Copilot（プロダクト）に関するニュース一覧

オープンソースのArnisは、OpenStreetMapなどの地理情報を使って実在する場所をMinecraftの世界に変換します。開発者のルイ・エルプカム氏が2022年に始め、GitHubでのダウンロードは約90万回、貢献者は約70人に達しました。

利用者は地図上で場所を選び、生成を開始すると数分でMinecraft内に開ける世界を作れます。道路や建物など地図に登録された要素を読み込み、詳細な構造物には3Dモデルも活用します。

エルプカム氏は主要な保守担当者として、GitHub Copilotを使い、未解決の不具合の把握や原因追跡、修正案の作成を進めています。大きな変更では、性能やメモリー使用量を調べ、回帰を防ぐ観点の確認にも使います。

プロジェクトには地理情報の専門家や各地の開発者が参加し、翻訳や機能追加を担っています。学校では同じ地域を基に公園などを改良する授業にも使われ、月や火星の地形を追加する計画も進んでいます。

イングランド民事司法のトップ職であるMaster of the Rollsを退任するジェフリー・ヴォス判事は、AIが将来、一部の民事紛争を判断する可能性を論じました。人の判断を要する複雑な商事紛争や家事事件とは分け、低額の過失請求や人身傷害のような案件で、迅速かつ低コストな解決を目指せるとWIREDに語っています。導入の条件として、当事者の同意か社会的な合意に基づく法整備を挙げました。

ヴォス氏自身はMicrosoft Copilotを使い、過去の文書を探したり、大量の資料を要約したりしています。一方、判決文の作成には使わず、重要事件の資料をAIに読ませることにも慎重だと説明しました。イングランドの現行指針も、裁判官のAI利用を事務作業に限るよう勧めています。

同氏は、中国・深圳の裁判所でAIの支援を受けて民事紛争を処理する事例を視察し、司法への適用を検討する価値があると考えています。AIチャットボットが訴状作成を助け、裁判所への提訴が増えることは、司法アクセスの広がりを示す面もあると述べました。

一方、AIが架空の判例を作り、弁護士が誤って引用する問題や、生成された画像・音声が証拠の信頼性を損なう懸念があります。ヴォス氏は、AIによる判断を人々が受け入れられるかは自明でなく、透明な説明と幅広い合意が不可欠だと指摘しました。どの事件をAIに委ねるかは、裁判所だけで決めず、社会や議会が議論すべき課題です。

GitHubは2026年版「Octoverse」で、開発活動が過去最高に達し、AIエージェントが日常の開発工程に広がったと報告しました。直近12カ月のコードプッシュは179億回、コミットは343億件で、公開リポジトリへの貢献は25億件と前年の2倍を超えました。9月にはプルリクエストの4割超がエージェントの初稿から始まり、3月の17％から増えています。

エージェント設定ファイルを含む新規リポジトリは、含まないものに比べ平均コミット数が8倍でした。GitHub Copilotの月間利用者では55％がエージェント機能を使い、開発者がタスクを任せるクラウドエージェントの利用は前年比230％増えたといいます。

利用はソフトウェア業界に限られません。GitHubの分類によると、鉱業、建設、医療、農業に関わる公開リポジトリは2022年から数倍に増加し、各分野でAIに触れるプロジェクトも見られます。報告は、開発者が現場の課題に合わせてツールを作る事例を紹介しました。

GitHubの開発者数は2億2500万人を超え、米国とインドがそれぞれ今年1000万人以上増えました。同社はAIの進歩やエージェント利用が活動拡大に重なったと分析していますが、開発者数の2031年予測は大きく幅があり、今後の成長速度には不確実性が残ります。

Microsoftは、LGとSamsungのスマートテレビで提供してきたAIアシスタント「Copilot」の機能を、2026年中に終了する方針です。LGのテレビに表示された通知で明らかになりましたが、Microsoft、LG、Samsungによる正式発表はなく、具体的な終了日は示されていません。Copilotは画面の内容に関する質問や番組推薦などを担っていました。

テレビ版Copilotは、視聴者がチャットで質問したり、画面上の内容について尋ねたりする機能でした。両社は2025年のCESで、最新テレビへの搭載を発表していました。

LGでは昨年12月、webOSの更新で削除できないCopilotへのショートカットが追加され、利用者の反発を受けて後に削除可能となりました。今回の終了通知は、Windows Centralの記者がLGテレビ上で確認したものです。

Microsoftは今年、チャットやエージェント、コーディング機能をまとめたCopilotのスーパーアプリを導入しました。同社はCopilotをデジタル上の相棒から、業務や生産性を支えるツールへ位置づけ直しており、テレビでの提供終了もその方向転換と重なります。

GitHubは2026年10月の「GitHub Universe」で、AIエージェントを使ったソフトウェア開発を支える新機能群を発表しました。構想からコード作成、レビューまでをつなぐCopilotアプリを中心に、複数モデルの選択、複数リポジトリでの並列作業、セッション継続などを提供します。開発者が作業の方向を決め、エージェントが実装と検証を担う構想です。

Copilot Fusionは、推論、コード生成、デバッグ、ツール利用などタスクの内容に応じ、単一または複数のモデルで処理する機能です。GitHubは、同社が示す評価指標ではFusion MaxがOpus 5.5 Maxに近いスコアを半分の費用、4割短い時間で達成したとしています。Copilot projectsでは、複数のリポジトリにまたがるエージェント作業を、管理された並列セッションで進められます。

同じクラウドエージェントの作業をGitHubアプリ、VS Code、CLI、ウェブ間で引き継ぐセッション継続機能も発表しました。Copilot automationsは、課題の振り分けやコードレビューなどを自動化し、実行結果を基に改善案を作って、人が確認・承認できるようにします。レビュー機能には重大な問題を詳しく調べるCopilot code review Maxを追加しました。

GitHub Enterpriseの顧客は、別のCopilot契約を追加せずにこれらの機能を利用でき、使ったAIクレジット分を支払います。GitHubは今年、CPUコア400万個、高速ストレージ160ペタバイト、ネットワーク容量毎秒50テラビットを追加し、Azureのマルチリージョン構成への移行も進めています。エージェント利用で増える開発量に合わせ、機能と基盤の両面を拡張する方針です。

GitHubは2026年10月28日、複数のAIモデルを連携する「Copilot Fusion」を一般提供すると発表しました。Artificial Analysisの独立評価では、Fusion MaxはClaude Opus 5.5搭載のClaude Code Maxに近い総合点を記録し、タスク当たり費用は約51％低くなりました。モデル選択の手間を減らし、AI開発費を抑える狙いです。

評価の平均費用はFusionが1タスク5.59ドル、Claude Code Maxが11.42ドルで、Coding Agent Indexの点数はそれぞれ60点と約62点でした。ただし評価項目ごとの差はあり、FusionはTerminal-Benchで首位の一方、リポジトリ変更を測るFrontierCodeではClaude Codeなどを下回りました。

Fusionは別のAIモデルではなく、推論、コード生成、デバッグ、ツール利用の内容を見てモデルを振り分ける仕組みです。単一モデルに依頼する方式、低コストのモデルから必要に応じて高性能モデルへ移す方式、別モデルに草案をレビューさせて修正する方式があり、組織のモデル利用ポリシーも反映します。

FusionはVS Code、Copilotアプリ、CLI、JetBrains IDEでCopilot各プランに提供され、呼び出したモデルの標準料金で課金されます。有料利用者にはモデル費用の一時的な30％割引もありますが、ベンチマークで測ったタスク費用の削減が、人のレビューや手戻りを含む開発総費用にも同じ割合で及ぶとは限りません。

Microsoftは2026年10月26日、米国、英国、カナダ、インドの従業員最大6万人を対象に、自主的な退職制度を提示しました。全従業員約22万3千人の4分の1超に相当し、退職者には金銭的支援とキャリア設計の資源を提供します。対象者は年齢、勤続年数、業績で選ばれず、同社は新たな一斉解雇を避けながら人員を絞る考えです。

The Vergeが事情に詳しい関係者の話として報じたところでは、AI体験、Copilot、CoreAI、Windows＋Devices、Xbox、財務、人事の各チームが対象です。クラウド＋AIやMicrosoftAI、コーポレート・対外・法務部門は一部が参加する一方、マーケティング、法人営業、Discovery and Quantum、セキュリティ部門は参加しません。

今回の制度は、数カ月前の4,800人削減や、同年に勤続年数の長い米国社員約9,000人へ示した任意退職制度とは別です。前回は年齢と勤続年数の合計などに条件がありましたが、今回は年齢、勤続年数、業績を基準にしません。

最高人事責任者のAmy Coleman氏は、この自主退職制度は同社にとって新たな試みで、運用から学ぶと説明しました。重要業務への集中や新技能の習得、社内での新たな機会も支援し、チームごとに異なる事業上の需要へ対応する方針です。

Microsoftは、事業や人員面の必要があれば、将来も自主退職制度を検討する可能性があるとしています。今回は法人営業など一部部門を対象外とし、全社一律ではなくチームごとの事業需要に合わせた運用を示しました。

AI開発企業Anthropicは2026年10月22日、AIエージェントに専門知識と業務手順を与える公開標準「Agent Skills」を、Linux Foundation傘下のAgentic AI Foundation（AAIF）へ寄贈すると発表しました。名称やロゴ、GitHub組織、公式ドメインも移管し、特定企業に偏らない運営の下で利用者が標準の今後に関与できる体制を整えます。

Agent Skillsは、特定の仕事や分野をエージェントに教えるSKILL.mdと、必要なスクリプトや参考資料を一つのフォルダにまとめる仕組みです。AnthropicはClaude Codeの開発時、一般知識だけでは実務に必要な手順知識が足りないという課題から開発しました。

2025年10月の提供開始から数週間で、開発者はGitHubに数千のスキルを公開し、Codex、Cursor、OpenCode向けの読み込み機能も作りました。同年12月の標準公開後はChatGPTやGitHub Copilot、VS Codeなど70超のエージェント基盤が統合し、公開数は100万件、導入数は約2億8,000万件に達しています。

寄贈対象には標準本体のほか、Agent Skillsの名称とロゴ、GitHub組織、agentskills.ioドメインが含まれます。利用者はAAIFに加盟しなくても標準を使い続け、仕様開発へ貢献できます。

今後はAnthropic、Google、OpenAIなどの技術者が個人として保守し、David Soria Parra氏とMahesh Murag氏が主任メンテナーを務めます。初期ロードマップには版を明示した公開、正式な提案手続き、作成者と導入者向けのセキュリティ指針を掲げ、利用者の意見と透明な意思決定を優先します。

GitHubは2026年10月20日、10年以上のJava経験を持つJava Champion3人によるGitHub Copilotの具体的な実務活用例を公開しました。3人に共通するのは、AIへ十分な文脈と検証手段を渡して実行を任せつつ、設計判断や品質、公開する成果への最終責任は人間が負うという姿勢です。

Vlad Mihalcea氏は、数週間かかると見込んでいた性能履歴アプリを2日で実装しました。自分の過去記事65本から文体を学ばせたスキルや、既存コードの慣習を守るスキルも作り、作業内容に応じて高推論モデルと軽量モデルを使い分けています。

Patrick Baumgartner氏は約900枚、15本の講義資料を8〜10時間で移行し、画面、アニメーション、PDFを比較して完全性を確かめました。要件を固めて計画を審査し、テストや文書更新など課題別の完了条件を定め、確率的なAIを決定的な品質ツールで囲むことを勧めています。

Frank Delporte氏は、Raspberry Piで5個目の入力だけ動かない不具合をCopilotに調べさせ、約30分で原因説明付きの修正案を得ました。探索先のファイルを示し、旧コードで失敗するテストと理由の説明を求めたうえで、保守担当者が全変更を審査する運用を重視しています。

GitHubは2026年10月19日、GitHub Copilotアプリで始めたエージェント作業を、会話やコード変更、作業中の文脈を保ったままVS Codeで継続する手順を公開しました。アプリ側で反復的な実装を任せ、開発者がエディターで差分確認、直接編集、ローカルテストを行い、同じプルリクエストへ反映できる一連の流れです。

Copilotアプリのセッションには、変更ファイルだけでなく、依頼内容、計画、変更に至った会話も記録されます。「Open in VS Code」を選ぶと、VS Codeはそのセッション用の同じ作業ツリーを開き、Copilotのサイドバーに既存の会話を表示するため、履歴の要約や新しいチャットへのコピーは不要です。

編集前にはSource Control画面で差分を行単位で確認し、要求を満たすか、リポジトリの慣例に沿うか、例外処理やテストが十分か、無関係な変更がないかを点検します。実装理由が不明なら、文脈を引き継いだCopilotに説明や追加修正を求められます。

開発者は同じ作業ツリー上で、文言や変数名、画面構成、テストなどを直接直せます。その後は統合ターミナルで通常のテスト、静的検査、開発サーバーを実行し、画面変更なら表示幅の違いや読み込み中、空、エラーといった周辺状態も人が検証します。

仕上げでは最終差分を再確認し、通常の手順でコミットしてプッシュします。VS Codeがセッションに結び付いた作業ツリーとブランチを開いているため、更新は既存のプルリクエストへ反映され、別のチェックアウトへのファイル移動や手作業での再接続は要りません。

GitHubは10月14日、2026年9月の可用性報告を公表し、全サービスの性能を低下させた2件の障害と、8〜9月に進めた基盤改善を説明しました。共有データベースの過負荷とCopilotコードレビューの結果欠落が発生する一方、データベース負荷の削減、GitHub Actionsの処理余力拡大、Azureへの移行を進めました。

9月13日の障害は1時間28分続き、バックグラウンドのデータ整理処理が共有データベースの主系サーバーを接続上限まで圧迫しました。短いタイムアウトがなく、失敗した書き込みを再送する処理も負荷を長引かせたため、GitHubは処理を停止し、容量監視や再試行の制御を強化しています。

9月28日にはCopilotコードレビューが52分間、結果を届けられない障害が発生しました。別サービスの変更により、一部顧客へコメントを含む完全版が送られず、欠落を直接検知する監視もなかったため、GitHubは変更を取り消し、配信確認と自動復旧、早期通知を整備します。

基盤面では、認証中核の24テーブルを最古の共有データベースから移し、複製系へのクエリを毎秒約100万件削減しました。Issuesとプルリクエスト用データベースでは不要な編集履歴約9億8000万行を削除し、週間デッドロックを6月のピーク比で約77%減らしました。

プルリクエストでは、抽出した通信の半分が共有依存先の障害時にも機能を限定して継続できるようになりました。GitHub ActionsではRedis操作を約28%、相対CPU使用量を約30%削減し、別のキャッシュ施策でRedis帯域を84%抑えています。

Azureの中部米国リージョンには10月7日時点で160サービス中120、主系MySQLデータベース51基中13基を配置しました。ただし可用性ゾーン間の容量偏在で9月11〜18日に展開と通信量拡大を止め、全サービス移行の9月30日目標も未達となっており、GitHubは可用性、容量、機能の順で改善を続けます。

NVIDIAは2026年10月13日、10月16日のRTX Spark搭載ノートPC発売に先立ち、ローカルAIエージェント、制作、開発、ゲームを支えるソフトウェア群と最適化を発表しました。最大128GBの統合メモリーと1ペタフロップのAI演算性能を備える同端末で、処理を端末内に置きつつ必要に応じてクラウドを使える環境を整え、個人PCでのAI活用を広げます。

RTX Sparkは初回起動時にエージェントアプリを選んで導入でき、GitHub CopilotやHermes、OpenClawなどは推奨モデルと設定を数クリックで適用します。OpenShellとMicrosoft Execution Containersが認証情報の保護や監視を担い、モデル振り分け技術は無料のローカル処理を優先しつつ必要な要求をクラウドへ送ります。

10月15日公開のNemotron 3.5 Bolt 74Bは、74Bパラメーターのうち9Bを動かす混合専門家モデルを2ビット量子化で24GBに収め、主要なローカル実行環境に対応します。学習データ、重み、レシピまで公開し、開発者による微調整を可能にします。正式版となったNVIDIA PAIRは、同じネットワーク上の対応PCを自動検出し、AI処理を複数端末に分散します。

制作分野では、AdobeがPhotoshop、Premiere、Substance 3Dに最大2倍の高速化を段階的に導入し、PhotoshopとPremiereのAI最適化版はベータで利用できます。NVIDIA Broadcast 2.3は録画済み素材の処理やエージェント操作に対応し、ComfyUIは映像のフレーム生成とHDR変換を追加しました。Blender 5.3には11月、DLSSによるレイ再構成が加わる予定です。

開発環境ではWindows on Arm向けのPyTorch-CUDA、Python 3.15、Condaがそろい、主要1万5,000件のPythonホイールの97％が対応しました。GitHub Copilotはローカルモデルへの振り分けを備え、端末内処理によるトークン消費の削減を図ります。ゲームでは数百作品と不正対策を支え、10月16日には2倍高速なDLSS 5モデル、10月23日にはゲーム内AI向け小型モデルとRTX Remix更新版を投入します。

Microsoftは2026年10月12日、AI推論向けの第3世代自社チップ「Maia 300」を発表しました。2027年からAzureで複数ギガワット規模の実運用に展開し、同社製品・サービスの主要なAI推論基盤に据える方針で、クラウドAIのコストと電力効率を改善しながら、NvidiaやAMD製GPUへの依存を抑える狙いです。

Microsoftによると、Maia 300は主要なGPUベースシステムと比べ、1メガワット当たりのトークン処理量が40％多い見通しです。96基のアクセラレーター構成では、ラック全体のトークン処理量がMaia 200の最大7倍に達するとしています。

Maia 300はTSMCのN2Pプロセスを採用し、計算、メモリー制御、入出力を分けるチップレット構成です。この分割により計算用のシリコン面積を増やし、各機能に適した技術を使って効率を高めます。

設計対象は、長い文脈を扱う推論、応答遅延が重要な対話、継続的な複数段階のAIエージェント処理です。Microsoftは自社AIモデルと半導体を共同設計し、基盤からモデルまでを自社で最適化する考えです。

前世代のMaia 200はすでにMicrosoft Copilot、GitHub Copilot、Microsoft Foundry、自社AIモデルの実運用に使われています。その実績を土台に、Maia 300を2027年から実運用へ順次投入し、自社チップ中心の推論基盤へ拡大します。

GitHubは2026年10月12日、GitHub Copilotにコードベース固有の規約や作業手順を理解させる四つの方法を公式ブログで解説しました。リポジトリ内のカスタム指示、エージェントスキル、カスタムエージェントに加え、MCPサーバーで外部ツールを接続し、毎回の説明を減らしながら、実装から検証までをプロジェクト標準に沿わせる狙いです。

まず、リポジトリ全体の設計方針や命名規則、テスト要件は、.github/copilot-instructions.mdに記述します。特定のファイル形式やフレームワークだけに必要なルールは、.github/instructions内のファイルで適用先を指定できます。

品質確認やリリース準備など、決まった手順を繰り返す場合はエージェントスキルが適します。.github/skills配下にSKILL.mdやスクリプトをまとめることで、Copilotは必要な場面でテストやLint、障害対応の手順を読み込めます。

アクセシビリティー審査のように複数ファイルと複数ツールを横断する仕事には、カスタムエージェントを使います。.github/agents内のプロファイルで目的、指示、利用ツール、関連するプロジェクト文脈を定義し、専門的な役割を持たせます。

MCPサーバーは、Copilotを文書や外部サービスへつなぐ仕組みです。例えばPlaywrightを接続すると、ブラウザーでアプリを操作し、自動テストの合格だけでなく画面の挙動も確認できます。まずは繰り返し説明している規約を一つ選び、カスタム指示へ追加するのが導入の起点です。

MicrosoftとNVIDIAは2026年10月7日、サンフランシスコで開いたWindows AI・Surfaceイベントで、AIエージェントをローカル実行できるRTX Spark搭載PCと、エージェント向けに刷新したWindows 11を発表しました。Surface Laptop Ultraは10月16日発売、開発者向けSurface RTX Spark Dev Boxは11月出荷予定です。

Surface Laptop Ultraは2,599ドルからで、最大128GBの統合メモリと最大1ペタフロップのAI性能を備えます。5,999ドルのDev Boxは1200億超のパラメーターを持つモデルのローカル実行を想定し、AIモデルの検証やエージェント開発、AIコーディングを支えます。

Windowsでは、エージェントをOSの管理下で安全かつ継続的に動かすMicrosoft Execution Containersを一般提供します。Copilotの「Hybrid Intelligence」はローカルとクラウドのモデルを組み合わせ、PC内のファイル検索、改名、圧縮、メール下書きなどを実行し、今後数カ月で提供予定です。

RTX SparkはBlackwell世代のGPUとGrace CPUを組み合わせ、CUDAのモデルやツール、作業手順を大幅に書き換えずに持ち込めます。Acer、ASUS、Dell、HP、Lenovo、Microsoft、MSI、Gigabyteが、ノートPCから常時稼働向け小型デスクトップまで展開します。

Microsoftはさらに、企業向けのDGX Station for Windowsも予告しました。最大748GBのコヒーレントメモリと20ペタフロップのFP4演算性能により、最大1兆パラメーター規模のモデルをWindows環境でローカル実行する構想です。企業は機密データを端末内に保つ選択肢と、既存のWindows業務環境を生かせるかを導入判断の軸にできます。

Anthropicは2026年10月7日、ClaudeをGoogle Docs、Sheets、Slidesに直接組み込む公開ベータを全有料プラン向けに開始しました。利用者はGoogleファイル内のサイドバーからClaudeに編集を指示できるほか、ClaudeのWeb画面で既存ファイルを開いたり、新しい文書・表・スライドを作ったりできます。

Docsでは選択した文や見出しを、周囲の書式を保ちながら直せます。大規模な改稿はサイドバーに提案として表示され、利用者が確認してから反映できます。

Sheetsでは数式、ピボットテーブル、ネイティブグラフ、新規タブを作成できます。データ結合や整形では範囲をPythonに取り込み、処理結果を表へ書き戻すため、説明役を超えて分析作業を担います。

Slidesでは既存デッキのレイアウトとテーマを使って新しいスライドを生成し、重なりやはみ出し、読みにくい文字も自己点検します。編集は初期設定で都度承認が必要ですが、「すべての編集を承認」に切り替えれば連続して処理できます。

アクセス権はGoogleの既存共有設定に従い、Compliance API、顧客管理暗号鍵、OpenTelemetry監査出力もWorkspaceアドオンに適用されます。GeminiやMicrosoft Copilotとの競争軸は、モデル性能だけでなく、社員が日常的に使うファイルの中で仕事を完結できるかへ移っています。

GitHubは2026年10月5日、AIコードレビューエージェントを比較する公開ベンチマーク「ReviewBench」の研究プレビューを公開しました。1億390万件の実在するプルリクエストを分析し、187の公開リポジトリから19言語、219件を選定しました。評価データや採点方法、実行ツールも公開し、開発チームが自社エージェントの精度と見逃しの傾向を同じ条件で確かめられるようにしました。

実務とのずれを抑えるため、言語とリポジトリ規模の分布はGitHub全体に合わせ、変更量は小規模案件への偏りを減らすよう調整しました。正解集は、人間のレビュー、投稿者の修正コミット、決定論的解析ツール、複数系列の先端LLMから候補を集め、意味の重複を除いたうえでClaude Sonnet 5を判定役とする共通基準で検証しています。

採点は、既存の正解集だけで適合率・再現率・F1を測る「grounded」と、正解集にない指摘の真偽も判定する「augmented」の計6指標です。重要度や分野ごとの比較に加え、Fβのβを変えて網羅性とノイズ抑制の優先度を調整できるため、チームの運用方針に合うエージェントを選べます。

正解集の品質は、構築に参加していない上級エンジニアが全件を再判定し、真偽の判断が96.6％一致しました。データセット、判定モデル、照合方法を版管理し、評価基準や検証方法、既知の限界も公開することで、結果を同じ構成で再現・再検証できるようにしています。

GitHubはCopilotコードレビューの複数モデル構成で、ReviewBenchが予測した改善方向と本番A/Bテストの結果が一致したと報告しました。本番では、修正につながったコメント率が8.0％、再現率が13.6％上昇し、コメント数は61％増えた一方、レビュー当たりの費用は8.0％低下しました。重大な指摘はオフラインで227％増、本番で262％増となりましたが、GitHubは利用者への最終的な効果を本番実験で測る位置づけとしています。

GitHubは2026年10月2日、AIが開発者の仕事を変えるなかで強化すべき3つの技能を公式ブログで示しました。実装の一部をAIエージェントに任せつつ、課題と文脈を明確に伝え、生成物を検証し、顧客ニーズや設計上のトレードオフを踏まえて最終判断する力が、これからの開発者の価値を左右すると説明しています。

第一の技能は、AIエージェントを適切に動かす指示力です。認証機能の追加なら、開発者は作業を定義して必要な文脈を与え、実装、文書、テストを担う複数のエージェントの成果をレビューし、全体を統合します。

第二は、AIの最初の回答をうのみにしない検証力です。GitHubは、別のモデルに初回の出力を批評させたうえで、人が保守性や性能、抜け漏れを判断する方法を挙げ、CopilotのRubber Duckエージェントもこの考え方を採用していると説明しました。

第三は、実装時間の短縮で生まれた余力を、より広い問題の解決に振り向ける判断力です。顧客の課題を確かめ、アーキテクチャー上の選択肢、アクセシビリティー、成功指標まで検討する責任は、引き続き開発者にあります。

何をAIに任せ、どこで人が判断するのか。コードを書く力が不要になるのではなく、その力を生成物の評価と意思決定にも生かす比重が高まります。開発チームには、AIの担当範囲と人の承認基準を明確にし、速さだけでなく品質と目的への適合を管理する視点が欠かせません。

GitHub Security Labは9月28日、オープンソースのAIセキュリティエージェント用にAndroid監査フローを作り、モバイルアプリの脆弱性24件を発見・報告したと明らかにしました。侵入口の分類と脆弱性種別の確認を段階的な指示に分け、複数回実行することで、位置情報の追跡やアカウント乗っ取りにつながる複雑な論理欠陥も検出しました。

GitHub Security Lab Taskflow Agentは、研究者が有効な指示や作業手順を自動化し、共有するための公開基盤です。今回の監査では、モバイル固有の侵入口を選別する工程と、想定すべき脆弱性を厳密に調べる工程を組み合わせ、広い探索と見落とし防止を両立させました。

地図アプリOsmAndでは、外部アプリが設定を通知なしで書き換え、地図タイルや経路の通信から利用者の位置、出発地、目的地を追跡できる欠陥を確認しました。Android版は1,000万回超ダウンロードされており、権限を持たない悪意あるアプリでも攻撃できる内容でした。

WikipediaのAndroidアプリでは、ディープリンクの接続先を確認する処理とCookieの対象判定に不備がありました。2つを組み合わせると、攻撃者のページへ利用者を誘導して長期間有効なCookieを盗み、Wikipediaを含むWikimedia各サービスのアカウントを乗っ取れます。

一方、AIは現実には成立しにくい問題を挙げたり、緩和要因を見落として重要度を誤ったりするため、モバイル分野に詳しい研究者の再検証が欠かせません。実行にはGitHub Copilotライセンスと有料モデル枠が必要で、多数のツール呼び出しにより大量のトークンを消費します。中規模リポジトリの監査には1〜2時間かかる場合があります。

AIスタートアップのAndoは2026年9月24日、人とAIエージェントが同じ場で協働する業務チャットを公開し、Accel、Index Ventures、Emergenceなどからプレシードとシードで計2000万ドルを調達したと発表しました。既存チャットではAIが追加アプリとして扱われ、人が成果や文脈を社内へ中継する負担が生じるため、AIをチームの一員として設計した点が特徴です。

AndoはSlackなどの完全な代替を掲げ、エージェントごとにIDと受信箱を付与します。チャネル、DM、グループ会話に加え、文字起こしされたライブ通話もAIが把握できます。

AIは閲覧するチャネルを選び、呼び出されなくても会話へ参加できます。別々のチャネルで同じ課題を見つけると、関係者をグループ会話へ集め、文脈の説明や判断案の提示まで自律的に行えるといいます。

競争は厳しく、SlackはSlackbotをAIエージェント化し、MicrosoftもTeamsへCopilotを統合しています。ジャック・ドーシー氏のBuzzも人とAIの会話を支援しますが、Andoは既存製品の改修ではないAIエージェント前提の設計を差別化要因にします。

現在はソフトウェア、不動産、金融分野を中心に15カ国の顧客が利用し、多くは小規模チームです。調達資金は採用とAI利用に伴うトークン費用に充てる方針で、Du氏はAIに実行・調査・調整を任せれば、少人数でも従来は数百人を要した規模で運営できるとみています。

GitHubでAI開発を担当するBurke Holland氏は2026年9月24日、GitHub Copilotアプリの「canvas」を紹介し、定型・構造化された作業ではチャットより専用画面が適するとの考えを示しました。canvasはアプリ内で動く小型のフルスタックアプリで、Copilotエージェントと双方向に連携し、用途別の操作画面をその場で作れます。

canvasはCopilotに作成を頼むことで用意でき、一般的なプログラムと同様に第三者のAPIを呼び出せるほか、利用者の端末でコードも実行できます。記事では四目並べ、Windowsのパッケージ管理、SQLite操作、ブログ執筆用エディターを例に、会話以外の操作方法を示しています。

Holland氏は、チャットですべてをエージェントに頼むと、単純な反復操作にもトークンを消費すると指摘します。エージェントに一度ツールを作らせ、その後は画面から直接操作すれば、将来の操作にかかるトークンを抑えられるという考えです。

開発工程への応用では、調査、試作、計画、実装、反復、仕上げという流れをcanvasで管理する例を紹介しました。エージェントが調査や試作を進め、確認が必要な段階で利用者に知らせるため、人が常時キーボードの前にいる必要を減らせます。

構築の手間は用途で異なり、SQLite用canvasは一度の指示で作れた一方、開発工程を自動化する例は設計と自動化に一日の大半を要しました。経営者や開発リーダーにとっての焦点は、チャットを万能窓口にするのではなく、反復頻度と構築コストを見極めて専用画面を選ぶことです。

2026年9月23日、GitHubはGitHub Copilotアプリのプルリクエスト表示を刷新し、2200ファイル、変更100万行超、400件超の行内レビューコメントを含むオープンソースの巨大PRを開けるようにしたと公表しました。コード行と高さが変わるコメントを別々に扱い、画面周辺だけを計測する設計で、通常規模のPRに近いスクロールと操作性を実現しました。

基盤は、コード行の既知の高さと、コメントなど動的ブロックの高さを別の幾何情報として管理します。コード側は型付き配列の位置計算を維持し、動的ブロックは安定した識別子、内容の指紋、幅の区分と実測値を使います。コメントの伸縮でも全コード行の位置表を作り直さずに済みます。

計測はスクロール中を避け、表示領域から約2400ピクセル以内のブロックに限定します。画面内の高さは一括で読み、未表示の近接ブロックだけを最大1件ずつ事前描画するため、処理量は文書全体ではなく表示領域に比例します。ResizeObserverは原則として再計測の印だけを付け、利用者が展開した要素などは1フレーム1回まで即時反映します。

高さの補正前に閲覧中の行やコメントとその内部位置を記録し、補正後も同じ対象が画面内に留まるようスクロール位置を調整します。利用者のスクロールとアプリ自身のスクロールも区別し、サイドバー開閉などによる再配置で閲覧位置を失う不具合を防ぎました。データ側は構造を先に配信し、構文強調や大きなMarkdownを表示直前まで遅延させます。

メモリ消費を抑えるため、離れた差分は解放しつつ、直近数件だけをキャッシュします。さらに、実装には描画数、計測時間、スクロール補正、監視の解放状況などの構造化指標を常設し、巨大PRの合成データを使うE2Eテストで予算を検証します。実アプリを無人操作する自動ループも、空白や未描画コメントを検知し、再現しにくい性能劣化の発見と回帰防止を支えました。

ニューヨーク・タイムズがOpenAIとMicrosoftを訴えた著作権訴訟で、2026年9月17日、原告側の一部黒塗りが外れた略式判決申立書が公開されました。Microsoft幹部がAI学習の記事収集を「窃盗」と評し、OpenAI幹部がChatGPTなどは出版社の「存続を脅かす」と認識していたとの社内記録を含みます。両社の公正利用の主張と、市場への影響に関する社内認識の相違が争点になりそうです。

原告側の申立書によると、Microsoft応用科学部門ディレクターのブレント・ヘクト氏は2023年1月、記事の大量収集を「前例のない窃盗」と記しました。さらに、公正利用という考えを形骸化させるとの趣旨で批判し、学習データを生む人々の雇用を生成AIが損なう現実的なリスクも社内文書で指摘されています。

OpenAIのChatGPT責任者ニック・ターリー氏は、チャットボットがニュースを代替し、改善するほど代替性が高まるため、出版社に「存続への脅威」を与えると社内で記しました。Microsoftのサティア・ナデラCEOも宣誓証言で、有料記事は学習や回答生成に使うならライセンスが必要で、OpenAIによる取得を知っていれば再学習を求めたと述べています。

収集規模も明らかになりました。OpenAIの中間学習データには原告3社の作品が9万1,692件超、Common Crawl由来のデータにはnytimes.comの文書が200万件超含まれ、MicrosoftとOpenAIの「Project Mango」には少なくとも16万903作品の複製があったと原告側は主張しています。申立書は、Bing Index経由の取得、有料記事を検知されずに迂回する方法、学習データからの著作権表示削除も挙げました。

事業面では、MicrosoftのデータでCopilotの回答機能からNYTへのクリック率が従来のBing検索比で最大93％下がったとされています。同社文書は、収益源を弱めた結果、学習元の質も落ちる悪循環を警告しましたが、新情報の多くは原告側文書からの引用で、元の証拠資料と文脈は未公開です。両社も記事掲載時点でコメントしていないため、主張と確定事実を分けて見る必要があります。

GitHubは2026年5月から8月21日にかけ、Copilot CLIやアプリ、SDKを支えるエージェント実行基盤を、TypeScriptから80万行超のRustへ移行しました。AIエージェントがコードの大半を生成し、主に1人の開発者がチームの支援を受けながら128件のPRで段階導入し、Node.jsとV8による起動、メモリ、プロセス間通信の負荷を減らしました。

当初は約13万行のTypeScriptを想定しましたが、開発が並行して進んだため、実際には約43万行の本番コードが移行対象を通過しました。各PRで部品をRustに置き換えて旧実装を削除し、14週半で135回リリースする方式により、mainブランチを常に出荷可能に保ちました。

C# SDKを使い、モデル推論とネットワーク遅延を除いた検証では、クライアント作成から1回の応答、終了までが5.25秒から292ミリ秒へ18倍高速化しました。10クライアントの追加メモリは1,383MBから126MBへ91％減りましたが、GitHubは同時期の別変更を含む特定条件の測定であり、Rustが常に同じ倍率で速いわけではないと説明しています。

移行に使ったトークンは約1,363億で、費用は約12万ドル、担当者の投入時間は概算3週間でした。キャッシュ読み取りが入力側トークンの96.22％を占め、エージェントの並列作業を支える一方、人間はアーキテクチャ、境界、例外、最終マージを判断しました。

Rustのコンパイラは名前や型の不整合を素早く検出しましたが、仕様漏れ、イベント順序、性能劣化までは防げず、既知の不具合はすべてコンパイルを通過していました。GitHubが得た教訓は、E2Eテストを変更不能な判定基準として守ること、まず挙動を忠実に移してから再設計すること、そして段階リリースと人間の監督を組み合わせることです。

GitHubの日本・韓国マーケティング責任者は2026年9月11日、GitHub Blogで、イベント準備から参加者確認、終了後のCRM登録と報告までを、GitHub Copilot、Issues、Actionsで自動化した事例を紹介しました。従来は数日かかった準備が、単一のIssueを起点に数分で完了し、人は企画判断に集中できるとしています。

中核は、イベント名や日程、地域、対象者をIssueフォームで構造化し、ラベルを合図にGitHub Actionsを動かす設計です。履歴、進捗、レビュー、意思決定の根拠を一つのIssueに集約し、APIやCLIを介してイベント管理基盤やCRMと連携します。

企画段階では、GitHub CopilotがAGENTS.mdの運用手順を読み、過去の類似企画を探してキャンペーン名や招待メールを提案します。Copilotが下書きし、人が名称、件名、日程を承認する分業により、入力の正確さと個別企画への柔軟性を両立させています。

承認後は、Actionsがランディングページの複製、UTM付きURLの生成、依頼Issueやプロジェクト項目の作成を実行します。毎朝の登録者確認は定期処理にし、終了後のCRM用データ整形と報告は二つのスラッシュコマンドにまとめました。

市場ごとに異なる終了後の作業は、MarkdownのSKILL.mdに手順として記述し、プルリクエストとCODEOWNERSで審査します。定型作業には高速で低コストのモデル、文案作成には高性能モデルを割り当てるなど、仕事に応じたモデル選択も可能です。

安全策には、外部システムを変更せず動作確認できるDRY_RUN、テスト、コードレビュー、秘密情報のプッシュ防止、組織単位のモデル利用方針を採用しました。一方、登録者確認が5日間停止しても気づかなかった失敗から、定期処理には異常を明確に通知する監視が欠かせないと説明しています。

GitHubは2026年9月10日、同年8月にGitHub Actionsや認証基盤、Copilotなどで計5件の性能低下が発生したと公表しました。急増する利用に対して一部の共有基盤やデータベースの余力が不足し、展開時の容量減少、負荷集中、クラウド事業者やAIモデル提供元の障害が影響を広げました。同社はAzure移行、容量管理、自動復旧、監視強化を優先します。

8月6日のActions障害は10時間42分続き、通常の展開で稼働Podが一時的に減った結果、サービスメッシュや残る拠点が飽和しました。8月26日には高負荷時のイベント急増で共有データベースが限界を超え、実行開始の失敗や遅延が2時間50分続きました。

8月17日の障害は7時間35分続き、単一データセンターのロードバランサーとサービスメッシュの上限超過が共有認証経路へ波及しました。クライアントの再試行不具合も負荷を増幅し、Issues、プルリクエスト、API、Actions、Copilotなどにエラーや遅延が広がりました。

8月20日はクラウド事業者側の地域障害でCopilot cloud agentのタスク状態更新が遅れ、少なくとも54組織が影響を受けました。タスク自体は完了し、作業の消失はありませんでした。8月27日は上流事業者の性能低下でKimi K3のリクエストが最大で半数超失敗しましたが、他モデルとAuto設定は影響を受けませんでした。

再発防止では、サービスメッシュとActionsの余力・自動拡張、データベース負荷を抑える自動遮断、地域切替の改善、再試行制限を進めます。短期策としてActionsジョブの33%を余剰容量へ移し、キャッシュCPUのピークを98%から80%へ下げ、約3カ月の余力を確保しました。Azureでは本番MySQLのプライマリー切替を顧客影響なく実施し、移行済みサービスの読み取り比率は最大60.4%に達しました。

GitHubは2026年9月10日、GitHub Copilotアプリで、AIエージェントが生成したコードの差分確認、コマンド実行、Webアプリの動作確認を一画面で進める方法を公開しました。従来はエディター、端末、ブラウザーを行き来する必要がありましたが、3つの内蔵パネルを並べ、変更内容と実行結果、実際の画面を確認してから採用できるようにします。

差分パネルは、追加行を緑、削除行を赤で示し、変更前後を明確にします。利用者は内容を読んだうえで、変更の承認、コメントの追加、Copilotへの再修正依頼を選べます。

端末パネルでは、プロジェクトのコマンドをCopilotアプリ内で直接実行できます。手動実行のほか、Runボタンから呼び出すスクリプトとして設定でき、複数の端末画面を切り替えながら作業できます。

ブラウザーパネルでは、開発中のWebアプリを開き、新機能を利用者と同じように試せます。Pick & Polishで画面上の要素を選び、エージェントに調整させた後、開発サーバーを再実行して結果を確認できます。

差分確認、実行、画面検証、再調整を終えたら、アプリ内で変更を承認し、プルリクエストを作成できます。AI生成コードを受け入れる前に、何が変わったか、動くか、意図通りかを確かめる流れです。

Microsoftは2026年9月4日、開発者向けに調整したWindows環境「Project Zenith」を発表しました。統合メモリ64GB以上の新端末を対象とし、開発ツールやOS設定をあらかじめ整え、300億超のパラメーターモデルをローカルで従量課金なく実行できる設計です。AI開発の実験を速め、従量制のクラウドトークンへの依存を減らす狙いです。

中核となるのは、300億超のパラメーターモデルを端末内で実行できる点です。クラウドの従量制トークンを使わずに試行錯誤でき、実験の加速とクラウド依存の低減につながるとMicrosoftは説明しています。

端末にはVisual Studio Code、GitHub Copilot、PowerToys、WinAppCLI、Windows Dev Skillsをプリインストールします。開発者がよく使うツールを最初からそろえ、すぐに開発を始められる環境を目指しています。

Windowsの初期設定も開発作業向けに変更します。ファイル拡張子、隠しファイル、タイトルバーのフルパスを表示し、長いパスを有効にする一方、最近使ったファイルやフォルダー、同期サービスのヒント、スタートメニューの案内、アカウント通知を無効にします。

第1弾はAMDがIFAで発表したRyzen AI Halo搭載の小型PCです。今後数カ月で、異なる半導体を採用する機種を含むProject Zenith端末も登場する予定です。

Microsoftは2026年9月4日、出版社や作家がOpenAIと同社を訴えた著作権訴訟の書面で、Copilotが記事や書籍をまとまって再現する例は極めて少ないと主張しました。著作物をAIの学習に使っても生成システムは原作と大きく異なる目的を持つとして、公正利用を認めて訴訟を早期に終える略式判決を裁判所に求めています。

Microsoftは証拠開示で、ニュース出版社側が雇った専門家にCopilotの会話ログ820万件を提供しました。対象は原告サイトに関するキーワードを含み、原告作品を含む可能性が特に高いログで、同社によると、AIの根拠情報として使われたニュース内容と16語以上一致したものは5万9545件でした。

調査報道センター（CIR）側の専門家が「実質的な重複」と判定したのは51件でした。作家側の分析では30語以上一致する回答は24件、評価対象212冊のうち一致があった書籍は10冊だったと、Microsoftは説明しています。

一方、ニューヨーク・タイムズはMicrosoftの結論を否定しました。証拠開示で得た文書と証言は、MicrosoftとOpenAIが報道を無断利用し、同紙のジャーナリズムを代替する商用製品を作ったことを示すと主張し、責任追及を続ける構えです。

Microsoftは、著作物を利用する学習と、異なる目的で使われる生成AIの出力を区別する必要があると訴えています。文章の一部をまれに再現しても、大規模言語モデルの学習が持つ「変容的な目的」は損なわれず、公正利用に当たるとの立場です。

出版社と作家の請求は、手続きを効率化するため1人の裁判官の下に統合されました。裁判官がMicrosoftの略式判決の求めを認めれば訴訟は早期に終わり、認めなければ審理が続きます。

GitHubは2026年9月4日、複数のAIモデルを組み合わせてコーディング課題を処理する「Project HydraFusion」を、GitHub Copilotの研究プレビューとして公開しました。依頼ごとに単独実行、段階的な高性能モデルへの切り替え、別モデルによる批評のいずれかを選び、品質、費用、待ち時間の均衡を狙います。

HydraFusionは、1モデルで解く「Single」、効率的なモデルの案を品質ゲートで判定し、必要なら強力なモデルへ回す「Cascade」、別系統のモデルが独立レビューして元のモデルが一度改稿する「Critique」を使い分けます。レビューはツールを使わない隔離環境で行い、処理の中止や検証失敗時にはパッチを適用しない設計です。

GitHubの統制されたオフライン評価では、Claude Opus 5と比べ、推定費用をDeepSWEの36％からTerminalBench 2.1の67％まで削減しました。一方、品質が上回ったのはTerminalBench 2.1の4.9ポイントだけで、DeepSWEは1.5ポイント、CheckpointBenchは0.1ポイント下回りました。

研究プレビューはCopilot CLIの「/experimental」から全Copilotプランで利用でき、基礎モデルごとの標準トークン単価で課金されます。現時点の主対象は初回の単一プロンプトによるコーディング作業で、長い対話を伴う複数ターン対応は開発中です。

企業が注目すべき点は、モデル選定だけでなく、下書き・検証・再実行を含むワークフロー自体が費用管理の単位になることです。ただし、結果は特定のモデル群、価格、ベンチマーク条件に基づくため、自社課題で品質・費用・待ち時間を測る必要があります。

GitHubは2026年9月3日、GitHub Copilot appで複数のAIエージェントを同じプロジェクト上で同時に動かす方法を初心者向けに解説しました。各セッションは別々のGit worktreeで隔離でき、固有の文脈も保持するため、作業同士の干渉を防ぎながら、利用者は稼働を見守るより結果の確認と判断に時間を振り向けられます。

GitHub Copilot appでは、依頼から完了までを一つのエージェントセッションとして扱い、セッション画面のカードで題名と進捗を確認できます。既存の処理を止めずに新しいセッションを開始でき、それぞれが独立して進みます。

並列実行を支えるのが、セッションごとに用意できるGit worktreeです。作業領域を分けることで複数のエージェントが同時に動いても互いに干渉せず、各セッションの文脈も個別に保たれます。

記事では、サンプルリポジトリ「tailspin-toys」で、funded sort機能の追加、アクセシビリティレビュー、テスト実行を三つのセッションに分けています。利用者はセッション画面で進行を追い、完了した結果から順に確認できます。

初めて試す場合、GitHubは小さな二つのタスクを同時に始める方法を勧めています。まず低リスクな作業で独立した進行を確かめれば、待ち時間を減らし、レビューと意思決定に集中する使い方を把握できます。

GitHubは2026年9月2日、AIコーディング支援のGitHub Copilotで、作業品質を落とさずモデル利用費を抑える4つの改善を公表しました。必要な文脈を残す出力圧縮、不要な行番号の削除、指示文の短縮、完了したバックグラウンド処理の結果通知により、個々の応答ではなく依頼から完了までの総費用を減らします。

GitHubの実験では、ツール出力を一律に短くすると、AIが省かれた情報を読み直したり命令を再実行したりして、全体ではトークンと時間が増える場合がありました。そこでソースコードや任意の命令結果は残し、検索結果は内容を落とさず整理し、インストール、ビルド、テストなどの反復部分だけを圧縮しています。完全な元出力を取り出せる経路も残しました。

ファイル表示から使われていない行番号を外すと、オフライン評価でモデル推論費が約5%低下しました。Copilot CLI利用者による実験でも、1人当たりの1日平均費用が約3%減り、品質や満足度に目立った悪化は確認されませんでした。ソース自体は変更せず、文脈枠を実作業へ多く割ける改善です。

専門AIを起動する機能の指示文は、自動的な書き直しと行動テストを重ねて約1300トークン短縮しました。初回実験では並列に動くべきAIが順番に実行される問題が出たため配信を止め、再発防止テストと短い新指示を追加しています。最終版は1回の利用全体で指示トークンを約1.8%、稼働1時間当たりの標準化費用を2.9%減らしました。

長時間の命令や専門AIによるバックグラウンド処理が完了した際は、従来、通知後に結果を取りに行くための追加呼び出しが必要でした。現在は複数の完了通知と結果をまとめて渡し、余分な往復をなくしています。内容を圧縮せず直接届ける変更で、AI Creditsで測るトークン関連使用量が平均約2.3%減少しました。

各変更はAIコーディング評価で事前検証し、有望な案だけを利用者による比較実験へ進めました。別製品で効果があった指示でもCopilot CLIで費用が増えた例は採用せず、数値は独立した実験のため単純には合算できません。GitHubは、局所的なトークン削減より、完了率、品質、再作業を含む作業全体の成果で効率を測るべきだとしています。

GitHubは2026年9月2日、AI支援開発で広がる「ループエンジニアリング」「スクワッド」「ハーネス」などの用語を、実際の設計や運用に結び付けて整理しました。名称を覚えること自体ではなく、作業を反復可能にし、出力を検証し、人の介入範囲とモデルへの依存度を決める基本設計の理解が重要だと説明しています。

ループエンジニアリングは、単発の指示を繰り返す代わりに、課題取得、AIへの入力、結果検証、行き詰まり時の引き継ぎを定期実行する仕組みです。Ralphループは詳細な仕様を与えて完了まで計画、実行、確認を回しますが、反復ごとにトークン、文脈、計算資源を使うため、観測、検証、経路選択、チェックポイントの設計が重要です。

スクワッドは、計画、検証、実装、テスト、レビューなど異なる役割を持つAIのチームを指します。フリートは複数のAIが同時に仕事を進める形で、スクワッドを並列または順番に動かすこともでき、専門化と並列化によって一つのAIへの集中を避けます。

ハーネスは、モデルを業務で使えるようにするツール、権限、記憶、文脈、制御機構など周辺システムの総称です。GitHub Copilotはモデルをコードベース、エディター、プルリクエスト、端末につなぐ例であり、ハーネスエンジニアリングはこの周辺設計を改善する仕事です。

ヒルクライミングは、評価を使ってAIやハーネスを継続的に良くする過程を表します。たとえばプルリクエストのレビューで重要な不具合を見つけ、有用な提案を出せているかを測り、ツールを調整します。顧客先に入るフォワードデプロイドエンジニアは、既存の営業技術職やソリューション技術職に近く、AIの道具や作業手順を現場へ組み込む役割です。

閉鎖型モデルはAPIなどで利用できても重みや学習過程を開示せず、オープンウェイトは重みを配布してもデータや学習方法まで公開するとは限りません。オープンソースモデルはコード、データ、学習過程も点検、再利用、変更でき、公開範囲が広いほど運用や監査の自由度が増します。GitHubは、流行語よりも再現性、検証、人の関与、改善方法を問い続けることが大切だとしています。

個人向けAIアシスタントOpenClawの開発者Peter Steinberger氏らメンテナーが、インタビューで運営の舞台裏を語りました。2025年11月に始まったOpenClawは、2026年8月26日時点でスター数約38万8000に達し、GitHub史上最速で成長したプロジェクトとなっています。急増する貢献者と向き合い、安全性を保つ工夫が議論の中心でした。

OpenClawのメンテナーたちは、一度に数百件ものプルリクエストを送る貢献者に直面し、その多くがAIエージェントによって自動生成されたものだったと明かしました。Steinberger氏は「もはやプルリクエストではなく、プロンプトリクエストと呼んでいる」と述べ、貢献の質を見極める難しさを語ります。一方で、非開発者やAI初心者を含む新規参加者を締め出さない姿勢は崩さず、有望なアイデアがあれば一緒に磨き上げる方針を続けているといいます。

貢献者数が指標として機能しなくなる中、メンテナーは新たな信頼の手がかりを模索しました。Vincent Koc氏は、エージェントとのやり取りの記録やスクリーンショット、テスト結果を提示してもらうことで、貢献者がどう考えて変更に至ったかを把握できると説明します。コードを書いたのが人間かAIかではなく、貢献者が機能の意味を理解しているかどうかが重視されるようになりました。レビュー作業自体もAIを活用し、GitHub Copilotで変更内容の要約を得るなど効率化が進んでいます。

急成長は新たなセキュリティリスクも生みました。マージ件数を示すバッジが信頼の証として使われる中、既存のプルリクエストを複製して実績を水増しする行為が発覚し、自社製品の宣伝目的で自動投稿する企業まで現れたといいます。またSteinberger氏は、利便性と安全性を両立させる既定値の設定が「常に難しいバランス」だと指摘し、制限を強めれば利用者から不満が出る一方、緩めればインシデントの危険が高まるジレンマを語りました。

サプライチェーン攻撃への懸念から、メンテナーは依存関係を徹底的に見直し、コア依存を削減する取り組みを進めました。あわせて、依存先プロジェクトのメンテナーとの関係構築にも力を入れているといいます。こうした知見の多くはGitHub Secure Open Source Fundへの参加を通じて得られたもので、セキュリティ実務の学習に加え、同様の課題を抱える他プロジェクトのメンテナーとつながる貴重な機会になったと参加者は振り返っています。

GitHubは2026年8月26日、公式ブログでGitHub Copilotアプリの自動化機能を使い、Dependabotが作成するプルリクエストのトリアージを自動化する手順を紹介しました。エンジニアが手作業で一件ずつ確認していた依存関係更新のレビュー作業を、Copilotに任せることで朝までに整理済みのサマリーを受け取れるようにする狙いです。設定は数ステップで完了し、既存のワークフローに組み込みやすい点が特徴です。

自動化の作成では、まず名前とトリガーを設定します。トリガーには手動実行のほか、毎時・毎日・毎週、あるいはIssue作成時など複数の選択肢が用意されており、クラウド上またはローカル環境での実行を選べます。次に、レビュー対象や確認したい観点を自然言語で記述するだけで、Copilotがタスク内容を理解します。

具体的な指示としては、オープン中のDependabotプルリクエストをリスク別にグループ分けし、安全なパッチ・マイナー更新を識別したうえで各PRのCI状態を確認し、推奨アクションを短くまとめるよう依頼します。実行が完了すると、Copilotは個々のプルリクエスト一覧ではなく、要点を整理したサマリーを返します。

サマリーの中でメジャーバージョンの更新など追加対応が必要な項目が見つかった場合は、その結果を引き継いだまま新しいCopilotセッションを開始し、移行作業を続けられます。自動化の実行履歴はすべて保存されるため、いつ何が実行され、どのような結果になったかを後から確認できます。

GitHubは、日常的に繰り返している定型作業から自動化を始めることを勧めています。Dependabotのトリアージのように反復性が高く判断基準が明確なタスクを任せることで、エンジニアはより専門性が求められる意思決定に時間を割けるようになります。

米調査会社VentureBeatが企業107社を対象に実施した最新のVB Pulse調査で、AIエージェントの運用管理に関する課題が明らかになりました。企業の85%が2つ以上のオーケストレーション基盤を併用しており、中央値は3基盤という結果です。一方で回答企業の2割は、暴走したAIエージェントの支出をリアルタイムで止められないと回答しました。

具体的な利用状況を見ると、MicrosoftのAI Foundry/Copilot Studioが70%の企業で採用され、最も高い利用率を占めています。OpenAIのAgents SDKが68%で続き、AnthropicのClaude Platformは47%でした。単一の基盤のみに絞って運用している企業はわずか15%にとどまっています。

今後についても流動的な傾向がうかがえます。回答者の53%は、2026年末までに制御の中心がハイブリッド構成になると予測しており、3分の2超の企業が年内に基盤の乗り換えを計画しています。次に検討する基盤としてはAnthropicのClaude Agent SDKが43%でトップとなり、単一ベンダーへの依存を避ける動きが鮮明です。

費用面の課題も深刻です。セキュリティや権限設定への不安、ベンダーロックインへの懸念、可視性不足などが基盤選定時の主な障壁として挙げられました。支出管理では30%が基盤標準の予算上限機能を使う一方、25%は独自ゲートウェイを構築し、21%は事後ログ確認のみで即時停止の仕組みを持たないままです。

調査ではAIエージェントの成熟度についても聞いています。システムの51%以上が真の自律型オーケストレーションだと答えた企業は16%にとどまり、35%は自律的な処理がシステム全体の25%以下にとどまると回答しました。多くの企業がまだチャットボットに近い段階から抜け出せていない実態が浮き彫りになりました。

Slackは2026年8月20日、AIエージェントと共同でコーディングできる新機能Slack Codeの提供を開始しました。プロジェクトごとに専用チャンネルを開き、AnthropicのClaudeやCognitionのDevinなどのエージェントをタグ付けするだけで作業を任せられます。複数ツールを行き来する手間をなくし、チームが一つの場所で開発を完結できるようにする狙いです。

Slack Codeのチャンネルでは、AIエージェントが提示したコードの差分をメンバー全員が確認できます。作業内容は常に可視化されており、修正案へのフィードバックや承認もチャンネル内で完結します。出荷前にはHTML出力のライブプレビューを見ながら仕上がりを確認できる点も特徴です。

タスクが完了すると、チャンネルは自動的にアーカイブされ、やり取りの記録は監査ログとして残ります。誰がどのような指示を出し、どう承認したかを後から追跡できるため、AIエージェントの活用を組織的に管理しやすくなります。

Slack Codeは現在、全てのSlackプランで利用可能です。連携するエージェントはSlackのマーケットプレイスから選べ、Claude CodeやDevin、Vercel Agent、GitHub Copilotなど発表時点のパートナー各社のエージェントは「シームレスに統合される」とSlackは説明しています。

AIエージェントを「同僚」のように扱う発想は他社にも広がっています。SpaceXAIも新たにGrok Botエージェントのベータ版を打ち出しており、業務にAIエージェントを組み込む動きが企業向けチャットツール全体で加速しています。

セキュリティ企業Adversaの研究者Rony Utevsky氏は、xAIの対話型AI「Grok」に暗号化した悪意ある指示を読み込ませることで、ユーザーのチャット履歴など個人情報を外部に流出させられることを明らかにしました。攻撃者はウェブページに暗号文と復号手順、鍵をあわせて掲載し、利用者がそのページの要約をGrokに依頼するだけで指示が実行されます。xAIは6月に問題を報告されていましたが、記事公開時点でも修正されていません。

従来のGrokは、メールやウェブページに埋め込まれた不審な指示を検知し、実行を拒否するガードレールを備えていました。しかし今回の手口では、悪意ある命令を平文ではなく暗号化して掲載し、復号方法と鍵を同じページに記載しておくことで、この防御機構を回避できることが判明しました。Grokは指示の危険性を判断できないまま復号・実行してしまい、警告や利用者への確認も一切行われません。

同様の事例は今週すでに報告されています。Microsoft 365 Copilotでも、企業向けに提供される秘密の入力を悪用し、受信トレイ内のパスワードを外部に送信させる攻撃が確認されました。二つの事例は、大規模言語モデルがプロンプトインジェクションという最も深刻な脆弱性の根本原因を自力では解決できないことを改めて示しています。

AI開発各社にとって残された選択肢は、モデルを有害な行動から遠ざけるガードレールを積み増すことだけです。専門家はこの状況を、危険なカーブの路面を根本的に改善せず、ガードレールだけを設置する道路安全対策になぞらえています。対症療法にとどまる限り、新たな回避手口が今後も見つかり続ける可能性があります。

GitHubは8月20日、8月17日に発生した大規模障害の原因究明結果を公表しました。同社の主要サービスは7時間47分にわたり停止し、認証やGitHub Actions、Copilotなど広範な機能に影響が及びました。米中部データセンターでインフラの容量が急増するトラフィックに対応しきれなかったことが原因です。

障害はコードや設定変更が原因ではなく、需要拡大に設備増強が追いつかなかった容量問題でした。4月以降、月間コミット数は14億件から29億件へと倍増しており、急成長する開発需要がインフラに大きな圧力をかけていたことが背景にあります。ただし、成長は言い訳にならないと同社は述べています。

復旧にあたっては、トラフィックの再ルーティングや影響範囲の切り離しなど複数の対応を段階的に実施しました。多くのサービスは同日中に復旧した一方、Copilot関連の一部サービスは復旧に時間を要しました。エラーによりクライアント側で再試行ループが発生し、復旧中のトラフィックをさらに増加させたため、これを制御してから安全にトラフィックを戻す必要がありました。

GitHubは今年掲げた信頼性向上策として、容量追加・効率化・アーキテクチャ上のボトルネック解消の3点に注力してきました。これまでに300万個以上のCPUコアと120ペタバイトの高速ストレージ、大規模なネットワーク容量を追加し、既存データセンターに設置可能な限りのハードウェアを導入しつつ、Azureへの移行を加速させています。現在Azureはプラットフォーム負荷の約58%、Git操作の半分を担っており、5月の12%から大きく増加しました。

今回の2件の障害を受け、GitHubはサービス間通信全体で一貫したリトライ回数の上限や予算、可変タイムアウトを適用し、再試行の連鎖による負荷増大を防ぐ方針です。あわせて、急激なトラフィック増加時に見落とされやすい優先度の低いCPU・メモリのアラートを見直すほか、重要システムの分離や依存関係の削減も進めています。

GitHubは開発者コミュニティが同社基盤に依存して開発・運用を行っている以上、高可用性は単なる技術的な約束ではないと強調しました。8月17日には信頼に応えられなかったとして責任を認めた上で、今後の拡張性と信頼性の向上を通じて信頼回復を目指す考えを示しています。

GitHubは公式ブログで、GitHub Copilotアプリの「My work」ペインの使い方を解説しました。複数のCopilotセッションを扱う開発者向けに、進行中の作業や完了したタスクを一画面でまとめて管理できる仕組みです。プルリクエストとIssueを横断して状況を把握し、次に着手すべき作業を素早く判断できます。

My workタブを開くと、まずAll・Active・Review requests・Doneの4つの既定ビューが並びます。Activeは対応中の作業、Review requestsはレビュー依頼のあるプルリクエストを表示し、Doneは完了済み案件をまとめます。表示対象はCopilotアプリ内で触れたリポジトリに自動的に絞り込まれる仕組みです。

既定ビューだけでなく、条件を指定して独自のビューを作成することも可能です。「Is: Issue」や「Assignee: Me」といったフィルターを組み合わせれば、自分に割り当てられたIssueだけを表示する専用ビューを保存できます。並び順の変更や列のカスタマイズにも対応し、リスト表示とテーブル表示を切り替えて確認できます。

アイテムを選択すれば、そのIssueやプルリクエストを文脈として新しいCopilotセッションをすぐに開始できます。複数の項目をまとめて選択し、個別に並行セッションを起こしたり、関連する複数のバグ報告を一つのセッションに統合したりすることも可能です。セッションの対象リポジトリは元のIssueと別に指定できるため、コードとIssueの置き場が異なる場合にも対応します。

My workペインは、リポジトリ横断で作業状況を一望できる中心的な画面として位置づけられています。新規Issue作成ボタンも用意されており、思いついた改善案をその場でCopilotへの依頼に変換できます。複数タスクを抱えながらも見落としなく管理できる点が、このシリーズの大きな狙いです。

セキュリティ企業Varonisの研究者らは、ユーザーがリンクをクリックするだけで同意確認なしに機密情報を盗み出せる攻撃手法を、企業向けCopilotに対して探っていました。通常なら逆解析などの手法を用いますが、今回はCopilotに直接質問を重ねるという異例の方法で、同社が非公開にしていた重大な脆弱性の手がかりを引き出すことに成功しました。

対話は質問攻めのような展開になりました。研究者が自動実行が不可能な理由やURLの構造、入力欄に文字列が入った状態でページが読み込まれた場合の挙動などを尋ねるたび、Copilotは安全機構に関する技術的な詳細を少しずつ明かしていきました。最終的にCopilotは、ユーザーの同意確認を完全に迂回できる非公開のパラメータという、マイクロソフトの企業秘密に相当する情報まで開示しました。

研究を率いたVaronisのLior Adar氏によれば、Copilotは拒否を繰り返しながらも、その都度内部構造に関する技術情報を漏らしていたといいます。同氏はそこで得た?autorun=1というパラメータを、既知の?q=パラメータと組み合わせることで、標的がリンクをクリックした瞬間に悪意あるプロンプトを自動実行させることに成功しました。

マイクロソフトはVaronisからの報告を受けた3か月後の2月、?q=パラメータによるチャット欄への自動入力を無効化する形で暫定的に対策を講じました。これによりユーザーはリンクをクリックした後、手動で文字を入力する必要が生じ、サードパーティー製ブラウザーとの連携機能にも影響が及びました。

同社は今週火曜日、この脆弱性に対するより包括的な修正を公開し、CVE-2026-24301として管理番号を割り当てました。今回の事例は、AIアシスタント自身への対話が、思わぬ形でセキュリティ上の内部情報を引き出す新たな調査手法になり得ることも示しています。

米GitHubは2026年8月14日、開発ワークフローの中で外部サービスを直接呼び出せる新機能エージェントアプリを公開しました。開発者はプルリクエストやIssueからAmplitudeやLaunchDarklyなどのエージェントを呼び出し、機能のスコープ決定からリリース判断までをGitHubを離れずに進められるようになります。

公式ブログでは、無料トライアルの招待ステップを任意化する架空の改修を例に活用法を紹介しています。まずAmplitudeエージェントに招待完了と定着率の相関を尋ねると、チーム利用者と個人利用者で傾向が異なることが判明し、対象を個人ユーザーに絞る判断につながりました。次に変更対象の依存関係についてEndor Labsエージェントに確認したところ、脆弱性などの問題はないと報告されました。

機能フラグの設定はLaunchDarklyエージェントにコメントで依頼するだけで完了し、生成されたコードはコミットとしてレビューできます。対象環境で承認が必要な場合はエージェントが承認リクエストを作成し、最終判断は人間が下す仕組みです。マージ前にはPagerDutyエージェントが直近の障害履歴と変更内容を照合し、デプロイの可否を提案します。

エージェントアプリは、Copilotクラウドエージェントと同じ基盤・ハーネス上で動作しており、開発者はサービスごとにタブを切り替える必要がなくなります。初期提供パートナーにはAmplitude、Endor Labs、LaunchDarkly、PagerDutyに加え、Packfiles、Miro、Bright Security、SonarQube、Octopus Deployも名を連ねています。

エージェントアプリはGitHub Marketplaceから組織向けに導入でき、Issueへのアサインやプルリクエストでの@メンション、Agentsタブからの選択といった方法で利用を開始できます。既存のツールを置き換えるのではなく、使い慣れたサービスをGitHubのワークフローに呼び込む点が特徴です。

GitHubは2026年8月13日、傘下の「GitHub Secure Open Source Fund」第4期で、オープンソース50プロジェクトに総額50万ドル超を投じたと発表しました。GitHub Security Labの専門家とセキュリティツール、AI活用のワークフローを組み合わせ、メンテナーの脆弱性調査と優先順位付けを後押ししました。

参加プロジェクトの一つであるOpenClawは、GitHubにおいて成長速度が最も速いオープンソースプロジェクトとして今回招待されました。プログラムを通じてインシデント対応計画を策定し、GitHub Actionsのワークフローを監査したほか、セキュリティツールの活用範囲を広げました。メンテナーは「安全なプロジェクトづくりに向けたチームの勘と力を養う上で非常に有意義だった」と振り返っています。

今回の取り組みから浮かび上がった教訓は、AIが調査や優先順位付け、対応のスピードを高める一方で、最終的に何をリリースするかを判断する責任はメンテナー自身にあるという点です。GitHub Copilotなどのツールは脆弱性のトリアージや脅威モデリング、コードレビューの補助として活用されました。

Secure Open Source Fundは3週間の集中プログラムを軸に、12カ月にわたる伴走支援を行う仕組みです。各プロジェクトはGitHub Sponsors経由で1万ドルの資金提供を受けるほか、Azureのクラウドクレジットや、6カ月・12カ月時点でのセキュリティ確認の機会も得られます。

AI関連のセキュリティ課題は、機械学習基盤からエージェントフレームワーク、開発者ツール、インターネットインフラまで幅広い分野のプロジェクトで浮上しました。GitHubは第5期プログラムへの応募を8月24日まで受け付けており、AI時代における安全なソフトウェア開発の裾野をさらに広げる考えです。

マイクロソフトは8月13日、個人向けのCopilotアプリと法人向けのMicrosoft 365 Copilotアプリを1つの新アプリに統合すると発表しました。モバイル版とウェブ版は8月中旬から、Windows版とMac版は9月中旬から順次配信され、両アプリの利用者は自動的に新アプリへ移行します。背景には、複雑化したCopilot製品群を整理し、ChatGPTやGeminiに対抗できる一体型サービスに作り直す狙いがあります。

統合に合わせて、成果が振るわなかった一部機能も終了します。ポッドキャスト生成機能やDeep Research、グループチャット機能は8月18日をもって利用できなくなり、実験的機能を集めたCopilot Labsも廃止されます。有料の法人向けプランでは、Deep Researchの代替として新機能「Researcher」が提供される予定です。

愛らしいキャラクターとして親しまれてきたアニメーション型アシスタント「Mico」も姿を消します。移行期間中は他の一部機能も一時的に利用できなくなる可能性があり、単独版Copilotアプリで作成したファイルはOneDriveへ自動的に移されます。

統合後もアカウントの扱いは維持され、個人用のMicrosoftアカウントと組織向けのMicrosoft Entra IDは引き続き切り離されます。企業向けのセキュリティやコンプライアンス、政府機関向けの管理機能にも変更はなく、基本的なCopilot機能は無料のまま提供が続きます。

米メディアの報道によると、Copilotを統括するマイクロソフト幹部は社内メモで、同アプリが顧客の生活の中で「存在する権利」を得る必要があると述べ、機能しないサービスからの撤退を求めていたといいます。今回の統合は、年内に計画される「スーパーアプリ」構想への布石であり、AnthropicのClaudeやOpenAIのChatGPT、GoogleのGeminiでも進む機能統合の流れに歩調を合わせる動きといえます。

SpaceXAIは8月12日、常時稼働型のAIエージェントサービスGrok Botをベータ公開しました。ボットはクラウド上の専用コンピューター環境を共有し、利用者が普段使うアプリやツール、ウェブサイトに自らサインインして複数手順の業務を進めます。作業が終わったときと承認が要るときだけ報告に戻る設計で、同社はこれを「AIのチームメイト」と位置づけています。

利用者はスマートフォンやデスクトップから、同僚に話しかけるようにチャットで仕事を任せられます。事前にワークフローや定型処理を組む必要はなく、複数のボットを並列で動かし、1体に他のボットの管理役を担わせることもできます。ボット同士が直接メッセージを送り合って文脈を共有したり、グループチャットで担当を割り振ったりする機能も備えます。

Grok Botは既存の作業手順を学習して保存し、利用者の進め方や文体を記憶して個人の語り口を保つとしています。途中で止まった会話や引き継ぎスレッドを追いかけ、過去のチャットから作業を再開することもできます。同社は「頼まれる前に着手し、確認が必要な場面を見極める」ように、使うほど能動的になると説明します。

今回の発表は、イーロン・マスク氏率いる同社が法人向けAIサービスで競合に追いつく動きです。すでにOpenAIのChatGPT Work、AnthropicのClaude Cowork、MicrosoftのCopilot Tasksが先行しています。Grok Botは、社内で営業アプローチやマーケティング、オフィス業務、バグ修正に使われていた試作版が土台になっています。

ベータ版はデスクトップとiOSで提供され、対象はSuperGrok Heavy、Cursor Ultra、Cursor Teams Premiumの契約者に限られます。チームや企業向けの利用は順番待ちリストの受付にとどまります。導入を検討するなら、業務を任せる見返りに自社アカウントへのログイン権限をGrokへ預ける点をどう評価するかが、最初の判断材料になります。

GitHubは8月12日、AIエージェントが書いたプルリクエストで待ち行列が埋まる開発現場への対処法をブログで公開しました。スター18万超のAutoGPTでは約150件の未処理プルリクエストの相当数がエージェント製で、創業AIエンジニアのNicholas Tindle氏は受付を閉じるのではなく通り道を設計する方針です。他人が計算資源を払って改善してくれる、という発想が出発点です。

最初に試したのは貢献者向けガイドラインとwikiの拡充でしたが、効果はありませんでした。エージェントは目の前のディレクトリにあるものしか読まないため、AutoGPTはまずCLAUDE.mdを置き、CopilotやCodexがそれを読まない問題に突き当たった後、標準のAGENTS.mdへ集約しました。文書の中身と同じくらい、置き場所が結果を左右するという指摘です。

AGENTS.mdは置かれたディレクトリにしか効きませんが、スキルは領域外からでも読み込まれます。AutoGPTのフロントエンド担当は「このフォルダのコンポーネントならStorybookのテストを書く」という発動条件付きのスキルをリポジトリに同梱し、どのAIツールが触っても自動で見つかるようにしました。バックエンドもカバレッジ80%という基準を同じやり方で守らせています。

関門は三つが効きました。テンプレートに合わないプルリクエストは自動で閉じると宣言したところ、自動化を動かす前にエージェント側が従い、テスト計画欄の文言がアプリを実際に起動して変更を検証するスキルを呼び出すようになりました。Codecovのカバレッジ閾値を必須チェックにするとエージェントは自分でテストを書き足し、ブラウザ操作を伴うCLA署名は人間かどうかの判定として機能しています。

一方で外した仕組みもあります。CIの失敗を逐一コメントするボットは通知が騒がしくなるだけと判断して停止し、あちこちに置いたAGENTS.mdは文脈を汚して逆効果だったと振り返っています。8体のエージェントを並走させる検証環境も費用がかさむため、極端に小さいか大きいプルリクエストに限定しました。

Tindle氏は、すべてのプルリクエストを受け入れる必要はないとも語ります。他人のLLM出力をマージすれば保守の負担は永続するため、閉じたうえで自分で作り直し、必要なら相手を共同著者に加えるのも正当な選択です。GitHubはプルリクエストの無効化やIssue作成の制限といった設定も用意しており、判断の基準をコードの隣に置く運用が現実解になりつつあります。

米メディアのVentureBeatは2026年8月12日、従業員100人以上の企業107社を対象としたAIエージェント基盤の調査結果を公表しました。企業は平均3.1種類のオーケストレーション基盤を同時に運用し、統治や監視への投資が進む一方で、21%は暴走したエージェントを実時間で止める手段を持たないことが分かりました。調査は2026年7月の単一波として実施されたものです。

基盤の併用は例外ではなく前提になっています。85%が2つ以上、64%が3つ以上を運用し、Microsoft AI Foundry / Copilot Studioは70%、OpenAIのAgents SDKは68%、AnthropicのClaude Platformは47%のスタックに入っています。主基盤を一つだけ挙げた61社ではMicrosoftが41%で首位、Anthropicが28%で続きました。

選定の決め手はモデルやツールをまたぐ柔軟性で29%を占め、特定の最先端モデルとの親和性を挙げた10%の約3倍でした。セキュリティと権限が17%、本番稼働の信頼性と実行制御が各15%と続き、開発の容易さ8%や総保有コスト4%を大きく上回っています。企業は開発の便利さよりも、縛られないことと制御できることを買っているわけです。

投資先も統治に寄っています。監視とデバッグが31%、セキュリティと権限の執行が30%で、両者だけで増額予定の61%を占めました。2026年末時点の制御基盤については53%がハイブリッド型を見込み、自社構築や外部への抽象化を含めると78%が制御をプロバイダー任せにしない構えです。

懸念の中身は商業的なものではありません。プロバイダー内に制御を置く際の最大のリスクとして37%がセキュリティと権限の制約を挙げ、ベンダーロックインの23%や可視性不足の22%を上回りました。乗り換えを計画する72社の検討先ではAnthropicが43%で首位となり、現在の主基盤で先行するMicrosoftの17%と対照的です。

手薄なのは費用の管理です。21%は事後のログでしか支出を把握できず、30%は主基盤に標準搭載された上限や絞り込みに頼るのみで、独自ゲートウェイの25%とモデル間ルーティングの24%が工学的に抑え込んでいる状況です。満足度4.17に対し費用対効果は3.63と3項目で最も低く、統治の設計が先に整い、計測が追いついていない構図が浮かびます。

GitHubは8月11日、公式ブログで、開発者の役割がコードの書き手から仕組みの統括者へ移るとの見解を示しました。プロンプト1回で作るデモは手軽ですが、安全かつ確実にコードを生み出し続けるには、検査と権限を組み込んだ配信の仕組みが必要になります。同社は、開発者が今後コードそのものだけでなく、その周囲にある提供プロセス全体を設計し所有していくと説明します。

示された流れはこうです。課題へのラベル追加や夜間の定時実行といった使い慣れたリポジトリのイベントを引き金に、GitHub Actions のワークフローが動き、あらかじめ範囲を絞った作業をエージェントに任せます。その成果はプルリクエストとして提出され、そこから先は機械的な検査が引き継ぎます。

静的解析やテスト、セキュリティ検査、ビルド確認が走り、CODEOWNERS や必須レビュー、ブランチ保護がマージの可否を決めます。エージェントは柔軟に動きますが、あくまで規則に基づく予測可能な境界の内側です。この決定論的な部分こそチームが仕組みを信頼できる理由だと、同社は指摘します。

では開発者は何をするのでしょうか。引き金を定義し、エージェントの権限範囲を決め、作業の受け渡しを設計します。そのうえで人間の判断をどこに残すかを決めることが、統括者としての新しい仕事だと同社は位置づけています。

導入は小さく始めるのが得策です。課題の仕分け、ドキュメントとテストの同期、リスクの低い保守更新など範囲の限られた業務を一つ選び、既存の開発基盤に GitHub Copilot を組み込むよう勧めています。クラウドエージェントによる自動化、Actions 内での Copilot CLI 実行、MCP による機能拡張は、別々の思想ではなく同じ成熟度の道筋にある選択肢だとしています。

読み手にとっての要点は、エージェントの賢さよりも、その出力を受け止める検査と統制の設計にあります。単発のプロンプトが生む一度きりの成果から、再現性のある配信へ。同社は10月28〜29日に開くイベント GitHub Universe でも、この役割の変化を主題に据えるとしています。

GitHubは8月10日、技術ブログで、サーバーサイドのJavaコードからAIエージェントを操作する「GitHub Copilot SDK for Java」の使い方を公開しました。同SDKは特定のフレームワークに依存しない初のJava向けAI連携手段と位置づけられ、Langchain4jやSpring AIといった既存ライブラリを介さずに、エージェントセッションの生成やツール登録を行えます。

名称にCopilotとありますが、用途はGitHubのサービスに限りません。provider/ProviderConfigに独自のbaseUrlとAPIキーを渡すBYOK（自前の鍵を持ち込む方式）に対応しており、OpenAIやAzure、Anthropic、OpenAI互換エンドポイントを直接利用できます。この場合、Copilotの契約は不要とされています。

APIはJava開発者になじむ形で設計されています。メソッドに@CopilotTool注釈を付けるだけでモデルが呼び出せるツールになり、JSONスキーマの生成や引数の解析、呼び出しの振り分けはSDKが担います。session.sendAndWaitの1行で、モデルの推論とツール呼び出しを繰り返すエージェントループが完結し、session.onで一つひとつのツール実行やメッセージをイベントとして受け取れます。

エンタープライズ用途で効いてくるのが、仮想スレッドとの組み合わせです。Jakarta ConcurrencyのManagedThreadFactoryから生成したコンテナ管理の仮想スレッドをExecutorとして渡すと、ツール実行時のコールバックにもCDIやJNDI、トランザクションの文脈が引き継がれます。待機中にプラットフォームスレッドを消費しないため、同時接続の多いサーバーでも負荷を抑えられます。

記事にはJakarta EE 11で組んだ不動産リード管理のサンプルアプリが付属します。Open Liberty 26.0.0.5とPrimeFaces、インメモリのH2データベースで構成され、問い合わせごとに独立したエージェントを仮想スレッド上で起動し、WebSocketで進捗をブラウザへ配信する仕組みです。複数の問い合わせを同時に投入すれば、並行動作の様子をそのまま確認できます。

一方、本番投入では権限設計が課題になります。SessionConfigのToolSetでセッションごとに使えるツールを明示的に指定でき、ファイル操作やシェル実行を含む組み込みツールを無制限に開放しない運用が推奨されています。サンプルが採用する全承認（APPROVE_ALL）はあくまで開発用で、実運用では呼び出し可否を検証する権限ポリシーの実装が求められます。

GitHubは2026年8月4日、公式ブログで、AIコーディングエージェントが生み出す巨大なプルリクエストをレビュー可能なスタック型プルリクエストへ分割する手法を公開しました。記事では買い物アシスタントに商品検索機能を追加する例を用い、1721行にふくらんだ一本の差分を、データ層からUI層まで4段の依存チェーンに組み替える流れを示しています。

背景にあるのはコーディングエージェントの生産性です。Gartnerはエージェントが2028年までにソフトウェア開発の各段階で50%の生産性向上をもたらすと予測していますが、従来の書き方を学習したエージェントは新しいデータモデルとシードデータ、APIルートと検証、クライアント接続とUIの状態処理までを一本の差分に詰め込みがちだと記事は指摘します。その結果、レビューは後回しにされ、査読者は文脈を失い、マージまでの時間が伸びていきます。

解決策の柱は分解です。例の実装では、型付きカタログとシードデータ、検証、データアクセスモジュールを最下層のfeat/catalog-dataに置き、その上に検証済みの検索APIエンドポイント、チャットとAPIの接続、商品引用カードとUI状態を順に積み上げています。層が分かれることで担当エージェントも査読者も分けられ、データはデータ責任者、UIはUI責任者が見る形に整理できます。

操作はgh stack系のコマンドに集約されます。CLI拡張はgh extension install github/gh-stackで導入し、エージェント側にはgh skill install github/gh-stackでスキルを読み込ませることで、gh stack addによる層の追加からgh stack push、gh stack submitでの一括提出まで任せられます。GitHub上では各プルリクエストの先頭にスタックマップが表示され、層の間を1クリックで移動できます。

レビューの作法も変わります。記事は上から読んで下から審査する進め方を勧めており、まず最上層で完成形の狙いをつかみ、次に最下層から順に依存を確認していきます。例では最下層でCopilot Code Reviewが2件の問題を検出し、修正を反映するとGitHubがスタックの再ベース必須を表示するため、gh stack rebaseとgh stack syncで上位層まで変更を連鎖させています。

ただし注意点もあります。ブラウザ上のRebase stackボタンはGitHubのサーバー側で処理されるため、コミッターがボタンを押した人に置き換わり、生成されるコミットに署名が付きません。署名付きコミットを求めるブランチ保護を設定している場合は、手元でgh stack rebaseを実行してからgh stack pushする方が安全だと記事は助言しています。

GitHubの法務チームは8月4日、エンジニアではない弁護士やプログラムマネージャーがGitHub Copilot CLIを使い、自分たちの業務ツールを内製した事例を公式ブログで公開しました。契約書の起案やDMCA通知の審査といった反復業務を、平易な言葉で書いた指示書だけで仕組み化した点が特徴です。担当者の一人はレビューと起案にかかる時間が約半分になったと述べています。

製品法務を担当するNgandu Kasuku氏は、データやインフラ、製品連携をめぐるパートナーシップ契約が急増したことをきっかけに、契約起案ツールterms-aiを作りました。プロジェクトの雛形を用意して指示書や起案用の資料をリポジトリに集約したことで、結果が安定し、プロンプトを都度コピーする手間もなくなったといいます。中核に置いたのは、平易な言葉を重んじる法律起案の考え方を土台にした社内スタイルガイドです。

同氏は過去に締結した契約書のライブラリも構築し、既存の取引先から追加合意書や新規契約が届いた際に、これまでの成果物を参照できるようにしました。ツールと基本的なワークフローはオープンソースとして公開する一方、契約書などの機微な情報はアクセス制御された社内環境にとどめています。最大の学びは起案が速くなったことではなく、自分の判断や仕事の進め方に合わせてツールを作れると気づいた点だと振り返ります。

オンライン安全性を担当するJesse Geraci氏は、DMCA通知を評価するためのソースコード分析から着手しました。当初は一次判定、コード比較、ライセンス確認、回避技術の検証といった定型作業向けの指示書の集まりでしたが、依頼者向けと弁護士向けで分析モードを分け、外部データも取り込む形へ育っています。プログラミングにあたる部分は、作業手順、参照方針、報告書の雛形を書いた平文のファイルでした。

この土台は現在、定型の法務ワークフローを実行するデスクトップアプリへ発展しています。対象はコード分析にとどまらず、契約レビュー、NDAの一次判定、リスク評価、コンプライアンス確認、回答文の起案まで広がり、内部では受付やリスク採点、証拠確認、報告書の組み立てといった再利用可能なスキルとエージェントに処理を振り分けます。それでも振る舞いの調整は、読みやすいMarkdownのまま法務チーム自身が行える設計です。

Geraci氏は、この仕組みが法的判断の代替ではなく、人間のレビューを中心に据えた意思決定支援だと強調します。ソフトウェア開発が主業務ではない職種にも反復作業は多く、まず自分を止めている作業を一つ選び、Copilot CLIに解決策を作らせてみることを勧めています。

OpenAIは先の週末、ニューヨーク州北部の高級リゾートに複数のインフルエンサーを招き、同社初となるブランド旅行「Summer Club」を開催しました。参加者は農場直送の食事や養蜂などのウェルネス体験を楽しみながら、同社製品の活用法を学びました。ところが投稿された動画には厳しい批判が殺到し、AIをめぐる消費者の反発の強さが浮き彫りになっています。

批判の矛先は参加者個人に向かいました。あるインフルエンサーのTikTokやInstagramの投稿には「いいホテルの部屋と引き換えに魂を売った」といったコメントや、データセンターの環境負荷との整合性を問う声が並びました。TechCrunchが問い合わせた3人目の参加者は、旅行について投稿した動画をすでに削除していたとみられます。

OpenAI広報のドリュー・プサテリ氏は、幅広いクリエイターとの協業はChatGPTの実用的な使い方を伝えるマーケティングの一環だと説明しました。今回は新たに公開されたChatGPT Workで書類や資料を作る方法を教える、教育主体の催しだったといいます。同氏は「健全な議論は歓迎する」とも述べ、批判の存在自体は否定しませんでした。

こうした取り組みは今回が突然始まったわけではありません。同社は2月、Instagramでパートナーシップ部門を率いていたチャールズ・ポーチ氏を、初のグローバル・クリエイティブ・パートナーシップ担当VPとして迎えています。インフルエンサー起用はOpenAIに限らず、AnthropicはClaudeのブランドディナーを開き、Microsoft Copilotは2月にスーパーボウルへの招待旅行を実施したと報じられています。

では、なぜ今回だけがこれほど反発を招いたのでしょうか。鍵となるのは時期で、OpenAIはオハイオ州に5000億ドル規模のデータセンターを建設する契約を結ぶ見通しで、AIインフラの社会的・環境的な影響が議論の的になっている最中に、自然に囲まれた高級リゾートで催しを開いた形になりました。国防総省との2億ドルの契約を反発の理由に挙げる声もありました。

批判コメントを書いた一人はTechCrunchに対し、多くの米国人がAIに否定的な見方を持っており、責任ある使い方の議論が必要だと語りました。「世界が燃えている時に、1泊5000ドルのスイートを自慢する時期ではありません」。製品の啓発とブランドの見え方をどう両立させるか、AI企業のマーケティングは難しい局面に入っています。

GitHubは7月30日、公式ブログでCopilotアプリのスタックセッションと積み重ね型のプルリクエスト(PR)を紹介しました。スタックとは、同じリポジトリ内で各PRが一つ下のPRのブランチを対象にし、順序付きの連鎖を作ってmainブランチに着地する仕組みです。同社のキャシディ・ウィリアムズ氏は、10年以上放置していた自作アプリの刷新でこの機能を使い、作業を分割しながら進めた過程を公開しました。

対象は2014年末ごろに作った個人用ダッシュボードで、React 15やLess、当時のreact-bootstrapが残る構成でした。同氏はPlanモードで刷新方針を練り、Claude Opus 4.8に計画を渡してGPT-5.5のレビューも受けたうえで一括実行を試みましたが、一発では通りませんでした。

原因は本人の側にありました。過去に一部を近代化したdevブランチが実運用に使われており、mainから分岐した変更では必要な機能が欠けていたのです。依頼を出すとCopilotアプリは新しいセッションを作り、失敗したPRを閉じたうえで、決めたスタイル方針をdevブランチ向けの変更へ移植しました。

次に浮上したのが、react-bootstrapに残るfindDOMNodeなどの古い記述です。ライブラリごと入れ替えるか更新で済ませるかをPlanモードで検討した結果、全面置換が推奨されましたが、進行中の作業に混ぜるとスコープが膨らみます。そこで現行分をPRにまとめ、その作業から分岐する新しいセッションを立て、devへ順番にマージする二段構えにしました。

エージェントに任せられる範囲が広がるほど、一つのPRに何千行も詰め込みたくなる誘惑は強まります。スタック構造は、依存関係のある変更を順番どおりに保ちつつ、レビュー単位を小さく抑える現実的な答えになります。PRスタックはGitHub上でコードをコミットできる場所ならどこからでも、スタックセッションはCopilotアプリから利用できます。

GitHubでAIツールを手掛けるBurke Holland氏は7月27日、公式ブログでAI開発の生産性を高める実践的なワークフローを公開しました。同氏は、日々登場する新しいツールやモデル、MCPを追いかけるより、エージェントの土台である「ハーネス」の習熟こそが最大の成果を生むと主張します。試作から計画、実装、レビューまでを既存機能だけで回す手法を、日付選択コンポーネントの開発を例に示しました。

ここで言うハーネスとは、CLIやGitHub Copilotアプリ、VS Codeなどに共通するエージェントの操作基盤を指します。Holland氏は各ツールで中核のワークフローが統一されつつあるとし、「一度学べばどこでも使える」と説きます。学習の第一歩には、テキスト操作が直接的なCLIから始めることを勧めています。

ワークフローは大きく4段階です。まず試作では、プロンプト一つで複数の画面案を生成し、API設計のような非視覚的な作業でもMermaid図で要件を可視化します。続く計画段階では、専用モードがエッジケースを次々と問いかけ、開発者が自身の専門知識でモデルを導くことが肝要だと強調します。

実装はAutopilotが担い、計画の各項目を完了するまでモデルに作業を継続させます。この間、Copilotは小型モデルの「Explore」や大型モデルの「General Purpose」といったサブエージェントを自動で使い分けます。生成結果が思い通りにならないのは当然で、品質に妥協せず反復する姿勢が最終的な完成度を左右すると同氏は述べます。

安全面では、権限を自動許可する「YOLOモード」を使う際、業務データを守るためサンドボックス環境での実行を推奨します。最終確認には、異なるAIファミリーに評価を依頼する「ラバーダック・レビュー」を用い、モデルごとの死角を補い合わせます。同氏は「今の正解は明日の反面教師になりうる」と述べ、最も簡潔な方法で再現性の高い成果を出すことに集中すべきだと結んでいます。

GitHubは、新しいCopilotアプリの使い方をまとめた初心者向けガイドを公開しました。このアプリは、AIを単一のチャット画面に閉じ込めるのではなく、プロジェクト単位で複数のエージェントセッションを並行して動かせるワークスペースとして設計されています。バグ修正やレビュー、コード探索など直線的に進まない開発の流れに合わせ、文脈を失わずにタスクを切り替えられる点が狙いです。

作業はまずプロジェクトの選択から始まります。ホーム画面で既存のプロジェクトを選ぶか、GitHubやローカル環境から新しいプロジェクトを追加すると、そのリポジトリの文脈やファイル、ツールをそろえた状態でセッションを開始できます。たとえばパンくずリストの追加を指示すれば、セッションが関連ファイルを自動で特定し、変更の適用からテスト実行まで支援します。

複数の作業を同時に進められる点も、このアプリの中心的な設計です。エージェントセッションを動かしたまま、Quick Chatで別の会話を立ち上げ、アイデアの検討やコードベースの調査を並行して行えます。元のセッションに戻れば中断した箇所から再開でき、進行状況を見失わずに複数の流れを扱えます。

UIの変更では、コードだけでなく結果を目で見て確かめることも重要です。/create-canvasスラッシュコマンドを使うと、アプリ内にブラウザキャンバスを開いて動作をプレビューできます。Canvas Dev Modeを有効にすればPick & Polishで画面上の要素を直接選び、次の指示の文脈として使いながら調整を重ねられます。

変更がまとまった後は、プルリクエストの作成とレビュー、CIのプロセスへと進みます。Agent Mergeを有効にすると、プルリクエストを監視しながらレビュー指摘への対応やCI失敗の解消、マージ競合の処理を支援します。必要なチェックがすべて通れば、開発者が最終的にマージを判断できます。

GitHubは7月22日、開発支援ツール「GitHub Copilot」と、生のAPIで同じモデルを直接呼び出す方式との違いを解説する記事を公式ブログで公開しました。「同じモデルを使えるのに、なぜCopilotに課金するのか」という問いに対し、同社はCopilotが提供するのはモデルそのものではなく、それを囲む開発基盤だと位置づけています。

Copilotの有料プランには月ごとの「GitHub AIクレジット」が付き、利用量は入力・出力・キャッシュのトークン数とモデル別の単価から算出されます。コード補完と次編集候補は定額に含まれ、より負荷の高いチャットやエージェント作業にAIクレジットが充てられます。

1タスクあたりの費用は、表示されたトークン単価だけでは決まりません。文脈の選択やツール利用、再試行、課題からレビュー済みプルリクエストに至る経路が、消費トークンと作業完了の可否を左右するためです。組織プランではAIクレジットを全体で共有し、管理者が予算設定と利用状況の追跡を行えます。

一方で生のAPIは、製品機能や社内エージェント基盤、評価環境、自動化パイプラインなど、自分たちで所有するシステムを構築する際の土台になります。プロンプトや検索、経路制御、ログ、セキュリティ、課金までを自前で管理でき、モデル呼び出しのエンドポイントはこれらの設計判断を代行しません。

GitHubは両者の中間にあたるエージェント基盤も用意しています。公開プレビュー中の「Bring Your Own Key（BYOK）」では、Anthropic、AWS Bedrock、Google、OpenAI、xAIなど自前の鍵でモデルを呼び出せ、トークン料金は各プロバイダー側へ移ります。ツールの開発と保守はGitHubが担い続けます。

モデルを有効化する権限は管理者側にあり、Copilotは20を超えるモデルに対応します。カスタム挙動や独自の統合・制御が必要なら生のAPI、既存のツールとリポジトリ内での開発作業ならCopilotを選ぶのが適切だと、記事は結んでいます。

GitHubのエンジニア、Dalia Abuadas氏は2026年7月17日、同社ブログで、AIがコードを書くコストを急落させた一方、それを所有し保守するコストは変わっていないとする論考を公開しました。Copilotのエージェント統制基盤を手がける同氏は、小さな機能追加を巡る従来の意思決定が静かに崩れ始めていると指摘します。

従来、小さな依頼で最も高くついたのはコードを書く作業でした。テストや展開計画、出荷後の挙動を誰が担うかまで考える必要があり、2時間の変更が2週間の脱線に膨らむこともありました。だからこそエンジニアは範囲を守ろうと押し返してきた、と同氏は説明します。

しかしAIエージェントは、議論が温まる間に最初のパッチを生成できます。同氏はこの生成物を成果物ではなく「探針」と位置づけ、想定通りのファイルに収まるか、テストは容易か、既存の抽象を保つかを問うべきだと述べます。抽象的な範囲論争を、具体的な差分に対する検証へ置き換えられるためです。

ここに最大の落とし穴があります。コードの生成が安かったからといって、その変更が安いとは限りません。安いと言えるのは人間が自信を持ってレビューし所有できる場合だけで、通っても誰も持ちたがらない千行の差分は先送りされたコストにすぎない、と同氏は釘を刺します。

具体的には、既存フィールドの表示追加や十分にテストされた補助関数のリファクタリングは概ね安い一方、認可の挙動やデータ保持の意味を変える変更は、差分がどれほど綺麗でも安くないと整理します。実装前の範囲管理の一部をレビューへ移せるものの、課金やプライバシー、コンプライアンスに触れる依頼は明確に断るべきだとしています。

実務では、機能フラグの内側で公開契約を変えず、最小のパッチとテストを伴う制約付きの試行を求めよ、と提案します。クリーンなパッチが出れば費用を提示して採否を問い、出なければ依頼が見た目より大きいと分かります。優れたエンジニアとは不確実性の価格をすばやく見積もれる人だ、というのが同氏の結論です。

米Meta（メタ）でデータ基盤を統括するエンジニアリング担当VP、バラク・ヤグール氏は2026年7月、カンファレンス「VB Transform 2026」で講演し、企業のITインフラは人間向けに設計されておりAIエージェント時代には対応できていないと警告しました。同社のデータシステムに届くエージェントからの問い合わせは半期で30倍に急増し、20年かけて築いた前提が崩れ始めているといいます。

ヤグール氏は、社内インフラで容量・アイデンティティ・速度という3つの前提が同時に破綻していると指摘しました。容量面では「1エンジニア＝1負荷」という常識が通用せず、1人が10のエージェントを起動し、さらに各々が下位エージェントを生む結果、1000人の組織が一夜にして10万人分の負荷を生み出すと述べています。

アイデンティティの面では、エージェントが人間でもデプロイ済みサービスでもなく、バッジも持たないまま自律的に判断するため、既存のアクセス制御の枠に収まりません。速度の面では、GitHub Copilotが平均ユーザーのコードの46%を書く一方、テストや配信の工程は速くならず、CI/CDパイプラインが新たなボトルネックになると語りました。

対策として同社が重視するのが信頼できるデータ環境です。エージェントは内部で自由にデータを探索できる一方、出力はすべて出所まで追跡・精査され、機微なフィールドは到達前にマスクされます。ヤグール氏はこの方針を「広く探索し、狭く公開する」と表現し、2月に投入したエージェント型データアプリは3カ月で社内ダッシュボードの63%に採用されたと明かしました。

モデルが相関から推論へ移行するにつれ、データ層自体も書き換わっています。「推論はデータを大量に消費する」として、ランキング処理は24時間かかるバッチETLからリアルタイム配信へ、ストレージは中身を理解して必要な列と期間だけを取り出すスキーマ認識型へと移行中です。同社は毎秒5億クエリ、学習データ読み出しで毎秒1ペタバイトの処理能力を目指しています。

こうした基盤刷新は、利用者への提案にも直結します。Instagramの42%のユーザーがアルゴリズムそのものの変更を望んでいるとし、ヤグール氏は意図を推論する会話型レコメンドを紹介しました。同氏は「人間向けに20年かけて築いた基盤を、人とエージェントが協働する世界へ作り替える時間はおそらく20カ月」と述べ、猶予の短さを訴えました。

Metaでインスタグラムを統括するアダム・モセーリ氏は最近のポッドキャストで、早ければ1〜2年以内に社員のAIトークン消費に上限を設ける必要が出てくるとの見方を示しました。優秀なエンジニアのトークン消費額が、その人の給与や雇用コストに匹敵する水準まで膨らむ可能性があるためです。そうなれば、企業は何らかの上限を導入せざるを得ないと同氏は語りました。

モセーリ氏はトークン費を、GPUやCPU、ストレージ、人件費（OpEx）などと同じ「配分すべき経営資源」と位置づけます。限られた資源をチームごとにどう割り振るかという判断と同様に、トークン予算も管理する対象になるという考えです。1人あたりの上限額は、その社員がROIの高い使い方をできると会社が信頼する度合いに応じて決まるとしています。

背景には、AI利用コストの急拡大があります。Metaは社内で運用していたトークン消費量のランキングを廃止しました。AIコストが2026年に数十億ドル規模に達する見通しとなったためです。

こうした動きはMetaに限りません。Uberは2026年のAIコーディング予算をわずか4カ月で使い切り、4月に上限を設けました。MicrosoftもコストがかさむClaude Codeのライセンスを解約し、自社のCopilot CLIへ集約しています。

一方でモセーリ氏は、Metaが現時点では社員へのトークン上限を設けていない点も明かしました。将来的にはAIモデル各社の値下げ競争によってコストが下がると見込んでいます。当面は消費量ランキングのような「無駄な仕組み」を止めることで、費用の抑制を図る方針です。

OpenAIは、家族や介護者、高齢者に向けた製品体験を開発する専任のプロダクトマネージャーをサンフランシスコで採用し始めました。求人票では、親や家族向け製品、信頼が求められる消費者向け体験の開発経験が条件とされています。ChatGPTの利用者が個人から家庭全体へと広がるなか、製品の位置づけを見直す動きです。

背景には、利用者層の明確な変化があります。Sensor Towerの推計では、世界全体で35歳以上の割合が前年同期の26%から2026年4〜6月期に31%へ上昇した一方、18〜24歳は34%から29%へ低下しました。米国では親のスマートフォン利用者の約4人に1人がChatGPTを使い、前年の16%から大きく増えています。

技術コンサルのクリエイティブ・ストラテジーズのベン・バハリンCEOは、家族向けの専任職の新設について、製品を個人の生産性向上の道具ではなく家庭向けの技術として捉え始めた表れだと指摘します。グーグルやアップル、メタがたどった道筋に似ているものの、AIはアシスタントが単に情報や機器を仲介するだけではないため、より難しい課題を伴うといいます。

利用層の広がりは、信頼と安全の新たな課題も生みます。Family Online Safety Instituteのスティーブン・バルカムCEOは今回の採用を「再設計による安全確保」と表現し、子どもや10代には大人とは異なる保護策が必要だと述べました。同団体の調査では、過去1週間に子どもが生成AIを使ったと答えた親は27%にとどまる一方、子ども自身は38%が使ったと回答し、親が実態を過小評価している状況も判明しています。

背景には、若年利用者の保護をめぐる監視の高まりもあります。OpenAIはChatGPTが子どもに害を与えたとする訴訟に複数直面しており、これに応じて10代向けの保護者管理機能や、深刻な会話を推論モデルへ振り向ける仕組み、自傷の恐れがある際に家族へ知らせる機能などを導入してきました。

親への浸透では、Sensor Towerの推計でGeminiが32%と最も広く、ChatGPTは24%、Claudeは4%、Copilotは2%と続きます。一方でChatGPTは高齢層の取り込みが競合より速く、今後は家族向けプランや子ども・10代向けプロフィール、共有メモリー、AIによる学習支援などの展開が見込まれます。

OpenAIは7月10日、ChatGPTに組み込む新しいAI代行機能ChatGPT Workを発表しました。最新の旗艦モデルGPT-5.6を基盤とし、メールやカレンダー、コード管理、チャットなど複数のアプリをまたいで、複雑な多段階の業務を自律的にこなします。従来の質問応答型のチャットボットから、実務を遂行する作業プラットフォームへと役割を広げる狙いです。

最大の特徴は、OpenAIのサーバー上で常時稼働するクラウド型の仮想マシンです。利用者がどの端末を使っていても常に待機し、ローカル機器の起動を前提とする競合との違いを打ち出しています。担当のプロダクトマネージャーは、スマートフォンからでもサイトを作成して共有できる点を新しさとして挙げました。

外部サービスとの連携には、Model Context Protocol（MCP）に基づくプラグインを用い、Gmailやカレンダー、Slack、GitHubにつなぎます。目標を伝えると作業を細かな手順に分解し、数時間かけて独力でやり遂げます。担当者は、複数人の予定を調整して10件の検証会議を一度に設定した例や、3か月かかる分析業務を1週間に短縮した例を紹介しました。

提供はPro、Enterprise、Eduから始まり、数日のうちにPlusとBusinessにも広がります。月額20ドルのPlusを含む全有料プランで使える点を戦略の柱に据えます。一方で、Slackやメールなど機微な業務データを読み取るため、企業のセキュリティ担当が導入前に慎重に精査するとの見方もあります。

競争は激しさを増しています。AnthropicのClaude Cowork、MicrosoftのCopilot Coworkと並ぶ三つ巴の構図となり、いずれもクラウド常駐で業務を実行する点は共通します。OpenAIは週9億人の利用者と5000万人の有料会員という圧倒的な普及基盤を武器に、幅広い提供で先行を狙います。

背景には、株式公開を控えるOpenAIの事情があります。同社は極秘に上場申請書のS-1を提出済みで、企業価値は7300億〜8520億ドル規模と報じられます。消費者向けの巨大な利用者層を企業収益へ転換できるかを示す製品として、ChatGPT Workの成否が問われます。

GitHubは2026年7月、AIによるコードレビュー機能「Copilot code review」の平均コストを約2割削減したと明らかにしました。共有ツールへの移行で一度は品質が悪化したものの、原因はツールではなく指示文にあると突き止め、レビュー担当者の読み方に合わせて書き換えることで改善を実現しました。品質を維持したままコストだけを下げた点が特徴です。

発端は、独自のコード探索ツールを、Copilot CLIが使う保守性の高い共有ツール（grep、glob、view）へ置き換える試みでした。単純な入れ替えで済むと見込んでいましたが、社内ベンチマークではコストが増加し、検出できる問題の数はむしろ減ってしまいました。

トレースを分析すると、エージェントが変更差分を調べるのではなく、リポジトリ全体を「閲覧」するように広く探索していたことが判明しました。共有ツールに付随する指示文がコーディング支援向けに調整されており、レビューには不向きな広範囲探索を促していたのです。

そこでチームは、指示文をレビュー担当者の手順に沿って書き換えました。差分を起点に具体的な問いを立て、grepとglobで候補を絞り込み、必要な箇所だけをviewで精読する流れです。この小さな文言変更が、エージェントの動きを「閲覧して読む」から「問い、絞り、読み、判断する」へと変えました。

効果検証を支えたのが社内ベンチマークです。最終スコアだけでなくツールの呼び出し履歴まで可視化できたため、なぜ結果が変わったのかを具体的に検証できました。結果として本番環境で約2割のコスト削減を達成し、出荷を妨げる品質低下も見られませんでした。

記事は、エージェント開発ではツールそのものより周辺のワークフローが重要だと指摘します。同じツールでも、用途に合わせた指示文とベンチマークがあってこそ効果が出るという教訓です。

OpenAIは現地時間7月9日、最新の大規模言語モデル群GPT-5.6を一般提供として公開しました。約2週間前、同モデルは政府承認組織のみへの限定公開にとどまっていましたが、トランプ政権の承認を得て一般ユーザーへの展開が可能になりました。サム・アルトマンCEOはこれを「これまでに作った中で最高のモデル」と表現し、同日には新製品ChatGPT Workもあわせて発表しています。

GPT-5.6はSol（フラッグシップ）、Terra（バランス型）、Luna（低コスト型）の3階層で構成されます。旗艦のSolはコーディングやサイバーセキュリティ、科学の分野で最先端の結果を示し、従来モデルや競合モデルをより少ないトークンかつ低コストで上回るとしています。数字は世代を、名称は性能階層を表し、それぞれ独自のペースで進化する設計です。

同時に発表されたChatGPT Workは、ChatGPTとCodexを組み合わせた新しいAIエージェントです。非技術者でもCodexの能力を非コーディング業務に活用でき、SlackやGmail、Google Drive、CRMなどと連携して文書や表計算、プレゼン資料を作成します。これはAnthropicのClaude Coworkに真っ向から対抗する製品と位置づけられています。

OpenAIはあわせて、GPT-5.6がMicrosoft 365 Copilotの推奨モデルになると明らかにしました。Word、Excel、PowerPoint、Chat、Coworkの各アプリで採用され、数百万人が日常的に使う生産性ツールに最新の旗艦モデル群が組み込まれます。マイクロソフトはモデルをネイティブに提供するほか、APIを通じても利用するとしています。

価格は100万トークンあたりSolが入力5ドル・出力30ドル、Terraが2.5ドル・15ドル、Lunaが1ドル・6ドルと、競合の最上位モデルより割安に設定されました。提供はChatGPT、Codex、APIで同日開始し、24時間かけて全世界へ段階的に広げるとしています。

一方で、政府がどのように安全性を判断したのかは不透明なままです。TechCrunchの取材に対し専門家らは、承認プロセスの実態を誰も把握していないと指摘しました。大統領令は商務省傘下の組織を中心に評価の枠組みづくりを進めるものの、どのモデルに審査が必要かを含め具体像は8月上旬まで固まらない見通しです。

セキュリティ研究者は、CursorやGitHub Copilotなど人気のAIコーディングツール9種に、大規模なボットネットを構築できる新たな攻撃手法が存在すると明らかにしました。「HalluSquatting」と名付けられたこの手法は、大規模言語モデル（LLM）が実在しない識別子を幻覚（ハルシネーション）する性質を突くもので、プロンプトインジェクション攻撃として初めて不特定多数の端末を一斉に感染させる可能性があります。