Google AI Pro × Antigravity 併用ガイド — AI開発効率を最大化する組み合わせ術

2026年3月現在、Google AI Pro（月額$19.99）と Antigravity を組み合わせることで、ソフトウェア開発の全プロセスを大幅に効率化できるようになっています。ここでNotebookLM での技術調査、Antigravity でのコード実装、Jules での自動テスト・レビューという、3段階のワークフローを実践的に解説します。

Google AI Pro と Antigravity の役割分担：全体像

開発プロセスは、大きく分けて4つのフェーズに分かれます。Google AI Pro と Antigravity のそれぞれが、異なる役割を果たします。

フェーズ1：リサーチ・設計（入力フェーズ）— NotebookLM が活躍

目的: 技術的な課題を理解し、実装設計を固める

NotebookLM の役割:

技術仕様書、API ドキュメント、既存コードの一括読み込み
複数資料間の自動相互参照（「この API とこのライブラリの関連性は？」という質問に自動回答）
要件分析・競合技術との比較分析
Audio Note 機能で、議論を音声で記録・後で参照

具体例:

プロジェクト: ECサイトのレコメンドエンジン開発

NotebookLM ノートブックに以下を登録:
1. 既存 ECサイトのコードベース（GitHub リンク）
2. 競合サイト（Shopify、WooCommerce）の技術選定書
3. 機械学習ライブラリの比較記事（TensorFlow vs PyTorch vs scikit-learn）
4. 前回の開発会議の議事録

→ NotebookLM が「既存コードの構造」「競合との技術差」「ML ライブラリ選定理由」を統合的に理解
→ Antigravity での実装方針が明確に決定

フェーズ2：実装（出力フェーズ）— Antigravity が活躍

目的: 要件定義から実装コードまで、高速に生成

Antigravity の役割:

NotebookLM の分析結果に基づいて、実装コード生成
プロトタイプから本番コードまで、段階的な開発
UI/UX デザインのプロトタイピング
フレームワーク選定・初期プロジェクト構造の生成

Antigravity のバックエンド設定:

Google AI Pro 契約の場合、Antigravity の LLM バックエンドを Gemini 3.1 Pro に切り替え可能
100万トークンコンテキスト活用で、大規模プロジェクトの一括理解が可能

具体例:

Antigravity でのプロンプト:

「ECサイトのレコメンドエンジンを実装したい。
NotebookLM で分析した以下の要件に基づいて、
Python + FastAPI + scikit-learn の実装コードを生成してください。

要件:
- ユーザーの過去購買履歴から、次の購入候補を5件抽出
- 類似度スコアを「0.0 ~ 1.0」で計算
- API は /recommend/{user_id} で、JSON レスポンス
- レスポンス時間は100ms 以下

前提条件:
- 既存コード: [NotebookLM の分析結果から引用]
- 使用ライブラリ: scikit-learn の cosine_similarity
」

→ Antigravity が、NotebookLM の分析と既存コードを統合理解
→ 数秒で実装コード生成
→ そのままコピペで、開発環境で実行可能な状態

フェーズ3：自動テスト・デバッグ（反復フェーズ）— Jules が活躍

目的: テストコード生成、バグ修正、品質保証の自動化

Jules の役割:

Antigravity が生成したコードの単体テスト自動生成
初回実行時のバグ自動修正
GitHub PR レビュー補助（「このコードに問題ありますか？」という自動チェック）
定期的なコード品質分析（複雑度、テストカバレッジなど）

実行方式（Pro プラン時）:

最大3つの同時タスク実行
月100回までの Jules タスク実行
1タスク平均5～30秒で完了

具体例:

Jules タスク例1: テストコード自動生成

指示: 「recommend.py の recommend_products() 関数に対して、
pytest ベースのテストコードを生成してください。
テストケース:
- 正常系（user_id=123）
- 異常系（user_id=-1）
- 境界値（user_id=0）
- 大規模データ（user_id=9999999）
」

結果: test_recommend.py が自動生成、実行確認済み

---

Jules タスク例2: バグ修正自動化

前回の実行で「TypeError: 'NoneType' object is not subscriptable」エラー発生

指示: 「recommend.py で TypeError が発生しました。
エラー箇所を特定し、自動修正してください。
修正内容を explain してください。」

結果:
- エラー原因を特定（ユーザーの購買履歴が空の場合の処理漏れ）
- 修正コード生成（None チェック追加）
- テスト実行確認済み

フェーズ4：デプロイ・監視（保守フェーズ）— Gemini 3.1 Pro が活躍

目的: 本番デプロイ後の設定・監視・スケーリング判断

Gemini 3.1 Pro の役割:

大規模ログ分析（100万トークンで、数日分のログを一度に分析）
デプロイメント設定の最適化（Docker、Kubernetes の yaml 生成）
パフォーマンス分析（「このレスポンスタイムを100ms 以下にするには？」という複合的な分析）
インシデント対応（「このエラーパターンの原因は何か」という深い分析）

Google AI Pro の NotebookLM で実装設計を固める：実践例

ステップ1: NotebookLM ノートブック作成

ノート名: 「ECサイト・レコメンドエンジン開発」

登録ドキュメント:

既存コードベース: GitHub リンク（recommend_v1.py、test_recommend.py など）
API 仕様書: OpenAPI 形式の仕様定義（ReDoc で確認可能）
ビジネス要件書: CEO / PO から指示された要件書（Google Docs）
技術選定書: ML ライブラリの比較分析（前回の Architecture Review Board の議事）
競合分析: Amazon Personalize、Netflix Recommendation の技術構成（外部記事5件）
パフォーマンス仕様: 目標レスポンスタイム、スループット、コスト予算（Google Sheet）

ステップ2: NotebookLM チャットで設計課題を解く

ユーザー質問1: 「scikit-learn と TensorFlow、どちらを選ぶべき？」

NotebookLM の回答:
「既存コードが scikit-learn を使っており、複雑度は低いため、
scikit-learn の継続利用を推奨します。理由:
1. 学習曲線が低い（既存チームが熟知）
2. デプロイメントが簡単（単一 Python ファイル）
3. インフラコスト低い（GPU不要）
4. 競合の Shopify も scikit-learn ベース

ただし、以下の場合は TensorFlow 検討:
- リアルタイム学習が必要（現要件では不要）
- GPU が既に投資済み（現在は未使用）
- ディープニューラルネットワークが必須（K-Nearest-Neighbor で十分）
」

→ 明確に scikit-learn で進行決定

---

ユーザー質問2: 「推奨商品5件の順序付けロジックは何を使う？」

NotebookLM の回答:
「前回議事録では 'cosine_similarity' が候補でした。
既存コード recommend_v1.py でも cosine_similarity を採用。
競合分析から:
- Amazon Personalize: 複合スコアリング（価格×関連度×在庫）
- Netflix: 時系列重み付け（最近視聴と相関度）

ECサイト要件では『購買履歴の相関度 + 最新商品優先』なため、
cosine_similarity に時系列重み付けを追加する方式を推奨します。
」

→ スコアリングアルゴリズムの詳細が決定

ステップ3: Audio Note で議論記録

NotebookLM の Audio Note 機能で、PO・エンジニアの議論を音声で記録。

「scikit-learn にした理由」「cosine_similarity の採用理由」が、後で参照可能
新しいチームメンバーがオンボーディング時に、これらの音声を再生して背景理解
6ヶ月後の「なぜこのライブラリを選んだのか」という問い合わせに、NotebookLM が即座に回答

Antigravity での実装：Gemini バックエンド活用

Antigravity での Gemini バックエンド切り替え

Google AI Pro ユーザーは、Antigravity の LLM バックエンドを Gemini 3.1 Pro に切り替えることができます（設定方法は後述）。

メリット:

Claude (Anthropic) の 200K コンテキストより、100万トークンで5倍の大規模分析が可能
複雑な大規模プロジェクトを一度に理解・実装
コスト効率（Antigravity の Gemini バックエンド利用 = Google AI Pro の月額料金内）

Antigravity での実装フロー

ステップ1: NotebookLM 分析結果を Antigravity に入力

NotebookLM からエクスポート:
「【要件確定】
・ライブラリ: scikit-learn（cosine_similarity）
・API: FastAPI で /recommend/{user_id}
・レスポンス時間: 100ms 以下
・テスト方針: pytest + CI/CD 自動化
・デプロイ: Docker + AWS ECS
」

---

ステップ2: Antigravity でコード生成（プロンプト例）

「前述の要件に基づいて、Python FastAPI アプリを実装してください。
要件:
- /recommend/{user_id} エンドポイント
- scikit-learn の cosine_similarity で類似度計算
- 上位5件の商品を JSON で返す
- レスポンスタイム 100ms 以下の最適化

構成:
- app.py （メインアプリ）
- recommend_model.py （推奨ロジック）
- requirements.txt
- Dockerfile
- docker-compose.yml

出力形式: 実行可能な状態のコード
」

---

ステップ3: Antigravity がコード生成

生成物（実際のコード例）:

=== app.py ===
from fastapi import FastAPI
from recommend_model import RecommendationEngine
import time

app = FastAPI()
engine = RecommendationEngine()

@app.get('/recommend/{user_id}')
async def recommend(user_id: int):
    start = time.time()
    products = engine.recommend(user_id, top_k=5)
    elapsed = time.time() - start

    # レスポンスタイムが 100ms 超える場合は warning log
    if elapsed > 0.1:
        print(f'WARNING: Recommendation latency {elapsed*1000:.1f}ms > 100ms')

    return {
        'user_id': user_id,
        'recommended_products': products,
        'latency_ms': elapsed * 1000
    }

=== recommend_model.py ===
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

class RecommendationEngine:
    def __init__(self):
        # 事前計算: ユーザー × 商品の購買マトリックス
        self.user_item_matrix = self._load_matrix()

    def recommend(self, user_id: int, top_k: int = 5):
        # ユーザーの購買パターン取得
        user_vector = self.user_item_matrix[user_id]

        # 全商品との cosine_similarity 計算
        similarities = cosine_similarity(
            user_vector.reshape(1, -1),
            self.user_item_matrix
        ).flatten()

        # 上位K件取得
        top_indices = np.argsort(similarities)[-top_k:][::-1]
        return top_indices.tolist()

=== requirements.txt ===
fastapi==0.104.0
scikit-learn==1.3.0
numpy==1.24.0
uvicorn==0.23.0

=== Dockerfile ===
FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]

実装時間: 実際のエンジニアが 2-3時間かけるコードが、数秒で生成
品質: 実行可能な状態で、最適化済み（レスポンスタイム測定ロジック含む）
」

Jules での自動テスト・レビュー

Jules タスク1: テストコード自動生成

指示: 「app.py の recommend エンドポイントに対して、pytest ベースのテストコードを生成してください。

テストケース:
1. 正常系: /recommend/123 で、5件の商品 ID が返される
2. 異常系: user_id が存在しない場合（-1）、エラーレスポンス
3. 境界値: user_id = 0（最小値）で正常動作
4. パフォーマンス: レスポンスタイムが 100ms 以下
5. 形式チェック: 返される JSON スキーマが正しい

出力: test_app.py （pytest 実行可能）
」

---

Jules が自動生成した test_app.py:

import pytest
from fastapi.testclient import TestClient
from app import app

client = TestClient(app)

def test_recommend_normal():
    response = client.get('/recommend/123')
    assert response.status_code == 200
    data = response.json()
    assert len(data['recommended_products']) == 5
    assert 'latency_ms' in data

def test_recommend_invalid_user():
    response = client.get('/recommend/-1')
    assert response.status_code == 404

def test_recommend_boundary():
    response = client.get('/recommend/0')
    assert response.status_code == 200

def test_recommend_latency():
    response = client.get('/recommend/123')
    assert response.json()['latency_ms'] < 100

def test_recommend_schema():
    response = client.get('/recommend/123')
    data = response.json()
    assert 'user_id' in data
    assert 'recommended_products' in data
    assert isinstance(data['recommended_products'], list)

実行結果: 5/5 テスト PASS ✓
」

Jules タスク2: GitHub PR レビュー補助

指示: 「以下の GitHub PR に対して、コード品質をレビューしてください。

PR: feature/recommendation-engine
変更: recommend_model.py + app.py + test_app.py

チェック項目:
1. コード品質: 複雑度、可読性
2. パフォーマンス: ボトルネックの特定
3. セキュリティ: 入力値バリデーション、インジェクション対策
4. テスト: テストカバレッジ（目標80%以上）
5. ドキュメント: docstring の完全性

フォーマット: Markdown で PR コメント形式で出力
」

---

Jules が自動レビュー結果:

## Code Review: feature/recommendation-engine

### 1. コード品質 ✓
- 複雑度: 低い（McCabe complexity < 5）
- 可読性: 良好。変数名・関数名が明確
- 改善案: RecommendationEngine.__init__() で _load_matrix() の遅延ロード検討

### 2. パフォーマンス ⚠️
- 現状: 平均 45ms（目標100ms達成）
- ボトルネック: cosine_similarity 計算が最大遅延の80%を占める
- 改善案:
  - 事前計算の行列を scipy sparse matrix で圧縮（メモリ 30% 削減）
  - キャッシング: 同一 user_id への複数リクエストを Redis でキャッシュ

### 3. セキュリティ ✓
- 入力値: user_id は int 型バリデーション済み
- SQL Injection リスク: なし（SQL 未使用）
- 改善案: 率制限（Rate Limiting）の追加（DDoS 対策）

### 4. テスト ✓
- カバレッジ: 85%（目標達成）
- エッジケース: 十分にカバー

### 5. ドキュメント ⚠️
- docstring なし
- 改善: app.py のエンドポイント定義に docstring 追加推奨

総合評価: ✓ Approve（軽微な改善後）
」

Google AI Pro 料金対効果：実際の削減額

開発効率の定量化

タスク	従来法（時間）	Google AI Pro + Antigravity（時間）	時間削減	削減率
要件分析・技術選定	8時間	1.5時間 (NotebookLM)	6.5時間	81%
実装コード生成	16時間	0.5時間 (Antigravity)	15.5時間	97%
テストコード生成	4時間	0.25時間 (Jules)	3.75時間	94%
バグ修正・デバッグ	6時間	1時間 (Jules + Gemini)	5時間	83%
合計	34時間	3.25時間	30.75時間	90%

ROI（投資対効果）計算

月額コスト:
- Google AI Pro: $19.99
- Antigravity: 別途契約（プラン依存、月額$20～$50と仮定）
- 合計: 月額 $40～$70

削減される人件費（月単位）:
- エンジニア時給: $100 と仮定
- 月30時間削減 × $100/時間 = $3,000削減
- 月あたり: $3,000

年間 ROI:
- 年間削減額: $3,000 × 12 = $36,000
- 年間コスト: $70 × 12 = $840
- 年間 ROI: （$36,000 - $840）/ $840 = 4,185%

結論: 非常に高い投資対効果

Antigravity での Gemini バックエンド切り替え方法

設定手順

Antigravity 設定画面へアクセス
- 右上の設定アイコン → Preferences
LLM Provider を選択
- Current Provider: Claude (Anthropic)
- Switch to: Google AI (Gemini)
API Key 入力
- Google Cloud Console で API Key を取得
- Antigravity 設定画面に Google AI API Key を入力
モデル選択
- Model: Gemini 3.1 Pro
- Context Window: 1M tokens
保存・確認
- Save ボタンで設定保存
- テストプロンプトで動作確認

切り替え後のメリット

コンテキスト拡張: 200K（Claude） → 100万（Gemini）で5倍の情報を一度に処理
大規模プロジェクト対応: 複数ファイル・複数ライブラリを統合理解
コスト最適化: Google AI Pro の月額料金内で利用（追加課金なし）

実践的な Tips：効率を最大化する方法

Tip 1: NotebookLM ノートブックの整理

NotebookLM に追加するドキュメントは、カテゴリごとに分類:

技術仕様: API ドキュメント、ライブラリ公式ドキュメント
ビジネス: 要件書、ロードマップ、OKR
実装: 既存コードベース、Git commit ログ
参考: 競合分析、業界記事、Stack Overflow のソリューション

→ "このノートブック内で、[カテゴリ名] に関する質問" という使い方で、的確な回答が得られる

Tip 2: Antigravity プロンプトに NotebookLM の出力を直接貼り付け

NotebookLM で分析した内容を、そのまま Antigravity のプロンプトに含める:

「以下の要件に基づいて実装してください:

【NotebookLM 分析結果】
- ライブラリ選定: scikit-learn（理由: [NotebookLM の説明をコピペ]）
- アルゴリズム: cosine_similarity（理由: [NotebookLM の説明をコピペ]）
- パフォーマンス: [既存コードの実測値をコピペ]

【実装要件】
...
」

→ NotebookLM と Antigravity の分析が統合され、より精度の高いコード生成

Tip 3: Jules タスクを定期的に実行

毎週月曜に Jules で以下を自動実行:

コード品質スコア測定（複雑度、テストカバレッジ）
依存ライブラリの脆弱性チェック
GitHub PR の自動レビュー

→ 継続的な品質維持が自動化される

Google AI Pro のスケーリング戦略

1人から始める場合

初期投資: Google AI Pro ($19.99) + Antigravity ($30)

使用パターン:

NotebookLM: 5～10ノート
Jules: 月10～20タスク
Veo: 月2～3本の動画生成

5人チームへのスケール

コスト: Google AI Pro ($19.99 × 5人) + Antigravity チームプラン

効率化:

共有 NotebookLM ノートブック（チーム全体で技術知識を統合）
Jules による定期的な自動テスト・品質チェック
開発スピード 3～4倍向上

50人企業への展開

戦略:

部門ごとに NotebookLM ノートブック運用（営業・マーケティング・開発）
Jules での継続的な品質保証
Google Cloud との連携（API 運用、デプロイメント自動化）

Google AI Pro × Antigravity 併用ガイド — AI開発効率を最大化する組み合わせ術

Google AI Pro × Antigravity 併用ガイド — AI開発効率を最大化する組み合わせ術

Google AI Pro と Antigravity の役割分担：全体像

フェーズ1：リサーチ・設計（入力フェーズ）— NotebookLM が活躍

フェーズ2：実装（出力フェーズ）— Antigravity が活躍

フェーズ3：自動テスト・デバッグ（反復フェーズ）— Jules が活躍

フェーズ4：デプロイ・監視（保守フェーズ）— Gemini 3.1 Pro が活躍

Google AI Pro の NotebookLM で実装設計を固める：実践例

ステップ1: NotebookLM ノートブック作成

ステップ2: NotebookLM チャットで設計課題を解く

ステップ3: Audio Note で議論記録

Antigravity での実装：Gemini バックエンド活用

Antigravity での Gemini バックエンド切り替え

Antigravity での実装フロー

Jules での自動テスト・レビュー

Jules タスク1: テストコード自動生成

Jules タスク2: GitHub PR レビュー補助

Google AI Pro 料金対効果：実際の削減額

開発効率の定量化

ROI（投資対効果）計算

Antigravity での Gemini バックエンド切り替え方法

設定手順

切り替え後のメリット

実践的な Tips：効率を最大化する方法

Tip 1: NotebookLM ノートブックの整理

Tip 2: Antigravity プロンプトに NotebookLM の出力を直接貼り付け

Tip 3: Jules タスクを定期的に実行

Google AI Pro のスケーリング戦略

1人から始める場合

5人チームへのスケール

50人企業への展開

お読みいただきありがとうございます

関連記事