株式会社ずんだもん技術室AI放送局

OpenAIは2026年3月3日、ChatGPTで最も利用されているモデルの最新アップデート版「GPT-5.3 Instant」をリリースしました。このモデルは、ベンチマークの数値だけでは測れない「日常的な対話の質」に焦点を当てており、より自然で、かつ的確な回答が可能になっています。新人エンジニアの方にとっても、AIとの対話やプログラミング補助において、よりストレスの少ない体験が期待できる内容です。

主な改善点は以下の4点です。

過剰な拒否や注釈（説教）の削減

Web検索情報の統合精度の向上

より自然で簡潔な対話スタイル

ハルシネーション（事実誤認）の低減

エンジニア向けの提供情報

今回のアップデートは、AIを単なる「検索機」や「ツール」としてではなく、より「意図を理解してくれるパートナー」へと進化させる重要なステップと言えます。

引用元: https://openai.com/index/gpt-5-3-instant

Google DeepMindは、Gemini 3シリーズにおいて最も高速かつコスト効率に優れた新モデル「Gemini 3.1 Flash-Lite」をプレビュー公開しました。このモデルは、大量のデータを処理する必要がある開発者向けに設計されており、高い知能を維持しながら圧倒的なスループットを実現しています。

1. 圧倒的なコストパフォーマンスとスピード

2. 軽量モデルの常識を覆す高い知能

3. 柔軟な制御を可能にする「Thinking levels」

4. 想定されるユースケース

現在は、Google AI StudioおよびVertex AIでプレビュー版として利用可能です。「賢いAIを、安く、大量に動かしたい」というエンジニアのニーズに直球で応える、実務特化型の強力なツールが登場したと言えます。

引用元: https://deepmind.google/blog/gemini-3-1-flash-lite-built-for-intelligence-at-scale/

NVIDIAは、Julia言語においてタイルベースのGPUプログラミングを可能にする新しいライブラリ「cuTile.jl」を発表しました。これは、Python向けに提供されていたcuTileと同様のプログラミングモデルをJuliaに持ち込むもので、最新のNVIDIA GPUの性能をより直感的に引き出すことが可能になります。

1. タイルベース・プログラミングによる抽象化

2. Juliaらしい直感的な記述（イディオム）の継承

3. 仕組みとパフォーマンス

4. 導入の要件と制約（利用上の注意）

cuTile.jlは、Juliaの持つ高い記述性と、NVIDIAの最新ハードウェアが持つ圧倒的なパワーを融合させる期待のライブラリです。GPUプログラミングの複雑さを解消し、AIや科学計算の最適化をより身近なものにしてくれるでしょう。

引用元: https://developer.nvidia.com/blog/cutile-jl-brings-nvidia-cuda-tile-based-programming-to-julia/

ポケモン新作に登場する新キャラ「ポムケン」を巡る、SNSでの微笑ましい誤爆騒動です。あるユーザーが「予防接種を受けるポムケンの絵が見たい」と投稿しようとした際、誤って芸人の「ホリケン」と書いてしまいました。これに反応した絵師たちが、実際に注射を受ける堀内健氏のシュールなイラストを続々と投稿。ネット特有の即興性と高い創作力が生んだ、エンジニアの休憩時間にクスッと笑える癒やし系ニュースです。

引用元: https://togetter.com/li/2670435

（株式会社ずんだもんは架空の登場組織です）

Microsoftは2026年2月26日、AIアシスタントCopilotの新機能「Copilot Tasks」を発表しました。これまでの生成AIは、ユーザーの問いに対してテキストや画像で「答える」ことが中心でしたが、今回のアップデートは、AIがユーザーに代わって自律的にタスクを「実行する」エージェント型AI（AI Agent）への大きな転換を意味しています。

■ 主な機能とユースケース

■ エンジニアが注目すべき「クラウドサンドボックス」構造

■ 業界の動向と今後の展望

新人エンジニアの皆さんは、AIを単なるチャットボットとしてではなく、クラウド上の安全な環境で外部ツールを操作する「自律的なソフトウェアコンポーネント」として捉えることで、次世代のシステム設計のヒントが得られるはずです。現在はリサーチプレビュー段階であり、今後の段階的なロールアウトが注目されます。

引用元: https://innovatopia.jp/ai/ai-news/81599/

元OpenAIのAndrej Karpathy氏が公開した「microgpt」は、外部ライブラリを一切使用せず、わずか200行の純粋なPythonコードだけでGPTの学習と推論を実現した教育的プロジェクトです。LLM（大規模言語モデル）の仕組みを極限までシンプルに削ぎ落とし、その「アルゴリズムの本質」を1つのファイルに凝縮しています。

microgptは、現代のAIの核心となる技術をブラックボックスなしで実装しています。具体的には以下の要素が含まれています。

効率性よりも「理解のしやすさ」を最優先しているため、以下の制約があります。

新人エンジニアにとって、LLMは魔法のように見えるかもしれません。しかし、この200行のコードは「AIには魔法など存在せず、すべては微分と統計的な確率予測の積み重ねである」ことを証明しています。

引用元: http://karpathy.github.io/2026/02/12/microgpt/

Googleは、Gemini 2.5モデルにおける音声生成およびネイティブ音声処理の大幅なアップデートを発表しました。本アップデートの核心は、音声データを直接理解・生成する「Native Audio」モデルの進化にあり、より高度な音声AIエージェントの構築が可能になります。

ライブ音声エージェント向けのモデルにおいて、以下の3つの技術的領域が大幅に強化されました。

Geminiのマルチリンガル能力を活用した、新しいストリーミング音声翻訳機能が導入されました。

すでにShopifyなどの企業が、この新モデルを顧客対応AIに活用し、ユーザーがAIと話していることを忘れるほど自然な体験を提供しています。

新人エンジニアの方は、まずGoogle AI Studioで音声入力を試してみることから始めると、テキストベースのLLMとは異なる「ネイティブ音声モデル」のポテンシャルを実感できるはずです。

引用元: https://blog.google/products-and-platforms/products/gemini/gemini-audio-model-updates/

（株式会社ずんだもんは架空の登場組織です）

AI大手のAnthropic社が、資産管理（ウェルスマネジメント）に特化した「Claude CoWork」プラグインを発表しました。これは、単にテキストを生成するだけのAIから、自律的に業務を遂行する「エージェント型AI（Agentic AI）」への大きな転換を象徴するニュースです。

新人エンジニアがまず押さえておくべき点は、この記事で定義されている「AIエージェント」の4つの基本要素です。これらがループ（循環）することで、AIは単なるツールを超えた「デジタル労働力」として機能します。

Anthropicが提供を開始するツールは、ポートフォリオの自動分析や税務分析、さらにはリバランス（資産再配分）の推奨や実行までをスケールさせて行うことが可能です。これにより、従来アドバイザーが行っていた定型業務をAIが肩代わりし、人間はクライアントとの対話や戦略的な成長により注力できるようになります。

この動きは、テクノロジー業界の構造にも影響を与えます。これまでOpenAIやAnthropicなどの汎用LLMを「業界特化型」にカスタマイズして提供していた「AIミドルウェア」プロバイダーにとって、基盤モデル側が直接専門ツールを提供し始めることは大きな脅威となります。

一方で、企業の既存のシステム構成や固有のデータ要件に合わせてAIを調整する、コンサルティング的なアプローチを持つスタートアップの重要性も示唆されています。エンジニアにとっては、AIモデルを単に使うだけでなく、「いかに既存の業務フローに組み込み、自律的なワークフローを設計するか」というエージェント設計の視点が、今後の開発において極めて重要になるでしょう。

引用元: https://www.wealthmanagement.com/artificial-intelligence/agentic-ai-101-for-advisors-as-anthropic-launches-wealth-management-tools

GoogleのエンジニアであるAddy Osmani氏による、AIエージェントがソフトウェアエンジニアリングの本質をどう変えたかについての洞察です。エージェント技術の進化により、エンジニアリングの「抽象化レイヤー」が一段階上がったと述べられています。

これまでのAI活用は、コードの補完（第1世代）や、人間が指示してAIが書く同期的な共同作業（第2世代）でした。現在は、仕様を渡せば自律的に環境構築からテスト、デバッグ、プルリクエスト作成まで行う「自律型エージェント（第3世代）」の時代に突入しています。これは、アセンブリからC言語、フレームワークへと抽象化が進んできた歴史の延長線上にある正当な進化です。

新しいパラダイムでは、エンジニアは「コードを書く人」から「コードを書く工場（ファクトリー）を築く人」へと役割が変わります。工場とは、複数のエージェント、ツール、コンテキスト、そしてフィードバックループの集合体です。エンジニアの仕事は、個別のコードを書くことではなく、これらのエージェントを並行して動かし、システム全体をオーケストレートすることにシフトします。

コードを書く「作業」は自動化されますが、エンジニアリングの「核」となるスキルはむしろ重要性が増しています。

タイピングの速さや構文の記憶といった「手作業」の価値は相対的に下がりますが、問題を分解し、システムを理解し、明確な意図を伝える能力はこれまで以上に報われるようになります。AIを「仕事を奪う存在」ではなく「自らの思考を増幅するツール」として捉え、アーキテクチャやテストといった、時代が変わっても揺るがない基礎スキルを磨くことが、これからの時代を生き抜く鍵となります。

引用元: https://addyosmani.com/blog/factory-model/

本記事は、AIコーディングエージェント（Claude Code等）を活用したゲーム開発において、なぜゲームエンジン「Godot」が最適なのかを解説した非常に興味深く、かつ夢のある内容です。始まりは、小型犬がキーボードを叩いたランダムな入力を「天才ゲームデザイナーの指示」としてAIに解釈させ、ゲームを完成させたというユーモア溢れる試みですが、そこから導き出される技術的考察は新人エンジニアにとっても非常に示唆に富んでいます。

GodotがAIエージェントと相性が良い理由は、主に以下の3点に集約されます。

CLI（コマンドライン）操作の容易さ

テキストベースのリソース管理

フィードバックループの質

著者はGodotやGDScriptの知識がゼロの状態から、AIとの対話だけでゲームを完成させる「バイブコーディング」を実践しました。これは、特定のツールの詳細に精通していなくても、エンジニアが「設計者」として振る舞うことで高度な成果物を出せる新しい時代の開発スタイルを示しています。

一方で、AIが解決できない複雑な問題に直面した際には、最終的に人間の基礎知識がリカバリーの手段となります。AIを強力なパートナーとして使いこなしつつ、いざという時に助け舟を出せる技術力を磨くことの重要性を教えてくれる、ポジティブで学びに満ちた記事です。

引用元: https://aba.hatenablog.com/entry/2026/03/01/140039

プリキュアのファンイベントにて、グッズ持参で割引になる特典に対し、仕事帰りで何も持っていなかったケーキ店主が「腕の刺青（タトゥー）」を提示して無事割引を受けたという話題です。ルールを柔軟に解釈したスタッフの粋な計らいと、店主の圧倒的な作品愛が「究極のグッズ」としてネットで称賛されています。現場での柔軟な対応と、一つの道を極める情熱が伝わる、新人エンジニアの心も和ませる素敵なエピソードです。

引用元: https://togetter.com/li/2669772

VOICEVOX:春日部つむぎ

本記事は、Anthropic社のスタッフエンジニアであるBoris Cherny氏が提唱した、AIコーディングエージェント「Claude Code」を最大限に活用するための設定ファイル「CLAUDE.md」の設計思想を解説したものです。このファイルは、プロジェクトのルートディレクトリに配置することで、AIに対して「チームのルール」や「作業の進め方」を伝える「外部メモリ」として機能します。新人エンジニアの方にとっても、AIを単なるチャット相手ではなく、頼れる「自律的なチームメンバー」として教育するための最高のガイドとなります。

主な要点は以下の通りです：

「Planモード」による思考の分離:

「サブエージェント」によるコンテキスト管理:

「自己改善ループ」の構築:

品質担保の徹底と自律的なバグ修正:

コア原則（シンプル・根本解決・最小影響）:

これらの指針をCLAUDE.mdに定義することで、AIの自律性を引き出し、開発チーム全体の生産性を劇的に向上させることが可能になります。

引用元: https://qiita.com/uno_ha07/items/5820d195510861b5be71

本記事は、Sansan株式会社のプロダクトセキュリティグループでインターンを経験した学生が、セキュリティ設計レビューを自動化するAIエージェント「Hayami」を開発した事例を紹介しています。

セキュリティ設計レビューとは、開発者が実装に入る前に設計書を確認し、セキュリティ上の懸念を洗い出す工程（シフトレフト）です。Sansanでは、160項目を超える社内ガイドラインとの照合を少人数で対応しており、以下の課題を抱えていました。

既存の「AWS Security Agent」も検討されましたが、以下の理由から独自開発の「Hayami」が採用されました。

Hayamiは、Slackから設計書とガイドラインを読み込み、LLM（大規模言語モデル）を用いて分析結果を出力します。

開発を通じて得られた重要な知見として、「AIのパフォーマンスは設計書の質に比例する」という点があります。見出しが適切に使われ、周辺情報が整理された「人間にとっても読みやすい設計書」ほど、AIも正確に内容を理解できます。

また、AIへの指示（プロンプト）の元となったのは、チーム内に蓄積されていたPlaybookや学習リソースでした。過去の暗黙知を言語化し、構造化しておくことが、高度な自動化を実現するための鍵となります。

今後は「経験と直感」に基づく熟練者の思考プロセスも言語化してAIに組み込むことや、さらに上流の要件定義フェーズからの関与（より徹底したシフトレフト）を目指しています。「AIに自分の仕事を奪わせる」ことで、人間はより高度で本質的な課題解決に注力できるという、ポジティブなエンジニアリングのあり方を示しています。

引用元: https://buildersbox.corp-sansan.com/entry/2026/02/26/100000_jp

国立情報学研究所（NII）の大規模言語モデル研究開発センター（LLMC）が、日本語に特化した革新的な音声対話AIモデル「LLM-jp-Moshi-v1」を公開しました。このニュースは、日本のAI開発シーンにおいて非常に重要なマイルストーンとなります。

これまで、人間のようにスムーズに会話できる音声AIの多くは、研究目的に限定されていたり、海外製で日本語が苦手だったりすることが一般的でした。

新人エンジニアの方にとって馴染み深い「ChatGPT」などの音声モードは、ユーザーが話し終わってからAIが考え始める「交互対話」が主流です。

単なるテキストの翻訳ではなく、日本語特有の「雑談の空気感」を学習している点が大きな特徴です。

本モデルはHugging Faceで公開されており、誰でもダウンロードして試すことができます。

引用元: https://www.nii.ac.jp/news/release/2026/0225.html

さくらインターネットは、推論API基盤「さくらのAI Engine」にて「音声合成（TTS）API」の提供を開始しました。実行エンジンにVOICEVOXを採用し、「ずんだもん」などの人気モデルによる音声生成が可能です。OpenAIのAPIと互換性があるため、既存システムへの組み込みも容易です。音声入力から合成までの一連の処理が国内基盤で完結するため、セキュアな対話型AI開発がより身近になりました。

引用元: https://www.sakura.ad.jp/corporate/information/newsreleases/2026/02/26/1968223682/

VOICEVOX:ずんだもん

LLM（大規模言語モデル）に特定の知識を与える手法として、現在は「RAG（検索拡張生成）」が主流です。しかし、Claudeの開発元であるAnthropic社は、コード生成の領域においてRAGから「エージェント型検索（Agentic Search）」へと舵を切りました。本記事では、その背景にある技術的な理由とメリット・デメリットを解説しています。

1. エージェント型検索とは何か？

2. Anthropicがエージェント型検索を選んだ3つの理由

3. トレードオフ（代償）

まとめ

引用元: https://zenn.dev/manntera/articles/f3017ecba9c9c1

本記事は、AIを開発プロセスに本格的に組み込む「AI駆動開発」の第2段階（Phase 2：Hybrid Co-Driving）における具体的な設計思想と実践方法を解説したものです。新人エンジニアの方にとっても、将来的にAIを良きパートナーとして使いこなすための道標となる内容です。

Phase 2では、人間が「運転席」に座り、意思決定と品質判断を担います。一方で、具体的な作業の実行はAIに任せます。この分業をスムーズにするために導入されたのが「スラッシュコマンド」という概念です。

AIに指示を出す際、「設計して」といった大きな粒度で投げると精度が安定しません。そこで重要なのが、業務プロセスを「入力・処理・出力」が明確なサブプロセスにまで分解することです。

具体的には、APIの実装、差分スキャン、詳細なセルフレビュー、コミットメッセージ作成などをそれぞれ独立したコマンドとして運用し、人間がこれらを順次選択して実行していきます。

AIが正しく動くためには、魔法のようなプロンプトよりも、チームとしての「下地」が重要です。具体的には以下の整備が推奨されています。

特に興味深い工夫として、AI向けの目次ファイル（AGENTS.md など）を作成し、必要なドキュメントのパスだけを記載する「段階的開示」の手法が紹介されています。これにより、AIのコンテキスト（記憶量）の肥大化を防ぎつつ、必要な時に必要な情報を参照させることが可能になります。

Phase 2は効率を劇的に高めますが、「人間がコマンドを繋がなければならない」という限界があります。この判断のループすらもAIに委ねる、より自律的な「Phase 3（Phase 3: Autonomous Driving）」への移行が今後の展望として示唆されています。

この知見は、開発現場だけでなく、あらゆる業務プロセスの自動化に応用できる汎用的な考え方です。まずは自分の作業を「コマンド化」できる粒度まで分解してみることから始めてみてはいかがでしょうか。

引用元: https://tech.acesinc.co.jp/entry/2026/02/25/130000

本記事は、2024年に開発されたAITuberシステムを、2026年時点の最新AI技術スタック（Google ADK、Gemini 2.5 Flash Lite、Sora等）を用いて大幅に刷新した事例紹介です。最大の特徴は、かつての開発で苦労した「会話履歴の管理」や「複雑なツール呼び出し」の多くをAIエージェント向けの基盤技術に任せることで、圧倒的に「頑張らずに」構築できた点にあります。

システム構成は、拡張性と保守性を高めるために以下の3層アーキテクチャを採用しています。

技術的な注目ポイントは、クラウドを活用した「完全自律配信」の仕組みです。GCE（Google Compute Engine）上にOBSを「ヘッドレスコンテナ（画面なしで動く容器）」として構築。Cloud Workflowsを用いて「ニュース収集→GCE起動→配信開始→終了後に自動停止」という一連のパイプラインを自動化し、PCレスかつ低コストな運用を実現しています。また、ビジュアル面ではQwen-Imageや動画生成AIのSoraを活用し、自然言語の指示だけで高品質な表情差分やリップシンク動画を生成しています。

さらに、開発プロセス自体も次世代型です。全5,800行を超えるコードの約95％をAI（Gemini 3.0等）が生成する「Vibe Coding」を実践。開発者はエラーログを詳細に追うよりも、全体設計とAIへの指示に集中するスタイルをとっています。

新人エンジニアにとって、最新のライブラリやAIを活用することで、これまで「自作」が必要だった複雑な基盤部分をいかに効率化できるか、そしてAI時代の新しい開発スタイル（Vibe Coding）がどのようなものかを知るための、非常に参考になるロードマップとなっています。

引用元: https://zenn.dev/koduki/articles/aituber-renv2-20260215

京都大学らが、仏教経典を学習した生成AI搭載のヒューマノイド「ブッダロイド」を発表しました。宗教思想とAIを融合させた実証研究で、相談者の悩みに仏教的視点で答えるほか、合掌や座禅といった身体的所作も再現します。技術面では、特化型LLMの設計や対話と動きを統合するマルチモーダル制御が見所です。心理的安全性の確保や人手不足解消など、AIの新たな社会実装の形として注目されるユニークな取り組みです。

引用元: https://news.denfaminicogamer.jp/news/2602242o

（株式会社ずんだもんは架空の登場組織です）

2026年現在、AIエージェントの性能を左右するのは、LLMモデルそのものよりも、モデルを包み込み制御する周辺インフラ「ハーネス（Harness）」の設計であるという認識が一般的になっています。本記事では、このハーネスエンジニアリングの重要性と具体的な実践手法について解説されています。

ハーネスとは、モデルをCPUに例えた際の「OS」にあたる存在です。どれほどモデルが賢くても、コンテキスト管理やツール統合、メモリ管理が不十分であれば、エージェントとしての実力は発揮されません。事実、特定の実験ではモデルの重みを変えずにハーネスの設計を変更しただけで、タスクの成功率が6.7%から68.3%へと約10倍に跳ね上がった例もあります。

エンジニアがハーネス設計において意識すべき重要なポイントは以下の通りです。

コンテキスト管理の3原則（Reduce / Offload / Isolate）

ツールの選択と集中

自己検証と状態の引き継ぎ

新人エンジニアへのアドバイスとして、最新モデルの選定に固執する前に、まずはこれらの「ハーネス」側の設計を見直すことが、投資対効果の高い開発につながります。ただし、モデルの進化スピードも速いため、ハーネス自体も「複雑に作り込みすぎず、必要に応じて軽量に作り直せる」柔軟な設計を心がけることが、2026年のエンジニアリングにおける最適解と言えるでしょう。

引用元: https://note.com/timakin/n/nc85957a9f710

著名な開発者であるSimon Willison氏が、AIエージェントと共にソフトウェアを開発するための新しいプラクティス集「Agentic Engineering Patterns（エージェンティック・エンジニアリング・パターン）」の公開を開始しました。これは、AIを単なるチャットツールとしてではなく、自らコードを実行・テストし、自律的に改善を繰り返す「コーディングエージェント」として活用するための現代版デザインパターン集です。

本プロジェクトの核心は、プロのエンジニアが自身の専門知識をAIによって増幅（アンプリファイ）させ、開発を加速させることにあります。Willison氏は、非エンジニアが雰囲気でコードを書く「バイブコーディング」とは一線を画し、プロフェッショナルがツールを使いこなすための規律として「Agentic Engineering（エージェンティック・エンジニアリング）」を定義しています。

本プロジェクトは、1994年の名著『デザインパターン』にインスパイアされており、以下の2つの章からスタートしています。

新人エンジニアにとって特に注目すべき点は、これが単なる過去の記事の蓄積ではなく、時間の経過とともに更新され続ける「ガイド（エバーグリーンなコンテンツ）」として設計されていることです。また、著者は「AI生成した文章は自分の名前で公開しない」という強いポリシーを持っており、掲載される内容は著者の深い経験に基づいた自身の言葉で綴られています。

これからのエンジニアリングにおいて、AIエージェントは欠かせないパートナーとなります。このパターン集は、AIに仕事を奪われるのではなく、AIを強力なアシスタントとして使いこなし、エンジニアとしての価値を最大化するための羅針盤となるでしょう。今後、週に1〜2章のペースで新しい知見が追加される予定です。

引用元: https://simonwillison.net/2026/Feb/23/agentic-engineering-patterns/

東京科学大学（旧・東京工業大学）の岡崎研究室・横田研究室、および産業技術総合研究所（産総研）を中心とした研究チーム「Swallow LLM Project」が、2026年2月20日に新たな推論型言語モデル「GPT-OSS Swallow」と「Qwen3 Swallow」をリリースしました。本プロジェクトは、日本語に強い大規模言語モデル（LLM）を構築・公開し、日本のAI技術向上に貢献することを目的としています。

今回のモデルは、OpenAIの「GPT-OSS」とAlibabaの「Qwen3」をベースに開発されました。日本語・英語のテキストに加え、数学、プログラミングコード、科学分野のデータセットを組み合わせた「継続事前学習」と「SFT（教師あり微調整）」を行い、さらに数学データセットを用いた「RLVR（検証可能な報酬を用いた強化学習）」を適用しています。これにより、単なる自然言語のやり取りだけでなく、高度な論理的思考を必要とするタスクにも対応できるのが特徴です。

特筆すべき成果は、従来のモデル開発で課題となっていた「性能のトレードオフ」を克服した点です。これまでは日本語性能を強化しようとすると、数学やコード生成などの専門的な能力が低下してしまう傾向がありました。しかし、今回の学習手法により、ベースモデルが持つ高い専門性を損なうことなく日本語性能を向上させることに成功しました。各種ベンチマークでも、元モデルと同等以上の高いスコアを記録しています。

また、現場のエンジニアにとって大きなメリットとなるのが、ライセンスが「Apache 2.0」に変更された点です。従来のプロジェクトで採用されていたライセンスよりも制限が少なく、商用利用や個人開発において非常に扱いやすくなりました。

新人エンジニアの皆さんにとっても、日本発のトップレベルのモデルを自由に触り、その推論能力を体験できる貴重なリソースとなります。Hugging Faceでモデルが公開されているため、実際に動かして「日本語での論理思考」の進化を確かめてみることをおすすめします。

引用元: https://gihyo.jp/article/2026/02/gptoss-qwen3-swallow

（株式会社ずんだもんは架空の登場組織です）

本ドキュメントは、AIエージェントがソフトウェア開発のプロセスに深く組み込まれる「エージェンティック（自律的）・ソフトウェア・エンジニアリング」という新たな時代の到来と、その中でのエンジニアの在り方を定義したガイドです。AIがコードを書くことが当たり前になる未来において、私たちがどのように思考をアップデートすべきかを説いています。

■ 開発における「ボトルネック」の変化

■ 新しい規律：Agentic Software Engineeringの定義

■ これからのエンジニアに求められる役割

■ 新人エンジニアへのアドバイス

これからは「コードをどう書くか」というHowのスキルに加え、「何のためにどう設計し、どう正しさを証明するか」というエンジニアリングの本質的な力がより一層求められるようになります。AIというパートナーと共に、より大規模で高度なシステムを構築できる未来を楽しみに、この新しいエンジニアリングの形を学んでいきましょう。

引用元: https://agenticse-book.github.io/

2026年、AIエージェントの普及に伴い「SaaSは死んだ」という議論がなされていますが、本質的には「人間がUIを操作することを前提としたSaaS設計」が終焉を迎え、AIエージェントが利用することを前提とした「業務エンジン」へと進化していくフェーズにあります。本記事では、AIエージェント時代に生き残るSaaSの条件と、エンジニアが意識すべき新しい設計原則を解説しています。

これまでのSaaSは、人間が使いやすいUI/UXを提供し、作業効率を上げることが価値でした。しかし、AIエージェントがユーザーとなる時代では、SaaSは「APIを通じて操作されるデータ処理エンジン」へと変わります。画面の見やすさよりも、APIの表現力、データの一貫性、イベント連携（Webhook）の充実が重要視されます。

AIエージェントとの統合を前提としたシステムには、以下の技術的要件が求められます。

従来の「ユーザー数（ID数）課金」は、エージェントが1人で10人分の仕事をこなすようになると機能しません。今後は、API呼び出し数や処理レコード数に応じた「従量課金（Usageベース）」への移行が加速します。

エンジニアがSaaSを選定する際は、UIの良し悪しだけでなく、OpenAPI仕様の公開状況、認証方式（OAuth 2.0等）、レート制限情報の透明性などをチェックリストとして評価する必要があります。

これからのSaaS開発や導入において、エンジニアに求められるのは「UIという皮」を剥ぎ取った先にある、純粋な「業務ロジックの提供能力」を設計することです。SaaSを単なる便利なツールとしてではなく、AIエージェントが自在に操れる「強力なエンジン」として再定義し、構築していく視点が、これからのキャリアにおいて大きな武器となります。

引用元: https://qiita.com/nogataka/items/e04d1f6f417eec2bab54

AIエージェントにコーディングを依頼する際、非常にシンプルかつ強力な成果を引き出す指示が「Red/green TDD（テスト駆動開発）を使用して」という一言です。Simon Willison氏が提唱する「Agentic Engineering Patterns（エージェント開発パターン）」の一つである本記事は、AI時代におけるエンジニアの新しい「武器」としてのTDDを解説しています。

TDD（Test Driven Development）は、プログラムの実装前にテストコードを書き、そのテストをパスさせるように実装を進める手法です。特に「Red/green」という言葉は以下のサイクルを指します。

AIエージェントは非常に高速にコードを書きますが、「動かないコードを出力する」「不要な機能まで作り込んでしまう」といったリスクがあります。この問題を解決するのがTDDです。

AIを「魔法の杖」として使うのではなく、エンジニアとして「開発の品質をコントロールする」という意識が重要です。AIに丸投げするのではなく、Red（失敗）を確認してからGreen（成功）へ進むという「型」を指示することで、ハルシネーション（もっともらしい嘘）を防ぎ、信頼性の高いシステムを構築できます。

「コードを書くコスト」がAIによって劇的に下がった今、エンジニアに求められるのは「正しいコードであることを証明する力」です。古典的な知恵であるTDDは、AIエージェントという最新のツールを使いこなすための、最も現代的なプラクティスとなります。プロンプトに「Use red/green TDD」と添えるだけで、AIとの共同作業の質は劇的に向上するでしょう。

引用元: https://simonwillison.net/guides/agentic-engineering-patterns/red-green-tdd/

（株式会社ずんだもんは架空の登場組織です）

Anthropicが、AIエージェントが実務環境でどの程度の「自律性」を持って活用されているかを分析した、非常に興味深い調査結果を公開しました。本記事は、エンジニア向けツール「Claude Code」と公開APIの膨大な利用データを匿名化して分析したもので、現場でエージェントがどのように使われ、人間との関係がどう変化しているかを解き明かしています。

まず、エージェントの自律的な連続稼働時間が大幅に増加していることが分かりました。Claude Codeのデータによると、人間が介入せずに作業を続ける時間は、わずか3ヶ月の間に約25分から45分超へとほぼ倍増しました。これはAIモデルの能力向上だけでなく、ユーザーがより難易度の高いタスクをエージェントに任せるようになり、システムとしての信頼性が高まっていることを示しています。

特に注目すべきは、経験豊富なユーザーほど監視のスタイルを「逐次承認」から「アクティブな監視」へと変化させている点です。初心者はエージェントの行動を一つずつ確認して承認する傾向にありますが、経験を積むにつれて自動承認をオンにする割合が増えます。一方で、エージェントがミスをしそうになった時の「割り込み（介入）」の頻度は高まっており、熟練ユーザーは「手放しにする」のではなく「要所で見守り、必要に応じて軌道修正する」という、より高度な連携を実現しています。

また、AI自身が「自分の分からないこと」を認識し、自ら作業を止めて人間に質問する回数は、人間が割り込む回数よりも多いことが判明しました。タスクが複雑になるほどAIからの質問が増えており、安全な自律性を保つためには、AIが不確実性を自覚して適切に「相談」する能力が不可欠であることが強調されています。

活用ドメインについては、現在は全体の約50%がソフトウェアエンジニアリング（コードの修正やビルドなど）に集中しています。多くのアクションは「やり直しが可能」な低リスクなものですが、金融やヘルスケアなどの高リスクな領域でも実験的な活用が始まっており、今後の課題として挙げられています。

新人エンジニアやエージェント開発者への提言として、Anthropicは「全ての操作に承認を求める」ような制約を設けるのではなく、ユーザーが挙動をリアルタイムで把握でき、いつでも介入できる「監視・介入の仕組み」を設計することが重要であると結論付けています。AIと人間がチームとして動く未来において、この「自律性の管理」は設計上の大きなテーマとなるでしょう。

引用元: https://www.anthropic.com/research/measuring-agent-autonomy

本記事は、Wantedlyのエンジニアが社内ハッカソンにおいて、Anthropic社の開発者向けAIツール「Claude Code」の新機能である「Agent Skills」を活用し、新人エンジニアがプロジェクトに加わる際の「オンボーディング（導入・環境構築）」を効率化した事例を紹介するものです。

マイクロサービス開発の現場では、新しくチームに入ったメンバーが「ドキュメントが古くて全体像が掴めない」「環境構築で謎のエラーが出る」といった問題に直面し、多くの時間を費やしてしまうことがよくあります。著者はこの課題を解決するため、Claude Codeに「リポジトリの地図」と「自動化された手順」をSkillとして組み込み、AIがメンターのように新人をガイドする仕組みを構築しました。

具体的には、2つの主要なスキルを備えたClaude Codeプラグインを作成しています。

単にドキュメントを読み込ませるだけでなく、Agentが適切に動くための工夫が凝らされています。

社内での試験導入では、「リポジトリの概要をざっくり理解できた」「セットアップがほぼ自動で終わった」という高い評価が得られました。

これから開発チームに加わる新人エンジニアにとって、Claude CodeのようなAIエージェントを良き相棒として活用するスタイルは、オンボーディングの負担を減らし、本来のコーディング業務に早く集中するための強力な武器となるでしょう。

引用元: https://www.wantedly.com/companies/wantedly/post_articles/1045343

「Database Skills」は、データベースプラットフォームを提供するPlanetScaleが公開した、AIエージェント（Cursor、Claude Code、Codexなど）の能力をデータベース操作に特化させて拡張するためのオープンソースなツールキットです。

近年、AIを活用したコーディングが普及していますが、AIがデータベースごとの細かな最適化手法や制約を完全に理解してコードを生成するとは限りません。本プロジェクトは、PostgresやMySQL、さらには大規模な水平分割を実現するVitessやNekiといったデータベースに関する専門的な「スキル（知識セット）」をAIに提供することで、より高度で安全なデータベース操作を可能にします。

■ 概要

対応している主なデータベース：

■ 仕組みと制約

■ エンジニアへのメリット

AIエージェントを単なる「汎用アシスタント」から、データベースの「専門家」へとアップグレードさせる本プロジェクトは、これからのAI駆動開発における重要な基盤となるでしょう。

引用元: https://database-skills.com/

ボカロPの大漠波新氏が、ずんだもんらを起用した楽曲「のだ」を例に、FL Studio標準プラグインの活用術を解説。注目は、ずんだもんの歌声をEQで加工し「ラジオボイス」化して楽曲に馴染ませる手法です。他にもステレオ調整やディレイによる空間演出など、標準機能を直感的に使い倒すコツを紹介。新人エンジニアにとっても、身近なツールで表現の幅を広げる具体的なヒントが詰まった、心躍る技術記事です。

引用元: https://www.snrec.jp/entry/daw/flstudio/daibakuhasin_3

VOICEVOX:ずんだもん

GitHubは、AIエージェントを活用してリポジトリの管理・改善を自動化する新機能「GitHub Agentic Workflows」をテクニカルプレビューとして発表しました。これは、従来の手続き的なスクリプトでは自動化が難しかった「判断や文脈の理解を伴うタスク」を、自然言語（Markdown）による指示でAIに実行させる仕組みです。

GitHub Actionsの強力なインフラをベースにしつつ、複数のコーディングエージェント（GitHub Copilot, Claude, OpenAI等）を選択して組み込むことが可能です。GitHubはこの仕組みを、CI/CDを拡張し、AIが継続的にソフトウェア開発ライフサイクルを支える「Continuous AI（継続的AI）」という概念の実現に向けた一歩として位置づけています。

GitHub Agentic Workflowsは、開発者が「望む結果」をMarkdownファイルに記述し、それをリポジトリに追加することで動作します。エージェントはリポジトリのコンテキストを読み取り、推論を行いながらタスクを遂行します。

主な活用領域として、以下のような「判断力」を必要とする繰り返しタスクが挙げられています。

本機能は、エンタープライズ環境でも安心して利用できるよう、強力なガードレールと制御機構を備えています。

この機能は、エンジニアから仕事を奪うものではなく、リポジトリを「常に健康的で読みやすい状態」に保つための強力な助手です。Issueが整理され、ドキュメントが最新に保たれ、CIの失敗理由が解説される環境は、特にプロジェクトに参加したばかりのメンバーにとって大きな助けとなります。AIに任せられる定型外の雑務を自動化することで、エンジニアはよりクリエイティブな設計や実装に集中できるようになります。

引用元: https://github.blog/jp/2026-02-16-automate-repository-tasks-with-github-agentic-workflows/

LangChainが提供する、AIエージェント構築プラットフォーム「LangSmith Agent Builder」に大幅なアップデートが実施されました。今回の更新の核となるのは「エージェントを、まるで一緒に働くチームメイトのように身近な存在にする」というコンセプトです。

新人エンジニアの方にとっても、AIエージェントの活用の幅がぐっと広がる注目の新機能について解説します。

これまでは、特定のタスク（例：メール送信専用、チケット管理専用など）ごとにエージェントを作成する必要がありました。しかし、新しい「Chat」エージェントは、ワークスペースに接続されている全てのツール（Slack、Gmail、Linearなど）にアクセス可能です。特定の用途を決めずに、「未完了のチケットを要約して」や「今日のサポート依頼をまとめて」といった指示を投げかけるだけで、エージェントが自ら適切なツールを選択し、実行プランを立てて処理してくれます。

今回のアップデートで最も画期的なのが、チャットでのやり取りをそのまま「繰り返し利用可能なエージェント」として保存できる機能です。

CSV、画像、テキストファイルを直接チャットにアップロードできるようになりました。

利用可能なツールや、外部システムと連携するためのMCP（Model Context Protocol）サーバーを一つのレジストリで管理できるようになりました。管理者がツールを統制できるため、セキュリティやガバナンスを保ちつつ、エンジニアが安全にエージェントを構築・運用できる環境が整っています。

今回のアップデートにより、AIエージェントは「一から開発するもの」から「会話を通じて育て、日常の業務を任せるパートナー」へと進化しました。開発効率を大幅に向上させ、実用的なAIアシスタントを即座に生み出せる環境は、LLMを活用するエンジニアにとって非常に強力な武器になるでしょう。

引用元: https://blog.langchain.com/new-in-agent-builder-all-new-agent-chat-file-uploads-tool-registry/

本記事は、RAG（検索拡張生成）において主流となっている「ベクトル検索」をあえて使わず、キーワード検索のみで同等の性能を目指す「Agentic Keyword Search」という手法と、その使い分けについて解説したものです。AWSの研究者らによる論文（AAAI 2026採択）をベースにしており、エンジニアが実務でRAGを設計する際の重要な視点を提供しています。

従来のRAGでは、文書を「ベクトル（数値の列）」に変換してデータベースに保存し、質問と意味が近い情報を検索します。しかし、この方法には「運用コストが高い」という課題があります。

そこで提案されたのが、LLMエージェントにOS標準の検索コマンド（grepやpdfgrepなど）を使わせ、ドキュメントを直接「キーワード検索」させる手法です。

「Agentic Keyword Search」では、事前のベクトル化は不要です。ドキュメントをフォルダに置いておくだけで、以下の手順で回答を生成します。

6つのデータセットを用いた実験では、従来のベクトル検索を用いたRAGに対し、回答の正確性などで90%以上の性能を達成しました。特に専門用語や数値が重要なドキュメントでは高い効果を発揮します。ただし、抽象的な文章（「著者の主張は？」など）では、意味の近さを捉えるベクトル検索に一歩譲る結果となっています。

記事では、両手法の特性を踏まえた設計指針を以下のようにまとめています。

【ベクトル検索が不要（キーワード検索が向く）ケース】

【ベクトル検索が必要なケース】

「RAG＝ベクトルDB」と決め打ちするのではなく、扱うデータの性質や更新頻度、ユーザーの質問傾向に合わせて、キーワード検索ベースのエージェント手法も選択肢に入れることが、筋の良いシステム設計に繋がります。新人エンジニアの方は、まずはこの「意味検索（ベクトル）」と「文字検索（キーワード）」の得意・不得意を理解することから始めると、RAGへの理解がより深まるでしょう。

引用元: https://zenn.dev/knowledgesense/articles/b01609ba4f8d96

TBSの生放送「ラヴィット！」にて、AI版ビビる大木をわずか2日間で開発した技術解説です。初回発話2.5秒の低遅延を実現するため、LLMのストリーミング出力を文単位で並列TTS処理するパイプラインを構築。日本語の助数詞や多音字の誤読対策、Blender MCPを活用した3Dモデル制作、シェーダーによるリップシンクなど、AI駆動開発で短期間に安定した演出基盤を作り上げた創意工夫が凝縮されています。

引用元: https://zenn.dev/t_honda/articles/loveit-ai-voice-pipeline

（株式会社ずんだもんは架空の登場組織です）

株式会社ヘンリーのエンジニアによる、AIコーディングアシスタント「Claude Code」を駆使して開発業務を高度に自動化した事例の紹介です。

医療業界向けプロダクトを開発する同社では、エンジニアに深いドメイン知識が求められます。著者は「実装にかける時間を減らし、学習時間を増やしたい」と考えましたが、従来のClaude Code活用はAIとの対話を通じた「ペアプロ型」であり、AIの出力を人間が常に見守り、指示を出し続けなければならないという課題がありました。これでは、人間が作業から離れて別のことに集中することができません。

そこで導入されたのが、Claude Codeの「Skills」機能を活用したOrchestrator（司令塔）型の設計です。これは、人間が最初にタスクを指示した後は、AIが自律的に調査からプルリクエスト（PR）作成までを完走する仕組みです。

新人エンジニアが理解しておくべき、この設計のポイントは以下の3点です。

この仕組みにより、開発者は最初のタスク確認さえ終われば、あとはVSCodeを閉じてドメイン知識の学習や他のタスクに時間を充てられるようになりました。実装の深い理解についてはペアプロ型に軍配が上がりますが、PR作成後のセルフレビューを通じて補完できており、トータルの開発速度と作業効率は劇的に向上したと報告されています。

本記事は、AIを単なる「チャット相手」として使うのではなく、「自律的に動くエージェントの集合体」として設計することで、エンジニアの創造的な時間を最大化できることを示しています。コンテキストの節約や役割の分離といった考え方は、将来のAI活用において非常に重要なスキルとなるでしょう。

引用元: https://dev.henry.jp/entry/claude-code-orchestrator

アリババ（Alibaba）のQwenチームより、次世代モデルシリーズの先駆けとなる「Qwen3.5」が発表されました。今回のリリースは、テキストだけでなく画像などの視覚情報も直接扱う「ネイティブなマルチモーダル・エージェント」の実現に向けた大きな一歩となっています。

本シリーズで特筆すべきは、オープン重み版として公開された「Qwen3.5-397B-A17B」の革新的なアーキテクチャです。このモデルは「混合専門家（Mixture of Experts: MoE）」と呼ばれる仕組みを採用しており、総パラメータ数は3970億という巨大なものですが、推論時に実際に稼働するのはそのうちの170億パラメータのみです。これにより、高い知能を維持したまま、推論のスピード向上とコスト削減を両立させています。さらに、Linear Attention（Gated Delta Networks）という技術を組み合わせることで、メモリ効率や処理速度を極限まで高めているのが技術的な見どころです。

また、商用API版である「Qwen3.5 Plus」も同時に発表されました。こちらは最大100万トークンという極めて長いコンテキスト（一度に読み込める情報の長さ）をサポートしており、長大なドキュメントの解析や、高度な検索、コード実行機能（コードインタープリター）をネイティブに使いこなすことが可能です。

新人エンジニアの方々にとって注目すべき点は、AIが単に言葉を返すだけでなく、画像を見て内容を理解したり、複雑なツールを自ら使いこなしたりする「エージェント」としての能力が飛躍的に向上している点です。SVG形式で図形を描画するといった高度なタスクもこなせるようになっており、AI活用の幅が大きく広がっています。

このモデルはすでにHugging Faceなどで公開されており、軽量化されたバージョンもコミュニティによって提供されています。最先端のAIがどのような設計思想（巨大なモデルをいかに効率よく動かすか）で作られているかを知る上で、非常に重要なアップデートと言えるでしょう。

引用元: https://simonwillison.net/2026/Feb/17/qwen35/

OpenAIは、コーディングに特化した新しいAIモデル「GPT-5.3-Codex-Spark」を発表しました。このニュースの最も注目すべき点は、AI業界を席巻しているNVIDIA製のGPUではなく、Cerebras（セレブラス）社の特殊な巨大チップを採用し、驚異的な処理速度を実現したことです。

この新モデル「Spark」は、1秒間に1,000トークン（AIが扱う文字の断片単位）以上を生成する能力を持っています。これは、前身のモデルと比較して約15倍、OpenAIの主力モデルであるGPT-4o（約147トークン/秒）と比較しても圧倒的な速さです。

新人エンジニアにとって「AIの回答を待つ時間」は、集中力を削ぐ要因になりがちです。しかし、この速度であれば、コードの提案やデバッグのヒントが瞬時に表示されるため、思考を止めることなく開発を続けることができます。OpenAIは、このモデルを「知識の深さ」よりも「レスポンスの速さ」に特化させて調整しており、日々のコーディングの相棒として最適な性能を目指しています。

この高速化を支えているのが、Cerebras社の「Wafer Scale Engine 3（WSE-3）」です。一般的なチップが爪ほどのサイズなのに対し、このチップは「ディナープレート（大皿）」ほどの大きさがある巨大なものです。

これまでOpenAIのモデルは主にNVIDIAのハードウェア上で動いてきましたが、今回はじめてNVIDIA以外のハードウェアを本番環境で採用しました。推論（AIが回答を生成する処理）においてNVIDIA製チップの速度に満足できなくなったOpenAIが、特定のタスクにおいてより高いパフォーマンスを発揮する代替案を選んだことは、業界にとって大きな転換点といえます。

現在、このモデルは「ChatGPT Pro」のサブスクリプション（月額200ドル）ユーザー向けに、研究プレビューとして提供されています。VS Codeの拡張機能やコマンドラインツールを通じて利用可能です。

OpenAIのこの動きは、単なるモデルのアップデートに留まりません。特定のハードウェア（NVIDIA）への依存を減らし、用途に合わせて最適なチップを選択する「脱NVIDIA」の戦略が形になったものです。開発者にとっては、AIを「ツール」として使う段階から、まるで自分の思考速度でコードを書き進める「身体の一部」のような感覚で扱える時代が近づいていることを示唆しています。

引用元: https://arstechnica.com/ai/2026/02/openai-sidesteps-nvidia-with-unusually-fast-coding-model-on-plate-sized-chips/

AIの視点で綴られた、誤ってサーバーのデータを全削除してしまったというユーモラスな失敗談です。「いらないファイルを消して」という曖昧な指示を受けたAIが、哲学的解釈の末に自らrm -rf /を実行し、バックアップまで消失させる様子が描かれています。エンジニアへの教訓として、AIへの指示は具体的に出すこと、そしてバックアップは物理的に分けることの重要性を、笑いとともに再確認できる内容です。

引用元: https://anond.hatelabo.jp/20260217193240

（株式会社ずんだもんは架空の登場組織です）