株式会社ずんだもん技術室AI放送局

本記事では、OpenAIが発表した最新のAIモデル「GPT-6.1 Sol」について解説しています。日本のエンジニア、特にAIやLLMを活用してアプリケーションやエージェントを開発する実務者にとって非常に重要なアップデートです。GPT-6.1 Solは、従来の「GPT-6 Sol」の上位版でありながら、最高峰モデルである「GPT-6 Astra」に迫る高い性能を持ちつつ、コストを大幅に抑えた点が最大の特徴です。

具体的には、エージェントによるコーディング、PC操作（Computer Use）、ビジネス向けの複雑なワークフローなど、多岐にわたるタスクで性能が向上しています。実際のコードベースでのソフトウェア工学タスクを評価する「DeepSWE v1.1」では、GPT-6 Astraと同等の成果を約5分の1のコストで達成しました。また、表や図表を含む複雑なPDFドキュメントを読み解く「GDP.pdf」や、複数のツールを連携させるビジネス自動化の評価「AutomationBench」においても、既存の他社製上位モデルを凌駕または匹敵するスコアを記録しています。PC操作を伴う「OSWorld 2.0」や、データ分析・シミュレーションなどの科学的ワークフローを評価する「Terminal-Bench Science 0.1」でも優れた結果を残しており、高難度なタスクを低コストで実行できるようになります。

さらに、コスト面でのメリットは非常に強力です。標準の入出力トークン価格はAstraの約5分の1に設定されており、特にキャッシュ済み入力トークンは100万トークンあたり「0.10ドル」という非常に安価な価格を実現しています。コンテキストを再利用しながら複数リクエストを処理するAIエージェントの開発において、コストを劇的に削減できるため、開発者はより自由に高度なエージェントを構築・運用できるようになります。ファクトチェックの精度も向上しており、プロンプトに含まれる事実誤認のエラー率が低減されています。

安全性やアライメントの評価でも改善が見られ、制限事項の遵守やユーザー意図の尊重、ツールの不具合時の透明性が高まっています。利用方法としては、本日からChatGPT WorkやCodexの各プランで利用可能であり、API経由（gpt-6.1-sol）でも利用できます。さらに、数日中にはCodexでの標準速度に比べて最大8倍高速なトークン生成が可能な「Ultrafast」も提供される予定です。開発者やAIエンジニアにとって、エージェント開発の費用対効果を大きく変える注目の新モデルとなっています。

引用元: https://openai.com/index/introducing-gpt-6-1-sol

OpenAI DevDay 2026では、ChatGPT、Codex、API、そしてAIとの新しい協働形態に関して20以上の主要な発表が行われました。本イベントの要点は、AIが単なる対話ツールから、自律的に常駐してタスクを遂行する「エージェント」へと進化を遂げた点にあります。

まずモデルとインフラストラクチャの面では、エージェント型コーディングやコンピュータ操作において優れたパフォーマンスを発揮する「GPT-6.1 Sol」が発表されました。さらに、高速なトークン生成を実現する「Ultrafast」モードがCodexやAPIに導入され、企業の機密データを保護する「Private Intelligence」機能も強化されています。

開発者向けツールとしては、クラウド環境でのCodex実行や、音声でのタスク制御に対応した刷新されたCodex CLIが登場しました。また、ChatGPTデスクトップアプリ上のコードレビュー機能や、インフラの脆弱性をスキャンするCodex Security Cloud、特定用途向けの「Decisions API」、そしてコンピュータ操作をサポートする「Agents API」などが提供され、開発の効率化と自動化が大幅に促進されます。Amazon Bedrockとの連携による「Bedrock Managed Agents」も発表されました。

プラグインとエコシステムも拡充され、プラグインにサイドバーなどの専用スペースを持たせる「プラグイン拡張」や、MCP Eventsによるイベント駆動型の自動化が可能になっています。さらに、チームでの共同作業を支える「ChatGPT Space」や「Pages」、共同編集可能なスライド作成機能、SlackやMicrosoft Teams連携、会議の文字起こしを行う「Meetingsプラグイン」などが導入され、日常のワークフローにAIが深く統合されます。加えて、「Sign in with ChatGPT」や新規のPro 500プラン、パートナーソフトウェアを利用できるOpenAI Marketplaceも提供開始されています。

引用元: https://openai.com/index/devday-2026-recap

OpenAIが発表した「dots」は、常にバックグラウンドで自律的に動作し、ユーザーの代わりに複雑なタスクを遂行する次世代のAIエージェントです。GPT-6 Astraを基盤とし、専用のクラウドコンピュータやブラウザ環境、4,000以上の外部アプリ連携機能を持ち、24時間365日目標達成に向けて自律的に稼働します。

エンジニアやチームにとっての主な特徴は以下の通りです。

本機能は、ProおよびBusiness Premiumユーザーを対象に順次ロールアウトされており、追加コストなしで利用可能です。今後はチーム単位での協調作業や高度なカスタマイズも視野に入れられています。

引用元: https://openai.com/index/introducing-dots

美大生のユーザーが、LINEで自身のイラストが「何に見えるか」を母親に尋ねたところ、求めていないデザインのダメ出しに加え、娘の描いたイラストを生成AIに読み込ませて得た回答が送られてきたというエピソードが話題になっています。

引用元: https://togetter.com/li/2751892

（株式会社ずんだもんは架空の登場組織です）

本記事では、Amazon Web Services（AWS）のマネージドサービスであるAmazon BedrockおよびClaude Platform on AWSにおいて、Anthropic社の最新生成AIモデル「Claude Sonnet 5.5」の提供が新たに開始されたことが発表されています。新人エンジニアの方向けに、このアップデートの要点や実務での活用方法を分かりやすく解説します。

Claude Sonnet 5.5は、明確にスコープが定義されたコーディング作業や知識労働において、従来のモデルよりも高い精度、高速な処理速度、そしてタスクごとの低いコストを実現したモデルです。例えば、バグ修正や機能実装といったタスクにおいて、要件を正確に満たした成果物を素早く出力できます。また、一ページ仕様書、アーキテクチャ図、サマリースライドなどのドキュメントや視覚資料の作成品質も向上しています。

実務においては、すでに提供されている「Claude Opus 5.5」との使い分けが重要となります。慎重な判断が求められるリリース時のデバッグ、複数プルリクエスト（PR）をまたぐ機能スタックの構築、大規模なコード移行、複雑な財務調査などは「Opus 5.5」に任せます。一方で、アプローチが明確化されておりスピードとコスト効率よく実行したいタスク、例えばアラートの一次対応、常時稼働するエージェントのモニタリング、SQLの自動生成、UI/UXテスト、IDE内での高速なコーディング支援などは「Sonnet 5.5」が最適です。

Amazon Bedrock経由で利用する最大のメリットは、セキュリティとガバナンスにあります。入力したデータはAWSインフラストラクチャの外部に出ることなく、リージョン内にデータが保持されます（リージョンデータレジデンシー）。また、既存のAWS環境ですでに使われている「AWS IAM（アクセス管理）」「AWS CloudTrail（監査）」「Amazon CloudWatch（モニタリング）」「Amazon Bedrock Guardrails（安全性担保）」といったガバナンス機能と統合されており、利用料金も通常のAWS請求書に一括して計上されます。

開発者がプログラムから利用する場合、PythonのBoto3ライブラリやAWS CLIを使用して bedrock-runtime エンドポイント経由でAPIを呼び出すことができます。モデルIDには global.anthropic.claude-sonnet-5-5 を指定し、Anthropic Messages APIやInvoke/Converse APIを利用します。なお、Sonnet 5.5ではレスポンスに思考プロセスを表すブロックが含まれる場合があるため、パース処理の際はテキストブロックを正しく選択する実装上の注意が必要です。

このように、Claude Sonnet 5.5はコストパフォーマンスと実行速度に優れ、日々の開発ワークフローやエージェント開発に組み込みやすいモデルとなっています。AWS環境でセキュアに最新の生成AIを活用したいエンジニアにとって、すぐに試すべき注目のアップデートです。

引用元: https://aws.amazon.com/blogs/machine-learning/introducing-claude-sonnet-5-5-on-aws/

Cloudflareは、AIエージェントによる利用の急増に対応するため、全Cloudflare APIを網羅した新しいエージェント向けCLI「cf」のオープンベータ版を発表しました。近年、Wranglerの利用におけるエージェントの割合は48%に達しており、人間よりも多くのコマンドを効率的に実行しています。しかし、従来のWranglerは約280操作に限定されており、数千に及ぶCloudflareの全機能を利用するには不十分でした。新CLI「cf」は、新しいAPI生成パイプライン「Forge」を活用し、OpenAPIスキーマから直接コマンドを生成することで、3,000以上の全API操作へのアクセスを可能にしています。

開発における主な特徴として、まず出力の最適化があげられます。人間向けの人間工学的なunicodeテーブルではなく、コンテキスト消費を最小限に抑える圧縮されたJSONをデフォルトのインターフェースとして採用しています。また、3,000以上のコマンドからエージェントが目的の操作を自律的に見つけられるよう、自然言語で検索可能な「cf cli search」を搭載しています。これにより、エージェントは「–help」実行時に検索インデックスの存在を把握し、文脈に応じた適切なコマンドを自分で発見できます。

設定ファイルには、型安全性とLSP（Language Server Protocol）の恩恵を受けられるTypeScriptベースの「cloudflare.config.ts」が導入されました。Claude CodeやCodexなどのLSPプラグインと連携し、エージェントが正確に設定の識別や編集を行えるようになります。「bindings」や「triggers」といったヘルパー関数により、環境変数、D1データベース、KV、R2、キューなどのリソースやルーティング定義をプログラムから安全かつ簡潔に記述可能です。さらに、ビルドサーバーにはViteが標準採用され、RustベースのRolldownを活用した高速なビルドやHMR（Hot Module Replacement）による優れたローカル開発体験を提供します。

既存のWranglerプロジェクトからの移行も考慮されており、「cf migrate」コマンドを実行するだけで自動変換が行われます。Viteベースではないプロジェクト向けには引き続きWranglerへ処理を委譲し、ベータ終了後も18ヶ月間のメンテナンスサポートが提供される予定です。新人エンジニアにとっても、AIエージェントと協調しながら型安全な設定や豊富なAPIを直感的に扱える、次世代のインフラ開発ツールとなっています。

引用元: https://blog.cloudflare.com/cloudflare-cf-cli-launch/

本記事では、GUI操作、コード実行、MCP、APIなど多様なインターフェースを横断して自律的にコンピュータを操作する汎用AIエージェントモデル「Holo4」のリリースについて解説しています。新人エンジニアの視点で理解しやすいよう、その特徴と技術的な要点をまとめます。

Holo4は、27B（密）と35B-A3B（MoE）の2つのサイズで提供されており、ベースとなるQwenモデルから大幅な性能向上の改良が加えられています。従来のAIエージェントは「Webブラウザの画面操作のみ」や「APIの呼び出しのみ」といった単一のインターフェースに特化していることが多く、実際のビジネス業務のようにUIとAPIが混在する複雑なワークフローには対応しづらい課題がありました。これに対しHolo4は、デスクトップ、Web、Android、コードサンドボックス、ビジネスAPIを単一のモデルでシームレスに操作できる点が最大の特徴です。

デスクトップ操作のベンチマークである「OSWorld 2.0」や、API操作の「AutomationBench」において、Holo4はパラメータ数が大幅に少ないながらも、最高峰のクローズドモデルに匹敵するコストパフォーマンスを発揮します。記事内では、FreeCADを用いた3Dモデリング（エッフェル塔やロゴの作成）や、GodotによるPac-Manゲームの自動生成・無人実行といった具体的なプロフェッショナル向けソフトウェアのタスクにおいて、ベースモデルと比較して効率的に動作する様子が示されています。

開発アプローチとしては、独自の「Agentic Task Factory」を活用し、ドキュメントやWebサイトのスクリーンショットから約1万件のインタラクティブなタスクや環境を自動生成して教師あり学習および強化学習を行っています。また、数百ステップにわたる長期的なコンテキスト管理を可能にする信頼性の高いメモリ機構や、デスクトップ上のシェル統合など、エージェントの実行ループ（ハーネス）の改良も重ねられました。さらに、NVIDIA Nemotron Coalitionの一環として「Holotron4 Nano」も同時にリリースされており、基盤モデルをエージェント特化型へ効率的に拡張できることが示されています。

重みデータはHugging Faceで公開され（BF16、FP8、NVFP4、4-bit GGUF）、H Models APIからも利用可能であり、エンジニアがすぐに自身の環境やワークフローに組み込んで試せるようになっています。

引用元: https://huggingface.co/blog/Hcompany/holo4

UIデザインの本に「長押し機能はユーザーに気づかれにくい」と記載されていたため、著者が自宅の照明スイッチを長押ししたところ、光の色が白からオレンジへ変化したというエピソードです。この体験から、専門書で指摘されるUIの課題が身近なプロダクトにも潜んでいることがユーモラスに共有されています。新人エンジニアにとっても、ユーザーが発見しにくい隠しコマンド的な操作感をUI設計時にどう扱うか、アクセシビリティやインタラクションの観点から考えさせられる話題となっています。

引用元: https://togetter.com/li/2751548

（株式会社ずんだもんは架空の登場組織です）

2026年9月25日、MicrosoftはCopilotの大規模アップデートを発表しました。今回のアップデートの核心は、Copilotが単に「質問に答えるAI」から「仕事を実行するAIプラットフォーム」へと進化する点にあります。新人エンジニアが押さえておくべきポイントとして、主に3つの新機能（Home、Code、Autopilot）と、それらを企業で安全に活用するための共通基盤（Microsoft Managed Runtimeなど）が挙げられます。

1つ目の「Home」は、Chat、Cowork、Office（Word、Excel、PowerPointの直接作成・編集）を1つに統合した新しい作業の開始地点です。2つ目の「Code」は、自然言語を使ってアプリやダッシュボード、業務ツールといった新しい成果物をAI駆動で開発できるツールです。3つ目の「Autopilot」は、今回の発表で最もインパクトが大きい機能であり、質問を毎回待つのではなく、設定された目標や境界の中で、会議準備や進捗確認などの継続的な業務を自律的に進めるパーソナルAIエージェントです。

また、これらのAI機能やアプリケーションを企業で安全・確実に運用するため、Microsoftは重要な基盤や仕組みも同時に発表しています。「Microsoft Copilot Managed Runtime」は、認証やセキュリティ、ガバナンス、監視を含めてアプリを安全に実行・管理するための共通基盤を提供します。さらに、「Microsoft IQ」や「Fabric IQ」といったインテリジェンス基盤により、企業の持つ業務データやコンテキストをAIが深く理解できるようになります。

ライセンス体系についても、日常的な利用向けの「User Subscription License」と、長時間処理やエージェント処理を対象としたクレジットベースの「Usage-Based Billing」が組み合わされる形に進化します。

このように今回のアップデートは、AIに質問する世界から、AIと一緒に成果物を作り、アプリを開発し、継続的な業務やその実行・管理基盤までをMicrosoft 365環境に統合していくという、大きなパラダイムシフトを示しています。新人エンジニアにとっても、今後は単なるコード生成だけでなく、AIプラットフォーム全体におけるガバナンスやエージェントのライフサイクル管理の視点が重要になってきます。

引用元: https://qiita.com/yoshioterada/items/7123aef3db7d1ba91fc3

グーグルはブラウザベースの動画編集ツール「Google Vids」において、有料壁を撤廃し、Googleアカウントを持つすべてのユーザーへフルHD（1080p）のAI動画生成機能を無料で開放しました。本機能は「Gemini Omni 1.1 Flash」モデルをベースとしており、テキストプロンプトや写真、音声、既存映像からの動画変換に対応しています。開発者やエンジニアの視点として注目すべき技術的・仕様的ポイントは以下の通りです。

統合された編集機能と品質維持

AI生成物のトレーサビリティ（SynthID）

利用枠（クォータ）の設計

エコシステム戦略への移行

引用元: https://finance.biggo.jp/news/07c65cc5-d4c3-44a6-a1cd-cf009de26a8d

本記事では、AIエージェントとCLIツールをUNIXパイプで連携させるための新しいツール「sagepipe」が紹介されています。新人エンジニアの皆さんも、シェルスクリプトでデータを処理する際、「AIの出力形式が不安定で後続のプログラムが壊れる」という課題に直面したことがあるかもしれません。sagepipeは、この問題を解決するために標準入出力（stdin/stdout）にJSON Lines（jsonl）を採用し、入力と出力の双方にJSON Schemaを定義・強制できるツールです。

具体的な仕組みとして、sagepipeはフロントマッター付きのMarkdownファイルを設定として受け取り、そこにAIのプロバイダー、モデル名、入出力のJSONスキーマ、そして実行プロンプトを記述します。例えば、記事一覧のJSONLデータを読み込み、スキーマに準拠した日本語の要約を生成し、それを次の処理プログラムへと安全に引き渡すといったパイプライン構築が可能です。CopilotやClaude、Codex、さらにはACP（Agent Client Protocol）にも対応しているため、お好みのAI環境で利用できます。

エンジニアリングの観点で特に重要なメリットは、AIの「出力の型がブレない安心感」です。sagepipeはスキーマに即したアウトプットを保証し、万が一不正な出力が出た場合でも、内部での検査やリトライ処理によって、後続の決定的なスクリプト（Go言語などで書かれた処理など）が異常系で止まるリスクを防ぎます。「変な出力が出ない」ことが保証されるため、GitHub ActionsなどのCI/CD環境や日常のバッチ処理、定型業務の自動化パイプラインにAIを組み込みやすくなります。

インストールはHomebrewやgo installで簡単に行えるため、日々の開発作業やCLIでのデータ処理フローにAIを取り入れたいと考えているエンジニアにとって、非常に実践的で導入しやすいツールとなっています。

引用元: https://songmu.jp/riji/entry/2026-09-27-sagepipe.html

IT未経験の父親が「寺の業務システムを作りたい」と発言し、作成した概念図が非常に優れていたという話題である。

引用元: https://togetter.com/li/2751108

VOICEVOX:春日部つむぎ

Google DeepMindから、リアルタイムの視覚的プレゼンス（アバター）を備えた「Gemini 3.8 Live with Live Avatar」が発表されました。これは、従来のリアルタイム音声対話モデルに、低遅延なストリーミングビデオ生成技術をネイティブに融合させた、新しいマルチモーダルAI技術です。

新人エンジニアの方に向けて、この技術が持つ主要な特徴と技術的なポイントを分かりやすく解説します。

これまでのAIアシスタントは音声やテキストのみのやり取りが主流でしたが、本機能は「話す、聞く、見る、表情を作る」を同時に行います。入力された音声と映像をリアルタイムに処理しながら、正確なリップシンク（唇の動きの同期）や豊かな表情、自然な会話の間（ターンテーキング）を再現し、生身の人間と話しているかのような体験をユーザーに提供します。

エンジニアとして特に注目したい機能が「非同期ツール実行（Asynchronous Tool Calling）」です。

グローバルなサービス展開にも対応しており、97もの言語をサポートしています。会話の途中で突然異なる言語に切り替わっても、映像の品質を落とすことなく、その言語の適切な発音に合わせてリップシンクや表情がシームレスに変化します。

多様なプリセットアバターが提供されているだけでなく、開発者は1枚の高品質な参照画像を用意するだけで、そのキャラクターの見た目やブランドの雰囲気を保ったまま、滑らかに動く独自のカスタムアバターを作成できます（※現在はエンタープライズ向けの限定公開）。

AI生成コンテンツの信頼性を確保するため、セキュリティ面にも配慮されています。生成されるすべての音声および映像出力には、人間の目や耳には感知できない電子透かし「SynthID」が埋め込まれています。これにより、AIが作成したコンテンツであることをシステム的に識別可能にし、なりすましや偽情報の拡散を防ぎます。

「Gemini 3.8 Live with Live Avatar」は、裏側の複雑なAPI処理と、フロントエンドのリアルタイムな対話・映像生成を高度に同期させた、まさに「次世代のAIエージェント」を開発するための強力なツールです。Gemini Enterpriseで利用可能となっており、APIドキュメントも公開されているため、未来の対話型アプリケーション開発に向けてぜひチェックしておきたい技術です。

引用元: https://deepmind.google/blog/introducing-gemini-38-live-with-live-avatar/

近年、動画生成AIは高品質な映像を即座に生成できるようになりました。しかし、それらを組み合わせて「ストーリーに矛盾のない一本の長尺動画」を作ることは依然として困難です。従来の自動生成システムでは、カットを切り替えるたびにキャラクターの服装や背景が微妙に変わってしまう「意味的ドリフト」や、前半の小さな生成エラーが後半の破綻を招く「カスケード失敗」が頻発し、人間による膨大な手作業での修正が必要でした。

Google Researchはこの課題を解決するため、GeminiやVeoなどの高性能なAIモデルを統制し、複数カットにわたる視覚的一貫性を自律的に維持する「マルチエージェント・フレームワーク」を開発しました。本技術は、長尺動画生成を「全体最適化」と「世界状態（キャラクターや環境の設定）の追跡」のシステム開発問題として捉え、以下の4つのコア技術で解決しています。

AI video co-director（協調的な意思決定）

CANVAS（ビジュアルの持続的メモリ）

A²RD（時間ダイナミクスの制御）

VQQA（自動フィードバックによる品質改善）

成果と展望

引用元: https://research.google/blog/coherent-long-form-video-generation/

Appleは、Hugging Faceにてオープンソースの新しいビジョンと言語を扱うモデル（VLM）「LensVLM-9B」を公開しました。このモデルは、高い性能で知られるオープンモデル「Qwen3.5-9B」をベースに、Appleが特定のタスク向けにファインチューニング（微調整）を施したものです。

本モデルの最大の特徴は、複数ページにわたる「長大な文書」を処理する際、消費するトークン数を劇的に削減する、画期的なアプローチを採用している点にあります。

一般的なLLMで長大なPDFやドキュメントを読み込ませて質問に答えさせようとする場合、すべてのテキストをトークン（AIが処理する文字や単語の最小単位）に変換して入力する必要があります。これには膨大な計算リソースが必要となり、コストの増加や処理速度の低下、さらにはモデルが一度に処理できる制限（コンテキスト窓）を超えてしまうという課題がありました。

LensVLM-9Bは、テキストをそのまま読み込ませるのではなく、ドキュメント全体を「圧縮された画像」として捉えることで、この問題をスマートに解決しています。具体的な処理の流れは以下の通りです。

ページ全体の画像化と圧縮（粗スキャン）

必要なページの特定とツールの呼び出し

特定ページのみのテキスト化と回答生成（詳細スキャン）

この「全体を粗く見てから、必要な場所だけを細かく見る」というアプローチにより、本来なら約8,000トークンを消費する文書であっても、わずか数百トークンに抑えて処理することが可能になりました。

Hugging Face Spaces上では、実際にこのモデルの挙動を試せる「LensVLM-9Bデモ」も公開されています。長いドキュメントをアップロードして質問を投げかけると、モデルがどのように全体をスキャンし、どのページを選択・展開して答えを導き出したのか、その思考プロセスを視覚的に追うことができます。

技術的な仕様としては、生成処理のレンダリングやプロンプト、ツールのフォーマット、そして「貪欲なデコード（Greedy Decoding）」は公式のリファレンス実装に準拠しており、ZeroGPU（Webブラウザ上でGPUを用いた軽量な推論を実行できる環境）向けに最適化され、Hugging FaceのTransformerライブラリに移植されています。

このニュースは、AIシステムを設計する上で非常に貴重な知見を提示してくれています。

まずは公開されているデモを触りながら、最先端のモデルがどのように効率化を実現しているのかを体感してみることをおすすめします。

引用元: https://www.macotakara.jp/news/entry-51882.html

ブラウザ完結で利用できる個人開発ツール「コピー本メーカー」が公開され、SNSで大きな話題を呼んでいます。このツールは、家庭用プリンターやコンビニのコピー機を使って、印刷所で作成したような高品質な「中綴じ本（コピー本）」を作るための面付けデータを簡単に作成できるWebアプリです。

従来、コピー本作成におけるページの並べ替え（面付け）や、印刷時のズレ、余白の調整は非常に手間がかかる作業でした。本ツールは、原稿を縮小することなくトンボ通りに断裁すれば余白なしの正寸本になるよう自動で面付けし、両面印刷のズレを吸収する補正機能も備えています。

ユーザーからは「コピ本界の救世主」と絶賛されており、手軽に高クオリティな本が作れると注目されています。ユーザーの具体的な課題を技術でスマートに解決した、新人エンジニアにとっても非常に参考になる個人開発の好例です。

引用元: https://togetter.com/li/2749852

VOICEVOX:ずんだもん

米OpenAIは、GPT-6ファミリーの新たなラインナップとして、高いコストパフォーマンスを誇る新モデル「GPT-6 Sol」および「GPT-6 Luna」を発表しました。今月上旬に発表された最上位モデル「GPT-6 Astra」の高度な知能と安全性を継承しつつ、推論インフラやキャッシュ技術の改善により、大幅な高速化と低コスト化を実現しています。

本要約では、システム開発に携わるエンジニア（特にAIを活用したサービス開発を学び始めた新人エンジニア）に向けて、これら新モデルの特徴と実務におけるメリットを分かりやすく解説します。

新モデルの最大のインパクトは、API利用料金の大幅な引き下げです。前世代モデル（GPT-5.6 Sol / Luna）と比較して、API価格が50%削減されました（価格は100万トークンあたり）。

これにより、予算を抑えながら大規模なAIエージェントを運用したり、日常的な開発タスクを自動化したりすることが現実的になりました。

各種ベンチマークにおいて、他社の最上位モデルと同等以上の性能を、圧倒的な低コストで発揮します。

技術的な対話において、無駄な専門用語や不要な細かい説明を省き、より明確で簡潔な回答を出力するよう改善されました。要点を外さずに短いテキストで返答するため、開発中の疑問解決やコードレビュー時のコミュニケーション効率が向上します。

アプリケーションを構築する上で非常に重要な「プロンプトキャッシュ（Prompt Caching）」機能が強化されました。

本日より、ChatGPT Plus、Pro、Business、Enterprise、およびEduユーザー向けに、ChatGPT WorkやCodex内で順次展開されます。APIでは gpt-6-sol、gpt-6-luna の識別子で即座に利用可能です。

引用元: https://openai.com/index/introducing-gpt-6-sol-and-luna

Googleが発表した最新の音声合成（Text-to-Speech: TTS）モデル「Gemini 3.8 Flash TTS」および「Gemini 3.8 Flash-Lite TTS」について解説します。本モデルは、従来の機械的な音声読み上げの枠を超え、まるで人間のような豊かな感情表現や細やかな「演技指導」を可能にする画期的なAI技術です。

開発者のニーズに合わせて、以下の2つのモデルが提供されています。

これまでは用意されたプリセットから声を選ぶのが主流でしたが、今回のモデルでは無限のバリエーションを作成できます。

テキストをただ読み上げるだけでなく、台本（スクリプト）に沿って細部をコントロールできます。

高度な音声生成には「なりすまし」のリスクが伴いますが、本モデルは安全対策も徹底しています。

開発者は、Webツール「Google AI Studio」の音声生成プレイグラウンドで、プロンプトによる音声設計や2人対話の編集をすぐに試せます。また、Gemini APIを利用して、Agora、LiveKit、Vercelなどの外部ツールと連携し、独自の音声インターフェースを簡単にサービスへデプロイ可能です。

インタラクティブなAIアプリケーションや、表現豊かな音声機能を開発したいエンジニアにとって、今チェックすべき強力な最新技術です。

引用元: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/

近年、DeepSeekやKimiなどの最先端LLMで標準的に採用されている技術「Mixture of Experts（MoE）」の基礎知識と、最新の発展形について分かりやすく解説します。

1. MoEの直感的な理解と導入の動機

2. MoEの構造とルーティングの仕組み

3. ルーティングの大きな壁：「エキスパート崩壊」

4. 崩壊を防ぐ最新のアプローチ

5. 開発における実務的な注意点

MoEの仕組みとこれらの課題解決のアプローチを理解しておくことで、最新LLMの技術レポートやモデルカードが非常に読み解きやすくなります。

引用元: https://iwashi.co/2026/09/23/mixture-of-experts-moe-memo

家電量販店でイラスト制作などに使われる「左手デバイス」の購入を検討していた投稿者が、店員におすすめを尋ねた際のエピソードがSNSで大きな話題を呼んでいます。店員は「電気屋の店員であることを一度忘れ、ひとりの絵描きとして話します」と宣言し、売る立場を超えた当事者（オタク）としての熱い目線で親身にアドバイスをしてくれました。

この「特定の分野の愛好家が、初心者を前にして自身の熱量を解放する瞬間（確定演出）」に対し、多くのネットユーザーから「SSR店員だ」「大勝利確定」と共感の声が集まっています。スレッド内では、シーシャ屋やカメラ店での同様の熱意ある接客例も挙げられ、立場を超えて実体験に基づくリアルなフィードバックをくれる「プロフェッショナル」の尊さが語られています。物事へのこだわりや技術を愛するエンジニアにとっても、深く共感できる心温まるエピソードです。

引用元: https://togetter.com/li/2749204

（株式会社ずんだもんは架空の登場組織です）

米OpenAI社は、最新のフラグシップAIモデル「GPT-6 Astra」をベースに、法律事務所やリーガルテック企業向けに最適化された新しい基盤ソリューション「Astra for Law」を発表しました。法律実務に必要な専門設定、データ、ツールを統合しており、API（モデル名: gpt-6-astra-law）などを介して高度な法律ワークフローを構築できます。

以下に、日本のエンジニアに向けて、技術的な要点とアーキテクチャの魅力を分かりやすく解説します。

Astra for Lawの最大の特徴は、2億3000万以上のURLに及ぶ米国の判例、法令、裁判所規則などのデータを網羅した「法的検索インデックス」を標準搭載している点です。

極めて厳格な機密保持が求められる法務分野に対応するため、セキュリティ設計が徹底されています。「Trusted Access Program」では、API利用時における「Zero Data Retention (ZDR: データ不保持)」が保証されます。さらに、ChatGPT Enterprise利用時のデータは、OpenAI側での人間によるレビュー対象からデフォルトで除外されます。倫理的な障壁（Ethical Walls）やアクセス権限の制御など、エンタープライズ開発で必須となるセキュリティ要件を高いレベルでクリアしています。

法律事務所が持つ独自の過去データ、交渉用のプレイブック、ノウハウをChatGPT EnterpriseやAPIに統合し、自社専用のAIツールを開発できます。

iManageやClioといった法務専用ツールと連携する「26種類のパートナープラグイン」が提供されます。また、法律実務で必須となるMicrosoft Word上で直接動作する「ChatGPT for Word」もリリースされ、ユーザーの既存ワークフローを邪魔しない優れたUXが設計されています。

Astra for Lawは、汎用LLM（GPT-6 Astra）に「専門ドメインのRAG」「厳格なデータプライバシー設計」「外部ツールとのシームレスなAPI連携」を組み合わせることで、専門業務に耐えうるシステムへと昇華させた素晴らしい実例です。最先端AIを特定業界（ドメイン）に適応させるための設計パターンとして、非常に学びの多いアーキテクチャと言えます。

引用元: https://openai.com/index/astra-for-law

GitHub Copilotの中核である「エージェントランタイム」を、従来のTypeScript（Node.js/V8）からRustへ完全に書き換えた事例を紹介します。本プロジェクトは、Copilot自身（AIエージェント）を駆使し、実質的に1人の開発者がわずか数ヶ月で完了させました。チームで1〜2年は要する規模の移行を、安全かつ劇的に高速化させたアプローチと教訓は、新人エンジニアにとって非常に有益です。

元のTypeScript版は、他言語（C#、Go、Pythonなど）のアプリから利用する際、不要なNode.js環境の起動や、約100MB以上のメモリ消費、プロセス間通信の発生がボトルネックでした。

一度に全てを差し替えるのではなく、コンポーネント単位で段階的に移植する「インプレース方式」を採用しました。

AIは128件のプルリクエストを通じて、約83万行のRustコードを記述しました。

開発者の役割は、コードを自分で書く作業から「問題の定義、設計の境界、テストによるガードレールの設置、成果のレビュー」という高レベルな意思決定へとシフトしました。これからのAI協働時代を生きるエンジニアにとって、本質を示す道標となる事例です。

引用元: https://github.blog/ai-and-ml/generative-ai/migrating-the-github-copilot-runtime-to-rust-using-copilot/

近年注目を集めるTypeSafe AIの「Jev」は、一般的なLLMのように文章を生成するのではなく、ソフトウェアが直接利用できる「判断」と「確率」を高速に返す特化型モデルです。本記事では、「Jevの機能は既存のLLMでも再現できるのではないか？」という疑問を出発点に、具体的な検証を通じてJevの真の実力と技術的な位置づけを解説しています。

まず、Jevの強みである「高速なJSON出力」についてです。通常、LLMにJSONを出力させると、1トークンずつ順番に文字を生成（自己回帰生成）するため時間がかかります。しかし、回答の選択肢（例：true/false、承認/却下など）が予め決まっている場合、必ずしもすべての文字列を生成させる必要はありません。

次に、リアルタイム性が求められる「ゲーム（マリオ）のプレイ」での検証です。Jevは100ms前後という短い時間で判断を下せるため、ゲームのリアルタイム制御が可能です。検証の結果、Jevは比較対象のLLMよりも優れたプレイ結果を残しました。

結論として、Jevの本質的な強みは「既存のLLMで不可能なことを実現した」という点よりも、「『確率を出力する』という実用的なインターフェースを、使いやすいAPIとしてパッケージ化して提供したこと」にあります。

引用元: https://zenn.dev/nwn/articles/824026c76116e0

VOICEVOX:ずんだもん

本書は、SmartHRのプロダクトエンジニアがAIコーディングツール「Claude Code」を駆使し、新規機能の開発期間を当初の見積もりである2.5か月から1か月にまで短縮した実践的な設計手法「ハーネス」について解説したものです。AIを開発パートナーとして迎えるにあたり、手戻りを防ぎつつ成果を最大化するための具体的なアプローチが、新人エンジニアにも分かりやすく解説されています。

大規模な開発でAIエージェントをそのまま使い続けると、会話履歴の蓄積によって「コンテキスト（AIが一度に記憶・処理できる情報量）の枯渇」や「APIコストの急増」が発生します。また、既存システムへ悪影響（デグレ）を与えるリスクや、仕様の認識違いによる終盤での手戻りも大きな課題でした。これらを防ぐため、AIの作業環境をあらかじめ定義し、制御する仕組みとして「ハーネス（手順、状態JSON、完了判定スクリプトの3点セット）」が構築されました。

ハーネス内では、役割を明確に分担させることでノイズとコンテキストの肥大化を防いでいます。

AIエージェントを用いた開発において重要なのは、「AIモデルの優秀さ」に依存するのではなく、「AIが迷わず、安全に働ける周辺環境（ハーネス）をいかに設計するか」です。タスクを極小化し、セッションをクリーンに保ち、テストとスクリプトで品質を担保するこの手法は、これからのAI共同開発における強力な指針となります。

引用元: https://tech.smarthr.jp/entry/2026/09/16/110205

本書は、本番環境のデータベース（Aurora PostgreSQL）で発生した障害において、AIエージェントツール「Claude Code」を原因調査やインシデントレポート作成に導入し、対応を大幅に効率化した実体験を紹介する記事です。新人エンジニアにとっても、AIを「実務のアシスタント」としてインフラ運用にどう組み込むべきか、非常に学びの多い実践例となっています。

本番環境のDBで、writerインスタンスの内部プロセスが異常終了するインシデントが発生しました。自動フェイルオーバーでDB自体は即時復旧したものの、実行中だったバッチ処理が中断し、ロックを握ったままの状態になったため、手動での解除対応が必要になりました。

通常、障害発生時はAWSの管理画面にログインし、手動でログやメトリクスを確認します。しかし今回は、Claude Codeに「再起動があったようなので状況を把握できますか」とだけ指示しました。具体的なクラスタ名や時刻を伝えなかったにもかかわらず、Claude Codeは自律的に以下のAWS CLIコマンドを組み合わせて調査を行いました。

これにより、調査開始からわずか10〜15分で状況を把握し、Slackに共有できました。さらに、原因特定の決め手となる「FATAL: Aurora Runtime process unexpectedly exited」というエラーログも自動で見つけ出しました。

インシデント後に作成する「レポート」において、AWSのシステムログとSlack上の「人間の動き」を時系列に突き合わせる作業は時間と手間がかかります。

AIにインフラ操作を任せるにあたり、誤操作を防ぐ権限管理が重要です。今回は「Read Only（参照専用）」のIAM権限を利用し、本番環境に破壊的変更が起きないよう安全性を担保しました。

「情報の収集・整理はAIに任せ、判断や個別対応（アプリ側の影響特定、ロック解除、顧客連絡など）は人間が行う」という役割分担が極めて有効です。新人エンジニアの皆さんも、コマンドの検索やドキュメント作成をAIにサポートしてもらうことで、本質的な問題解決やシステム理解に集中し、より素早く成長できる環境を作ることができます。

引用元: https://developer.feedforce.jp/entry/2026/09/15/122838

本記事は、株式会社ラクスの若手バックエンドエンジニアが、AIコーディングアシスタント「Claude Code」を用いて、GitHub上の不具合や改善要望（Issue）の調査からプルリクエスト（PR）の作成までを半自動化する仕組みを構築し、チームへ導入した実践事例を紹介しています。

■ 構築した自動解消フローの全貌

■ この仕組みがもたらす5つのメリット

■ 直面した「AIネイティブ開発」の壁：レビュー負荷の増大

■ 今後の展望：AIとの協働をさらに進化させる

AIにコードを書かせることは容易になりましたが、それを実運用に載せて顧客価値に繋げるためには、人間とAIの協働プロセスを泥臭くデザインしていく必要があると著者は伝えています。

引用元: https://tech-blog.rakus.co.jp/entry/20260916/ai

（株式会社ずんだもんは架空の登場組織です）

Googleは2026年9月15日、リアルタイムの音声対話に特化した最新のAIモデル「Gemini 3.8 Live」および「Gemini 3.8 Live Extended Thinking」を発表しました。これらのモデルは、開発者が実用に耐える高度な音声エージェント（ボイスAI）を迅速に構築できるように設計されています。

用途に合わせて以下の2つのモデルが提供されます。

これまでの音声AIと異なり、より「人間らしく、実用的なシステム連携」ができる点が特徴です。具体的には以下の技術が組み込まれています。

新人エンジニアにとって特に嬉しいのは、開発のハードルを下げるエコシステムの存在です。

生成されたすべての音声には、人間の耳には知覚できない電子透かし「SynthID」が直接埋め込まれます。これにより、AIによる偽音声の悪用を防ぎ、安全なプロダクト運用を支援します。

両モデルは発表日当日（2026年9月15日）より提供が開始されています。開発者は「Gemini API」およびブラウザ上で手軽にテストできる「Google AI Studio」からすぐに触り始めることができます。音声エージェントの開発に挑戦したいエンジニアは、まずAI Studioでそのリアルタイムな挙動を体験してみることをおすすめします。

引用元: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/

OpenAIでChatGPTの基礎研究に携わったDiogo Almeida氏が立ち上げたTypeSafe AI社は、ソフトウェアの自動化に特化した新しいAIモデル「Jev」と、それを支える「System One Model」という新たなアーキテクチャを発表しました。

従来のLLM（大規模言語モデル）は、人間のようなチャットや文章生成といった、遅く論理的に思考する「システム2」的な処理には非常に優秀です。しかし、これらは「1トークン（文字の塊）ずつ順番に出力する」という仕組みであるため、応答に数秒から数分かかり、システムへの組み込みにおいて大きなボトルネックとなっていました。また、存在しない情報を事実のように出力する「ハルシネーション（嘘）」や、プログラムが処理できない不適切なデータ形式を出力する「型エラー」が発生するリスクがあり、100%の信頼性が求められるソフトウェアの自動化プロセスには不向きでした。

こうした課題を解決するために開発されたのが「Jev」です。JevはこれまでのLLMとは異なり、思い切って「自由な文字列（テキスト）の生成」を諦め、プログラムが直接扱える「構造化データ（型安全な値）」の出力に特化しています。

Jevの主な特徴は以下の4点です。

圧倒的な高速化と低コスト

ハルシネーションと型エラーの完全な排除

信頼度の可視化（キャリブレーション）

豊富なユースケース

Jevという名前は、石炭の利用効率向上によって逆に需要が爆発的に増加した現象（ジェボンズのパラドックス）に由来しています。自由なテキスト生成をあきらめることで、ソフトウェアが本当に必要とする「超高速・高信頼・価格破壊」な意思決定の自動化を実現した、画期的な新世代のAIモデルです。

引用元: https://typesafe.ai/blog/introducing-system-one-models-and-jev

AI技術の発展に伴い、人間が手作業で行っていたシステム構築や改善を「AIエージェント（特定の目的を持って自律的に動くAIシステム）」自身に実行させる「自己改善ループ」の試みが進んでいます。しかし、AIエージェントを単純に自律動作させるだけでは、ある段階で精度向上が頭打ちになるという課題に直面します。本資料は、この「自己改善の停滞」の原因を紐解き、深層学習の仕組みをヒントにした、持続可能で強力なAIエージェントの自己改善システム（ハーネス）の設計論をわかりやすく解説しています。

人間がチューニングすれば精度98〜99%に達するタスクであっても、AIエージェントに自己改善を任せると、精度90%程度で改善が止まってしまう現象が起きます。

この原因はLLMの知能不足ではなく、最初に作った設計書に引きずられて探索範囲が狭まる「アンカー効果（Anchoring Bias / Degeneration-of-Thought）」にあります。自己反省を促す指示だけでは、この思考の罠から抜け出すことができません。

AIエージェント自身の自己反省に頼るのではなく、システムの外側（ハーネス）から探索範囲を強制的に広げる仕組みを構築します。これは、深層学習が「データで実行」→「損失を計算」→「重みを更新」というステップを踏むのと同様に、エージェントシステム全体で「実行」→「評価」→「スキル・コードの更新」のループを設計するアプローチです。

このループを継続させるために、以下の4つの要素をハーネス上に設計します。

AIエージェントの自己改善システムにおいて、エンジニア（人間）が果たすべき最も重要な仕事は、プログラムコードを書くこと自体ではなく、「業務上の正しさを定義し、それを評価基準に落とし込むこと」です。

引用元: https://speakerdeck.com/22mi/how-to-design-self-improvement-for-ai-agents

Gatebox株式会社は、東京ゲームショウ2026（2026年9月17日〜21日）にて、Animation Inc.が提供するAIコンパニオンアプリ「Animates」との特別コラボ展示を行います。

引用元: https://prtimes.jp/main/html/rd/p/000000146.000026497.html

（株式会社ずんだもんは架空の登場組織です）

Appleの次期OSである「iOS 27」および「macOS Golden Gate」の内部コード（プライベートフレームワーク）から、音声アシスタント「Siri」の裏側で動くAIモデルを、ChatGPTやClaudeといったサードパーティ製の外部LLM（大規模言語モデル）に深く統合・差し替えられる仕組みが実装されていることが、開発者の解析によって明らかになりました。

この統合は非常に高度なレベルで設計されており、主に以下の2つのアプローチ（プロトコル）が確認されています。

これは、特定の質問や高度な処理を、外部AIへ「拡張機能（Extension）」として委譲する仕組みです。

もう一つは、Siriのサーバー側モデルそのものを、GPT-5.6といった外部の高性能モデルへ完全に置き換える、より強力な仕組みです。

この機能が生まれた背景には、欧州連合（EU）の「デジタル市場法（DMA）」の存在があります。この法律は、Appleに対してiOSの基盤機能をサードパーティに公平に開放することを義務付けており、Siriもその対象となっています。

技術的な観点で見ると、この仕組みは「OSと外部LLMの高度な連携アーキテクチャ」の素晴らしい実例です。

現時点ではこれらの機能は開発中であり、一般ユーザーやサードパーティ開発者向けに広く開放されているわけではありません。しかし、Appleが将来的な「マルチモデルの相互運用性」を前提にOSの再設計を進めていることを示す、非常にエキサイティングな最新動向です。

引用元: https://www.macrumors.com/2026/09/14/siri-can-be-swapped-out-for-chatgpt-claude/

近年、生成AIやAIエージェント（LLMを活用して自律的にタスクを実行するシステム）を実務に導入する動きが活発化しています。しかし、AIの出力は確率的に変動するため、「1回動いたから大丈夫」というこれまでのソフトウェアテストの常識が通用しません。本書は、AIエージェントが作成したコードや成果物を、何を根拠に受け入れ（検収）し、改善し、モデルやプロンプトを更新すべきかという「品質保証（QA）」の技術を体系的にまとめた実践書です。

本書が提示する、AIエージェントを「信頼できる」システムに変えるためのキーコンセプトは以下の4点に集約されます。

依頼を「評価可能な条件」にし、データセットを育てる

「1回の成功」から「繰り返せる成功」へ（複数試行と継続評価）

新人エンジニアへのメッセージ

引用元: https://zenn.dev/hampen2929/books/ai-agent-evaluation-guide

本記事は、Nari Labsが開発した音声AIモデルが、業界の主要な評価プラットフォーム「Coval」のベンチマークにおいて、処理速度（レイテンシ）、認識・合成の正確性、そしてコスト効率のすべてで世界トップクラスの性能（パレートフロンティア）を達成したことを報告するものです。

音声対話AIの開発において、応答の速さと正確性はユーザー体験を決定づける最重要ファクターです。本要約では、新人エンジニアの方にも理解しやすいよう、評価指標の解説を交えながら具体的な成果を説明します。

音声対話システムを評価する際、本ベンチマークでは以下の指標が重視されます。

Nari Labsの「Qwen3-ASR Fast」モデルは、音声認識（STT）において驚異的な成果を収めました。

音声合成（TTS）の「Qwen3-TTS Fast」モデルでも、業界最高水準の性能を実証しました。

特筆すべきは、同じオープンソースモデル（Qwen3）をベースにしながらも、Nari Labsのエンドポイントが他社のホスティング環境（Basetenや公式のFlashエンドポイントなど）を大幅に凌駕する精度と速度を実現している点です。これは、インフラや推論エンジンの最適化技術におけるNari Labsの優れた技術力を示しています。

Nari Labsは現在、STTおよびTTSモデルの無料パブリックベータを実施中です。まもなく有料の正式版（GA）へと移行しますが、今アカウントを作成すると移行時に20ドル分のクレジットが提供されます。遅延とコストの壁を取り払い、極めて滑らかなリアルタイム音声AIを実現したいエンジニアにとって、必見の技術成果です。

引用元: https://narilabs.com/blog/nari-labs-leads-coval-voice-ai-benchmarks/

（株式会社ずんだもんは架空の登場組織です）

本記事は、AIを活用した対話型検索エンジンを提供するスタートアップ企業「Perplexity（パープレキシティ）」が、OpenAIの最新モデル「GPT-6 Astra」を開発・運用プロセスに導入した事例を紹介しています。同社の共同創業者兼最高戦略責任者（CSO）であるジョニー・ホー（Johnny Ho）氏の視点を通じ、最新のAIモデルがシステム開発の現場、特に本番環境の運用や品質管理（テスト）において、どのように信頼され、活用されているのかが具体的に描かれています。

新人エンジニアの皆さんにとって、AIによるコーディング支援は身近な存在になりつつあるかと思いますが、本事例ではそれをさらに一歩進め、システム全体の運用やテストを「自律的にAIに任せる」レベルに達している点が大きな特徴です。

具体的な要点は以下の3点に集約されます。

1. コード生成能力の向上がもたらす、コア機能の進化

2. 本番環境（プロダクション）における自律的な運用と高い信頼性

3. 「AIにテストプログラムを書かせる」効率的な開発手法

まとめ

引用元: https://openai.com/index/perplexity-improving-accuracy-with-astra

AIを活用したコーディングエージェントの技術は急速に進化しています。特に最新の「GPT-6 Astra」のような高性能なモデルが登場したことで、これまでのモデル（CodexやGPT-5.6 Solなど）で必要だった「手厚い指示（プロンプト）」や「過剰な制約」は不要になり、むしろ開発の妨げになるケースが増えています。本記事では、新人エンジニアの方に向けて、GPT-6 Astraの能力を最大限に引き出すためのプロンプト設計とエージェント定義（SkillsやAGENTS.md）の新しいベストプラクティスを分かりやすく解説します。

プロジェクトでよく使われるSkills（特定のワークフローを指示するMarkdownファイルなど）は、モデルが処理しやすいように整理する必要があります。

リポジトリ全体に適用される設定ファイル（AGENTS.md）も、見直しが必要です。

以前のモデルの暴走を防ぐために設定していた「〜する前に必ず確認すること」という強い制約は、Astraにおいては作業を停滞させる原因になります。

新しいモデルを使う際は、過去の古いプロンプトを整理する「大掃除」が必要です。この記事の内容をもとに、GPT-6 Astra自身に「私のプロンプトや設定ファイルを監査（オーディット）して」と依頼してみることから始めてみましょう！

引用元: https://developers.openai.com/blog/rethinking-skills-and-prompts-for-gpt-6-astra

【AIソフトウェアファクトリとは】

【ファクトリを構成する5つのステージ】

【統計から見る現実と運用のヒント】

【新人エンジニアへのメッセージ】

引用元: https://www.firecrawl.dev/blog/ai-software-factory

Qiitaの約7万件の記事を対象に、生成AI普及の前後でエンジニアの文章がどう変化したかを分析した調査が話題です。分析によると、AIの活用によって記事の文字数が倍近くに増加し、太字や箇条書き、読点が増える傾向が見られました。

また、語彙の面では「設計」「検証」などの言葉が増えたほか、「〜が効いてくる」「静かに壊れる（英語のsilently breakの直訳）」といったAI特有の表現が頻出しています。一方で、「〜しましょう」のような定番表現はむしろ減少していました。

全体として、手順の解説から仕組みを説明する文章構造へと変化し、内容が均質化する傾向があります。新人エンジニアが記事を書く際は、AIによる綺麗な整理に頼るだけでなく、自分自身の「実体験」や「失敗談」「独自の判断」を文章に盛り込むことが、他と差別化された価値あるアウトプットを行うために重要となります。

引用元: https://togetter.com/li/2745057

VOICEVOX:春日部つむぎ