ワークフロー（ユースケース）に関するニュース一覧

欧州の住宅運営会社Heimstadenは、OpenAIのツールを使い、賃貸募集や物件管理の業務を効率化しています。空室の賃料査定、広告画像や説明文の作成、掲載内容の確認、市場反応の分析をAIが支援し、社員が最終確認と承認を担います。

オランダでは、物件の仮想演出画像の制作費が1枚約50ユーロから0.10ユーロ未満へ下がりました。同社は同国だけで年間13万ユーロの節約余地があると推計しています。またCodexで2万112件の物件資産を分析し、作業量の見積もりを5人で1年から2人で2カ月へ短縮しました。

同社は2025年6月にAI活用を加速し、従業員研修、全社変革組織、AI対応のデータ・業務基盤を柱に据えました。導入後2〜3カ月で従業員の半数が利用したと公表し、業務を理解する社内推進役の重要性も挙げています。

次の段階として、Outlook、SharePoint、Teamsをまたぐ調達情報基盤を展開中です。さらに不動産管理システムをAIワークフローに対応させ、従業員が適切な監督のもとで情報取得や処理を進められる構想です。会社は、人をなくすのではなく、住宅運営の判断や顧客対応を支える仕組みを目指しています。

Google DeepMindは、Google Antigravityに化学情報学向けの機能を加え、創薬候補の探索を支援する手法を紹介しました。肺がん治療薬に関する実例では、数千の化合物を調べ、分析と新たな分子候補、合成経路の提案までを約1時間で行ったとしています。

創薬では論文、図表、特許、製品カタログに分散した化学データをまとめ、予測モデルを作る作業に時間がかかります。同じ分子でも記述形式が異なり、原子や結合の誤りが結果を変えるため、データの正確な統合が欠かせません。

新機能では、言語モデルが検索や作業の段取り、科学的推論を担い、分子計算はRDKitなどの決定論的な化学ツールに任せます。ChEMBLやPubChemへの接続も備え、化学分野の手順をワークフローに組み込んでいます。

事例では、薬剤の文献から化合物と関連データを抽出し、回転結合を減らして薬効を高める「剛直化」の分析を進めました。提案を実験に移すには専門家の評価が必要であり、記事は研究者とエージェントが協働する作業台としての活用を示しています。

OpenAIとServiceNowは10月28日、企業向けAI連携を拡大すると発表しました。ServiceNowの業務情報やワークフローをChatGPTやCodexにつなぎ、企業がアプリを開発し、IT依頼やセキュリティ問題に対応しやすくします。新しい連携では、ChatGPT上で関連する障害を調べ、変更リスクを評価し、ServiceNowの記録を更新できます。

利用企業は自社のServiceNow環境をChatGPTに接続し、利用可能な機能を選びます。ServiceNowのAction Fabricが既存の業務ルールと権限を適用するため、実行できる操作は各組織の設定に沿います。

両社は、ServiceNowのAI Workflow FactoryでCodexを使う開発支援、資産やID情報を活用する脆弱性対応、音声でAI利用申請を作る機能も開発します。ServiceNowはエンジニアだけでなく全社員にChatGPT WorkとCodexを提供する計画です。

ServiceNow MCPプラグインはOpenAIのマーケットプレイスで提供中です。音声機能は2027年第1四半期、セキュリティ機能は同年1月に早期アクセスを始め、第2四半期の一般提供を予定しています。CodexのAI Workflow Factory対応は2027年の提供予定です。

UberとOpenAIは2026年10月22日、Uberの世界の全従業員3万人超を対象に、企業向けAIエージェント「ChatGPT Work」の提供を開始しました。日常業務のツールと接続し、複雑な多段階作業を完了まで担わせることで、部門横断の生産性向上とAI活用の検証を進めます。1000人規模の実証から全社へ広げる、同社初の知識労働向けエージェント基盤の全社導入です。

導入は先行した1000人による試験運用から拡大しました。初期利用者の約80%はエンジニア以外で、運用データの傾向分析と提案作成、多市場・多言語向け研修資料の現地化、個人用の対話型ダッシュボード作成などに活用しました。

ChatGPT WorkはGoogle Drive、Gmail、Google Calendar、Slackとつながり、情報調査、会議資料、プレゼン、データ分析、アプリをまたぐ作業を支援します。既定モデルには性能と費用効率の両立を狙うGPT-6.1 Solを採用し、音声や画像生成も用途に応じて使えます。

全社導入を支えるのは、Uberの社内AIスキル集、承認済みの連携機能、従業員研修です。対象は運用、財務、マーケティング、プロダクトなどで、開発・ソフトウェア部門はCodexの利用も継続します。

Uberは用途を細かく固定せず、各チームに試行の余地を残します。30人のAIエンジニアを各部門に配置し、2週間で主要業務の自動化を試した「AI pods」の経験も、技術と現場知識を組み合わせる方針の根拠です。

費用は公表していません。今後は利用状況、構築されたワークフロー、業務効率への寄与を追跡し、得た知見を次のAI展開に反映します。大規模導入の成否を判断する材料は、導入数だけでなく実務上の効果です。

NVIDIAのジェンスン・フアンCEOは10月21日のGTC Berlin基調講演で、企業に自社の「AI工場」構築を提唱しました。一方、VentureBeat Intelligenceが9月に実施した調査では、本番AIを運用しGPU稼働率を回答した68社のうち55社（81％）が平均50％以下で、その71％が12カ月以内にAI基盤の新規導入・追加・刷新を計画しています。

調査対象102社全体でも63％が1年以内の基盤変更を予定する一方、財務部門が確認・承認したインフラROIを持つのは10％でした。導入予定層の91％に承認済みROIがなく、既存投資の収益性を確かめる前に次の購入判断が進んでいる構図です。

購入時の重視項目は既存クラウド・データ基盤との統合が48％、性能が42％、GPUの入手性が35％でした。記事は追加調達の前に、遅延や再試行、成果につながらない資源消費がどの工程で起きるかを特定する必要があると指摘します。

特にエージェント型AIでは、推論、検索、保存、再試行、人手確認を含む成功タスク当たりのコストを中核指標に据えるべきだと提案しています。誤った顧客対応や修正を要するコードを成功扱いせず、合意した品質基準と価値の基準線を財務部門と共有する考え方です。

設計では、組織の恒久知識、作業継続用のタスク状態、推論時のキャッシュ資源という三つの「記憶」を分けて扱います。小型モデルも単価だけで選ばず、検索、状態管理、上位モデルや人への切り替えを含むワークフロー全体で品質と総コストを検証することが、過剰投資を避ける鍵です。

OpenAIとGoogle Cloudは2026年10月21日、OpenAIの先端モデルとCodexのエージェント型開発ワークフローを、Google CloudのModel Gardenで提供する提携を発表しました。数週間以内の一般提供を予定し、企業は既存のクラウド環境からAIエージェントやソフトウェア開発に活用できます。

Model GardenはGemini、Claude、Mistralなど200超の選択肢をすでに扱っています。OpenAIモデルの追加により、利用企業は性能、遅延、効率に応じて用途別にモデルを選びやすくなります。

今回の統合では、OpenAIモデルをGoogleのインフラ上で実行し、Google Cloudのアクセス制御と一元的なデータガバナンスを利用できます。機密データを扱う規制産業にとって、既存の統制の中で導入を進められる点が重要です。

購入はGoogle Cloud Marketplace経由です。既存のGCP利用契約がある企業は、その契約額をOpenAIモデルの購入に充当でき、調達手続きをまとめられます。

OpenAIモデルはGoogle AntigravityとGemini Agentにも順次追加される予定で、Codexを含む開発ワークフローの選択肢が広がります。一方、OpenAIはMicrosoftが引き続き主要クラウドパートナーだと明記しており、今回の提携はクラウド供給関係の全面的な切り替えではありません。

2026年10月12日、Epic GamesがWalt Disney Companyとの共同開発を「AIファースト」へ転換し、MarvelとStar Warsを題材にしたシューティングゲームを無期限延期したと報じられました。Bloombergが関係者と社内メッセージを基に伝え、AIにコード作成とアート制作を担わせ、人間は生成物の管理と方向付けに回る構想です。

報道によると、AnthropicのClaudeなどのモデルがコードとアート素材を生成します。人間の開発者は生成物を管理・指示し、社内では手書きコードをなくし、全面的なAIワークフローを採る方針が示されたといいます。

15億ドル規模の提携は2024年初めに発表され、当初は2027年3月の発売を想定していました。報道は、AIを巡る開発体制の再編に加え、人員不足と想定を下回る開発速度を無期限延期の背景に挙げています。

Epicの広報担当者は、開発者が構想と創造を主導する「AIによる開発加速」だと説明しました。Tim Sweeney最高経営責任者も開発者を再配置してAI活用を最大化するとし、人員削減ではなく、より多く高品質な制作を可能にする狙いだと述べています。

経営者や開発責任者にとって注目点は、全面生成したコードと素材を誰がどう検証し、品質責任を負うかです。Epicは人間の開発者が主導するとしていますが、具体的な品質管理手法と新たな発売時期は記事で明らかにされていません。

デジタル出版・AIメディア企業のInkittは2026年9月24日、文章の脚本から数分でAI映画を生成する「Inkitt Movie Creator」の公開ベータ版を自社サイトで始めました。中核は、画像・動画・言語モデルを連携させ、撮影技法や人物・場所の一貫性を管理する社内開発のCinematicaで、企業が独自AI基盤を築く際の実例となります。

Cinematicaは、多数の保有作品を長編映像にする反復的で高コストな社内業務を解くため、2026年初めに開発が始まり、現在は第3版です。約25人のチームには約15人の動画プロデューサーがおり、日々見つけた制作手法を会議で共有して基盤へ反映しています。

肌の不自然な質感や複数人物の位置・顔の入れ替わりなど、生成AIが繰り返す失敗に対する専門家の修正法を再利用できる知識として蓄積します。社内の経験だけでなく外部コミュニティーの技法も評価・標準化し、暗黙知を組織の資産へ変える設計です。

Cinematicaは特定の生成モデルに固定せず、品質や費用に応じてSeedanceやMiniMaxなどを選べるため、業務手順を維持したままモデルを交換できます。完成済み動画の生成・AI制作費は1分75〜500ドルの見積もりですが、公開時点ではAPIがなく、MCP連携も今後の予定です。

一方、直接モデルを使う場合との比較ベンチマークや、一貫性、再生成率、制作時間の改善幅は未開示です。企業にとっての示唆は、反復業務を起点に現場の専門家を改善ループへ入れ、モデルではなくワークフローと蓄積知を自社で保有しつつ、効果と追加費用を数値で検証することです。

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。

Googleは2026年9月3日、米国で個人向けAIエージェント「Gemini Spark」にGoogle Photosの管理機能を追加すると発表しました。対象は英語で利用するGemini AI ProとUltraの有資格契約者で、今後数週間かけて提供します。写真編集やアルバム作成などを会話による指示から実行し、大量の写真を整理する手間の軽減を狙います。

利用時はまず、GeminiとGoogle Photosを接続し、Geminiアプリ上部でSparkを有効にして指示を入力します。画像編集、アルバム選定、ワークフロー実行まで、写真ライブラリ内の複数作業を任せられます。

お気に入りの写真を選んだ共有アルバムの自動作成にも対応します。コンサートのチラシ写真をカレンダー予定に変えるなど、保存済み画像を次の作業へつなげられます。

新機能は米国で英語を使う対象契約者に限定され、Gemini AI ProまたはUltraへの加入が必要です。国際市場への提供時期は未定で、Googleは対象拡大の有無も明らかにしていません。

今回の更新は、面倒な日常作業を自動化し、増え続ける写真ライブラリを扱いやすくすることで、消費者向けAIの用途を探る動きです。TechCrunchは、個々の機能は小粒で、AIがソフトウェア全体をどう改善するかという説明には至っていないと評価しています。

Meta AIとイリノイ大学アーバナ・シャンペーン校の研究者らは、AIエージェントの訓練手法EvoHarness-RLを発表しました。80億パラメータの小型モデルをこの手法で訓練したところ、ベンチマークで96.9%の成功率を記録し、大規模モデルのClaude Opus 4.5に匹敵する性能を示しました。

AIエージェントは複雑な業務を遂行する際、実行環境からのログや状態を管理する「ハーネス」に依存します。従来はエンジニアが手作業でルールを書き込む必要があり、モデルを更新するたびに調整し直す手間がかかっていました。論文の共著者Xuying Ning氏は、こうした硬直的な仕組みがエンジニアリング資源を浪費する主因だと指摘しています。

EvoHarness-RLは、エージェントの外部状態を「Belief(環境認識)」「Progress(進捗管理)」「Experience(過去の知見)」の3要素に統合します。エージェントはtrack・commit・recall・noteという4つの簡潔な操作でこの状態を読み書きし、必要な情報だけを的確に取得できるようになります。

研究チームはQwen3-8Bを土台に、教師ありハーネス学習とコスト意識型の強化学習という2段階でモデルを訓練しました。その結果、テキストベースの検証環境「ALFWorld」で96.9%の成功率を達成し、既存の学習手法SkillRL(89.9%)やSkillOS(80.2%)を上回りました。

訓練済みモデルは慣れた作業では外部ツールへの参照を減らし、未知の状況では積極的に情報を参照するという柔軟な挙動を身につけました。同じ枠組みを固定モデルに組み込むだけでも、GPT-4.1は22.1ポイント、GPT-5は25.7ポイント性能が向上しています。

この手法は既存のツールや枠組みを置き換えずに追加導入できるため、企業は高性能な最先端モデルに頼らずコストを抑えた運用が可能になります。Ning氏は「ワークフローを直接記述する開発から、より良い挙動を学習させる開発への転換だ」と述べています。

Vercelは8月27日、TypeScriptコードのまま耐障害性のあるワークフローを構築できるオープンソースライブラリ「Workflow SDK」を公開したと発表しました。既存のワークフローエンジンが専用サーバーやワーカー管理など複雑なインフラを要求していた課題を解消し、新たなインフラを追加せずに長時間実行の処理を安全に扱えるようにしています。

同氏はVercel入社前、Temporalのフォークを半年ほど個人開発していましたが、快適な開発体験を実現するには実行環境そのものを自社で持つ必要があると気づいたといいます。Temporalは強力な一方、サーバー群の構築やワーカーの常時稼働、暗号化通信の設定など、動かすまでに多くの準備が必要でした。バージョンが異なるコードが実行中のワークフローと衝突する問題も、運用を難しくしていたと振り返ります。

Workflow SDKでは、関数の先頭に"use workflow"や"use step"と書くだけで、通常のTypeScript関数がそのまま耐障害性のある処理単位になります。コンパイラがコードを解析し、ワークフロー用とステップ用のバンドルに自動で分割する仕組みです。信号・照会・更新という3つの仕組みに分かれていた既存の入出力手段も、"hook"という単一の概念に統合し、Webhookの生成すらも1行で完結できるようにしました。

バックエンドは特定の技術に縛られず、Postgres、Redis、Vercel Queuesなど、既に利用しているインフラをそのまま流用できる設計です。Vercel自身が提供するワークフローサーバーも、状態を持たないただのCRUD APIにすぎず、処理の実体はオープンソースのクライアントライブラリ側にあります。同社はこの仕組みをApacheライセンスで公開し、誰でも中身を確認し拡張できるようにしたとしています。

パフォーマンス面では、ベータ版のWorkflow v5が既存APIを変更せずに最大5倍の高速化を実現したとしています。次期のv6ではサードパーティのバックエンドでも同等の速度を目指すとしており、開発は今後もGitHub上の議論を通じて公開で進める方針です。npmから"workflow@beta"を導入すれば、現時点でも試用できる状態にあるといいます。

Google（グーグル）は27日、動画生成AI「Gemini Omni」の最新版「Omni 1.1 Flash」を発表しました。開発者向けのGemini APIや一般ユーザー向けのGoogle Flowを通じて同日から提供を開始し、動画生成をより細かく制御できる新機能を追加しています。プロ用途での本番運用に耐える完成度を目指した更新です。

目玉機能の一つが、動画の続きを生成する「シーン延長」です。従来モデルが直前1秒のみを参照していたのに対し、Omni 1.1は最大10秒分の文脈を解析できるようになりました。これにより映像の一貫性や物語の整合性が向上し、10秒単位で最大40秒までの長尺動画を生成できます。

開始フレームと終了フレームを指定するだけで、その間をなめらかに補完する機能も搭載しました。複雑なカメラワークや途切れのないループ映像の制作に向いています。さらに最大3秒分の動画を参照素材として取り込み、キャラクターや構図の一貫性を保ったまま新しい映像を生成できる機能も加わりました。

制作効率を高める仕組みも強化されています。プレビュー用途では360p解像度で従来より最大60%高速かつ720p出力の3分の1のコストで下書きを生成でき、気に入った案だけを4K解像度まで高画質化できます。試作から本番までの工程を一つのワークフローで完結できる設計です。

Omni 1.1 FlashはGoogle AI StudioのGemini APIや企業向けのAgent Platform APIを通じて開発者に提供されるほか、Google AI Plus・Pro・Ultraの有料会員にはGoogle FlowやGeminiアプリでも無償で開放されます。Adobe FireflyやFigma Weave、Runwayなど複数のサービスがすでにGemini Omni Flashを組み込み、実運用を進めています。

中国のZ.aiは2026年8月26日、OpenRouter上で話題を呼んでいた謎の高性能モデル「Ox Alpha」が、自社開発のGLMシリーズ最新版であると公式に認めました。週末にかけて開発元をめぐる臆測が広がっていましたが、Bloombergの報道を受けて正体が判明した形です。ベンチマークで上位を独占していたことが、注目を集めた背景にあります。

Ox Alphaは先週末、開発元を明かさない“ステルスモデル”としてOpenRouterのランキングに突如登場し、最上位モデル群と肩を並べる性能を示していました。多くの専門家はGLM系列の後継である可能性を指摘しており、今回の発表はその見方を裏付ける結果となりました。

Z.aiによると、Ox Alphaはコーディングや長期的なエージェント作業向けに設計された推論モデルで、複雑な推論やテキストと視覚情報を組み合わせた処理にも対応するといいます。長期にわたるソフトウエア開発のワークフローを見据えた設計である点が特徴です。同社は水曜日にモデルの重みを公開し、開発者が自由に活用できるようにする方針を示しています。

今回の一件は、中国発の安価で高性能なモデルが、OpenAIやAnthropicなど欧米フロンティア企業の市場シェアを脅かしつつある流れを改めて印象づけました。Z.aiは今月すでにGLM-5.3を投入しており、一部のベンチマークではAnthropicのFable 5に匹敵する性能を示しています。

TechCrunchはZ.aiにコメントを求めていますが、本稿執筆時点で回答は得られていません。今後、Ox Alphaの実際の重みが公開されれば、性能や実用性についてより詳細な検証が進むとみられます。

英国拠点のオンライン旅行代理店loveholidaysは、この1年でOpenAIの開発ツール「Codex」を全社的に導入しました。エンジニアだけでなく、プロダクトマネージャーやデザイナー、マーケティング担当者までもがコードを書き、サービス改善に直接関わる体制を築いています。背景には、エンジニアリング部門の混雑を解消し、より多くのアイデアを製品化したいという狙いがあります。

象徴的な取り組みが「Search Playground」です。従来、新しい顧客体験のアイデアはエンジニアリングチームの優先順位付けを待つ必要がありました。同社エンジニアリング責任者のDmitri Lerko氏は「エンジニアリング時間から実験を切り離したかった」と説明しています。

Search Playgroundを通じて、これまでに10以上の新しい検索体験が生まれ、その多くが非エンジニアの手によるものです。旅行先探しを支援する「Inspire Me」機能や、マーケティングチームが数時間で構築したキャンペーン用マイクロサイトなど、実際にサイト上で稼働する事例も出ています。

同様の変化はデータ基盤やインフラ管理にも及んでいます。専門知識が必要だった変更作業を、Codexがベストプラクティスやチェック手順を組み込んだワークフローとして誰でも扱えるようにしました。データ基盤の変更成功率は58%から93%へ上昇し、サポート依頼あたりの変更件数も4倍に増えています。

全社的な効果も数字に表れています。AI支援によるコード変更の割合はこの1年で7%から79%に急拡大し、エンジニア人員をほぼ増やさないままデプロイ頻度は73%増加しました。クラウド費用は年間約3600万円、データ処理の無駄削減で年間約1億円のコスト圧縮にもつながっています。

最高技術責任者のMike Jones氏は「技術はあくまで目的達成の手段」と強調し、単なるツール導入ではなく事業課題の解決を重視する姿勢を示しています。Lerko氏も「これまで難しかったことが当たり前になりつつある」と述べ、Codexが今後もエンジニアと事業側をつなぐ共通基盤になるとの見方を示しました。

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。

画像生成AI「Stable Diffusion」を手がけるStability AIは、8月25日までにシリーズBラウンドで7600万ドルを調達したと発表しました。今回の調達にはユニバーサル ミュージック グループやソニー・ミュージックグループ、ワーナー・ミュージック・グループ、ゲーム大手Electronic Arts(EA)などエンタメ業界の大手企業が名を連ね、これまでの累計調達額は2億3200万ドルに達しました。

今回のラウンドには投資会社のAMD VenturesとPacific Alliance Venturesの2社も加わりました。2024年に同社CEOに就任したPrem Akkaraju氏は、今回の調達について「あらゆる制作者やミュージシャン、ストーリーテラーを生成AIが支える」というビジョンを体現するものだとコメントしています。Stability AIは調達資金を、音楽・映像・画像生成に対応する『クリエイティブ制作』製品群の拡充と、プロフェッショナルサービス部門の強化に充てる方針です。

Stability AIは2019年の設立以来、この1年ほどでエンターテインメント各社の制作ワークフローに生成AIを組み込む提携を相次いで締結してきました。昨年10月にはユニバーサル ミュージックおよびElectronic Artsと、11月にはワーナー・ミュージック・グループとそれぞれ提携し、単なるライセンス供与にとどまらず、AIツールの共同開発にも各社が関与する体制を築いています。

一方で同社は著作権を巡る訴訟でも大きな節目を迎えています。Getty Imagesが英国で起こした訴訟では、画像生成モデルの学習にGettyの画像を無断使用したとする主張について、裁判所がStability AI側の主張をおおむね認める判断を下しました。ただし米国では同様の訴訟が依然として係争中であり、今後の展開が注目されます。

また同社は2023年、共同創業者だったCyrus Hodes氏からも提訴されています。同氏は、もう一人の共同創業者であるEmad Mostaque氏に騙されて自身の持ち株を売却させられたと主張しており、この訴訟も継続中です。

IBMは24日、半導体の技術カンファレンス「Hot Chips」で、Arm命令とIBM独自のZ命令を同じコア上でナノ秒単位に切り替えて実行できる新型メインフレーム向けプロセッサを発表しました。次世代のIBM Z・LinuxONEシステムに搭載される見通しで、銀行や保険会社などの基幹システムに、急拡大するArm系AIソフトウェア資産を直接統合する狙いがあります。

新型チップは11個の高性能コアを備え、KVMハイパーバイザーがArm64 LinuxとZ向けLinuxの仮想マシンを振り分けるたびに、コア自体が動作モードを切り替える仕組みです。IBMシステムズ開発担当CTOのクリスチャン・ヤコビ氏によると、切替に要する時間はナノ秒単位で、性能への実質的な影響はほぼゼロだといいます。2ナノメートルの最先端プロセスで製造され、基本周波数は5.7GHz超と業界屈指の速さを誇ります。

背景にあるのは、s390xアーキテクチャ向けに全ソフトウェアを個別移植する負担の大きさです。Arm陣営には世界で2200万人超の開発者がおり、2025年には主要クラウド事業者向け計算資源の約半分がArm系だったとされます。IBM Z・LinuxONE担当のティナ・タルキニオ最高製品責任者は、顧客が求めていたのは『デュアルアーキテクチャそのもの』ではなく、周辺ワークロードを素早く動かせる環境だったと説明しています。

今回はAIアクセラレータ「Spyre」の次世代版も同時に披露されました。従来はTelumチップによる取引内での不正検知など低遅延推論が中心でしたが、新型は大規模言語モデルを用いたエージェント型ワークフローや文書理解、保険査定業務にも対応する高性能仕様になるといいます。高帯域幅メモリーを搭載し、基幹データの近くでAI推論を実行できる点が強みです。

新チップは2025年に出荷されたz17の後継機に搭載される見込みで、IBMの製品サイクルから逆算すると2028年前後の投入が想定されます。タルキニオ氏は既存のZアーキテクチャを縮小するものではないと強調し、伝統的なZ系ハードウェアの開発も並行して続けると述べました。対応はまずLinux環境に限られ、実運用環境での性能や耐障害性の検証はこれから数年かけて進める段階だとしています。

Nvidiaの研究チームは、複数の大規模言語モデルを連携させるエージェント型AIで、モデル切り替えのたびに生じる高コストな再計算を回避する技術を発表しました。異なるモデル間でKVキャッシュを線形写像により直接変換する手法で、深層学習を使わずに済むため軽量です。長時間稼働するマルチモデルAIワークフローのコストとレイテンシー削減が期待できます。

AIエージェントが複雑な推論を大規模モデルに任せたり、逆に軽量モデルへ処理を戻したりする際、受け取る側のモデルは会話全体を最初から計算し直す必要がありました。これはプレフィルと呼ばれる処理で、モデルの規模と入力長に比例してコストが増加するため、長時間の対話やエージェントセッションほど負担が重くなっていました。さらにモデルごとにキャッシュの形式が異なるため、切り替えのたびにこの重い再計算が避けられませんでした。

研究チームが着目したのは、異なるモデル間のKVキャッシュには線形的な関係があるという発見です。140億パラメータのQwen3から320億パラメータ版へのキャッシュ転写を検証したところ、単純な線形回帰だけでキーの分散の56%、複数層を組み合わせれば79%を再現できました。この結果を基に、層ごとの回帰とRoPE除去を組み合わせた変換器を設計しています。

Qwen3やLlama 3.1、Ministral 3など6組のモデルペアで検証した結果、4組では変換後の精度が通常のプレフィルに対し73〜98%を維持しました。80億パラメータのLlamaから700億パラメータ版への大幅な変換でも72.8%の精度を保持しています。処理速度は再計算に比べ2.7〜25倍速く、32,768トークンの変換もわずか278ミリ秒で完了しました。

一方でMinistralの一部の組み合わせでは、線形近似がキャリブレーションデータの範囲外にうまく対応できず、精度が大きく低下しました。この場合は非線形の多層パーセプトロンを組み込むことで精度を90%超まで回復させています。今回の検証は同じモデルファミリー内の転送に限定されており、異なるアーキテクチャ間への拡張は今後の課題です。

KVキャッシュの肥大化はエンタープライズ向けAIの大きな障壁となっており、Nvidiaは以前にも推論コストを最大8倍削減する動的メモリ圧縮技術を発表しています。MITの圧縮技術やIndexCacheなど他社の取り組みと合わせ、長時間稼働するマルチモデルエージェントのコスト管理は業界全体の重要テーマになっています。

米国の支払い管理プラットフォーム企業Stampliは、新製品「Deep Finance」の発表準備でChatGPT WorkとCodexを活用しました。当初243時間かかると見込んでいた制作作業を77時間に圧縮し、166時間の削減、3.16倍の高速化を達成しています。固定期日の中、デザイン人員が他案件に割かれる制約下での成果です。

Deep Financeは、調達から支払いまでを一元管理するStampliのプラットフォーム上で、支出データを経営層向けのインサイトに変換する製品です。マーケティングチームはCodexを使い、製品の背景情報や会議メモ、メッセージング方針を一つのシステムに統合しました。ブログ連載やローンチメール、ウェビナー資料、広告クリエイティブ、プレスリリースなど、幅広い制作物をレビュー可能な状態まで仕上げています。

発表用のヒーローアニメーション制作でも、Codexが探索から反復、仕上げまでの工程の約9割を担当しました。最終シーンとフォーマット調整のみ、外部契約者が担当する形です。プロトタイプのデモから正式なGTM発表、製品出荷までは約6週間で完了しており、従来であれば数カ月から四半期を要していたと同社は説明しています。

この体制はDeep Finance発表に限らず、Stampliの製品マーケティングチームが日常的に用いている基盤でもあります。従来は製品担当者への聞き取りやJiraチケットの確認、会議メモの読み込みといった作業を経てヘルプセンター記事や資料を作成していましたが、GPTを活用した仕組みによって多くを自動化しました。プロダクトマーケティング責任者のMelad Zahedi氏は、少人数のチームの制作量が10倍に増え、週に数百点のコンテンツを出せるようになったと述べています。

ChatGPT Workは会議準備の面でも活用されています。ある経営会議でHubSpotなど複数システムにまたがる指標が話題になった際、担当者はCodexにその場でデータの取得と分析を依頼し、20秒ほどの操作で回答を得ました。従来はFP&A;チームが半日をかけて作成していた作業だといいます。

Zahedi氏は、Deep Financeの成果を踏まえ、他の製品やワークフロー、市場投入プログラムへも同様の手法を広げていく考えを示しています。同氏は、AIを積極的に試すことで組織や個人に眠っていた余力を引き出せると強調しました。

米ITサービス管理スタートアップのServalは8月20日、企業の業務自動化を担うAIエージェント「Catalyst」を正式に提供開始し、全顧客組織でデフォルト有効化したと発表しました。Catalystは管理者に代わり、チケット履歴や業務手順書を分析して自動化ワークフローを立案するほか、問題が起票される前に修正案を提示する常駐エージェントも生成します。

Catalystは管理者向けの「スーパーエージェント」として、チケット履歴や自然言語の指示から繰り返し発生する作業を特定し、ワークフローやアクセス権限ポリシー、ダッシュボードなどを自動生成します。生成されるコードはTypeScriptベースで、承認や実行権限の制御を管理者が設定できる仕組みです。

Servalはさらに、複数システムを常時監視して問題の予兆を検知し、修正案を提案する背景エージェントもCatalystで構築しています。ある事例では2拠点のネットワーク障害の原因をスイッチ情報やDHCPデータから特定し、設定ドリフトへの対処案を自動生成しました。CEOのJake Stauch氏は「今後は従業員が申請する前にAIが行動する時代になる」と述べています。

基盤モデルにはOpenAIとAnthropicの両モデルを併用し、用途に応じて使い分ける方針です。対話や関数呼び出しはOpenAIのGPT系、コード生成はAnthropicのSonnetやOpusが高い性能を示しているといいます。ServiceNowの「Build Agent」やAtlassianの「Rovo」など競合各社も同様の自動化機能を強化しており、競争は激しさを増しています。

経費管理サービスのRampはCatalyst導入でワークフロー構築を50%高速化し、600台のノートPC交換作業で150時間を削減したといいます。Together AIはアクセス申請の95%を自動化し、Perplexityは半数以上のIT問い合わせを自動処理しています。Servalは2025年12月に評価額10億ドルでシリーズBを実施し、累計調達額は約1.27億ドルに達しました。

Vercelは2026年8月19日、AIエージェント「Vercel Agent」をSlackで利用できる新機能「Vercel for Slack」を発表しました。開発チームがSlackのチャンネルやスレッドで@Vercelとメンションするだけで、エージェントがログやデプロイ状況を踏まえて回答し、承認を得たうえで修正作業まで行います。Pro・Enterpriseプラン向けにパブリックベータとして提供が始まりました。

Vercel Agentはこれまで開発ワークフローのAIチームメイトとして提供されてきましたが、現在は本番環境の障害対応で真価を発揮しています。異常を検知すると自動でログやメトリクス、デプロイ履歴を調べて原因を特定し、CIでは見逃されがちな回帰リスクをプルリクエストの段階で指摘します。

Slackに導入すると、エージェントは会話そのものから文脈を読み取ります。デプロイ後にチェックアウトのエラー率が急上昇した際も、担当者が状況を説明し直す必要はなく、該当のデプロイと原因となった変更箇所を即座に突き止めて報告します。チーム全員が同じ診断結果を見られるため、認識合わせにかかる時間を削減できます。

プルリクエストのレビューを依頼すると、スレッドで交わされた議論も踏まえて確認し、差分の外にあるバグまで指摘した事例も紹介されています。合意が得られればエージェントが修正パッチを作成し、通常の変更と同様に承認待ちの提案として提示します。

デプロイのロールバックや設定変更、機能フラグの管理、キャッシュのパージといった運用作業もSlack上の依頼から実行できます。ただし既定では読み取り専用にとどまり、コードや設定を変更する際は必ず内容を明示した実行計画を提示し、承認を経て初めて作業に着手します。承認や実行の履歴は監査ログとして残ります。

Vercel for SlackはPro・Enterpriseプランを対象にパブリックベータとして提供が始まりました。利用にはVercelマーケットプレイスからSlackアプリを連携し、チャンネルやスレッドで@Vercelとメンションするだけで使い始められます。

AIコーディング企業のWarpは18日、AIエージェントを使ったソフトウェア開発基盤「Warp Factories」を発表しました。企業が要件定義から実装、レビュー、検証までの開発工程をエージェントに任せられるインフラ層として提供し、独自に体制を構築する余力のない中小企業を主なターゲットに据えています。

Warp Factoriesは、トリアージ・仕様策定・実装・レビュー・検証というソフトウェア開発の標準的な5段階を土台に設計されています。エージェント方式のため、各工程を自動化するかどうかは企業側で柔軟に選択可能です。WarpのZach LloydCEOは、クラウド上でのエージェント運用やメモリ管理、評価基盤の整備を自前で構築するのは大掛かりなインフラ投資になると説明しています。

同様の取り組みは大手企業がすでに独自に進めています。決済大手Stripeは、社内コードベースを一貫して自動化する「ミニオンズ」システムを構築済みです。経費管理のRampも、デプロイ後のコードを監視するバックグラウンドエージェントを開発しており、Warp Factoriesはこうした先行企業の知見を後発企業にも展開する狙いがあります。

利用企業はCodexやClaude Codeなど好みのコーディングモデルとハーネスを選択でき、LinearやJiraといったチケット管理ツール、SlackやTeamsとも連携します。既存のワークフローに組み込みやすい設計となっており、エージェントの性能比較やトークン消費量の可視化、システム自体を改善する自己改善ループも備えています。

ただしWarp FactoriesはエンジニアをAIで完全に置き換えるものではありません。Lloyd氏は現時点で自動化できているタスクは週あたり30〜35%程度と述べ、人間の判断が必要な業務が依然として多いと説明しています。モデルや文脈理解、ハーネスの性能向上に伴い、この比率は今後も上昇していく見通しです。

プロジェクト管理ツールを手がけるAsanaは、これまで5年かかると見積もっていたテスト基盤の刷新作業を、わずか2週間で完了させたと発表しました。老朽化したEnzymeというテストツールを、OpenAIの開発支援AI「Codex」を使って置き換えたもので、開発の生産性を大きく高める事例として注目されています。

Asanaはタスク管理やワークフロー自動化にAIエージェントを活用する企業で、自社のエンジニアリング組織でも大規模なコード変更にCodexを利用してきました。今回対象となったEnzymeは保守が滞っていた旧式のテストツールで、フロントエンド刷新の妨げとなっていました。

作業では、わずか5文の指示から最大4体のコーディングエージェントが並列で稼働し、それぞれ独立したコードベースの複製上で修正を進めました。担当エンジニアは1日2回進捗を確認し、提案された変更をすべてレビューしたうえで採用したといいます。複雑な指示よりも、単純な指示の方が良い結果を生んだとのことです。

実働では1.5週間分の作業を2週間かけて実施し、Enzymeを完全に撤廃しました。モデルとインフラの費用は合計で約1.2万ドルにとどまり、従来の人員計画で見積もっていた約600万ドルから大幅に圧縮されています。

この成果を受け、Asanaは長年着手を見送ってきた他の移行作業や書き換え、性能改善なども現実的な選択肢として検討できるようになったとしています。同社は、エージェントの活用がエンジニアにとって創造的な作業に集中する余地を広げる可能性があると述べています。

AIを活用したワークフロー自動化ツールRelayが、有料顧客向けサービスを9月14日に終了し、事実上の閉鎖に至ります。創業者でCEOのジェイコブ・バンク氏は同日、米GoogleのChromeチームにプロダクト担当バイスプレジデントとして復帰すると明らかにしました。無料プランの利用者はすでに8月15日にアクセスを失っており、閉鎖自体は7月に予告されていました。

Relayは2021年に、業務効率化ツールZapierの後継を目指して立ち上げられました。文書作成や校正、プロジェクト管理といった定型業務をAIで自動化し、企業の生産性向上を支援してきました。しかし競争の激しい自動化市場で存続の道を見いだせず、今回の閉鎖に至ったとみられます。

バンク氏はもともと2015年、自身が創業したスケジューリングアプリTimefulがGoogleに買収されたことをきっかけに入社しました。その後6年余りにわたり、GmailやGoogleカレンダー、Google Chatのプロダクトリードを歴任した後、Relayを設立するため退社した経緯があります。

新たな役割では、Chromeのプロダクトおよびデベロッパーリレーション部門を統括します。バンク氏はX(旧Twitter)への投稿で「AIと共に働きながら創造性や発想力を犠牲にしないツールを作り続けてきた」と述べ、Chromeを「エージェントと協働する最適な場所」と表現しました。

今回の動きは、Googleが検索やブラウザにAIを組み込む流れの延長線上にあります。対話型AI「Gemini」は既にChromeに統合されており、利用者数は今月、10億人を突破したと報告されています。バンク氏の復帰は、こうしたAI統合をさらに加速させる狙いがあるとみられます。

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。

Hugging Faceは2026年8月13日、ロボット向けSDK「Strands Agents」とデータセット規格「LeRobot」向けに、ストレージ機能「Storage Buckets」を組み合わせた新ワークフローを公開しました。ロボットの動作データをバケットに同期し、ストリーミング学習を経て実機へ配備するまでの一連の流れを、単一のエージェントで扱えるようにする内容です。

Storage Bucketsは2026年3月に発表された、バージョン管理を持たないミュータブルなオブジェクトストレージです。Xet技術によるバイト単位の重複排除に対応しており、既存データと同じ部分は再送信しません。公式のベンチマークによると、500MBのファイルのうち1%を変更して再アップロードした場合、実際に転送されるのは5.5MB程度にとどまるとしています。

学習時にはデータセット全体をダウンロードする必要がなく、stream_dataset関数を使ってHugging Face Hub上のデータを直接読み込みながら学習できます。これにより、大容量データのコピー完了をGPUが待つ時間を削減できます。実際にNVIDIA L4を1基使い、ロボット操作モデル「ACT」を500ステップ学習させたところ、所要時間は133秒だったと報告しています。

学習済みのチェックポイントは、コード中の引数をmode='real'に変更するだけで、シミュレーションから物理ロボットへとそのまま展開できます。実機で新たに記録した動作データは再びバケットへ同期され、次の学習に使われる循環構造になっています。

一方でHugging Faceは、エージェントが外部データを扱う際のプロンプトインジェクションや、バケットの認証情報の管理といったセキュリティ面の注意点も併せて示しています。特に学習データを書き込めるエージェントは、実機を動かすモデルの学習内容にも影響するため、権限を最小限に絞る運用を推奨しています。

Googleは8月13日、コーディングとAIエージェント向けの新モデルGemini 3.7 Flashを発表しました。前モデルの3.6 Flashからわずか3週間という異例の短期間での投入で、開発者からのフィードバックを反映したとしています。年内は入力・出力とも従来の半額の導入価格を提示し、コスト効率を重視する企業の採用を促す狙いです。

新モデルはコーディング性能で大きく向上しました。ソフトウェア工学のベンチマークFrontierCode 1.1では34.4%から43.6%に上昇し、長時間タスクを扱うDeepSWE v1.1も49.0%から65.3%に伸びています。ウェブ開発の指標であるWebDev ArenaのEloスコアも1538から1588まで上がりました。

価格面では、2026年内は100万トークンあたり入力0.75ドル、出力3.75ドルの導入価格を適用します。この水準は3.6 Flashの通常価格の半額に相当し、2027年1月からは入力1.50ドル、出力7.50ドルの通常価格に戻る予定です。大量のモデル呼び出しを伴うエージェント運用でコストを抑えたい企業にとって、当面の恩恵は小さくありません。

文書理解や業務自動化でも改善が見られます。複雑な文書処理を測るGDP.pdfベンチマークは22.0%から34.0%に、業務ワークフロー自動化を測るAutomationBenchは17.0%から30.4%に向上しました。パーソナルAIエージェント「Gemini Spark」にも即日反映され、Google Workspaceでのファイル整理やメール作成の精度が高まるとしています。

一方で、上位モデルGemini 3.5 Proの投入は依然として遅れており、今回の発表でも新たな時期は示されませんでした。Googleは先週、DeepMind共同創業者のデミス・ハサビス氏が日常運営から退き、Alphabetの最高科学責任者に就く人事など、AI部門の体制刷新を発表したばかりです。競合のClaude Sonnet 5やGPT-5.6 Terraと比べても一部指標では劣っており、Flash系モデルの高速投入で存在感を維持する戦略がうかがえます。

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。

OpenAIは12日、年商26億ドル超の米通信ソフト大手RingCentralの事例を公開しました。同社はエンジニアに限らず全社員にChatGPT WorkとCodexを開放し、開発から管理業務までAIを前提とした働き方へ移行しています。CEO室が主導した社内コンテストでは、非技術職や役員を含む数千人が動作する成果物を提出しました。

社内コンテスト「AI-Native Challenge」は、参加者にChatGPT WorkとCodexを配り、計画から実装、テスト、ドキュメント、CI/CDまでを一気通貫で完成させる課題でした。ワークフローの指定はなく、参加者はほぼ全員が動くリポジトリを作り上げています。単なるコーディング演習ではなく、開発ライフサイクル全体をAI前提で体験させる設計です。

この手法は自社製品の開発にも直結しています。RingCentralはAI受付のAIR、AIアシスタントのAVA、対話分析のACEといったAgentic Voice AI製品群に同じCodex中心の進め方を適用し、着想から出荷までの距離を縮めています。社内でAIを使い倒すことが、そのまま顧客向け機能の投入速度になるという構図です。

変化はエンジニアリング部門にとどまりません。プログラム管理部門（PMO）はChatGPT Workで、進捗管理や報告、リリース統制、引き継ぎまでを担う事実上の管理OSを構築しました。JiraやGoogleスプレッドシート、CRMなど複数のシステムから課題を拾い、通知を自動生成する仕組みも動いています。

プロジェクトを主導したエンジニアリング責任者は「AIネイティブ開発はエンジニアの置き換えではなく増幅だ」と述べ、要件定義やビジネス文脈の提供、アーキテクチャの判断、検証は人間が担う前提を崩していません。実験の自由を与えることは、個人のスキルを育てるだけでなく会社が動く基盤そのものを作る。RingCentralの事例はその順序を示しています。

OpenAIは8月11日、サイバーセキュリティ向けのフロンティアモデル群「Daybreak」を、AWSの生成AI基盤であるAmazon Bedrockで利用できるようにしたと発表しました。企業のセキュリティ防御担当者は、日々使い慣れたAWS環境の中から、防御業務に特化したモデルを直接呼び出せるようになります。

提供されるのは「Daybreak Blue」と「Daybreak Red」という2つのアクセス階層です。BlueはGPT-5.6 Solを含む汎用のフロンティアモデルに、認可された防御業務向けの安全策を組み合わせたもの。Redは脆弱性調査やエクスプロイトの検証、セキュリティテストのために専用学習されたモデルを提供します。

これらのモデルは、脆弱性の発見から検知ルールの設計、インシデント対応、修正の検証までを一気通貫で支援します。エクスプロイトの再現や緩和策の開発といった、手順が複雑に絡むワークフローにも対応するとしています。

企業が専門的なサイバー能力を取り込むうえで、障壁になるのはモデルの性能だけではありません。セキュリティレビューやガバナンス、調達、アクセス制御、そして現場が支えられる運用体制まで揃って、初めて実務に載ります。Bedrock経由での提供には、この手続き面の負担を減らす狙いがあります。

利用にはDaybreak Accessへの登録と承認が必要です。承認後はAmazon Bedrockのコンソール、またはbedrock-mantleエンドポイントを使うResponses APIからモデルを呼び出せます。OpenAIは今年すでにフロンティアモデルとCodexをAWSで一般提供しており、今回はその延長線上の一手といえます。

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。

スタンフォード大学のジェームズ・ゾウ准教授は8月7日、VB Transform 2026で、数万体のAIエージェントを企業のように組織化した仮想バイオテックを公開しました。2025年1月以前の公開データだけを用い、肺がんの標的CD276向け抗体薬物複合体を自律設計。数カ月後、製薬大手Merckが同じ治療設計へ独自に到達しました。

出発点は、ゾウ氏が自身の研究室を模して作った5〜8体規模の仮想ラボでした。AIの教授役が主任研究者を務め、専門の異なるAI学生役が定例会議で議論する構成で、エージェント向けにスタンフォードを再現した学校まで用意し追加学習を行わせています。この仮想ラボは新型コロナ変異株向けのナノボディを設計し、実験では人間が設計した既存品より高い結合性能を示しました。

なぜ単一の高性能モデルに計算資源を集中させず、数万体に分けるのでしょうか。同じ課題で比較したところ、複数エージェント側は議論や意見の対立を通じて誤りの連鎖に強い解を導いたといいます。互いを説得する過程が、単独のモデルより創造的で頑健な推論を引き出すという説明です。

規模を広げるほど、隘路になるのは情報を束ねる基盤です。既存のデータベースにMCPをかぶせても、人間や旧来のアルゴリズム向けのAPIはエージェントには扱いにくく、論文PDFの図表を読み違えて誤情報を生みます。同チームは複数のデータベースをAI向けの仮想ファイルシステムに写し取るPaperclipを開発し、精度を高めつつ時間と費用を一桁以上減らせたと説明しました。

実証では3.7万体の治験エージェントが分断された臨床試験データを統合し、市場到達の確率が約5割高い創薬標的の特徴を突き止めました。ゾウ氏は今後の焦点を、手順を細かく指示するワークフローから、基盤と誘因と防護柵を与える環境の設計へ移すべきだと述べています。最適化の対象は個々のモデルではなく、協働を支える環境そのものだという主張です。

npm のライブラリ keyv を管理する開発者の GitHub アカウントが8月4日に乗っ取られ、認証情報を盗むワーム「Shai-Hulud」が npm 上に広がりました。Aikido の集計で被害は868パッケージ・1381バージョンに及び、月20億回以上インストールされる規模です。深刻なのは、汚染された最初のリリースが偽造ではない正規の来歴証明（provenance）を伴っていた点です。

攻撃者は管理者が持つ各リポジトリの main ブランチへ悪意あるファイルを直接送り込み、そのままリリースを切りました。ビルドが管理者自身の GitHub Actions ワークフローを通ったため、npm は本物と区別できない署名を自動で発行したのです。JFrog が確認した経路では、ワークフロー内で OIDC トークンを公開用トークンに交換し、Sigstore の証明書まで生成していました。

一件の乗っ取りがレジストリ全体の事故に変わったのは、ワームが自己増殖したからです。侵入先で見つけた npm の公開トークンを使って被害者が管理する別のパッケージにも裏口を仕込むため、汚染された開発者が次々と配布元になっていきました。keyv は多くのツールの間接依存に潜むため、Deliveroo や Qlik、Picsart など企業スコープのパッケージにも被害が及んでいます。

盗まれていたのはキャッシュ用ライブラリではなく、クラウドの認証鍵と CI のシークレットでした。Wiz によると、ワームは Visual Studio Code と Anthropic の Claude Code が使う .claude ディレクトリにも常駐用ファイルを置き、エディタや AI コーディングを起動した時点で動くようにしていました。開発者が最も信頼し、最も点検しない場所が狙われた形です。

では何をすべきでしょうか。CrowdStrike の Adam Meyers 氏は、公開直後のバージョンを取り込まない「冷却期間」を勧めます。npm は2026年2月の CLI 11.10.0 で min-release-age、pnpm はさらに早く minimumReleaseAge を実装しており、取り込みを一週間遅らせるだけで汚染を検知する猶予が生まれます。

GitHub は公開時の二要素認証の必須化や trusted publishing で防御を固め、npm 12 では preinstall などのスクリプトを既定で無効にしました。JFrog は npm 12 以降なら今回のワームがインストール時に動かないと確認していますが、旧版のまま運用する企業は露出したままです。手薄なのは誰が公開できるかという ID の管理で、Meyers 氏の言う「彼らは侵入せず、ログインする」が今回の核心でした。

OpenAIは2026年8月4日、ChatGPT WorkとCodex向けに、教育現場に特化したプラグイン3種を発表しました。K-12教師、大学教員、大学生それぞれの専用パッケージで、ChatGPT Eduと学区向けのChatGPT for Teachersを通じて提供されます。新学期に合わせ、複雑なプロンプトを自ら組まずにエージェント機能を使えるようにする狙いです。

プラグインとは、アプリ、役割別のスキル、指示文、定番のワークフローをひとまとめにしたパッケージを指します。K-12教師向けは、習熟度別の教材作成やインタラクティブな図版の設計、授業改善につながる示唆の抽出を支援します。公共のAIデータセットを整備するLearning Commonsと連携し、地域の学習指導基準に沿った教材を作れる一方、評価や指導方針の判断は教師側に残る設計です。

大学教員向けは、シラバスの更新、多様な学習者に合わせた教材の調整、LMS向けのコンテンツ整形などに対応します。大学生向けは、学生が選んだ資料から学習ガイドや小テスト、フラッシュカード、視覚的な解説を生成し、個別指導型の対話で難しい概念を反復できます。いずれもカレンダーや文書など承認済みのツールと接続し、案件ごとに文脈を作り直す手間を省きます。

投入の背景にあるのは、利用の深さの差です。18〜24歳のChatGPT週間利用者は2億人を超える一方、OpenAIはAIができることと実際の使われ方の間に活用格差が広がっていると指摘します。学生の中で進んだ使い方をする層でさえ、パワーユーザーと比べて機能の活用度は90〜99%低いといいます。

同社は2024年のChatGPT Edu提供開始以降、テキサス州ヒューストン学区やバージニア州フェアファックス、ペンシルベニア大学ウォートン校、カリフォルニア州立大学システムなどへ導入を広げてきました。エストニアではChatGPT Eduが学生2万人超と教員4600人に届き、タルトゥ大学やスタンフォード大学との長期追跡研究も進んでいます。学生主導のコミュニティOpenAI Student Collectiveや、研究者に12カ月分のPro相当アクセスを与えるプログラムも並行して立ち上げました。

教員側の育成も同時に進みます。アメリカ教職員連盟(AFT)と設立した全米AI教育アカデミーでは、OpenAIが創設パートナーとして5年間でK-12教員40万人、米国の教員の約10人に1人の育成を目指します。ウォルトン・ファミリー財団との協働では、8都市で1600人を超える教員や学区の管理職が無料の実地研修に参加しました。

NVIDIAは8月4日、自動運転車とロボタクシー向けの推論基盤モデル「Alpamayo 2 Super」をHugging Face上で公開し、商用利用を解禁しました。ライセンスはLinux Foundationが策定した寛容型のOpenMDW-1.1で、微調整や派生モデルの作成、商用での再配布までを認めます。これまで研究開発向けだった同モデル群を、そのまま製品化に持ち込める形へ切り替えました。

重みの公開は、AV開発企業にとって費用面の意味も持ちます。各社は自社のデータと基盤を手元に置いたまま調整でき、あらゆる基礎機能をゼロから再学習したり、タスクごとにフロンティアモデルの利用料を払ったりせずに済みます。旧世代のAlpamayo 1.5とAlpamayo 1にもOpenMDWが適用され、系列全体が追加の許諾なしで商用展開できるようになりました。

性能面では、自動運転の推論を測るベンチマークLingoQAで、評価対象となった約40モデルのうち首位に立ちました。NVIDIAの測定では、Lingo-Judge指標でQwen2.5-VL 72Bを17.0ポイント、Gemini 2.5 Proを15.1ポイント、GPT-4oを23.2ポイント上回っています。モデル規模は100億パラメータのAlpamayo 1.5および1の3倍で、事例の少ないまれな多者間の交錯でも推論を一般化しやすくなりました。

Alpamayo 2 Superは、走行状況ごとに5種類の出力を同時に返します。走行軌跡、判断の理由をたどる因果連鎖トレース、譲る・車線変更・停止といったメタアクション、学習データ向けの自動注釈、そして画像内の領域と回答を結びつける視覚質問応答です。前後左右を覆う全周カメラ映像をまとめて扱うため、車線変更や合流、複雑な交差点での判断根拠を開発者が追跡できます。

因果連鎖トレースはNVIDIAの安全検証基盤Halosのワークフローと連携し、ISO/PAS 8800が求めるAI安全性の考え方に沿います。自社フリートの映像に自動で注釈を付ける用途にも使え、数カ月かかっていた注釈作業を数日規模まで短縮できるとしています。

周辺ツールには、閉ループ模擬のAlpaSim、高スループットな強化学習を担うAlpaGym、Physical AI Open Datasetsなどがそろいます。Alpamayo系列はHugging Faceで50万ダウンロードを超えており、自動運転向けの公開推論モデルとして最も採用が進んだ系列だとNVIDIAは説明しています。

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。

NTT DATA AIVistaのブラティン・サハ最高経営責任者は、2026年のVB Transformで、企業AIの成否を分けるのは規制下の本番業務に載せるラストマイルだと語りました。フロンティアモデルを自社データと業務手順、ガードレールで包み込むシステムづくりが価値を生み、モデル単体では届かないという主張です。対談はVentureBeatがスポンサード企画として公開しました。

サハ氏は、企業AIの多くが実装段階でつまずく原因を、統合の不備、ドメイン特化の不足、ガバナンスの欠如、成果に対する責任の曖昧さの四つに整理します。多国籍の保険金請求のような業務では、Fable 5やOpus 4.8、GPT-5.5といった最新モデルでも初期状態では本番に必要な精度に届きません。手書き文字やチェックボックスが並ぶ複雑な帳票が壁になり、ラストマイル特化を経て初めて実用水準に届くと述べました。

特化の作業は三つに分かれます。社内に埋もれた文脈をAIが読める形に整えること、コスト増を抑えるため複数モデルをアンサンブルで使い分けること、そして誤りを検知してやり直しを強制する専用ガードレールを重ねることです。いずれもファインチューニングには頼らず、VentureBeatの企業調査でもファインチューニングはモデル選定の優先度で最下位でした。

保険や製造など規制の厳しい業界で成果を出すには、技術とドメイン知識、そしてチェンジマネジメントの三つが同時に必要だとサハ氏は指摘します。実際の顧客案件でボトルネックになるのは技術ではなく、現場の担当者に作業手順を聞き取り、手順書に残らない暗黙知をエージェントへ落とし込む力だといいます。

導入の順序も明快です。まず既存ワークフローへの組み込みから始めてチェンジマネジメントの負担を抑え、その後に業務そのものの再設計へ進むことで効果が最大になると説明しました。基幹業務を止められない顧客は、稼働中の手順を途中で入れ替えることを許さないからです。

知能をモデルの外側に置く設計は差し替えやすさも保ち、サハ氏のチームはフロンティアとオープンソースのモデルを併用しています。誤りのコストが低い領域はオープンウェイトに任せ、最後の数パーセントの精度が効く場面にフロンティアの推論を残す方針です。ガードレール生成は顧客横断で再利用できる一方、各社の暗黙知の取り込みは個別対応が残るとし、世界有数の保険第三者事務代行として20年培った知見と信頼が模倣しにくい強みだと述べました。

AIエージェントを手がけるOrchidが7月29日、恋人の家事や気配りを肩代わりするAIアシスタントの宣伝動画をXで公開し、利用者から批判を浴びています。記念日を忘れた男性の代わりにAIがレストランを予約し、恋人の好きな花まで手配する内容で、米誌WIREDが7月31日に一連の反応を報じました。

動画では、ゲームに没頭して記念日を忘れた男性サムが「自分でやれる」と入力すると、Orchidは「あなたには無理。だから私がいる」と返し、予約とユリの花の手配を進めます。恋人の女性もOrchidに相談しており、AIがすべての段取りをしたと知りながら、男性が手柄を得ることを黙認します。Xでは「自分が生きる世界に関心のない大きな子ども向けの宣伝」といった声が相次ぎました。

ロサンゼルスの公認結婚・家族セラピスト、ローレン・マーハー氏は「難しくても必要な対話を外注しようとすれば、カップルは関係の成長痛と向き合えなくなる」と指摘します。当事者同士が直接話さず第三者を介する三角関係化は、夫婦カウンセリングで長く戒められてきた振る舞いです。同氏は「解決策として売られているが、間接的なコミュニケーションは関係を悪化させることで知られる」と述べました。

AIアシスタントが恋愛の判断に役立つのかにも疑問符がついています。占星術アプリHintが米国・中南米・欧州の成人1万3000人超に実施した調査では、59%がAIの助言でかえって混乱したと回答し、47%は助言を受けて関係についての判断を先送りしたと答えました。助言が多すぎることが、決断をむしろ鈍らせているわけです。

事業面で見ると、この広告はおとりの色合いが濃そうです。Orchidが掲げる本来の狙いは「生活の自動化」で、連携済みのアプリをまたいで画面を切り替えずに作業を進めるワークフロー支援に軸足があります。ただしメッセージ機能を除けば、他のAIエージェントと何が違うのかは明確ではありません。

話題化を狙った広告だとしても、社名への言及量は確実に増えました。一方で、家事分担の偏りや関係への不満といった問題は、タスク管理の自動化では解けません。AIエージェントを導入する経営者やリーダーにとっては、任せてよい作業と任せてはいけない対話の線引きこそが問われる事例です。

Googleは7月30日、Chromeブラウザの直近2バージョンで1072件のセキュリティ脆弱性を修正したと発表しました。6月に公開したChrome 149と150の2回で、過去2年間に出した23バージョン分の合計1036件を上回りました。同社は社内のAIツールで脆弱性の発見から選別、修正コードの作成までを自動化しており、その成果が数字として表れた形です。

Chromeのエンジニアリング担当ディレクター、ダグ・ターナー氏は、大規模言語モデルが「脆弱性の発見を産業規模の自動作業に変えた」と述べています。同社のモデルは過去に確認されたCVEをすべて学習し、さらにChromiumのコード履歴でどの行がなぜ変更されたかまで把握しています。そのため印刷機能のように開発が止まり、人の目が届きにくい領域の欠陥も拾い上げられるといいます。

見つかった不具合には深刻なものも含まれます。13年間コードベースに潜んでいたバグは、悪用されればサンドボックスを回避してローカルファイルに触れられる状態でした。長く放置された穴が短期間で表面化したことは、AIによる探索の射程の広さを示しています。

発見の速度が上がれば、攻撃側も同じ速度で穴を見つけられます。Googleは2026年前半に打ち出した2週間ごとのメジャー更新に加え、セキュリティ修正を週2回配信する運用を試験しています。利用者の手を煩わせずに更新を届ける方法も並行して探っており、再起動なしの適用が視野に入ります。

同じ現象は他社でも起きています。Microsoftは7月の定例更新で過去最多となる570件を修正し、理由にAIの活用を挙げました。一方でAppleは2026年に482件と、独立集計では2015年並みの水準にとどまっています。

Chrome部門トップのパリサ・タブリーズ氏は、今年を「攻撃と防御の双方にとっての転換点」と表現しつつ、この急増は一時的で新しい均衡に落ち着くと見ています。同社はC++の一部をメモリ安全なRustへ書き換えるなど、バグを種類ごと消す構造的な対策も進めています。ソフトウェアを提供する側にとって、AIを防御のワークフローに組み込めるかどうかが分かれ目になりそうです。

企業向けAIエージェントは業務をこなせても、相互に連携し、権限を委ねられ、事後に監査される仕組みはまだ整っていません。米メディアVentureBeatは2026年7月、イベント「VB Transform 2026」に登壇した新興5社が、この信頼の溝を埋めようとしていると報じました。各社はオーケストレーション、可観測性、接続性、セキュリティという4領域で、エージェント実運用の土台づくりに挑んでいます。

オーケストレーションを担うBANDは、多数のエージェントが背後で連携するための調整基盤を構築しています。共同創業者でCTOのVlad Luzin氏は、SlackやDiscordは人間向けで、エージェントは手動登録が必要な上に互いを認識できず「デジタルの独房」に置かれていると指摘します。BANDはA2AやMCPプロトコルに対応し、8〜20時間に及ぶ自律ワークフローを支え、人間も会話に加われる点が特徴です。

セキュリティ領域のConifersは、攻撃側が機械速度で動く一方、防御側が人間の速度にとどまる課題に挑みます。CEOのTom Findling氏によると、検知や調査といった防御機能をエージェント化し、封じ込め時間を7時間から12分へ短縮したといいます。可観測性を手がけるRaindrop AIは、本番環境で動くエージェントの重大な問題を発見し、過去のユーザー行動を基に修正を事前検証する監査ログ基盤を提供します。

接続と認可を扱うArcade.devは、エージェントが実ユーザーの権限で行動するための新しいセキュリティ基盤を提供します。共同創業者でCTOのSam Partee氏によると、同社の安全なランタイムは認証・認可の層を設け、最小権限で全操作を追跡できるため、企業のセキュリティ審査を通過できます。ロールベースアクセス制御など既存の統制をそのまま活かせる点も強みです。

顧客体験を手がけるOmiliaは、制御性の高いヒューリスティック型と、高速だが予測しにくいエージェント型の長所を両立させました。CPOのClaudio Rodrigues氏によると、年間30億件超の通話を処理し、解決時間を30〜45%改善、人間の担当者と比べて21倍のアップセル収益を生むといいます。ただし成熟した運用でも自動化は8〜9割にとどまり、人間の関与は依然として不可欠だと同氏は強調しました。

OpenAIは7月28日、AIエージェントが科学計算ソフトの開発をどう変えているかをまとめた実地報告を公開しました。生命科学を中心とする8つのプロジェクトを対象に、コーディングエージェントが老朽化した研究用ソフトを近代化した事例を紹介しています。うち5件は同社のCodex単独、3件はCodexとClaude Codeの併用で進められました。

科学計算は研究の基盤ですが、そのソフトウェアはデータ増加の速度に追いつけずにいます。多くのツールは論文付随のコードとして小規模な学術チームが作ったもので、テストや最適化、長期保守の体制が乏しく、脆弱なワークフローが発見の妨げになってきました。

報告によると、エージェントは実装の手間を肩代わりし、開発と保守を大きく加速させました。少人数のチームでも、従来なら多くの時間や専門人材を要した作業に取り組めるようになったといいます。研究者の役割は実装から、何を作り正しさをどう測るかを定める指揮と検証へと移りつつあります。

一方で、新たなボトルネックは成果の検証です。エージェントは明確に区切られた作業はうまくこなす反面、その結果が科学的に妥当かは判断できず、誤りを含む場合でも自信を示すことが多いと指摘されました。開発者は外部の参照や、既存ツールとの一致・統計的な妥当性といった測定可能な基準で検証する必要がありました。

プロジェクトの多くは一発ではなく、小さな変更と反復的な検証を積み重ねる形で進みました。初期実装は速く出せても、細かな数値の差異など「ラストマイル」の詰めに最も時間がかかったといいます。OpenAIは、安易な再実装がツールの分断や放置を招く恐れを挙げ、長期的な保守と帰属の明確化が不可欠だと結論づけています。

米ゼネラル・モーターズ（GM）は2026年、イベント「VB Transform 2026」で、自動運転部門のエンジニアリング業務をAIエージェント中心に再設計した成果を公表しました。同部門のバイスプレジデント、ラシェッド・ハク氏によると、ワークフロー全体をエージェント向けに組み替えた結果、マージ済みプルリクエストが約3倍に増え、リリースの高速化と不具合の減少を同時に実現したといいます。

注目すべきは、同部門のエンジニアがコーディングに費やす時間が全体のわずか15%にすぎないという点です。残る85%は車両データの分析や問題の切り分け、実験の実行、修正案の検証などが占めており、GMはこの部分をエージェントで加速させました。ハク氏は「コーディングができるチャットボットを渡すだけでは多くの非効率が残る」と述べ、単なるAIコーディング支援ツールの導入とは一線を画すと強調します。

GMが採ったのは「ループ単位」での改善手法です。自動運転開発をシミュレーション、公道でのテスト、納車後の監視といった複数のループに分け、それぞれで最も長いボトルネックを特定して自動化し、この作業を繰り返しました。過去の複数の調査でもコーディングは開発工程の一部にすぎないと示されており、その一点だけを速めても効果は限定的だという考え方が背景にあります。

技術面では、独自にカスタマイズしたMCP（Model Context Protocol）サーバーを通じて、エージェントを社内ツールやペタバイト級のデータに接続しました。公道走行車から集めたテレメトリーをエージェントが分析して初期の切り分けを行い、エンジニア向けに課題を起票する運用も進めています。エージェントの権限は利用するエンジニアの権限に連動させ、成果物の責任はあくまで人間が負う設計としました。

GMは社内のエージェント基盤を一つの「プロダクト」として扱い、専任エンジニア4名を各チームに配置して有効な使い方の発掘と横展開を支援しました。重要な判断ポイントでは人間が責任を持ち続け、加速に先立ってテストや性能指標を整備した点も特徴です。ハク氏は当初もっと控えめな効果を見込んでいたとし、「どれだけ多くのことができるかが唯一の驚きだった」と振り返っています。

GitHubは7月28日、パッケージ管理のnpmとCI/CD基盤のGitHub Actionsに、過去数ヶ月で実装したサプライチェーン攻撃対策をまとめて公表しました。近年、公開パッケージやCI/CDの弱点を突いて多数のオープンソースへマルウェアを拡散し、認証情報を窃取する攻撃が相次いでいます。同社は単一の防御ではなく、攻撃連鎖の各段階を断つ多層的な既定変更で被害を抑える方針を示しました。

まず攻撃の起点となるアカウント乗っ取りや不正なワークフロー実行への対策を強化しました。npmでは重要アカウントがメール変更や2FA復旧コード使用時に72時間の読み取り専用となり、乗っ取りへの対応時間を確保します。GitHub Actionsではフォークからの未検証コード実行を防ぐようactions/checkoutの既定を変更し、実行トリガーの権限も制御できるようにしました。

認証情報の窃取を防ぐ取り組みも進めています。長期間有効な認証情報をCI/CDから排除する信頼された公開（Trusted Publishing）はCircleCIに対応し、より多くの開発者が利用できるようになりました。技術プレビューのネットワークファイアウォールは、ワークフローの外部通信を記録し、不審な挙動の検知を可能にします。

窃取した認証情報による攻撃の拡散を抑える機能も加わりました。段階的公開では公開に追加の承認と2FAを求め、npm v12ではインストール時スクリプトを既定で無効化します。さらにDependabotのバージョン更新は、リリースから3日間待機してからPRを開き、悪意ある更新が下流へ届く前に検知の猶予を設けます。

インシデント対応の面では、企業がユーザーの全認証情報を即座に失効できるセルフサービス機能や、OAuth・Appトークンへ対応を広げた認証情報失効APIを提供します。GitHubは「既定で安全」を優先課題とし、今後もオープンソース全体を狙う攻撃の遮断を続けると表明しました。経営者やエンジニアにとって、依存先の安全性を左右する重要な動きと言えます。

NVIDIAは2026年7月27日、自社の電子設計自動化（EDA）ワークフローにVera CPUを本格展開すると発表しました。次世代のCPUやGPUを開発するための検証・実装工程にVeraを投入し、業界でも要求の厳しいエンジニアリング作業を高速化する狙いです。EDAツール大手のCadenceおよびSynopsysと連携し、主要アプリケーションをVera向けに最適化します。

チップ設計では、論理シミュレーションや形式検証、デジタル実装といった工程が依然としてCPU性能に大きく依存します。GPUやAIが多くの処理を加速する一方で、これらの作業は高速な単一コアや効率的なメモリ、高いスループットを必要とするためです。CPUアーキテクチャの性能が、設計チームがどれだけ速く検証や代替案の探索を進められるかを左右します。

初期テストでは、形式検証プラットフォームのCadence Jasperと、機能検証ソリューションのSynopsys VCSを対象に評価しました。同じコア数で比較したところ、選定したワークロードで最大1.5倍の性能向上を確認したとしています。NVIDIAは両社と、アプリケーションのプロファイリングやソフトウェア最適化にも取り組んでいます。

Veraは、独自開発のOlympusコアを88個と、高効率なLPDDR5Xメモリ、第2世代のScalable Coherent Fabricを組み合わせた設計です。高いコア当たり性能と広いメモリ帯域、低遅延を両立し、遅延に敏感な処理と大規模な回帰テストが混在する作業に適します。検証の実行時間短縮と、より多くの設計案の同時評価を実現します。

今回の展開は、各作業を最適な計算アーキテクチャで加速するというNVIDIAの戦略を反映しています。同社は今後、Rigelコアを採用した次世代のRosa CPUへと発展させる計画です。自社のCPUで自社の次世代チップを設計することで、シリコン設計とソフトウェア最適化をつなぐ継続的な改善サイクルを築こうとしています。

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。

NVIDIAは2026年7月22日、医療ロボット開発向けの物理シミュレーション基盤「Medical Physics Simulation」をオープンソースで公開したと発表しました。GPUで高速化した同フレームワークは、医療ロボット開発基盤「Isaac for Healthcare」の新機能として、解剖構造と医療機器の相互作用や、収集が難しい稀な症例のデータを仮想環境で生成できます。実機を使った検証の前に、ロボットの制御方策を訓練・評価できる点が特徴です。

医療ロボットの開発では、多様な解剖構造や器具の挙動、ノイズの多い画像など、膨大で多様な学習データの確保が最大のボトルネックでした。同基盤は摩擦やセンサー入力までを再現し、ワークフローごとに専用のシーンを作り直す必要をなくします。再利用できるシミュレーション環境を用意することで、開発期間の短縮と市場投入の加速を狙います。

性能面では、CUDAを基盤にWarpやNewton、Cosmosといった技術を組み合わせ、数百の環境を並列実行できます。ベンチマークでは8,192環境を並列動作させ、訓練時間を5時間超から2分未満へ短縮したとしています。古典的な物理シミュレーションと、生成AIによる「Cosmos-H Dreams」を統合し、既知の物理法則と学習ベースの視覚再現の双方を扱えます。

すでに複数の医療ロボット企業が採用を進めています。Johnson & Johnson MedTechは泌尿器向けプラットフォームのデジタルツイン構築に、Medtronicはカテーテル操作のデータ生成に利用します。CMR Surgicalは手術支援ロボット「Versius」から約500時間分の匿名化データをオープンデータセットに提供しました。オープンソース化により、規制当局の審査に向けた透明性の確保や再現性の検証が進むと見込まれます。

イスラエルの職場向けソフトウェア企業Monday.comは2026年7月22日、AI事業への集中を目的とした再編計画の一環として、従業員の約2割にあたる約630人を削減すると発表しました。同社は人員を20%減らし、より無駄のない集中的な運営体制を築くと説明しています。中核に据えるのは、AIエージェントと従業員が協働するAI Work Platformです。

同社は今年に入り、AIプラットフォームを中核商品へと据える方針へ大きく舵を切りました。企業顧客がAIエージェントと従業員の協働をますます求めているとの認識に基づき、製品全体を再設計しています。今回の削減は、この戦略転換を人員面から裏付ける動きです。

AI Work Platformは、ノーコードのアプリ開発ツール、カスタマイズ可能なAIエージェント、ワークフロー自動化ツール、そしてチャットボットで構成されます。チャットボットはレポート生成やダッシュボード更新といった作業をこなします。同社はこれらを統合し、業務の自動化と効率化を進める狙いです。

人員削減はMonday.comに限りません。大手テック各社はAI投資を優先し、これまでに数十万人規模を削減してきました。求人追跡サイトLayoffs.fyiによると、2026年のテック業界の削減は12万2000人を超え、今年人員を減らした企業の78%がAIへの注力を理由に挙げています。

Monday.comは今回の再編に伴い、4500万〜5500万ドルの費用を計上する見通しです。短期的には負担が生じるものの、AIを軸にした事業構造への転換を急ぐ構えです。

米製薬大手ブリストル・マイヤーズ スクイブ（BMS）は7月20日、NVIDIAの最新システムDGX Vera Rubin NVL72を8基使った2基目の「DGX SuperPOD」を導入すると発表しました。生命科学分野で最も強力かつ電力効率の高いAIクラスターと位置づけ、創薬パイプライン全体でのAI活用をさらに拡大します。研究担当のエリン・デイビス氏はこれを「スーパーデューパーPOD」と呼んでいます。

新システムはNVIDIA Vera CPUとRubin GPUを組み合わせたラック規模の構成で、置き換え前の基盤に比べて電力あたり性能を最大10倍に高めます。生物学向けの「BioNeMo Agent Toolkit」を含む統一AIプラットフォームを提供し、予測の実行やモデル学習、エージェント型ワークフローに対応します。

最大の狙いは、一部の研究者に限られていた計算資源をすべての科学者に開放することです。デイビス氏は「順番待ちも上限もない」と述べ、研究者が資源調達の手間ではなく科学そのものに集中できる環境を「限りない計算力」と表現しました。

BMSはすでに約3年前からDGX SuperPODを運用し、成果を上げてきました。AIによる標的探索で手作業を数週間短縮し、血液がんなどに応用される化合物ライブラリを拡張したほか、設計予測で実験を絞り込む「Predict First」という手法も採用しています。

既存基盤と新システムは単一のデータ基盤に統合され、世界中のどの拠点からもアクセスできます。過去の買収で残った拠点ごとの制限は「NVIDIA Mission Control」で管理するAIネイティブな仕組みに置き換わり、研究者は平易な英語で複雑な予測を開始できるようになります。

治療科学部門を統括するパヤル・シェス氏は、AIによって全実験や臨床結果が積み重なる「累積的な学習ループ」が生まれていると指摘します。人間の直感は置き換えられるのではなく定量的な予測で拡張されるとし、計算規模の拡大こそAIの効果を最大化する鍵だと強調しました。

OpenAIは7月15日、同社初の自社ブランドハードウェアとなる230ドルのキーボード「Codex Micro」を発表しました。キーボード専業のWork Louderと共同開発した限定生産品で、AIコーディング助手Codexのエージェントを手元で監視・操作するための機器です。スマホやデスクトップアプリに代わる「エージェント作業の司令塔」と位置づけられています。

最大の特徴は、上段に並ぶ6つの半透明キーです。待機中は白、思考中は青、完了は緑、判断待ちはアンバー、エラーは赤と色で状態を示し、常時稼働するCodexのスレッド状況が一目で分かります。点灯したキーを押せば該当ウィンドウが画面に開く仕組みです。

下段のキーには、変更の承認・却下やスレッド分岐、音声入力用のプッシュトゥトークなどが割り当てられています。付属の32個のキーキャップやChatGPTデスクトップアプリでの再設定に対応し、ジョイスティックとダイヤルではワークフロー起動やエージェントの推論レベル調整が可能です。

もっとも、OpenAIはこの製品を限定コラボと説明しており、大衆向けというより本格参入を告げる話題づくりの色が濃いといえます。実際、外観は既存のCreator Micro 2とほぼ同一で、机上を彩る派手なガジェットの域を出ないとの見方もあります。

より重要なハードは別にあります。Bloombergの報道によると、OpenAIの本命は画面のない可動式スマートスピーカーで、ChatGPTと連携する持ち運び可能な端末とされます。元Appleのエンジニアやジョニー・アイブ氏が関与し、来年の投入が噂されています。

この本命端末をめぐっては、Appleが先週OpenAIを企業秘密の窃取で提訴し、緊張が高まっています。Appleは幹部が意図的に機密情報を引き出したと主張する一方、OpenAIは不正を否定しています。今回のキーボード発表は、そうした法廷闘争の渦中でのハード市場参入の号砲となりました。

OpenAIは2026年7月14日、同社の教育プログラム「OpenAI Academy」を通じて、業務向けAI「ChatGPT Work」の部門別活用事例を公開しました。データ分析チームと営業チームの2職種を対象に、散在する社内情報から成果物の初稿を素早く作る方法を示した内容です。

データ分析チーム向けの事例では、ダッシュボードや指標定義、データ書き出し、実験メモ、事業背景といったバラバラな入力を出発点に、ChatGPT Workが分析成果物の初稿を組み立てます。グラフや注意点、出典リンク、レビュー用の確認事項までまとめて生成するため、チームは内容を検証したうえで安心して共有できるといいます。

営業チーム向けの事例では、CRMの各項目や通話メモ、メールのやり取り、Slackの議論、提案資料、顧客ドキュメントに散らばる情報を統合します。優先度をつけたアカウント概要や商談準備資料、失注リスクのレビュー、停滞案件の診断など、実務で使える初稿を素早く提示する点が特徴です。

営業向けには専用プラグインも用意されました。SalesforceやHubSpot、Slack、Outreachなどの外部ツールと連携し、優先アカウントの発見や商談準備、フォローアップ、顧客情報の更新、クローズ計画の作成を支援します。ただしOpenAIは、顧客との関係戦略や最終判断は人が担うという位置づけを強調しています。

これらのワークフローは、以前は「Codex」アプリ上で提供されていましたが、現在はchatgpt.comやChatGPTデスクトップアプリのChatGPT Workから利用できます。経営者やリーダーにとっては、AIを下書き作成に活用しつつ判断は人が握るという、現実的な業務導入の指針となりそうです。

NVIDIAは7月14日、オープンモデル「Nemotron」を活用し、企業や国家が信頼・制御・カスタマイズできるAIを構築する方法を公開しました。同社は、競争優位はどのモデルを選ぶかよりも、利用可能なモデルをいかに作り込むかで決まると指摘します。クローズドモデルが検査や改良の範囲に上限を設けるのに対し、オープンモデルは完全な所有と制御を提供すると強調しています。

オープンモデルの強みは、業務固有の基準で自由に検証・改良できる点にあります。医療や法務のように誤答のコストが高い分野では、学習過程や性能を可視化し、必要に応じて改善できることが不可欠です。企業は自社データで非公開評価を行い、独自ワークフローに合わせた強化学習環境を構築でき、機密データを第三者に渡す必要もありません。

導入は各業界で進んでいます。法務AIのHarveyは「Nemotron 3 Ultra」を追加学習させ、複雑な法務タスクでクローズドモデルと同等の精度を1回あたり10分の1以下のコストで達成しました。H Companyはコンピューター操作ベンチマークOSWorld-Verifiedで76%超を記録し、AbridgeやGlean、Heidi Health、YTL AI Labsも自社領域向けにNemotronを特化させています。

コスト効率も大きな訴求点です。Arcee AIはNVIDIA Blackwell上での追加学習により、出力100万トークンあたり約90セントと、クローズドの先端モデルの約20分の1の推論コストを実現しました。NVIDIAは「Nemotron Coalition」を通じてデータや評価を共有するエコシステムづくりを進めており、AIの利用から所有への移行が始まっていると位置づけています。

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7月9日、業務を自律的にこなすAIエージェントChatGPT Workを発表しました。アプリやファイルを横断して情報を集め、シートやスライド、文書、Webアプリといった成果物を作成し、必要なら数時間にわたり複雑なプロジェクトに取り組み続けます。同時に最新フロンティアモデルGPT-5.6も公開され、多段階の推論やテンプレートに沿った資料作成を支えます。

中核には、コーディング支援ツールCodexの技術が組み込まれています。Codexは週に500万人以上が利用し、うち100万人超がソフトウェア開発以外の業務で使うなど、用途は開発の枠を超えて広がっています。ChatGPT Workはこの流れを引き継ぎ、質問への回答にとどまらず実際の作業を完結させる方向へと進化しました。

使い方としては、月次予算の差異分析や営業会議の準備など、利用者がすでに熟知した業務を任せることが推奨されています。進捗を確認しながら質問に答えたり方向性を変えたりでき、重要な操作はユーザーの承認を経て実行される仕組みです。顧客調査からキャンペーン資料の作成、市場別の調整まで、一連のワークフローを一度の指示で任せることもできます。

機能面では、決まった作業を定期的または特定イベントの発生時に実行するScheduled Tasks、デスクトップ版の内蔵ブラウザやローカルファイル操作、画面を直接操作するComputer Useが加わりました。さらにWebアプリを作って共有できるSitesが公開ベータとして登場し、Codexアプリは新しいChatGPTデスクトップアプリへと統合されます。

提供は同日から始まり、Web・モバイルではまずPro、Enterprise、Eduの各プランで、数日以内にPlusとBusinessにも広がります。刷新されたデスクトップアプリはMacとWindows向けに世界展開され、Chat・Work・CodexがFreeを含む全プランで使えます。

一方でOpenAIは、9カ月足らず前に投入した専用ブラウザAtlasの提供を終了すると明らかにしました。ChatGPTのChrome拡張機能を更新し、そこで得た知見をChatGPT Workに取り込む方針です。企業向けにはCompliance APIや重要操作を事前点検する自動レビュー機能を用意し、レッドチーム演習では保護データの抽出を100%阻止したとしています。

米メディアのVentureBeatは2026年6月、従業員100人超の企業107社を対象にAIエージェントのセキュリティ実態を調査し、69%が複数のエージェント間でAPIキーなどの認証情報を共有していると公表しました。1つのキーを共有すると、侵害された1体が全ワークフローの権限を継承し、誰が何をしたかの追跡も困難になります。

調査では、各エージェントに固有の権限管理IDを与えている企業は32%にとどまりました。半数を超える54%がすでにインシデントか寸前の事案を経験しており、確認済みの侵害が18%、未然に防いだ事例が36%を占めます。

リスクは企業規模とともに拡大します。従業員1000人以下のインシデント率が49%なのに対し、1000人超では63%へ上昇する一方、被害を封じ込めるサンドボックス隔離の採用率は35%から20%へと逆に低下しました。エージェントを多く抱える大企業ほど、封じ込め層が手薄という構図です。

この空白地帯を狙い、大手が買収を加速しています。Palo Alto NetworksはCyberArkを211億ドルで買収し、CrowdStrikeはSGNLの技術で新製品「Continuous Identity for AI Agents」を投入、CiscoもAstrix Securityの買収を発表しました。3社が過去1年で投じた金額は220億ドルを超えます。

対策の主役は依然としてモデル提供元です。回答企業の82%が、OpenAI(51%)やGoogle Cloud、Anthropic(29%)などの標準機能を主要なセキュリティ層と位置づけ、専業ベンダーの採用は数%にとどまります。ただし標準機能の多くは入出力の監視が中心で、エージェントへの固有ID付与や隔離までは提供しません。

満足度は5点満点で4.2と高い一方、自社の防御が攻撃側に先行していると考える企業は35%にすぎません。59%が1年以内にツールの追加や刷新を計画しており、専門家は認証情報の棚卸しと高リスクエージェントの隔離を優先課題に挙げています。

NVIDIAは2026年7月8日、Hugging Faceのブログで、AIエージェントの発展には学習データの公開が不可欠であり、その規模を支える鍵が合成データだとする見解を示しました。同社はNemotronブランドのもとで、事前学習用に10兆トークンを超えるデータと、数百万件の事後学習サンプルを公開しています。現実世界はベンチマーク通りには動かず、壊れたAPI呼び出しや未知のワークフローから回復できなければ真のエージェントとは言えない、というのが問題意識です。

同社が強調するのは、モデルの重みだけでは不十分だという点です。再現性はデータセットやキュレーションの選択、学習レシピ、評価手法に依存し、エージェントがツールを呼び出し複数システムにまたがって動く以上、その挙動を形づくったデータを開発者が検査できる必要があります。オープンデータは、こうしたエージェントの振る舞いを説明可能にするための土台と位置づけられています。

合成データが注目される理由は、企業が抱える固有の資産を守れる点にあります。NVIDIAのブライアン・カタンザロ氏は「あらゆる企業は秘密を軸に成り立つ」と述べており、ワークフローや顧客パターンといった競争優位の源泉を直接公開せずに、有用な信号だけを共有する手段が合成データだと説明します。全モデルが同じ狭いデータで学べば似通った結果になるため、共有データ層を豊かにする意義があるとしています。

具体的な取り組みとして、事後学習データを対話的に探索できる「Nemotron Post-Training v3 Prompt Atlas」を公開しました。各点がプロンプト標本を表し、データセットや処理段階、ドメイン、ツール利用ごとに地図を色分けして再構成できます。また地域の人口統計を反映した合成ペルソナ集「Nemotron-Personas」は、パリのVivaTechで10か国目を追加し、24億人以上を表現するまでに広がりました。

一方で課題も残ります。合成データはリスクを下げても、根拠付けや来歴、評価、人間の判断を不要にするわけではありません。同社は現実のデータと合成データが混ざり合う境界を「合成しきい値」と呼び、何が生成され、何が根拠付けられ、何がレビューされたかを文書化する習慣が必要だと訴えます。

結論としてNVIDIAは、AIにおける希少資源はトークンではなく組織間の信頼だと位置づけています。合成データを公開することで、秘密を手放せない企業やプライバシーを守りたい政府、許可を待てない研究者が同じ議論の場に着けるようになる、というのが同社の主張です。

Googleは7月8日、Androidアプリ開発におけるAIモデルの性能を測る指標「Android Bench」を大幅に刷新し、新たに8つのモデルを追加したと発表しました。更新後の順位表では、同社の「Gemini 3.1 Pro」が5位に後退し、GPT 5.4やClaudeシリーズに後れを取る結果となりました。首位はClaude Fable 5で、正答率84.5%と大きな差をつけています。

Android Benchは、100種類のAndroid開発タスクを通じて、どのAIエージェントが最も優れているかを示すために今年3月に公開された指標です。今回はClaude Fable 5やClaude Opus 4.8、GLM 5.2、Kimi K2.7 Code、Qwen 3.7 Maxなど最新の8モデルを追加したほか、コストや効率といった評価軸も設けました。あわせて、開発者が結果を再現・共有しやすい新しい検証基盤「Harbor」へ移行しています。

順位を詳しく見ると、Gemini 3.1 ProはGPT 5.4、Claude Sonnet 5、Claude Fable 5の後塵を拝し、5位にとどまりました。当初のリリース時点でもGoogle製モデルは首位を取れず、OpenAI勢がわずかにリードしていましたが、モデル拡充によってGeminiの劣勢はいっそう鮮明になった形です。首位のFable 5は前評判どおりの実力を示し、正答率で頭一つ抜けています。

一方で、性能の高さは費用の高さと表裏一体です。Fable 5とGPT 5.5はトークン消費が激しく、100問を10回実行する検証で130ドル超を要しました。これに対しGemini 3.1 Proは87ドルと割安でしたが、低コストをうたうGemini 3.5 Flashは実行に28時間を費やし、165ドルと一覧で最も高額になっています。

こうしたAndroid開発でのGoogle製モデルの遅れは、同社が多くのプロジェクトをエージェント型開発へ移そうとするなかで課題となります。Googleは自社ツールを開発者に使ってほしいのが本音で、AI学習用にアプリのソースコードを開発者から買い取る動きも一部で報じられています。今後Android Benchは新たなワークフローを取り込みながら進化する予定で、同社は開発者コミュニティによるタスク提供や結果共有への参加を呼びかけています。

MicrosoftでAspireを開発する10人規模のチームは、GitHub Agentic Workflowsを使い、製品コードの変更からドキュメントの草案を自動生成する仕組みを構築しました。製品リポジトリと文書サイトが別々に管理される環境で、リリースとドキュメント公開の間に生じる遅れを解消する狙いです。Aspire 13.3と13.4では、82件の文書プルリクエストが製品側のマージから中央値44.8時間で公開され、いずれも機能を実装した本人がレビューしました。

従来はドキュメント担当者が数週間後に変更へ気づき、閉じたプルリクエストの差分を読み解いて執筆する「リバースエンジニアリング税」が発生していました。GitHub Agentic Workflowsは、GitHub Actionsの処理役をAIモデルが担う仕組みで、英語のプロンプトを書いたマークダウン1枚でワークフローを定義できます。エージェントは差分や関連する課題を読み、ドキュメントが必要かどうかを判断して草案を作成します。

最大の難所は、製品リポジトリと文書リポジトリをまたぐクロスリポジトリ自動化でした。広い権限を持つトークンをエージェントに渡さずに実現するため、同チームは書き込みを直接行わない設計を採用しています。エージェントは作成したいプルリクエストの内容をJSONで出力し、safe-outputsと呼ばれる別処理が、2つのリポジトリだけに権限を絞ったGitHubアプリ経由で実際の反映を担います。

生成されるプルリクエストは常にdraft（下書き）で、自動マージはしません。レビュー担当には元の機能を承認したエンジニア自身が指定され、AGENTS.mdや依存関係の定義ファイルは編集対象から除外されます。5月から6月の30日間では、396件の製品プルリクエストに対しワークフローが396回動き、そのうち82件で文書草案が作られ、すべてがマージされました。

一方で、初期版には課題もありました。当初はドキュメント化の要否判定が甘く、CIの調整やログ整理といった内部変更にも草案を作ってしまい、約13%が却下されたのです。チームはプロンプトに「ユーザー向けの変更」の定義と否定例を加えて誤検知を抑え、大きな差分がプロンプトの上限を超える問題には、事前にメタデータを抽出して渡す方法で対処しました。

同チームは、この仕組みが文書担当者を置き換えるのではなく、負担を軽くするものだと強調します。定型的な参照ページの更新をボットが引き受けることで、担当者は解説記事やサンプルなど人にしか書けない仕事に集中できるようになりました。強固なセキュリティ制約こそがシステムをより信頼でき正確なものにするというのが、同チームの得た教訓です。

Hugging FaceとAmazon SageMaker AIは2026年7月7日、Hugging Faceで見つけたモデルをワンクリックでSageMaker Studioに取り込める連携機能を発表しました。開発者はモデル選択から実験開始までを一続きで行え、選んだモデルは環境に事前ロードされた状態で立ち上がります。基盤モデルのファインチューニングでも推論エンドポイント展開でも、該当ワークフローへ直接着地できる仕組みです。