Geminiを活用してEOL調査してみた

Gemini EOL対応 AI活用

こんにちは。技術本部 技術戦略ディビジョンでマネージャーをしています、奥村です。

本記事では、Gemini DeepResearch と NotebookLM を組み合わせて、サポート終了（EOL）情報の調査業務を効率化した取り組みを紹介します。

はじめに

2026年6月30日、Amazon Linux 2 のサポート終了（EOL）が迫っていますね。
当然ですが、2026年にEOLを迎えるのはAmazon Linux 2だけではありません。普段利用している言語（Ruby, Python等）やミドルウェア、ライブラリにも、同時期にEOLを迎えるものが潜んでいる可能性があります。

これらを公式サイトで検索して回るのは手間が掛かります。特に複数のプロジェクトを管理しているチームでは、調査対象が膨大になりがちです。

そこで今回、Gemini DeepResearch と NotebookLM を組み合わせて、「世の中のEOL情報」と「自社のリソース」を効率的に突き合わせるアプローチを試してみました。

アプローチの概要

今回のアプローチは大きく2つのステップで構成されています。

  1. Gemini DeepResearch で世の中のEOL情報を網羅的に収集
  2. NotebookLM で収集したEOL情報と自社リソースを突き合わせ

この組み合わせにより、手軽かつ効率的に調査することを目指しました。

手順1：Gemini DeepResearch で「世の中のEOL情報」を収集

2026年にEOL/EOSを迎える技術スタックを網羅的にリストアップします。

DeepResearch への指示（プロンプト）

以下のような条件でプロンプトを作成しました。

  • 対象範囲を明確に定義（AWS/GCP のサービス、OS、DB、主要言語など）
  • 「Amazon Linux 2のように影響度の高いものは必ず含めること」と明記
  • 「情報のソース（参考リンク）を明記すること」を条件に追加

AIが出力した情報が正確かどうかを確認するため、参照元のリンクを必須にしました。

サンプルのプロンプトは以下の通りです。

2026年にEOL/EOSを迎えるミドルウェアやOS、プログラミング言語、クラウドサービスのリソースの一覧を調査して一覧化してほしいです。

対象は以下です。

- AWS, GCPのサービス(Amazon Linux 2など）
- Amazon Linux, Ubuntu
- MySQL, Nginx
- Ruby, Python, Go, Scala

また、世間的に話題になっているEOLもリストに含めてもらえると嬉しいです。
例えば、Amazon Linux 2は広く使われており影響度が高いと思います。そういうのは、上記のリストになくても含めてください。
また、調査結果には情報のソース（参考リンク）を明記してください。

結果

DeepResearch は最新の情報をWebから収集し、参照リンク付きのレポートを出力してくれました。
明示した技術スタック以外のRedisやk8s ingress-nginxなどもリストアップされました。

以下はレポートのイメージです。

手順2：NotebookLM で「自社リソース」と突き合わせ

DeepResearch で出力した「世間のEOLリスト」の中に、自社で実際に使っているものが含まれているかを確認します。

NotebookLM へのインプット

NotebookLM には以下の2つのソースを登録しました。

  • 手順1でDeepResearchが出力したレポート
  • 別途作成してあった自社のリソース一覧（スプレッドシート）

別途作成してあった自社のリソース一覧について

別の記事で紹介しますが、私の部署でEC2の内部情報やマネージドサービスの情報を集約したデータソースとMCPサーバーの開発・運用をしています。
今回はそのMCPサーバーを用いてリソースの一覧を作成しました。

サンプルの一覧は以下画像の通りです。

指示内容

以下のプロンプトで実施しました。

ソースA（EOLリスト）にある技術の中で、ソースB（自社リソース）に含まれているものを抽出してください

検証結果

いい感じに抽出できました。 以下のような出力イメージです。

良かった点

手順1で「リンク付き」にさせたことで、怪しい箇所があればすぐに公式情報へ飛んで確認ができます。
必要に応じて人間がファクトチェックできます。

補足：人間の役割

AIは情報収集と整理には優れていますが、最終的な判断は人間が行う必要があります。
特にEOL対応では、「すぐにアップグレードすべきか」「代替技術への移行を検討すべきか」といった判断が求められるため、AIの出力はあくまで意思決定のための材料として活用します。

まとめと今後の展望

成果

「DeepResearch（広範な調査）」×「NotebookLM（手元のデータとの照合）」の組み合わせは、調査業務において有用でした。
単調な検索作業をAIに任せることで、人間は「対策の検討」や「優先順位付け」といった、より価値の高い業務に集中できるようになります。

今後の課題（理想と現実）

今回はAI活用で効率化できましたが、理想を言えばCMDB等で構成管理が徹底され、EOLが近づくと自動で検知される状態が望ましいです。

今回の手法は、そうした「抜け漏れ防止のセーフティネット」として、有効だと感じました。

さいごに

EOL対応は地味ながら重要な業務です。AIをうまく活用することで、こうした定型的な調査作業の負荷を大幅に軽減できることを実感しました。

同じような課題を抱えているチームの参考になれば幸いです。