【Anthropic Academy】Claude × Google Vertex AI 完全ガイド ― GCP環境でClaudeを使いこなす

Claude with Google Cloud Vertex AI ってどんなコース？ ― シリーズ最終回！

「Claude with Google Cloud Vertex AI」は、Anthropic Academyが提供する全13コースの最後を飾る中級〜上級コースです。Google Cloud Platform（GCP）のマネージドMLプラットフォームであるVertex AIを経由してClaudeを利用する方法を、セットアップからエンタープライズデプロイまで体系的に学びます。

Anthropic APIを直接呼び出す方法はすでに他のコースで解説されていますが、企業の本番環境ではクラウドプラットフォーム経由でAIモデルを利用するケースが大半です。このコースは「GCPを使っている企業がClaudeを自社インフラに組み込む」ための実践知識を提供します。所要時間は約2〜3時間で、GCPの基礎知識とClaude APIの基本的な理解があることが前提です。

Vertex AI の基本 ― Google のマネージド ML プラットフォーム

Vertex AIは、Google Cloudが提供する統合型の機械学習プラットフォームです。機械学習モデルの構築、トレーニング、デプロイ、管理をすべて一箇所で行えるサービスで、2021年にリリースされました。

Vertex AIの特徴を整理すると以下の通りです。

• Model Garden ― Google独自のモデル（Gemini等）だけでなく、サードパーティモデル（Claude、Llama等）も含む「モデルのマーケットプレイス」。ここからClaudeを有効化できる
• 統一API ― どのモデルを使う場合でも、Vertex AIの統一されたAPIインターフェースで呼び出せる。モデルを切り替えるときにコードの大幅な変更が不要
• Vertex AI Pipelines ― データの前処理、モデル呼び出し、後処理を一連のパイプラインとして定義し自動実行できる
• Vertex AI Evaluation ― モデルの出力品質を評価するためのツール。複数モデルの比較やA/Bテストに使える
• GCPネイティブ統合 ― BigQuery、Cloud Storage、Cloud Functions、Cloud Run、IAMなどGCPの全サービスとシームレスに連携

なぜ Vertex AI 経由で Claude を使うのか ― 直接 API との比較

Anthropic APIを直接使えばClaude を呼び出せるのに、なぜわざわざVertex AI経由で使う必要があるのでしょうか。これはエンタープライズ開発において最も重要な問いです。コースではこの違いを実践的に解説しています。

GCP のセキュリティ基盤 ― IAM と VPC Service Controls

エンタープライズでAIを導入する際、最大の懸念はセキュリティです。Vertex AI経由でClaude を使うと、GCPのエンタープライズグレードのセキュリティ機能がそのまま適用されます。

• IAM（Identity and Access Management） ― 「誰が」「どのモデルを」「どの操作で」使えるかを細かく制御できる。「開発チームはClaude Sonnetのみ使用可、本番環境へのデプロイは管理者のみ」のような権限設定が可能
• VPC Service Controls ― APIの通信をVPC（仮想プライベートクラウド）内に閉じ込めることで、データの外部流出を防ぐ。機密データを扱う金融・医療業界では必須
• Audit Logging ― 誰がいつどのモデルにどんなリクエストを送ったかを完全に記録。コンプライアンス監査への対応が容易
• Data Residency ― データが処理されるリージョンを指定でき、各国のデータ保護規制（GDPR等）に準拠できる

既存 GCP インフラとの統合

すでにGCPを使っている企業にとって、Vertex AI経由の最大のメリットは既存インフラとのシームレスな統合です。

• BigQuery連携 ― BigQueryに格納された大量のデータをClaude で分析する。SQLクエリの結果をそのままClaude に渡して要約や分類を行える
• Cloud Storage連携 ― Cloud Storageに保存されたドキュメント（PDF、画像など）をClaude で処理する。バッチ処理のパイプラインに組み込める
• Cloud Functions / Cloud Run ― サーバーレス環境からVertex AI APIを呼び出して、イベント駆動型のAI処理を構築できる
• Pub/Sub ― メッセージキュー経由でリクエストを非同期処理。大量のリクエストを安定的にさばける

Google 請求書での一元管理

企業の経理部門にとってこれは意外と重要なポイントです。Vertex AI経由でClaudeを利用すると、Claudeの利用料がGCPの請求書に統合されます。

• Anthropicとの個別契約が不要（GCPの既存契約内で利用可能）
• GCPのCommitted Use Discounts（CUD）やBudget Alertsが適用できる
• 部門ごとのラベリングでコスト配分が容易
• 既存のGCP請求書に統合されるため、経理処理がシンプル

コースで学ぶ内容を徹底解説

ここからはコースの各セクションで学ぶ具体的な内容を、実際のコード例を交えて詳しく解説します。

Vertex AI Model Garden で Claude を有効化する

コースの最初のセクションでは、GCP上でClaudeを使えるようにするセットアップ手順を学びます。手順は以下の通りです。

1. GCPプロジェクトの作成（または既存プロジェクトの選択）
2. Vertex AI APIの有効化 ― Google Cloud Consoleで「Vertex AI API」を検索して有効化
3. Model Gardenでの Claude有効化 ― Model Gardenページを開き、「Claude」で検索 → 利用規約に同意して有効化
4. サービスアカウントの作成 ― プログラムからVertex AI APIを呼び出すためのサービスアカウントを作成し、適切なロールを付与
5. 認証情報の設定 ― ローカル開発環境またはGCE/GKE上でのApplication Default Credentials（ADC）の設定

# gcloud CLIでVertex AI APIを有効化
gcloud services enable aiplatform.googleapis.com \
  --project=your-project-id

# サービスアカウントの作成
gcloud iam service-accounts create claude-vertex-sa \
  --display-name="Claude Vertex AI Service Account" \
  --project=your-project-id

# Vertex AI ユーザーロールの付与
gcloud projects add-iam-policy-binding your-project-id \
  --member="serviceAccount:claude-vertex-sa@your-project-id.iam.gserviceaccount.com" \
  --role="roles/aiplatform.user"

# ローカル開発用のApplication Default Credentials設定
gcloud auth application-default login

Vertex AI API の使い方 ― Python SDK での呼び出し

コースの中核パートでは、Python SDKを使ってVertex AI経由でClaudeを呼び出す実際のコードを書きます。Anthropic APIの直接呼び出しとの違いを見比べてみましょう。

# ========================================
# 方法1: Anthropic API を直接呼び出す場合
# ========================================
import anthropic

client = anthropic.Anthropic(
    api_key="sk-ant-xxxxx"  # APIキーを直接指定
)

message = client.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "GCPのVertex AIについて教えてください"}
    ]
)
print(message.content[0].text)

# ========================================
# 方法2: Vertex AI 経由で呼び出す場合
# ========================================
import anthropic

# Vertex AI 用のクライアントを使用
# APIキーではなくGCPの認証情報（ADC）を自動で使う
client = anthropic.AnthropicVertex(
    region="us-east5",           # Vertex AI のリージョン
    project_id="your-project-id" # GCP プロジェクトID
)

message = client.messages.create(
    model="claude-sonnet-4@20250514",  # Vertex AI用のモデル名形式
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "GCPのVertex AIについて教えてください"}
    ]
)
print(message.content[0].text)

ストリーミング応答の例も見てみましょう。長文を生成する場合、レスポンスをリアルタイムで受け取れます。

# ========================================
# Vertex AI 経由のストリーミング応答
# ========================================
import anthropic

client = anthropic.AnthropicVertex(
    region="us-east5",
    project_id="your-project-id"
)

# ストリーミングでレスポンスを受け取る
with client.messages.stream(
    model="claude-sonnet-4@20250514",
    max_tokens=2048,
    messages=[
        {
            "role": "user",
            "content": "Vertex AIのModel Gardenについて詳しく解説してください"
        }
    ]
) as stream:
    for text in stream.text_stream:
        print(text, end="", flush=True)

print()  # 改行

IAM とサービスアカウントの設定

コースの中盤では、本番環境での適切な権限管理を詳しく学びます。開発段階では自分のGoogleアカウントで認証すれば十分ですが、本番環境ではサービスアカウントを使った厳密な権限管理が必要です。

# ========================================
# 本番環境向け: サービスアカウントの詳細設定
# ========================================

# 1. カスタムIAMロールの作成（最小権限の原則）
gcloud iam roles create claudeVertexCaller \
  --project=your-project-id \
  --title="Claude Vertex AI Caller" \
  --description="Claude on Vertex AIの呼び出しのみ許可" \
  --permissions="aiplatform.endpoints.predict"

# 2. サービスアカウントにカスタムロールを付与
gcloud projects add-iam-policy-binding your-project-id \
  --member="serviceAccount:claude-vertex-sa@your-project-id.iam.gserviceaccount.com" \
  --role="projects/your-project-id/roles/claudeVertexCaller"

# 3. Workload Identity Federation（推奨）
# GitHub ActionsやKubernetesからキーレスで認証する場合
gcloud iam workload-identity-pools create "ci-pool" \
  --location="global" \
  --display-name="CI/CD Pool"

コースでは以下の権限設計パターンが紹介されます。

• 開発環境 ― 開発者個人のGoogleアカウント + roles/aiplatform.user（広めの権限でOK）
• ステージング環境 ― サービスアカウント + カスタムロール（必要な操作のみに限定）
• 本番環境 ― サービスアカウント + カスタムロール + VPC Service Controls + Audit Logging必須

Model Garden での比較・評価

Vertex AI Model Gardenには Claude だけでなく、Gemini、Llama、Mistralなど多数のモデルが用意されています。コースでは同じプロンプトを複数モデルに投げて結果を比較する手法を学びます。

# ========================================
# Vertex AI で複数モデルを比較するサンプル
# ========================================
import anthropic
import vertexai
from vertexai.generative_models import GenerativeModel

# --- Claude（Vertex AI 経由） ---
claude_client = anthropic.AnthropicVertex(
    region="us-east5",
    project_id="your-project-id"
)

# --- Gemini（Vertex AI ネイティブ） ---
vertexai.init(project="your-project-id", location="us-central1")
gemini_model = GenerativeModel("gemini-2.0-flash")

# 同じプロンプトで比較
test_prompt = "Kubernetesのポッドスケジューリングの仕組みを500字で説明してください"

# Claude の応答
claude_response = claude_client.messages.create(
    model="claude-sonnet-4@20250514",
    max_tokens=1024,
    messages=[{"role": "user", "content": test_prompt}]
)

# Gemini の応答
gemini_response = gemini_model.generate_content(test_prompt)

print("=== Claude ===")
print(claude_response.content[0].text)
print("\n=== Gemini ===")
print(gemini_response.text)

Vertex AI Evaluationを使えば、このような比較を自動化して、応答品質のスコアリングや統計的な比較が可能です。例えば「正確性」「有用性」「安全性」といった指標で複数モデルを定量的に評価できます。

Vertex AI Pipelines での自動化

コースの後半では、Vertex AI Pipelinesを使ったAI処理の自動化を学びます。これは単発のAPI呼び出しではなく、「データの取得 → 前処理 → Claude で分析 → 結果の保存」のような一連のワークフローを定義して自動実行する仕組みです。

# ========================================
# Vertex AI Pipelines のサンプル
# BigQuery → Claude 分析 → Cloud Storage保存
# ========================================
from kfp import dsl
from kfp.dsl import component, OutputPath

@component(
    base_image="python:3.11",
    packages_to_install=["google-cloud-bigquery", "anthropic[vertex]"]
)
def analyze_reviews_with_claude(
    project_id: str,
    region: str,
    output_path: OutputPath(str)
):
    """BigQueryからレビューデータを取得しClaudeで分析"""
    from google.cloud import bigquery
    import anthropic
    import json

    # BigQueryからデータを取得
    bq_client = bigquery.Client(project=project_id)
    query = """
        SELECT review_text, rating
        FROM `your-dataset.reviews`
        WHERE DATE(created_at) = CURRENT_DATE()
        LIMIT 100
    """
    results = bq_client.query(query).to_dataframe()

    # Claude で分析
    claude_client = anthropic.AnthropicVertex(
        region=region,
        project_id=project_id
    )

    analyses = []
    for _, row in results.iterrows():
        response = claude_client.messages.create(
            model="claude-sonnet-4@20250514",
            max_tokens=512,
            messages=[{
                "role": "user",
                "content": f"以下のレビューを分析し、感情(positive/negative/neutral)と"
                           f"キーポイントを日本語で出してください:\n\n{row['review_text']}"
            }]
        )
        analyses.append({
            "review": row["review_text"],
            "rating": int(row["rating"]),
            "analysis": response.content[0].text
        })

    # 結果を保存
    with open(output_path, "w") as f:
        json.dump(analyses, f, ensure_ascii=False, indent=2)

# パイプラインの定義
@dsl.pipeline(name="review-analysis-pipeline")
def review_pipeline(project_id: str, region: str):
    analyze_task = analyze_reviews_with_claude(
        project_id=project_id,
        region=region
    )

料金体系と最適化

コースの終盤では、Vertex AI経由でClaude を使う場合の料金体系と最適化テクニックを学びます。

Vertex AI経由のClaude料金は以下の構造です。

• 基本料金 ― トークン単位の従量課金（入力トークンと出力トークンで異なる単価）。直接APIとほぼ同等の料金
• プロビジョニングスループット ― 一定のスループットを事前に確保する。大量処理が予測される場合に割引が適用される
• データ転送料 ― GCP内の通信は無料だが、外部からのアクセスにはデータ転送料が発生する場合がある

コストを最適化するためのテクニックも紹介されます。

• モデルの使い分け ― 全リクエストをOpusで処理せず、簡単なタスクはHaikuやSonnetを使う。タスクの複雑度に応じたルーティングを構築する
• Prompt Caching ― 同じシステムプロンプトを繰り返し使う場合、キャッシュを活用してコストを削減する
• Batch API ― リアルタイム性が不要な場合、バッチAPIを使うことで50%のコスト削減が可能
• Budget Alerts ― GCPのBudget機能で予算上限と警告閾値を設定し、想定外のコスト発生を防ぐ

Amazon Bedrock との比較 ― AWS vs GCP、どちらを選ぶか

Anthropic Academyでは前回のコースでAmazon Bedrock経由のClaude利用も学びました。ここではBedrock（AWS）とVertex AI（GCP）の比較を整理し、どちらを選ぶべきかの判断材料を提供します。

比較項目	Amazon Bedrock（AWS）	Vertex AI（GCP）
認証	IAM Role / Access Key	IAM / Service Account / ADC
Python SDK	AnthropicBedrock	AnthropicVertex
モデル管理	Bedrock Model Access	Model Garden
データ連携	S3, DynamoDB, Redshift	Cloud Storage, BigQuery, Firestore
自動化	Step Functions, Lambda	Vertex AI Pipelines, Cloud Functions
ネットワーク	VPC Endpoints, PrivateLink	VPC Service Controls, Private Google Access
評価ツール	Bedrock Evaluation	Vertex AI Evaluation
Google独自モデル	利用不可	Geminiと同一プラットフォームで比較可能
グローバルシェア	クラウド市場シェア1位	クラウド市場シェア3位（成長率は高い）

受講のコツ ― GCP の無料クレジットを活用する

このコースを最大限活用するためのアドバイスです。実際にGCPを触りながら受講することで理解度が格段に上がります。

GCP 無料枠を活用しよう

Google Cloudは新規ユーザーに対して$300相当の無料クレジット（90日間有効）を提供しています。これを使えば、コースの内容を実際に試すのに費用はかかりません。

• Google Cloud Free Tierにアクセスして無料トライアルを開始
• $300のクレジットでVertex AI API、BigQuery、Cloud Storageなどすべて試せる
• 90日以内に利用すれば追加料金なし（自動課金への移行はオプトイン制）
• Claude on Vertex AIの呼び出しも無料クレジットの範囲内で実行可能

ハンズオン優先で進める

• Google Cloud Consoleを開きながら受講する ― コースの説明を見たら、すぐにConsoleで同じ操作を試す
• コード例は全て手で打つ ― コピーペーストではなく、実際にタイピングすることで構造を記憶に定着させる
• 「変えてみる」を意識する ― コース通りに動かした後、パラメータやプロンプトを変えて結果の変化を確認する
• エラーを恐れない ― 本番環境ではないので、権限エラーやクォータ超過エラーは「学びの機会」。エラーメッセージを読んで解決する経験が最も役立つ

Anthropic Academy 全13コース学習パス総まとめ ― シリーズ完全ガイド

この記事をもって、Anthropic Academy全13コースの解説シリーズが完結します。ここでは全コースを振り返り、あなたのレベルや目的に最適な学習パスを整理します。

全13コース一覧

#	コース名	レベル	対象者	所要時間
1	Claude 101	初級	全員	1-2h
2	AI Fluency: Framework & Foundations	初級	ビジネスパーソン	2-3h
3	AI Fluency for Students	初級	学生	2-3h
4	AI Fluency for Educators	初級	教育者	2-3h
5	Claude Code in Action	中級	開発者	2-3h
6	Prompt Engineering Interactive Tutorial	中級	開発者	3-4h
7	Real World Prompting	中級	開発者	2-3h
8	Building with the Claude API	中級	開発者	3-4h
9	Extended Thinking	中級-上級	開発者	1-2h
10	Retrieval Augmented Generation (RAG)	中級-上級	開発者	3-4h
11	Agentic Patterns	上級	開発者	3-4h
12	Claude with Amazon Bedrock	中級-上級	AWSエンジニア	2-3h
13	Claude with Google Vertex AI（本記事）	中級-上級	GCPエンジニア	2-3h

目的別おすすめ学習パス

全13コースを全て受ける必要はありません。あなたの立場と目的に応じて、最適なパスを選びましょう。

パス A: AI初心者 / ビジネスパーソン

Claude 101 → AI Fluency: Framework & Foundations（合計3-5時間）

AIの基本理解とビジネス活用の土台を作る最短パス。プログラミング不要で、明日の仕事から使える知識が得られます。

パス B: 学生

Claude 101 → AI Fluency: Framework & Foundations → AI Fluency for Students（合計5-8時間）

学業とキャリアにAIを活かすためのパス。レポート作成、リサーチ、学習効率化の実践スキルが身につきます。

パス C: 教育者

Claude 101 → AI Fluency: Framework & Foundations → AI Fluency for Educators（合計5-8時間）

教育現場でのAI活用と、学生へのAIリテラシー教育のためのパス。

パス D: 開発者（プロンプトエンジニアリング重視）

Claude 101 → Prompt Engineering Interactive Tutorial → Real World Prompting（合計6-9時間）

プロンプト設計のスキルを徹底的に鍛えるパス。APIは使わず、プロンプトの質で勝負したい開発者向け。

パス E: 開発者（API / アプリ開発重視）

Claude 101 → Claude Code in Action → Building with the Claude API → Extended Thinking → RAG（合計10-15時間）

Claudeを自社アプリに組み込むための本格開発パス。Claude Code、API、拡張思考、RAGと段階的にスキルアップ。

パス F: 上級開発者 / アーキテクト

パス E + Agentic Patterns + Bedrock or Vertex AI（合計15-22時間）

全コースを網羅する最強パス。AIエージェントの設計からクラウドデプロイまで、エンタープライズAIの全領域をカバー。

まとめ ― GCP × Claude の可能性、そしてシリーズ完結！

「Claude with Google Cloud Vertex AI」は、GCPを利用する企業がClaudeを本番環境に導入するための実践的なガイドです。

• Vertex AI Model GardenからClaudeをワンクリック有効化
• Python SDKでコードの変更は最小限。AnthropicVertexクラスで呼び出し
• GCPのセキュリティ基盤（IAM、VPC Service Controls、Audit Logging）がそのまま適用
• BigQuery、Cloud Storage、Vertex AI Pipelinesとの統合で、データ分析からAI処理まで一気通貫のワークフローを構築可能
• Model GardenでClaude と Gemini をフェアに比較・評価できる
• Google請求書に統合され、調達・経理の手間が最小限

AWSのBedrock、GCPのVertex AI ― どちらのクラウドからでもClaudeを活用できる時代になりました。選択のポイントは「技術的な優劣」ではなく「自社のインフラとの相性」です。

---

Anthropic Academy シリーズ完結 ― リア＆メカからのメッセージ