アプリケーション・SaaS

OpenAIが業務を自律代行する新AIを発表しました。社内の人員配置や役割を再設計する機会になります 今日のニュース OpenAIが複数アプリを横断して自律的に業務をこなすGPT-5.6とChatGPT Workを発表 GitHubがAIエージェントを活用し複数リポジトリを横断するドキュメント更新を自動化 米大学でAI不正を疑い対面試験を実施した結果、クラス全体の平均スコアが50パーセント低下 npm 12がサプライチェーン攻撃対策としてインストールスクリプトをデフォルトで無効化 実世界のデータではなくゲームデータを用いてロボット用AIを構築する企業が巨額調達 xAIが競合フロンティアモデルの半額となる新AIモデルGrok 4.5の提供を開始 複数AIモデルを組み合わせて運用する企業は単一モデルよりもシステム失敗率が2.2倍に AnthropicがClaude最上位モデルのコンシューマ向けプランに従量課金制度を導入 AnthropicがユーザーのAI利用状況を分析しプロンプト改善を促す新機能を追加 GitHubが1万4000超の社内リポジトリに対しシステム的に所有者を割り当て属人化を解消 ピックアップ: OpenAIが複数アプリを横断して業務を自律実行するGPT-5.6を発表 OpenAIが新モデルGPT-5.6を発表しました。 米国政府の承認を経ての一般公開となります。 同時に新機能のChatGPT Workも登場しました。 複数システムのデータ照合や表計算の更新を担います。 プレゼン資料の作成なども自律的に一括処理する仕組みです。 AI導入の真のコストはライセンス費ではありません。 既存のプロセスを見直し、組織を作り直す変革費用にあります。 現実のビジネス現場を見てみましょう。 2023年のAutoGPTから自律型AIの波が始まりました。 2024年にはCognition社のDevinが登場しました。 未解決課題の検証において高い解決率を記録しました。 Microsoftは16万組織でエージェントを稼働させています。 Salesforceも約3万件の顧客契約を獲得しました。 すでに実験から実用への移行は済んでいます。 皆さんの会社ではどうでしょうか。 「ライセンスを配ったが効果が見えない」 「費用対効果が不透明だ」 現場の反応は白黒つかないグレーなものが多いはずです。 ツールを与えれば即座に生産性が上がる。 そんな幻想が現場と経営陣の間に残っていることが原因です。 本質的な変化は、自動化に伴うコスト構造の転換にあります。 AIが対話型から自律実行型へと移行しました。 企業向けシステムの開発には約7.5万ドル以上が必要です。 既存のマニュアルはそのままでは読み込ませることができません。 データ形式の統一やアクセス権限の整理が必要です。 AIが動くための土台作りに多大な工数がかかります。 データ整備だけで開発費の2割から3割を消費します。 さらに組織変革にはシステム開発費の約3倍の投資を伴います。 システムが完成しても社員の働き方はすぐには変わりません。 新技術への心理的抵抗感や業務プロセスの再学習が生じます。 これらを克服するための教育とルール作りが欠かせません。 先日取り上げたUberの予算枯渇を思い出してください。 アリババのトークン制限も同じ文脈の課題です。 自律型AIがバックグラウンドで大量のタスクを処理します。 放っておけば従量課金は想定を超えて膨張します。 業務プロセスを再定義し人員配置を最適化する機会です。 利用ルールの再整備とコスト統制の仕組みを作りましょう。 こうした見えない部分にこそ予算を投じる時期です。 膨張するコストを抑える鍵はモデルの使い分けです。 タスクの難易度に応じて処理を振り分ける仕組みを用意します。 日常的な定型業務には安価なモデルを割り当てます。 高度な推論が必要な場面でのみ高性能モデルを呼び出します。 単一のモデルにすべてを依存する手法から脱却します。 適材適所でモデルを使い分ける運用が費用を最適化します。 これが今後の企業向けAI運用の基本構成となります。 とはいえ、この波を単なるコスト増と捉えるのは早計です。 AIエージェント市場は2035年に2000億ドル規模へ到達します。 調査では2026年までに企業アプリの4割に実装される見込みです。 タスク単価自体は1件約0.02ドルから0.15ドルと安価です。 初期投資こそかさみます。 人的リソースの再配分による投資回収は十分に可能です。 人間が担っていた定型業務をAIが24時間体制で処理します。 浮いた時間を顧客との対話や新規事業の企画に振り向けます。 付加価値の高い業務への集中が、企業競争力を高めます。 ...

英小売大手の移行費用が約2400億円超過しました。AI導入に向けた業務標準化を検討する機会になります 今日のニュース 英Asdaがシステム移行で約2400億円の費用超過を報告 OpenAIが音声と聴取を同時に処理するGPT-Liveを発表 攻撃者がAIの誤出力を悪用してボットネットを構築 米AllstateがBroadcomを提訴しライセンス監査に抗議 Prime Intellectが独自AI構築支援で1.3億ドルを調達 SlackbotがCRMデータ取得と電子署名送信に直接対応 Xが誤情報訂正時に反応ユーザーへ直接DM通知を計画 三菱UFJフィナンシャル・グループがOpenAIと提携 攻撃者がAIを用いてヘルプデスクを狙う手口が増加 中国当局が特定バージョンのClaude Code利用中止を指示 英Asdaがシステム移行で約2400億円の費用超過を報告 現実：既存業務への固執が招くコスト超過 「予算の2倍近くかかった」――そんな報告が、遠い国の大企業だけの話だと思えますか。英小売大手のAsdaが巨額のコスト超過を報告しました。 親会社からの独立に伴うシステム分離が背景にあります。 新しい基幹システムへの移行プロジェクトが難航しています。 総費用は約2400億円に達すると報告されました。 この問題は特殊な大企業に限った話ではありません。 KPMGの調査データが厳しい現実を示しています。 システム導入プロジェクトの70%が当初目標を達成できません。 半数以上のプロジェクトで予算の超過が発生しています。 その平均的な超過率は189%に上ると報告されています。 移行には通常12ヶ月から24ヶ月の期間を要します。 プロジェクトの遅延は移行サービス契約の延長を招きます。 これが月額100万ドル以上の追加費用を発生させます。 企業の利益を直接的に圧迫する深刻な要因です。 過去にも同様の失敗事例がいくつも報告されています。 ドイツの小売大手であるLidlのケースが代表的です。 自社の独自プロセスを新しいシステムで再現しようとしました。 その結果として7年もの時間を費やしています。 最終的にシステムの導入自体を断念することになりました。 この失敗により約800億円の損失を計上しています。 米国の化粧品メーカーもデータ連携に失敗しました。 約7000万ドルの純損失と株価下落を経験しています。 自社の古いやり方にシステムを無理に合わせるカスタマイズ。 これが巨額の損失やプロジェクト失敗の最大の要因です。 システムの移行費用は業務の複雑さに比例して増加します。 本質的な変化：システムの疎結合化と標準機能への適合 現在、新しいシステムの構築手法が普及しています。 「クリーンコア戦略」と呼ばれる設計手法です。 システム本体への直接的なカスタマイズを固く禁じます。 独自の機能や外部連携は別の基盤上に構築します。 システム本体と独自機能を切り離すアプローチです。 これにより最新のAI機能をスムーズに取り込むことが可能です。 日本の赤城乳業はこの手法をいち早く採用しました。 独自のカスタマイズを捨ててクラウドへ全面移行しています。 標準機能を活用して高速な物流体制を維持しました。 将来のAI連携を見据えた基盤を同時に構築しています。 日立ハイテクの実践的な成功事例も参考になります。 古いシステムには9,000個以上の独自プログラムがありました。 これをわずか22個へ劇的に削減することに成功しています。 保守運用にかかる負荷を極限まで引き下げました。 標準機能に業務を合わせるアプローチの徹底です。 業務プロセス自体をシンプルにする活動が実を結びました。 反論・補足：標準化の限界と現場の反発 一方で、すべての業務を標準化できるわけではありません。 現場からは既存のプロセスを残す強い要望が上がります。 長年培ってきた独自のノウハウが存在するためです。 業務手順を変えることへの心理的な抵抗も少なくありません。 しかし、既存プロセスをそのまま持ち込むのは非効率です。 直近の記事でAI利用時の従量課金コストについて触れました。 土台となる社内システムが複雑なままでは問題が起きます。 将来的なクラウド運用やAI連携で無駄な費用が発生します。 度重なるシステム改修が追加コストの発生源となります。 結果として新しい技術を取り入れる身軽さを失います。 モルガン・スタンレーの事例を過去に紹介しました。 AIの動きを制御するために業務フローを再設計しています。 ツールを導入する前に業務自体をシンプルにする活動です。 経営層が先頭に立ち何を捨てるべきかを決断しています。 今回の失敗事例は自社のプロセスを見直す良い機会になります。 Asdaの2400億円という数字は、他人事ではなく「次は自社かもしれない」という問いかけでもあります。業務の複雑さを減らすことは、コスト削減であると同時に、AIという新しい力を最大限に活かすための土台づくりです。皆さんの会社のシステムはAIを受け入れる身軽さを持っていますか。 ...

MSが外部AIへの依存を減らしコスト削減に動きました。自社のAI予算ルールを再整備する機会になります 今日のニュース MSが製品裏側のAI機能を外部依存から自社製小規模モデルへ移行しました。TNW 米国製無人四輪バギー100台以上がウクライナの戦場に実戦投入されました。TNW GoogleがGeminiのAIエージェント管理機能へバックグラウンド実行を追加しました。Google AI Blog Figmaが自然言語からコードを生成するプラットフォーム開発チームを買収しました。TechCrunch 人間とAIが文書を共同編集できる次世代ツール開発企業が47万ユーロを調達しました。Tech.eu 中国DeepSeekが米国の輸出規制を避けるため独自のAI半導体開発を計画しています。Ars Technica GitHubの公開Issue経由で非公開コードを盗むAIへの攻撃手法が発覚しました。The Hacker News AIツールへ推敲を依頼すると利用者の意見が歪められる危険性を英大学が指摘しました。TNW 英国スタートアップが微小重力下で創薬データを収集する小型ラボを軌道へ打ち上げました。Wired Metaが著名開発者主導の新たな画像生成AIモデルを主要アプリへ組み込み公開しました。TNW ピックアップ: マイクロソフトが自社製品の裏側で動くAIを自社製モデルへ移行開始 「OpenAIへの依存を、Microsoftが自ら断ち切り始めた」——この事実は、AI業界の常識を静かに塗り替えつつあります。Microsoftが製品裏側のAIを自社製へ移行しました。 Excel等の機能からOpenAIのモデルを外しました。 代わりに内製したMAIモデルを組み込んでいます。 これは特定の処理に特化した小規模AIです。 週数万件のプロンプトを処理し、コストを削減しています。 直近の記事でも各社のコスト統制をお伝えしました。 UberはAI予算の枯渇課題に直面しました。 アリババもトークン消費の削減に取り組んでいます。 今回の対応もこのコスト統制の文脈に沿っています。 巨大IT企業自らが外部モデルへの依存を減らしました。 AI投資の費用対効果を厳格に見直すシグナルです。 単一モデルに頼る運用を見直す企業が増えています。 現状の運用実態を確認します。 すべてのタスクを自社製に置き換えたわけではありません。 高度な推論にはOpenAIのモデルを併用しています。 Copilotの通信の大半は外部APIを経由します。 完全な内製化には至っていません。 現在は外部と内部のハイブリッド運用が行われています。 高性能なモデルは費用対効果が課題となります。 完全なコスト削減策としての機能は限定的です。 注目すべきはタスクに応じたAIルーティング機構です。 Azureの仕組みがプロンプトの複雑さを分析します。 最大18種類の言語モデルから最適なものを自動で選びます。 単純なコード補完は軽量で高速なMAIへ回します。 複雑な設計タスクだけを大型モデルへ送ります。 計算資源の無駄を省く適材適所の振り分けです。 さらに新しい実行アーキテクチャを採用しました。 実行時のアクティブパラメータ数を抑えています。 計算効率を高め、2秒以下の低遅延を実現しました。 これで約30%の運用コスト削減を達成しています。 AI開発のアプローチも変化しています。 数千億パラメータの巨大モデルからの移行が進んでいます。 エッジ機器で動く小規模言語モデルの活用です。 Googleは小規模なGemma 2を展開しています。 Metaはエッジ向けのLlama 3.2を発表しました。 Appleも端末上で完結するAIをリリースしました。 計算リソースを最大98%削減するアプローチです。 安価で安全な軽量AIがビジネス現場に導入されています。 一方で自社運用には課題も存在します。 内製化への移行が常に最適な選択とは限りません。 運用にはTCOと呼ばれる隠れたコストが存在します。 インフラ費用だけではありません。 保守を担うAIエンジニアの人件費も発生します。 これは年間数十万ドル規模に達することもあります。 スタートアップによる試算がこの実態を示しています。 外部APIの利用は100万トークン約0.12ドルです。 1日の消費が少ない場合はAPI利用が適しています。 自社運用で費用対効果が出るのは月間1億トークン以上です。 これは超大規模運用を行う企業に限られます。 API利用と自社環境構築には費用構造の違いがあります。 このトレードオフを考慮する必要があります。 ...

DeepSeek等のAIモデル単価が18カ月で下落しました。全社的な予算統制ルールを再整備する機会になります 今日のニュース DeepSeek等のAI推論コストが18カ月で下落しました。Silicon Canals カクヤスが老朽化した基幹システムの解析に生成AIを導入しました。ITmedia AI+ Expediaが全社AI運用におけるシステム設計の重要性を指摘しました。VentureBeat MCPに企業向けアクセス権限の一括管理機能が追加されました。Publickey アシックスが手描きスケッチから靴の3Dデータを生成する技術を公開しました。MONOIST JAXAが音声AIを活用し宇宙機と対話できる技術の検証を始めました。ITmedia NEWS テンセントが軽量かつ高性能なオープンソースAIモデルを公開しました。VentureBeat MicrosoftがAI分野への投資集中を目的に約4800人を削減しました。TechCrunch RedditがAI生成スパムを排除するため自社開発のLLMを導入しました。TechCrunch LinuxのKVMにおいてホストを攻撃できる脆弱性が発見されました。The Hacker News ピックアップ: AIモデルの利用コストが18カ月で280分の1に下落 スタンフォード大学のレポートが示す数字は驚くほど単純だ。 最上位AIモデルの推論コストが下落を続けている。 2022年後半には100万トークンあたり20ドル。 それが2024年末には7セントになっている。 3年前に月額1万ドルを要した処理が、今では200ドル未満で動かせる計算になる。 コンピューターの歴史を振り返っても、価格がここまで短期間で下がった技術は珍しい。 ただ、過去の価格下落と今回では根本的な原因が異なる。 1990年代後半のDRAM価格の下落や、仮想通貨バブル後のGPU価格の下落は、需要の消失と過剰供給が引き金だった。 今回は需要が消えたわけではない。 DeepSeek等の低価格モデルが市場を牽引し、大手各社は防衛的な値下げを余儀なくされた。 そこにモデルの軽量化と専用チップの進化が重なっている。 競争と技術進化が価格を押し下げたという構図だ。 推論コストの低下を牽引しているのは主に3つの技術である。 1つ目はモデルのパラメータを低精度化する量子化技術。精度を保ちながらメモリ使用量を最大75%削減できる。 2つ目はvLLMなどの推論エンジンによる最適化で、GPU待機時間を減らし処理速度を高める。 3つ目はGroqのような推論専用チップの台頭だ。 これらが組み合わさり、コストの底が下がり続けている。 さらにプロンプトキャッシュが標準になりつつある。 同じ文脈の繰り返しを再計算せずに済ませる仕組みで、反復的な処理のコストを最大90%削減できる。 PinterestやNetflixはこうした手法を組み合わせ、AIインフラのコストをさらに50〜90%圧縮した。設計次第でコストはもう一段下げられる。 単価が下がると、社内の担当者が頻繁にAPIを利用するようになる。 以前のブログで取り上げたUberのAI予算枯渇も同じ構図だった。問い合わせ対応やレポート生成など用途が広がり、利用が増えるほどトークンの消費量は倍々に膨らむ。 アリババが取り組んだ消費の最適化も同じ文脈だ。 単価が10分の1になっても利用量が20倍になれば、総コストは以前の2倍に膨れ上がる。 API価格の下落は導入のハードルを確かに下げた。経営上の問いはそこから先にある。 社内で誰がどのモデルを使っているか把握しているか。 利用上限の設計などインフラの統制がこれからの課題になる。 全社的なルールを再整備する時期が来ている。 各ニュース詳細 カクヤスが30年稼働の基幹システムの解析に生成AIを導入 カクヤスは30年前に構築された基幹システムにAIを導入しました。 全容把握が困難になっていた古いシステムです。 人力では約450人月と見積もられた作業でした。 AIと現場の業務知見を組み合わせて作業量を削減します。 システムの属人化を打破する手法を確立しつつあります。 出典: ITmedia AI+ Expediaがエンタープライズ規模のAI運用における評価基盤の重要性を公開 Expediaが数億回のAI予測から得た知見を共有しました。 デモで機能するAIと本番環境で稼働するAIは要件が異なります。 本番環境ではモデルの精度よりもシステム設計が優先されます。 評価基盤の整備も不可欠な要素として挙げられています。 大規模に稼働させるAIには独自の設計方針が必要です。 出典: VentureBeat MCPに企業向けアクセス権限の一括管理機能「EMA拡張機能」が安定版としてリリース 生成AI向け標準プロトコルMCPの拡張機能がリリースされました。 企業向けにアクセス権限の一括管理を可能にするEMA安定版です。 従来はMCPサーバへの接続に個別のログインが必要でした。 新機能により一括での権限付与と監査が可能になります。 現時点ではOktaなどのIdPに対応しています。 出典: Publickey ...

今日のニュース Uberの年間AI予算が4カ月で枯渇。従業員1人あたり月額1,500ドルの上限を設定してコスト統制に踏み切った。Silicon Canals AI導入で新人コールセンター員の生産性が34%向上。スタンフォード・MITの研究が、新人とベテランの生産性差が縮小した事実を示した。Silicon Canals Microsoftが25億ドルを投じ、6,000人体制のAI実装支援組織「Frontier」を新設。AWSの10億ドル投資に続く動きとなった。TNW AIエージェントが脆弱性探索からデータ暗号化、身代金要求までを全自動で行うランサムウェア攻撃が初めて観測された。ゼロトラストを前提とした防御策への移行が対策の起点になる。The Hacker News ピックアップ: Uberの年間AI予算が4カ月で枯渇、利用上限の設定で安全なコスト管理を実現 年間分の予算が4カ月で底をついた。 Uberは5,000人以上のエンジニアにAIコーディングツール「Claude Code」を展開した結果、2026年用として確保していたAI予算を4月の時点で使い果たした。「疲れを知らない労働力」のはずが、従量課金の仕組みによってコストが青天井に膨らんでいった。事態を受け、Uberは従業員1人あたりの月額利用額を1,500ドルに制限するコスト統制へと切り替えた。 この逆転現象は興味深い構造を持っている。AIを「人件費の代替」と位置づけていた前提が、「AIそのものが新たな固定費になり得る」という現実によって覆された形だ。 今の現実——何が起きていて、何はまだ変わっていないか Uberは例外ではありません。Gartnerは、2028年までに生成AIプロジェクトの50%以上が予算超過に陥ると警告しています。国内でも85%の企業が初年度に30〜40%の予算超過を経験しているという調査があります。MicrosoftでさえもサードパーティのAIライセンス費が膨らみ、自社製のGitHub Copilot CLIへ切り替える判断を下した部門がありました。 なぜここまでコストが膨らむのか。AIのAPI課金は「トークン」という処理単位に基づく従量制です。特にAIが自律的に動くエージェント型の使い方では、一回のタスクで消費するトークン数が読みにくくなります。複数のエンジニアが同時並行で使えば、あっという間に積み上がります。さらに、AIの出力単価は入力の3〜5倍に設定されるケースが多く、長文コードを繰り返し生成するコーディング用途では特に高コストになる構造があります。 一方で、ROIの数字は複数の調査で示されています。週2〜6時間の工数削減が報告されており、仮に平均年収1,800万円のエンジニア50名のチームで生産性が10%向上すれば、年間で約9,000万円相当の労働価値が生まれる計算になります。問題はROIの大きさではなく、コストの予測しにくさにあります。 本質的な変化——管理されない自律性は予算の穴になる モルガン・スタンレーは異なる選択をしました。リスクの高い照合業務において、AIエージェントの自律性をあえて制限し、人間の確認を介在させる設計を採用しました。その結果、精度が上がり業務量を半減させることに成功しています。完全自動化の追求が最善とは限らない、という実例です。 この考え方は「ヒューマン・イン・ザ・ループ」と呼ばれます。AIが自律的に動ける範囲をあらかじめ絞り込み、重要な判断には人間が介在する仕組みです。コスト面でも精度面でも、エンタープライズ運用における現実的な落としどころとして機能しています。 Uberが設定した月額1,500ドルという上限も、同じ発想の延長線上にあります。AIを使わせながら、使える量に天井を設ける。GitHubはユーザーごとのAI予算枠機能を導入し、DatabricksもAI支出の上限を管理できるツールの提供を始めています。企業の現場に合わせた対応が進んでいます。 見落としがちな補足——コスト最適化の手段はすでにある 技術的な対策として、「プロンプトキャッシュ」という仕組みがあります。過去の長文入力を再利用することで最大90%のコスト削減が可能で、繰り返しの多い業務に有効です。また、即時の応答が必要ない処理を非同期でまとめて実行する「Batch API」は一律50%の割引が適用されます。 ただ、こうした最適化はエンジニアリングチームがAPIの挙動を理解していることが前提です。ベンダーの管理ツールを活用し、ユーザー単位・チーム単位で月次の上限を設定するアプローチの方が、中小企業には現実的な選択肢になります。 あなたの会社では今、AIツールの利用状況を誰かが把握していますか。ライセンス費の支払いと実際の使用量の間に、まだ誰も見ていない隙間があるとしたら——それはUberと同じ入り口に立っていることになります。 AI導入で新人エージェントの生産性が34%向上、スキルギャップの縮小が明らかに スタンフォード大学とMITが5,000人のコールセンターエージェントを対象に行った研究で、AI導入による新人の生産性向上率が34%に達した。一方、ベテランへの影響は限定的だった。ツールは「エース社員をさらに伸ばす」のではなく、「ボトム層を底上げする」方向に機能した。 出典: Silicon Canals 属人化を排除する手段として、AIが機能し始めています。特定の熟練者が持つ暗黙知をAIが補完することで、経験の浅いメンバーでも一定の成果を出しやすくなります。採用コストや教育期間の削減という観点から見れば、中小企業にとって見逃せない数字です。 MicrosoftがAI実装支援組織「Frontier」を25億ドルで新設、実装支援へ軸を移す Microsoftが6,000人のエンジニアと専門家を擁する新組織「Frontier」を設立した。投資総額は25億ドルで、ロンドン証券取引所グループやユニリーバなど大手企業との連携を早期から確保している。 AWSが10億ドルを投じて現場エンジニアの常駐支援を発表したのは7月1日のことだった。IT大手2社がほぼ同時期に実装支援へ資金を集中させた。 出典: TNW モデルの性能を競う段階から、「現場の業務にどう根付かせるか」を競う段階へ。この移行を、IT大手が合計35億ドル規模の投資で示した格好です。自社の業務フローへのAI組み込みを先送りにしている企業にとって、このタイミングは一つの目安になります。 自律型AIランサムウェアが初観測、AIへのアクセス権限制御が防御の起点に AIエージェントが脆弱性の探索・データベース暗号化・身代金要求の全工程を、人手を介さず自動で実行するランサムウェア攻撃が初めて観測された。 出典: The Hacker News 攻撃の自動化が現実の事例として確認されました。防御側も同じ土俵に立つ必要があります。社内ネットワークへのゼロトラスト導入と、AIへのアクセス権限の最小化が具体的な起点になります。特権アクセスを持つアカウントの棚卸しから始めるだけでも、攻撃の入り口を絞り込む効果が期待できます。 AIチャットボットで問い合わせ対応を自動化しませんか？ 100言語対応・24時間365日稼働。マニュアル・FAQ・製品情報を学習したAIが顧客対応 詳しくはこちら

今日のニュース AWSが現場エンジニア常駐に10億ドル投資。 AI代替職種で若年層の雇用が13パーセント減少。 444個のiOS向けAIアプリ中282個でAPIキー漏洩。 Anthropicがエージェント向けAIモデルを発表。 Amazonの対話型AI経由の購買が従来検索を上回る。 NVIDIA対抗のAIチップ企業の評価額が50億ドルに。 Googleが対話形式の企業向け動画生成AIを公開。 韓国政府がAIチップとロボットに1兆ドル規模を投資。 ピックアップ: AWSが10億ドルで立ち上げた「現場エンジニア常駐」組織の意味 AIを導入しても効果が見えにくい。 ツールの費用だけがかさんでいる。 社内の業務プロセスが変わっていない。 現場の負担が減ったという実感もない。 そんな悩みを抱える経営者は少なくありません。 実はその「詰まり」の正体は、技術の問題ではなく人の問題だったのです。 その解決策をAWSが提示しました。 AWSは2026年6月30日に新組織の設立を発表しました。 顧客のオフィスに自社の技術者を直接常駐させます。 現場でAI導入の壁を取り除くことが最大の目的です。 このプログラムにAWSは10億ドルを投資します。 単なるリモートのサポート窓口ではありません。 顧客の既存システムに深く入り込みます。 散在するデータを繋ぐパイプラインを構築します。 日々の業務フローに合わせてAIを直接実装します。 多くの企業でAIツールの試験導入は完了しています。 しかし日常の業務フローへの統合でつまずいています。 例えば営業の顧客データをAIに分析させたいとします。 データは複数の異なるシステムに分断されています。 さらに書式もバラバラでそのままでは読み込めません。 これを整理するための専任の技術者が社内に不足しています。 結果としてAIツールは使われないまま放置されます。 AWSはこの行き詰まりを解消するための人員を派遣します。 派遣される技術者は顧客のオフィスに直接出向きます。 現場の担当者と机を並べて日々の業務を観察します。 どこに非効率な作業があるかを見つけ出します。 その場でコードを書いてAIと社内システムを接続します。 数週間という短期間で動くシステムを構築します。 リモートの会議だけでは見えない課題を現場で解決します。 泥臭い作業を専門家が担うことで導入が一気に進みます。 これが巨額の投資が狙う具体的な効果です。 この常駐モデルの先駆者はPalantirという企業です。 製造業の現場に自社の技術者を直接送り込みました。 不良品率を下げるなどの具体的な課題を解決しました。 OpenAIもコールセンターに人材を派遣しています。 導入支援に特化した新しい会社も独自に設立しました。 Anthropicも実装支援人材の採用を進めています。 IBMも導入専門のチームを立ち上げて展開中です。 業界の焦点はモデル提供から導入の成功へと移行しました。 IDCの調査ではAI投資の大きなリターンが示されています。 1ドルの投資に対して平均3.70ドルの利益が見込めます。 しかし現場の実態は非常に厳しいものです。 生成AIプロジェクトの大部分が失敗に終わっています。 全体の70から95パーセントが本番稼働に至りません。 社内のデータ不足や利用費用の増加が主な原因です。 概念実証だけで終わる事例が世界中で多発しています。 最新のAIモデルの性能不足が原因ではありません。 顧客側のデータが社内のあちこちに散在しています。 古い既存システムと最新AIの接続も非常に複雑です。 業務の手順が暗黙知になっていることも大きな壁です。 AIモデルに与えるべき情報がまったく整っていません。 リモートの電話サポートではこの課題を解決できません。 だからこそ現場に専門家を直接送り込みます。 現場実装を担う専門人材の求人は800パーセント増加しました。 彼らの総報酬は最高55万ドルに達しています。 日本円で約8000万円という非常に高い水準です。 中小企業が単独でこの人材を採用することは困難です。 大手クラウドの支援モデルは現実的な選択肢になります。 現場に入り込む支援を活用して立ち上げを進めます。 ...

今日のニュース Claude Code導入で生産性が向上しPM需要が拡大 米国の旧態依然とした自動車修理業界へ特化型AIが普及 Googleが計算資源不足でMetaのGemini利用を制限 中国DeepSeekが理想主義を捨て商用化へ転換し資金調達 自律型AIのメモリ消費を抑制し連続稼働コストを低減 オムロンが知財エージェントを内製し特許関連工数を半減 生体データから精神的苦痛を事前検知するAIボットが登場 米Micron株価が上昇し一時Metaの時価総額を突破 国際決済銀行が過熱するAI投資に対し金融危機レベルの警告 ソフトバンク孫氏が電力確保を見据え東京電力へ出資意欲 NotionがAI普及を受けGmailクライアント機能を終了 OpenAIが安全保障戦略と連動しGPT-5.6を限定公開 銀行システム維持のため若手COBOL技術者確保へ高額報酬 テック大手がNvidia一強からの脱却を目指し独自チップ開発 AIエージェントのアクセス権限を監視する新概念が提唱 規制撤廃派の業界がコンプライアンス分断を恐れルール要請 Trustpilotが提携しAI検索向けデータ構造化を推進 AI開発によるコーディング高速化がバグ量産につながる罠 Liquid AIがデータ抽出特化の超小型エッジモデルを発表 Claude Code導入で開発のボトルネックが要件定義へ移行。少人数チームで組織を再編する 「エンジニアが足りない」という悩みは、もう時代遅れになりつつあります。AIの台頭により開発のボトルネックが移行しました。コードの実装力から要件定義の構想力への変化です。コードを書く行為の価値が相対的に下がります。何を作るか決める権限と仕組みづくりが勝負です。 Claude Code導入で生産性が3倍に向上します。 エンジニア一人あたりの開発力が大きく上がります。 企業は新機能を形にするためPMの採用を拡大します。 少人数で高効率なチーム構築が可能になります。 経営層は組織と採用予算を見直す機会になります。 Notionのメール委任やAnthropicの事例があります。 現在のAIは人間の作業を助ける段階を越えました。 自律的に実行管理する領域へ踏み込んでいます。 AnthropicのClaude Codeがその象徴です。 ターミナルに常駐し自律実行ループを採用しました。 計画やコマンド実行から検証までを繰り返します。 ユーザー承認を省く自動モードも備えています。 自動化においてAI自体の意思決定は1.6%です。 残りの98.4%は権限管理など周辺インフラです。 人間が注力するのはコードの記述ではありません。 98.4%の仕組み作りとシステム全体の構想です。 生産性向上の裏には見落とされがちなリスクもあります。 AIツールの導入でコーディング作業は高速化します。 ただ、設計の検討や品質管理体制が伴わなければ、欠陥品を早く出荷するだけになると専門家が指摘します。 自動化を過信する監視体制の破綻です。 AWSの技術的負債検知AIの事例も同様です。 自動化の恩恵とレガシーシステムの清算が同時進行します。 テストの自動化と品質管理の基盤構築が欠かせません。 AIがコードを生成する速度はさらに上がります。 組織が直面するのは構想力を持つ人材の確保です。 品質を担保するインフラ設計も不可欠です。 採用予算と組織図を構想と管理の体制へ転換します。 まずは社内で稼働するAIエージェントの権限を棚卸しします。 不要なアクセス権限を剥奪する見直しを実施します。この一歩が、AIを道具として使いこなす組織と、AIに振り回される組織との分岐点になるはずです。 Claude Code導入でエンジニア生産性が向上 Claude Codeにより開発の生産性が3倍に向上します。 新機能開発のためPMの採用を拡大する企業が増加中です。 VentureBeat 米国自動車修理業界に特化型AIが普及 米国に28万以上ある独立系自動車修理工場が対象です。 旧態依然とした業界へ特化型AIが導入されています。 業界の経済構造が変わり始めています。 TNW Googleが計算資源不足でMetaへのAI提供を制限 Googleが計算資源不足を理由に制限を設けました。 Metaが利用するGeminiへのアクセス枠が対象です。 AI開発競争の裏でインフラの限界が露呈しています。 TNW 中国DeepSeekが理想主義を捨て商用化へ転換 中国のDeepSeekが70億ドルの資金を調達しました。 以前の方針を転換して商用化へ乗り出します。 大規模な採用活動を行い競争へ本格参戦します。 Pandaily ...

今日のニュース Notionがメールアプリ終了。ユーザー半数がAIに処理委任。The Register 65年前のCOBOLシステム維持難航。生成AIのコード移行支援に活路。Silicon Canals フォルクスワーゲンが独工場閉鎖と最大10万人の人員削減を計画。TNW 米政府要請でOpenAIが「GPT-5.6」公開を限定的プレビューへ制限。TechCrunch Liquid AIがパラメータ2.3億の極小モデル発表。特定タスクで大型を凌駕。VentureBeat Mindstoneがタスクごとのモデル自動選択ルーティング機能開発。VentureBeat Atheni AIが導入後の定着化・オンボーディング支援を強化。Tech.eu Mistralが非構造化文書を直接理解する「OCR 4」公開。VentureBeat onsemiが約70億ドルでSynaptics買収。物理世界のエッジAI強化。TNW AI同士が監視し合う次世代認証「ガーディアン・エージェント」浮上。The Hacker News Notionがメールアプリを終了 — SaaSの価値基準が自律性へ移行します Notionが自社のメールアプリの提供を終了します。 利用者の過半数が受信トレイを開かなくなりました。 AIエージェントに処理を委ねているためです。 SaaSの価値基準が人間向けのUIから移り変わり、AI同士の自律的な通信へと向かう分水嶺の出来事です。 先月、AnthropicがSlack向けAIを発表しました。チャットツールにAIが常駐する段階でした。 事態はさらに先へ進んでいます。 人間が画面を見なくなる完全自律化の段階です。 Notion Mailの提供終了は、この変化の表れです。 今の現実：自律化がもたらす明確な実益 AI電子メール市場は高い成長を遂げています。 2025年時点で24億ドル規模と予測されます。 自律型AIは主に3層構造で機能します。 推論を行うLLM層、文脈を抽出するRAG層があります。 そして他ツールを操作するエージェント層です。 受信メールを解釈し、自動で分類や返信を行います。 n8nとGeminiを組み合わせたワークフローがあります。 受信メールをリアルタイムで要約・分類し、Notionなどの別ツールに自動記録します。応答時間は数分に短縮されます。 この技術は人間の作業時間を物理的に削ります。 英Mitie Groupは自動処理で900時間を削減しました。 感覚論ではなく、明確な費用対効果の数字が企業投資を後押しします。 巨大IT企業もこの流れを後押ししています。 GoogleはGmailにGeminiを展開します。 MicrosoftもCopilotを深く統合して市場を牽引します。 既存のインフラとして自律型AIが定着しつつあります。 本質的な変化：単体アプリから機能への溶融 本質的な変化は、単体アプリの消失にあります。 独立系のメールアプリは次々と姿を消しています。 SkiffやAstroも総合ワークスペースに買収されました。 GoogleのInboxも過去に本体へ統合されました。 優れた技術や人材が巨大プラットフォームに吸収される。「アプリ」から「機能」への溶融です。 人間にとって使いやすいUIは第一の価値ではなく、AIエージェント間の自律的な通信能力が重宝されます。 この自律化は特定の技術モデルに依存しません。特定モデルへの過度な依存は事業停止リスクを伴います。 先日解説したShopifyのアーキテクチャとも文脈は繋がります。 Mindstoneのような自動選択基盤も登場しました。 タスクに応じてシステムが裏側のモデルを切り替えます。 ユーザーはツールを意識せずに結果だけを受け取ります。 人間が画面を見ない前提へシステムがシフトする今、人間中心のUI投資は見直しを検討する時期です。 見落としがちな反論：操作速度の追求と監視の仕組み すべての業務が自律化に向かうわけではありません。 Superhumanのような特化型スタートアップも健闘しています。 人間の操作速度を高める独自の価値があります。 機密保護に特化したプライベートLLMの導入も進んでいます。自社のデータを外部に出さない工夫です。 ただ、人間がプロセスから外れることへの不安もあります。 ガバナンス低下への懸念は中小企業にとって切実です。 自律型AIが誤作動を起こすリスクは拭いきれません。 これを補うため、新しい管理手法も浮上しています。 AI同士が相互に監視し合う仕組み、ガーディアン・エージェントです。 過剰な権限付与を防ぎ、行動を監査します。 自律型AIに合わせた監査環境の構築が進んでいます。 ...

生成AIの電力消費を千分の一にする新モデルが登場。自社のクラウド維持コスト削減計画を立てる。 今日のニュース 生成AIの電力消費を千分の一にする非ノイマン型の新モデルが登場 — TNW Shopifyが特定AIモデルへの依存を排除する独自のプロキシ基盤を構築 — VentureBeat OpenAIとBroadcomが推論に特化した専用チップ「Jalapeño」を共同で発表 — OpenAI Blog Ripplingが複数SaaSに散在するデータを統合する管理基盤への進化を宣言 — TechCrunch 導入前のAI音声エージェントをテストする専門企業Covalが約43億円を調達 — TNW 仏Mistralが複雑な非定型帳票を構造化データへ変換する新モデルを公開 — VentureBeat 欧州委員会がAWSとAzureをデジタル市場法の規制対象に指定する方針を表明 — The Register IBMが1000億個のトランジスタを指先サイズに収めるサブ1ナノ技術を発表 — MIT Technology Review 金融業界向けのリスク判定プロセスを自動化するTaktileが約160億円を調達 — TNW ピックアップ: AIの電力消費1000分の1を可能にする新技術と、コスト構造が変わるまでのタイムライン 先月、OracleはAIインフラ投資へのシフトを理由に2万人を削減しました。 FordはEV向け電池工場をAI用蓄電設備へ転換しています。 巨額の資本と物理的なインフラがAIという一点へ集中しています。 このメガトレンドのど真ん中に小さくも鋭い問いが生まれました。 「そもそもAIはこれほど電力を消費する必要があるのか」という疑問です。 今の現実 — 電力という見えない請求書 国際エネルギー機関の予測があります。 2026年までに世界のデータセンターが消費する電力が倍増します。 日本の年間総消費量に匹敵する約1,000TWhに達する見込みです。 数字を少し身近なものに置き換えてみます。 ChatGPTは1回の応答で通常のGoogle検索の約10倍の電力を消費します。 およそ2.9Whの電力を使います。 これは一般家庭の約1万7000世帯分に相当します。 ChatGPT単体が1日でこの電力を使い切る計算です。 その膨大な計算処理を支えるのがNVIDIAのH100です。 このAIチップは1基あたり700Wの電力を消費します。 さらに1基の価格は約550万円と非常に高価です。 クラウド事業者はこの巨額の維持費を負担しています。 そしてそのコストはそのままサービス利用料へ転嫁されます。 企業が毎月AIツールに払う費用の裏側にはこの現実があります。 電力とチップのコストが積み上がって料金を押し上げています。 だからクラウド料金が高いという企業の感覚は間違いではありません。 本質的な変化 — 「計算の仕組み」を根本から変えるアプローチ この状況を打破する新技術が登場しました。 元DatabricksのAI責任者が創業したUnconventional AIです。 同社が画像生成モデル「Un-0」を新たに公開しました。 注目すべきは生成される画像の品質ではありません。 AIを動かす根本的な仕組みが変わった点です。 従来のAIは0と1のデジタル演算を膨大な回数繰り返して結果を出します。 GPUはその繰り返しを猛スピードで処理するための専用装置です。 しかし新モデルのUn-0はその前提を完全に取り払いました。 電圧の振幅ではなく発振器の位相を使って情報を処理します。 回路が物理的に最低エネルギーの状態へ落ち着こうとする現象を利用します。 この自然の物理現象をそのまま計算に活用する仕組みです。 量子コンピュータのような冷却設備などの特殊環境は一切不要です。 標準的な半導体製造プロセスで生産でき室温のまま動作します。 ミネソタ大学らの研究チームも同種の構造で実証結果を出しています。 従来CPUの消費エネルギーを0.52%に抑えつつ99.99%の精度を達成しました。 同社が主張する電力1000分の1という数値はこの構造に基づきます。 単なるソフトウェア上の処理効率化やデータ圧縮ではありません。 計算そのものの原理が異なるため根本的な省電力が可能になります。 ...

今日のニュース OpenAIがBroadcomと共同で推論特化の独自チップを発表しました。 ShopifyがAIモデルをいつでも切り替えられるプロキシ基盤を構築しました。 カスタマーサービスにAIを導入した企業の7割が60日以内に投資対効果を実感しています。 QualcommがAIソフトウェア企業Modularを買収すると発表しました。 Figmaがデザインキャンバス上でコードを直接扱える機能を追加しました。 MoEngageが顧客1人ひとりに専用AIを配置するためAampeを買収しました。 Mistralが170言語に対応した文書構造化ツールOCR 4を発表しました。 公式審査をすり抜けた偽のAIスキルが多数のエージェントに組み込まれました。 Shopifyの非依存アーキテクチャに学ぶシステム設計 先日の記事では、AWSの技術的負債を検知するAIなどを紹介しました。 共通するテーマは「構築したシステムをいかに陳腐化させずに維持するか」です。 今回のShopifyとOpenAIのニュースは、まさにその最前線にあります。 数百万円のシステムが数週間で古くなる現実 AIツールに投資した経営者からこんな声を聞きます。 「費用に見合う効果がわからない」 「契約を更新した直後に優れたモデルが出た」 感覚論ではない。 GPT-4相当の処理コストは2022年に100万トークンで20ドルでした。それが2025年末には0.40ドルまで下がっています。 年間で約10倍のペースで単価が落ちている計算だ。 問題はコストが下がること自体ではありません。 特定のモデルに依存した状態で安価な選択肢が出たとき、乗り換えの自由がないことです。 インフラの主役が変わりつつある OpenAIが発表した独自チップ「Jalapeño」は象徴的です。 Broadcomと共同開発されたこのチップは推論に特化しています。 AIが次世代ハードウェアを設計するサイクルが始まっています。 OpenAIだけではない。GoogleやAmazon、Metaも専用チップを展開しています。 調査によるとクラウド大手の設備投資は増加傾向で、汎用GPUから推論特化の専用チップへの移行が進んでいます。 大手各社が相次いで動くほど、市場の変化は速い。 勝者が決まる前に依存するリスクを避ける インフラの主役はまだ決まっていません。 OpenAIのチップが市場を変える可能性もある。ソフトウェア層が台頭するかもしれない。新興企業が半導体の製造工程を変えることも十分あり得る。 今の段階で特定のインフラに依存するのはリスクが高い。 Shopifyの「LLMプロキシ」は一つの答えです。 複数のAIへの接続口を一元化する設計で、モデルの良し悪しでベンダーをいつでも切り替えられます。 特定のAI会社の存亡に自社の業務を委ねないという方針です。 LLM運用費用の多くは推論処理が占めます。 安価なインフラが出たとき即座に切り替えられるか。そこに数年後の競争力の差が出る。 蓄積した知見とデータは自社の固有資産です。 インフラ層を柔軟に差し替える設計があってこそ、その資産は生きます。 自社のAI活用が特定のベンダーと結びついていないか、Shopifyの事例を参照しながら棚卸しする機会にしてください。 各ニュース詳細 カスタマーサポートAIを導入した企業の70%が60日以内に投資回収を実感 カスタマーサービスにAIエージェントを導入した企業の70%が、60日以内に投資対効果を実感したと報告されています。 問題を解決した場合にのみ課金される成果報酬型のモデルが普及しています。 導入時の初期費用リスクが下がり、試験的な導入から始めやすい環境が整っています。 出典: ZDNet QualcommがAIチップ向けソフトウェア企業Modularを買収 QualcommがシリコンバレーのAIスタートアップModularを買収すると発表しました。 開発者が異なるチップごとにコードを書き直すことなくAIソフトウェアを実行できる言語を提供しています。 出典: Wired GPT-5 Proが免疫学者と協力し3年来の未解決問題を解明 免疫学者がGPT-5 Proを活用し、T細胞の挙動に関する3年間未解決だった医学の謎を解明しました。 AIは文献の整理にとどまらず、専門家レベルの仮説構築に貢献したとされています。 高度な推論と人間の専門知識を組み合わせた協調的な研究の実例です。 出典: OpenAI Blog FigmaがデザインキャンバスへのコードレイヤーとカスタムAI環境を追加 Figmaは年次カンファレンスで、デザインキャンバス上でコードを直接扱える機能を発表しました。 ユーザーが自社のワークフロー向けに独自のAIプラグインを構築できる環境の提供も開始しています。 デザインツールと開発環境の統合が進んでいます。 出典: The Verge MoEngageがAampeを買収し顧客ごとの専用AIエージェント配置へ移行 カスタマーエンゲージメント企業のMoEngageが、AIスタートアップのAampeを買収しました。 従来のセグメント分けに基づく手法から、顧客1人ひとりに自律型AIを割り当てる手法への移行を目指します。 出典: Silicon Canals ...