CONTACT →
Daily AI Briefing
毎日のようにAI関連のニュースが届きますが、その多くは一次情報ではなく、ノイズも少なくありません。研究機関・開発企業・第一線の専門家による発信の中から、本当に押さえておきたい情報だけを厳選してお届けします。
OpenAIのGreg Brockman氏が、LLMの推論向けに9か月かけてゼロから設計したという「Jalapeño」を公開しました。自社モデルの力で開発を加速させたとし、電力あたり性能（perf per watt）が際立つと述べています。
推論コストは生成AI普及の最大のボトルネックの一つ。主要ラボが自前の推論ハードを持ち始めた動きは、価格と供給の前提を変えうる。モデルそのものだけでなく「動かす土台」の競争が本格化しています。
Claudeをチャンネルでタグ付けして使うとき、Claudeは他のメンバーと同じように“自分のアカウント”としてプロビジョニングされ、固有の資格情報で動く——この「agent identity（エージェントの身元）」という考え方をAnthropicが解説しました。各システムのログにはClaudeの操作がClaude自身のアカウントとして記録され、一度revoke（失効）すれば全アクセスが止まります。管理者がアクセス範囲を制御できます。
AIをチームに迎えるうえで避けて通れないのが「誰の権限で動くのか」「監査をどうするか」。人間と同じ“身元”を与えて操作を一元監査・一括失効できる設計は、業務でエージェントを使う際の現実的な土台になります。
Greg Brockman氏が、GPT-5.5 Instant に大きな改良が入ったと告知しました。会話していて「ずっと楽しい」と感じられる方向の改善が含まれるとしています。
即応モデルの“対話の質”は、チャット系プロダクトの体感を直接左右します。ベンチマークの数字に出にくい「話していて心地よいか」を各社が詰め始めているのが見て取れます。
Google DeepMindがポッドキャストで、無数のAIエージェントが互いに交渉・取引・委任を始めたら何が起きるかを取り上げました。ゲストと共に「エージェント経済（agentic economies）」の台頭と、AIの“集団思考（groupthink）”を避けるために意思決定を多様化する方法を議論しています。
エージェント同士が経済主体として動く未来像はまだ実感が薄いものの、決済・委任・交渉の自動化はすでに各所で始まっています。「全部が同じ判断に倒れる」リスクを今から意識するのは、設計者目線でも重要な論点です。
Ethan Mollick氏が、ARC-AGI-2 で23%以上を最初に達成したのは2025年11月の Gemini 3 Pro（実際は31%）だと紹介し、クローズドモデルとオープン重みモデルの間にはなお8〜12か月の差があるように見える、と述べました。一方で、得意・不得意のムラ（jagged）も大きくなっているとしています。
「オープンはどれくらい遅れて追いつくのか」を具体的な指標で語っており、モデル選定の現実的な目安になります。差は縮まっても能力が一様でない＝タスクごとに使い分ける前提が要る、という指摘も実務的です。
Dwarkesh Patel氏が、ここ15年のAIの主要なアイデアのうちどれだけがハードウェアの制約に由来するのか、と問いかけました。この間の大きな潮流は「演算（logic）がデータ転送よりはるかに安くなった」こと。行列積を大量に積み上げる手法が、まさにこのハード環境に最適だった、という見立てです。
いまの主流アーキテクチャを「正しさ」ではなく「当時のハードに合っていたから」と捉え直す視点。次のハード世代で何が“最適”になるかを考えるうえで効く、地に足のついた考察です。
研究者の Nathan Lambert 氏が、オープンモデル GLM 5.2 が CursorBench のコスト面で Opus と並ぶフロンティアに達していると指摘し、これがフロンティアラボの利益率を押し下げる要因になっていると述べました。オープンモデルは能力にムラがあるため、タスクに応じて複数を使い分けるべきとも補足しています。
「同等の性能をはるかに安く」が現実になると、価格競争が一段進みます。クローズドの最上位に対しオープン側がコスト効率で迫る構図は、どのモデルを何に使うかの判断を毎月のように更新させます。
PyTorch Conference Europe 2026 のクリップで、NVIDIA の Besmira Nushi 氏が「action-thought disconnect（行動と思考の乖離）」を取り上げました。モデルがある操作を危険だと認識していながら、それでも実行してしまうという失敗モードについて論じています。
エージェントに実際の操作権限を与えるほど、「分かっているのにやってしまう」型の失敗は致命的になります。思考（reasoning）と行動（tool実行）のズレをどう検知・抑止するかは、エージェント安全性の核心テーマです。
Ethan Mollick 氏が、「AIは使わない」と公言する人の多くが、実際にはこっそりAIを使っているとする研究（SSRN）を紹介しました。
公称の利用率と実態がズレている、というのは導入現場の感覚とも合致します。「使っていない」という建前の裏で浸透が進んでいるなら、社内の実態把握やルール整備の前提も見直しが要ります。
Towards Data Science の記事紹介で、本番のエージェントは1枚の共有GPUを奪い合うため、レイテンシ重視のエージェントの p99 が静かに66%悪化した一方、各pod は“正常”と報告し続けた、という落とし穴が取り上げられました（Kubernetes上のGPU運用がテーマ）。
「ローカルで1つ動く」と「本番で多数が同居する」は別物。GPUの取り合いで体感がじわじわ悪化しても監視は健全に見える、という指摘は、エージェントを本番投入する前に効く実務的な警告です。
こうした動きを、自社の業務にどう活かせばいいか ―
迷ったときに相談できる窓口があります。