企業は2026年、AIエージェント向けソフトへの支出を約2070億ドルへ増やす見通しですが、投資が機能追加や不具合修正、顧客課題の解決に結び付いたかを示せない例が目立ちます。Uberは2025年12月にエンジニアへClaude Codeを配布し、翌年4月までに年間予算を使い切った一方、利用量と製品改善の関連は未確認でした。課題は、利用抑制ではなく、用途別のモデル選択と成果測定の設計です。

高コストの背景には、利用者の浪費だけでなく、製品の初期設定があります。Promovaでは高性能モデルや高い推論強度、100万トークンの文脈窓が既定となり、メール確認のような軽い業務にも高価なモデルが使われていました。

対策は一律の制限ではありません。Agiloftは利用上限を廃止し、安価なモデルを標準にして、必要な場合だけ高性能モデルへ切り替える経路制御とキャッシュを採用しました。Databricksも依頼の意図や長さ、参照ファイル、作業範囲などからモデルを選ぶSmart Routingをベータ提供しています。

成果を数字で示した例は限られますが、Everlawは中核Java基盤の作業に3500ドル分のトークンを使い、工数を9.5人月から2.5人月へ短縮しました。一方、DojoからReactへの移植では数千ドル分の生成結果を破棄しており、費用だけでなく採用できる成果物を追う必要があります。

企業が見るべき指標はトークン量そのものではなく、納期短縮、品質、保守性、顧客価値との対応です。まず短期間の利用データと現場の評価を集め、業務ごとに安価なモデルで品質を保てる範囲を見極めることが、AI投資の収益性を管理する出発点になります。

Google Researchは2026年9月7日、アジア太平洋地域でCathay Pacificと進めるAI活用の飛行機雲回避試験を拡大すると発表しました。初期試験では100便超を対象とし、80便超が予測に基づく回避経路を飛行した結果、衛星画像の分析で飛行機雲による温暖化影響が約40％減ったと推計しています。

飛行機雲は、航空機が低温で湿った空気を飛ぶ際に生じます。多くはすぐ消えますが、一部は雲のように広がって大気中に熱を閉じ込め、航空による気候影響の約3分の1を占めるとされています。

GoogleのシステムはAI予測、衛星画像、気象情報を組み合わせ、飛行機雲が生じやすい空域を事前に特定します。運航管理者と操縦士は、安全基準の範囲内で高度をわずかに変える経路を計画できます。

Cathay Pacificは飛行中もWi-Fiと自社の電子フライトフォルダーを通じて、変化する予測を操縦席へ届けます。通常の運航指標と並べて確認できるため、既存の操縦業務を妨げずに判断材料を増やす設計です。

初期試験では香港・シンガポール線での対策が、試験全体の排出削減効果の50％超を占めました。両社は非営利団体Contrails.orgと連携し、アジア域内線と太平洋横断路線を含むより大規模な第2段階へ進み、異なる運航環境での実現性を検証します。

Ars Technicaは2026年9月7日、複雑な企業網の背後にある32億ドル規模のAIデータセンターを巡り、地域社会が責任主体を特定しにくい実態を報じました。TeraWulfはメリーランド州の施設について、連邦エネルギー規制委員会（FERC）の規則に対面で住民と会う義務はないとして、Public Citizenが求めた公開の地域会合への参加を断りました。

この姿勢はニューヨーク州サマセットでも見られ、記事は説明責任の難しさがデータセンターの技術基盤の各層に及ぶと指摘します。所有・運営を担う企業関係が複雑になるほど、住民が誰に説明や是正を求めるべきかが曖昧になる構図です。

ニューヨーク州議会は6月初め、20MW以上の新規施設への1年間の許可停止を含む「責任あるデータセンター開発法」を可決しました。環境影響分析、エネルギー効率基準、建設現場の適正賃金、2040年までの再生可能エネルギー移行、立地地域への具体的投資も求める包括案です。

しかし、可決から3カ月後も法案は知事の署名を得ていません。ホークル知事が7月に出した行政命令は50MW超の超大規模施設の新規許可を1年間止める内容ですが、500MWのLake Marinerは命令前に許可済みで、対象外です。

サマセットでは火災から2カ月が過ぎても、消防がタンク車で水を運ばざるを得なかった給水問題が解消していません。一方で建設は減速しておらず、AIインフラの拡張に地域対話と防災対策が追いつかない状況が続いています。

TechCrunchは2026年9月7日、AI開発や投資、事業判断に必要な専門用語を平易に説明する用語集を更新し、OpenAIの新モデルAstraで使われる「不透明な反復」などを追加しました。技術の進化で言葉の意味が急速に変わるなか、LLMやAIエージェント、学習手法、運用上のリスクを共通言語として整理し、読者が会議や製品評価で用語を正確に扱えるようにする狙いです。

用語集によると、LLMは大量の文章から語句の関係を学び、入力に適合する可能性の高いパターンを生成する深層ニューラルネットワークです。AIエージェントは複数のAIや外部機能を使って多段階の作業を担い、コーディングエージェントは記述・テスト・修正まで反復します。

モデル開発では、追加の専門データで用途を絞る微調整や、教師モデルの出力を小型モデルへ移す蒸留、既存知識を別の課題に生かす転移学習を使います。運用時の推論では、計算結果のキャッシュや一部の専門ネットワークだけを動かすMoEが、速度と計算効率の改善につながります。

新たに注目された不透明な反復は、問いを内部層へ繰り返し通し、自然言語で順を追う思考過程とは異なる方法で推論する技術です。小型モデルでも少ない計算量で性能を高めやすい一方、読める記録が減るため、不正な挙動を見つける監督可能性が下がると安全研究者は懸念しています。

OpenAIはAstraの思考過程は読める状態だとして、推論が完全に内部の数値表現だけになる「ニューラリーズ」との比較に反論しています。それでも企業は、幻覚による誤情報、トークン量に応じた費用、MCP経由の外部データ接続などを理解し、曖昧な用語は製品ごとの定義と実際の挙動を確認する必要があります。