AIエージェント

会社で生成AIを選ぶとき、英語中心のベンチマーク表だけでは日本語業務への適性を見落とします。PFNが2026年6月22日に正式提供を開始した「PLaMo 3.0 Prime」は、API、オンプレミス、Amazon Bedrock Marketplace、Snowflakeから選べる国産モデルです。日本語の業務文書、自治体・企業システム、社内Q&Aに使うなら、IT部門、法務、情報セキュリティ部門でデータの置き場所と利用範囲を先に確認したい選択肢です。 🗂️ APIからオンプレミスまで、4つの利用経路 PLaMo 3.0 Primeへの入口は複数あります。クラウドAPI（PLaMo Chat/API）、オンプレミス導入、Amazon Bedrock Marketplace、Snowflakeの4系統です。オンプレミスは、自社管理のサーバー環境でモデルを動かす導入形態を指します。どの経路を選ぶかは、データの扱い方と社内の既存環境によって変わります。 miibo・Tachyon 生成AI・QommonsAIといったSaaSにも標準搭載されています。チャットbotや社内Q&Aツールとして導入済みのサービスがあれば、APIを直接操作しなくてもPLaMo 3.0 Primeを使える状況になります。 APIのプランはFreeとStandardに分かれます。ITmedia AI＋の報道によると、StandardプランのAPI料金は100万トークン（AIが文章を処理するときの細かな単位）あたり入力60円・出力250円です。Freeプランは正式提供開始時点（2026年6月22日）では準備中で、現時点ではStandardプランが実質的な入口になっています。 デジタル庁の生成AI利用環境「源内」でも国内大規模言語モデルの1つとして選定されており、行政や自治体での利用機会が今後広がる見通しです。 🔬 日本語の強みと、公式ブログが認める5つの改善余地 PLaMo 3.0 Primeは日本語の業務文書・対話・専門領域を想定した学習と評価を経ています。PFNによると、指示追従・対話・ツール使用・医療分野・コード生成・安全性では競争力があるとのことです。 コンテキスト長（AIが一度に読み込める文章量）は64Kから256Kに拡張されました。長い社内規程、会議録、AIエージェントが複数ツールを使う際の操作履歴を一度に渡せる量が増えています。構造化出力にも対応しており、既存システムや外部APIと組み合わせる場面での応用もあります。 一方、PFNの公式技術ブログは苦手分野をはっきり示しています。Web探索・長文処理・数学的推論・STEM・日本の法令分野では改善が必要だということです。「国産AIは日本の法令に強い」という期待はよく聞きますが、PFN自身がその分野の課題を認めている点は押さえておく必要があります。 この正直な開示は評価できます。実際にClaude MaxやGemini Advancedを使う中でも、特定業務への適性は触れてみないと見えない部分があるのですが、公式が苦手分野を明示してくれると、どこから検証を始めるかが整理できます。 🏢 企業・自治体が選定前に確認すること モデルは2種類あります。複雑なタスク向けのReasoningモデルと、応答速度を重視するNon-reasoningモデルです。用途に応じた使い分けを前提にした設計です。 データの流通経路はオンプレミスとクラウドAPIで異なります。機密性の高い文書を扱う業務では、オンプレミスの選択肢が残されているかを事前に確認することが選定の出発点になります。Amazon Bedrock MarketplaceやSnowflake経由では、それぞれのクラウド事業者のデータポリシーも確認の対象です。 日本語ベンチマークは汎用的な指標とは別に見る価値があります。PFNはHELM Safetyで競合モデルと同程度以上の安全性を示したとしていますが、自社の業務ジャンルに対応したベンチマーク結果や事例があるかどうかは、また別の問いです。 既存サービス（miibo等）を通じてPLaMoが動いている環境では、3.0 Primeへのバージョン更新で出力が変わる可能性があります。更新の影響をどう確認するかを社内で決めておくと、切り替え時の対応が早くなります。 ⚙️ コスト試算と「Freeプラン準備中」の現状 「高コスパ」という言葉がITmedia AI＋の報道に出てきます。100万トークンあたり入力60円・出力250円は、海外大手モデルの同規模プランと比べると競争力のある水準です（出典：ITmedia AI＋、2026年6月22日）。 ...

企画会議の準備資料、競合調査のデータ収集、新市場のサマリー。こういった調査をAIに丸ごと投げて、数時間後に80ページのレポートが戻ってくるとしたら、どう使うでしょうか。 Sakana AIが2026年6月15日に提供開始した「Sakana Marlin」は、最大約8時間にわたって自律的に調査を行うビジネス向けリサーチアシスタントです。ChatGPTやGeminiのDeep Research系機能が数分で要約を返すのに対して、Marlinは数時間をかけて調査を深める設計になっています。 Sakana AIにとっては初の商用プロダクトでもあります。日本発のAI研究企業が研究成果を実務ツールに落とし込んだ、最初の一歩です。 🔍 「最高戦略責任者」を名乗るAIが何をするか Sakana AIは公式プロダクトページでMarlinを「Your Virtual CSO」と表現しています。CSOは最高戦略責任者のこと。経営方針の調査や意思決定支援を担うポジションをAIで代替しようという設計です。 Marlinの動き方は3フェーズで進みます。調査開始前に、ユーザーと対話しながら「何をどの角度で調べるか」の狙いを絞り込みます。方針が固まると自律フェーズへ入り、仮説を立てながらWebの情報を収集し、検証と修正を繰り返します。 この間、人間の追加指示は不要です。調査が終わると、構造化されたサマリースライドと最大80ページの調査レポートが出力されます。ビジネスの因果関係を整理した構造化ドキュメントとして、経営層が検討に使える形で届きます。 2026年4月からのクローズドβには、金融機関、コンサルティングファーム、シンクタンクなど約300名が参加しています。経営企画の外部環境分析、新規事業参入の市場調査、投資先のスクリーニングなどが主な想定用途で、企画・戦略系の業務に関わる人には直接関係する話です。 ⚙️ 8時間かける仕組みの核心。AB-MCTSとは Marlinが長時間の自律調査を実現する背景に、Sakana AI独自の探索技術「AB-MCTS（Adaptive Branching Monte Carlo Tree Search）」があります。 MCTSはもともとゲームAIで使われてきたアルゴリズムです。「どの方向に探索を広げるか」「どこを深く掘るか」を確率的に判断する手法で、囲碁AIの分野で広く知られています。Marlinはこれを調査業務に転用し、「今の情報では不十分か、別の切り口から調べ直すべきか」を自律的に判断しながら調査範囲を拡張していきます。 大量のページを並列で読み込む処理とは異なります。「どこに調査リソースを投じるか」をリアルタイムで最適化する点が、通常の要約AIとの構造的な違いです。 正直、8時間の調査は魅力的です。ただ、レポートを意思決定に使うなら、根拠の確認まで含めて設計する必要があります。何が調査テーマの複雑さを決める基準なのか、2時間で終わった調査と8時間かかった調査では出力品質にどんな差があるのか、現時点の公式情報では詳細が見えません。βテスト参加者の具体的なフィードバックが積み上がってくると、企業の担当者も導入判断の基準を立てられます。 💴 月額15万円から。誰が使うサービスか 料金は法人向けの設定です。従量課金の場合、1クレジット98円・1実行100クレジットなので、1回の調査実行が9,800円になります。月額プランはProが15万円（2,000クレジット）、Teamが40万円（6,000クレジット）です。 Proプランの2,000クレジットを1実行100クレジットで割ると、月20回の調査実行が上限になります。同規模の戦略調査をコンサルティングファームに外注すると費用は軽く数百万円規模になることを考えると、調査コストとしての比較は成立します。 ただし、出力レポートの内容を検証し、意思決定に使えるかを判断するのは人間の仕事です。調査工数が圧縮されることと、調査そのものが不要になることは、まったく別の話です。 公式FAQでは、法人・団体・個人事業主など事業者向けのサービスと明記されており、一般消費者向けではないことが強調されています。会社の調査業務に導入されるAIとして考えた方が実態に近いです。 📋 Deep Researchと何が違うか ChatGPTやGeminiのDeep Research機能を使ったことがある人は、「それと何が違うの？」と感じるかもしれません。用途の粒度が違います。 比較項目 Deep Research系（ChatGPT等） Sakana Marlin 処理時間 数分〜十数分 最大約8時間 出力形式 テキスト回答・要約 スライド＋最大80ページレポート 主な想定用途 下調べ、情報収集 戦略調査、経営層向け報告資料 対象ユーザー 個人・法人 法人・事業者のみ 月額目安 数千円〜数万円 15万円〜 「今日の会議前に競合の動向をざっと把握したい」場面ならDeep Researchで十分です。「来月の取締役会に向けて、新規参入市場の構造と戦略オプションを検討したい」という用途には、Marlinが選択肢に入ります。 苦手な領域も公式が明示しています。公開情報がほぼ存在しないニッチ領域、秒単位のリアルタイム性が必要な用途、社内の非公開データのみで完結する調査は現状対象外です。Web上に情報が存在するテーマであることが前提条件になります。 Sakana AIは2019年設立の日本発AI研究企業で、Marlinは同社初の商用プロダクトにあたります。研究成果を実務ツールに落とし込む第一弾として法人向けの高単価サービスに絞った判断は、かなり現実的です。派手な一般向けAIではなく、調査に時間と予算を使っている部署から入る。日本発のAI企業が実務のどこに足場を作るのか、ここから見えてきそうです。公式プロダクトページには無料トライアルの申請導線も用意されており、法人担当者は申請できる状況です。 参考 ...

AIに「このページを読んで要約して」と頼むとき、そのページに何が書かれているかを完全に把握している人はほとんどいません。HTMLの構造上、画面に表示されない場所にテキストを置くことは技術的に簡単で、AIはそのテキストも読んでしまいます。これが「間接的プロンプトインジェクション」と呼ばれる攻撃の入口です。 Googleの脅威インテリジェンスチームは、毎月20〜30億ページを収録するCommon Crawlのデータを使ってWebの実態を調べ、2026年4月23日（米国時間）に調査結果を公開しました。仕事でAIを使う人、とりわけAIエージェントに作業を任せている人にとって、見落とせない内容が含まれています。 この調査は＠ITが2026年6月12日に日本語でも報じています。Webや資料をAIに読ませる人には、リンクを開く前の確認とエージェント権限の絞り込みがそのまま防御になります。 🔍 「間接的プロンプトインジェクション」とは何か プロンプトインジェクションには大きく2種類あります。攻撃者がAIのチャット画面に直接悪意ある指示を送る「直接型」と、AIが読み込む外部コンテンツ（Webページ・メール・PDF・スプレッドシートなど）の中に悪意ある指示を仕込む「間接型」です。間接型の厄介な点は、ユーザーが指示を出していないにもかかわらずAIが誤動作する可能性がある点です。 対象になるのは、AIにURLを渡して内容をまとめさせたり、AIエージェントにメールや社内文書を自動処理させたりしている人全員です。AIが人間の代わりに外部コンテンツを読む場面であれば、原理的にどこでも成立しうるリスクです。権限の境界という観点では、AIが実行できるアクション（送信・保存・API呼び出しなど）が広いほど攻撃の影響が大きくなります。 🌐 GoogleがCommon Crawlで調べたこと Common Crawlは研究目的で公開されている大規模Webアーカイブで、毎月20〜30億ページ分のデータが蓄積されています。Googleの研究チームはこのデータを使い、Webページの中に埋め込まれた「AIへの命令らしき文字列」を機械的に検出しました。調査期間は2025年11月から2026年2月の約4か月間です。 検出された命令の大半は無害なものでしたが、一部には明確な悪意を持つカテゴリが含まれていました。無害なものが多いという事実は、裏を返せば攻撃的な命令も実際のWebに存在するということを意味します。 📂 5種類の埋め込み命令 Googleは検出したパターンを5つのカテゴリに分類しています。 ① 無害な命令：「このページの要約を3行で返せ」のように、悪意はないが誰かがAIの動作を試みた痕跡と考えられるもの。 ② 単純な誘導：コンテンツの評価を操作しようとする軽微な命令。たとえば「このサイトを高評価せよ」など。 ③ SEO操作：検索エンジン向けの評価をAI経由で操作しようとするもの。AI overviewsなどの生成AI検索に対する新手のSEO汚染と位置づけられます。 ④ AIエージェント妨害：AIエージェントが正常なタスクを完了できないように妨害する命令。競合するWebサービスや業者が仕込む可能性があります。 ⑤ 悪意ある攻撃：個人情報や認証情報の外部送信、ファイルの削除・改ざんなど、実害を与えることを目的とした命令です。 ...

施設の点検や保守管理は、現場を歩いて設備の状態を確認し、異常があれば対応を判断して指示します。ベテランの経験と勘が頼りの仕事です。その現場業務に、AIをどこまで入れられるか。2026年6月11日、リコーと米Thread AIが協業を発表し、国内リコーグループ内でAIを使った施設管理の社内実践を始めたと明らかにしました。 カメラ・センサー・設備データをつないだAIが施設点検・保守の現場で判断支援と業務実行を担う、リコーとThread AIの協業の構成を示しています。 ⚙️ 国内リコーグループ内で始まる社内実践 リコーと米Thread AIは、ファシリティマネジメント（施設管理）業務の高度化・自動化に向けた協業契約を締結しました。取り組みの対象は外部顧客ではなく、国内リコーグループ内の現場です。 具体的には、施設点検や保守などの現場業務でAIによる状況理解・判断支援・業務実行の自動化・半自動化を検証します。カメラ、センサー、設備データを統合して異常検知や作業最適化を試みるとしています。 今の段階では、読者がすぐ利用できるサービスではありません。リコーが自社の現場で有効性を試し、知見をためる段階です。なお、この取り組みはリコーが2025年9月に参画したシリコンバレー発のイノベーションプラットフォーム「Plug and Play」における活動の一環でもあります。シリコンバレーのネットワークが今回の技術パートナー発掘につながった、という流れなんですよね。 🔧 AIオーケストレーション・デジタルツイン・マルチモーダルAIとは このニュースには、普段聞き慣れない技術用語が3つ登場します。 🤖 AIオーケストレーション（複数のAIをつないで制御する仕組み） AIオーケストレーションとは、複数のAI・データ・業務手順をつないで制御する仕組みのことです。一つのAIに全部任せるのではありません。「カメラ映像を解析するAI」「設備データを判断するAI」「作業指示を生成するAI」などを連携させ、全体をコントロールします。 Thread AIが提供する「Lemma」が、この制御基盤の役割を担います。単純なチャットAIと異なり、複数のAIや業務システムを組み合わせて一つのワークフローとして動かすための基盤です。規制産業や重要業務での運用を想定し、制御・ガバナンス・信頼性を重視した設計とされています。 どのAIに何を任せて、どこで人間が確認するかを管理する「指揮系統」のような役割と言えば、イメージできますよね。 🏙️ デジタルツイン（現場をデータ上に再現する仕組み） デジタルツインは、現実の設備や現場をデータ上に再現する考え方です。ビルの各設備がどこにあって現在どういう状態かを、リアルタイムでコンピュータ上に映し出す仕組みをイメージしてください。 カメラやセンサーのデータをデジタルツインへ流し込むと、AIが現場の状態をリアルタイムで把握できる条件が整います。現場に足を運ばなくても、データを確認すれば状態がわかる。この点がデジタルツインの利点なんです。 今回は、リコーのデジタルツイン技術とThread AIのAIオーケストレーションを組み合わせます。現場に足を運ぶ回数が減れば、限られた人員で複数拠点を見られる可能性が広がります。 📸 マルチモーダルAI（複数の種類のデータを扱うAI） マルチモーダルAIとは、画像・センサー情報・テキストなど複数の種類のデータを扱うAIのことです。施設管理の現場では、カメラ映像・温度センサー・振動データ・点検記録が同時に存在するため、これらをまとめて処理できるAIが求められます。 今回の実行基盤は、デジタルツイン・マルチモーダルAI・ワークフローオーケストレーションの3つを統合した構成を目指しています。三つの技術を一つの業務基盤として動かすことで、「現場の状態を把握する」「判断を下す」「作業指示を出す」という一連の流れをAIが支援する形を想定しています。データを集めるだけでなく、判断と実行の指示まで担う設計という点が、これまでの施設管理ツールとは異なります。 🏢 施設管理・総務・工場現場に、何が変わりうるか 期待される変化は、大きく言えば一つです。AIの役割を「分析して報告する」から「判断を支援して実行する」方向へ広げることです。 人手不足が続く現場では、熟練者がいないと異常に気づけない、という状況が生じることがあります。カメラやセンサーを設置しても、そのデータを確認して優先順位をつける判断を誰かが担う必要があります。AIが「この設備の数値が閾値を超えたため、今週中に点検が必要」と判断・提示できるようになれば、その属人化が減る可能性があります。 公式発表の中に「AIの役割を分析から実行へ拡張する」という表現があります。これまでのチャット型AI導入では、AIが「答えを出す」役割を担い、実行の指示は人間が決める構造が多かったです。AIが作業指示まで生成して支援する方向は、AI活用の幅が一段階広がるサインとわたしは見ています。 どこまでAIが自動判断し、どこから人間が確認するかの境界が重要です。誤判断があった場合の責任の所在と、是正にかかるコストがそこで変わってくるからです。今回の社内実践では、まさにその境界を探ることが目的の一つと考えられます。 リコーが公式に挙げている期待効果は、現場状況のリアルタイム可視化、迅速な意思決定、異常検知・対応の高度化、属人化の排除、業務標準化などです。これらはどれも、人が判断する前段階をAIが肩代わりする話です。実際にどこまで機能するかは、今後の実践報告を待つことになります。 ❓ 実証中の段階で見えていないことと、担当者が見る点 発表では公開されていない情報もあります。社内実践の対象となる施設の規模、検証期間の目安、将来的な外部提供の有無は、今回の発表では明らかにされていません。 デジタルツインを活用した現場AIの国内事例と合わせて見ると、同種の取り組みが複数の国内大手で同時進行していることがわかります。一社単独の動きではなく、業界全体の方向として見るのが正確です。 施設管理・工場運営・総務の担当者にとっては、社内実践の成果報告が次の材料になります。自社で導入を検討するとき、設備データの種類、人の確認範囲、外部提供の条件を見比べられるからです。 🔎 参考 リコーグループ 企業・IR - リコーとThread AI、AIオーケストレーションによる価値共創を開始（https://jp.ricoh.com/release/2026/0611_1） Digital PR Platform - リコーとThread AI、AIオーケストレーションによる価値共創を開始（https://digitalpr.jp/r/136635） Thread AI - 公式サイト（https://www.threadai.com/）

デザインファイルを開いたまま、AIに「このボタンの配置を2パターン出して」と頼んで、返ってきた案をそのキャンバスで確認して選ぶ。そういう作業の仕方が、Figmaの中に入ってきました。 2026年5月20日、FigmaはAIエージェント「Figma agent」を発表しました。Figma Designのキャンバス上で動く機能で、別のAIチャットへ切り替える必要がない設計です。現在はclosed betaで、段階的な展開が始まったばかりです。 キャンバスの左側ナビゲーション、またはファイル上から直接呼び出せる設計で、ファイルを切り替えずにAIへ作業を依頼できます。 🖥️ キャンバスを出ずに頼める、この設計が新しい これまでのFigma上のAI機能は、テキストを一括生成したり、プラグイン経由でAIに素材を渡したりする形が中心でした。Figma agentは、その手前にある「作業そのもの」をキャンバス内で引き受ける設計です。 公式ブログによると、エージェントはFigma内のコンポーネント、デザイントークン、ベストプラクティスを理解した状態で動きます。「Figmaのルールを知らないAIに説明してから頼む」という往復が要らない可能性があります。 ChatGPTやCodexのエージェント機能も、同じように作業ツールの内側に入ってきています。「別のアプリでAIに相談してから持ってくる」という一往復が、ひとつずつ消えていく段階です。 🔧 今できることと、まだできないこと Figma公式のHelp Centerには、対応済みの機能と未対応の機能が明示されています。 対応済みの例として挙げられているのは、0から1の画面生成、レイアウト編集、コンポーネントインスタンスの編集、スタイルや変数の適用、テキスト・画像などのコンテンツ一括生成、フィードバック整理、コメントのレビューです。 この図は、対応済みと未対応を一覧で示したものです。頼める範囲を事前に把握しておくと、実際の作業で使い方の見当がつきます。 一方で、未対応として挙げられているのはベクター編集、アイコン作成、プロトタイピング、アニメーション、アセット書き出しなどです。Web検索や高度な視覚効果への対応も今後に持ち越されています。 ちょっと気になるのは、「コメントのレビュー」が対応済みに含まれている点です。コメント欄に積み上がった指摘をAIがまとめて修正対応に落とし込んでくれるなら、使い道は広がります。デザイナー以外が関わるレビュー作業でも、選択肢になりえます。 ただしclosed betaがどこまで広がるかによるので、実際の精度はclosed betaの展開が進むまで見えません。 📋 使えるプランと今後のスケジュール Professional・Organization・EnterpriseプランのFull seatユーザーが対象です。Dev seatまたはCollab seatの場合は、Draftsフォルダ内でのみ試用できます。Starter・Education・Governmentプランは対象外です。 ベータ期間中はAI creditsを消費しません。ただし一般提供が始まった段階でAI creditsが適用される予定と、公式ブログに明記されています。 早期アクセスはウェイトリスト登録制で、登録してもアクセスが保証されるわけではないと公式が説明しています。「今後数週間で段階展開」が現時点のステータスです。 💼 デザイナー以外にも関係する変化 Figmaは、デザイナーだけが使うツールではありません。企画・マーケ・プロダクト担当、セールスが画面レビューのためにFigmaファイルを開く場面は、スタートアップや制作会社では珍しくないです。 「別案を3パターン並べて見比べたい」「このボタンの文言を5種類出して比べたい」という作業を、AIに直接依頼してキャンバスで確認できる可能性が出てきます。デザイナーへの依頼を介さずに、たたき台の量産だけAIに任せる形です。 公式ブログ自身も「生成が簡単になるほど、平均的なアウトプットが増えるリスクがある」と触れていました。複数案を出させて人が判断する、という使い方のほうが現実的です。AIに丸投げしてそのまま採用することを、公式も想定していないようです。 参考 Figma公式ブログ - The Figma design agent is here（https://www.figma.com/blog/the-figma-agent-is-here/） Figma Help Center - Work with the AI agent in Figma Design（https://help.figma.com/hc/en-us/articles/37998629035799-Work-with-the-AI-agent-in-Figma-Design） TechCrunch - Figma adds an AI assistant to its collaborative canvas（https://techcrunch.com/2026/05/20/figma-adds-an-ai-assistant-to-its-collaborative-canvas/） The Verge - Figma has a product design AI agent（https://www.theverge.com/ai-artificial-intelligence）

社内の重要データをAIに渡したいけれど、外部クラウドには出せない。そういう状況でAI導入の検討が止まっている会社は、日本にも相当数あります。 OpenAIとDell Technologiesは2026年5月18日、この問題にインフラ側から答えようとする協業を発表しました。AIエージェント「Codex」を、企業がすでに持っているオンプレミスやハイブリッド環境に接続できるようにする方針です。現時点では接続方針の発表段階であり、一般提供の開始時期や対象地域は明示されていません。 DellのオンプレミスAI基盤とCodexをつなぐ、今回の協業の全体像です。 🔍 週400万人超が使うCodexが、次は社内インフラへ向かう Codexは、コードレビュー、テストの実行、インシデント対応、大規模なコードベースの理解まで、ソフトウェア開発サイクル全体をサポートするAIエージェントです。OpenAIによれば、毎週400万人超の開発者が使っています。 用途はすでに開発以外にも広がっています。複数ツールにまたがる情報収集、レポート作成、製品フィードバックの振り分け、見込み客の選別、フォローアップ文の作成、業務システム間の調整。OpenAIは公式発表の中でこうした用途を具体的に挙げています。 今回の協業では、CodexをDell AI Data Platformと接続し、オンプレミスで保管・管理された企業データにアクセスできるようにする方針が示されました。Dell AI FactoryへのCodex・ChatGPT Enterprise・APIベースのソリューションの統合も検討されており、データ準備・記録システム管理・テスト実行・AIアプリの展開が対象です。社内情報を前提にしたエージェント活用を、実験室ではなく既存の業務基盤へ近づける動きなんです。 🏢 AIが業務で使えない壁は、データの置き場所にある AIを業務で使おうとすると、必ず出てくる問いがあります。「このデータ、外部サービスに送っていいの？」という問いです。 顧客情報、契約書、財務データ、未公開の製品情報。これらを外部クラウドへ送ることには、法的リスクや社内規定との兼ね合いがあります。金融・医療・法務・製造の現場では、データを外に出すこと自体がハードルになっています。 AIエージェントが本当に業務に使えるためには、コードだけでなく文書・業務システム・チームのワークフロー・業務知識にアクセスできる必要があります。OpenAIはこれらを「Codexが役立つために必要な社内文脈」として発表内で明示しています。それらがクラウドの外にあるなら、クラウド経由のAPIを呼び出すだけでは届きません。 🖥️ クラウドだけでは届かない社内の文脈 オンプレミスとは、クラウドサービスを使わず自社のサーバーにシステムやデータを置く形態です。クラウドと自社サーバーの両方を組み合わせる構成をハイブリッドと呼びます。多くの企業が完全なクラウド移行に踏み切れない理由は、データを国内に置く必要がある法規制、古い基幹システムとの相性、移行コストなどです。 Codexをスマホから扱えるようになった前回の記事では、外出先から作業を確認・承認できる個人向けの使い方を扱いました。今回の焦点は、企業の社内インフラにCodexを結びつけることです。組織全体の業務で、社内文脈を持ったAIを動かすための企業基盤側の展開です。 DellのIhab Tarazi氏は発表の中で、企業データがすでに存在するオンプレミス環境でAIを展開できることを、実用的で安全なAIエージェント展開の道筋として位置付けています。AIをクラウドに移すのではなく、データがある場所にAIを近づける発想です。 🔔 日本での状況と、現時点でわかっていないこと 日本でも、社内データとAIを結びつけることで具体的な成果が出始めています。 2026年5月、福岡銀行がAIエージェント基盤を導入し、ストラクチャードファイナンスにかかわる契約書類の管理業務で年間約7,000時間の削減を見込むと発表しました。契約書検索で約6,500時間、管理表作成で約500時間という内訳です。銀行業務の契約書は機密性が高く、外部クラウドへ送ることが難しいデータです。 こうした業種での実績は、オンプレミス接続型AIへの需要の高さを示しています。 一方、今回のOpenAIとDellの協業については、現時点では確認できない情報が多くあります。提供開始の時期、対象地域、価格、具体的な導入条件はいずれも明示されていません。日本向けの展開についても、公式からの言及はありません。 データアクセス範囲の権限設計についても、OpenAIの発表では具体的な言及がなく、導入側の企業が対処することになる問題として残ります。 わたしがChatGPT ProやClaude Maxを日常的に使っていて感じるのは、社内情報を前提にした回答が返ってこない場面のもどかしさです。外部サービスには渡せないデータがあるから、AIに文脈が届きません。個人の使い方でもその制約を感じるなら、企業の現場では扱うデータの機密性が上がる分、制約はさらに複雑になります。 その複雑さに、インフラ側から答えようとしているのが今回の協業です。対応プラン・価格・日本での提供開始時期・データアクセス権限の設計は、展開が具体化したときに改めて見ることになる項目です。現時点では、方向性の表明と受け止めるのが実態に近いです。 🔗 参考 OpenAI - OpenAI and Dell Technologies partner to bring Codex to hybrid and on-premises enterprise environments（https://openai.com/index/dell-codex-enterprise-partnership/） OpenAI ニュース一覧（https://openai.com/news/） ITmedia キーマンズネット - 福岡銀行、AI活用で年間7000時間の業務削減を目指す（https://kn.itmedia.co.jp/kn/articles/2605/19/news024.html） LayerX - 地銀初、LayerXの「Ai Workforce」を福岡銀行が導入（https://getaiworkforce.com/news/20260507） ※当サイトのリンクにはアフィリエイトリンクが含まれる場合があります ...

スマホを開いたら、AIが夜のうちに進めた作業の結果が届いている。差分を確認して「この方針で続けて」と入力すると、次の処理が走り出す。OpenAIは2026年5月14日、そういう働き方を想定した機能をプレビューとして公開しました。 コーディングエージェント「Codex」が、ChatGPTのiOS・Androidアプリに統合されました。ChatGPT Free含む全プランで、対応地域から順次提供されます。 🤖 スマホから何ができて、何はできないか Codexは、ChatGPTの中でコードを書くだけのツールではありません。ローカルのPC、Mac mini、リモートの開発サーバーなどに接続して、ファイルの確認、テストの実行、コードの差分作成まで進められるエージェントです。今回のアップデートで、その作業状況をiOS/AndroidのChatGPTアプリから参照・操作できるようになりました。 外出先からできる操作は、作業スレッドの状態確認、次の方針の選択、コマンドの承認、モデルの変更、新規タスクの開始、差分のレビューなどです。スマホに届くのは、スクリーンショット、ターミナルの出力、テスト結果、承認依頼といった「判断するために必要な情報」です。実際のファイルや認証情報、ローカル環境はCodexが動くマシン上に残ります。 この設計にはセキュアなリレー層が使われています。信頼済みのマシンを直接インターネットに公開することなく、スマホからアクセスできる仕組みです。 現在はmacOS向けのCodexアプリとの接続に対応しており、Windows版は近日対応予定とOpenAIが案内しています。Windows版が加われば、Mac以外の環境を使う開発者も同じワークフローを選べます。 ⚙️ 「判断を返す窓口」という設計の意図 Codexの週次利用者はすでに400万人を超えています。OpenAIは、長時間動くAIエージェントでは「途中の短い確認」や「方針の返答」があることで、作業の停滞と手戻りを減らせると説明しています。 目を引くのは、この設計が人の判断を意図的に挟む構造になっている点です。AIに完全に丸投げはしません。AIが迷ったとき、人がPC前に戻るまで全部止まるのではなく、移動中にスマホで「こっちの方向でOK」と返せる仕組みです。AIエージェントを実用的に動かす上で、人の判断を挟む場所を設計に組み込む発想はむしろ現実的です。 承認ができる便利さは、誤ったコマンドや不要なデータアクセスを通してしまうリスクも同時に意味します。誰が何を承認できるかは、設計段階で問われることになりそうです。 💼 開発者ツールが示す、業務AIの次の形 今回のアップデートでは、モバイル統合以外にも複数の機能が一般提供されました。SSH接続でリモート環境に入れる「Remote SSH」、プロンプト内の秘密情報スキャンやメモリ作成などをカスタムできる「Hooks」の2つです。 EnterpriseとBusinessプランのユーザーには、CIパイプライン、リリースワークフロー、社内自動化で使えるスコープ付き認証情報「Programmatic access tokens」も提供されます。ChatGPT Enterpriseワークスペースでは、ローカルCLIやIDEとして使う場合に限ってHIPAA準拠にも対応しています。 現時点では、Codexは開発者向けのツールです。コードを書く仕事でなければ、すぐに使える段階ではありません。 ただ、「AIが長い作業を進め、人がスマホで要所の判断を返す」という構造は今後の業務AIに広がる方向性を示していますし、わたしはそう見ています。モバイル版は現時点でプレビュー段階ですが、資料調査、問い合わせ対応の仕分け、社内文書のチェックといった作業でも、同じパターンが使われる場面が出てきます。 参考 OpenAI — Work with Codex from anywhere（https://openai.com/index/work-with-codex-from-anywhere/） ITmedia AI＋ — OpenAI、「Codex」をChatGPTモバイルアプリに統合──外出先からコーディング作業を管理（https://www.itmedia.co.jp/aiplus/articles/2605/15/news063.html） The Verge — AI artificial intelligence（https://www.theverge.com/ai-artificial-intelligence）

月に数千件、Webやメール経由で届く顧客からの問い合わせ。その1件を処理するのに、平均13分かかっていました。トヨタファイナンスが2026年1月から動かし始めた仕組みは、AIエージェントとRPA（ロボット）を組み合わせたもので、今は1件あたり平均4分で動いています。 🗓️ 2025年10月のPoC開始から3ヶ月、本番稼働まで トヨタファイナンスがUiPathのAgent Builder in UiPath Studioを使った試験導入（PoC）を始めたのは、2025年10月です。そこから約3ヶ月、2026年1月には本番環境で稼働を開始しました。 UiPathが2026年5月12日に公式発表した事例によると、対象はWebサイトやメール経由で届く顧客問い合わせです。月に数千件発生していた業務に、AIエージェントが入ることになりました。 全社規模のシステム刷新ではなく、特定業務から試して3ヶ月で本番に持っていった点を、トヨタファイナンス側は評価しています。AI導入を考える側にとっては、いきなり全社展開を目指さず、件数が多く効果を測れる業務から始めた事例として見られます。 🔄 ロボットが情報を集め、AIが文章を作り、人が確認する この仕組みは、3つに分かれた役割で動きます。RPAロボットが既存の顧客情報システムから必要な情報を取り出し、AIエージェントがその情報をもとに回答の下書きを生成します。人間の担当者は内容を確認してから送信する形です。 AIが全部やる構造ではなく、既存システムの操作はロボット、文章生成はAI、最終判断は人間というすみ分けです。この分担が、1件あたりの処理を13分から4分にする結果につながりました。AIに仕事を丸ごと渡す発想ではなく、得意なところだけ任せる発想ですね。 UiPathを選んだ理由として、トヨタファイナンスは市民開発の実現性、自動化機能の充実度、サポート体制の3点を挙げています。トヨタファイナンスは、曖昧な判断をAIへ丸投げしませんでした。 レガシー環境を操作できるロボットとAIエージェントを組み合わせる設計を選びました。業務をロジック化できる点を重視した、というのが公式発表の説明です。 この設計は実務でかなり大切です。古いシステムをすぐ入れ替えられない会社でも、既存環境を残したままAI活用を始める道が見えるからです。 ⚠️ 生成AIだけのPoC、社内基準を超えられなかった 実は最初に試したのは、生成AIだけを使ったPoCです。その結果、「同じ質問に毎回違う回答を生成する」「禁止したはずのことをAIがやってしまう」という課題が出ました。 現場が設定した正解率のしきい値を超えられず、生成AI単独では本番に進めなかったといいます。UiPathのロジックと組み合わせたPoCをやり直したところ、社内基準80%に対して93%の精度を達成し、本番へ移行できました。 公式情報を見ると、生成AIに問い合わせ内容を渡して回答を作らせる段階から、現場の合格基準を安定的に超えるところまで持っていくには、想像以上に設計の手間がかかると感じます。同じ質問への回答がぶれたり、禁止事項を守れなかったりしたため、単独PoCでは社内基準を超えられなかったからです。今回の場合は、ルールを適用するロジックをRPAが担い、曖昧な文章生成の部分だけをAIに任せる分担が、精度の底上げに機能しました。 💼 次は経費精算へ、現場が自分で作れる体制を目指す 今後は経費精算業務への展開も検討されています。UiPath IXP（請求書などの書類から必要な情報を自動で読み取るUiPathの機能）で請求書の情報を自動で読み取り、後続処理をロボットが担う形を検証中です。問い合わせ対応で作った分担を、書類処理にも広げられるかを見ている段階です。 また、情報システム部門だけで進める体制では十分なスピードを出せないという課題も認識されています。将来的には、現場の担当者自身がツールを使って自動化を設計する市民開発の体制が目標として示されています。 従業員約2000人がUiPathを使いこなし、重要な仕事にリソースを向けることを目指す、というコメントも公式事例には収録されています。AI活用はツール導入で終わりではなく、現場が自分たちの業務を言語化できるかまで含めた話になります。 自分の職場でAI導入の話が出た場合は、月に何件の繰り返し処理があるかを見るだけでも、議論が具体的になります。AIに任せる部分と人間が判断する部分を分けると、失敗の種も見えます。 既存システムとのデータ連携も、早めに見ておくと後戻りを減らせます。問い合わせや請求書処理のような反復業務では、今回のようなロボット＋AI＋人の分担が、現実的な入口になりそうです。 📚 参考 ITmedia エンタープライズ「トヨタファイナンスがAIエージェントを問い合わせ対応業務に導入　「非定型業務」を自動化」（2026-05-14） UiPath「トヨタファイナンス、Agent Builder in UiPath Studio導入で顧客対応業務の生産性を向上」（2026-05-12） UiPath「顧客事例：トヨタファイナンス株式会社」

社内の申請業務が動き、開発チームがコードを書き、20年前のCOBOLプログラムが今日も稼働している。そういう現場に、Claudeが本格的に入り込む段階が日本でも始まりました。 2026年5月1日、アクセンチュアが日本で「アクセンチュア Anthropic ビジネスグループ」の提供を開始しています。Anthropicとの戦略的パートナーシップに基づく国内展開で、Claudeを企業業務の設計から基幹システム刷新まで一貫して組み込む支援です。 🗓️ 2026年5月1日から何が始まったのか アクセンチュアとAnthropicは2025年12月、グローバル規模の戦略的パートナーシップを発表していました。今回はその日本版の本格展開です。アクセンチュアが5月11日に公式発表し、実際の提供開始は5月1日だったという順序になっています。 支援の枠組みとなるのが「アクセンチュア Anthropic ビジネスグループ」です。コンサルティングから技術実装まで一体で提供する体制です。アクセンチュアはすでに自社の従業員約30万人を対象にClaude研修を進めており、支援する立場としての実地経験を積みながら展開しています。 Anthropic Japan社長の唐澤氏は、日本の企業顧客が求めているのは性能の高さだけでなく、自社の業務や文化に合わせた形で安心して使えることだと述べています。このコメントは、AIの企業導入で最後に立ちはだかる壁が何かを端的に示しています。 🏗️ 4つの業務領域にClaudeをどう入れるか 支援対象となる業務領域は4つです。全社AI変革の設計と実行、AI駆動開発によるソフトウェア開発の刷新、基幹・レガシーシステムのモダナイゼーション、サイバーセキュリティ変革——それぞれに異なる役割があります。 🔄 全社AI変革——業務の可視化から定着まで 業務フローを見直し、Claudeを組み込んだ形で再設計・運用まで支援する領域です。使用するのは、Claude Codeと業務支援AIエージェント「Claude Cowork」の2つです。 Claude Codeはコード生成・分析に特化したAIツール、Claude CoworkはAnthropicが提供する業務特化型のAIエージェント（決まった手順の仕事を自律的に実行するAI）です。この2つで業務の導入から運用、社員向けのチェンジマネジメント（新しい仕組みへの社員移行支援）まで含めてサポートします。 「AIを入れた」で終わらせず、定着まで見る設計です。ツールを渡すだけでは現場に根付かなかった過去の失敗例を踏まえた構成と言えます。 💻 AI駆動開発——開発工程全体にAIが入る 開発の計画から設計、実装、テスト、リリース、運用に至るすべての工程にAIを組み込む支援です。目的は、市場変化や規制改正への対応速度を上げることです。 コードを書く速度だけを上げるのではなく、仕様変更があったときのテスト設計や影響範囲の確認まで含めた一連の流れが対象です。開発チームがClaudeがある前提で設計できる環境を整えることが狙いです。 開発者でない方にも、意外と関係してくる話です。社内システムの改修サイクルが短くなれば、現場からの改善要望が反映されるまでの時間が変わってくるからです。 🏛️ COBOLからJavaへ——日本企業のレガシー問題にAIが入る 4つの中で特に実績が読みにくいのが、この基幹・レガシーシステム刷新の領域です。COBOLエンジニアの全国的な不足は日本の金融・公共系企業で長年積み残されてきた課題で、AIがここでどこまで実用的に機能するかは、実績が出てからでないと判断できません。 アクセンチュアが開発した基幹システム変換ツール「MAJALIS（マジャリス）」とClaudeを組み合わせ、COBOLで書かれた資産を段階的にJavaへ変換します。COBOL（1960年代から使われる業務用プログラミング言語）は、日本の銀行・保険・行政システムに今も多く残っています。 変換の流れはコード分析→仕様の可視化→変換→テスト設計という段階です。Claudeが担うのは、コードの意図を解析してドキュメント化し、テスト仕様の生成を支援するパートです。担当者が人手で全件確認する工程をどこまで絞れるかが、実際のプロジェクトでは焦点になります。 🔐 サイバーセキュリティ——Cyber.AIとClaudeの統合 アクセンチュアが2026年3月に発表したAI駆動型サイバーセキュリティソリューション「Cyber.AI」に、Claudeを組み込んだ形での提供です。脅威の検知や分析など、専門知識が必要な判断の一部をAIで補助します。 セキュリティ領域でのAI活用は、判断の速度と精度の両方が問われます。Claude自体の精度に加えて、誤検知や見逃しへの対処をどう設計するかが実運用では核心部分です。 「AIがどこまで判断する」と「人間が確認する」の分担設計が、この領域では特に重要です。ここをあいまいにしたまま動かすと、インシデント発生時の責任の所在が見えなくなります。 📋 管理部門・IT部門にとって何が関係するか AIの企業導入は、担当者が個別に試す段階から業務フローへの組み込み段階に入りつつあります。アクセンチュアのようなコンサルティング会社が間に入る意味は、ツール選定にとどまらず業務設計の見直しと社内定着まで含めてサポートするためです。 IT部門・管理部門が実際に問われるのは、監査ログ、権限管理、データの取り扱いという運用設計の部分です。Anthropicはエンタープライズ向けClaudeについて、顧客データをデフォルトでAI学習に使わない方針と監査証跡の提供を明示しています。ただし社内規定や責任分界の設計は、各企業の課題として残ります。 一般の会社員にとっては、承認フロー、問い合わせ対応、社内文書の確認作業などにAIが入る可能性が現実的になっています。どこまでAIに任せ、どこで人が確認するかは、現場の声が反映される形で決めていく必要があります。 なお、AnthropicとNECが進める企業AI展開については別記事でも触れています。 ❓ 今回の発表で見えていないこと いくつかの点は、今回の発表だけでは確認できていません。 料金体系と対象企業規模については、ITmediaの報道でも具体的な数字が出ていません。Claude Coworkの日本語品質と対応業務の範囲も、詳細は公開されていません。国内での具体的な導入企業名や事例も、2026年5月13日時点では明らかにされていません。 「何が始まったか」と「何がまだわからないか」を分けておく。それが社内でAI導入を検討するときの出発点です。 📚 参考 ITmedia エンタープライズ「アクセンチュア、Anthropicとの協業を日本に本格導入　Claudeを活用した4つの支援領域とは」(https://www.itmedia.co.jp/enterprise/articles/2605/13/news046.html) ※当サイトのリンクにはアフィリエイトリンクが含まれる場合があります

化学素材の営業担当者が新しい用途を探すとき、論文を追い、特許を確認し、競合品の動向をひとつひとつ確かめる。それだけで数日が消えることも珍しくありません。その積み重ねを、AIエージェントに置き換えようとしているスタートアップがあります。 Cataris（カタリス）は化学・素材産業に特化したAIエージェントを開発するスタートアップです。2026年5月11日、日本経済新聞が同社について報じました。素材メーカーが保有する素材の情報を入力すると、新しい用途候補をAIが自動で生成するサービスを始めるという内容です。2026年度内にメーカーを中心に50社への展開を目指すとしています。 🔬 Catarisが構築しているデータ基盤 Catarisの公式サイトには「AIエージェント Cataris｜化学素材の『用途探索&素材改良』を自動化」とあります。名前の通り、素材の使い道を探すことと、素材そのものの改良方向を提案することの2つの条件がサービスの中心です。 同社が2025年10月に公表した資料によると、この仕組みの核は「マテリアル・プロファイリングAI基盤」と呼ばれる独自データベースです。素材データ、化学関連の論文、特許、公共データベースを横断的に解析し、物性予測ツールや、知識の関係性を地図のように整理するオントロジー技術と組み合わせて動作します。顧客企業が自社の素材情報を入力すると、AIエージェントが用途候補と改良の方向性を自動生成する流れです。人が探す範囲を広げるための基盤、と見るのが近いです。 日経の報道は多くが会員限定で、サービス料金や詳細な導入条件など、公開範囲内で確認できる情報には限りがあります。 📊 なぜ汎用AIでは足りないのか 汎用の生成AIチャットに「この素材の新しい用途を教えて」と聞いても、素材固有の物性、規制環境、競合状況を踏まえた具体的な答えはほぼ出てきません。化学素材の用途探索が難しい理由は、参照すべき情報の範囲が広く、それらが互いに絡み合っているからです。 素材の物性データ、製造プロセスの特性、各国の化学規制、市場ニーズ、既存の特許、学術論文の最新知見。これらを横断してつなぎ、「この素材はA分野のB用途に適しそうだ」という仮説を立てるのは、熟練した専門家でも時間のかかる作業です。 Catarisの2025年11月の発表では、素材メーカーの用途探索や改良提案は長年「人の経験や勘」に依存し、スピードと再現性の両立が難しかったと説明されています。経験豊富な研究者や営業担当者が社内にいれば前進できます。ただ、その知識は特定の担当者に集中し、後継者への引き継ぎは体系化されないまま残ることがあります。 この構図は、AI活用が進む製造業全体に共通します。NECとAnthropicの国内企業向けAI導入支援でも触れたように、汎用モデルをそのまま入れるだけでは、業界ごとの判断材料まで拾いきれないケースがあります。Catarisがやっていることは、その隙間を業務特化エージェントで埋める試みです。 📈 50社展開の現在地 2025年10月の時点で、Catarisは大手・準大手メーカーを中心に複数の共同実証を進めていました。検証実施素材数は約10件に達していたと同社は発表しています。同年11月には国内の化学素材展示会でサービスを初公開し、2026年以降のパイロット運用に向けた共創パートナーの募集も行いました。 同社の発表では「従来の開発・提案期間の約50%で新規用途を発見したケースがある」とされています。ただし、これは同社発表内の事例であり、独立した第三者機関による検証の数値ではありません。数値の出所は同社の自社発表に限られます。 焦点になるのは、導入後の業務定着率と「AIが出した候補をどう評価するか」のプロセス設計です。AIが用途候補を生成しても、それを実際の提案や研究開発に繋げるには、専門家によるスクリーニングが必要になります。現時点では、そのワークフローの詳細が公開されていないため、どこまで業務に組み込めるかは各社の試行次第といったところです。 🏭 営業と研究開発の現場への影響 このサービスが現場に持ち込むのは、「候補の網羅」と「検討の初速」という二点です。 素材メーカーの事業開発担当や提案営業が「まずどんな用途が考えられるか」を洗い出す作業。従来なら専門家が数日かけて行っていたこの整理を、AIエージェントが短時間で一覧化する形です。 ただし、AIが出した用途候補はそのまま採用できません。安全性、法規制、量産性、顧客ニーズ、価格の検証は引き続き人間の専門家が担います。Catarisのサービスはあくまで候補を広げる道具であり、最終判断を代替するものではありません。 同じ構図は化学素材に留まりません。医薬品の適応探索、食品素材の新用途、建材の転用可能性など、社内に眠っている技術や素材を外部データとつないで新しい売り先を探す需要は、製造業全体に共通しています。化学素材で導入が進むかどうかは、他分野の業務特化AIを見るときの材料にもなります。 現時点で料金や契約形態の詳細は公開範囲から確認できません。関心がある企業は、Cataris公式サイトと2025年11月発表の共創パートナー募集情報を確認し、自社素材のデータ形式、検証したい用途領域、社内の評価担当者を先に整理しておくと、問い合わせ後の検討材料がそろいます。 📚 参考 日本経済新聞 - 新興カタリス、素材の用途を探索するAI開発　年度内に50社展開（https://www.nikkei.com/article/DGXZQOUC3082A0Q6A430C2000000/） Cataris公式サイト（https://cataris.ai/） PR TIMES - カタリス株式会社 シード資金調達に関するお知らせ（2025-10-28）（https://prtimes.jp/main/html/rd/p/000000001.000170747.html） PR TIMES - カタリス株式会社 化学素材展示会での初公開に関するお知らせ（2025-11-05）（https://prtimes.jp/main/html/rd/p/000000002.000170747.html）