Google Drive の Gemini データ分類がオープンベータへ — 学習データの手作業が消え、エージェント対策として位置づけられた

要約

2026-08-28、Google Workspace Updates が Gemini モデルによる Google Drive のデータ分類（AI classification）がオープンベータになったと発表しました。2025-11 にベータ申込を開始していた機能が、申込制から誰でも試せる段階へ移行した形です。

変更の核心は、管理者の作業量です。 従来の分類機能は、管理者が手作業で学習用のファイルを集めてモデルを訓練する必要がありました。「この種類のファイルにはこのラベル」を教えるために、代表例を人が選んで与える。これは面倒なだけでなく、分類したいカテゴリが増えるたびに同じ作業が発生するという構造的な負担がありました。

新しい方式では、この工程がなくなります。管理者がやることは3つです。ラベルを選ぶ。Gemini へ指示（instructions）を自然言語で与える。評価対象ファイルの範囲（audience）を指定する。 それだけです。学習データの準備は要りません。

人間のレビュー経路も残されています。 Gemini がラベルを付けたファイルについて、適切なラベル権限を持つ編集者とオーナーは、自動付与されたラベルをレビューして受け入れるか、修正するかを選べます。完全自動で確定するのではなく、現場が最終判断を持つ形です。ラベルの付与と、ユーザーによる変更は、どちらも監査ログに記録されます。

用途として Google が挙げているのは、きめ細かい DLP ポリシーを大規模に適用すること、保持ルールを設定すること、監査調査でラベルのメタデータを活用することの3つです。

そしてもう1つ、今回の発表で明示されたのがエージェント対策です。 発表文は、これがエージェント時代における組織のセキュリティ姿勢を高めるうえで重要な要素であり、エージェント的ワークフローが機密データへ自律的にアクセスし、それに基づいて動作するのを防ぐと書いています。この位置づけは、単なる分類機能の改善という以上の意味を持ちます。

設定場所は管理コンソールの Security > Access and data control > Data classification。対象エディションは Enterprise Plus / Google AI Pro for Education / Frontline Plus。Rapid Release と Scheduled Release の両ドメインへ段階展開で、2026-09-30 までの完了を目標としています。

何が変わったか

• Gemini ベースのデータ分類がオープンベータになった（2025-11 の申込制ベータから移行）
• 手作業での学習データ準備が不要になった。管理者はラベルを選び、Gemini へ指示を与え、対象範囲を指定するだけ
• 自動付与されたラベルを、権限を持つ編集者・オーナーがレビューして受け入れるか修正できる
• ラベル付与とユーザーによる変更が監査ログに記録される
• 適用されたラベルはメトリクスダッシュボードで確認できる
• 位置づけとして、エージェント的ワークフローによる機密データへの自律的アクセスを防ぐことが明記された
• 設定場所: 管理コンソール Security > Access and data control > Data classification
• 対象エディション: Enterprise Plus / Google AI Pro for Education / Frontline Plus
• 展開: Rapid Release / Scheduled Release 両方へ段階展開、2026-09-30 までの完了目標

業務インパクト（一般企業向け）

この機能の実務的な意味は、「ラベルが付いていないファイルには、ポリシーを当てられない」という前提から理解すると分かりやすくなります。

DLP も保持ルールも監査も、ラベルという足場の上に載っています。 足場がなければ何も動かない。そして多くの組織で、この足場は最初の数百ファイルまでは手で付けられても、Drive 全体には到底行き渡っていません。 分類が自動化されるということは、これまで「理屈は分かっているが手が回らない」で止まっていた施策が、実行可能な範囲に入るということです。

エージェント対策としての位置づけは、この機能を「あると良いもの」から「先に済ませるもの」へ変えます。 社内データへ AI エージェントを接続する話は、どの組織でも出てきます。そのとき最初に聞かれるのは「機密情報を触らないようにできるのか」です。エージェントに個別に「これは見るな」と教えるアプローチは、対象が増えると破綻します。 データ側にラベルが付いていて、ラベルに対してポリシーが効いているなら、エージェントが何個増えても統制は1箇所で済みます。順序として、分類がエージェント導入の前提工程になるという認識は、導入計画の組み方を変えます。

一方で、自動分類には固有のリスクがあります。過剰にラベルを付ける方向と、付け漏らす方向の両方です。 過剰なら、本来共有できるファイルが共有できなくなり、現場から「使いにくくなった」という反発が来ます。付け漏らせば、統制があるつもりで穴が空きます。レビュー経路が残されているのは、この前者への手当てと読めます。編集者・オーナーが修正できるので、現場が実務に合わせて直せる。

ただしこの設計には裏返しがあります。現場が修正できるということは、意図的に外すこともできるということです。だからこそ変更が監査ログに残る設計になっている。「誰がどのラベルを外したか」を後から追えるという点は、統制の実効性を保つうえで見落とせない要素です。運用設計としては、ラベルを外す操作を定期的にレビューするプロセスを持つかどうかで、この機能の意味が変わります。

導入の進め方として現実的なのは、狭い範囲から始めることです。 指示（instructions）を自然言語で書くということは、書き方次第で結果が大きく変わるということでもあります。全社に一度に当てるより、部門を1つ選んで指示を調整し、精度を確認してから広げる方が確実です。オープンベータでレビュー経路があるうちに、この調整をやっておく価値があります。

エディション制限は、実務上のハードルとして正直に見ておく必要があります。 Enterprise Plus / Google AI Pro for Education / Frontline Plus が対象です。Business Standard や Business Plus では使えません。「エージェント導入の前提だ」と説明したうえで、上位エディションへのアップグレードが必要になるという構図です。予算の話になるので、導入検討では早めにこの制約を確認しておくと手戻りが減ります。

副業・個人活用視点

個人や小規模事業者が直接この機能を使う場面は、正直に言って多くありません。 Enterprise Plus 以上が対象なので、料金的にも規模的にも合わないことがほとんどです。ただし、知っていることの価値は別のところにあります。

支援先に Google Workspace を使っている企業があるなら、これは提案材料として強い部類です。 理由は3つあります。1つめ、AI 導入の相談が「エージェントに社内データを触らせたい」に行き着くことが多いこと。 そのとき「その前にデータ分類が要ります」と言えるかどうかで、提案の解像度が変わります。2つめ、期限が示されていること。 2026-09-30 までに展開完了という目標があるので、「使えるようになったら試しましょう」ではなく具体的な時期の話ができます。3つめ、上流の工程だということ。 分類はエージェント導入の前提なので、この工程に関わると、後続の設計にも自然に関与できます。

提案するときの説明の組み立てとしては、「AI のため」と言わない方が通りやすいことが多いはずです。 DLP、保持ルール、監査対応——これらは AI と関係なく必要な統制で、多くの企業で「やらなきゃいけないが手が回っていない」領域です。自動分類はそこへの直接の解決策で、結果としてエージェント導入の前提も満たされる。この順序で説明する方が、AI 予算ではなくセキュリティ予算で通ります。

個人の実務スキルとしては、「自然言語の指示で分類させる」という形式に慣れておく価値があります。 これは Google 固有の機能ではなく、分類タスクを LLM へ委ねるときの一般的な形です。指示の書き方で精度が変わり、境界事例で誤りが出て、人間のレビュー経路が要る——この構造は、自分でファイル整理の仕組みを組むときも、クライアントの業務を自動化するときも同じです。「学習データを用意する」から「指示を書く」へ移行したという変化自体が、この数年で起きたことの縮図でもあります。

もう1つ、フリーランスとして押さえておくと効く論点があります。クライアントのデータを預かる立場から見ると、相手側の分類が整うことは自分にとっても有利です。 どのファイルが機密でどれがそうでないか、相手が明示できる状態になる。曖昧なまま「全部機密扱いで」と言われるより、範囲が確定している方が仕事は進めやすい。 分類の整備を提案するのは、相手のためだけでなく、自分の仕事の進めやすさへの投資でもあります。