登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 AI创业
AI创业 コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
AI创业 を含む検索結果
AIマーケティングエージェントNoimos AI @noimos_ai 創業者・Kosuke @kosuke_agos が語る、採用・組織論とUGCの本質 (2:44) 20歳で起業、ブロックチェーンゲームで大失敗 (6:26) AIエージェント導入か、人の採用か (18:06) 日本を出てドバイへ (24:06) トークン上場をめぐる詐欺被害 (29:05) 「俺は神」自信のつくり方 (30:56) 冷酷な経営者に人はついてこない (38:40) 採用で見るポイント (48:35) UGCの本質、フック・回収・期待値超え
もっと見る
中国の人型ロボ、早ければ来年にも人の話を理解へ→「脳が最も弱い」現状、ボトルキャップを完璧に外すのも難しい…スピリットAI共同創業者が予測 会話の理解が進んでも、家庭で人間の代わりに働くまでにはまだ距離があります。
もっと見る
文化服装学院卒、韓国出身の女性ファウンダー。アパレル向けAI「Own B」創業者・金知賢 (@ownb_kim) が語る、日本とアメリカでの法人設立、“仕様書”の自動化、そしてSFでの挑戦 0:00 オープニング・自己紹介(アパレル向けAI「Own B」創業者・キム) 0:58 なぜファッションテックか、文化服装学院卒・アパレル現場の課題から 2:02 外国人として法人設立、日本は激ムズでアメリカはStripeで30分 3:56 法人口座に3回落ちた、たどり着いた住信SBI 7:40 Own Bが最初に潰すもの、2時間かかる“仕様書”をAIで自動化 10:15 数千億円企業でも手書き、シャーペンで書く仕様書の衝撃 20:06 これから服を作る人へ、サンプルに時間をかけすぎる罠 30:30 “ノイズとシグナル”、独立直後に一番効いてくる集中の話 37:57 「SFに行くなら出資はナシ」、資金かサンフランシスコかの決断 43:57 風をつかみにNYへ、憧れの展示会でベンダーと契約 47:39 失敗への向き合い方、「やらない後悔よりやった後悔」 59:38 女性起業家としての壁、差別より“ネットワークの輪”の難しさ 1:08:49 3000万円の出資を断ったのは正解だったか
もっと見る
GENSHI AI、創業第1期終了にあたりMVV(ミッション・ビジョン・バリュー)を制定 ミッション「医療を、AIで救う。...
【創業35周年】ユニゾンシステムズが「Inter BEE 2026」に単独ブースで出展!AIとシステム連携で放送局業務全体の...
創業5カ月で160億円調達!中国の家庭用AIロボットが麻婆豆腐を約9分で完全自律調理→シャオミも出資、衣服たたみやひも結びも披露 
もっと見る
「AIを使うこと」はもう差別化にならない?IVS2026で語られた,理論と実装の落差[IVS2026] Zynga創業者やEVE Online開発元CEOがIVS2026で語ったAIエージェント経済
もっと見る
AI時代のエンジニアリング組織論 ■ 開発工程のボトルネックはコーディングから製品設計とコードレビューへ移行する リーガルAIのLegoraは、創業18ヶ月でARR1億ドルを突破し評価額56億ドルに達した最速のB2B企業である。CTOのヤコブ・ラウリツェンは、AIツールにより従来のボトルネックだったコーディングのコストは劇的に低下したと語る。現在、開発の真の制限要因は、顧客ニーズを製品設計へ落とし込む作業と、生成されたコードのレビュー工程へ移行している。そのため、同社はPMが顧客との対話に集中できる時間を守り、エンジニアをシステム設計に特化させている。 ■ トークンの消費量競争は開発組織を歪ませる無意味な評価指標である 多くのエンタープライズ企業が陥る失敗が、開発者評価にAIトークン消費量を持ち込むことである。トークン消費を可視化するリーダーボードを作ると、エンジニアは評価のためだけに無意味にトークンを浪費し始める。ラウリツェンはこの「トークンマクシング」を愚策と一蹴し、AI使用量そのものを報酬評価にしてはならないと警告する。組織が評価すべきは開発効率と実際のアウトプットの質であり、デモ等を通じて効率化の工夫を共有し合う環境こそが不可欠である。 ■ 開発者体験に特化した専門チームの設置が組織全体の生産性を最大化する 同社は、わずか80名のエンジニアでAccelやBenchmark、NVIDIA等から8億ドル以上を調達した。現在、Legoraのコードの50%以上はCursorやClaudeなどのAIツールにより生成されている。この開発速度を維持するため、同社は3名の開発者体験(DevEx)専門チームを早期から設置した。彼らは、エンジニア1人あたり最大10個の自律コーディングエージェントを回し、独自のCIレビューボットを開発して全員の開発を支援している。結果としてエンジニア全員が約20%効率化し、新人の即戦力化も劇的に加速した。 ■ 複雑度の低い社内ツールは購入するよりバイブコーディングで自社開発する AI開発において、同社は社内ツールの導入基準として、機能の広さと複雑度の深さという2つの軸を設けている。既存製品を購入するよりも、複雑度が低く自社専用のカスタマイズが必要なシステムは、バイブコーディングで自作する方が安価になった。特に人事管理やオンボーディングシステム、データ移行アプリなどは、AIを使って自立的かつ高速に自社開発することが推奨される。汎用ツールに頼る手間を省き、社内のAIイネーブルメントチームが直接プロトタイプを開発して課題を瞬時に解決している。 ■ 組織を急成長させるためにはエゴのない優秀な人材の密度を高める Legoraが競合を圧倒して超高速成長できた最大の要因は、優秀なAプレイヤークラスのエンジニア密度を極限まで高めたことだ。特に5〜8人規模のスタートアップチームを丸ごと買収するアクハイヤー戦略は、高いチーム開発力を一瞬で取り込む上で効果的だった。この統合を成功させたのは、役職やタイトルへの執着を一切排除する「ローエゴ(低自己愛)」の徹底した採用基準である。ラウリツェンは、最も優れた成果を出せる者が役割を担う機動的な文化を築き、エゴの排除が企業の成長速度を決めると実証している。
もっと見る
AIエージェントを仮想環境で試験し、本番前に失敗を見つけるイスラエルのPluraiが、Team8主導のシードラウンドで1,300万米ドルを調達しました( Mokady氏ら20人を超えるエンジェル投資家も参加しました。資金は研究開発チームの拡充、大企業向け市場の開拓、米国での事業拡大に充て、約12人の従業員を2026年末までに倍にする計画です。プラットフォームも無料枠つきで開発者に一般公開しました。 エージェントを作ること自体は、デモなら数時間でできるようになりました。難しいのはその先です。エージェントは同じ依頼にも違う応答を返すことがあり、プロンプトやモデルを少し変えるだけで振る舞いが変わります。手作業や決め打ちのシナリオでは試しきれず、利用者の前で初めて問題が出ることもあります。同社が引用するVentureBeatの調査では、社内評価を通ったエージェントやLLM機能が本番で顧客向けの不具合を起こした企業が半数にのぼりました。 発想の元は自動運転のシミュレーションです。企業のナレッジベース、ツール、ポリシーをもとに、エージェントとその動作環境のデジタルツイン(ソフトウェア上に再現した複製)を作り、サンドボックス(本番から隔離された試験環境)で数千の模擬ユーザーをぶつけます。意地の悪い問い合わせも混ぜて、ハルシネーション(もっともらしい誤答)、ポリシー違反、ツール呼び出しの失敗、機密情報の漏えいなどを洗い出し、修正案を作って同じ環境で再試験します。 本番では、シミュレーションで得たデータからエージェントごとに小規模言語モデル(SLM)を作り、常時の監視役にします。全会話を大型モデルで検査すると高くつくため、多くの企業は一部の抜き取り確認にとどまっています。用途を絞った小さなモデルなら全件を見られるという考え方で、1枚のGPUで数百の専用モデルを同時に動かせることも研究で示したとしています。 同社によると、デザインパートナー(製品を一緒に磨く初期顧客)では開発期間が数か月から数時間に縮み、利用者に届く失敗が82%減り、運用コストは最大97%下がりました。NVIDIAとNebiusとの取り組みでは、ある大手企業向けに追加学習したNemotronモデルが、特定の本番タスクでOpenAIのGPT-6 Lunaと同等の結果を約40分の1のコストで出し、AnthropicのClaude Haiku 5.5を約44分の1のコストで上回ったそうです(ynetの報道。Calcalistは両方を精度で上回ったと伝えています)。特定業務での比較で、汎用的な性能比較ではありません。 巨大なモデル1つに全部を見張らせるのではなく、小さな専用モデルをたくさん並べて監視する設計なので、エージェントを安心して動かすための費用は、モデルの大きさより試験データの質で決まっていくのかもしれません。
もっと見る
AIエージェント向けのデータ基盤を開発するEdelbyteが、ステルス(非公開で開発を進める期間)を終えて表に出て、7,000万米ドルの調達を発表しました( Capitalで、Greenoaks、Swish Ventures、QP Ventures、Cerca Partners、Startpoint Capitalも参加しています。SiliconANGLEによると、資金は2回のラウンドに分けて集めたもので、CTechは評価額を5億米ドルと報じています。資金は導入企業の拡大と人材の採用に充てるとのこと。 テルアビブに拠点を置く同社の創業者4人は、いずれもMicrosoft出身です。リアルタイムのデータを分析するAzure Data Explorer(クエリ言語の名前からKustoとも呼ばれます)の開発に関わってきました。CEOのAvner Aharoniは、企業がデータの検索や分析に使っているシステムはAI以前の世界に向けて作られたもので、問い合わせの量と複雑さは従来の基盤の想定を大きく超えていくと話しています。SequoiaのBogomil Balkanskyの言葉を借りれば、AIエージェントは人間よりはるかに多くの質問を企業のデータに投げます。しかも、どんな聞き方をしてくるか事前に読めません。 Edelbyteは、検索、分析クエリ、ベクトル検索(意味の近いデータを探す仕組み)、グラフ処理(データ同士のつながりを分析する手法)、地理空間データを1つのプラットフォームで扱います。用途ごとに別々のデータベースをつなぎ合わせる必要がありません。インデックス(大量のデータから目的の項目をすぐ見つけるための索引)を網羅的に作り、その調整作業の一部も自動化しているため、あらゆる問い合わせパターンを先回りして設計しなくても済む、という考え方です。組み込みのナレッジベースは、エージェントが検索するときの文脈を補います。さらにクエリフェデレーション(データを移さず、保存先のシステムに直接問い合わせる技術)により、Apache Iceberg、Parquet、S3、Kafka、PostgreSQLなどにあるデータをそのまま扱えます。ClaudeやCodex、Grafana、Tableauともつながります。 公式サイトでは、1つのプラットフォームで数百ペタバイトを扱い、応答は100ミリ秒未満、取り込み費用は1GBあたり0.01米ドル(インデックス込み)とうたっています。SnowflakeやDatabricksの代わりになる基盤を掲げ、すでにFortune 500企業の数社がペタバイト規模の環境で使っているそうです。料金は事前契約のいらない従量課金で、パブリッククラウド、ソブリンクラウド(データを特定の国や地域の中に置くクラウド)、セルフホスト、オンプレミスのどこでも動かせます。 エージェントが何体も並列で動き、それぞれが予測できない質問を投げるようになると、モデルの性能より、その質問を速く安く受け止めるデータ基盤のほうが先にボトルネックになるのかもしれません。
もっと見る