ワークフロー（ユースケース）に関するニュース一覧

OpenAIは2026年4月2日、AIコーディングツール「Codex」をChatGPT BusinessおよびEnterprise向けに従量課金制で提供開始すると発表しました。固定のシート料金なしで利用でき、チーム単位での試験導入が容易になります。

新たに導入されたCodex専用シートは、レートリミットが撤廃され、トークン消費量に基づいて課金される仕組みです。これにより、予算やワークフローごとのコスト可視化が格段に向上し、企業の支出管理が容易になります。

従来のChatGPT Businessシートも引き続き利用可能ですが、年間料金が1シートあたり25ドルから20ドルに引き下げられました。また、macOSとWindows向けのCodexアプリやプラグイン、自動化機能が新たに追加されています。

導入促進策として、対象のChatGPT Businessワークスペースには、新規Codex専用メンバー1人あたり100ドル、チームあたり最大500ドルのクレジットが期間限定で付与されます。小規模チームでも低リスクで導入を開始できます。

現在、ChatGPTの有料ビジネスユーザーは900万人を超え、Codexの週間利用者は200万人以上に達しています。NotionやRamp、Braintrustなどの企業がすでにCodexを活用しており、エンジニアリングワークフローの高速化と再現性の向上を実現しています。

Google DeepMindは2026年4月1日、オープンモデル「Gemma 4」を4サイズ同時に公開しました。最上位の31BモデルはArena AIリーダーボードでオープンモデル世界3位を獲得し、ライセンスは従来の独自条項からApache 2.0へ変更されました。

31B Denseは高品質な推論特化、26B MoEは128個の小規模エキスパートのうち8個だけを活性化し、31B級の性能を4B級の速度で実現します。AIME 2026で31Bが89.2%、MoEが88.3%を記録し、前世代Gemma 3の20.8%から飛躍的に向上しました。

エッジ向けのE2BとE4Bは、スマートフォンやRaspberry Pi、Jetson Nanoで完全オフライン動作します。Per-Layer Embeddings技術により、E2Bは総パラメータ51億ながら実効2Bとして軽量に動き、音声認識もモデル内で処理できます。

全モデルが画像・動画・音声のマルチモーダル入力に対応し、関数呼び出しもアーキテクチャレベルで統合されています。可変アスペクト比の画像処理、最大256Kトークンの長文脈、140以上の言語への対応により、エージェント型AIワークフローの構築基盤として設計されています。

Apache 2.0ライセンスへの移行は、企業導入における法的障壁を解消する重要な転換点です。NVIDIAとの協業によりRTX GPUからDGX Sparkまで最適化され、Ollama・llama.cpp・Hugging Faceなど主要ツールが初日から対応しています。中国系モデルがオープン化を後退させる中、Googleは逆方向の戦略を明確にしました。

Cursorは2026年4月、AIコーディングエージェントを中心とした新製品「Cursor 3」を発表しました。コード名Glassで開発された本製品は、AnthropicのClaude CodeやOpenAIのCodexに対抗するエージェント型開発体験を提供します。

Cursor 3は既存のデスクトップアプリ内に新しいインターフェースとして統合されます。中央のテキストボックスに自然言語でタスクを入力すると、AIエージェントがコードを自動生成します。サイドバーで複数のエージェントを同時に管理できる設計です。

競合製品との最大の差別化は、IDEとエージェント型製品の統合にあります。クラウド上でエージェントが生成したコードをローカル環境で即座に確認・編集できるため、開発者は従来のワークフローを維持しつつエージェントを活用できます。

一方で経営面の課題は深刻です。複数の開発者がClaude CodeやCodexへ移行したと証言しており、主な理由は月額200ドルの定額プランで1000ドル超相当の利用が可能な補助金付き価格設定です。Cursorは2025年6月に従量課金へ移行し、一部の開発者の不満を招きました。

Cursorは対抗策として独自AIモデル「Composer 2」の提供を開始しました。中国のMoonshot AIのオープンソースモデルをベースに追加学習を施したもので、性能・価格・速度の面で競争力があると主張しています。現在約500億ドルの評価額で資金調達を進めており、AI大手との消耗戦に備えています。

クリエイティブワークフロー基盤を提供するFLORAは、VercelのAIスタック上に画像生成AIエージェント「FAUNA」を構築したと発表しました。50以上の画像モデルを統合し、ファッションキャンペーンなどの視覚制作を効率化する狙いです。

FAUNAは従来のノードベースのキャンバスとは異なり、ユーザーがアイデアを伝えるだけで参考画像の収集、モデル選択、バリエーション生成を自動で行います。ワークフロー設計の知識がなくても、プロ品質のビジュアル探索が可能になります。

技術面では、画像・動画生成は数分かかり、1回のセッションで多数の並行ジョブが発生します。FAUNAはVercelのAI SDKのエージェントフレームワークとWorkflow SDKの永続化機能を組み合わせ、長時間実行や障害時の再試行に対応しています。

FLORA開発チームは以前LangChainとTemporalを併用していましたが、2つのシステムの保守負担が課題でした。Vercelへの移行により基盤が一本化され、本番投入速度が2倍に向上したと報告しています。インフラの議論が不要になり、プロダクト改善に集中できるようになりました。

FLORAはUI/UX以外の全デザイン業務の支援を最終目標に掲げています。また、Vercelは同時期にダッシュボードからチーム間でDB移行ができる機能も公開しました。Prisma、Neon、Supabaseに対応し、今後対応プロバイダーを拡大する予定です。

OpenAIは2026年3月、1220億ドル（約18兆円）の資金調達を完了したと発表しました。評価額は8520億ドルに達し、同社史上最大の調達ラウンドとなります。年内に予定されるIPOに向けた布石とみられています。

ラウンドはSoftBankとAndreessen Horowitzが共同主導し、D.E. Shaw Ventures、MGX、TPGなどが参加しました。Amazon、NVIDIA、Microsoftも戦略的パートナーとして出資しています。初めて銀行チャネルを通じた個人投資家にも門戸を開き、30億ドル以上を集めました。

事業面では月間売上が20億ドルに達し、AlphabetやMetaの同時期と比べ4倍の成長速度だと同社は主張しています。ChatGPTの週間アクティブユーザーは9億人を超え、有料会員は5000万人以上です。検索利用は1年で約3倍に伸びています。

法人向け事業は売上全体の40%を占めるまでに成長し、2026年末までにコンシューマーと同等になる見通しです。最新モデルGPT-5.4がエージェント型ワークフローの需要を牽引し、APIは毎分150億トークン以上を処理しています。広告事業も開始からわずか6週間でARR1億ドルを突破しました。

同社はAIスーパーアプリ構想を掲げ、ChatGPT、Codex、ブラウジング機能などを単一のエージェント体験に統合する方針です。インフラ面ではNVIDIA、AMD、AWS Trainiumなど複数のチップ基盤に拡大し、回転信用枠も約47億ドルに増額しました。調達資金はAIチップやデータセンターの拡充に充てられます。

Andreessen Horowitz（a16z）は2026年3月、AI活用型IT運用管理サービスを提供するTreelineへの出資を発表しました。同社は従来のマネージドサービスプロバイダー（MSP）モデルをAIで刷新し、企業のIT運用を効率化します。

米国では企業の80％以上がIT機能をMSPに外注しており、その市場規模は年間2000億ドル超、事業者数は約4万社に上ります。デバイス管理やセキュリティ、コンプライアンスなど多岐にわたる業務を担うMSPは、米国テック経済の基盤となっています。

しかし大半のMSPは従来型の受動的な対応モデルに留まっていました。TreelineはIT運用の中核にソフトウェア基盤を構築し、ワークフローの標準化と定型業務の自動化を実現します。解決済みの問題をデータとして蓄積し、パターン認識や根本原因の特定を通じてシステムが継続的に改善される仕組みです。

同社の特徴は単なる「AI買収」ではなく、既存MSPの運用モデル自体を再設計する点にあります。自動化ワークフローによりチケット対応時間を大幅に短縮し、技術者は高度なサポートに集中できます。従来はフォーチュン100企業に限られていた先進的なIT環境を、中小企業にも提供することを目指しています。

Treelineの共同創業者はPeter Doyle氏とHussain Kader氏で、両名はスタンフォード大学の同級生です。a16zのパートナーであるJoe Schmidt氏がDoyle氏と10年来の関係を持ち、今回の投資を主導しました。AIとソフトウェアの進化により、人的専門性とテクノロジーを一体化した新たなIT運用モデルの構築が期待されています。

Cohereは、オープンウェイトの自動音声認識モデル「Transcribe」を公開しました。20億パラメータのこのモデルは、平均単語誤り率（WER）5.42%を達成し、企業の音声パイプラインに直接組み込める精度を実現しています。

TranscribeはHugging FaceのASRリーダーボードで首位を獲得しました。OpenAIのWhisper Large v3（WER 7.44%）、ElevenLabs Scribe v2（5.83%）、Qwen3-ASR（5.76%）をいずれも上回り、商用レベルの音声認識における新たな基準を打ち立てています。

最大の特徴は、Apache-2.0ライセンスによる商用利用と自社インフラでのローカル運用が可能な点です。従来のクローズドAPIではデータの外部送信が避けられず、オープンモデルでは精度が不十分という課題がありましたが、Transcribeはその両方を解決しています。

対応言語は英語、フランス語、ドイツ語、日本語、中国語、韓国語など14言語です。会議理解を測るAMIデータセットで8.15%、多様なアクセントを評価するVoxpopuliで5.87%と、幅広い音声タスクで高い性能を示しています。

企業のエンジニアリングチームにとって、RAGパイプラインやエージェントワークフローに音声入力を組み込む際、データ残留リスクやレイテンシの問題なく本番運用できる選択肢が加わりました。早期導入企業からは、精度とローカル展開の両立が高く評価されています。

キニピアック大学が2026年3月に約1400人の米国成人を対象に実施した世論調査で、15%が「AIプログラムが直属の上司として業務指示やスケジュール管理を行う職場で働く意思がある」と回答したことが明らかになりました。一方、大多数は人間の上司を望んでいます。

企業では既にAIによる管理職機能の代替が進んでいます。WorkdayはAIエージェントによる経費承認を導入し、AmazonはAIワークフローで中間管理職の業務を置き換え、数千人の管理職を削減しました。UberではエンジニアがCEOのデジタル分身を作成し、事前提案審査に活用しています。

こうした動きは「大フラット化（The Great Flattening）」と呼ばれ、組織階層の劇的な圧縮が進んでいます。完全自動化された従業員と経営陣で運営される「一人ユニコーン企業」の誕生も現実味を帯びてきました。

AI利用が拡大する一方で、信頼は低下しています。調査では76%がAIを「めったに信頼しない」または「時々しか信頼しない」と回答しました。51%が調査目的でAIを利用しているにもかかわらず、常に信頼すると答えたのはわずか21%です。利用と信頼の乖離が鮮明になっています。

雇用への懸念も深刻で、回答者の70%がAIの進歩により求人が減ると予測しています。前年の56%から大幅に増加しました。米国では2023年以降、エントリーレベルの求人が35%減少しており、Anthropicのダリオ・アモデイCEOも雇用喪失を警告しています。

回答者の3分の2は企業のAI利用に関する透明性が不十分と感じており、同じ割合が政府の規制も不足していると考えています。AIへの期待よりも不安が上回る中、55%がAIは日常生活に害をもたらすと回答し、前年より悲観的な見方が広がっています。

OpenAIは2026年3月29日、バンコクでゲイツ財団、アジア防災センター（ADPC）、DataKindと共催で、東南・南アジア13カ国から50名の防災担当者を集めた初のAIワークショップ「AI Jam for Disaster Management」を開催しました。

このワークショップは、政府機関やNPOがAIを活用して災害対応の迅速化と効率化を実現する方法を探る取り組みです。参加者はバングラデシュ、インド、インドネシア、フィリピンなど13カ国の政府機関・多国間組織・NPOの実務担当者で、現場での意思決定に直接関わる人々が集まりました。

アジアは世界で最も災害リスクが高い地域であり、世界の被災者の約75%を占めています。世界銀行の推計ではASEAN諸国の災害損失は110億ドル以上に上り、2025年後半にも複数の台風・暴風雨が地域を襲い、対応体制は限界まで逼迫しました。

注目すべきは災害時のAI利用急増です。スリランカのサイクロン・ディトワ発生時にはChatGPTへの関連メッセージが17倍に増加し、タイでもサイクロン・セニャール時に3.2倍の利用増が確認されました。市民が自発的にAIを情報源として活用する動きが広がっています。

ワークショップでは参加者がOpenAIのメンターと協働し、カスタムGPTや再利用可能なワークフローの構築に取り組みました。状況報告、ニーズ評価、住民への情報発信など実務に直結するテーマが扱われ、責任あるAI活用と組織内の信頼構築も重視されました。今後数カ月以内にパイロット展開を含む第2フェーズが計画されています。

Zencoderの創業者兼CEOであるAndrew Filev氏は、過去6カ月間でエンジニアリング組織をAIファーストに転換し、人員を36名から30名に縮小しながらもスループットを約170%に向上させた実績を公表しました。

従来は数週間かけてユーザーフローを設計してからコーディングに入っていましたが、AIファースト化により実験コストが劇的に低下しました。アイデアからPRD、技術仕様、実装までを1日で完了できるようになり、静的なプロトタイプではなく動作する製品で仮説を検証する体制に移行しています。

品質面では当初AIの速度にQAチームが追いつけない問題が発生しましたが、AIワークフローにユニットテストとE2Eテストの自動生成を組み込むことで解決しました。テストカバレッジが改善し、バグ数が減少した結果、エンジニアリングのビジネス価値は体感以上に向上したといいます。

開発プロセスの構造も大きく変化しています。従来の「ダイヤモンド型」（少数の企画→大人数の開発→少数のQA）から、人間が上流の意図定義と下流の成果検証に深く関与し、中間のAI実行層が高速に処理する「ダブルファネル型」へと転換しました。

Filev氏はこの変化を「ソフトウェア開発の抽象度がまた一段上がった」と表現しています。エンジニアはコードを書く代わりにAIワークフローの設計やガードレールの定義に注力し、QAエンジニアはシステムアーキテクトへと役割を進化させています。正しさの定義が部門横断的なスキルとなり、開発組織全体の再編が進んでいます。

Replitが2026年のプロダクトマネージャー（PM）向けAIツールを包括的にまとめた記事を公開しました。AIツールは「生産性向上レイヤー」と「能力拡張レイヤー」の二層構造で整理されています。

生産性向上レイヤーでは、ClaudeやNotion AI、GrammarlyといったライティングツールがPRDの草案作成やリサーチの要約を高速化しています。調査分析ではDovetailやPerplexityがインタビューやフィードバックからパターンを自動抽出し、継続的な発見プロセスを支援します。

ロードマップ管理ではProductboardやLinearがフィードバックの自動分類や機能スコアリングを実現し、ステークホルダー向け更新情報も自動生成します。会議支援ではGranolaやOtter.aiが議事録作成の負担を大幅に軽減しています。

しかし記事は、これらのツールには共通の限界があると指摘します。既存ワークフローを加速するものの、アイデアから動くプロダクトまでの依存関係は変わりません。PM→デザイン→エンジニアリングという従来の受け渡し構造が残るためです。

この構造を変えるのがバイブコーディングです。自然言語でプロダクトの意図を伝えるだけで動作するソフトウェアを生成でき、PMが自らプロトタイプを構築・検証できます。Replit Agent 4は開発・実行・デプロイを一つの環境に統合し、アイデアから成果物までの距離を大幅に短縮する新カテゴリーの代表格として紹介されています。

OpenAIは、エージェント型コーディングアプリCodexにプラグイン機能を追加しました。これにより、Codexはコーディング領域を超えた幅広いタスクに対応できるようになります。競合するAnthropicやGoogleの類似機能に対抗する動きです。

プラグインは、スキル（ワークフローを記述するプロンプト）、アプリ連携、MCP（Model Context Protocol）サーバーを一つにまとめたバンドルです。特定のタスクに合わせてCodexを構成し、組織内の複数ユーザー間で再現可能にする仕組みとなっています。

技術的には、これまでもカスタム指示やMCPサーバーを個別に設定すれば同等の機能を実現できました。しかし今回のプラグインでは、それらをワンクリックでインストールできるようパッケージ化した点が最大の特徴です。

Codexアプリ内には新たにプラグインセクションが設けられ、検索可能なライブラリからプラグインを選択できます。GitHub、Gmail、Box、Cloudflare、Vercelなど主要サービスとの緊密な統合が用意されています。

この動きは、AIコーディングツール市場におけるプラットフォーム競争の激化を示しています。各社がエコシステムの拡充を通じて開発者の囲い込みを図る中、OpenAIもCodexの汎用性を高めることで差別化を狙っています。

Googleは、医療AI開発者向けオープンモデル基盤「Health AI Developer Foundations（HAI-DEF）」プログラムの一環として開催した「MedGemma Impact Challenge」の受賞者を発表しました。Kaggleと共催した本コンペには850以上のチームが参加し、医療課題の解決に挑みました。

グランプリのEpiCastは、西アフリカ経済共同体の疾病監視の空白を埋めるモバイルファーストのソリューションです。ファインチューニングしたMedGemmaモデルにMedSigLIPやHeARを組み合わせ、地域言語による臨床観察をWHOの統合疾病監視・対応シグナルに変換し、感染症アウトブレイクの早期発見を支援します。

FieldScreen AIは、リソースが限られた環境向けの結核スクリーニングワークフローです。MedGemmaによる胸部X線解析とHeARベースの咳音声分類を組み合わせ、完全にオンデバイスで動作します。Tracerは医師のメモから仮説を抽出し、検査結果と照合することで医療ミスの防止を目指します。

技術特別賞では3テーマが表彰されました。BridgeDXは2015年ネパール地震の経験から着想を得たオフライン診断支援デモで、WHOやMSFのガイドラインに基づきます。CaseTwinはエージェント型ワークフローで胸部X線の類似症例を照合し、農村部の病院での紹介プロセスを数時間から数分に短縮します。

本コンペは、HAI-DEFのオープンウェイトモデルが世界中の医療格差解消に大きな可能性を持つことを示しました。Googleは2024年末にHAI-DEFを立ち上げ、2025年1月にはMedGemma 1.5を公開しており、今後も開発者コミュニティとの連携を通じて医療AIの民主化を推進する方針です。

GitHubは2025年のオープンソースセキュリティ動向と、2026年のGitHub Actionsセキュリティロードマップを公開しました。脆弱性データベースの年次レビューとCI/CD基盤の安全強化策を包括的に示しています。

2025年にGitHubがレビューしたセキュリティ勧告は4,101件で2021年以来の低水準でしたが、これは古い脆弱性の未レビュー分が減少したためです。新規報告に限れば審査数は前年比19%増加しており、脆弱性の報告自体は衰えていません。

npmマルウェア勧告は7,197件に達し前年比69%増となりました。SHA1-Huludなどの大規模キャンペーンが要因です。またGitHubのCNAとしてのCVE公開は2,903件で35%増加し、987の組織がCVEを発行しました。

2026年のActionsロードマップでは、ワークフローの依存関係をコミットSHAでロックする仕組みを3〜6カ月以内にプレビュー提供します。Goのgo.modに相当する決定論的ビルドを実現し、サプライチェーン攻撃のリスクを大幅に低減します。

さらにルールセットに基づくポリシー駆動の実行制御、シークレットのスコープ制限、ランナー向けegressファイアウォールを段階的に導入します。CI/CDを本番環境と同等の重要インフラとして扱い、監視・制御・監査を一体化する方針です。

OutSystems主催のウェビナーで、企業のソフトウェア幹部や実務者が登壇し、2026年の企業AIはガバナンス・オーケストレーション・反復改善という実務的課題に焦点が移ったと指摘しました。派手なデモの時代から、既存システムとの統合による成果創出が最優先事項となっています。

サーモフィッシャーの事例では、単機能のAIアシスタントから脱却し、トリアージ・優先度判定・製品情報・トラブルシューティング・コンプライアンスなど専門エージェントが連携するマルチエージェント体制を構築しています。各エージェントは狭い役割と明確なガードレールを持ち、正確性と監査可能性を確保しています。

IT部門の監視なく誰もが本番レベルのコードを生成できるシャドーAIが新たなリスクとして浮上しています。ハルシネーション、データ漏洩、ポリシー違反、モデルドリフトなどの問題に対し、先進企業はAIでAIを統治するアプローチでポートフォリオ全体を管理しています。

LLMの選定よりもオーケストレーションが持続的な価値の源泉であるとの認識が広がっています。Gemini・ChatGPT・Claudeなどモデルを自在に切り替えられるプラットフォーム設計が重要であり、モデルやワークフローが変わってもオーケストレーション層は不変であるべきだと指摘されました。

投資面では、セキュリティ・コンプライアンス・ガバナンスへの支出が2026年に増加する見通しです。大規模パイロットより段階的な本番投入で着実に成果を積み上げる方針が推奨されています。既存インフラを活かしながらエージェントを導入するプラットフォーム型アプローチが、特に大規模な既存資産を持つ企業に支持されています。

AIによるコード生成が進む中、ソフトウェア開発のボトルネックが解消され、企業アーキテクチャ全体を俯瞰できるシステム思考の重要性が高まっています。エンタープライズアーキテクトやゼネラリスト開発者が、AI時代に最も価値ある技術人材として注目されています。

a16z（アンドリーセン・ホロウィッツ）は、自社ポッドキャスト「The a16z Show」でAIが産業・国防・医療・消費者市場に与える影響を多角的に取り上げる特集シリーズを一斉公開しました。投資家・起業家・政府関係者が登壇し、各分野の最前線を語っています。

AtlassianのCEOマイク・キャノンブルックスは、SaaS企業の株価急落について「すべてのソフトウェア企業が同じAIリスクに直面しているわけではない」と指摘しました。記録型からプロセス型へのシフトと、エンタープライズワークフローにおけるAIエージェントの信頼構築が鍵だと述べています。

消費者AI市場では、ChatGPTがウェブ利用でClaudeの30倍の規模を維持していることが判明しました。a16zのオリビア・ムーアは、3大プラットフォームがそれぞれ異なるユーザー層に特化しつつあり、メモリ機能が最も過小評価されている機能だと分析しています。

国防分野では、エミール・マイケル国防次官が技術優先分野を14から6に絞り込み、応用AIを第1位に据えたことを明かしました。前政権下で締結された商用AI契約がベンダーロック危機を生み、現役の軍事作戦にリスクをもたらしていた経緯も初めて詳細に語られています。

AGI研究に関しては、コロンビア大学のヴィシャル・ミスラがトランスフォーマーの内部動作を数学的に解明した最新研究を紹介しました。LLMはパターンマッチングに留まっており、AGI到達には訓練後も学習を続ける能力と因果関係の理解が不可欠だと指摘しています。

AI会議メモアプリのGranolaは2026年3月、Index VenturesのDanny Rimer氏主導によるシリーズCラウンドで1億2500万ドルを調達したと発表しました。企業評価額は前回の2億5000万ドルから15億ドルへと6倍に跳ね上がりました。

Granolaの特徴は、会議にボットを参加させず、ユーザーのPC上でバックグラウンド録音・文字起こしを行う点にあります。目に見えるボットへの不満が多い中、この設計思想が急速な普及を支えています。

同社はプロシューマー向けアプリからエンタープライズ対応へと進化を加速させています。新機能「Spaces」はチーム単位のワークスペースで、フォルダ作成やきめ細かなアクセス制御が可能です。Vanta、Asana、Cursor、Mistral AIなど有力企業が既に導入しています。

さらに個人向けAPIと企業向けAPIの2種類のAPIを公開し、会議メモのデータをAIワークフローに統合できるようにしました。これは以前、ローカルデータベースのロックダウンでユーザーのAIエージェント連携が破損した問題への対応でもあります。

会議メモの自動生成はコモディティ化が進んでおり、Read AIやFireflies、Quillなど競合も多数存在します。Granolaはメモを起点としたフォローアップメール作成やCRM連携など、アクション実行基盤へと進化することで差別化を図る方針です。

GitHubは2026年4月24日より、Copilot Free、Pro、Pro+ユーザーの操作データをAIモデルの学習に活用する方針を発表しました。対象データには入出力、コード断片、関連コンテキストが含まれ、ユーザーはオプトアウトにより学習利用を拒否できます。

収集対象となるデータは、ユーザーが受け入れまたは修正した出力、Copilotに送信された入力やコード断片、カーソル周辺のコードコンテキスト、コメントやドキュメント、ファイル名やリポジトリ構造、Copilot機能との操作履歴、提案に対するフィードバックなど多岐にわたります。

Copilot BusinessおよびEnterprise、企業所有リポジトリのデータは対象外です。また、オプトアウト済みユーザーのデータも学習に使用されません。プライベートリポジトリの保存データは対象外ですが、Copilot利用中に処理されるデータはオプトアウトしない限り学習に使われる可能性があります。

GitHubはこの方針の背景として、Microsoft社員の操作データを学習に取り入れた結果、複数言語での提案受入率が向上したことを挙げています。実際の開発ワークフローから得られるデータにより、より正確で安全なコードパターンの提案やバグの早期発見が可能になるとしています。

収集データはMicrosoftを含むGitHub関連会社と共有される一方、サードパーティのAIモデルプロバイダーや独立したサービス事業者には提供されません。以前にデータ収集をオプトアウトしていたユーザーの設定はそのまま維持され、改めてオプトインしない限り学習には使用されません。

CreatioのBurley Kawasaki氏らが、AIエージェントをデモから本番運用へ移行させるための3つの規律を提唱しました。データ仮想化、エージェント管理ダッシュボード、限定スコープの運用ループがその柱です。

企業がエージェント導入で最初に直面する壁はデータの分散です。SaaS、社内DB、各種アプリに情報が散在し、構造化されていないケースも多く、エージェントが正確に情報を取得できない状況が生まれています。Greyhound ResearchのGogia氏は統合の難しさを指摘しています。

さらに深刻なのは暗黙知への依存です。従業員が経験則で例外処理を行っている業務は、自動化ロジックに変換すると抜け漏れが顕在化します。明文化されていないルールや判断基準が、エージェントのエスカレーション率を押し上げる要因となっています。

Kawasaki氏のチームは段階的チューニング手法を採用しています。設計時のプロンプト最適化、運用中の人間によるレビューと修正、稼働後の継続的モニタリングという3段階で精度を高めます。単純な業務では80〜90%のタスクを自律処理できる水準に達しているといいます。

導入に最適なのは高頻度かつ構造化された業務です。書類の取り込みや検証、定型的な顧客接点などが該当します。金融機関では部門横断的なデータ分析により、数百万ドル規模の増収効果を得た事例もあると報告されています。

規制産業など複雑な業務では、単一プロンプトではなくオーケストレーション型の実行が必要です。サブエージェントに分割し、RAGで情報をグラウンディングしながら、数時間から数日かけてタスクを完遂する設計が求められます。モデルの再訓練は不要で、プロンプトやワークフロー設計の改善で性能向上が可能です。

米スタートアップのDossは2026年3月、AI在庫管理プラットフォームの開発資金として5500万ドル（約82億円）のシリーズB資金調達を完了しました。ラウンドはMadronaとPremji Investが共同主導し、Intuit Venturesも参加しています。

Dossは2022年設立当初、RilletやCampfireと同様のAI会計製品を開発していましたが、昨年戦略を転換しました。競合するのではなく、これらの企業とパートナーシップを組み、在庫管理という別の領域で勝負する方針を選択しています。

共同創業者兼CEOのWiley Jones氏によると、新興のAI ERP企業は売掛金や買掛金などの財務機能を提供していますが、調達や在庫管理を会計ワークフローと統合する機能は多くが持ち合わせていません。Dossはこの空白領域を埋める存在を目指しています。

主要顧客は年商2000万〜2億5000万ドル規模の中堅消費者ブランドです。高級スペシャルティコーヒーのVerve Coffee Roastersなどが導入しており、RilletやCampfire、IntuitのQuickBooksと連携して利用されています。

Jones氏は、会計と在庫管理で2つのERPを導入する提案は難しい面もあると認めつつ、レガシーERPの実装の困難さから、新しいAIシステム2つを選ぶ企業が増えていると指摘します。中堅市場ではエージェント対応のアーキテクチャ構築競争が激化すると予測しています。

PNY Technologiesは、NVIDIAの最新ワークステーション向けGPU「RTX PRO 6000 Blackwell Workstation Edition」を発表しました。データサイエンスとAIワークフロー向けに設計され、デスクトップ環境でデータセンター級の性能を実現します。

データサイエンティストの業務時間の大半を占めるデータ準備工程において、NVIDIA CUDA-Xのオープンソースライブラリ「cuDF」を活用することで、従来のCPUベースツールと比較して最大50倍の高速化を達成します。データクレンジングや特徴量エンジニアリングが数時間から数秒に短縮されます。

具体的なベンチマークでは、結合操作がCPUの約5分からGPUでわずか14秒に、高度なグループ集計処理は約4分から4秒へと劇的に改善されました。GPU加速のXGBoostによりモデル訓練も数週間から数分に短縮されます。

セキュリティとコスト面では、計算処理をデータセンターやクラウドからオフロードすることで、機密データをオンプレミスに保持しながら運用コストを削減できます。最大4基のGPUを搭載可能で、大規模データセットの処理や高度な可視化にも対応します。

企業向けにはNVIDIA AI Workbenchを通じて、デスクトップ・クラウド・データセンター間でのシームレスな共同作業環境を提供します。CUDA-XやNVIDIA Enterpriseソフトウェアスタックにより、Pythonワークフローのゼロコード変更での高速化と100以上のAI対応アプリケーションをサポートします。

IBM Researchは2026年3月20日、オープンソースのPythonライブラリMellea 0.4.0と3つのGranite Librariesを同時公開しました。これにより、IBM Graniteモデル上で構造化・検証可能・安全性を備えたAIワークフローの構築が容易になります。

Melleeは確率的なプロンプト動作を、構造化された保守可能なAIワークフローに置き換えるライブラリです。制約付きデコードや構造化修復ループ、パイプラインの組み合わせにより、LLMベースのプログラムの予測可能性と保守性を高める設計思想を持っています。

バージョン0.4.0では、Granite Librariesとのネイティブ統合が実現しました。制約付きデコードに基づく標準化APIを通じ、出力のスキーマ正確性を保証します。さらにリジェクションサンプリング戦略による指示・検証・修復パターンや、イベント駆動型コールバックによる観測フックも導入されました。

同時公開されたGranite Librariesは、granite-4.0-microモデル向けの特化型LoRAアダプタ群です。granitelib-coreは要件検証、granitelib-ragは検索前・検索後・生成後のRAGタスク、granitelib-guardianは安全性・事実性・ポリシー準拠の各領域をカバーします。

汎用プロンプティングに頼らず、タスク特化型アダプタを用いることで、少ないパラメータコストで各タスクの精度を向上させつつ、ベースモデルの能力を損なわない点が特長です。コードと論文はHugging FaceおよびGitHubで公開されており、すぐに導入を開始できます。

Replitは、AIコーディングプラットフォームの最新版「Agent 4」を発表しました。設計、コラボレーション、構築対象、計画・実行ワークフローの4つの柱を根本から再設計し、開発体験を大幅に向上させています。

設計面では、従来の「Design Mode」タブが「Design Canvas」に置き換わりました。無限キャンバス上でアーティファクトのライブプレビューとデザインモックアップを並べて表示でき、モバイル・タブレット・デスクトップの各画面サイズでのプレビューにも対応しています。

構築対象も大幅に拡張されました。Agent 3ではアプリに限定されていましたが、Agent 4ではスライド、Webサイト、Webアプリ、モバイルアプリなど多様な成果物を作成可能です。Linear、Slack、Notionなどの外部サービスとの連携も実現しています。

コラボレーションモデルは、フォーク＆マージ方式から共有プロジェクト方式へ移行しました。各メンバーが同一プロジェクト内で独自のチャットスレッドを持ち、共有カンバンボードでタスクの進捗をリアルタイムに把握できます。

ワークフローも「計画してから構築」から「計画しながら構築」へと進化しました。メインビルドの実行中に別チャットで計画を進められ、各タスクは隔離環境で並行実行されるため、互いの作業を上書きするリスクがありません。既存プロジェクトもそのまま動作し、新規プロジェクトで全新機能が利用可能です。

OpenAIは2026年3月、人気のオープンソースPython開発ツールを手がけるAstralの買収合意を発表しました。Astralはパッケージマネージャーuv、リンターRuff、型チェッカーtyを開発しており、買収後はCodexチームに統合される予定です。

Astralの主力ツールuvは月間1億2600万回以上ダウンロードされ、Ruffは1億7900万回に達するなど、Python開発者の間で広く普及しています。これらのツールは依存関係管理、コード品質チェック、型安全性の確保といった開発の基盤を担っています。

OpenAIは本買収について「Codexの開発を加速し、ソフトウェア開発ライフサイクル全体でAIができることを拡大する」と説明しています。Codexは年初から利用者が3倍、利用量が5倍に成長しており、週間アクティブユーザーは200万人を超えています。

この動きはAIコーディング支援市場での競争を反映しています。2025年11月にはAnthropicがJavaScriptランタイムBunを買収しClaude Codeに統合しており、OpenAIも今月初めにLLMセキュリティツールのPromptfooを買収するなど、開発者ツールの囲い込みが加速しています。

Astral創業者のCharlie Marsh氏は、買収後もオープンソースツールの開発を継続しコミュニティとともに構築していくと表明しました。OpenAIも同様にOSSプロジェクトの支援を続けながら、Codexとのシームレスな統合を模索する方針です。買収完了には規制当局の承認が必要とされています。

Googleとスタンフォード大学の研究チームは、18か月にわたりGoogle社員のAI活用実態を観察した共同研究の成果として、職場でAIをより深く導入するための5つの戦略を公開しました。研究結果はハーバード・ビジネス・レビューに掲載されています。

研究によると、多くの社員はAIに意欲的でありながら、既存タスクをAIに置き換えるだけの「単純代替」にとどまっていました。学習コストに対して成果が見合わないと感じるケースも多く、プロンプトエンジニアリングだけでは不十分であることが明らかになりました。

成功した活用者に共通していたのは、プロダクトマネージャーの思考法です。高価値な機会を見極め、各AIツールの特性を理解し、課題とツールの最適な組み合わせを見つけていました。ワークフロー全体を再設計する姿勢が、単なる効率化との差を生んでいます。

具体的な5戦略は、まず業務のボトルネックから着手すること、チャットボットに限らず最適なツールを選ぶこと、小規模な実験から始めること、孤立した作業ではなく業務プロセス全体にAIを組み込むこと、そして成功パターンをチームに共有することです。

この研究は、生成AIが汎用技術であるがゆえに「どの機能をどの場面で使うか」の判断力が重要であることを示しています。経営者やリーダーにとって、AI導入を単なるツール配布ではなく、組織的な業務改革として推進する必要性を裏付ける知見といえます。

GitHubは、オープンソースプロジェクト「Squad」を公開しました。GitHub Copilot上に構築されたこのツールは、リポジトリ内に複数のAIエージェントチームを直接配置し、設計・実装・テスト・レビューを協調的に実行する仕組みを提供します。

Squadでは、ユーザーが自然言語でタスクを記述すると、コーディネーターエージェントがルーティングを担当し、バックエンド開発者やテスターなどの専門エージェントをタスク固有の指示とともに生成します。各エージェントは独立したコンテキストウィンドウ（最大20万トークン）で動作するため、文脈の競合を回避できます。

特徴的な設計パターンとして「ドロップボックスパターン」があります。ライブラリ選定や命名規則などのアーキテクチャ上の意思決定は、リポジトリ内のdecisions.mdファイルに構造化ブロックとして追記されます。リアルタイム同期ではなく非同期の知識共有を採用することで、永続性と可読性を両立しています。

品質管理の面では、レビュアープロトコルが重要な役割を果たします。テストエージェントが不合格と判定した場合、元のエージェントが自身のコードを修正することは許可されず、別のエージェントが新たな視点で修正を担当します。これにより、単一AIの自己レビューの限界を構造的に回避しています。

導入はnpm installでCLIをグローバルインストールし、squad initでリポジトリに初期化するだけで完了します。重いオーケストレーション基盤やベクターデータベースの構築は不要です。ただし完全な自律実行ではなく、最終的なPRのレビューとマージは人間が行う協調型のワークフローとなっています。

Vercelは、サーバーレスワークフロー基盤「Vercel Workflow」において、すべてのユーザーデータに対するエンドツーエンド暗号化を標準機能として提供開始しました。開発者側のコード変更は一切不要です。

暗号化の対象は、ワークフローの入力値、ステップの引数・戻り値、フックペイロード、ストリームデータなど、イベントログに書き込まれるすべてのデータです。APIキーやトークン、ユーザー認証情報といった機密データも安全に受け渡しできるようになります。

技術的には、各デプロイに固有の暗号鍵が割り当てられ、ワークフロー実行ごとにHKDF-SHA256で鍵を導出します。データはAES-256-GCM方式で暗号化され、機密性と完全性の両方が担保される設計です。

復号はWebダッシュボードまたはCLIから実行できます。ダッシュボードではWeb Crypto APIを用いてブラウザ内で完結するため、観測サーバーが平文データに触れることはありません。アクセス権限は環境変数の閲覧権限と連動しています。

すべての復号リクエストは監査ログに記録され、チーム全体でアクセス状況を把握できます。また、カスタム実装向けにgetEncryptionKeyForRun()メソッドを提供しており、独自のWorld実装でも暗号化機能を利用可能です。

Vercelは、AIコード生成ツールv0に専用の差分ビュー（diff view）機能を追加したことを発表しました。この機能により、ユーザーはv0のインターフェース内でコード変更内容を直接確認できるようになります。

新機能では、ファイルごとに変更箇所を一覧表示し、各ファイルの行の追加数と削除数を明確に把握できます。従来はAIが生成したコードの変更点を把握しにくいという課題がありましたが、差分ビューによって透明性が大幅に向上します。

この機能は、AIによるコード生成が普及する中で特に重要です。開発者がAIの出力を逐一検証し、意図しない変更や不具合を早期に発見できる仕組みを提供することで、品質管理のワークフローを強化します。

v0はVercelが提供するAIコード生成プラットフォームで、フロントエンド開発を中心にプロンプトからコードを自動生成するサービスです。今回の差分ビュー追加により、生成からレビューまでを一つのツール内で完結できるようになりました。

この機能はv0.appで即日利用可能です。詳細なドキュメントも公開されており、企業の開発チームがAIコード生成を安心して導入するための信頼性向上につながる重要なアップデートといえます。

NVIDIAは2026年3月のGTCにおいて、ロボティクス開発基盤Isaacプラットフォームの大幅刷新を発表しました。クラウドからエッジまで一貫したワークフローを提供し、データ収集・訓練・シミュレーション・実機展開を統合的に支援します。

新たに公開されたGR00T Nは、視覚・言語・行動を統合する推論VLAモデルで、開発者が独自のロボット知能を構築する基盤となります。汎用的な理解力と特定タスクへの専門訓練を両立する「ゼネラリスト・スペシャリスト」型ロボットの実現を目指しています。

Omniverse NuRecのGA提供により、実世界のセンサーデータからOpenUSDベースの3Dシミュレーション環境を構築可能になりました。Gartnerの予測では、2030年までにエッジシナリオの訓練データの90%以上が合成データになるとされ、NVIDIAはこの転換を加速する合成データ工場の参照設計をCosmos基盤モデルとともに提供します。

Isaac Lab 3.0では数千の軽量シミュレーション環境を並列実行し、実世界では数年かかる学習を数日で完了できます。オープンソース物理エンジンNewtonやGoogle DeepMindのMujocoにも対応し、布や砂利など多様な物体との相互作用を再現します。

実機展開ではJetson ThorやJetson Orinがリアルタイム推論を担い、cuVSLAMライブラリで自己位置推定と地図構築を実現します。新フレームワークSOMA-Xは骨格・動作・アイデンティティの表現を標準化し、ハードウェア変更時の再統合作業を大幅に削減します。

安全面では、クラウドからロボット本体までのエンドツーエンド安全ガードレールを整備しました。教育リソースとしてIsaac Sim/Labの学習パスやNVIDIA Deep Learning Instituteの講座も提供し、新規参入の開発者を包括的に支援する体制を構築しています。

中国AI企業MiniMaxは2026年3月18日、新たなプロプライエタリLLM「M2.7」を公開しました。同モデルはエージェント型ワークフローとソフトウェア工学タスクに特化し、Vercel AI Gatewayでも標準版と高速版の2種類が利用可能となっています。

M2.7の最大の特徴は自己進化型の開発手法です。先行バージョンのモデルを活用して強化学習のハーネスを構築し、データパイプラインや学習環境の管理を自動化しました。これにより開発工程の30〜50%をモデル自身が担当し、100ラウンド以上の反復ループでコード修正を最適化しています。

ベンチマーク性能ではSWE-Pro 56.22%でGPT-5.3-Codexに匹敵し、GDPval-AAではElo 1495を記録しました。幻覚率は34%とClaude Sonnet 4.6の46%やGemini 3.1 Pro Previewの50%を下回り、MLE Bench Liteのメダル率66.6%はGoogleのGemini 3.1に並ぶ水準です。

価格面では入力0.30ドル、出力1.20ドル（100万トークンあたり）と前モデルM2.5から据え置きで、同等の知能水準を持つGLM-5と比較して3分の1以下のコストを実現しています。Claude Code、Cursor、Trae等11以上の開発ツールへの公式統合も提供されています。

戦略的には、オープンソースで評価を高めてきた中国AI勢がプロプライエタリ路線へ転換する動きの一環として注目されます。一方で中国企業であることから米国・西側の規制産業での採用にはハードルがあり、企業の意思決定者はコスト効率と地政学的リスクを慎重に比較検討する必要があります。

LangChainは、LLMアプリ開発プラットフォームLangSmithに搭載するAIアシスタント「Polly」の一般提供を開始しました。従来は一部ページに限定されていた機能が、全ページ・全ワークフローで利用可能になっています。

Pollyの最大の特長は、数百ステップに及ぶトレースを自動的に読み解き、障害の原因箇所を特定できる点です。エージェント開発特有の複雑なデバッグ作業において、従来は人手で追跡していた長大なログ解析をAIが代行します。

今回の更新ではページ間のコンテキスト維持が実現しました。トレースの確認から実験の比較、データセットへの追加、プロンプトの修正まで、一連のワークフローを通じてPollyが文脈を保持し続けるため、作業の中断や再説明が不要になります。

さらにPollyは質問への回答だけでなく、プロンプトの更新、失敗した実行からのデータセット作成、評価コードの生成といった実行操作にも対応しました。スレッド全体のユーザー感情分析や、実験結果に基づく最適な構成の推奨も可能です。

利用にはLangSmithアカウントとモデルプロバイダーのAPIキー設定が必要です。Cmd+I（Mac）またはCtrl+I（Windows/Linux）で任意のページから即座に起動でき、エージェント開発チームの生産性向上が期待されます。

Googleは2026年3月、Google AI Studioのバイブコーディング機能を全面刷新し、プロンプトから本番対応アプリを構築できる新体験を発表しました。同時にUIデザインツールStitchも「バイブデザイン」対応へと進化しています。

AI Studioの新機能では、Google Antigravityコーディングエージェントを活用し、マルチプレイヤーゲームや共同作業ツールなどリアルタイム接続が必要なアプリケーションをプロンプトだけで構築できるようになりました。

Firebaseとの統合により、エージェントがデータベースや認証の必要性を自動検出し、Cloud FirestoreとFirebase Authenticationを自動でプロビジョニングします。外部APIキーを安全に管理するシークレットマネージャーも新設されました。

デザインツールStitchは、自然言語から高品質UIデザインを生成するAIネイティブの無限キャンバスへと刷新されました。音声でエージェントと対話しながらリアルタイムにデザインを修正でき、創造的なフローを維持できます。

StitchではDESIGN.mdというマークダウン形式でデザインシステムを他ツールと共有でき、MCPサーバーやSDKを通じてAI StudioやAntigravityへのエクスポートも可能です。アイデアから実装までの一気通貫のワークフローが実現します。

Snapは、月間9.4億人超のアクティブユーザーを抱えるSnapchatの機能開発において、NVIDIA cuDFによるGPUアクセラレーションをGoogle Cloud上で導入し、A/Bテストのデータ処理速度を4倍に高速化したことを発表しました。

同社は毎月数千件のA/Bテストを実施しており、毎朝3時間の処理ウィンドウで10ペタバイト超のデータをApache Sparkフレームワークで処理しています。cuDFの採用により、既存のSparkアプリケーションをコード変更なしでGPU上に移行することが可能になりました。

2026年1月から2月の内部データによると、Google Kubernetes Engine上のNVIDIA GPUを活用することで、CPUのみのワークフローと比較して日次コストを76%削減することに成功しています。これにより、実験規模の拡大に伴うコスト増大の課題を解決しました。

NVIDIAの専門家と連携し、Google CloudのG2仮想マシン上でNVIDIA L4 GPUを用いたパイプライン最適化を実施した結果、当初見込みの約5500台からわずか2100台の同時稼働GPUで処理を完了できるようになりました。

Snap社のシニアエンジニアリングマネージャーであるPrudhvi Vatala氏は、今後A/Bテストチーム以外の幅広い本番ワークロードにもSparkアクセラレーターを展開する計画を示しており、GPU活用によるデータ基盤の全社的な変革を進める方針です。

カーネギーメロン大学のAlbert Gu氏とプリンストン大学のTri Dao氏らの研究チームが、新たなAIアーキテクチャ「Mamba 3」をApache 2.0ライセンスのオープンソースとして公開しました。Transformer対比で約4%の言語モデリング性能向上を達成しています。

Mamba 3は状態空間モデル（SSM）の最新版で、従来のTransformerが抱える二次計算量と線形メモリ要求の課題を解決します。前世代のMamba 2が学習速度の最適化に注力したのに対し、Mamba 3は「推論ファースト」の設計哲学を採用し、GPUの遊休時間を最小化する構造となっています。

技術面では3つの革新が柱です。第一に指数台形離散化により2次精度の近似を実現。第二に複素数値SSMと「RoPEトリック」で、従来不可能だったパリティ判定などの論理推論タスクを解決。第三にMIMO方式により演算強度を最大4倍に引き上げ、メモリ律速の推論フェーズでもGPUの計算コアをフル活用します。

企業にとっての最大の利点は総保有コストの削減です。15億パラメータ規模でベンチマーク平均精度57.6%を達成し、Transformerを2.2ポイント上回りました。状態サイズを半減しながら同等の予測品質を維持するため、同一ハードウェアで推論スループットが実質2倍になります。リアルタイムエージェントや長文コンテキスト処理に特に有効です。

ただし課題も残ります。Transformerエコシステムの成熟度には及ばず、量子化では標準的な4ビット手法で精度が大幅低下する問題があります。またインコンテキスト学習ではAttention機構に劣る面もあり、業界はNvidiaのNemotron-3のようなMambaとAttentionを組み合わせたハイブリッドアーキテクチャへ収束しつつあります。

Nvidiaの研究チームは、大規模言語モデルの会話履歴管理に必要なメモリを最大20分の1に圧縮する新技術「KVTC（KV Cache Transform Coding）」を発表しました。モデルの重みを一切変更せずに適用でき、最初のトークン生成までの遅延も最大8倍短縮されます。

LLMがマルチターン会話を処理する際、過去のトークンの数値表現を保持するKVキャッシュが不可欠ですが、長文脈タスクでは数ギガバイトに膨張します。これがGPUメモリを圧迫し、同時ユーザー数やレイテンシの深刻なボトルネックとなっていました。

KVTCはJPEGなどのメディア圧縮で実績のある変換符号化の手法をAIに応用しています。まず主成分分析（PCA）でKVキャッシュの特徴量を重要度順に整列し、動的計画法で各次元に最適なビット数を割り当てた後、NvidiaのnvCOMPライブラリを用いてGPU上で高速にエントロピー符号化を実行します。

Llama 3やQwen 2.5など1.5Bから70Bパラメータの多様なモデルで検証した結果、20倍圧縮時でも精度低下は1ポイント未満にとどまりました。一方、既存手法のKIVIやGEARは5倍圧縮で大幅な精度劣化が発生し、KVTCの優位性が明確に示されています。

NvidiaのAdrian Lancucki氏は、コーディングアシスタントやエージェント推論ワークフロー、反復的RAGが理想的な適用先と述べています。今後KVTCはDynamoフレームワークのKV Block Managerに統合され、vLLMなど主要な推論エンジンとの互換性が確保される予定です。

LangChainは、企業が社内向けコーディングエージェントを構築するためのオープンソースフレームワーク「Open SWE」を公開しました。Deep AgentsとLangGraph上に構築され、Stripe・Ramp・Coinbaseなど大手企業が独自開発した社内エージェントの共通設計パターンを再現しています。

Open SWEの中核は隔離されたクラウドサンドボックスです。各タスクは専用のLinux環境で実行され、リポジトリのクローンとフル権限が与えられる一方、エラーの影響範囲はその環境内に封じ込められます。Modal、Daytona、Runloopなど複数のサンドボックスプロバイダーに対応しています。

ツールセットは約15種に厳選されており、シェル実行・Webフェッチ・GitHub PR作成・Linear連携・Slack返信などを備えます。Stripeが約500ツールを運用する中でも「量より品質管理が重要」と指摘しており、Open SWEもこの方針を踏襲しています。

サブエージェントとミドルウェアの二層構造が特徴です。複雑なタスクは専門の子エージェントに分割委譲され、ミドルウェアはPR自動作成やフォローアップメッセージの注入など確実に実行すべき処理を担います。これにより柔軟性と信頼性を両立させています。

呼び出しはSlack・Linear・GitHubの3チャネルに対応し、開発者は既存のワークフロー内でエージェントを起動できます。MITライセンスで公開されており、サンドボックス・モデル・ツール・システムプロンプトなど主要コンポーネントはすべてカスタマイズ可能な設計です。

Googleは、Gemini APIにおけるエージェント向けツール機能を大幅にアップデートしました。組み込みツールとカスタム関数の同時利用、ツール間のコンテキスト循環、Gemini 3へのMapsグラウンディング拡張が主な内容です。

これまで開発者は、Google検索などの組み込みツールとカスタム関数を別々にオーケストレーションする必要がありました。今回の更新により、同一リクエスト内で両方を渡せるようになり、エンドツーエンドのレイテンシ削減とエージェント設計の簡素化が実現します。

マルチステップワークフローでは、あるツールの出力を別のツールの入力として使う場面が頻出します。新たなコンテキスト循環機能により、組み込みツールの呼び出しと応答がモデルのコンテキストに保持され、後続ステップでのデータ参照と推論が可能になります。

デバッグ性の向上も図られています。すべてのツール呼び出しに一意の識別子（id）が付与されるようになり、非同期実行や並列関数呼び出し時にモデルのリクエストとクライアント応答を正確に対応付けられます。

さらにGemini 3ファミリーでGoogle Mapsグラウンディングが利用可能になり、最新の空間データや地域のビジネス情報、通勤時間などをエージェントに組み込めます。Googleは、これらの機能を活用する際に新しいInteractions APIの使用を推奨しています。

中国AIスタートアップZ.aiは、オープンソースのGLM-5をベースにしたプロプライエタリ版「GLM-5 Turbo」を発表しました。エージェント駆動型ワークフロー向けに最適化された同モデルは、OpenRouterのAPIを通じて即日利用可能です。

価格は入力100万トークンあたり0.96ドル、出力100万トークンあたり3.20ドルに設定されています。前身モデルより合計コストで約0.04ドル安く、Claude Haiku 4.5やGemini 3 Flashなど競合モデルと比較しても競争力のある水準です。

技術面では、複雑な指示の分解・ツール呼び出し・スケジュール実行・長時間タスクの安定性が改善されています。OpenRouterのデータによると、ツール呼出エラー率はわずか0.67%で、GLM-5の各プロバイダー（2.33〜6.41%）を大きく下回ります。

注目すべきはライセンス戦略の変化です。Z.aiはGLM-5 Turbo自体の公開は明言せず、得られた知見を次期オープンソースモデルに反映するとしています。これはAlibaba Qwen部門の幹部離脱や組織再編と合わせ、中国AI業界全体の商用化シフトを示唆しています。

この動きは、OpenAI・Anthropic・Googleが採用する「オープンで普及、プロプライエタリで収益化」という米国型ハイブリッド戦略と酷似しています。エージェントプラットフォームを検討する開発者にとって、GLM-5 Turboは製品であると同時に、中国AI市場の構造変化を読み解く重要なシグナルです。

a16z（Andreessen Horowitz）は、AIがSAP・ServiceNow・Salesforceなどの大規模レガシー基幹システムの活用方法を根本的に変えると提言しました。これらのシステムは企業の中核データと業務プロセスを握っており、置き換えは極めて困難ですが、AIによる「再生」が現実的な選択肢になりつつあります。

レガシーシステムの課題は深刻です。SAP ECCからS/4HANAへの移行には最大7億ドル・3年・50人規模のコンサルチームが必要とされ、独リドルは5億ドルを投じた移行を断念しました。デジタル作業者は1日平均1,200回もアプリを切り替え、週4時間を浪費しています。システム統合市場だけで2023年に約3,800億ドル規模に達しています。

AIの活用領域は大きく3つあります。第一に「導入・移行」では、要件定義やテスト自動化により工期とリスクを圧縮します。AxiamaticやTesseraなどのスタートアップが、ERP移行プロジェクトの失敗を早期検知し、コンサルタント依存を削減するツールを提供しています。

第二に「日常利用」では、AIコパイロットがSlackやブラウザから質問応答と安全な操作実行を担います。APIが存在しない業務には「コンピュータ使用型エージェント」がUI操作を自動化し、従来手作業だった残り30〜40%のワークフローもカバーします。Factor LabsやSolaが本番環境で実用化を進めています。

第三に「拡張」では、レガシーシステム上に薄型アプリを迅速に構築します。12のSAPトランザクションを1画面に集約するベンダーオンボーディングや、複数システムを横断するイベント駆動ワークフローが実現します。a16zは最終的に基幹システム自体は残りつつも、AIが「意図駆動型の操作レイヤー」となり、ユーザーは画面やコードではなく目的を伝えるだけで業務が完結する世界を描いています。

Picsartは、クリエイターがAIアシスタントを「雇用」できるAIエージェントマーケットプレイスを開設しました。SNSコンテンツのリサイズやリミックス、商品写真の編集など、特定タスクを自動化する4種類のエージェントを提供開始しています。

最も高機能なFlairエージェントはShopifyと連携し、市場トレンドを分析してオンラインストアの改善提案を行います。将来的にはA/Bテストの実施や低パフォーマンス商品の特定も可能になる予定で、ECオーナーの売上向上を包括的に支援します。

Resize Proエージェントは各プラットフォームの推奨サイズに画像・動画を自動変換します。元の素材がサイズに合わない場合はAIが生成的にフレームを拡張し、意図的に構図を整えたような仕上がりを実現します。

これらのエージェントはWhatsAppやTelegram上でも利用可能で、デスクでも移動中でもチャット形式で指示を出せます。CEOのアヴォヤン氏は「クリエイターは操作者から意思決定者へ変わる」と、エージェントによるワークフロー革新を強調しました。

安全面では、エージェントの自律レベルをユーザーが設定でき、すべての操作に承認を求めるモードも用意されています。LLMベースのソフトウェアに伴うハルシネーションや意図しない動作のリスクに対し、段階的な制御で対応しています。無料プランでは利用が限定的で、本格利用には月額約10ドルからの有料プランが必要です。

LangChainは、langgraph-cliパッケージに新たなdeploy CLIコマンド群を追加し、コマンドライン一つでAIエージェントをLangSmith Deploymentへデプロイできる機能を公開しました。

中核となるlanggraph deployコマンドは、ローカルのLangGraphプロジェクトからDockerイメージを自動構築し、本番運用に必要なインフラを一括で構成します。手動でのサーバー設定が不要になり、開発者の負担を大幅に軽減します。

インフラ面では、永続化のためのPostgreSQLとメッセージストリーミング用のRedisが自動的にセットアップされます。これにより、エージェントは追加設定なしに本番環境で安定稼働できます。

GitHub ActionsやGitLab CI、Bitbucket Pipelinesなど既存のCI/CDワークフローとの統合も容易です。デプロイの一覧表示、ログ確認、削除といった管理コマンドも同時に提供されています。

開発者向けにはdeep agentとsimple agentの新テンプレートも公開されており、langgraph newコマンドで雛形を生成できます。uvxを使えばインストール不要で即座に試用が可能です。

GitHubは、リポジトリに組み込まれたCI/CDおよび自動化プラットフォーム「GitHub Actions」の入門ガイドを公開しました。YAMLファイルでワークフローを定義し、プッシュやプルリクエストなどのイベントをトリガーに自動実行される仕組みです。

ワークフローはイベント、ランナー、ジョブの3要素で構成されます。イベントが発火するとGitHubが仮想マシン上でジョブを起動し、定義されたステップを順次実行します。Ubuntu、Windows、macOSのホステッドランナーが提供されています。

実践例として、新規イシューに自動でラベルを付与するワークフローの作成手順が紹介されています。.github/workflowsディレクトリにYAMLファイルを配置し、トリガー条件とジョブ内容を記述します。GitHub CLIを活用したスクリプト実行も可能です。

セキュリティ面では、permissionsキーワードでジョブごとのアクセス権を制御します。環境変数にはGitHubが自動生成するGITHUB_TOKENを設定し、リポジトリへの安全なアクセスを実現しています。

GitHub Marketplaceには、コードのチェックアウトやNode.jsセットアップなど再利用可能なアクションが多数公開されています。パッケージ公開、テスト実行、セキュリティチェックなど幅広い自動化に対応しており、Actionsタブからワークフローの監視・管理・デバッグが可能です。

NanoClawとDockerは、AIエージェントを企業環境で安全に実行するための提携を発表しました。NanoClawのオープンソースエージェント基盤をDocker Sandboxes上で稼働させることで、エージェントにホストマシンや隣接ワークロードへのアクセスを与えずに自律的な作業を可能にします。

この提携が重要な理由は、AIエージェント市場が実証段階から本番デプロイの段階へ移行しているためです。CIOやCTOにとって最大の課題は、エージェントがライブデータに接続しファイルを変更する際に、周辺システムを危険にさらさないかという点にあります。従来のコンテナは不変性を前提としていますが、エージェントは最初の呼び出しでその前提を破壊します。

Docker社のMark Cavage社長は「エージェントの世界に対応するため、隔離とセキュリティモデルを根本から変える必要があった」と語りました。Docker SandboxesはMicroVMベースの隔離技術を採用し、従来のDockerワークフローとの互換性を維持しながら、エージェントが暴走した際の影響範囲を確実に封じ込めます。

NanoClaw創業者のGavriel Cohen氏は、企業では各チームが数百から数千のエージェントを管理する未来を描いています。財務・営業・開発など部門ごとに異なるデータアクセス権と自動化が必要となるため、汎用的な知能よりも「誰が何を見られるか」という境界設計が重要になると指摘しました。

今回の提携はOSSコミュニティから自然発生した技術的親和性に基づいており、商業的な取引関係はありません。NanoClawはアーキテクチャ変更なしでDocker Sandboxesに統合でき、GitHubからクローンして単一コマンドで環境構築が可能です。エージェントのセキュリティはアプリケーション層の後付けではなく、ランタイム基盤から設計すべきという両社共通の思想が、企業向けエージェントインフラの青写真を示しています。

OpenAIは、Responses APIにシェルツールとホスト型コンテナワークスペースを統合し、AIモデルが実際のコンピュータ環境でタスクを実行できるエージェント基盤を構築したと発表しました。従来のプロンプト応答を超え、ファイル操作やAPI呼び出しなど幅広い業務を自動化できます。

シェルツールは従来のコードインタプリタがPython限定だったのに対し、Go・Java・Node.jsなど多言語に対応します。モデルがコマンドを提案し、Responses APIがコンテナ内で実行、結果をモデルに返すループで動作します。複数コマンドの並列実行にも対応し、処理速度を大幅に向上させています。

コンテナ環境は3つの文脈を提供します。第一にファイルシステムでデータを整理し、第二にSQLiteなどの構造化データベースで効率的にクエリを実行できます。第三にネットワークアクセスはサイドカープロキシ経由で制御され、許可リストとドメイン単位の認証情報注入により安全性を確保しています。

エージェントスキルは繰り返し発生するワークフローを再利用可能な部品として定義する仕組みです。SKILL.mdファイルとリソースをバンドルし、バージョン管理されたパッケージとしてAPI経由で管理できます。モデルはシェルコマンドでスキルを発見し、指示を解釈して同一ループ内で実行します。

長時間タスクではコンテキストウィンドウが枯渇する課題に対し、ネイティブのコンパクション機能を実装しました。モデルが会話状態を分析し、重要情報を暗号化されたトークン効率の高い表現に圧縮します。OpenAIのCodexもこの仕組みに依存しており、長時間のコーディングタスクを品質を落とさず継続できます。

LangChainは2026年3月、AIエージェント開発フレームワーク「Deep Agents」のSDKおよびCLIに、モデルが自らのコンテキストウィンドウを適切なタイミングで圧縮する自律コンテキスト圧縮機能を追加しました。

従来のエージェントハーネスでは、コンテキストウィンドウの85%に達した時点で一律に圧縮を実行していました。しかし複雑なリファクタリングの最中など、圧縮すべきでないタイミングで実行されるケースが課題となっていました。

新機能では、タスクの区切りや大量の新コンテキスト読み込み前、計画の実行開始時など、モデル自身が最適なタイミングを判断して圧縮を実行します。これにより、ユーザーが手動で/compactコマンドを発行する必要がなくなります。

圧縮時には直近メッセージの10%をそのまま保持し、それ以前のメッセージを要約に置き換えます。全会話履歴は仮想ファイルシステムに保存されるため、圧縮後も復元が可能です。

LangChainは独自評価スイートやTerminal-bench-2でテストを実施し、エージェントが保守的に圧縮を発動しつつも、ワークフロー改善に明確に寄与するタイミングを選択することを確認しました。この機能は、ハーネスの固定ルールを減らしモデルに作業記憶の制御権を委ねるという、エージェント設計の新たな方向性を示しています。

NVIDIAは、プログラミング概念の体系的な分類に基づき、1500万件のPython問題からなる大規模合成データセット「Code Concepts」を公開しました。同データセットはNemotron-Pretraining-Specialized-v1.1の一部として、CC-BY-4.0ライセンスで提供されます。

このワークフローの核となるのは、Nemotron-Pretraining-Codeデータセットから構築されたプログラミング知識のタクソノミーです。文字列操作や再帰といった基本構文から、高度なアルゴリズムやデータ構造パターンまで、数千の概念が階層的に整理されています。

実証実験では、HumanEvalベンチマークに関連する91個のコア概念を特定し、これらの概念の組み合わせから約1500万件の合成問題を生成しました。各問題はPythonのast.parse関数で構文検証され、品質が担保されています。

生成された100億トークンをNemotron Nano-v3の事前学習の最終1000億トークンに組み込んだところ、HumanEval精度が73から79へと6ポイント向上しました。グラフアルゴリズムや集合演算など、多様な概念での性能改善が定性的にも確認されています。

NVIDIAはこのデータセットを単発の成果物ではなく、概念駆動型生成ワークフローの有効性を示す検証として位置づけています。タクソノミーとデータセットの両方をオープンライセンスで公開することで、他のドメインへの応用拡大をコミュニティに促しています。

Googleは2026年3月10日、新しい埋め込みモデル「Gemini Embedding 2」のパブリックプレビューを開始しました。従来のテキスト専用モデルとは異なり、テキスト・画像・動画・音声・文書を単一のベクトル空間にネイティブ統合する初の本格的マルチモーダル埋め込みモデルです。

最大の技術革新は、動画や音声をテキストに変換する中間処理が不要になった点です。従来は動画検索の際にまずテキストへの書き起こしが必要でしたが、本モデルは音声波形や動画の動きを直接理解します。これにより変換時の情報損失がなくなり、クロスモーダル検索が実現しました。

Matryoshka表現学習と呼ばれる技術により、3072次元のフルベクトルから768次元まで柔軟に圧縮でき、精度とストレージコストのバランスを企業が自ら調整できます。法務文書など高精度が求められる用途ではフル次元を、推薦エンジンなどでは圧縮版を使い分けることが可能です。

早期導入パートナーからは顕著な成果が報告されています。クリエイターエコノミー企業Sparkonomyはレイテンシを最大70%削減し、意味的類似度スコアをほぼ倍増させました。法律テック企業Everlawは訴訟証拠開示において、テキスト検索では見逃していた画像・動画内の証拠発見に活用しています。

料金はGemini APIでテキスト・画像・動画が100万トークンあたり0.25ドル、音声は0.50ドルです。入力上限はテキスト8192トークン、動画128秒、音声80秒、PDF6ページとなっています。LangChainやLlamaIndex、Weaviateなど主要フレームワークとの統合も完了しており、既存ワークフローへの組み込みが容易です。

Anthropicは2026年3月11日、AIモデル「Claude」のMicrosoft ExcelおよびPowerPoint向けアドインを大幅に強化しました。最大の特徴は、両アプリ間で会話コンテキストを共有できる新機能で、Mac・Windows有料プランのユーザーが利用可能です。

新たに導入された共有コンテキスト機能により、ClaudeはExcelとPowerPointを横断して一つの連続セッションとして作業できます。例えば財務アナリストがExcelで比較企業データを抽出し、そのままピッチデッキのスライドに反映させるといった作業が、タブの切り替えやデータの再説明なしに完結します。

もう一つの目玉であるSkills機能では、チームが定型ワークフローをアドイン内に保存し、ワンクリックで実行できます。分散分析や承認済みスライドテンプレートなど、従来は毎回プロンプトを書き直していた作業を組織全体で標準化・共有できる仕組みです。

企業導入面では、Amazon Bedrock、Google Cloud Vertex AI、Microsoft Foundryを経由したアクセスにも対応し、既存のクラウド環境やコンプライアンス体制をそのまま活用できます。これにより大企業のセキュリティ要件にも柔軟に対応可能となりました。

今回の発表は、同日にMicrosoftが発表したCopilot Coworkと直接競合する動きです。エンタープライズAI市場の競争は、モデル性能のベンチマーク争いから、既存の業務アプリケーション内でどれだけ実用的な価値を提供できるかという段階に移行しつつあります。

Googleは2026年3月10日、Geminiアーキテクチャを基盤とした初の完全マルチモーダル埋め込みモデル「Gemini Embedding 2」をGemini APIおよびVertex AIでパブリックプレビューとして公開した。

同モデルはテキスト・画像・動画・音声・PDFドキュメントを単一の統一埋め込み空間にマッピングする。テキストは最大8192トークン、画像は1リクエスト最大6枚、動画は最大120秒に対応しており、RAGや意味検索、感情分析、データクラスタリングなど幅広いユースケースを簡素化する。

柔軟な出力次元を実現するMatryoshka Representation Learning（MRL）技術を採用しており、デフォルト3072次元から1536・768次元へと動的に削減できる。これにより開発者はパフォーマンスとストレージコストのバランスを最適化できる。

早期アクセスパートナーからは顕著な成果が報告されている。Paramount Skydanceは動画資産検索のRecall@1を85.3%に向上させ、Sparkonomy社はLLM推論を排除することでレイテンシを最大70%削減、テキスト・画像間の意味的類似度スコアを0.4から0.8へほぼ2倍に改善した。

同モデルはLangChain・LlamaIndex・Haystack・Weaviate・Qdrant・ChromaDB・Vector Searchなど主要なフレームワークおよびベクターデータベースと統合可能であり、既存ワークフローへの最小限の変更での導入が可能だ。

GitHubは、同社のAIコーディング支援ツール「Copilot」の実行エンジンを外部アプリケーションに組み込めるCopilot SDKを公開しました。これにより開発者は、自社ソフトウェア内でエージェント型ワークフローをプログラム可能な形で実装できるようになります。

従来のAI活用は「テキスト入力→テキスト出力」の単純なやり取りが主流でしたが、本SDKは計画・ツール呼び出し・ファイル変更・エラー回復を自律的に実行するエージェント型アーキテクチャへの転換を実現します。固定的なスクリプトでは対応が難しかった文脈依存の処理にも柔軟に適応できます。

技術面ではModel Context Protocol（MCP）を活用し、ドメイン固有のツールやスキルを構造化された形で定義できます。プロンプトにシステムロジックを詰め込む従来手法と異なり、エージェントが実行時にAPIやデータソースへ直接アクセスすることで、テスト可能で進化しやすいワークフローを構築できます。

適用範囲はIDE内に限定されません。デスクトップアプリ、社内運用ツール、バックグラウンドサービス、SaaSプラットフォーム、イベント駆動システムなど、あらゆるアプリケーション層にエージェント実行機能を埋め込むことが可能です。ファイル変更やデプロイトリガーなどのイベントを起点に、Copilotをプログラム的に呼び出せます。

この動きは、AIを「補助ツール」からインフラへと昇格させる設計思想の転換を示しています。開発チームはオーケストレーション基盤を自前で構築する必要がなくなり、ソフトウェアが達成すべき目的の定義に集中できるようになります。ロジックを実行できるアプリケーションであれば、エージェント実行を組み込める時代が到来しました。