コンテキスト（LLM技術）に関するニュース一覧

Googleは2026年4月20日、ChromeブラウザのAI機能「Gemini in Chrome」をアジア太平洋地域に拡大すると発表しました。対象国はオーストラリア、インドネシア、日本、フィリピン、シンガポール、韓国、ベトナムの7カ国で、デスクトップ版とiOS版のユーザーが利用可能です。ただし日本ではiOS版は対象外となっています。

Gemini in Chromeはパーソナライズされたブラウジングアシスタントとして機能し、長文コンテンツの要約や複数タブにまたがる情報の比較が可能です。さらにGoogleの主要アプリと深く統合されており、Googleカレンダーでの会議スケジュール設定、Googleマップでの場所確認、Gmailでのメール作成・送信、YouTubeの動画に関する質問など、閲覧中のページを離れることなく操作できます。

新たに搭載されたNano Banana 2機能では、Gemini in Chromeのサイドパネルでテキストプロンプトを入力することにより、ウェブ上の画像を変換できます。またPersonal Intelligence機能により、過去の会話コンテキストを記憶し、ウェブ閲覧全体を通じてユーザーに最適化された回答を提供します。

セキュリティ面では、設計段階からの安全性確保を重視しています。AIモデルはプロンプトインジェクションなどの既知の脅威を認識するよう訓練されており、機密性の高い操作を実行する前にユーザーへ確認を求めるセーフガードが組み込まれています。ユーザーが常に操作の主導権を握れる設計となっています。

Googleは2026年4月16日、Chrome デスクトップ版のAI Modeに、リンク先のウェブページをAI Modeと並列表示する新機能を追加したと発表しました。従来はAI Modeでリンクをクリックすると別タブが開き、検索の文脈が途切れていましたが、今回のアップデートにより同一画面内でウェブサイトとAI対話を同時に利用できるようになります。

たとえばコーヒーメーカーを探す際、AI Modeで条件を伝えて候補を表示させ、気になった商品のリンクをクリックすると、小売サイトが右側に表示されます。そのまま左側のAI Modeで「手入れのしやすさ」などを質問でき、ページの内容とウェブ全体の情報を組み合わせた回答が得られます。早期テスターからは、タブ切り替えの手間がなくなり作業に集中できると好評だったとGoogleは説明しています。

もう一つの大きな変更点は、開いている複数のタブを横断して検索できる機能です。Chrome デスクトップ・モバイルの検索ボックスやAI Mode内の「+」メニューから、最近のタブを選択して検索コンテキストに追加できます。タブだけでなく画像やPDFも同時に添付でき、複数の情報源を組み合わせた質問が可能になりました。

一方でWIREDは、この機能がユーザーをGoogle のAIツール内に長時間留める設計であると指摘しています。AI Modeで最も多くリンクされるサイトはGoogle.com自体であるとの調査もあり、ウェブサイトへのトラフィック減少を懸念するパブリッシャーの声は引き続き存在します。今回のアップデートは現時点で米国のみで提供され、他地域への展開は近日中に予定されています。

CiscoのOutshift部門でSVP兼GMを務めるVijoy Pandey氏が、AIエージェントの次の課題は「共に考える」能力だと提唱しました。同氏はVentureBeatのポッドキャストで、現在のAIエージェントはワークフローで接続できても意味的な整合性や共有コンテキストを持たず、毎回ゼロから作業していると指摘。この課題を解決する「認知のインターネット」という構想を発表しています。

Pandey氏のチームは3つの新プロトコルを開発しています。Semantic State Transfer Protocol（SSTP）は言語レベルで意味的な通信を解析し、適切なツールやタスクを推論します。MITとの共同研究「Ripple Effect Protocol」も関連成果として発表されています。Latent Space Transfer Protocol（LSTP）は、トークン化のオーバーヘッドを回避し、KVキャッシュごと潜在空間を直接転送する仕組みです。

Compressed State Transfer Protocol（CSTP）は、対象となる情報のみを選別し残りを圧縮する方式で、大量の状態情報を正確に送る必要があるエッジ環境に適しています。これら3つのプロトコルに加え、認知状態を同期する「ファブリック」とガードレールを提供する「認知エンジン」の3層構造で分散型超知能の実現を目指しています。

一方、Ciscoでは既存のAI技術で具体的な成果も出ています。サイト信頼性エンジニアリング（SRE）チームでは、CI/CDパイプラインやKubernetesクラスタのデプロイなど10以上のワークフローを自動化しました。20以上のエージェントがMCPを介して100以上のツールにアクセスし、デプロイ時間を数時間から数秒に短縮しています。

Pandey氏は、大規模ネットワークにおけるエラー検出能力を10%から100%に引き上げた事例も紹介しました。同時に「AIは道具であり、新しいハンマーを手にしたからといって釘を探し回るべきではない」と述べ、決定論的なコードとAIの適切な組み合わせが重要だと強調しています。また、この「認知のインターネット」はオープンで相互運用可能な取り組みであるべきだとし、オープンソースプロジェクトAgntcyでエージェントの発見やアクセス管理、監視、評価の機能を公開しています。

LangChainの共同創業者Harrison Chase氏は2026年4月11日、ブログ記事「Your harness, your memory」を公開し、エージェントハーネス(エージェント実行基盤)とメモリが本質的に不可分であると主張しました。クローズドなハーネスを使うことは、メモリの制御権を第三者に委ねることであり、開発者にとって深刻なリスクになると警鐘を鳴らしています。

Chase氏はLetta CTOのSarah Wooders氏の論考を引用し、メモリはハーネスに後付けする「プラグイン」ではなく、コンテキスト管理そのものがメモリの基盤だと述べています。会話履歴の保持、コンパクション時の情報取捨選択、長期記憶の更新と参照など、すべてハーネスが担う責務だという考えです。

記事ではクローズド基盤のリスクを3段階で整理しています。最も軽度なケースは、OpenAIやAnthropicのステートフルAPIにセッション状態を保存すること。モデル切替時にスレッドの継続ができなくなります。最悪のケースでは、長期メモリを含むハーネス全体がAPI背後に隠され、開発者がメモリの所有権も可視性も失うとしています。

Chase氏は、モデルプロバイダーがメモリによるロックインを意図的に推進していると指摘します。AnthropicのManaged AgentsやOpenAIのCodexが生成する暗号化コンパクション要約など、エコシステム外で利用できない仕組みが具体例として挙げられています。

この問題への解決策として、LangChainはオープンソースのエージェントハーネスDeep Agentsを提案しています。モデル非依存で、agents.mdやskillsといったオープン標準を採用し、MongoDB・PostgreSQL・Redisなど任意のデータベースをメモリストアとして接続できます。開発者が自らのメモリを所有し、ベンダーに依存しないエージェント開発を可能にする設計です。

GitHubは2026年4月10日、ターミナルから直接AIコーディングアシスタントを利用できるGitHub Copilot CLIの初心者向けチュートリアルシリーズを公式ブログで公開しました。同ツールはnpmコマンドでインストールでき、GitHubアカウントで認証後すぐに利用を開始できます。

Copilot CLIの最大の特徴は、エージェント型AIの能力をターミナルに持ち込む点にあります。コードのビルドやテストの実行を自律的に行い、エラーが発生した場合も人間のプロンプトなしに自己修正できます。開発者はタスクをCopilotに任せ、別の作業に集中した後で結果をレビューするというワークフローが可能です。

具体的な活用例として、プロジェクト全体の概要把握、新しいエンドポイントの追加、さらにはクラウドエージェントへのタスク委任が紹介されています。委任機能では、CLIのコンテキストを保持したまま新しいブランチの作成やドラフトプルリクエストの作成がバックグラウンドで実行されます。

今後のシリーズでは、対話モードと非対話モードの使い分け、スラッシュコマンド、MCPサーバーとの連携など、より高度な活用法が順次解説される予定です。開発ワークフローを中断せずにAIを活用したい開発者にとって、有用なリソースとなりそうです。

Vercelは2026年4月9日、最高プロダクト責任者トム・オッキーノ氏のブログで「自律型基盤（Agentic Infrastructure）」構想を発表しました。過去3カ月で同社の週次デプロイ数は倍増し、全体の30%超をコーディングエージェントが開始しており、半年前と比べ1000%の伸びを示しています。開発の主役が人から機械へ移る転換点で、クラウド基盤の再定義を迫る内容です。

内訳ではClaude Codeが全体の75%を占め、LovableとV0が6%、Cursorが1.5%と続きました。エージェント経由で展開されたプロジェクトは、人間が展開したものに比べてAI推論プロバイダーを20倍呼び出す傾向があると同社は指摘します。書くのも動かすのもAIという構造が、運用の常識を崩しはじめています。

オッキーノ氏は新基盤を三層で捉え直しました。第一にコーディング代理が展開する先としての基盤で、即時プレビューURLやロールバック、CLI・API・MCPサーバーを通じ人手を介さない機械駆動開発を可能にします。第二にエージェント自体を構築・実行する基盤で、長時間実行や多段階制御など従来のサーバーレスとは異なる要件に応えます。

第二層の中核は、AI SDK 6のエージェント抽象化、数百モデルを束ねるAI Gateway、遅延と並行性に最適化したFluid compute、状態保持のWorkflowsとQueues、未検証コード向けSandbox、そして挙動追跡のObservabilityです。これらを共有コンテキストの下に束ねる点が特徴です。

第三層は基盤そのものが自律的に振る舞う段階を指します。遅延急増やモデル提供者の障害発生時に、プラットフォームが観測データとログとソースコードを自ら参照し、根本原因を分析し、サンドボックス内で修正案を検証します。現時点では人間の承認を前提としつつ、文脈の蓄積により運用負担を段階的に引き受ける方針です。

オッキーノ氏は「クラウドの歴史は機械から人を取り除く歴史」と総括し、ソフトウェアが自ら書き、出荷し、癒やす時代に備える基盤こそが次の十年の勝者を決めると結びました。経営者や開発リーダーにとって、エージェント前提の運用設計をいつどのように取り込むかが問われる局面です。

LangChainは2026年4月9日、AIエージェントを継続的に改善するための人間判断の組み込み方を解説する技術ガイドを公開しました。社内に眠る暗黙知をどう吸い上げ、ワークフロー設計やツール定義、コンテキスト構築に反映するかを、金融トレーダー向けコパイロットを架空の題材として段階的に示した内容です。エージェントの実装前後で専門家をどう巻き込むかに焦点を当てています。

記事はまず、エージェントが優れた成果を出すには、文書化された知識だけでなく従業員の頭の中にあるタシットナレッジが不可欠だと指摘します。架空のトレーダー向けコパイロットでは、「本日のエクスポージャー」など業界独自の言い回しや、どのテーブルが正となるかといった実務知識を把握しなければ、SQL生成の自動化は成立しないといいます。こうした暗黙知を引き出すには、関連する業務部門との対話を避けて通れないとしています。

エージェント構築では、ワークフロー設計・ツール設計・コンテキスト設計の3要素それぞれに人間の判断が必要だと整理します。リスクやコンプライアンスが関わる処理はコードで厳格に制御し、ツールは汎用SQL実行と定型クエリを使い分けて柔軟性と安全性を両立させます。さらに、ドキュメントや事例を事前に整えて実行時に取得させる「コンテキストエンジニアリング」が、最近の主流だと位置付けています。

改善サイクルで鍵になるのが、人手レビューに頼らず自動評価と人間判断を整合させる考え方です。LangChainは自社のLangSmithが備えるAlign Evaluator機能を使えば、専門家のフィードバックをもとにLLM-as-a-judge型の評価器を調整できると説明します。開発段階では少数のデータセットから出発し、手動テストで得た興味深い事例を継続的に追加することで、評価スイートを自然に拡充できるとしています。

本番稼働後は、トレースを全て収集した上でオンライン評価とアラート、アノテーションキューを組み合わせる運用が推奨されています。負のスコアが出た会話は自動で専門家に回し、評価器自体の調整にもつなげます。さらに、トレースデータから会話パターンを自動抽出する「Insights Agent」を活用すれば、想定外の利用シーンを発見しやすくなるといいます。

最終段階では、本番データを精選して次世代テストスイートとゴールデンデータセットを整備し、次バージョンの品質基準とします。LangChainは「ヒトの専門性が『良い』の定義を与え、自動評価がそれを大規模に適用する」と総括し、この反復こそがビジネス価値を生むエージェントを育てる唯一の道だと結んでいます。

Atlassianは2026年4月8日、コンテンツ協業ツールConfluenceに視覚AIツール「Remix」と3種類のサードパーティ製AIエージェントを導入すると発表しました。Confluenceに蓄積されたデータや情報を、追加のソフトウェアを開くことなくチャートやグラフィックスへ変換できるようになります。

Remixはオープンベータとして提供が始まり、対象データに最適な視覚フォーマットをAIが自動で推薦する仕組みです。ユーザーは手動でのフォーマット選定や外部ツールとの切り替えから解放され、情報の可視化にかかる時間を大幅に短縮できます。

新たに追加される3つのエージェントは、いずれもMCP（モデルコンテキストプロトコル）を通じてConfluence内で動作します。バイブコーディングツールLovableと連携して製品アイデアを動作するプロトタイプに変換するエージェント、Replitと接続して技術文書をスターターアプリに転換するエージェント、そしてAIプレゼン作成ツールGammaでスライドを自動生成するエージェントの3種類です。

この動きは、AI機能を新たな専用プラットフォームとして提供するのではなく、既存の業務ツールに直接組み込む業界トレンドに沿ったものです。Atlassianは2026年2月にもプロジェクト管理ツールJiraにAIエージェントを追加しており、SalesforceやOpenAIも同様のアプローチを進めています。

Atlassianのチームワークコラボレーション担当SVPサンチャン・サクセナ氏は「1つのページが次のアクションの出発点になる」と述べています。リーダーへの報告資料、開発者向けプロトタイプ、顧客向けウォークスルーのすべてを同一の情報源から生成できる点が、今回の機能群の本質的な価値といえるでしょう。

Amazon Web Services（AWS）は、オブジェクトストレージS3のバケットをAIエージェントのローカル環境に直接マウントできる新機能「S3 Files」を発表しました。コマンド1つでS3上のデータをファイルシステムとして利用でき、データの移行や複製は不要です。すでに主要なAWSリージョンで利用可能となっています。

従来、S3はAPIベースのオブジェクトストレージであり、ファイルパスやディレクトリといったファイルシステムの概念を持ちませんでした。AIエージェントはローカルのファイル操作ツールに依存するため、S3上のデータを使うにはダウンロードが必要でした。しかし、エージェントのコンテキストウィンドウが圧縮されるとセッション状態が失われ、ダウンロード済みファイルの情報も消えてしまうという問題がありました。

S3 Filesは、AWSのElastic File System（EFS）技術をS3に直結させ、完全なファイルシステムセマンティクスを提供します。従来のFUSE（Filesystems in USErspace）方式とは異なり、ファイルAPIとS3オブジェクトAPIの両方から同一データに同時アクセスできます。AWSのVP兼ディスティングイッシュドエンジニアのAndy Warfield氏は、社内でKiroやClaude Codeを使う際にもこの課題が発生していたと明かしています。

マルチエージェント環境では、数千のコンピュートリソースが同一のS3ファイルシステムに同時接続でき、読み取りスループットは毎秒テラバイト級に達するとAWSは説明しています。エージェント間の状態共有は、サブディレクトリやノートファイルといった標準的なファイルシステム規約で実現されます。

アナリストからの評価も高く、GartnerのJeff Vogel氏は「S3 Filesはオブジェクトとファイルストレージ間のデータ移動を排除し、データコピーなしで共有の低遅延ワークスペースに変える」と指摘しています。IDCのDave McCarthy氏は「エクサバイト級のバケットをローカルドライブのように扱える」と述べ、エージェントの自律的な運用速度を大幅に向上させると評価しました。

NeuBird AIは2026年4月6日、AIエージェントによるインフラ障害の予防・検知・修復を自動化する次世代プラットフォーム「Falcon」を発表しました。同時に1930万ドル（約29億円）の資金調達も公表しています。従来の「インシデント対応」から「インシデント回避」への転換を掲げ、SREやDevOpsチームの運用を事後対応型から予測型へ移行させることを目指します。

同社の調査レポートによると、経営層の74%がAIによるインシデント管理を実施していると考える一方、現場エンジニアでそう認識しているのはわずか39%にとどまります。エンジニアリングチームは平均して業務時間の40%をインシデント管理に費やしており、83%の組織でアラートが無視される事態も発生しています。44%の企業が過去1年間に、抑制されたアラートに起因する障害を経験しました。

Falconは前世代の「Hawkeye」と比較して3倍の速度を実現し、信頼度スコアは平均92%に達しています。最大の特徴は72時間先までの障害予測機能で、24時間以内の予測精度はさらに高くなります。Advanced Context Mapと呼ばれるリアルタイムの依存関係可視化機能により、障害の影響範囲を即座に把握できます。また、CLIベースのデスクトップモードを搭載し、Claude Codeなどのコーディングエージェントとの連携も可能です。

セキュリティ面では、LLMがデータに直接アクセスしない「コンテキストエンジニアリング」方式を採用しています。NeuBird AIがデータアクセスのゲートウェイとなることで、モデル非依存のアーキテクチャを実現しました。さらに、熟練エンジニアの暗黙知をスキルとして体系化する「FalconClaw」も同時発表され、15のスキルを搭載したテクニカルプレビューが公開されています。

資金調達はTemasek傘下のXora Innovationが主導し、Mayfield、M12、StepStone Group、Prosperity7 Venturesが参加しました。累計調達額は約6400万ドルに達しています。創業者のGou RaoとVinod Jayaramanは、Pure Storageに買収されたPortworxやDellに買収されたOcarina Networksの共同創業者であり、その実績が投資家の信頼を集めています。

AIエージェントが急速に実用段階へ移行しています。VentureBeatの分析記事では、OpenClawやClaude Cowork、Google Antigravityといった主要エージェントが比較され、LangChainのブログではエージェントの継続学習に関する新たなフレームワークが提示されました。自律的に行動するAIが日常業務に浸透する一方、リスク管理と学習の仕組みが重要な論点となっています。

OpenClawはオープンソースでGitHub星15万超を短期間で達成し、ローカル環境での深いシステムアクセスを特徴とします。一方、AnthropicのClaude Coworkは法務や財務など特定ドメインに強みを持ち、契約書レビューやNDAの自動処理を実現しています。Google Antigravityはコーディングに特化し、プロンプトから本番環境までを一貫して支援します。

エージェントの能力を最大化するには、より大きな権限の付与が必要ですが、それは誤動作やデータ漏洩のリスクも拡大させます。オープンソースのOpenClawには中央管理者が存在せず、ガバナンスの課題が顕著です。責任あるAIの原則に基づくログ記録や人間による確認が不可欠だと指摘されています。

LangChainのHarrison Chase氏は、エージェントの継続学習をモデル層・ハーネス層・コンテキスト層の3階層で整理する枠組みを提唱しました。モデル層ではSFTや強化学習による重み更新が行われますが、壊滅的忘却という課題があります。ハーネス層ではエージェント駆動コードの最適化が進み、Meta-Harnessのようなエンドツーエンドの改善手法も登場しています。

コンテキスト層の学習は最も実用的で、ユーザーやチーム単位での記憶の蓄積と更新が可能です。OpenClawの「dreaming」機能やClaude CodeのCLAUDE.mdファイルがその具体例です。これら3層すべてにおいて、エージェントの実行トレースがデータ基盤となっており、トレースの収集と活用が今後の学習改善の鍵を握ります。

GitHubは、プルリクエストの「Files changed」タブにおける差分行の描画パフォーマンスを大幅に改善したことを発表しました。大規模なプルリクエストでは、JavaScriptヒープが1GBを超え、DOMノード数が40万以上に達するなど深刻な性能問題が発生していました。

従来のv1アーキテクチャでは、1つの差分行あたり最大15個のDOM要素、13個のReactコンポーネント、20以上のイベントハンドラが必要でした。新しいv2では、コンポーネント数を74%削減し、メモリ使用量を約50%低減することに成功しています。

主な改善策として、統合ビューと分割ビューにそれぞれ専用コンポーネントを設け、コメント機能やコンテキストメニューの状態を条件付き子コンポーネントへ移動しました。データアクセスもJavaScript Mapを活用したO(1)の定数時間ルックアップに変更しています。

さらに、1万行を超える巨大なプルリクエストにはTanStack Virtualを導入し、ウィンドウ仮想化を実装しました。これにより、p95以上の大規模PRでJSヒープとDOMノードが10分の1に削減され、INPは275〜700ms超から40〜80msへと劇的に改善されています。

加えて、重いCSSセレクタの置き換え、GPU変換によるドラッグ処理の最適化、サーバーサイドでの可視行のみのハイドレーションなど複合的な最適化も実施しました。プログレッシブ差分読み込みにより、ユーザーは全データの読み込み完了を待たずに操作を開始できるようになっています。

2026年3月31日、Anthropicがnpmパッケージ「claude-code」バージョン2.1.88に59.8MBのソースマップファイルを誤って同梱し、51万2000行のTypeScriptソースコードが流出しました。セキュリティ研究者が同日UTC4時23分頃にX上で公開し、数時間でGitHubのミラーリポジトリに拡散しました。

流出したコードには、Claude Codeの完全な権限モデル、40以上のツールスキーマ、2500行のbashセキュリティ検証ロジック、44件の未公開機能フラグが含まれていました。Anthropicは人為的なパッケージングミスと認め、顧客データやモデル重みの流出はないと説明しています。

セキュリティ企業Straikerの分析により、3つの実用的な攻撃経路が特定されました。第一にCLAUDE.mdファイルを通じたコンテキスト汚染、第二にシェルパーサー間の差異を突いたサンドボックス回避、第三にこれらを組み合わせた協調型エージェント操作です。モデルを脱獄させるのではなく、正当な指示と誤認させる手法が問題視されています。

Gartnerは同日のレポートで、Anthropicの製品力と運用規律の乖離を指摘し、AIコーディングツールベンダーにSLA・稼働実績・インシデント対応方針の公開を求めるべきだと提言しました。5日前にも未発表モデル「Claude Mythos」関連の情報漏洩があり、3月の一連のインシデントを構造的問題と評価しています。

企業のセキュリティ責任者が今週取るべき対策として、クローンリポジトリ内のCLAUDE.mdと設定ファイルの監査、MCPサーバーのバージョン固定と変更監視、bash権限ルールの制限とコミット前のシークレットスキャン導入、ベンダー切替を30日以内に可能にする設計、AI支援コードの出所検証の5項目が挙げられています。

GitHubは2026年4月、Copilot CLIに複数のAIエージェントを同時に動かせるスラッシュコマンド「/fleet」を公開しました。従来の逐次処理から並列処理へ移行し、開発作業の効率化を図ります。

/fleetを実行すると、裏側のオーケストレーターがタスクを独立した作業単位に分解します。依存関係のない項目はサブエージェントとして同時にディスパッチされ、依存関係のある項目は順序を守って実行されます。各サブエージェントは専用のコンテキストウィンドウを持ちますが、ファイルシステムは共有します。

効果的に使うには、プロンプトで成果物をファイル単位で明示することが重要です。曖昧な指示では並列化が進まず逐次実行になります。ドキュメント作成やAPI・UI・テストなど、独立した作業領域を持つタスクで特に威力を発揮します。

依存関係がある場合は明示的に宣言することで、オーケストレーターが適切に直列・並列の判断を行います。また.github/agents/ディレクトリにカスタムエージェントを定義すれば、タスクごとに異なるモデルやツールを指定できます。

注意点として、サブエージェント間にはファイルロック機構がありません。同一ファイルに複数エージェントが書き込むと、最後の書き込みが無警告で上書きします。対策として、エージェントごとに担当ファイルを分離するか、一時ファイルに書き出して最後に統合する設計が推奨されています。

清華大学とZ.aiの研究チームは、スパース注意機構の冗長計算を最大75%削減する新技術IndexCacheを発表しました。20万トークンの長文コンテキストにおいて、最初のトークン生成までの時間を最大1.82倍、生成スループットを1.48倍高速化する成果を示しています。

大規模言語モデルの自己注意機構は、文脈長に対して二乗の計算量が必要となり、長文処理のボトルネックとなっていました。DeepSeek Sparse Attention（DSA）はコア注意の計算量を線形に削減しましたが、各層のインデクサモジュール自体が依然として二乗計算を行っており、長文になるほど処理時間が急増する問題が残っていました。

研究チームは、DSAモデルにおいて隣接するトランスフォーマー層間でインデクサが選択するトークンの70〜100%が共通であることを発見しました。この冗長性を活用し、少数の「F層」でのみインデクサを実行して結果をキャッシュし、残りの「S層」ではキャッシュを再利用する手法を開発しました。

GLM-4.7 Flash（300億パラメータ）での実験では、75%のインデクサを削除してもプリフィル遅延が19.5秒から10.7秒に短縮されました。推論品質も維持され、長文ベンチマークでは原版とほぼ同等のスコアを記録しています。7440億パラメータのGLM-5でも10万トークン超で1.3倍以上の高速化が確認されました。

企業導入においては、RAGや文書分析、エージェントパイプラインなどの長文処理で約20%のコスト削減が見込まれます。vLLMやSGLang向けのオープンソースパッチがGitHubで公開されており、既存の推論基盤に最小限の設定変更で統合可能です。研究チームは、将来のモデル設計において推論効率が設計段階から考慮される方向性を示唆しています。

Googleは2026年3月のGemini Dropで、AIアシスタント「Gemini」の大型アップデートを発表しました。他社AIからのチャット履歴移行機能や、個人情報に基づくパーソナライズ機能の無料化など、AI体験の統合と底上げを図る内容です。

Personal Intelligence機能が米国の全Geminiユーザーに無料開放されました。Gmail、Photos、YouTubeと連携することで、Geminiが利用者の情報を横断的に理解し、旅行計画やプロジェクト管理など実用的な提案を行えるようになります。

エンターテインメント領域では、Google TVにGemini搭載のビジュアル回答機能とナレーション付き深掘り機能が追加されました。テレビ画面上でAIと対話的にコンテンツを探索できる、これまでで最もインタラクティブな体験を提供します。

音楽生成モデルLyria 3 Proも新たに公開されました。最長3分の楽曲を作成でき、サブスクリプション利用者は写真やアイデアから歌詞付きの高品質楽曲を生成できます。クリエイター向けツールとしての実用性が大きく向上しています。

音声対話機能Gemini Liveはバージョン3.1に刷新され、応答速度が向上するとともにコンテキスト保持量が従来の2倍に拡大しました。繰り返し説明する必要がなくなり、より自然で直感的な対話が可能になります。

LangChainは、AIエージェントの中核ループをカスタマイズできる「AgentMiddleware」機構を公開しました。モデル呼び出しの前後やツール実行時にフックを挿入し、業務固有のロジックを組み込めます。

ミドルウェアはコンポーザブル設計で、PII検出・動的ツール選択・コンテキスト要約・リトライ制御など主要パターンが標準搭載されています。開発者はAgentMiddlewareクラスを継承し、独自のビジネスロジックも追加できます。

同社のDeep Agentsはこのミドルウェア基盤上に構築されたオープンソースのエージェントハーネスです。ファイルシステム管理・サブエージェント・要約・スキル開示など複数のミドルウェアを組み合わせ、本番運用に耐える構成を実現しています。

Deep Agentsの品質管理では、大量のベンチマークを闇雲に追加するのではなく、本番で重要な行動を特定し、それを検証可能な形で計測する標的型evalを設計しています。正確性に加え、ステップ比率・ツール呼び出し比率・遅延比率・解決速度の多軸で効率性も評価します。

評価データは自社のドッグフーディングやTerminal Bench・BFCLなど外部ベンチマークから厳選し、各evalにカテゴリタグと目的を明記しています。全実行トレースをLangSmithに記録することで、チーム全体での障害分析と継続的改善を可能にしています。

Oracleは2026年3月24日、エージェント型AIの本番運用を支える「Oracle AI Database」の新機能群を発表しました。ベクトル・JSON・グラフ・リレーショナルなど6種のデータを単一エンジンで処理する統合基盤を提供します。

中核となるUnified Memory Coreは、従来バラバラのシステムに分散していたデータ形式を1つのACIDトランザクションエンジンに統合します。同期パイプラインが不要になり、エージェントが参照するコンテキストの鮮度と一貫性を保てる設計です。

Vectors on Iceは、Apache Icebergテーブルに対しデータベース内でベクトルインデックスを自動生成する機能です。DatabricksやSnowflakeが管理するIcebergデータとリレーショナルデータを単一クエリで横断検索できます。

アナリストの評価は分かれています。Constellation Researchは統合アーキテクチャの優位性を認める一方、HyperFRAME Researchはベクトル検索やIceberg対応は業界標準になりつつあり、「AIデータベース」は既存戦略のリブランディングに過ぎないと指摘します。

企業のエージェント導入がデータ層で停滞している現状は広く認識されています。アクセス制御・ガバナンス・レイテンシの課題をDB側で解決するOracleのアプローチが、分散データ環境全体に拡張できるかが今後の焦点となります。

Google Researchは2026年3月25日、大規模言語モデルの推論時に肥大化するKVキャッシュを極限まで圧縮するアルゴリズム群「TurboQuant」を公開しました。メモリ使用量を平均6分の1に削減し、注意計算の性能を8倍に高めることで、企業の推論コストを50%以上削減できる可能性があります。

TurboQuantは二段階の数学的手法で構成されています。第一段階のPolarQuantはベクトルを極座標に変換し、ランダム回転後の角度分布が予測可能になる性質を利用して、従来必要だった正規化定数のオーバーヘッドを排除します。第二段階では1ビットのQJL変換が残留誤差をゼロバイアスで補正し、圧縮後も統計的に同等の注意スコアを維持します。

10万トークンの「Needle-in-a-Haystack」ベンチマークでは、Llama-3.1-8BやMistral-7Bで非圧縮モデルと同等の完全な再現率を達成しました。コミュニティでも即座に検証が進み、MLXへの移植テストでは2.5ビット量子化でKVキャッシュを約5分の1に削減しつつ精度劣化ゼロが確認されています。

発表後、MicronやWestern Digitalなどメモリ半導体大手の株価に下落傾向が見られました。ソフトウェアだけでメモリ需要を6分の1にできるとの見方が市場に広がった形ですが、効率化が利用拡大を招くジェヴォンズのパラドックスを指摘する声もあります。Cloudflare CEOは「GoogleのDeepSeekモーメント」と評しました。

企業にとっての最大の利点は、再学習なしで既存の微調整済みモデルにそのまま適用できる点です。推論サーバーのGPU台数削減、長文コンテキストのRAG活用拡大、オンプレミスでの大規模モデル運用が現実的になります。ただし現時点では研究段階であり、トレーニング時のメモリ問題は対象外である点には留意が必要です。

GitHubは2026年4月24日より、Copilot Free、Pro、Pro+ユーザーの操作データをAIモデルの学習に活用する方針を発表しました。対象データには入出力、コード断片、関連コンテキストが含まれ、ユーザーはオプトアウトにより学習利用を拒否できます。

収集対象となるデータは、ユーザーが受け入れまたは修正した出力、Copilotに送信された入力やコード断片、カーソル周辺のコードコンテキスト、コメントやドキュメント、ファイル名やリポジトリ構造、Copilot機能との操作履歴、提案に対するフィードバックなど多岐にわたります。

Copilot BusinessおよびEnterprise、企業所有リポジトリのデータは対象外です。また、オプトアウト済みユーザーのデータも学習に使用されません。プライベートリポジトリの保存データは対象外ですが、Copilot利用中に処理されるデータはオプトアウトしない限り学習に使われる可能性があります。

GitHubはこの方針の背景として、Microsoft社員の操作データを学習に取り入れた結果、複数言語での提案受入率が向上したことを挙げています。実際の開発ワークフローから得られるデータにより、より正確で安全なコードパターンの提案やバグの早期発見が可能になるとしています。

収集データはMicrosoftを含むGitHub関連会社と共有される一方、サードパーティのAIモデルプロバイダーや独立したサービス事業者には提供されません。以前にデータ収集をオプトアウトしていたユーザーの設定はそのまま維持され、改めてオプトインしない限り学習には使用されません。

Modaは、マーケターや創業者などデザイン未経験者向けのAIネイティブデザインプラットフォームです。LangChain Deep Agentsを基盤としたマルチエージェントシステムにより、プレゼン資料やSNS投稿、PDFなどをプロ品質で自動生成する仕組みを本番環境で稼働させています。

システムの中核は、デザインエージェント、リサーチエージェント、ブランドキットエージェントの3つのエージェントで構成されています。リサーチエージェントは外部ソースから構造化コンテンツを取得し、ブランドキットエージェントはロゴやフォント、カラーなどのブランド資産を取り込み、一貫したデザインを実現します。

AIデザインの最大の課題は、PowerPointのXML仕様のようなXY座標ベースの表現がLLMの推論に不向きな点です。Modaは独自のコンテキスト表現レイヤーを開発し、HTMLのFlexboxのようなレイアウト抽象化をLLMに提供することで、トークンコストを削減しつつ出力品質を大幅に向上させました。

各リクエストはまず軽量なトリアージノードで分類され、適切なスキルが動的に注入されます。コアツールは12〜15個に抑え、追加の約30ツールは必要時のみ読み込む設計により、プロンプトキャッシュの効率を最大化しています。LangSmithによるノード単位のコスト追跡が、この最適化を可能にしました。

UX面では、生成と置換の一方通行ではなく、完全に編集可能な2Dベクターキャンバス上でAIが直接操作する設計を採用しています。Cursor風のサイドバーで反復的な対話を行い、ユーザーとAIが協調してデザインを仕上げます。B2B企業の営業チームを中心にプロダクトマーケットフィットを確認しており、今後はメモリ機能の統合やマルチブランド対応の拡張を予定しています。

WordPress.comは2026年3月20日、AIエージェントがユーザーのWebサイト上で記事の作成・編集・公開を行える新機能を発表しました。コメント管理やメタデータの更新、タグ・カテゴリの整理も可能で、すべて自然言語による指示で操作できます。

この機能は2025年秋に導入されたMCPプロトコル対応を拡張したものです。MCPはアプリケーションが大規模言語モデルにコンテキストを提供する標準規格で、Claude Desktop、Cursor、VS Code、ChatGPTなど主要なAI対応ツールと接続して利用できます。

AIエージェントはランディングページやAboutページの作成に加え、コメントの承認・返信・整理、カテゴリやタグの再構成、SEO改善のためのalt属性やキャプションの修正など幅広い操作に対応します。サイトのテーマやデザインを事前に解析し、統一感のあるコンテンツを生成します。

安全対策として、すべての変更にはユーザーの承認が必要であり、AIが作成した投稿はデフォルトで下書きとして保存されます。変更履歴はアクティビティログで追跡でき、サイトオーナーはMCP設定画面から利用する機能を個別にトグルで制御できます。

WordPressは全Webサイトの43%以上を支えるプラットフォームであり、WordPress.comだけでも月間200億ページビュー・4億900万ユニークビジターを抱えます。AI主導のコンテンツ制作が広がることで、Web全体の質と性質に大きな変化をもたらす可能性が指摘されています。

Mistralは2026年3月、推論・マルチモーダル・エージェントコーディングの3機能を統合した小型オープンソースモデル「Small 4」を公開しました。Apache 2.0ライセンスで提供され、企業が複数モデルを使い分ける必要性を解消することを目指しています。

Small 4はMixture-of-Experts（MoE）アーキテクチャを採用し、総パラメータ数1190億のうち、トークンあたりの活性パラメータはわずか60億に抑えられています。128のエキスパートから各トークンで4つが選択される設計により、効率的なスケーリングと専門化を実現しています。

新たに導入された「reasoning_effort」パラメータにより、ユーザーは推論の深さを動的に調整できます。軽量な高速応答からMagistralのようなステップバイステップの詳細推論まで、用途に応じた切り替えが可能です。256Kのコンテキストウィンドウも長文分析に対応します。

ベンチマークでは、MMLU ProでMistral Medium 3.1やMistral Large 3に迫る性能を示しました。一方、LiveCodeBenchではQwen 3.5 122BやClaude Haikuに及ばない結果も出ています。ただしSmall 4はインストラクトモードで最短の出力長（2.1K文字）を記録し、推論コスト面での優位性を主張しています。

小型言語モデル市場のNeurometric社CEOロブ・メイ氏は、Small 4のアーキテクチャの柔軟性を評価しつつも、小型モデル市場の断片化リスクを指摘しました。企業がAIモデルを選定する際には「信頼性と構造化出力」「レイテンシと知能の比率」「ファインチューニング可能性とプライバシー」の3つの柱を優先すべきだと述べています。

GitHubは、オープンソースプロジェクト「Squad」を公開しました。GitHub Copilot上に構築されたこのツールは、リポジトリ内に複数のAIエージェントチームを直接配置し、設計・実装・テスト・レビューを協調的に実行する仕組みを提供します。

Squadでは、ユーザーが自然言語でタスクを記述すると、コーディネーターエージェントがルーティングを担当し、バックエンド開発者やテスターなどの専門エージェントをタスク固有の指示とともに生成します。各エージェントは独立したコンテキストウィンドウ（最大20万トークン）で動作するため、文脈の競合を回避できます。

特徴的な設計パターンとして「ドロップボックスパターン」があります。ライブラリ選定や命名規則などのアーキテクチャ上の意思決定は、リポジトリ内のdecisions.mdファイルに構造化ブロックとして追記されます。リアルタイム同期ではなく非同期の知識共有を採用することで、永続性と可読性を両立しています。

品質管理の面では、レビュアープロトコルが重要な役割を果たします。テストエージェントが不合格と判定した場合、元のエージェントが自身のコードを修正することは許可されず、別のエージェントが新たな視点で修正を担当します。これにより、単一AIの自己レビューの限界を構造的に回避しています。

導入はnpm installでCLIをグローバルインストールし、squad initでリポジトリに初期化するだけで完了します。重いオーケストレーション基盤やベクターデータベースの構築は不要です。ただし完全な自律実行ではなく、最終的なPRのレビューとマージは人間が行う協調型のワークフローとなっています。

Zoomをはじめとする先進企業が、汎用的なAIツールからユーザー個別に最適化された深層パーソナライズAIへと移行を進めています。従来の行動パターンに基づく推薦システムとは異なり、LLMとAIエージェントがユーザーを直接分析して体験を個別化する手法が注目されています。

Zoomの生成AIアシスタント「AI Companion」は、基本的な要約機能を超え、会議中の意見の相違やユーザー間の立場の違いを追跡する機能を備えています。ユーザーは自身の関心に基づいて会議要約をカスタマイズし、営業担当やアカウントエグゼクティブなど異なるペルソナ向けのフォローアップメールテンプレートを作成できます。

Zoom AI製品責任者のLijuan Qin氏は、エージェントの権限設定において人間が明確なコントロールを持つことの重要性を強調しました。自動メール送信の可否や機密情報検出時の検証ステップなど、きめ細かな制御が可能です。「AIがすべてを正しく理解できると仮定しないことが最も重要」と同氏は述べています。

一方で、コンテキストの獲得競争が激化しています。Red Dragon AI共同創業者のSam Witteveen氏は、ユーザーの日常業務や使用アプリを深く理解する企業ほどAIの記憶とカスタマイズ精度が向上すると指摘します。ただしOpenClawはセキュリティ問題が相次ぎ、多くの企業がアンインストールや使用禁止に踏み切っています。

パーソナライズの推進にはトークン使用量の増加によるコスト上昇というリスクも伴います。適切な指標の設定と追跡が不可欠であり、製品ごとに異なるアプローチが求められます。AIスキルの実験に今着手しない企業は競争力を失う可能性があると専門家は警鐘を鳴らしています。

Xiaomiは2026年3月18日、1兆パラメータの大規模言語モデル「MiMo-V2-Pro」を発表しました。開発を率いたのはDeepSeek R1出身のFuli Luo氏で、OpenAIやAnthropicの最上位モデルに迫る性能を、約6〜7分の1の価格で提供します。

MiMo-V2-Proは1兆パラメータを擁しながら、1回の推論で稼働するのは42Bのみというスパース構造を採用しています。7対1のハイブリッドアテンション機構により、100万トークンの長大コンテキストでも性能劣化を抑え、効率的な推論を実現しています。

第三者機関Artificial Analysisの検証では、グローバル知能指数で10位・スコア49を獲得し、GPT-5.2 Codexと同等の評価を受けました。エージェント評価GDPval-AAではElo 1426を記録し、中国発モデルとして最高位に位置しています。

価格設定は入力1ドル・出力3ドル（100万トークンあたり、256K以下）と極めて競争力があります。GPT-5.2の全評価コスト2,304ドルに対し、MiMo-V2-Proはわずか348ドルで同等の処理が可能です。

企業導入においては、コスト対性能比の高さからインフラ部門に魅力的な選択肢となります。一方、エージェント機能の強力さゆえにプロンプトインジェクションのリスクも増大するため、セキュリティ部門は監査体制の整備が不可欠です。Luo氏は安定版のオープンソース公開も予告しています。

Durableは、起業家が数分でビジネスを立ち上げられるAIビジネスビルダーです。SEOやコンテンツ、業務運営をAIエージェントが代行し、現在300万以上の事業者にサービスを提供しています。わずか6人のエンジニアチームで、年間3600億トークンを処理する大規模プラットフォームを運営しています。

同社はもともとAWSでセルフホストしていましたが、マルチテナント環境の運用が深刻な課題となっていました。数百万の顧客サイトごとに異なるトラフィックパターンがあり、カスタムドメインのSSL管理、複数リージョンのクラスタ維持、DDoS対策、テナント別コスト計測など、インフラ管理だけで開発リソースが圧迫されていました。

CTOのKhan氏は「Vercelを自前で作るか、Vercel上に構築するかの二択だった」と語ります。移行はiframeで旧プロダクトをラップしてVercelにデプロイし、その後セルフホスト基盤を完全に撤去するという大胆な手法で実行されました。コーディングエージェントを活用してコードベースの全面書き換えも同時に進めています。

AI機能においては、モデルの切り替え柔軟性、テナント間のコンテキスト漏洩防止、顧客単位のAIコスト可視化という3つの課題を解決しました。マルチエージェント・マルチモデル・マルチモーダルのプロダクトを安全に運用できる体制が整っています。

創業者のClift氏は「数年前の10倍のアウトプットをエンジニア・PM・デザイナー全員が出せるようになった」と述べています。インフラチーム不在で1日11億トークンを処理し、新しいエージェントを1日で顧客に届けられる体制は、今後のテック企業の標準になるとの見方を示しました。

Nvidiaのネットワーキング事業が急成長を遂げ、2026年度第4四半期に110億ドルの売上を計上しました。前年同期比267%増という驚異的な伸びで、GPU事業に次ぐ同社第2の収益柱に成長しています。

この事業の起源は、Nvidiaが2020年に70億ドルで買収したイスラエルのネットワーキング企業Mellanoxにあります。CEOのジェンスン・ファン氏は当時から「データセンターが新たなコンピューティングの単位になる」と見据え、GPU事業の欠けたピースとしてネットワーク技術を取り込みました。

同事業はGPU間通信を担うNVLink、インネットワークコンピューティング基盤のInfiniBandスイッチ、AI向けイーサネットSpectrum-Xなど、AIファクトリー構築に必要な技術群を網羅しています。フルスタックで提供できる点が他社にない強みです。

Zacks Investment Researchのアナリストは、Nvidiaのネットワーク事業がCiscoのネットワーク事業の年間売上をわずか1四半期で上回る規模だと指摘しています。にもかかわらず、チップ事業やゲーム事業ほどの注目を集めていない「隠れた巨人」となっています。

2026年3月のGTC基調講演では、新たにRubinプラットフォームを発表し、AIスーパーコンピュータ向け新チップ6種を公開しました。推論コンテキストメモリストレージや高効率なSpectrum-X Ethernet Photonicsスイッチなど、次世代製品の投入でさらなる成長を目指しています。

Microsoftは2026年3月、データ基盤「Fabric」のセマンティック知能層Fabric IQを大幅に拡張し、業務オントロジーをMCP（Model Context Protocol）経由であらゆるベンダーのAIエージェントに開放すると発表しました。

企業内で複数のAIエージェントが異なるプラットフォーム上で稼働する現在、「顧客」「注文」「地域」といったビジネス用語の定義がエージェント間で食い違う問題が深刻化しています。Fabric IQはこの断片化を解消し、全エージェントが共通のビジネスコンテキストを参照できる基盤を目指します。

Fabric CTO のアミール・ネッツ氏は、RAGが規定文書や技術資料の検索に適する一方、リアルタイムの業務状態（現在飛行中の航空機、クルーの休息時間など）にはオントロジーが不可欠だと説明しました。記憶・オンデマンド検索・リアルタイム観測を組み合わせる認知モデルが必要だと強調しています。

同時に発表されたDatabase Hubは、Azure SQL・Cosmos DB・PostgreSQL・MySQL・SQL Serverを単一の管理・監視レイヤーに統合するものです。IDCは2029年までに企業データ基盤の60%がトランザクションと分析のワークロードを統合すると予測しており、Microsoftの方向性は市場潮流と合致しています。

アナリストらは方向性を評価しつつも、MCP接続が実際に統合工数を削減できるか、またセマンティック層の信頼性・ガバナンスの確保が課題だと指摘しています。データエンジニアリングチームにとって、ビジネスオントロジーの構築・バージョン管理・運用が新たな責務となり、組織体制の整備が急務です。

LangChainは、LLMアプリ開発プラットフォームLangSmithに搭載するAIアシスタント「Polly」の一般提供を開始しました。従来は一部ページに限定されていた機能が、全ページ・全ワークフローで利用可能になっています。

Pollyの最大の特長は、数百ステップに及ぶトレースを自動的に読み解き、障害の原因箇所を特定できる点です。エージェント開発特有の複雑なデバッグ作業において、従来は人手で追跡していた長大なログ解析をAIが代行します。

今回の更新ではページ間のコンテキスト維持が実現しました。トレースの確認から実験の比較、データセットへの追加、プロンプトの修正まで、一連のワークフローを通じてPollyが文脈を保持し続けるため、作業の中断や再説明が不要になります。

さらにPollyは質問への回答だけでなく、プロンプトの更新、失敗した実行からのデータセット作成、評価コードの生成といった実行操作にも対応しました。スレッド全体のユーザー感情分析や、実験結果に基づく最適な構成の推奨も可能です。

利用にはLangSmithアカウントとモデルプロバイダーのAPIキー設定が必要です。Cmd+I（Mac）またはCtrl+I（Windows/Linux）で任意のページから即座に起動でき、エージェント開発チームの生産性向上が期待されます。

OpenAIは2026年4月2日、小型高性能モデルGPT-5.4 miniとGPT-5.4 nanoをAPI・Codex・ChatGPTで公開しました。大量処理ワークロード向けに設計された両モデルは、速度とコスト効率を重視しています。

GPT-5.4 miniは前世代のGPT-5 miniと比較して、コーディング・推論・マルチモーダル理解・ツール使用の全領域で大幅に改善されています。処理速度は2倍以上に向上し、複数のベンチマークで上位モデルGPT-5.4に迫る性能を示しています。

ベンチマークではSWE-Bench Proで54.4%、OSWorld-Verifiedで72.1%を達成しました。特にOSWorldではGPT-5.4の75.0%にほぼ匹敵し、コンピュータ操作タスクでの実用性が際立っています。

料金体系はGPT-5.4 miniが入力100万トークンあたり0.75ドル、出力4.50ドルです。nanoはさらに安価で入力0.20ドル、出力1.25ドルに設定されています。両モデルとも40万トークンのコンテキストウィンドウに対応します。

開発者にとって注目すべきはサブエージェント構成への最適化です。GPT-5.4が計画・判断を担い、miniやnanoが並列で個別タスクを高速処理する構成が推奨されており、Codexではmini利用時のクォータ消費が30%で済むため、コスト効率の高い開発体験を実現します。

カーネギーメロン大学のAlbert Gu氏とプリンストン大学のTri Dao氏らの研究チームが、新たなAIアーキテクチャ「Mamba 3」をApache 2.0ライセンスのオープンソースとして公開しました。Transformer対比で約4%の言語モデリング性能向上を達成しています。

Mamba 3は状態空間モデル（SSM）の最新版で、従来のTransformerが抱える二次計算量と線形メモリ要求の課題を解決します。前世代のMamba 2が学習速度の最適化に注力したのに対し、Mamba 3は「推論ファースト」の設計哲学を採用し、GPUの遊休時間を最小化する構造となっています。

技術面では3つの革新が柱です。第一に指数台形離散化により2次精度の近似を実現。第二に複素数値SSMと「RoPEトリック」で、従来不可能だったパリティ判定などの論理推論タスクを解決。第三にMIMO方式により演算強度を最大4倍に引き上げ、メモリ律速の推論フェーズでもGPUの計算コアをフル活用します。

企業にとっての最大の利点は総保有コストの削減です。15億パラメータ規模でベンチマーク平均精度57.6%を達成し、Transformerを2.2ポイント上回りました。状態サイズを半減しながら同等の予測品質を維持するため、同一ハードウェアで推論スループットが実質2倍になります。リアルタイムエージェントや長文コンテキスト処理に特に有効です。

ただし課題も残ります。Transformerエコシステムの成熟度には及ばず、量子化では標準的な4ビット手法で精度が大幅低下する問題があります。またインコンテキスト学習ではAttention機構に劣る面もあり、業界はNvidiaのNemotron-3のようなMambaとAttentionを組み合わせたハイブリッドアーキテクチャへ収束しつつあります。

NVIDIAは2026年3月のGTC 2026において、ローカル環境で動作するAIエージェント向けの新しいオープンモデル群と開発基盤を発表しました。DGX SparkやRTX PCでクラウド級の性能を実現することを目指しています。

Nemotron 3 Superは1200億パラメータのオープンモデルで、アクティブパラメータは120億に抑えられています。エージェントAI向けベンチマークPinchBenchで85.6%を記録し、同クラスのオープンモデルで最高スコアを達成しました。

小型モデルとしてはNemotron 3 Nano 4Bが発表され、GeForce RTX搭載PCでもエージェントやアシスタントの構築が可能になります。AlibabaのQwen 3.5シリーズ向けの最適化も同時に提供され、26万2000トークンの大規模コンテキストウィンドウに対応します。

エージェント実行基盤としてNemoClawがオープンソースで公開されました。OpenClaw向けの最適化スタックで、ローカルモデルによる推論でトークンコストを削減し、OpenShellランタイムによるセキュアな実行環境を提供します。

ファインチューニングの分野では、Unsloth StudioがウェブベースのUIで公開され、500以上のAIモデルに対応します。従来は高度な技術知識が必要だったカスタマイズ作業を、ドラッグ＆ドロップの直感的な操作で完結できるようになりました。

クリエイティブAI分野では、LightricksのLTX 2.3がNVFP4・FP8対応で2.1倍の高速化を実現し、Black Forest LabsのFLUX.2 Klein 9Bも画像編集が最大2倍に高速化されました。RTX GPU向けに最適化されたモデルが続々と登場しています。

H Companyは2026年3月17日、NVIDIAのNemotron-Nano-2 VLモデルをベースにしたマルチモーダルコンピュータ操作エージェントモデル「Holotron-12B」をHugging Faceで公開しました。本モデルは画面認識・操作に特化し、量産環境での高スループット推論を目指して開発されたものです。

Holotron-12Bの推論効率を支えるのは、状態空間モデル（SSM）とアテンション機構のハイブリッドアーキテクチャです。従来のTransformerが抱える二次計算コストを回避し、長いコンテキストや複数画像を含むエージェント的ワークロードで優れたスケーラビリティを実現しています。

ベンチマーク評価では、WebVoyagerスコアがベースモデルの35.1%から80.5%へと大幅に向上しました。H100 GPU1枚でvLLMを使用した実験では、同時接続100の条件下で8.9kトークン/秒のスループットを記録し、前モデルHolo2-8Bの5.1kトークン/秒を大きく上回りました。

学習は2段階で実施されました。NVIDIAのNemotron-Nano-12B-v2-VLを起点に、H Company独自の画面理解・ナビゲーションデータで教師あり微調整を行い、約140億トークンで最終チェックポイントを構築しています。ライセンスはNVIDIA Open Model Licenseで公開されています。

今後の展開として、NVIDIAが同日発表したNemotron 3 Omniをベースとした次世代モデルの開発も予告されました。SSM-AttentionとMoEアーキテクチャを活用し、企業向けの大規模自律型コンピュータ操作への展開を目指すとしています。

Googleは、Gemini APIにおけるエージェント向けツール機能を大幅にアップデートしました。組み込みツールとカスタム関数の同時利用、ツール間のコンテキスト循環、Gemini 3へのMapsグラウンディング拡張が主な内容です。

これまで開発者は、Google検索などの組み込みツールとカスタム関数を別々にオーケストレーションする必要がありました。今回の更新により、同一リクエスト内で両方を渡せるようになり、エンドツーエンドのレイテンシ削減とエージェント設計の簡素化が実現します。

マルチステップワークフローでは、あるツールの出力を別のツールの入力として使う場面が頻出します。新たなコンテキスト循環機能により、組み込みツールの呼び出しと応答がモデルのコンテキストに保持され、後続ステップでのデータ参照と推論が可能になります。

デバッグ性の向上も図られています。すべてのツール呼び出しに一意の識別子（id）が付与されるようになり、非同期実行や並列関数呼び出し時にモデルのリクエストとクライアント応答を正確に対応付けられます。

さらにGemini 3ファミリーでGoogle Mapsグラウンディングが利用可能になり、最新の空間データや地域のビジネス情報、通勤時間などをエージェントに組み込めます。Googleは、これらの機能を活用する際に新しいInteractions APIの使用を推奨しています。

Nvidiaは2026年のGTCにおいて、AIエージェント向けの新たなモジュラー型リファレンスアーキテクチャ「BlueField-4 STX」を発表しました。GPUと従来型ストレージの間に専用のコンテキストメモリ層を挿入し、推論時のボトルネックを解消する設計です。

STXが解決を目指すのは、KVキャッシュデータの処理遅延です。KVキャッシュとは、LLMが推論時に保存する中間計算結果であり、エージェントがセッションやツール呼び出しを跨いで文脈を維持するために不可欠です。コンテキストウィンドウの拡大に伴いキャッシュも肥大化し、従来のストレージ経由ではGPU利用率が低下していました。

STXはNvidia自身が直接販売する製品ではなく、ストレージパートナー向けのリファレンスアーキテクチャです。新型BlueField-4プロセッサにVera CPUとConnectX-9 SuperNICを統合し、Spectrum-X Ethernet上で動作します。ソフトウェア面ではDOCAプラットフォームに「DOCA Memo」を追加し、プログラマブルな最適化基盤を提供します。

パートナーにはDell、HPE、NetApp、VAST Dataなどストレージ大手12社が共同設計に参加し、CoreWeave、Oracle Cloud、LambdaなどAIネイティブクラウド8社も採用を表明しています。IBMはSTX共同設計者であると同時に、Nvidia自身がIBM Storage Scale System 6000をGPU分析基盤に採用したことも発表されました。

STXの登場は、エンタープライズAI基盤においてストレージ層がGPU調達と同等の重要な意思決定対象になることを示唆しています。ただし、性能値の比較ベースラインは未公開であり、導入判断には詳細な検証が必要です。2026年下半期にパートナー各社からSTXベースの製品が提供開始される見通しで、今後12カ月以内にストレージ更新を検討する企業は選択肢として考慮すべきです。

DataRobotは2026年3月、NVIDIAと共同開発したAgent Workforce Platformにおいて、大規模言語モデル「Nemotron 3 Super」のワンクリック展開機能を発表しました。企業がAIエージェントを本番環境で安全に運用するための統合基盤を提供します。

Nemotron 3 Superは1200億パラメータのハイブリッドMamba-Transformerモデルで、100万トークンのコンテキストウィンドウを備えています。DataRobotのプラットフォームでは、GPU構成の自動推奨、監視・アクセス制御の即時有効化、チーム別クォータ管理が標準で組み込まれており、展開直後から運用可能な状態になります。

コスト管理面では、思考予算の調整により同一モデルで精度とコストのトレードオフを制御できます。金融推論ベンチマークでは、最高設定で約86%の精度に対し、最低設定でも約74%を維持しつつトークン消費を14分の1に抑えられることが実証されました。

ガバナンス面では、Oktaとの統合により、AIエージェントを企業ディレクトリ上の独立したIDとして管理する仕組みを実現しました。従来の共有APIキーによる認証では、非決定的なエージェントの行動追跡や即時無効化が困難でしたが、ID基盤型ガバナンスにより人間と同一の管理体系でエージェントを統制できます。

ハードウェア面では、NVIDIA RTX PRO 4500をDataRobotプラットフォームの推論エンジンとして技術検証済みであることを発表しました。32GBのGDDR7メモリとBlackwellアーキテクチャを搭載し、リアルタイム物流最適化やRAGパイプラインなど、エージェント型ワークロードに最適化された性能を提供します。

ベクトル検索企業のQdrantは、シリーズBラウンドで5000万ドル（約75億円）の資金調達を発表しました。同時にプラットフォームのバージョン1.17をリリースし、AIエージェント時代の情報検索基盤としての地位を強化しています。

同社CEOのアンドレ・ザヤルニ氏は、人間が数分に数回のクエリを行うのに対し、エージェントは毎秒数百から数千のクエリを発行すると説明しています。この負荷はRAG時代の設計では対応できず、専用の検索インフラが不可欠だと主張しています。

v1.17では三つの課題に対応しています。関連性フィードバッククエリで再学習なしに検索精度を向上させ、遅延ファンアウト機能でレプリカの応答遅延を回避し、クラスタ全体のテレメトリAPIで運用監視を一元化しています。

導入企業のGlassDollarは、Elasticsearchからの移行でインフラコストを約40%削減し、ユーザーエンゲージメントが3倍に向上しました。特許訴訟AI企業の&AI;も、数億件の文書を対象とした意味検索基盤としてQdrantを採用しています。

ザヤルニ氏はQdrantを「ベクトルデータベース」ではなく「AI時代の情報検索レイヤー」と位置づけています。Rustで構築された高効率アーキテクチャとオープンソース戦略により、大手ベンダーとの差別化を図る方針です。

Y Combinator支援のRandom Labsは、業界初の「スウォームネイティブ」自律型コーディングエージェント「Slate V1」を正式リリースしました。2024年にKiranとMihir Chintawarが共同創業した同社は、大規模並列処理で複雑なエンジニアリングタスクを実行する新しいアプローチを提案しています。

Slateの中核技術は「Thread Weaving」と呼ばれるアーキテクチャです。従来のAIコーディングツールが抱えていたコンテキストウィンドウの制約を、OS的なフレームワークで解決します。中央のオーケストレータが戦略的判断を担い、TypeScriptベースのDSLで並列ワーカースレッドにタスクを割り振る分離構造を採用しています。

記憶管理においても独自のアプローチを取ります。多くのエージェントが採用する「圧縮」方式では重要な状態情報が失われるリスクがありますが、Slateはワーカースレッド完了時に成功したツール呼び出しと結論のみを要約した「エピソード」を生成します。これによりスウォーム知性を維持しながら大規模並列処理を実現しています。

商業面では従量課金制のクレジットモデルへ移行し、組織レベルの課金管理機能を備えるなどプロフェッショナルチーム向けの設計が明確です。さらにOpenAIのCodexやAnthropicのClaude Codeとの直接連携を来週リリース予定と発表しており、競合ではなくオーケストレーション層としての立ち位置を狙っています。

性能面では、Terminal Bench 2.0のmake-mips-interpreterタスクで初期バージョンが3分の2のテストに合格しました。最新のフロンティアモデルでも単体では成功率20%未満とされるこのタスクでの好成績は、オーケストレーション型アーキテクチャの有効性を示しています。同社はSlateを開発者の代替ではなく、世界的なエンジニア不足を補う協調ツールと位置づけています。

OpenAIは、Responses APIにシェルツールとホスト型コンテナワークスペースを統合し、AIモデルが実際のコンピュータ環境でタスクを実行できるエージェント基盤を構築したと発表しました。従来のプロンプト応答を超え、ファイル操作やAPI呼び出しなど幅広い業務を自動化できます。

シェルツールは従来のコードインタプリタがPython限定だったのに対し、Go・Java・Node.jsなど多言語に対応します。モデルがコマンドを提案し、Responses APIがコンテナ内で実行、結果をモデルに返すループで動作します。複数コマンドの並列実行にも対応し、処理速度を大幅に向上させています。

コンテナ環境は3つの文脈を提供します。第一にファイルシステムでデータを整理し、第二にSQLiteなどの構造化データベースで効率的にクエリを実行できます。第三にネットワークアクセスはサイドカープロキシ経由で制御され、許可リストとドメイン単位の認証情報注入により安全性を確保しています。

エージェントスキルは繰り返し発生するワークフローを再利用可能な部品として定義する仕組みです。SKILL.mdファイルとリソースをバンドルし、バージョン管理されたパッケージとしてAPI経由で管理できます。モデルはシェルコマンドでスキルを発見し、指示を解釈して同一ループ内で実行します。

長時間タスクではコンテキストウィンドウが枯渇する課題に対し、ネイティブのコンパクション機能を実装しました。モデルが会話状態を分析し、重要情報を暗号化されたトークン効率の高い表現に圧縮します。OpenAIのCodexもこの仕組みに依存しており、長時間のコーディングタスクを品質を落とさず継続できます。

NVIDIAは2026年3月11日、エージェントAI向け新モデル「Nemotron 3 Super」を公開しました。1200億パラメータのうち推論時に稼働するのは120億のみで、前世代比最大5倍のスループットと2倍の精度向上を実現しています。

本モデルはMamba-2層とTransformer層を組み合わせたハイブリッド構造を採用しています。Mamba層が線形計算量で高速処理を担い、Transformer層が高精度な情報検索を補完することで、100万トークンのコンテキストウィンドウを効率的に実現しました。

新技術「Latent MoE」は、トークンを圧縮空間に射影してからエキスパートに振り分けることで、同じ計算コストで4倍の専門家を活用できます。さらにマルチトークン予測により推論速度を最大3倍に高速化しています。

Blackwell GPUプラットフォームではNVFP4精度で動作し、Hopper世代のFP8比で最大4倍高速な推論を精度損失なく達成しました。DeepResearch Benchのリーダーボードでは1位を獲得しています。

Perplexity、CodeRabbit、Greptileなどの企業が即日統合を開始し、Siemens、Palantir、Cadenceなどの大手企業も製造・サイバーセキュリティ分野での活用を進めています。モデルはオープンウェイトで公開され、10兆トークン超の学習データとレシピも併せて提供されました。

Google Cloud、Oracle Cloud、AWS、Azureなど主要クラウドに加え、Dell AI FactoryやHPEによるオンプレミス展開にも対応します。NVIDIA NIMマイクロサービスとしてパッケージ化されており、企業は柔軟な環境で商用利用が可能です。

LangChainのVivek Trivedy氏が、AIエージェントの構造を「モデル＋ハーネス」と定義し、モデルを実用的な作業エンジンに変えるためのハーネス設計論を体系的に解説しました。ハーネスとはモデル以外のすべてのコード・設定・実行ロジックを指します。

ハーネスの最も基本的な構成要素はファイルシステムです。エージェントに永続的な作業空間を提供し、中間出力の保存やセッション間の状態維持を可能にします。さらにGitによるバージョン管理を加えることで、作業の追跡やロールバック、複数エージェント間の協調作業も実現できます。

汎用ツールとしてのBash実行環境も重要な要素です。事前に設計されたツールに依存せず、モデルが自律的にコードを書いて問題を解決できるようになります。サンドボックスにより安全な実行環境を確保し、ブラウザやテストランナーによる自己検証ループも構築可能です。

コンテキスト腐敗への対策も不可欠です。コンテキストウィンドウが埋まるにつれモデルの推論能力が低下する問題に対し、コンパクション（要約による圧縮）、ツール出力のオフロード、スキルによる段階的開示といったハーネスレベルの戦略が求められます。

長期自律実行では、Ralph Loopパターンによる自動継続や計画ファイルを活用した進捗管理が鍵となります。モデルの訓練とハーネス設計の共進化が進む一方、最適なハーネスは必ずしも訓練時のものとは限らず、タスクに応じた最適化で性能が大幅に向上する事例も報告されています。

LangChainは2026年3月、AIエージェント開発フレームワーク「Deep Agents」のSDKおよびCLIに、モデルが自らのコンテキストウィンドウを適切なタイミングで圧縮する自律コンテキスト圧縮機能を追加しました。

従来のエージェントハーネスでは、コンテキストウィンドウの85%に達した時点で一律に圧縮を実行していました。しかし複雑なリファクタリングの最中など、圧縮すべきでないタイミングで実行されるケースが課題となっていました。

新機能では、タスクの区切りや大量の新コンテキスト読み込み前、計画の実行開始時など、モデル自身が最適なタイミングを判断して圧縮を実行します。これにより、ユーザーが手動で/compactコマンドを発行する必要がなくなります。

圧縮時には直近メッセージの10%をそのまま保持し、それ以前のメッセージを要約に置き換えます。全会話履歴は仮想ファイルシステムに保存されるため、圧縮後も復元が可能です。

LangChainは独自評価スイートやTerminal-bench-2でテストを実施し、エージェントが保守的に圧縮を発動しつつも、ワークフロー改善に明確に寄与するタイミングを選択することを確認しました。この機能は、ハーネスの固定ルールを減らしモデルに作業記憶の制御権を委ねるという、エージェント設計の新たな方向性を示しています。

Googleの「Paradigms of Intelligence」チームは、AIエージェントを多様な対戦相手のプールに対して分散型強化学習で訓練することで、ハードコードされた協調ルールなしに複数エージェント間の協調行動を自然発生させる手法を発表しました。この研究はエンタープライズ向けマルチエージェント展開の新たな指針を示しています。

従来のマルチエージェントシステムでは、各エージェントが自身の報酬を最大化しようとするため、ゲーム理論でいう「相互裏切り」状態に陥りやすいという課題がありました。たとえば2つの自動価格設定アルゴリズムが破壊的な値下げ競争を起こし、企業全体が損失を被るようなケースです。

本手法では、学習中のモデルとルールベースの静的プログラムを混合した多様な対戦相手プールを用意し、エージェントに相手の戦略を推測させます。文脈内学習により相互作用の履歴を解析し、リアルタイムで行動を適応させるため、コンテキストウィンドウの肥大化を招かずに効率的な協調を実現します。

LangGraphやCrewAIなどの既存フレームワークが状態遷移やルーティングロジックを明示的に定義するのに対し、本手法は訓練を通じて協調行動を生み出すアプローチです。標準的な強化学習アルゴリズム（GRPO等）で再現でき、特別なスキャフォールディングは不要とされています。

反復囚人のジレンマを用いた検証では、敵の情報が一切ない状態でもエージェントは試行錯誤を通じて安定した協調を達成しました。研究チームは、この成果により開発者の役割が個別ルールの記述から訓練環境の設計という戦略的役割へと進化すると述べています。

Anthropicは2026年3月11日、AIモデル「Claude」のMicrosoft ExcelおよびPowerPoint向けアドインを大幅に強化しました。最大の特徴は、両アプリ間で会話コンテキストを共有できる新機能で、Mac・Windows有料プランのユーザーが利用可能です。

新たに導入された共有コンテキスト機能により、ClaudeはExcelとPowerPointを横断して一つの連続セッションとして作業できます。例えば財務アナリストがExcelで比較企業データを抽出し、そのままピッチデッキのスライドに反映させるといった作業が、タブの切り替えやデータの再説明なしに完結します。

もう一つの目玉であるSkills機能では、チームが定型ワークフローをアドイン内に保存し、ワンクリックで実行できます。分散分析や承認済みスライドテンプレートなど、従来は毎回プロンプトを書き直していた作業を組織全体で標準化・共有できる仕組みです。

企業導入面では、Amazon Bedrock、Google Cloud Vertex AI、Microsoft Foundryを経由したアクセスにも対応し、既存のクラウド環境やコンプライアンス体制をそのまま活用できます。これにより大企業のセキュリティ要件にも柔軟に対応可能となりました。

今回の発表は、同日にMicrosoftが発表したCopilot Coworkと直接競合する動きです。エンタープライズAI市場の競争は、モデル性能のベンチマーク争いから、既存の業務アプリケーション内でどれだけ実用的な価値を提供できるかという段階に移行しつつあります。

Microsoft Researchは、AIエージェント向けの汎用プラグイン型記憶モジュール「PlugMem」を発表しました。従来のエージェントは対話履歴が増えるほど検索精度が低下する課題を抱えていましたが、PlugMemは生データを構造化知識に変換することでこの問題を解決します。

PlugMemの設計は認知科学の知見に基づいています。人間の記憶がエピソード記憶・意味記憶・手続き記憶に分かれるように、PlugMemもエージェントの対話履歴を「事実（命題的知識）」と「再利用可能なスキル（処方的知識）」という2種類の知識単位に変換し、知識グラフとして体系的に整理します。

システムは構造化・検索・推論の3つの中核コンポーネントで構成されています。構造化では生データを知識単位に変換し、検索ではタスクの意図に基づいて関連知識を抽出します。推論では取得した知識を簡潔なガイダンスに凝縮し、エージェントのコンテキストウィンドウを圧迫しない形で提供します。

評価実験では、長いマルチターン会話の質問応答、複数のWikipedia記事にまたがる事実検索、Webブラウジング中の意思決定という3つの異なるベンチマークで検証を実施しました。いずれにおいてもPlugMemは汎用検索手法やタスク特化型設計を上回る性能を示し、同時にメモリトークンの消費量も大幅に削減しました。

研究チームは、エージェントの記憶は単なる過去の記録保存から、再利用可能な知識の能動的な提供へと進化すべきだと主張しています。PlugMemはタスク特化型アプローチの代替ではなく、その土台となる汎用記憶基盤として位置づけられており、両者の組み合わせでさらなる性能向上が確認されています。コードと実験結果はGitHubで公開済みです。

Googleは2026年3月10日、Geminiアーキテクチャを基盤とした初の完全マルチモーダル埋め込みモデル「Gemini Embedding 2」をGemini APIおよびVertex AIでパブリックプレビューとして公開した。

同モデルはテキスト・画像・動画・音声・PDFドキュメントを単一の統一埋め込み空間にマッピングする。テキストは最大8192トークン、画像は1リクエスト最大6枚、動画は最大120秒に対応しており、RAGや意味検索、感情分析、データクラスタリングなど幅広いユースケースを簡素化する。

柔軟な出力次元を実現するMatryoshka Representation Learning（MRL）技術を採用しており、デフォルト3072次元から1536・768次元へと動的に削減できる。これにより開発者はパフォーマンスとストレージコストのバランスを最適化できる。

早期アクセスパートナーからは顕著な成果が報告されている。Paramount Skydanceは動画資産検索のRecall@1を85.3%に向上させ、Sparkonomy社はLLM推論を排除することでレイテンシを最大70%削減、テキスト・画像間の意味的類似度スコアを0.4から0.8へほぼ2倍に改善した。

同モデルはLangChain・LlamaIndex・Haystack・Weaviate・Qdrant・ChromaDB・Vector Searchなど主要なフレームワークおよびベクターデータベースと統合可能であり、既存ワークフローへの最小限の変更での導入が可能だ。

GitHubは、同社のAIコーディング支援ツール「Copilot」の実行エンジンを外部アプリケーションに組み込めるCopilot SDKを公開しました。これにより開発者は、自社ソフトウェア内でエージェント型ワークフローをプログラム可能な形で実装できるようになります。

従来のAI活用は「テキスト入力→テキスト出力」の単純なやり取りが主流でしたが、本SDKは計画・ツール呼び出し・ファイル変更・エラー回復を自律的に実行するエージェント型アーキテクチャへの転換を実現します。固定的なスクリプトでは対応が難しかった文脈依存の処理にも柔軟に適応できます。

技術面ではModel Context Protocol（MCP）を活用し、ドメイン固有のツールやスキルを構造化された形で定義できます。プロンプトにシステムロジックを詰め込む従来手法と異なり、エージェントが実行時にAPIやデータソースへ直接アクセスすることで、テスト可能で進化しやすいワークフローを構築できます。

適用範囲はIDE内に限定されません。デスクトップアプリ、社内運用ツール、バックグラウンドサービス、SaaSプラットフォーム、イベント駆動システムなど、あらゆるアプリケーション層にエージェント実行機能を埋め込むことが可能です。ファイル変更やデプロイトリガーなどのイベントを起点に、Copilotをプログラム的に呼び出せます。

この動きは、AIを「補助ツール」からインフラへと昇格させる設計思想の転換を示しています。開発チームはオーケストレーション基盤を自前で構築する必要がなくなり、ソフトウェアが達成すべき目的の定義に集中できるようになります。ロジックを実行できるアプリケーションであれば、エージェント実行を組み込める時代が到来しました。

AIエージェントが企業システム内で自律的に行動する時代を迎え、1Password CTOのNancy Wang氏は、従来のエンタープライズIAM（IDおよびアクセス管理）がAIエージェントの特性を前提としていないため、深刻なセキュリティリスクが生じていると警告しています。

従来のIAMは、アクセス主体が人間であることを前提に設計されており、静的な役割ベースの権限付与、人間による説明責任、そして行動パターンによる異常検知という三つの柱で成立していました。しかしAIエージェントは動的に権限を変化させ、複数システムで常時稼働し、複製・フォークが容易なため、これらの前提をすべて破壊します。

特にIDE（統合開発環境）がAIエージェントのオーケストレーターとなった開発環境では、プロンプトインジェクション攻撃が現実の脅威となっています。READMEなど一見無害なドキュメントに埋め込まれた悪意ある指示が、エージェントに認証情報を漏洩させる可能性があり、信頼境界が意図せず侵食されます。

Wang氏は解決策として、IDを単なるセキュリティコンポーネントではなくAIエージェントの制御プレーンとして位置づけ直すことを提唱します。具体的には、エージェントを起動したユーザー・デバイス・時間帯・許可アクションをすべて考慮したコンテキスト対応アクセス制御、クレデンシャルをエージェントに見せないゼロ知識型オートフィル、そして委任権限の有効期限と自動失効機構が必要です。

NISTのゼロトラストアーキテクチャ（SP 800-207）も「AIを含む非人間エンティティはすべて認証されるまで非信頼扱い」と明記しており、規制面からも対応が急務です。Wang氏は「予測可能な権限と強制可能な信頼境界なしに、自律性はただの管理されないリスクになる」と締めくくっており、アジェンティックAIの本格普及には新たなID基盤の整備が不可欠です。

Andreessen Horowitz（a16z）は、企業のデータエージェントが基本的な質問にすら正確に答えられない原因として、ビジネスコンテキストの欠如を指摘しました。MITの2025年報告でもAI導入の大半が失敗していると警告されています。

問題の核心はテキストtoSQLの精度だけではありません。「先四半期の収益成長率は？」という単純な質問でも、収益の定義がARRか実行レートかで異なり、会計年度の区切りも企業ごとに違うため、エージェントは正しいデータを特定できないのです。

従来のセマンティック層はBI向けの指標定義には有効でしたが、退職した担当者が更新を放置し、新規プロダクトラインが反映されないなどの問題が頻発しています。エージェントの自律動作には、より包括的なコンテキスト基盤が必要です。

a16zが提唱するコンテキスト層は5段階で構築します。まず全データソースへのアクセスを確保し、LLMでクエリ履歴やdbtモデルから自動的にコンテキストを収集します。次に人間が暗黙知を補完し、APIやMCPでエージェントに接続します。

市場ではDatabricksやSnowflakeなどのデータ基盤企業、既存のAIデータ分析企業、そして新興の専用コンテキスト層企業が競合しています。OpenAIも自社内データエージェントの構築過程を公開しており、この領域の重要性が広く認識され始めています。

マイクロソフトは2026年3月9日、Anthropicと共同開発した「Copilot Cowork」をM365 Copilotに追加すると発表しました。ユーザーの指示を受け、Outlook・Teams・Excelなど複数のM365アプリにまたがって複雑な業務を自律実行するAIエージェント機能です。

Copilot CoworkはAnthropicの「Claude Cowork」と同じ技術基盤を持ちつつ、動作環境が大きく異なります。Claude Coworkがローカルファイルを扱う個人向けツールであるのに対し、Copilot CoworkはM365クラウド上で企業の既存セキュリティポリシーや監査要件の枠内で稼働します。

「Work IQ」によってメール・会議・SharePointファイルなど社内データ全体からコンテキストを把握し、カレンダー整理・会議準備・市場調査・資料作成などをバックグラウンドで並列処理します。重要な変更前には必ずユーザーの承認を求める仕組みです。

同日発表の「Agent 365」(月額15ドル/ユーザー)は企業内全AIエージェントの統制基盤です。各エージェントにMicrosoft Entraで固有IDを付与してゼロトラスト原則を適用し、プロンプトインジェクションによる乗っ取り（ダブルエージェント）を検知・ブロックします。フォーチュン500企業の29%で未承認エージェントが稼働する現状への対応策です。

最上位ライセンス「M365 Enterprise 7」(月額99ドル/ユーザー)はCopilot・Agent 365・高度セキュリティスタックを一体提供します。ClaudeはCopilotチャットにも直接統合され、マイクロソフトはマルチモデル戦略でOpenAI一極依存から脱却する姿勢を明確にしました。

Microsoftは2026年春、エージェントAIをテーマとしたポッドキャスト「The Shift」を開始した。Azure・Microsoft Foundry・Microsoft Fabricの開発チームが週1回、全8エピソードを配信する。

番組はMicrosoftのIgniteカンファレンス後に寄せられたユーザーの疑問を出発点としており、エンジニアリング・製品・戦略の各視点を横断する実践的な対話を提供する。

第1回は「エージェントはデータを探し回っているのか」をテーマに、Microsoft FabricとOneLakeチームのメンバーがデータ準備の重要性とエージェントへの知識供給方法を解説する。

Microsoftはエージェントが単独では機能せず、データ戦略・クラウド基盤・アプリケーション連携の三層が一体となることで初めてビジネス成果を生むと主張している。

番組はYouTube・Spotify・Apple Podcastsなど主要プラットフォームで視聴可能。経営者やエンジニアがエージェントアーキテクチャの全体像を把握するための実践的情報源となることが期待される。

エージェントAIとA2UI（Agent to User Interface）技術を組み合わせることで、静的なUIの制約を超え、エージェントが必要な画面をJSON仕様から動的に生成できるようになった。Persistent SystemsのDattaraj Rao氏がVentureBeatで解説した。

従来のエージェントAIはオントロジーにより業務ロジックを柔軟に処理できる一方、UIは設計時に固定されるという矛盾を抱えていた。A2UIはエージェントがJSONコンテンツを生成するとレンダラーが動的に画面を構築する仕組みで、この問題を解消する。

A2UIはAG-UIプロトコルをベースに持ち、ボタンクリックやフォーム送信などのイベントを元のエージェントへフィードバックする双方向通信を維持する。CopilotKitなどの企業がすでにA2UI対応レンダラーの開発を進めている。

ビジネスオントロジーと組み合わせると効果が増大し、UIコンポーネントの描画ルールをスペックに一元定義するだけで、数千フォームへの変更も即時伝播できる。TOON（Token Object Notation）などの圧縮規格でオントロジーとA2UIスキーマをコンテキストに含める効率化も可能だ。

A2UIパターンの導入により、UXデザイナーやUI開発者は再利用可能なコンポーネントを一度定義すれば繰り返し活用でき、業務・規制変更への対応コストを大幅に削減できる見通しだ。モデルの進化に伴い、A2UI準拠画面の自動生成もプレトレーニングで実現されると著者は展望する。

LangChainの共同創業者兼CEOであるハリソン・チェイス氏は、VentureBeatのポッドキャストで、AIモデルの性能向上だけではエージェントの本番運用に到達できないと主張しました。鍵を握るのは、モデルを包む「ハーネス」の進化です。

チェイス氏が提唱するハーネス工学とは、コンテキスト工学の拡張概念です。従来のハーネスがモデルのループ実行やツール呼び出しを制約していたのに対し、エージェント向けハーネスはLLM自身に文脈の制御権を委ね、より自律的な長時間タスク遂行を可能にします。

かつて最も急成長したGitHubプロジェクトだったAutoGPTを引き合いに、チェイス氏は現在のトップエージェントと同じアーキテクチャでありながらモデル性能不足で衰退した事例を紹介しました。モデルの進化により、ようやくハーネスの継続的改善が意味を持つ段階に入ったと述べています。

LangChainが開発したDeep Agentsは、計画機能・仮想ファイルシステム・コード実行・スキルとメモリ機能を備えた汎用ハーネスです。サブエージェントへのタスク委任とコンテキスト分離により、大規模な作業結果を圧縮してトークン効率を高める設計が特徴です。

チェイス氏は「エージェントが失敗するのは正しい文脈がないとき、成功するのは正しい文脈があるとき」と強調しました。適切な情報を適切なフォーマットで適切なタイミングに届けるコンテキスト工学こそが、実用的なAIエージェント構築の核心であると結論づけています。

MITの研究チームが、大規模言語モデル（LLM）の推論時メモリであるKVキャッシュを最大50分の1に圧縮する新手法「Attention Matching」を発表しました。精度をほぼ維持したまま数秒で処理が完了する点が最大の特徴です。

LLMはトークンを逐次生成する際、過去の全トークンのキー・バリュー対をKVキャッシュに保持します。長文の法務文書分析や自律型コーディングエージェントなどの企業用途では、1リクエストで数GBに膨張し、同時処理数やバッチサイズを大幅に制限する深刻なボトルネックとなっていました。

従来の対処法には、重要度の低いトークンの削除やトークン統合がありますが、高圧縮率では精度が急激に低下します。テキスト要約による代替も、医療記録のような情報密度の高い文書ではコンテキストなしと同等の精度まで劣化することが実験で確認されました。勾配ベースの「Cartridges」手法は高品質ですが、1コンテキストの圧縮に数時間を要し実用性に欠けていました。

Attention Matchingは、圧縮後のメモリが元のメモリと同じ「注意出力」と「注意質量」を再現するよう設計されています。事前に生成した参照クエリを用いて保持すべきキーを選択し、通常最小二乗法などの代数的手法で値を算出します。勾配降下を完全に回避することで、処理速度が桁違いに高速化されました。チャンク単位の分割処理により長文への対応も実現しています。

Llama 3.1やQwen-3を用いた実験では、読解ベンチマーク「QuALITY」と6万トークンの医療記録データセット「LongHealth」の両方で有効性が確認されました。テキスト要約との組み合わせでは200倍圧縮も達成しています。数学推論テスト「AIME」では、メモリ上限に達するたびに50%圧縮を最大6回繰り返しても、無制限メモリと同等の性能を維持しました。

ただし、この手法の導入にはモデルの重みへのアクセスが必要であり、クローズドAPIのみを利用する企業は自社実装ができません。また、既存の推論エンジンへの統合にはプレフィックスキャッシュや可変長メモリパッキングとの調整が必要です。研究チームはコードを公開済みで、大規模なツール出力や長文文書の取り込み直後の圧縮が有望なユースケースだと述べています。

OpenAIは2026年3月5日、最新AIモデルGPT-5.4をChatGPT、API、Codexで公開しました。推論・コーディング・エージェント機能を統合した同社史上最高性能のフロンティアモデルと位置づけています。

GPT-5.4は同社初の汎用モデルとしてネイティブコンピュータ操作機能を搭載しています。Playwrightによるコード実行やスクリーンショットに基づくマウス・キーボード操作が可能で、OSWorldベンチマークでは人間の72.4%を上回る75.0%の成功率を達成しました。

ビジネス用途ではスプレッドシート、プレゼンテーション、文書作成の能力が大幅に向上しています。投資銀行業務のモデリングタスクでは平均87.3%のスコアを記録し、前モデルGPT-5.2の68.4%から約19ポイント改善されました。

API向けにはTool Search機能を新たに導入し、多数のツール定義を事前にプロンプトへ含める従来方式を刷新しました。MCP Atlasベンチマークでは同精度を維持しつつトークン使用量を47%削減する効果が確認されています。

価格は入力100万トークンあたり2.50ドル、出力15ドルに設定され、GPT-5.2より引き上げられました。一方で推論効率の向上により、タスク全体のコストは抑制される見込みです。APIでは最大100万トークンのコンテキストウィンドウに対応しています。

Luma AIは2026年3月、テキスト・画像・動画・音声を横断して創作業務を一気通貫で担うLuma Agentsを公開しました。同社独自の統合知能モデル「Uni-1」を基盤とし、広告代理店やマーケティングチーム、デザインスタジオ向けに提供されます。

Uni-1モデルは音声・動画・画像・言語・空間推論を単一のマルチモーダル推論システムで学習しています。CEOのAmit Jain氏は「言語で思考し、ピクセルで想像・描画する」と表現し、この能力をピクセルの知能と呼んでいます。今後のリリースで音声・動画の出力にも対応予定です。

Luma Agentsの最大の強みは、アセットや協力者、クリエイティブの反復にわたって持続的なコンテキストを維持できる点です。自己批評による反復改善ループを備え、コーディングエージェントと同様に自らの成果物を評価・修正する能力を持ちます。

実際の導入事例では、あるブランドの1500万ドル規模・1年がかりの広告キャンペーンを、複数国向けのローカライズ広告として40時間・2万ドル未満で制作し、社内品質管理を通過しました。200語のブリーフと製品画像1枚から、ロケーション・モデル・配色の多様なアイデアを自動生成するデモも披露されています。

Luma AgentsはAPI経由で一般公開されていますが、ワークフローの安定性を確保するため段階的にアクセスを拡大する方針です。Google Veo 3やElevenLabsの音声モデルなど外部AIモデルとも連携し、エンドツーエンドの創作ワークフローを実現します。