Deep Dive

Deep Dive

AIエージェント開発6ヶ月の正直な評価 — 「10倍生産性」にはならなかったが、それでも使い続ける理由

6月28日、David Vujicが「Reflections: 6 months of Agentic Engineering」と題した記事を公開した。AIエージェントを使った開発スタイル「Agentic Engineering」を6ヶ月間実践して得た知見をまとめたものだ。「完璧ではないし、10倍にもならなかった。でも、うまく機能している」——この一文が、記事全体のトーンを象徴している。熱狂でも拒絶でもなく、懐疑と実利のバランスで使い続けるという姿勢は、AIエージェント導入を検討するエンジニアにとって参考になるはずだ。

AIの競争優位はもうモデルの性能ではない — データインフラが次の戦場になる理由（Oxylabs CEO）

コードを書かなくなったエンジニアは、コードを書けなくなる — AI時代に失われつつある「深く考える仕事」

AIコーディングエージェントが「それらしいコード」しか書けない理由 — ランタイムの実行記録を渡すことで根本原因特定に近づく可能性

LLMはプロンプトを「命令」として読んでいない — 確率分布の操作として捉え直すと、なぜ指示が無視されるかがわかる

ムーアの法則50年を超えるAIのコンピュート爆食 — 「年率66%成長」のトレンドラインが2020年以降に折れた理由

人間に頼んだはずのAI学習データが、また別のAIが生成していた——「共食い」がモデル崩壊を招く構造的矛盾

AIエージェントの信頼性は「速度」より「分散の制御」で決まる — p99を半減させる、早期打ち切り×並列競争の逆張りアプローチ

「答えるAI」から「仕事を終わらせるAI」へ — チャットボットが本当の同僚になるために必要なアーキテクチャとは

Google CloudのAIエージェントを本番環境へ届ける3層アーキテクチャ — ADKからGemini Enterpriseまでのエンドツーエンド設計を解説

500日間のスタートアップ経営シミュレーションで14モデルが競い、利益を出せたのは3つだけ — 単純な固定ルールに敗れたAIが続出

AI推薦の仕組み AIはどうやって推薦するものを選んでいるのか？

LLMのためのテクニカル最適化5つのテクニック（後編）

webtan.impress.co.jp

第3回エージェンティックAIに求められるセキュリティ戦略の再設計

japan.zdnet.com

NVIDIA「Vera Rubin」とは何か　AIが「答える」から「自分で動く」時代、その裏側で起きていること

AIのセルフレビューが危険な理由と役割分離の実装

2,000人がAIエージェントへのハックを試みて全員失敗 — プロンプトインジェクション耐性は本物か

AIが書いたコードのレビューが崩壊しつつある — 「4倍のコード、1割増しの価値」という現実とエンジニアに求められる対策

RAGが「思ったより動かない」本当の原因は検索層にある — コンテキスト埋め込みとハイブリッド検索で精度を底上げする設計

AIが書いたコードの脆弱性が「3〜6ヶ月以内に爆発する」— セキュリティ企業CEOが語る、AIコード生成時代の本当のリスク

専門家を「代替」するなRAGは「増幅」するものだ — エンタープライズRAGの設計思想と、MLブームの失敗から学ぶ4つの原則