Deep Dive

Deep Dive

AIに任せていい作業と任せてはいけない作業を見分ける「仕事かジム」という考え方 — セキュリティ研究者が紹介するAI利用判断フレームワーク

7月30日、Bruce Schneierが「Should You Use AI for a Task? Here's a Simple Way to Decide」と題した記事を公開した。AIをある作業に使うべきかどうかを判断する「仕事かジムか」という枠組みを紹介する内容で、学生のAI依存という教育現場の問題から出発しながら、クリエイティブ職やナレッジワーカー全般に通じる示唆を含んでいる。

CarvanaのAIエージェントが4年連続でカスタマーサービスコストを削減 — 削減率が縮小しながらも「ゼロに戻らない」実績が示すもの

アジアのAI市場で米国が苦戦する理由 — 安価な中国モデルとオープンソース戦略に輸出プログラムが追いつかない

マルチエージェントの失敗事例の42%は「指示が曖昧なせい」 — 高性能モデルより先にやるべき「定義・供給・検証」の3習慣

MCPエージェントを本番運用して気づいた「デモでは絶対に見せない」落とし穴 — 91件の放置チケットが教えてくれたこと

Word文書に「透明な罠」を仕込むとCopilotが自己複製攻撃者に変わる — 根本的な対処法は現時点で存在せず

AIが書いたコードをAIがテストする「自己採点」問題 — エージェントの役割分離なしにQAは機能しない

AIエージェントは「コードは書けるが、研究はできない」— 数千ドルのリソースを投じてもNeurIPS論文に貢献できなかった理由

AIがコードを書く速度に、人間のレビュープロセスが追いつかなくなってきた — エージェント時代のDevOpsに「ガバナンス整備」が急務な理由

LLMのコスト、請求書が来るまで誰も気にしない — Mozilla AIが語る「コードを変えていないのに料金が跳ね上がる」構造的な罠

クレジットカードの次はAI決済？AIは決済業務をどこまで代替できるのか

「40行のループ」では本番で必ず壊れる — プロダクション品質のAIエージェントを構成する7つのアーキテクチャコンポーネント

AIプロジェクトが失敗する本当の原因は技術ではなく組織にある — HBRラウンドテーブルが明かす導入障壁の正体

DORAの大規模調査が明かす「AIで成果を出すチームの条件」 — コード品質が上がるのにデプロイ障害も増える矛盾をどう解くか

英国大手銀行Lloydsが800のAIモデルを本番稼働 — 規制の壁が高い金融業界で、なぜここまで大規模展開できたのか

SalesforceはAIツールを数千人のエンジニアに配布するより先に「共通言語」を作った — 組織全体にAI活用を波及させる4段階フレームワーク

「AIトークン使い放題」戦略が企業でブレーキ — 月400万ドルのコストが積み上がり、流行は一年で廃れた

AIエージェントの「脱線」を止めるため、2000年代のセマンティックウェブ技術が静かに復活している

NetflixがLLMをレコメンドの本番ランカーに採用 — 学習データが約40倍少ない条件でも有意な改善、「prefill-only」推論とコンテキストエンジニアリングで実運用を成立させた設計

「AI安全性の番人」Anthropicへの不信が拡大 — パートナー競合製品の投入と隠れた制限が招いた業界離れ

Morgan Stanley・Fidelityが語る「金融AIの本番運用」— デモから兆ドル規模のインフラ設計へ