AIを入れた現場で、いま静かに起きていること。作る人の手は空いて、それをレビューする人だけが忙しくなる。 @yutaiitaka さんが、まさにこの話をXに書いていた。AIを導入したのに、なぜかマネージャーだけが疲弊していく、と。読んで、他人事に思えなかった。自分たちも一度、同じことをやりかけたからだ。 先に結論を言う。ボトルネックは初稿からレビューに移る。そして、それを抜けるには「良し悪しの基準」を人の頭からファイルに移すしかない。自分たちはその基準を4つのファイルに書き出して運用している。順に話す。 レビューだけが詰まる仕組み AIを使うと初稿は本当に速く出る。記事も、提案資料も、メールの下書きも、形にするまでの時間は短くなる。 問題はその後だ。作った人の手は空いているのに、それを見るレビュアーだけが、だんだん忙しくなる。 AIの初稿は速いが、そのまま使えるとは限らない。事実が少しずれている。言い回しがいかにもAIっぽい。それっぽいけど中身が薄い。文脈は合っているのに、自社の言い方になっていない。この細かい違和感を一つずつ直す仕事が、まるごと

社員を19%減らして、売上は過去最高。この数字を「AIで人を減らせば儲かる」と読むと、中小企業は打ち手を間違える。 ITmedia（2026年7月）が報じた、note社のAI活用の記事が話題になった。ユーザーが増えるほど比例して増えるはずのカスタマーサポートやモデレーション、開発のバグ修正といった人手をAIが吸収し、社員数が減っても売上は最高を更新した、という内容だ。 先に結論を言う。この19%は、人員削減の成果じゃない。業務を作り直した結果だ。ここを取り違えると、真似できない話を真似しようとして事故る。 noteがやったのは人減らしじゃなく、業務の作り直し 19%という数字だけ見ると、リストラの話に見える。でも中身は逆だ。 報道によれば、noteはAIを一部の部署で試すのではなく、全社員にClaudeを配り、業務プロセス自体を組み直したという。問い合わせ対応、記事の監視、開発のバグ修正。本来なら人を増やすべきだった場所に、増やす代わりにAIを差し込んだ。 つまり、先に「AIを前提にした業務の形」があって、社員数の減少はその結果として後からついて

同じ8日間、同じテーマを学んでも、ChatGPTで学んだ人だけ「応用が利かない」側に寄った。原因は、AIが賢すぎたからじゃない。 ジョージア工科大学らの研究チームが、ChatGPTとGoogle検索（AI要約なし）で「栄養と食事計画」を8日間学ばせ、効果を比べた実験がある（ledge.ai、2026年7月閲覧）。総合成績には差が出なかった。ただ、批判的思考や知識の応用を問う設問では、Google検索で学んだ側のほうが成績が良かった。 差がついたのは、覚えた知識の量じゃない。情報を自分で吟味した回数だ。ここが、AIを仕事に配り始めた会社にとって、静かに効いてくる。 差が出たのは知識量じゃなく「吟味した回数」 まず、この実験は「AIは学習に向かない」とは言っていない。そこは押さえておきたい。 研究チームが挙げた要因は2つ。ChatGPTは情報の取捨選択を自動でやってくれるぶん、使う人が「どれが正しいか」を自分で選ぶ機会を減らす。もう一つ、原理より先に完成品（この実験なら献立案）を出す傾向がある。 答えがきれいに出てくると、人はそれを吟味せずに受け取る

ChatGPTもClaudeも、驚くような機能が毎月のように出てくる。それなのに「全社の生成AI基盤」を選ぶ段になると、日本の大企業の答えはたいていGeminiかCopilotに落ち着く。 性能で負けているわけでもないのに、だ。理由は3つあって、どれも「どのAIが賢いか」とは関係がない。 2026年7月に@ozaken_AIさんがXの記事機能で公開した分析が、この構図をきれいに言語化していた。 全社導入の死因は、性能ではなく「開かれないこと」 主要モデルの賢さは、日常業務に必要な水準をとっくに超えている。ベンチマークの僅差が現場の生産性を動かす場面は、まずない。 全社導入が失敗するのは、賢さが足りないからじゃない。配ったのに開かれず、半年で空気になるからだ。 だから基盤選びの問いは「どれが賢いか」ではない。「どのAIが、人が一日中いる場所に居続けるか」になる。 GeminiとCopilotが最初から履いている3つの下駄 元記事は理由を3つに整理している。 1つ目、業務フローに最初から常駐している。メールも資料も会議も、人が一日中触る場所にAIが住

AI人材の記事を読むと、だいたい「AIを活用している企業は1.2%しかない」あたりの数字から始まる。だから社内でAI人材を育てないと乗り遅れる、と続く。 先に結論を言う。この1.2%を育成不足の話として読むと、打ち手を間違える。足りていないのは育て方じゃなくて、社内でAIを実務で触る機会そのものだ。 1.2%が本当に示しているのは「実務機会の不在」 なぜ社内でAI人材が育たないのか。答えは単純で、育てる場がないからだ。 実務でAIを回している現場がほぼない。だから経験が積めない。経験がないから、大事な仕事はまだ任せられない。任されないから、また経験が積めない。ニワトリと卵がぐるぐる回っているだけで、外から「まず育成を」と声をかけても、この輪は回りださない。 1.2%という数字は、育て方が下手な会社が98.8%ある、という意味じゃない。そもそも社内に練習台がない会社が、それだけあるということだ。ここを取り違えると、研修を組んで満足して終わる。 育てるより、借りたほうが速い 練習台が社内にないなら、動いている現場を外から借りればいい。...

「AIに仕事を奪われる」という話は、すべての仕事に等しく来るわけじゃない。最初に来る場所は、もう決まっている。 2026年6月末、Yahoo!ニュースで、若手のシステムエンジニアの採用が急に細っている、という記事を読んだ。20代から30代前半、いわゆるジュニア層だ。自分も現場を見ていて、同じ実感がある。仕様を渡されて、その通りに実装する。この種の仕事から順に、AIに置き換わっている。 では、何が残るのか。先に結論を言うと、顧客のビジネスそのものに直接手を入れられる人だ。 最初に消えるのは「指示の実行」 理由はシンプルで、言われたことをそのままやる作業が、いまのAIが一番得意な領域だからだ。 たとえば Claude Code に指示を出せば、チラシや短い動画みたいな制作物が出てくる。Claude in Chrome（ブラウザをそのまま操作させる使い方）を使えば、画面をまたいだ定型の事務作業を任せられる。どちらも「手順が決まっている仕事」をAIが代わりにやる、という話だ。 そして、これはエンジニアだけの問題で終わらない。事務、経理、デザインといったホ

インフラの層は、孫正義に任せておけばいい。自社が握るべきなのは、別の層だ。 2026年6月24日のソフトバンクグループ株主総会で、孫正義氏が「ロボットがロボットを大規模に量産する」と語った（X投稿 @AI78140021 経由で広まった発言）。近く正式発表があるとも予告したという。壮大な話だが、ここで自分が書きたいのは「孫さんはすごい」ではない。あの戦い方を、ふつうの会社が真似してはいけない、という話だ。 孫正義がいま取りにいっている層 報じられている範囲で整理すると、SBGはAIインフラを丸ごと垂直統合しにいっている。各層に持ち駒を置く戦略だ。 AIモデルにはOpenAIへの出資。半導体はArmとAmpere。データセンターを建てるのはRoze（AIロボットでデータセンターを自律建設する会社とされる）。そのロボットを作るのが、産業用ロボット世界首位のABB Roboticsで、2025年に買収合意と報じられた。電力は米国でSB Energy、日本では東京電力との連携も観測されている（こちらは交渉段階の情報で、まだ確定ではない）。...

「AIは危険」という前提そのものが、いちばん危ない。 危ないのはAIじゃない。何のルールも決めないまま使うことだ。逆に言えば、決めるべきを決めれば、多くのリスクは現実的にコントロールできる。 論点はだいたい2つに割れる。入力したデータが学習に使われるか。データがどこに保管されるか。まずはこの2つの設定とルールを詰めるところから始めればいい。 この整理は、Xのちゃえんさん（@masahirochaen）が「AIって危険ですよね?」への回答として書いていた論点立てが分かりやすかったので、自分の実務での見方を足して書く。 「AIが学習する」の実際 まず学習の話から。法人プランやAPIでは、入力したデータがモデルの学習に使われないのが基本です。OpenAIもAnthropicもGoogleもMicrosoftも、法人向け・API・業務利用については学習に使わない設計を利用規約に明記している。 チームプラン（法人契約）なら、そもそも学習の対象外。だから「学習をオフにする設定」という概念自体が存在しない。ここを知らずに怖がっている人が、かなり多い。...

AIをどう使えるかを決めるのは、モデルの賢さじゃなくレイテンシだと自分は考えている。レイテンシは、依頼してから応答が返るまでの待ち時間のことだ。 2026年6月8日のApple WWDC26で、Appleが第3世代のオンデバイス基盤モデル（AFM 3 Core Advanced、20B＝200億パラメータのスパースモデル）を発表した。M3以降のMacやA18 Pro搭載のiPhoneといった手元の端末で、クラウドに通信せず20B規模のモデルが動く。ローカルLLM（端末内で完結する生成AI）が実用域に入ってきた、ということだ（techno-edgeの2026年6月9日の記事による）。 性能の話題として語られがちだけど、自分が注目しているのは別の点だ。同じ機能でも、待ち時間が2〜3秒から1秒未満に変わるだけで、それまで成立しなかった使い方が成立し始める。この記事では、レイテンシを軸にAIの用途を見直す。 ローカルだから速い、という当たり前の効き目 ローカルLLMで効いているのは、賢さじゃなく場所だ。クラウドのAIに依頼すると、入力を送り、サーバーで処

AIを業務に入れても、使った先で何も自社に積み上がらない。これがいま多くの企業で起きていることだと自分は見ている。原因はモデルの性能じゃない。AIに作業を任せて、人間がその出力に手を入れた瞬間に生まれる最も価値ある情報を、捨ててしまっているからだ。MicrosoftのSatya Nadella氏は2026年6月14日、Xに長文記事を投稿し、AI時代に企業が築くべきは「ラーニングループ」だと述べた。2,800万回以上表示された投稿だ。 原文はXの長文記事なので、核心を日本語にしておく。 真の機会は、最良のモデルを選ぶことにあるのではない。モデルの上に、ヒューマンキャピタル（人間の判断・人脈・パターン認識）とトークンキャピタル（自社が構築し所有するAIのケイパビリティ）が複利で積み上がる「ラーニングループ」を築くことにある。タスクや仕事は手放せても、学習だけは手放せない。企業の未来は、その学習を人とAIをまたいで複利で積み上げられるかにかかっている。 ——Satya Nadella「A frontier without an ecosystem is

米国政府の指令を受けて、Anthropicが最新モデル Claude Fable 5 への全ユーザーのアクセスを一時停止した。新規セッションはデフォルトのモデル、または Opus 4.8 で動き、稼働中だった Fable 5 のセッションはエラーで落ちる。自分がこの一件で書いておきたいのは、どのモデルが優れているかという話じゃない。特定のモデルに業務を載せることがいかに脆いか、そして揺らがない価値はどこに宿るのか、という話だ。 何が起きたか 公式の通知によれば、停止の対象は Fable 5 に限られる。それ以外の Claude モデルは引き続き使えるが、Claude Platform（外部システムからモデルを呼び出すためのAPI）経由の Fable 5 へのリクエストもエラーを返すから、組み込んでいた処理は他のモデルへ切り替える必要がある。要するに、昨日まで前提にしていた特定のモデルが、利用者の都合とは無関係に、一夜で使えなくなった。 Fable 5の立ち位置、自分の見方 事実の整理に私見を一つ重ねておく。現時点では、Fable 5...

マーク・ザッカーバーグが約20年ぶりにコードを書いた、という話題が流れている。自分が注目しているのは「経営者がコードを書けた」という点じゃない。経営者が、誰にも頼まずに一次データへ直接触れられるようになった、という構造の変化のほうだ。そして、その変化に入った経営者が次に必ずぶつかる壁について書いておきたい。 中間レイヤーの消失 この件を論じたNewsPicksの記事（2026年、有料）は、ザッカーバーグのコード提出を「経営者のコーディング復帰」という美談じゃなく、経営の情報構造そのものが書き換わった構造変化として捉えていた。自分も同意する。 これまで経営者がコンピュータの力を借りるには、エンジニアへの発注、SaaSの契約、部下への依頼といった中間レイヤーを必ず挟む必要があった。上がってくるのは、誰かの手で加工された二次情報だ。AIエージェントはこの構造を壊して、経営者をレポートラインの先にある一次データへ直結させる。記事の言うとおり、ボトルネックは「作る」から「何を決めるか・どう検証するか」へ移った。決める精度は、触れている情報の質で決まる。..

AIツールを入れても、現場の多くの人は何をすればいいか分からないまま止まる。理由を訊くと、だいたい返ってくるのが「何をAIに頼めばいいか分からない」。これに対する定番の処方箋が「業務を言語化して、問いを立てる力を磨く」なんだけど、自分はこの順序が逆だと思っている。入口に要るのは訓練じゃなくて、ユースケース集だ。 「言語化不足が原因」という診断は正しい NewsPicksの記事「『何をAIに頼めばいいかわからない』問題」は、この壁の正体をAIの機能理解の不足じゃなく、自分の業務プロセスを言語化できていないことだと論じている。AIは思考を増幅する道具で、入力となる問いを持たない人の思考は増幅のしようがない、と。 この診断そのものに異論はない。自分が引っかかるのは、そこから出てくる処方箋のほうだ。 正しい処方箋ほど実行されない 「業務を棚卸しして、明確な問いを立ててからAIに頼む」。正論だ。でも、業務の棚卸しを楽しいと感じる人はほぼいない。宿題みたいな入口は続かないし、研修で頷いた人も翌週には元のやり方に戻る。AI導入支援の現場で何度も見てきた光景だ。

はじめに：セミナーでの出会いから始まった生成AI活用の挑戦 きっかけは、弊社が登壇したAI活用セミナーに、A社（設計支援課）の担当者様が参加されたことでした。A社様の設計支援課は、社内の半導体設計者が使用する設計ツール等のエラー対応や、使い方の技術サポートを行っている専門部署です。 セミナー後にお声がけいただき、日々のサポート業務における切実な課題と、生成AI活用への熱意をお伺いしたところから、私たちの二人三脚のプロジェクトがスタートしました。 生成AI導入を阻むデータの壁｜RAGが直面する属人化と手動検索の限界 A社様の最大の課題は、生成AIに読み込ませる「データの整理」でした。 じっくりとお話を伺うと、サポート現場では大きく分けて以下の3つの壁に直面していることが分かりました。 情報がいろいろな場所に散らばっている 過去の対応履歴は、メールやチャット、プロジェクト管理ツールなどに点在しています。似たエラーの対応方法を探すために、複数のシステムを手作業で検索するしかありません。その結果、回答の作成にとても時間がかかっていました。 ベテランの記憶

大企業にはCFO、経営企画部、データ分析の専任チームがいる。中小企業にはそれがない。でも、経営判断の重さは同じ——むしろ中小企業のほうが、一つの判断ミスが致命傷になる。この「不公平」を解消するために、私たちスノーリーズ株式会社はAIbox for Ontologyを開発しました。 中小企業の経営データが「正常に見えて危険」な理由 売上は堅調。勤怠管理も問題なし。受注も順調——。会計ソフト、人事ソフト、販売管理ソフト。それぞれの画面を開けば、数字は「正常」に見えるかもしれません。 しかし、ソフトごとに閉じたデータでは見えない異変があります。売上好調の取引先が、実は回収を毎月遅延させていた。残業ゼロ申告の社員が、工数管理では月160時間稼働を記録していた。利益率は安定に見えても、特定部門の人件費が急膨張していた。 これらはすべて、複数のデータを「横断して見る」ことで初めて発見できる経営リスクです。 中小企業の経営課題が「手遅れ」になる根本原因は、このデータのサイロ化にあります。 会計・人事・販売——ソフトごとにデータが分散し、全体像を把握するには手作

引用元： https://claude.com/blog/cowork-research-preview スノーリーズ株式会社の菊地です。 今回は、Anthropic社のAIエージェント「 Claude Cowork 」を実際の業務で使ってみました。試したのは以下の2つのタスクです。 タスク1： このブログ記事の執筆をAIに丸投げ タスク2： MCP連携で取引先別売上データを前月比分析 「チャットAIに聞く」のではなく「 AIに仕事を任せる 」。この違いがどれほど大きいか、実際の画面キャプチャをお見せしながらレビューします。 Claude Coworkとは？── 30秒でわかる概要と料金 Claude Cowork は、 Claude Desktopアプリ に搭載されたAIエージェント機能です。2026年1月にリサーチプレビューとして公開されました。 Claude Desktopを開くと、上部に「チャット」「 Cowork 」「コード」の3つのタブがあります。普段使いの「チャット」と、エンジニア向けの「コード（Claude...

中小規模の会計事務所では、採用難・退職リスク・法改正対応・報告遅延などの課題が重なりやすく、現場は慢性的な残業と手戻りに悩まされがちです。多くの事務所では、税務・会計・給与といった基幹システム、顧問先管理、文書管理、コミュニケーション、さらにはAI-OCRやRPA（定型作業自動化）を個別導入していますが、それぞれが分断され「人が橋渡し」をする構造のままです。本記事では会計事務所におけるAI活用の中核として、MCP（Model Context Protocol）を軸に既存システムを安全に接続し、横断検索・自動要約・ドラフト生成・申請／承認までを一気通貫させる実践モデルを、具体事例とともに解説します。 会計事務所が直面する5つの壁 採用難や残業常態化が続くなか、多くの会計事務所ではツール導入が進んでも業務は“人の橋渡し”に依存し、生産性と品質の両立が難しくなっています。ここでは現場で頻発するボトルネックを 5つの壁 として再整理し、実際のシーンと失われるコストを具体化します。 1. 会計事務所の人材確保・定着の壁 面接では前向きだった新人が、繁忙期に

AIと社内システムをMCPで繋ぐことで可能となる、業務効率化・DX推進の事例を紹介します。 各部署・業種別のメインシステム、メイン業務での課題や解決方法を解説。 部署別　事例集 営業部 営業の「忙しすぎる」を解消！AI×社内システム連携で業務効率化を実現します 主な連携：SFA/CRM、見積・契約、MA、ファイル/ナレッジ 焦点：商談速度と成約率、パイプライン精度 代表シナリオ：案件要約の自動作成、提案書ドラフト、失注要因の横断分析 総務部 総務部の悩みを丸ごと解決！AI×社内システム連携で業務効率化の新常識 主な連携：社内ポータル、申請ワークフロー、規程集、FAQ 焦点：問い合わせ一次解決、規程の更新/周知、全社アナウンスの即時性 代表シナリオ：規程RAGによる即時回答、申請ルート自動判定、配信・既読管理 人事部 人事部の人材確保・育成・労務管理をまるごと解決！AI×社内システム連携で一元化 主な連携：ATS（採用）、LMS（学習）、人事評価、勤怠・就業、FAQ/規程 焦点：採用の充足と質、オンボーディング、評価運用の平準化...

経営企画部の業務量は増えるのに、人数もスキルもすぐには増やせない――そんな状況に心当たりはありませんか。経営陣と現場の板挟み、失敗が許されないプレッシャーの中で、新規事業やM&Aまで同時進行。限られた時間で“正しく速い判断”を支える体制づくりが求められています。...

人事部は、採用・人材育成・評価・労務管理・制度運用など、企業の基盤を支える多岐の業務を担っています。しかし、人材不足や働き方の多様化、システムの分断、データ活用の不足により、非効率や属人化が進みやすい現状があります。 本記事では、人事部が直面する主要課題を整理し、その背景を...