルなので、Google Cloud リソースへの認証共有も、Agent Engine へのシングルコマンドデプロイも、構造的に持っていません。"社内エージェントを Google Cloud に生やしたい" という要求に対しては、Gemini CLI が現時点でほぼ唯一の答えになります。

Claude Code / Gemini CLI 使い分け早見表

ここまでの議論を一枚の表に畳みます。迷ったら、ここに戻ってきて読めば判断できるはずです。

観点	Claude Code	Gemini CLI
設計思想	慎重なシニア型（変更前に確認）	即時実行型（PTY対応・対話スクリプトに強い）
ライセンス	プロプライエタリ	Apache 2.0（オープンソース・改変可）
コンテキストウィンドウ	約20万トークン	約100万トークン
画像入力	非対応	対応（`@filename.png` 他）
音声入力	非対応	対応（MP3 / WAV / M4A / FLAC）
BigQuery 連携	なし（MCPで自作は可能）	公式拡張あり
Vertex AI 連携	なし	ネイティブ（IAM共有・Agent Engineへ直接デプロイ）
組織コンテキスト	CLAUDE.md	GEMINI.md（階層的に複数ファイル連結）
エージェント基盤	Skills / Subagents	Skills / Subagents / Remote Subagents（A2A）
向いている役割	実装・リファクタ・デバッグ	調査・データ分析・マルチモーダル・組織エージェント基盤
向いている立場	個人開発者・少人数チーム	組織のAI推進・インフラ・プラットフォーム層

読み方はシンプルです。実装の相棒は Claude Code、組織データとつなぐ相棒は Gemini CLI、という軸でまず捉える。そしてどちらかを選ぶ必要はありません。CLAUDE.md と GEMINI.md は同じリポジトリに共存できますし、むしろ両方置いた方が強い。

実運用で踏みやすい落とし穴も、組織導入前に軽く触れておきます。

無料API のまま組織コードを流し込まない。Vertex AI バックエンドに切り替えるだけでリスクは大きく下がります
無料枠のレートリミット（60リクエスト/分、1,000リクエスト/日）を CI/CD に繋ぐと即 429 エラーが来ます
マルチバイト文字の書き込みバグが GitHub Issue #3991 で報告されています。既存の日本語ファイルを write_file で上書きする運用は、今のところ少し慎重に
プロンプトインジェクション脆弱性は v0.1.14 以前の話なので、バージョンを上げておけば基本OK

まとめ — 三刀流の次に見える景色

最後に、この記事の結論を3行で畳みます。

Gemini CLI は「Claude Code から乗り換えるツール」ではありません
「Claude Code では届かなかった組織・データ・マルチモーダル領域を埋めるもう一本の刀」です
この3本目の刀を手にしたとき、個人の生産性ではなく 組織の生産性の設計 が視野に入ってきます

記事を読んで「試してみようかな」と思ってくれた人は、まず1つだけユースケースを選んで触ってみてほしいです。推薦の順番はこうです。

BigQuery 連携 — セットアップが軽く、効果が一番わかりやすい
音声メモ → 議事録 — 毎週の会議で試せる。地味に効く
スクショ → コード — フロントを触る人は試して損がない
Vertex AI カスタムエージェント — 組織スケールで仕込む土台になる

次回は、今回あえて深堀りしなかった「Vertex AI バックエンド切り替えの具体手順」を単独記事で書くつもりです。日本語記事にほぼ存在しない領域で、かつ組織導入を考える人にとって一番効く部分だと思っています。

Claude Code と Gemini CLI。個人最強と組織最強。両方を持っている状態こそが、2026年の "三刀流開発" の基本装備になります。