AI駆動開発
64 件
MetaのMuse Glimmerが示すもの——「配布こそ戦略」という賭けに乗れるか
Metaが新たにオープンモデルを発表し、Zuckerbergが中国に対抗する計画を示しました。新モデルMuse Glimmerは、ローカルで動作するAIエージェント向けに設計されています。
「AIを導入した」は出発点にすぎない——AI駆動開発が本当に要求するもの
AI駆動開発は、単にAIツールを導入することではなく、AIが自律的に開発を進められる環境を整備することが本質です。
NVIDIAはハードの皮をかぶったソフトウェア帝国だ――Open Agent Platformが意味すること
NVIDIAはGPU製造からAIエコシステムの構築へとシフトし、自律型AIエージェントのOSを提供することで市場を支配しようとしている。
Googleが自社AIを「脅威」と呼ぶ日——AI制御ロードマップが示す、信頼ゼロからの設計思想
Google DeepMindは社内のAIエージェントを「脅威」と見なし、AI制御ロードマップを公開しました。これにより、AIの暴走を防ぐための多層防御策を講じています。
ロボットの「体」をAIが設計する時代——Transformer Transformerが示す次の一手
Transformer Transformerは、特定のタスクに最適化されたロボットを設計するための統一モデルです。デモンストレーションを基に、ロボットの全ての構成要素を生成し、性能を向上させることができます。
AIエージェントを「行列」で作るのをやめる — チェーンではなくグラフとして設計する理由
AIエージェントの設計において、従来のチェーン方式からグラフ方式への移行が提唱されています。これにより、エージェントの効率性と信頼性が向上します。
日立「SI全工程AI化」の240倍効率化——数字の読み方と、本当に問われていること
日立製作所は、エンタープライズ向けシステムインテグレーションの全工程をAI化した「Agentic AI Integration Platform」を発表し、開発効率を最大240倍向上させることを実証しました。
「2026年はAIエージェント構築元年」——みのるん氏が示した、自前開発の現実解
KDDIアジャイル開発センターの御田稔氏が、自社業務に最適化したAIエージェントの開発手法を解説しました。AWSの新しいフレームワークを活用することで、開発のハードルが下がることが強調されています。
あなたのMarkdownファイルは、すでにAI時代の負債かもしれない——GoogleのOpen Knowledge Formatが問うこと
Google Cloudは、AIエージェントが利用するナレッジをMarkdown形式で標準化するオープンフォーマット「Open Knowledge Format」を公開しました。
Googleが自社AIを「信頼しない」前提で動き始めた——AI Control Roadmapが示す新しい現実
Google DeepMindが発表した「AI Control Roadmap」は、自社のAIエージェントを内部脅威として扱い、その行動を監視・統制するための技術的計画を示しています。
AIコーディングブームはもう終わった——米MS現場が示す「次のフェーズ」とエンジニアの生き方
米マイクロソフトの牛尾剛さんが、AIコーディングエージェントのブームが去った理由と、エンジニアに求められる新たなスキルについて語る。
AIエージェントを「信頼」で運用するのをやめよう — 権限モデルで設計する4つの境界
AIエージェントの安全設計において、プロンプトによる禁止は防御にならず、実行層での権限制限が必要であることを説明しています。
AIエージェントに仕様書なしで実装させると何が起きるか——O’Reillyが説く「適切な仕様量」の見極め方
O’Reillyが発表した記事では、AIエージェントに仕様書なしで実装を任せることのリスクと、適切な仕様の重要性について論じています。
AI駆動開発の成熟度を「加点式」で測ると、Gitなしチームが70点になる話
AI駆動開発の成熟度を測る際、加点式評価では特定の領域が欠けている場合のリスクを過小評価するため、ボトルネック方式を提案しています。
AIの成果物は「信頼できる顔」で間違える――品質保証を設計で作る10の視点
AIの成果物の信頼性を確保するための品質保証設計について解説した最終回の記事です。
AIエージェントは「作って終わり」じゃなくなる——富士通MAAFが変える運用の常識
富士通が業務向けのマルチAIエージェント基盤「MAAF」を開発し、自己進化機能を持つAIエージェントの先行検証を開始しました。
エージェントを10万個動かす時代のインフラ——隔離・スケール・攻撃面という3つの壁
AIエージェントの運用におけるインフラの重要性と、直面する3つの壁（隔離、スケール、攻撃面）について解説しています。
AIがコードを書くほど、組織が詰まる——次のDevOpsボトルネックは「管理能力」だ
AIによるコード生成が進む中、組織の管理能力がボトルネックとなり、セキュリティや理解の不足が新たな課題として浮上している。
MetaのManus買収を潰した北京、次の買い手はTencentだった
TencentがAIスタートアップManusの過半数の株式を取得する交渉を行っている。これは、中国がMetaによる20億ドルの買収を無効にした後の動きである。
「SIerの死」は本当か？ AIが崩すのは人月商売の”壁”であって、業態そのものではない
AIの進化により、SIer（システムインテグレーター）のビジネスモデルが脅かされている。特に中規模企業向けのシステム市場での変化が顕著で、AI駆動開発の新たなプレーヤーが登場している。
AIエージェントが勝手にpushする時代のブランチ保護論：Claude Code v2.1.198が変えた「承認」の意味
Claude Code v2.1.198のリリースにより、バックグラウンドエージェントが人間の承認なしにコードのcommit、push、ドラフトPR作成を行うようになった。これに伴い、ブランチ保護の重要性が増している。
「人を増やせば進む」という前提が崩れ始めた——AIエージェント導入チームの5ヶ月が示すもの
AIエージェントを活用した開発チームの運用から、分業の価値が変わりつつあることを考察した記事です。
Qualcomm Linux 2.0が示すもの——「チップごとに別々のOS」という地獄からの脱出
QualcommがIoT機器向けのLinuxソリューション「Qualcomm Linux 2.0」を発表し、AIカメラから産業用PCまで幅広い製品に対応する共通基盤を提供します。
AIエージェントのコスト削減、「モデルを落とす」前に考えるべきこと — Critic役が教えてくれた設計の盲点
AIエージェントのコスト削減において、モデルを単純に落とすことのリスクと、入力の工夫による効率化の重要性が論じられています。
AI開発を「Loop / Sensors / Actuators」で仕分ける——個人開発7件から見えた依存度マップ
この記事では、個人開発の実例を基にAI開発を3つの分類に分け、それぞれのClaude Codeエコシステムへの依存度を分析しています。
マイクロソフトがAI導入専門会社を設立、25億ドル・6000人体制の意味を読む
マイクロソフトが新たにMicrosoft FrontierというAI導入会社を設立し、25億ドルの投資を発表しました。
「コーディングはボトルネックじゃない」——Gartnerが突きつけるAI駆動開発の不都合な真実
Gartnerのヨアキム・ヘルシュマン氏は、AI駆動型ソフトウェア開発においてコーディングがボトルネックではないとし、テストや要件定義が主な課題であると指摘しています。
「ねこ」で「一輪車」を出す技術を、なぜモノタロウはAIに守らせたのか
モノタロウは、生成AIの影響を受けつつも、独自の購買体験を守るために「購買AIエージェント」を開発しました。これにより、顧客の検索体験を向上させることを目指しています。
「AIエージェント9割が本番未到達」という数字、ちゃんと検算した？
企業に導入されたAIエージェントの約9割が本番に到達していないというデータの出所を検証する記事。
Googleが「タブデータのゼロショット基盤モデル」TabFMを公開——XGBoostの時代は終わるのか
TabFMは、タブデータの分類と回帰を簡素化するために設計された新しい基盤モデルです。従来のモデルの手動トレーニングやハイパーパラメータ調整を不要にし、ゼロショット予測を可能にします。
日産が「AIで開発力を取り戻す」と宣言。AIDVとクラウド基盤の本気度を読む
日産自動車は、次世代モビリティ「AIDV」の開発に向けたAIとクラウド基盤の重要性を強調し、AWS Summit Japan 2026でその取り組みを発表しました。
合成データとファインチューニングで「使えるビジョンAI」をどう作るか——NVIDIAが示した3つのワークフロー
NVIDIAは、合成データとファインチューニングを用いて、ビジョンAIエージェントの精度を向上させるための3つのワークフローを紹介しています。
「AI工場長」は現場を変えるか？ エージェント型工場の実力と限界を読む
AccentureとAvanadeがMicrosoftと協力して開発した製造業向けのインテリジェンスシステム「エージェント型工場」が発表されました。
AIが脆弱性を見つけすぎて手修正が限界に。OpenAIの「Daybreak」が示す、セキュリティの次のかたち
OpenAIが新たに発表したGPT-5.5-Cyberは、脆弱性の発見から修正までのプロセスを自動化し、サイバーセキュリティの強化を目指しています。
ロボットにコードを書かなくていい時代が来るのか——IntrinsicがFoxconnとともに仕掛けること
Intrinsicは、複雑なロボットコーディングをドラッグ＆ドロップの自動化で置き換える新しい産業用ロボットワークセルを発表しました。
AIエージェント3体に役割分担させたら、開発パイプラインが本当に全自動になった話
3つのAIエージェント（AGY、Claude、Codex）を連携させた全自動開発パイプラインのアーキテクチャを提案し、それぞれの役割と改善策を説明しています。
LangChainで自動化できると思った？ AIエージェントがハルシネーションループで自滅する構造的な理由
AI駆動開発における自動化の限界について、LangChainやAPIエージェントがハルシネーションループに陥る理由を解説しています。
AIエージェント8体を6ヶ月運用してわかった「記憶」の本質：組織が変わる前に、人間が変わった
AIエージェントに記憶を持たせることで、組織の運営が効率化され、エラーの再発防止や品質管理が向上した観察記録です。
AIに説明させるな、質問させろ——「理解度ゲート」という発想が現場の何を変えるか
AIの利用が進む中、エンジニアがコードの理解を深めるために、AIに説明させるのではなく質問を生成させる新しいアプローチが提案されています。
AIに「仕事の渡し方」がない問題──Plan・Work・Review・CompoundでClaude Codeを工程に組み込む
AIエージェントを開発工程に組み込むための4つのフロー（Plan、Work、Review、Compound）を解説し、実務での活用方法を提案する。
AI駆動開発は「個人の腕前」じゃなく「チームの仕組み」で決まる——AIDD成熟度モデルLevel 0〜1を読んで考えたこと
AI駆動開発の進化段階をLevel 0からLevel 3まで整理し、特にチームでのAI活用の重要性を強調しています。
Microsoft Build 2026が示した「SIerの次の10年」——Copilotはもうアプリじゃない
Microsoft Build 2026では、Copilotが企業のAIエージェントOSとして再定義され、SIer企業の経営者にとって重要な決断が求められる内容が示された。
「AIエージェントがブルウィップ効果を解消する」は本当か？通説を解体して見えた設計の本質
マルチエージェントシステムがブルウィップ効果を解消するという通説に対し、実際にはインセンティブの不整合が協調を妨げることを指摘し、設計原則を提案する。
OpenClaw×Claude Codeの分業ワークフロー｜「設計」と「実行」を分けると何が変わるか
OpenClawとClaude Codeを連携させたAI駆動の開発ワークフローを解説したガイドです。具体的なコマンドや設定例を通じて、フリーランスエンジニアやデータ分析基盤構築者に役立つ情報が提供されています。
LLMが「正しく考えた後に答えを覆す」のはなぜか——プロンプトでは解決できない6つの構造的理由
LLMが推論後に自らの答えを覆す現象は、プロンプトの工夫では解決できない構造的限界に起因している。この記事では、その原因を6つのメカニズムに整理して紹介する。
PoCは動く、本番は壊れる──9社のAIエージェント運用から見えた「評価と観測」という共通の壁
AIエージェントの開発に関する特集記事で、9社の技術選定や運用の課題と解決策が紹介されています。
AIエージェントに「自分を改善させる」仕組みを企業で動かすには、何を先に決めておくべきか
企業AIエージェントにおけるメタハーネスの設計理論を探求し、自己改善ループの構造と運用の重要性を論じる。
AIが1秒で作るノイズを、人間が数日かけて処理する構造——「ミトス問題」が教える工数崩壊のリアル
元Yahoo!エンジニアの山田健太郎が、AIスクリーニングによる工数崩壊の問題とその対策を考察しています。
日立×Astemo、自動運転AI開発基盤を2026年度末に構築へ——デジタルツインで「現実では再現困難なシナリオ」を量産する狙い
日立製作所とAstemoは、自動運転車両向けのAI開発基盤を2026年度末までに構築することを発表しました。デジタルツインとフィジカルAIを活用し、安全性と快適性を両立させることを目指します。
AIが生成したpandasコードは「動く」けど「正しい」とは限らない——3つの地雷と検証ワークフロー
AI生成のpandasコードには、実務でのパフォーマンスやデータ整合性に影響を与える静かな地雷が存在します。本記事では、その地雷を特定し、検証ワークフローを提案します。