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。
Anthropicは7月20日から、Claude Fable 5をすべてのMaxプランとTeam Premiumプランに、通常上限の50%の範囲で含めると発表した。ProとTeam Standardのユーザーは引き続き使用クレジット経由でFableを利用でき、一度きりで100ドル分のクレジットが付与される。Fableへの需要が想定を超え供給が難しかったことへの説明も添えられている。
高負荷モデルの提供形態を、クレジット制から「プラン内で上限つき標準提供」へ寄せる動き。自分の使い方がどのプランでどこまで賄えるか、7/20を前に確認しておきたい。
Anthropicは、Claude Codeの週次利用上限を50%高い状態で、8月19日まで維持すると発表した。対象はPro・Max・Team、およびシートベースのEnterpriseの全ユーザー。
日常的にコーディングエージェントを回している人には効く緩和。上限に当たりやすいワークフローを組んでいるなら、この期間内での使い方を前倒しで詰めておく価値がある。
過去6か月でClaude Platformが追加してきた、エージェントを素早く構築・デプロイするための新APIについて、プラットフォーム責任者らが実運用で見えたパターンを語った。中でもエージェント間通信では、Claude Managed Agentsが複数エージェントの協調・委任に対応し、各エージェントが異なるモデル・プロンプト・ツールを使いつつ、サンドボックスやVaultの認証情報を共有できるという。
マルチエージェントを「サンドボックス／認証情報の共有」という運用面から設計している点が実務的。自前でオーケストレーションを組む際の、権限と分担の設計の参考になる。
Emad Mostaque氏は、Kimi K3をlogit（ロジット）付きの教師モデルとして使い、より小さなdenseモデルを学習できると指摘。さらに、1兆トークン規模の事前学習・事後学習データセットを生成し、より良いモデルの土台にすることも現実的だとした。
大型オープンモデルを「配布して直接使う」だけでなく、教師モデルやデータ生成器として活用する発想。手元の小型モデルをコスト効率よく強くする筋道として押さえておきたい。
Hamel Husain氏は、codexで1つのタスクに対して別々のスレッドをfan-out（分岐）させられる機能を「過小評価されている」と評価。任意のスレッドから別のスレッドを名前で参照でき、これが最も手軽なオーケストレーション手段だとした。
複雑なタスクを複数スレッドに分け、名前で束ねる軽量オーケストレーション。重厚なマルチエージェント基盤を組む前に、まず試せる実務的なやり方だ。
swyx氏は、codex・claude・gemini・devinなどの自動化に「毎週SEO/AEOの改善方法を自動リサーチさせる」設定をまだしていないなら、コモディティ化してもおかしくないのに手つかずな“無料のアルファ”を逃している、と述べた。
エージェントを単発の作業ではなく「定期リサーチのループ」に組み込む使い方。AEO（AI検索最適化）という新しい流入面を、エージェントで継続的に追う発想が面白い。
Ethan Mollick氏は、AIをめぐる最も洞察力ある観察者の多くが各ラボに集まっていること自体が、AIについての公開の議論にとってはマイナス面もある、と指摘した。
情報源が少数の当事者に偏ると、公開の場での多様な議論が痩せていく、という指摘。誰が・どの立場で発信しているかを意識して一次情報を読む、という基本を再確認させられる。
Towards Data Scienceの記事から。人間の言葉をコンピュータの言葉に変換し、複数のツール呼び出しをつなぎ、結果を取得する――というLLMの強みを活かしつつ、LLMが不得手な処理は従来型（古典的）モデルに担わせる、という枠組みが紹介されている。
何でもLLMに寄せるのではなく、「オーケストレーションはLLM、計算は専用モデル」と役割を分ける設計思想。精度とコストの両面で現実的な落としどころになる。
Towards Data Scienceの記事から。Angela Shi氏が、1行も変えずに同じパイプラインを、見た目がまったく異なる文書群に対して動かしたときに何が起きるかを検証。誤字で拾えなかったページ、キーワード検索が無視した目次、散文に潰された箇条書きなど、ベースラインの具体的な失敗に対して、各改良がなぜ必要だったかを確かめている。
RAGにありがちな「デモでは動くが本番の多様な文書で崩れる」問題を、具体的な失敗ケース単位で潰していく実践。自分のRAGを評価するときのチェック観点として使える。
Towards Data Scienceの記事から。Ferran Alia氏が、物理をデジタルで計算するのではなく、物理そのものに計算させてしまう、というアナログAIへの関心の背景と論点を整理している。
デジタル計算の外側にある計算パラダイムの話。すぐ実務に効くわけではないが、省電力・高速化の長期的な選択肢として頭の隅に置いておきたいテーマ。
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。