「AI時代に生き残る3種類のソフトウェア企業」 1. なぜレガシーSaaSは解体（アンバンドル）されるのか？ 従来のSaaSの正体は「データベース ＋ UI（画面） ＋ 権限管理」に過ぎません。 * 「画面」のためのツールからの脱却: これまでのSaaSは、人間がデータを閲覧し、フォームに入力するために「リッチなUI」を提供してきました。しかし、AIエージェントがAPIを直接叩き、APIがないレガシーなサイトでもブラウザを自律操作（ブラウザ・オートメーション）できるようになると、人間向けにデザインされた複雑な画面は不要になります。 * インテグレーションの消滅: ナレッジワーカーの一日の大半は、Salesforce、Jira、Zendesk、HubSpotなどの間を行き来し、データを手動で移し替える作業に消えています。AIエージェントがバックグラウンドで24時間稼働し、これらのプロセスを自動でループ処理するようになれば、既存のUIベースのSaaSは「単なるデータベース（データの置き場）」へと退化します。 2. 生き残る「3種類のソフトウェア企業」 このAI移行期を生き残れるソフトウェア企業は以下の3カテゴリーのみであると断言しています。 1. Foundation Models OpenAIやAnthropicなど。ただし、モデル間の性能差は縮まり、過酷な価格破壊とコモディティ化が進む「薄利多売のインフラ」になる。 2. Systems of Record Salesforce、Workday、Veevaなど、業界の「マスターデータ」を物理的に保持している企業。ただし、彼らも「UI」としての価値は失い、AIエージェントからAPI経由でアクセスされるだけの存在になる。 3. Horizontal Agent Platform / Agent OS（実行・統合レイヤー） ユーザーと接する「唯一のフロントエンド」であり、背後であらゆるモデルやツール、API、コード実行環境をオーケストレートする新時代のオペレーティングシステム。

AIが「仕事を奪う」という問いより、もっと本質的な問いがあります。 多くの企業がAI導入の成否を「コスト削減」「人員削減」で測ってきました。しかし2024年ノーベル経済学賞受賞のSimon Johnson教授（MIT）は、それを「あまりにも簡単すぎる選択肢」と呼びます。機械で人を置き換えることに経営的な想像力はほとんど必要ない。そして、その安易さこそが企業が本来得られるはずのビジネス価値を取りこぼしている原因だ、と。 Acemoglu・Autor・JohnsonらMIT経済学者とBrookings研究所が示す「プロ・ワーカーAI」の概念は、別の問いを中心に据えます。「このAIは人間の専門性をより価値あるものにするか、それとも不要にするか？」Brookingsは技術を5種類に分類し、「新タスク創出型」だけが明確に労働者に有益だと論じます。AIが従来存在しなかった種類の仕事を生み出すとき、それは単なる省力化とはまったく異なる価値を持ちます。 現実の事例がこの違いを鮮明にします。Schneider Electricは電気技師向けのAIトラブルシューティングツールを開発し、保守報告書の作成時間を半減させながら、作業員がより複雑な問題解決に集中できる環境を整えました。米国特許商標庁では、AI検索ツールが審査官の概念的文献探索を精緻化し、専門的判断の価値を高める方向で機能しています。AIツールが増殖する時代、競争優位は技術そのものではなく「技術を中心に仕事をどう再設計するか」に移行しつつあります。 タイトル: Pro-Worker AI, Explained URL: 企業に問われているのは「AIで何人削れるか」ではなく、「AIで自社の人材がどんな新しいことをできるようになるか」です。 #AIと労働# #組織設計#

AIエージェントをエンタープライズシステムに組み込むプラクティス 【スーパーバイザ / ルーター】 💡 全社AIに「何でも聞ける」を実現するカギは、裏側の賢い交通整理。安価な分類器がリクエストを最適なドメインエージェントへ瞬時に振り分けます。 🔥 解決する課題 - すべての機能を1つの巨大プロンプトに詰め込むと品質が劣化する - ドメインごとに最適化されたプロンプト・ツール・モデルを使い分けられない - 全リクエストを最高性能モデルで処理するとコストが破綻する - 分類不能なリクエストが迷子になる 🏗️ 提案パターン 安価で高速な小型分類器がユーザーの意図を判定し、営業・IT・人事・開発などの専門エージェントに委譲します。曖昧な入力には聞き返しで意図を確定させてから振り分けます。委譲先には権限上限・コスト上限・タイムアウトを引き継ぎ暴走を防止。分類不能な場合はデフォルトエージェントまたは人間へのフォールバック経路を必ず用意します。 ✅ 選定条件 - 向き：多様な業務をカバーする全社展開、複数のドメインエージェントが存在する環境 - 不向き：単一ドメインで完結するエージェント（ルーティング不要） ⚠️ 落とし穴 - ルーティング誤りのコストを過小評価しがち（小型モデルで複雑タスクを処理→品質劣化） - 分類精度を実測せず固定ルールだけに頼ると、業務変化に追従できない - フォールバック経路がないと、未知のリクエストが無限ループに陥る 🛠️ 実装方針 1. 意図分類にはファインチューニング済み軽量モデル（distilBERT等）またはルールベース分類器を使い、レイテンシとコストを最小化します 2. ルーティングテーブルを設定ファイル（YAML/JSON）で管理し、ドメインエージェントの追加・変更をコード変更なしで対応できるようにします 3. 分類不能時のフォールバック経路（デフォルトエージェントまたはSlack経由で人間へエスカレーション）を必ず実装します 4. 委譲先エージェントには権限上限・コスト上限・タイムアウトをパラメータとして引き継ぎ、OPA/Cedarでポリシーを一元管理します 5. 分類精度をA/Bテストと週次レポートで継続計測し、誤ルーティング率に応じて分類器を再学習します #AIエージェント# #エンタープライズアーキテクチャ#

日本交通など3社、完全無人タクシー計画を発表…　橋下徹「タクシー会社が人間運転手を不要とするロボタクシー事業に本気になる？」 → 2027年中に東京で国内初、100台規模 配車はGOとウェイモ両方のアプリから可能になります。

# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェントの実行結果から、次のターン、UI表示、デバッグに必要な情報を正確に取り出せていますか？ RunResultの各プロパティを理解して、実行結果を最大限に活用しましょう。 📌 タイトル：Results 🔗 URL： 🧩 概要 `RunResult`はエージェント実行の全成果を保持するオブジェクトです。ユーザーへの最終回答（`final_output`）、次ターンの入力構築（`to_input_list()`）、UI/監査用の全アイテム（`new_items`）、handoff後のエージェント（`last_agent`）、中断と再開（`interruptions`/`to_state()`）、デバッグ用の生レスポンス（`raw_responses`）など、多面的なサーフェスを提供します。 🛠 使い方 `Agent(name="assistant", instructions="You are a helpful assistant.")` を定義し、`result = await input="Pythonのasync/awaitについて教えてください")` で実行します。` で最終回答を取得し、` + [{"role": "user", "content": "具体的な例も教えてください"}]` で次のターンの入力を構築して再度 ` に渡します。` をイテレートして各アイテムの `item.type` と ` を確認できます。`result.last_agent` でhandoff後のエージェントを取得し、次のターンで使用します。`result.interruptions` がある場合は ` で状態を保存し、承認後に ` state=state)` で再開します。`result.raw_responses` でモデル名やトークン使用量を確認でき、`result.last_response_id` でResponses APIのチェーンが可能です。 🏗 実践的な使い方 **final_output — ユーザー向けレスポンス** `final_output`はエージェントの最終回答です。`output_type`を指定している場合はPydanticモデルのインスタンスが返り、指定していない場合は文字列が返ります。APIレスポンスやUI表示に直接使えます。 **to_input_list() — マルチターン会話の構築** `to_input_list()`は実行結果を次のターンの入力形式に変換します。ユーザーの新しいメッセージを追加して再度` **new_items — UI表示と監査ログ** `new_items`には今回の実行で生成された全アイテム（メッセージ、ツール呼び出し、handoff等）がメタデータ付きで格納されています。チャットUIでのステップバイステップ表示や、監査ログの記録に活用できます。どのエージェントがどのツールを呼んだかまで追跡できます。 **last_agent — handoff後の継続** handoffが発生した場合、`last_agent`は最後に処理を行ったエージェントを返します。次のターンでは`last_agent`を使って` **interruptions + to_state() — 中断と再開** human-in-the-loopのワークフローで、エージェントが中断された場合に`to_state()`で実行状態をスナップショットとして保存できます。人間の承認後、保存した状態から再開することで、実行の途中からやり直せます。 **raw_responses — プロバイダレベルのデバッグ** `raw_responses`にはプロバイダからの生のレスポンスが格納されています。モデル名、トークン使用量、レイテンシなどの情報にアクセスでき、コスト分析やパフォーマンスチューニングに役立ちます。 **last_response_id — Responses APIチェーン** OpenAIのResponses APIを使用している場合、`last_response_id`を次の実行の`previous_response_id`に渡すことで、サーバー側で会話を継続できます。最も軽量な会話継続方法です。 💡 ユースケース 💬 `final_output`: APIレスポンスやチャットUIへの最終回答表示 🔄 `to_input_list()`: マルチターン会話の履歴管理 📋 `new_items`: ステップバイステップのUI表示、監査ログ記録 🤖 `last_agent`: handoff後のエージェント継続 📸 `to_state()`: human-in-the-loop ワークフローの中断・再開 🔍 `raw_responses`: トークン使用量の監視、コスト分析 ⚠️ 注意点 - `final_output`が`None`になることがあります（handoffのみで終了した場合など）。必ずNullチェックをしてください。 - `to_input_list()`の結果にはツール呼び出しの履歴も含まれます。不要な場合は手動でフィルタリングしてください。 - `new_items`のアイテム数は実行の複雑さに比例して増加します。大量のツール呼び出しがある場合、メモリ使用量に注意してください。 - `to_state()`で保存した状態はシリアライズ可能ですが、長期保存する場合はSDKのバージョン互換性に注意してください。 - `last_response_id`はOpenAI固有の機能です。他のプロバイダでは利用できません。 ✨ RunResultの各サーフェスを使いこなして、エージェントの実行結果を余すことなく活用しましょう！ #OpenAIAgentSDK# #AIAgent#

# AIエージェントをソフトウェアに組み込むプラクティス # Synchronous Edge Agent｜同期エッジ 🎯 キャッチーなメッセージ LLMエージェント、まず「同期で返せないか？」を考えていますか？ 非同期キューやチェックポイントに飛びつく前に、シンプルな同期HTTPで完結できないか検討しましょう。実際のユースケースの大半は、それで十分です。 🔥 解決する課題 エージェントアーキテクチャの議論はすぐに非同期キュー・チェックポイント・オーケストレータへ進みがちです。しかし多くのタスクは「LLM1回＋軽いツール」で済みます。軽量タスクに重い実行基盤を持ち込むと、運用コスト・デプロイ複雑性・デバッグ難度が不必要に跳ね上がります。 💡 提案パターン Synchronous Edge Agent（同期エッジ）は、単発のLLM推論と軽量ツール0〜2回を1つの同期HTTPリクエスト内で完結させる、最もシンプルな実行方式です。状態はインコンテキストのみで、チェックポイントもキューも不要です。テキスト分類・情報抽出・単純Q&A・要約・構造化出力生成など「数秒で終わる確実な処理」に最適です。タイムアウトはLLM呼び出し単位でp99実測値に基づいて設定し、モデル選択もレイテンシ予算の関数として決定します。迷ったらまずここから始めてください。 ✅ 選定条件 使うとき： - 処理が概ね5〜10秒以内に終わる（対面）、またはAPI連携で30秒以内 - LLM呼び出しは1回、ツール呼び出しは0〜2回の軽量処理 - 途中再開や人間承認が不要 使わないとき： - 処理が30秒を超えうる、または所要時間が読めない場合 - 複数ツールの多段呼び出しや計画・反省ループが必要な場合 - 不可逆な副作用（決済・データ削除等）を伴う場合 ⚠️ 落とし穴 - タイムアウトはHTTPサーバ全体でなくLLM呼び出し単位で設定すること。全体タイムアウトだけではLLMがハングしてワーカースレッドを占有し続けます - 同期枠内でのリトライは0〜1回に限ること。リトライを重ねるとクライアントが先にタイムアウトします - サーバーレス環境ではコールドスタートがレイテンシ予算を食うため、Provisioned Concurrencyやウォームアップで対処が必要です 🔧 実装方針 - クライアントからのHTTPリクエストをAPI Gateway経由でハンドラが受け取り、1つのリクエスト-レスポンスサイクル内で処理を完結させます。外部キューやチェックポイントストアは登場しません - タイムアウトはHTTPサーバ全体ではなくLLM呼び出し単位で設定し、その値はlatency_budgetから導出します。p95/p99の実測値に基づいて調整します - モデル選択もレイテンシ予算の関数として決定します。分類・抽出には軽量モデル、生成にはミッド〜フラグシップを選びます - 構造化出力（JSON Schema等）を使い、レスポンスの軽量検証を常にONにします。意味検証はレイテンシに余裕がある場合のみ追加します - 対面UIで生成が長文になる場合はSSEストリーミングを併用し、体感レイテンシを短縮します #AIエージェント# #ソフトウェアアーキテクチャ#

今の星の与太話。 現実的な拠り所を、「目に見えて派手で、利益を生みそうな一部の大きな存在」に頼りすぎると、いずれ立ち行かなくなる。 今まさに形成されつつあるクリスタルのアスペクトを見ていて、私はそんな印象を受けています。 ここでいう現実的な拠り所とは、利益を生み出すこと。 収益、集客、人気、認知度――。 昨年一度水瓶座へ移動した冥王星は、現在逆行中です。 冥王星は今、「コミュニティの内側だけではなく、その外側の世界にも等しく目を向けよう」と問いかけているように感じます。 お客様の視点。 顧客にとっての満足度。 何が良くて何が不要なのか。 内輪の成果の為だけに動くのではなく、 盛り上がりだけで終わらせるのではなく、 「誰にとっての喜びなのか。」 「その価値は、どのような形で届くのか。」 そこが満たされて初めて、社会にとっての価値として認識され、結果として利益へとつながっていく。 そんな徹底した客観性が、今は求められているように思います。 着目しているのは、牡牛座に入ったばかりのキロンです。 牡牛座はまだ一般社会からの価値付けがされていない、真っさらな人間の土台、肉体、素質、系譜を表します。 クリスタルの頂点で輝くキロンは、「傷」と「癒し」を通して、集団の内側と外側の意識の隔たりをつなごうとしているように見えます。 だからこそ、こんな問いが浮かびます。 「そのスキルや資質、資産、人材への投資は、本当に外の人々の利益につながっていますか？」 「気づかないふりをしていることはありませんか？」 「目指している成長は、本当に求められている価値と一致していますか？」 これを個人に置き換えるなら、 「あなたの能力は、本当に花開く場所で発揮できていますか？」 「その才能の使い方を、間違えてはいませんか？」 ということなのかもしれません。 古い時代が築いてきた概念や肩書き、大衆意識。そこから世界は少しずつ抜け出そうとしています。 これから求められるのは、「本物」であること。 本物とは？ 既存の世界で名前が大きいこと？ 知名度？影響力？ いいえ。この先で求められる本物とは、そのままでありつつも、他人の為に成れる人です。 自身の軸は変わらない。でも外の世界と結びつく為に活かし方を自由に変えられる。そんな柔軟さを持った人。 揺るがぬ資質を鍛え抜いた人。 苦しさ、辛さ、大変さに逃げない人。 自身の喜びも捨てない人。 そして、真実へ近づこうと誠実に努力し続ける姿勢。 そんな本物の自分として生き生きとする人に、大衆意識は惹かれてゆくのでしょう。 もしそこから目を背け続ければ、人の心は静かに離れていく。 そんな危機感を突きつけてくるのが、この週末の火星と天王星の合のエネルギーなのだと、感じています。 双子座は2頭星座。二つの頭、思考、意思、感情を柔軟に交わし合いながら、新たな知の地平を目指します。その変革は軽やかに、一所に留まらず。 現状維持で満足できる配置では無いですね。 特に、私たちエンターテインメントや芸能の世界に身を置く者にとっては、なおさら考えさせられる配置になりそうです。

AIの「思考の過程」を読んで挙動を当てる——実はそれ、あまり当てになりません🔮 挙動予測そのものを学習タスクにする発想が新しいです。 タイトル: Forecasting Future Behavior as a Learning Task URL: 🔮 概要 大規模推論モデル（LRM）が新しい入力にどう振る舞うかを予測する手法です。明示的な説明に頼るのではなく、単一の推論軌跡を分析して出力を予測する訓練可能なモデル「Behavior Forecasters」を導入します。 ❓ 解決する課題 LRMの挙動を理解・予測したいですが、従来手法には限界がありました。 ・既存の説明手法は、長い推論軌跡にうまくスケールしません ・推論軌跡を自然言語として読むと、その内容は信頼できないことが多いです モデルが書いた思考が、実際の挙動を正しく反映するとは限らないのです。 💡 方法論と提案手法 ・挙動の予測そのものを「学習可能なタスク」として扱います ・訓練データはLRMへの問い合わせから直接得られ、人間のアノテーションは不要です ・推論時は単一のフォワードパスで動作します ・2つの予測タスクで具体化：再実行をまたいだ答えの一貫性の推定、入力変更が出力に与える影響の予測 ・バックボーンのエンドツーエンドのファインチューニングと、対象LRMの重みからの初期化が不可欠でした 📊 実験結果 ・Behavior Forecastersは、「素朴な読み手」としてのGPT-5.4やClaude Opus-4.6を上回りました ・しかも推論コストはそれらのごく一部で、より高い精度を達成しました #LLM解釈可能性# #推論モデル#