Google社内専用コーディングAI「GfG」の全容　1兆トークンの社内プロセス学習で開発作業を大幅効率化

社内環境に完全特化した「GfG」の全容

Googleが自社のソフトウェア開発フローに合わせて構築した社内専用コーディングAI「GfG（Gemini for Google）」の全貌が明らかになりました。GfGは、汎用的な大規模言語モデルであるGeminiをベースに、Google社内の開発環境や固有システムに特化させて開発されたものである。

単に汎用AIモデルを開発作業に適用するのではなく、自社特有のインフラやコーディング規約、文脈情報を深く反映させている点が特徴です。現場のエンジニアが直面する具体的な作業に直接応えるツールとして最適化されています。

1兆トークンの開発プロセスデータと特有の学習手法

GfGの技術的特徴として、学習に使用されたデータの性質と規模が挙げられます。GfGの学習には、完成されたコードだけでなく社内の開発プロセス全体から収集された1兆トークン規模のデータが使用された。

具体的な学習データには以下の内容が含まれています。

コードレビューでの指摘と修正前後の差分
社内ドキュメントやQ＆A
ビルドエラーが解消されるまでの変更
本番環境の改善履歴や操作ログ

また、汎用モデルを自社データに特化させる際に発生しやすい「破滅的忘却」を防ぐため、事前学習完了直前に介入して社内データを注入する「中間学習介入」と、元の汎用データを混ぜて復習させる「データリプレイ」を併用している。

2.9万人の開発者によるA/Bテスト結果と実務での効率化

GfGの実際の効果を調べるため、社内開発者2万9000人を対象としたブラインドA／Bテストが実施されました。基盤モデルであるGemini 2.5 Proと比較した結果、非常に明確なパフォーマンス向上が確認されています。

タスク完了までのAIとのやり取り回数が23.1％減少
応答時間も8.9%短縮
AIが生成したコード行が14日後も修正されずにコードベースに残る割合（コード生存率）が16.8％向上

手数が減り、提示される提案の精度が向上したことで、現場のエンジニアが迷う時間の大幅な削減につながっています。

実業務への影響も顕著です。例えば広告部門での32ビットIDから64ビット整数への移行では、手作業と比べて所要時間が推定50％削減された。慎重な対応が求められるシステム改修作業において、社内コードを熟知したAIが圧倒的な生産性を発揮した例と言えます。

企業のAI特化型チューニングが示唆する重要性

GfGで示された成果は、単に最新モデルをそのまま導入するだけでなく、「社内プロセスデータに基づく追加学習」を適切に行うことの重要性を物語っています。コードそのものだけでなくエラー対応やレビュー履歴まで含めた1兆トークンのコンテキストを読み込ませるアプローチは、多くの自社開発資産を持つ企業にとって有効なAI活用モデルとなります。

未確定点と今後の注目点

今回の情報では、GfGで培われた特化型学習の手法やモデル自体が、将来的にGoogle Cloudなどの外部サービスとして顧客企業に提供されるのか、あるいは完全な社内限定技術にとどまるのかについては確認されていません。また、他部門への全面適用に伴う運用コストやセキュリティ分類などの詳細規則についても現時点では明らかになっておらず、今後の発表が注目されます。

まとめ

Googleの社内専用コーディングAI「GfG（Gemini for Google）」は、基盤モデルのGeminiを社内環境に特化させて開発されたものである。GfGの学習には、完成されたコードだけでなく社内の開発プロセス全体から収集された1兆トークン規模のデータが使用された。事前学習完了直前に介入して社内データを注入する「中間学習介入」と、元の汎用データを混ぜて復習させる「データリプレイ」を併用している。社内開発者2万9000人を対象としたブラインドA／Bテストでは、Gemini 2.5 Proと比較してやり取り回数が23.1％減少、応答時間が8.9%短縮された。広告部門での32ビットIDから64ビット整数への移行では、手作業と比べて所要時間が推定50％削減された。社内ナレッジをAIに深く反映させる手法は、今後のエンタープライズAI活用の重要な指針となるでしょう。