🇯🇵 note AI 日本語ダイジェスト — 2026-06-05

note.com で過去 24 時間に人気の AI 記事｜タグ: #生成AI #LLM #AIエージェント #ChatGPT 各記事：① 中文摘要 ② やさしい日本語 (N3–N2) ③ [note で読む]（リンク）

---

1. ローカルAIモデル、どれを選べばいいの？ 初心者が最初に知っておくべき比較の軸

作者 Miccell(ミクセル) / 人生を楽しむ仕組みを作る ・ ❤️ 89 ・ 🗓 2026-06-04 21:45 JST ・ 🏷 #LLM ・ note で読む

📌 中文摘要

• ローカルAIは、ChatGPTのようなクラウド型と違い、自分のパソコン内で動作する。プライバシー保護、コスト不要、オフライン利用がメリットだが、動作するモデルはPCのスペックに依存する。導入にはツール「Ollama」が便利。
• モデル選択の第一歩は、自分のPCのVRAM（GPUメモリ）を確認すること。目安として、VRAM 8GBで7〜8Bクラス、16GBで13〜14Bクラス、24GBで70Bクラス（量子化後）が動作可能。Macの場合は統合メモリがVRAMの代わりとなる。
• 量子化（Q4, Q8など） はモデルを圧縮して軽くする技術。Q4は軽量でチャットや要約に実用的、Q8は精度重視。VRAMが足りない場合、量子化版を選べば8GBでも7Bモデルが快適に動くことが多い。
• モデル名の「B（Billion）」はパラメータ数で、多いほど知識や推論が豊富だが重くなる。ただし、Dense型（全パラメータ常時稼働） とMoE型（専門家を一部だけ呼び出す） では消費VRAMが異なる。MoE型は「総B」ではなく「アクティブB」がVRAMの目安となる（例：Qwen3.6-35B-A3Bは総35Bだがアクティブ3B）。
• 用途でモデルを絞る：日常チャット・要約・翻訳には7〜8Bの日本語対応モデル（Qwen系）、コード補助にはQwen3.6-27BやDeepSeek V4 Flash、長文処理にはLlama 4 Scout（最大1,000万トークン）が適している。
• 初心者への推奨：まずOllamaをインストールし、VRAMに合った小さなモデルを動かす。VRAM 8GB以下ならQwen3.6-35B-A3B（Q4版）やGemma 4 E4B、16GB前後ならQwen3.6-27B（Q4版）、Mac（16〜32GBメモリ）ならQwen3.6-27BまたはGemma 4 31Bが最初の一歩として適している。

🟢 やさしい日本語（N3–N2）

「Ollama（オラマ）というツールを入れたら、自分のパソコンでAIが動くらしい」

そこまでは調べました。でも、次の画面で困ってしまいます。モデルのリストがたくさん並んでいて、「Llama（ラマ）」「Qwen（チューウェン）」「Gemma（ジェマ）」「Mistral（ミストラル）」「DeepSeek（ディープシーク）」……名前だけ見ても、まったくわかりません。数字もついていますが、何を意味するのかも不明です。結局、「何となく有名そうなもの」をダウンロードして、動くかどうか祈ることになります。

私も最初はそうでした。

この記事では、ローカルAIモデル（自分のパソコンで動くAI）を選ぶときに、本当に必要な比較のポイントを、順番に説明します。難しい言葉はその都度、簡単に説明します。「そもそもローカルAIって何？」というところから読んでも大丈夫です。

🖥️ そもそも「ローカルAI」って何？

まず、基本の話をします。

ChatGPT（チャットジーピーティー）やClaude（クロード）は、インターネット上の大きなコンピューター（クラウド）で動いています。私たちは、ブラウザやアプリを使って、そこに接続して使っています。

ローカルAIは、それを自分のパソコンの中で動かすものです。外のサーバー（データを保存するコンピューター）に接続しません。入力した文章は、どこにも送られません。インターネットがなくても動きます。

プライバシー（個人の情報）が守れる、お金がかからない、オフライン（インターネットなし）で使える——これが主な良い点です。その代わり、自分のパソコンの性能（スペック）によって、動かせるモデルが変わります。そこが選び方のポイントです。

Ollama（オラマ）は、そのローカルAIを動かすための便利なツールの一つです。難しい設定をしなくても、コマンド（命令）一つでモデルを起動できます。

[【2026年版】Ollamaの始め方 — ローカルLLMのインストールから活用まで完全ガイド] 「AIをローカルで動かしてみたい」「ChatGPTなしでLLMを使えるの？」という人向けに、Ollamaのインストールから alteil.net

📊 比較の軸①：まず「VRAM」を確認する

モデル選びの最初のステップは、スペックシート（性能表）ではなく、自分のパソコンのVRAM（ブイラム）を調べることです。

VRAMとは、GPU（画像処理のための部品）に付いている専用のメモリ（一時的にデータを保存する場所）のことです。AIモデルを動かすとき、モデルのデータを全部ここに置く必要があります。容量が足りなければ、そのモデルは動かせません。

だいたいの目安は、次の通りです。

• VRAM 8GB：7〜8B（ビリオン、10億）クラスのモデルが動きます。チャット（会話）・要約（まとめ）・翻訳（ほかの言語に変える）あたりは、実用的に使えます。
• VRAM 16GB：13〜14Bクラスまで考えられます。日本語でのやりとりや、コード（プログラム）の補助も快適になります。
• VRAM 24GB：70Bクラスの大きなモデルを、量子化（後で説明します）して動かせます。かなり余裕が出ます。

ゲーミングPC（ゲーム用のパソコン）を持っている人は、GPUの性能を確認してください。MacBook ProやMac Studioを使っている人は、「統合メモリ（メモリとVRAMが一緒になったもの）」がVRAMと同じ役割をします。そのため、搭載メモリの量がそのまま目安になります。

[【2026年版】LLMのメモリ要件を徹底解説！VRAMの計算方法から軽量化のコツまで | 株式会社AX] LLMのメモリとは？短期・長期記憶の違いと最新アプローチをわかりやすく解説。コンテキスト保持やユーザー情報の活用方法を整理 a-x.inc

📦 比較の軸②：「量子化」でモデルを軽くする

VRAMが足りなくても、あきらめる必要はありません。「量子化（りょうしか）」という仕組みがあります。

量子化とは、モデルのデータを圧縮（小さく）して軽くすることです。画像で例えるなら、PNG（ピング）をJPEG（ジェイペグ）に変換するようなイメージです。少し精度（正確さ）は落ちますが、ファイルのサイズが小さくなり、扱いやすくなります。

モデル名の最後についている「Q4」「Q8」という記号が、これを示しています。数字が小さいほど、圧縮率が高くて軽いです。大きいほど精度が高いですが、重くなります。

• Q4：軽くて速いです。チャットや要約なら、十分実用的です。
• Q8：精度を重視します。VRAMに余裕があるときの選択肢です。

8GBのVRAMでも、7BモデルのQ4量子化版なら、快適に動く場合が多いです。「自分のVRAMでは無理そう」と思ったら、まず量子化版を探してみてください。

https://usedpcfinder.com/local-llm-vram-guide/

🧩 比較の軸③：「B」の数字と、Dense／MoEの違い

ここで「7B」「70B」という数字の話をします。

B（Billion）はパラメータ数（モデルの知識やルールの数）の単位で、10億を1Bと数えます。簡単に言うと、モデルの「頭の引き出しの数」のようなものです。多いほど、知識や推論（考える力）が豊かになる傾向がありますが、その分、重くなります。

ただし、同じB数でも、中身が違う場合があります。ここが少しややこしいところです。

モデルには、大きく2種類の設計があります。

Dense型（デンスがた）は、すべてのパラメータがいつでもフルに動きます。わかりやすい構造で、「7Bならだいたい7B分の重さ」と思っていいです。

MoE型（エムオーイーがた、Mixture of Experts）は、複数の「専門家」を内部に持っていて、入力に応じて一部だけを呼び出します。「30B」と書いてあっても、実際に動いているのは「3B分」だけ、ということが普通に起こります。

例えば、Qwen3.6-35B-A3Bというモデルは、全部のパラメータは35Bですが、実際に動く（アクティブな）のは3Bです。VRAMの消費量は3B相当になります。これが「スペック表の数字だけで選ぶと失敗する」理由です。

https://blackford.co.jp/columns/0031-open-source-llm-may-2026-update

🎯 比較の軸④：用途で絞る

パソコンの性能がわかったら、次は「何に使いたいか」でモデルを絞ります。これが最後のポイントです。

日常のチャット・要約・翻訳が目的なら、7〜8Bの日本語対応モデルで十分です。Qwen系は日本語が比較的得意で、Ollamaからも簡単に試せます。

コード補助・プログラミングが目的なら、Qwen3.6-27BやDeepSeek V4 Flashが、今のところ評判がいいです。コーディング（プログラムを書くこと）に特化したテストで、上位に入ることが多いです。

長い文書を読み込ませたいなら、コンテキスト長（一度に処理できるテキストの量）が長いモデルを選ぶ必要があります。Llama 4 Scoutは、コンテキストウィンドウが最大で1,000万トークン（言葉の単位）という、とても長い設計で、長文RAG（長い文章を検索して答える技術）の用途に強いです。

[Ollamaの使い方完全ガイド！WindowsでローカルLLMを動かす手順と検証結果を紹介 | WEEL] ローカル環境でLLMを実行できるOllama の導入から使い方まで解説。セキュリティを保ちながら高度な言語処理が可能で、商 weel.co.jp

🗺️ 2026年6月時点の主要モデル早見表

Dense型とMoE型に分けて整理すると、次のようになります。

Dense型（すべてのパラメータが常に動く）

• Gemma 4 31B（Google）：31B。画像や音声なども扱える（マルチモーダル対応）。Apache 2.0ライセンス（自由に使える許可）。エージェント（自動で動くプログラム）系の仕事や、構造化出力（決まった形で答えを出すこと）が得意。
• Mistral Medium 3.5（Mistral AI）：128B。256K（25万6千）のコンテキスト。コーディングのテストで高評価。EU（ヨーロッパ連合）で作られたモデル。
• Qwen3.6-27B（Alibaba）：27B。日本語を含む多言語対応。コーディングが得意。個人で使うのにちょうどいいサイズ。

MoE型（全部のB / 実際に動くB）

• Llama 4 Scout（Meta）：全部109B / 実際に動く17B。とても長い文章（1,000万トークン）を扱えることが強み。
• Llama 4 Maverick（Meta）：全部400B / 実際に動く17B。画像や音声なども扱える。
• DeepSeek V4 Pro（DeepSeek）：全部1.6T（テラ、1兆） / 実際に動く49B。コーディング系で最高のレベル。MITライセンス（自由に使える許可）。
• DeepSeek V4 Flash（DeepSeek）：全部284B / 実際に動く13B。1つのH100（高性能なGPU）でも動く軽い版。
• Qwen3.6-35B-A3B（Alibaba）：全部35B / 実際に動く3B。軽いのに高性能。8GBのVRAMでも動いた例がある。
• Mistral Small 4（Mistral AI）：全部119B / 実際に動く6B。コスト（お金や資源）の効率が高く、GPT-4oと比べて大幅に安い。

MoE型は「全部のB」の大きさに惑わされないことが大事です。実際に動くB（アクティブB）が、VRAMの目安になります。

[Best Open-Source LLM in May 2026: Llama 4 vs Qwen 3.5 vs DeepSeek V4 vs Gemma 4 vs Mistral Medium 3.5] Five frontier-class open-weight LLMs shipped in 30 days. Real codersera.com

🚀 とりあえず最初の一歩

理屈はわかったけど、何から始めたらいいかわからない人へ。

まず、Ollamaをインストールして、自分のVRAMに合う小さめのモデルを一つ動かしてみることを勧めます。「完璧な選択」より、「とりあえず動かした経験」のほうが、ずっと価値があります。

最初の1本として選びやすいのは、このあたりです。

• VRAM 8GB以下：Qwen3.6-35B-A3B（Q4版）またはGemma 4 E4B
• VRAM 16GB前後：Qwen3.6-27B（Q4版）
• Mac（16〜32GBメモリ）：Qwen3.6-27BまたはGemma 4 31B

動いた瞬間の「え、本当に動いてる」という感覚があります。クラウドのAIと違って、自分のマシンの中で処理が走っているという実感。あれは少しクセになりますよ。

[Ollama完全ガイド【2026年4月最新版】インストールから実用テクニックまで徹底解説] ローカルでLLMを動かすデファクトツール「Ollama」の決定版ガイド。2026年4月時点の最新版v0.21系を題材に、W warokai.com

💡 Miccellの視点

ローカルAIの面白さは、「自分の環境に合わせて選ぶ」というプロセスそのものにあると思います。

クラウドのAIは、ブラウザを開けば誰でも同じものが使えます。でもローカルは、自分のVRAMと使い方と好みで構成が変わります。同じQwen3.6-27Bを使っていても、Q4で動かすかQ8で動かすか、どのシステムプロンプト（AIへの指示）を入れるかで、出力が変わります。

自分専用のAIを育てていく感覚に近いかもしれません。

まだまだ難しいところはありますが、Ollamaの登場でその難しさはずいぶん減りました。「モデルを選んでコマンドを打ったら動いた」という経験が、5〜10分でできる時代になっています。

あなたのパソコンのVRAMはいくつですか？ よかったら教えてください。環境別のおすすめがあれば、一緒に考えます。

📝 製作ノート

最初、「Bを軸に比較する記事」を書きました。しかし、書きながら「これ、実際にモデルを選ぶときに役立つかな？」と気になりました。Bは目安にはなりますが、主役ではない、ということがわかってから、記事の構成を全部作り直しました。

VRAMと量子化とアクティブB——この3つを最初に知っておけば、モデル選びで迷子にならないはずです。私自身がそれを知るのに遠回りしたので、もっと早く整理しておけばよかったと思いながら書きました。

Miccell - 仕組みがわかれば、世界はもっと面白くなる。

---

2. AIエージェント元年のざわめき 12 大規模導入が進む Claude Code:国内5社の事例報告

作者 TakTempest ・ ❤️ 47 ・ 🗓 2026-06-04 20:23 JST ・ 🏷 #AIエージェント ・ note で読む

📌 中文摘要

• 文章介绍了日本5家企业（クラスメソッド、みずほFG、メルカリ、GMO互联网集团、日立制作所）大规模导入Claude Code的案例，从导入规模、预算、对象、效果、使用方法及管理者评价等方面进行了总结。
• クラスメソッド：约1000人规模导入，通过自研框架“Tsumiki”实现AI辅助测试驱动开发（AITDD），将半日工作缩短至10-20分钟；非工程师也可用于业务自动化。
• みずほFG：约3万人规模，基于Amazon Bedrock构建AI基盘“Wiz Base”，以Claude为核心的多LLM架构；议记录作成时间减少70%以上，每人每月节省4小时以上，持续利用意向达93%。
• メルカリ：1100个以上账户，工程师利用率超9成；利用Claude Code的“Skills”和MCP开发自定义代理（如“mercari-pm-agent”），通过MDM实现安全分发，并制定5条安全规则。
• GMO互联网集团：约8000名合作伙伴，追加投资最高11.5亿日元，总AI投资达约21.5亿日元/年；生成AI业务利用率97.8%，AI代理利用率71.4%，每人每月节省约54小时；通过全社活动“GMO Claude Rush!!”推动普及。
• 日立制作所：约29万人规模，与Anthropic建立战略合作，并行10万人AI专业人才培养；应用覆盖软件开发、企业业务、硬件维护自动化，并将自社实践反馈至“HMAX by Hitachi”解决方案。
• 共通点：多数企业通过Amazon Bedrock或Enterprise计划确保安全与合规；Claude Code不仅用于代码生成，也扩展至非工程师的业务自动化；导入效果因企业文化和治理而异，需根据规模与行业定制。

🟢 やさしい日本語（N3–N2）

AIエージェント元年のざわめき 12 大規模導入が進むClaude Code：国内5社の事例報告

この記事では、Claude Code（AIがコードを書いたり、作業を手伝ってくれるツール）を社員にたくさん導入している日本企業5社（クラスメソッド、みずほフィナンシャルグループ、メルカリ、GMOインターネットグループ、日立製作所）の例を紹介します。それぞれの会社について、「導入の規模や予算」「導入の目的」「効果」「特別な使い方」「担当者の声」をまとめました。情報は各社の公式発表やニュースをもとにしています。

1. クラスメソッド

導入の規模や予算 クラスメソッドは、グループ全体で約1,000人（エンジニアやビジネス職の人を含む）を対象に、Claude Enterprise（企業向けの特別なプラン）を導入しています。日常的にClaude Codeを使っているメンバーは約600人で、2026年3月までに全社で使い始めました。Amazon Bedrock（AWSのAIサービス）を通じて安全な環境を使い、データのプライバシー（個人情報の保護）やコンプライアンス（ルールの遵守）をしっかり守っています。予算の金額は公開されていませんが、自社で実践した経験を活かして他の会社を支援する事業も行っており、導入コストを減らしながら効率を上げています。セミナーには累計3,000人以上が参加し、技術記事は60,000件以上あります。この知識を使って、外部の会社へのコンサルティング（アドバイス）も行い、間接的な投資効果を高めています。グループの規模が小さいことを活かして、素早く全社に広げることができ、試験導入から本格的な展開までの期間を短くしています。

導入の目的 全社員が対象で、開発の生産性（仕事の効率）を上げることと、業務を効率化することが主な目的です。2025年6月ごろに全社導入を決め、AIを中心にした開発のやり方を確立することを目指しています。

報告されている効果 コードレビュー（プログラムの確認）の時間が大幅に短くなり、生産性が上がったという報告があります。例えば、半日かかっていた作業が10〜20分で終わるようになりました。自社での活用が評価され、アンソロピック（Claudeを作った会社）の公式カスタマーストーリー（成功事例）にも掲載されました。

特別な使い方 クラスメソッドでは、Claude Codeをただコードを書くためのツールとしてではなく、開発のプロセス全体を変えるための仕組みとして使っています。特に、自社で開発したオープンソース（誰でも使える公開されたソフトウェア）のフレームワーク「Tsumiki」（積み木）を使った、AI支援型テスト駆動開発（AITDD）（AIがテストを先に作る開発方法）が特徴です。この方法では、Claude Codeが仕様書（どんなものを作るかの説明）の自動生成や管理、テストケース（テストの条件）の作成、コードの生成、コードレビューまでを一貫して支援し、保守しやすく本番で使える品質のシステムを効率的に作れます。部門をまたいだ勉強会を定期的に開き、現場のエンジニアが実際のコードを使って実践的な研修を行っています。これにより、複数のファイルにわたる大規模なリファクタリング（コードの整理）や、賢いデバッグ（バグの修正）を日常的に行っています。また、Claude CodeのArtifacts機能（試作品を作る機能）を使ったプロトタイピング（試作）では、ビジネスのアイデアを半日で動く製品に仕上げるワークショップ（勉強会）を社内外で行っています。エンジニアではない人にもClaude Codeを業務の自動化に広げ、仕様の明確化から実装（実際に作ること）やテストまでをAIが主導して進めるスタイルを定着させています。これにより、従来の開発サイクルを大幅に短縮し、良いやり方を自動的に守る運用を実現しています。

担当マネジャーの声 ソリューションアーキテクト（技術アドバイザー）の武田隆志氏は、「Claude Codeは、とてもアウトプット（成果）が多い新人エンジニアのようだ。前提となるコードや資料を与えると、状況を理解して対応してくれる」と評価し、導入時の工夫の大切さを指摘しています。

2. みずほフィナンシャルグループ

導入の規模や予算 みずほフィナンシャルグループは、グループ全体で約3万人の社員がClaudeを使う大規模な展開を進めています。Amazon Bedrockを通じて、複数のLLM（大規模言語モデル：AIの頭脳）を組み合わせた構成（Claudeをメインに採用）で作られたAI基盤「Wiz Base」を活用し、金融機関に特有の厳しいセキュリティや監査（チェック）の要件を満たしています。予算の詳細は非公開ですが、内製開発ラボ（自社で開発するチーム：約15人のエンジニア体制）を整え、大規模な試験導入を本格的に進める体制を整えています。この基盤への投資により、個別のアプリ開発の効率化と全社展開の拡大しやすさを確保し、長期的な運用コストの最適化を図っています。約3万人という利用規模は金融業界でも特に大きく、データのプライバシー保護と業務の継続性を両立させた企業向け導入の良い例となっています。

導入の目的 営業現場を中心に全社で展開しています。AI基盤「Wiz Base」を活用し、ノウハウ（知識や技術）の再利用と、提案資料作成の効率化を目指しています。

報告されている効果 議事録（会議の記録）の作成時間が70%以上削減され、1人あたり月4時間以上の業務が減りました。継続して使いたいという意向は93%と高評価です。提案のスピード向上や、知識の共有の効率化も確認されています。

特別な使い方 みずほでは「Wiz Base」上でClaudeを中心に据えたマルチエージェントシステム（複数のAIが協力する仕組み）を構築し、業務の協調処理を徹底的に進めています。具体的な自社製の部品として、「Wiz Create」（面談記録作成AI）は、顧客との面談の録音をAmazon Transcribe（音声を文字にするサービス）で文字にし、Claudeが議事録を自動生成・要約します。また、「Wiz Search」や「RM Studio」では、顧客との会話の履歴や提案内容をClaudeが分析し、次の行動や提案スライドを自動で提示します。複数のLLMを組み合わせた構成により、Claudeの高い推論（考える）能力を活かしつつ、他のモデルと柔軟に切り替え、金融に特有の監査性や権限のコントロールを確保しています。エンジニアではない営業担当者でも、自然言語（普通の言葉）で指示するだけで、複雑な資料作成やリサーチ（調査）が可能になり、ノウハウの可視化（見える化）と再利用を加速させています。この方法は、個別のアプリ開発を繰り返すことを避け、共通の基盤上で素早くエージェント（AIの代理人）を展開できる点が特に注目すべきです。

担当マネジャーの声 デジタル戦略部の担当者は、「AIによって営業現場のノウハウを見える化し再利用することで、顧客理解を深めたい。生産性を2倍以上に高めたい」と話し、信頼性や監査性を重視した導入を強調しています。

3. メルカリ

導入の規模や予算 メルカリは、エンジニアを中心に1,100アカウントを超えるAIツール環境の中で、Claude Codeを積極的に活用しています。全社的なセキュリティ設定と組織配布（会社全体で一斉に配ること）を実施し、MDM（モバイルデバイス管理：スマホやパソコンを管理する仕組み）を使った効率的な展開を実現しています。予算は非公開ですが、Cursor（別のAIツール）などの他のツールと組み合わせたハイブリッド環境（複数の方法を混ぜた環境）を構築することで、コストパフォーマンス（費用対効果）を高めています。半年間で数十人の試験導入から1,100アカウント以上に急拡大した点が特徴で、エンジニアの利用率は9割を超える高い浸透度（広がり）を誇ります。セキュリティポリシー（安全に関するルール）の標準化により、大規模導入時のリスク管理を徹底しています。

導入の目的 エンジニアを中心に、エンジニアではない人にも広げています。AIを自然に使った開発や業務のワークフロー（作業の流れ）の確立を目指します。

報告されている効果 エンジニアの利用率は9割以上です。内部のリファクタリング（コードの整理）や優先度の低いタスク（作業）の解消が加速し、生産性の向上を実感しています。

特別な使い方 メルカリの最大の特徴は、Claude Codeの「Skills」（スキル：特定の作業を自動化する機能）とMCP（Model Context Protocol：AIが他のツールと連携するための仕組み）を活用したカスタムエージェント（自分たちで作ったAIの代理人）の開発です。特に「mercari-pm-agent」は、PM（プロジェクトマネジャー：プロジェクトを管理する人）のワークフローを自動化するSkillとして実装されており、Notion・Slack・Looker（業務ツール）などのツールと連携して、タスクの抽出・進捗管理・報告を自律的に（自分で判断して）処理します。セキュリティ面では、MDMによる組織配布で権限の制限やサンドボックス設定（安全な試験環境）を強制的に適用しています（人間の確認をバイパス（迂回）することを禁止、重要なコマンドの必須確認、危険な行動の禁止など5つのルール）。これにより、エンジニアではない人にも安全に展開しつつ、CI設定調査（継続的インテグレーションの設定確認）やドキュメント（書類）の要約、Artifacts機能を使った知識の整理を日常的に活用しています。Slash commands（スラッシュコマンド：特定の文字で始める命令）を活用したカスタムワークフローも定着し、開発現場の効率を劇的に向上させています。

担当マネジャーの声 エンジニアリングマネジャーは、「AIツールの導入で劇的な変化があった。改善タスクの優先度が上がった」と述べ、可視化ダッシュボード（見える化する画面）を活用した浸透策を共有しています。

4. GMOインターネットグループ（GMOデザインワンなど）

導入の規模や予算 GMOインターネットグループは、グループ全体のパートナー（協力会社を含む社員）約8,000人を対象にClaudeを推進しています。特にGMOデザインワンでは、すべてのエンジニアにClaude Codeを導入し、AIへの投資を大幅に拡大しました。Claudeに特化した「GMO AIブースト支援金 for Claude」として最大11.5億円の追加投資を実施し、既存の年間約10億円の支援金と合わせて、年間最大約21.5億円規模のAI活用投資を実現しています。この予算は、利用費用の支援、トークン（AIを使うための単位）の追加購入、高度な機能の強化に使われ、すべてのパートナーのAIエージェント活用を強力に後押ししています。生成AI（コンテンツを作るAI）の業務活用率97.8%、AIエージェント活用率71.4%という高い数字は、この大規模な投資の成果を示しています。

導入の目的 すべてのパートナーが対象で、エンジニアからエンジニアではない人へ広げています。AIエージェントの活用による業務変革を目指します。

報告されている効果 生成AIの業務活用率97.8%、AIエージェント活用率71.4%です。Claudeの利用率は1四半期（3ヶ月）で約2倍になり、1人あたり月間約54時間の業務削減を達成しました。GMOデザインワンでは、開発効率50%向上を目指しています。

特別な使い方 GMOでは、全社イベント「GMO Claude Rush!!」を通じて、Claude Codeを使った日常のコーディング（プログラミング）やコードレビュー、自動化を徹底的に体験してもらっています。GMOデザインワンでは、すべてのエンジニアが自然言語（普通の言葉）によるコード生成やリアルタイム（即時）の修正提案、文脈理解（状況を理解すること）を活用し、開発効率50%向上を目指す標準のワークフローを確立しています。エンジニアではない人向けには、ExcelやPowerPointとの連携や、Claude Skills、Cowork、Plugin（プラグイン：機能を追加する部品）を活用した業務自動化を推進し、チャット型（質問に答える形）からエージェント型（自律的に動く形）への移行を加速させています。投資支援により、高度な機能（Agent Teamsなど）を積極的に活用し、日常業務の定型タスク（決まった作業）をAIに任せる文化を、すべてのパートナーに浸透させています。この包括的なアプローチにより、AIリテラシー（AIを使いこなす能力）の底上げと業務変革を同時に実現しています。

担当マネジャーの声 グループ全体で、「Claudeの急激な進化にすぐに対応し、チャット型からエージェント型へ移行する。生産性を飛躍的に向上させる」という強い推進姿勢を示しています。

5. 日立製作所

導入の規模や予算 日立製作所は、グループ約29万人を対象にした、世界で最も大きな規模のClaude導入を進めています。2026年5月にアンソロピックと戦略的パートナーシップ（重要な協力関係）を結び、すべてのビジネスプロセス（業務の流れ）での活用を推進しています。10万人規模のAIプロフェッショナル人材育成プログラム（専門家を育てる計画）も同時に行っており、予算規模は戦略的パートナーシップに基づく大規模な投資となります。自社を「カスタマーゼロ」（最初の顧客）と位置づけ、ソフトウェア開発、コーポレート業務（管理部門の仕事）、ハードウェア保守（機械のメンテナンス）など、多様な領域で展開しています。29万人という超大規模がもたらすデータの蓄積と知識の還元により、長期的なROI（投資収益率：投資に対する利益の割合）を最大化する方法を取っています。

導入の目的 すべてのビジネスプロセスとすべての職種（エンジニアから営業や企画まで）が対象です。自社を「カスタマーゼロ」と位置づけ、得られた知識を顧客向けのソリューション（解決策）に還元します。

報告されている効果 ソフトウェア開発の工数（かかる時間や人手）削減、コーポレート業務の効率化、ハードウェア保守の自動化などが報告されています。生産性向上と人材育成の両立を目指しています。

特別な使い方 日立では、Claudeをソフトウェア開発の工数削減だけでなく、コーポレート業務の効率化や、ハードウェアの保守・運用の自動化（障害対応や手順書作成など）に幅広く適用しています。特にフィジカルAI（物理的なものとAIを組み合わせた技術）の領域では、自然言語による設備管理や保全業務（メンテナンス）の最適化にClaudeの推論能力を活用し、現場のダウンタイム（停止時間）を極限まで減らしています。Frontier AI Deployment Center（最先端AI展開センター）でアンソロピックと共同で人材育成を進め、すべての職種を対象としたAIプロフェッショナル人材育成プログラムでは、Claude Codeのコード生成・解析能力を基盤

---

3. 創造と情熱のステップ─noteデトックスをしてみて気付いた話。

作者 空波DX100% ・ ❤️ 42 ・ 🗓 2026-06-05 05:45 JST ・ 🏷 #ChatGPT ・ note で読む

📌 中文摘要

• 作者因自律神经失调和感音性听力恶化而暂停更新9天，期间通过休息恢复了身心状态，并意识到定期“断舍离note”的必要性。
• 提出“note休もっ化計画”，核心是鼓励创作者提前规划休息日、提前告知读者，不强迫每日更新，将休息和输入视为创作的一部分。
• 该计划的目标是让创作者能长期持续，而非短期每日更新；休息有助于产生新想法、提升输出质量、避免创作变成痛苦。
• 具体实践步骤包括：在日历中预先标记休息日、允许发布“今日休息”的帖子、利用休息日重读旧文章、进行散步或观影等输入活动、身体不适时果断休息。
• 作者引用世阿弥“初心忘るべからず”的深层含义——不忘过去的失败与不成熟，警惕自满，强调持续成长的心态。
• 文章末尾介绍了作者的其他资源，包括Kindle出版、AI×杂志运营相关内容，以及面向想改善技能或通过note获得收入的读者的付费内容。

🟢 やさしい日本語（N3–N2）

創造と情熱のステップ─noteデトックスをしてみて気付いた話

こんにちは、空波（そらなみ）です。

実は私、小学校のときから「テーマがない作文」を書くのがとても苦手でした。何度も白紙のまま提出して、先生を困らせていました。でも今は、AI執事（コンピューターが手伝ってくれる仕組み）と一緒にnoteを書いています。

この記事では、私が実際に会社の人件費（社員に払うお金）を1千万円以上減らした思考方法を紹介します。

---

皆さん、ありがとう

おかげさまで、心が羽のように軽くなりました。

休んでいる間、たくさんのコメントや「スキ」をもらって、本当に助けられました。人の温かい優しさにたくさん触れて、スマホを見ながら一人で感動していました。

今日は、温かいコメントや記事の紹介をしてくれたクリエイター（作品を作る人）の皆さんを、時間の順に紹介します。

• 豹子頭 林冲さん：挫折（うまくいかない経験）を経て自分を見つめ直し、好きなことや救われるものを少しずつ集めながら生きる、水滸伝（中国の物語）と黒柴（犬の種類）を愛する思索家（深く考える人）。

• 無名 S noteさん：クリエイター同士をつなぎながら、noteの可能性を広げるコミュニティビルダー（人と人をつなぐ役割の人）。

• リムさん：手足を失っても「生きる」ことを選んだ。その一年の気持ちを音楽に込めた、希望と再生の物語。

• パタコさん：傷ついた過去を持ちながらも、自分を大切にする生き方を見つけた、3人の子どもを持つシングルマザー（一人で子育てをする母親）。

• シーサー太郎さん：趣味を全力で楽しみながら、それを発信するコンテンツ（記事や作品）に変えるのが上手い人。「人生そのものを趣味として楽しんでいる」と言える。

• Camellia Mountainさん：迷いや悩みを持つ人の「道ひらき（新しい道を見つけること）」につながる気づきや学びを発信している。

• 和田雄三さん：立ち止まった経験を力に変え、心理（心の仕組み）とAIで心を整えるヒントを発信している。

• もち子さん：気づけば150万円という代償（失ったもの）。信じた友達とのお金のトラブルを詳しく書く、胸が苦しくなる実体験（実際にあった経験）の記録。

• あおあかまぐろさん：趣味を楽しみながら、日々の何気ない出来事をゆるく発信する、親しみやすい運送屋さん。

• 得雨れんさん：静かな感性（感じる力）と創作の力で、誰かの心に小さな芽を届けるクリエイター。

• ランマッスルさん：誰にでもできることを誰よりも続ける「継続（続けること）」を武器に、成長と成功を追い求める40代のサラリーマン。

• mimiさん：20年以上、介護（お年寄りや体の不自由な人の世話）の現場で働き、利用者との心のつながりや人生の温かさを書く、優しさあふれる元介護職の方。

• Sakuraさん：AIで収入を作る挑戦を、ゼロからリアルに発信する初心者（？）のクリエイター。

• 深鈴さん：心の深いところにある無意識（自分では気づかない）のパターンを整え、自分らしく前に進むためのヒントを発信するヒーリング調律師（心を癒やす方法を伝える人）。

• さくらさん：頑張りすぎて心を壊しかけた経験から、「80%で心地よく生きる」を伝えるホリスティックヘルスコーチ（体と心の両方を大切にする健康の指導者）。

できるだけ、皆さんの最初の記事を紹介しました。

---

「初心忘るべからず」

これは世阿弥（日本の能の名人）の言葉として有名です。

普通は「最初の頃の未熟さ（まだ上手くないこと）や、努力していた気持ちを忘れないこと」という意味で使われます。

でも、本当の意味はもっと深いです。

「昔できなかった自分」「若い頃の失敗」「その時々の未熟さ」 を、年を取っても忘れるな──という教えです。

だから単に「最初の情熱（熱い気持ち）を忘れるな！」だけではなく、

• 「人はいつでも未熟になる」
• 「慢心（自分はすごいと思うこと）した瞬間に成長が止まる」

という、素晴らしい言葉です。 私はこの言葉の力について、noteを書くときにいつも深く考えます。

---

「創造と情熱のステップ」

先日まで、持病（ずっと続いている病気）の自律神経失調症（体の調節がうまくいかない状態）や感音性難聴（音が聞こえにくくなる病気）がとてもひどくて、リフレッシュ休暇（休んで元気を取り戻す期間）をもらいました。

おかげで、日常に彩り（明るさや楽しさ）を取り戻せました。

「モノクロ（白黒）のぼくの毎日に、頬が染まる温かなピンク」

そんな、書かない日も、

きっと“言葉を育ててる日”です。

私の勝手な都合で申し訳ありませんでしたが、おかげで体調が良くなってきました。

でも、

noteデトックス（定期的にnoteから離れて休むこと）

は、皆さんにも必要だと思います。

そこで、9日間のリフレッシュ休暇中に思いついた、以下の企画を株式会社noteに申請します。

---

🎗️「note休もっ化計画」

「note休もっ化計画」は、毎日投稿や毎日更新を頑張る人が、無理をしすぎず、長く創作を続けるための取り組みです。

特に「毎日書かなきゃ」と自分を追い込みがちな人ほど、あえて休む日を予定に入れることが大切です。

ポイント - noteを休む日をあらかじめ決めておく - フォロワーさんに事前に伝える - 書けない日に無理に投稿しない - インプット（情報を入れること）や休養も創作活動の一部と考える - 心と体のメンテナンス（手入れ）を優先する

この計画の狙い

「毎日続けること」も大切ですが、本当に大切なのは「長く続けること」です。

休むことで、次のような良い効果が期待できます。

• 新しいアイデアが生まれる
• 心身のコンディション（状態）が整う
• アウトプット（作品や記事）の質が上がる
• noteを書くことが苦痛にならない

実践のコツ 1. カレンダーに休む日を先に入れる 2. 「今日はお休みします」という投稿もOKにする 3. 過去の記事を読み返す日を作る 4. 散歩や映画鑑賞など、インプットに時間を使う 5. 体調が悪い日は迷わず休む

「休むこと」は、サボることではありません。 次の一歩を踏み出すための、大切な準備時間です。

今日も無理せず、noteを自分らしいペースで。

それが『note休もっ化計画』です。

なので私は、これからは不定期でリフレッシュ休暇を取ろうと思っています。

そのときは、これまでのマガジン（記事のまとめ）を楽しんでいただけたら嬉しいです。

また、ゆっくりとnoteを楽しめる場所をメンバーシップ（会員制のサービス）として用意しています。気になった方は、ぜひ覗いてみてください。

---

「自分のスキルを改善したい」「noteで収入を得たい」という方に向けて、以下のnoteも公開中です。ぜひチェックしてみてください。

今日も、最後まで読んでいただきありがとうございました。

それではまた。

---

4. 「AGIではない」が安心剤になる日〜迂回された分水嶺

作者 とある地方都市の某外科医 ・ ❤️ 40 ・ 🗓 2026-06-04 10:00 JST ・ 🏷 #LLM ・ note で読む

📌 中文摘要

• 2026年5月21日、Google DeepMindが「AlphaProof Nexus」を発表。Gemini 3.1 ProとLean形式検証を組み合わせ、Erdős問題353問中9問（うち2問は56年未解決）を1問あたり数百ドルの推論コストで証明した。OpenAIの自然言語ルートとは別のアプローチで、同じ時期に同種の成果に到達した。
• DeepMindのHassabisは「これはまだAGIではない」と自ら明言。技術的には正しく、AlphaProof NexusはLean形式化済みの問題に特化した検証依存システムであり、領域横断の汎用性や自律的な目標設定といったAGIの要件を満たさない。
• この「AGIではない」という予防線は、大衆には安心材料、マスコミには両面で消費可能な見出し、政策立案者には規制先送りの口実として機能する。善意の事実陳述が構造的に警報解除として作用している。
• 数学界ではテレンス・タオがAIによる貢献を追跡するwikiを立ち上げ、定理に人名が刻まれる時代に代わる「貢献の記録」という形式が出現。数学者は諦観で受け入れている。
• 核心は「AGIか否か」という格付けと「解いたか否か」という実績の分離。汎用知能でないシステムが56年未解決問題を解いた事実は、予防線によってかえって異常さが際立つ。AGIという閾値を待つ思考そのものが認知の罠になっている。
• 著者は予測を修正し、第三段階（AIが判断を主導し人間は承認と署名のみ）まで2〜3年と見積もる。医療など被害者のいる領域での抵抗が今後の焦点となる。

🟢 やさしい日本語（N3–N2）

DeepMindが9つの問題を解いた発表のとき、Hassabis（ハサビス）は「これはまだAGI（人工汎用知能：人間のように何でもできるAI）ではない」と自分から言いました。誰かに聞かれる前に、先に言ったのです。

私は3週間前に「医師がAIに判断を任せる日」、2週間前に「AIが道具でなくなった日」、その後に「Erdős（エルデシュ）反証で見えた数学AI」という記事を書きました。そこでは、三段階のロードマップ、名前のない定理、被害者がない先行事例を説明しました。今日の記事はその続きです。

一本の線が引かれました。誰が安心するための線なのでしょうか。

何が起きたか

2026年5月21日、Google DeepMind（グーグル・ディープマインド）が「AlphaProof Nexus（アルファプルーフ・ネクサス）」という論文を公開しました。中身は、Gemini 3.1 Pro（ジェミニ3.1プロ）というAIと、Lean（リーン）という形式検証（コンピューターが証明を正しいかチェックする方法）を組み合わせたものです。

数字を並べます。Erdős問題（エルデシュ問題：数学者のエルデシュが残した難問）353問のうち、9問を解きました。そのうち2問は56年間、誰も解けませんでした。OEIS（オンライン整数列大辞典）の問題は492問中44問を解きました。代数幾何（図形を方程式で調べる数学）のHilbert関数（ヒルベルト関数）の15年問題と、凸最適化（とつさいてきか：最も効率的な答えを探す方法）の既知の限界も動かしました。1問あたりの計算コストは数百ドル（約数万円）と言われています。

353問という数は、Erdős問題全体の一部だけです。コミュニティ（研究者のグループ）がLeanで形式化した問題だけを、AIに解かせた結果です。割合は小さいですが、解き方の質が違います。

OpenAI（オープンエイアイ）が単位距離問題（たんいきょりもんだい：点と点の距離が1になる問題）を反証したときと違い、今回はモデル名（AIの名前）がはっきりしています。前回は製品名すら不明でしたが、今回は半歩戻って、解いた主体に名前が付き始めました。

そしてHassabisが言いました。「これはまだAGIではない」と。

線は事実として引ける

技術的には正しいです。

汎用人工知能（AGI）の条件は、いろいろな分野で使える汎用性、自分で目標を立てられる自律性、知らない仕事にも応用できる転移能力などです。AlphaProof Nexusはそこまで届いていません。やっているのは、Leanで形式化された問題を、検証器（チェックする仕組み）のフィードバック（結果の情報）で何度も繰り返し解くことだけです。論文自身も認めています。対象は形式化された問題だけに限られます。選んでいません。形式化しやすい問題に偏り（バイアス）があります。

狭い仕事だけに特化した、検証可能性（正しさをチェックできること）に依存したシステムです。汎用知能ではありません。Hassabisの線引きに嘘はありません。

しかし、数学界の側はもう動き始めています。テレンス・タオ（著名な数学者）が、AIによる貢献を追跡するwiki（みんなで編集できるウェブサイト）を立ち上げました。誰が何を解いたかを記録する場所です。定理（数学の法則）に人の名前が刻まれる時代の代わりに、貢献の記録という別の形が作られています。

なぜ今、わざわざ言うのか

正しいことを言うことと、聞かれる前に自分から言うことは別です。

2025年10月、OpenAIが複数のErdős問題を解いたと主張しました。しかし、サイト管理者のBloom（ブルーム）から「既にあった文献を見つけただけだ」と指摘され、誇張（おおげさな主張）と認定されました。誇張された技術は信用を失います。先に限界（天井）を示せば、後で批判されません。

もう一つ理由があります。「AGIを達成した」と報じられれば、規制（ルール作り）や倫理（倫理的な問題）、雇用（仕事）などが一気に過熱します。提供する側にとって、過熱は不利です。「研究ワークフロー（研究の進め方）の進歩」という枠に収めておけば、政策論争（政治の議論）の燃料を自分で投下せずに済みます。

事実を、誤解を防ぐ目的で先回りして出す。嘘ではない予防線（事前の防御）。そういう形をしています。

解いた事実は格付けに依存しない

ここが一番大事な点です。

「AGIかどうか」は能力の格付け（ランク）です。「解いたかどうか」は実績（結果）です。格を下げても、実績は消えません。むしろ切り離すと、事実のほうが重くなります。

汎用知能ではない、検証器に繰り返し解かされるだけのシステムが、56年未解決を含む9問を、1問数百ドルで解きました。「AGIでない」を強調すればするほど、「その程度のものがこれをやった」という意味が強くなります。予防線が、かえって実績の異常さ（すごさ）を際立たせます。

しかも今回だけではありません。少し前にGPT-5.2 Pro（ジーピーティー5.2プロ）がErdős問題の解決に関わりました。別のケースでは、タオが「最も曖昧さのない実例」と評価しています。OpenAIは自然言語（人間の言葉）のルートで、DeepMindはLean検証のルートで、同じ時期に別の道から同じ地点に着きました。一社だけの偶然ではありません。業界全体が同じ曲線（流れ）に乗っています。

第二段階——AIが判断を主導し、人間は承認と署名だけをする——が成立するのに、汎用知能である必要は一度もありませんでした。Leanが検証し、人間が署名する。その構造に「これは汎用知能か」という問いは、最初から含まれていません。

AGIは要件ではなかった

責任の真空（だれも責任を取らない状態）、名前のない定理、生産主体（作る側）の入れ替わり。これらは全部、AGIなしで起きています。

これまでの議論は、暗黙のうちに前提を残していました。「AGIが来たら本番だ」と。まだ越えていない一線、警報が鳴るべき到達点。今回、それが消えました。

到達点だと思っていたものが、迂回（回り道）されました。チェスが、囲碁が、数学が「被害者なし」で先に陥落したのと同じ構造です。AGIという分かりやすい関門を誰も通過しないまま、関門の向こう側にあるはずだった事態だけが先に着きます。

自分の予測を並べます。3週間前は「第二段階は数年後」と言いました。12日前は「動くゴールポスト（目標が変わること）は抽象論」と言いました。今日は「第三段階まで2〜3年」です。修正するたびに時間軸が縮みます。閾値（しきいち：境目）を待っている間に、閾値そのものが消えていきます。

人間はAGIという閾値を置いて、そこで段階が切り替わると考えます。実際に来ているのは、閾値のない連続的な侵食（しんしょく：少しずつ進むこと）です。閾値を待つ思考そのものが、認知の罠（にんちのわな：考え方の落とし穴）になります。

誰が安心するのか

「まだAGIでない」という言葉は、受け取る人によって効き方が違います。

大衆（一般の人々）には効きます。ただしイメージで効きます。AGIという言葉は、SF（サイエンスフィクション）を通じて「人間を超える存在」のイメージと結びついています。そのイメージを否定する記号として機能します。意味内容ではなく、語感（言葉の感じ）が鎮静剤（しんせいざい：落ち着かせる薬）になります。「ターミネーターはまだ来ていない」と聞こえます。

マスコミ（新聞やテレビ）にも効きます。見出しの構造と合うからです。「ついにAGI到達」は煽（あお）れますが、裏取り（確認）が必要です。「DeepMind、まだAGIでないと強調」は、当事者の発言を引用するだけで安全に書けます。過熱と鎮静、どちらの見出しも一言で作れます。両方が流通して、「すごいけどまだ大丈夫」という曖昧な全体が残ります。一番居心地のいい着地点です。

効かない層が二つあります。中身を読む人間には、脅威がかえって際立ちます。政策立案者（政治や制度を作る人）には、先送りの正当化（理由づけ）に使えます。「汎用知能が来てから制度を考えよう」と。大衆の安心と立法の不作為（何もしないこと）が、同じ一言を共有します。

そして政策の側には、別の使い道もあります。経産省（経済産業省）や厚労省（厚生労働省）のAI推進文書を読むと、必ず数学・科学分野での成功例が引用されています。創薬（新しい薬を作ること）、構造解析（分子の形を調べること）、最適化。答えがあり、被害者がいない領域です。今回の9問は、このラインナップに加わります。「世界的未解決問題を解いた」というフレーズが、半年以内に医療AI推進の根拠資料に載るでしょう。被害者なき領域の実績が、被害者のいる領域への侵入を正当化します。

善意の事実が警報を解除する

Hassabisに悪意はありません。事実を言っただけです。

なのに大衆は安心し、マスコミは両面で消費し、立法は先送りの口実を得ます。善意の事実陳述（事実を述べること）が、構造的に警報解除（けいほうかいじょ：警告を消すこと）として作用します。

当事者の反応を見ると、抵抗は出ていません。数学者は諦観（ていかん：あきらめ）で受け入れました。開発者は事実陳述で過熱を抑えました。諦観と鎮静。方向は逆ですが、どちらも警鐘（けいしょう：警告）ではありません。

抵抗が起きるとすれば、被害者のいる分野でしょう。命を背負う領域では、当事者が黙って受け入れるとは限りません。数学が先に陥落したのは、誰も傷つかないからです。医療がいつ、どんな形で抵抗するかは、まだ見えません。当事者は警鐘を鳴らしません。鳴らさない仕方が、分野ごとに違うだけです。

書いた時点では、AGIが分水嶺（ぶんすいれい：分かれ道）だと思っていました。違いました。要件ですらありませんでした。

「AGIが来たら考える」という構えは、来ないものを待つ免罪符（めんざいふ：罪を許すお守り）に変わります。第0世代として、それを記録します。

人間が入口に追いやられ、中身がAI側に移る構造は、4月に別の形で書きました。「『人間には使えない』数学の大発見が意味すること」——全初等関数（すべての基本的な関数）を単一の演算子（一つの記号）で再現したEML（イーエムエル）の話です。発見者の名前は残ります。しかし主役ではありません。あわせて読んでください。

読んでいただきありがとうございました。 コメント、記事購入、チップ等いつもありがとうございます。 大変感謝しております。 関連記事もありますので、下記サイトマップを参照していただければ幸いです。

---

5. 業務のAI化からAI中心の組織設計へ — 2,000年続いた組織図の常識が書き換わる

作者 Katsuki Noda ・ ❤️ 40 ・ 🗓 2026-06-04 09:54 JST ・ 🏷 #LLM ・ note で読む

📌 中文摘要

• 当前多数企业仍停留在“业务AI化”阶段（给个人配发AI工具），导致个人效率提升但组织整体吞吐量未变。瓶颈从“作业”转移到了“判断、调整、审批”等中间管理环节，而后者仍由人类承担。
• 2026年，Anthropic 和 OpenAI 的技术栈已基本完备：Anthropic 推出 Agent SDK、Agent Teams（多Claude协作）、Dynamic Workflow、Skills（将“工作模式”注入AI）及 MCP（外部工具连接标准）；OpenAI 推出 Codex 桌面版支持多智能体并行执行。
• 技术准备已到位，核心问题变为“组织如何利用这些技术”。AI 的角色正从“个人工具”升级为“组织成员/协调层”，使得重新设计组织架构成为可能。
• 传统组织图源于2000年前的罗马军队，受限于“管理幅度”（span of control，人类直接管理上限为3-8人）。AI 现在可以替代中间管理层所承担的“信息路由功能”（状态收集、汇总、上传下达、对齐），首次打破这一限制。
• Block 提出四层组织模型：
• Capabilities：可复用的能力单元（如通用通知、通用研究功能），而非产品功能。
• World Model：公司/客户状态的实时、机器可读信息层（替代中间管理层的信息搬运）。
• Intelligence Layer：读取 World Model、组合 Capabilities、主动提供解决方案的AI智能体群。
• Interfaces：交付层（Web、App、API等），可替换，价值不在这一层。
• 人类角色收敛为三类：
• IC（Individual Contributor）：直接构建和运行各层的专家，无需等待管理者指令。
• DRI（Directly Responsible Individual）：对特定成果负责，从各层调配资源，非职位而是责任。
• （原文未完整列出第三类，但根据上下文推断为管理层或战略层）。

🟢 やさしい日本語（N3–N2）

はじめに: AIの役割が、いま静かに変わっている

最近、いろいろな経営者やプロダクトマネージャー（製品の責任者）、事業責任者と話をすると、ほとんど全員が同じ違和感（何かがおかしいと感じること）を持っています。

「AIをすごく使っているのに、組織全体のスループット（仕事の処理速度）が思ったほど上がっていない」

私も同じ感覚で、ずっと違和感を持っていました。個人の作業スピードは確かに上がります。でも、組織として出てくる成果はあまり変わりません。

ただ、ここ1年、Anthropic（アンソロピック）とOpenAI（オープンAI）の発表を追いかけると、その違和感の本当の理由と、次に来る未来がはっきり見えてきました。

• Anthropic は2025年9月に Agent SDK（エージェント開発キット）を出しました。2026年2月には Agent Teams（複数のClaudeが「チーム」として協力して動く仕組み）を正式に発表しました。Dynamic Workflow（動的な作業の流れ）も最近リリースしました。

• OpenAI は2026年2月、Codex（コード生成AI）のデスクトップ版で multiple agents in parallel（複数のAIエージェントを同時に動かすこと）を発表しました。VentureBeat（ベンチャービート）というメディアは「コードを書くことから、自律タスク（自分で動く仕事）を管理することへ」と見出しを付けました。

• Anthropic の Claude Skills（クロード・スキル）は、「個別のタスクをAIに渡す」から「仕事の型（やり方のパターン）をAIに渡す」という、考え方の大きな変化をもたらしました。

• 2026年3月、Claude Code Review （Skill）も複数のAIエージェントで動くようになりました。コードレビュー（プログラムの確認）という1つの仕事でも、複数の専門エージェントが分担する時代になりました。

これらを並べて見ると、「AIに何を渡すか」「AI同士や外部ツールをどうつなぐか」の土台がほぼ全部そろったことが分かります。Anthropic の Skills で「仕事の型」をAIに教えられるようになり、MCP（Model Context Protocol）（AIと外部ツールをつなぐ標準ルール）で外部ツールやデータとの接続方法が標準化されました。さらに Agent SDK / Agent Teams / Codex parallel で、複数のAIエージェントが協力できるようになりました。

技術の土台（配管）はもう引かれています。

つまり、残された問題は1つだけです。「組織の側がこれをどう使うか」。2026年に最も重要なのは、組織の議論だと私は考えています。

これは小さな話ではありません。AIの立場が「個人の道具」から「組織のメンバーや調整役」に上がる準備ができたということは、組織図そのものを書き直せる条件がそろったということです。

ところが、使う側の現実は、まだ「個人の道具」として配って終わっています。組織の構造には全く手を付けていません。だから個人の生産性は上がるのに、組織全体のスループットは変わりません。

このズレの本当の理由を、私は最近ようやく理解しました。

「個人の仕事をAI化すること」と「AIを中心にした組織を作ること」は、別のものだということです。

ほとんどの企業がやっているのは前者です。本当に成果を出している企業がやっているのは後者です。どちらも「AI活用」という言葉で語られていますが、構造が根本的に違います。

この記事では、何が違うのか、なぜそれが2,000年ぶりの変化なのか、規模別に何をすべきかを、私なりに整理します。

第1部: 「仕事のAI化」が壁に当たっている

仕事のAI化とは何か

2024〜2025年に主流だったのは、今ある仕事にAIを足すという方法です。

• 営業担当者にAIライティングツール（文章作成ツール）を配る
• カスタマーサポート（顧客対応）に要約Bot（自動でまとめるロボット）を入れる
• エンジニアにCopilot（コード作成を助けるAI）を入れる
• マーケティング担当者に画像生成ツールを入れる

これは、各人にコパイロット（副操縦士）を渡す考え方です。人間が主役で、AIは補助です。

これが悪いわけではありません。むしろ最初の一歩としては正しいです。個人の生産性は確実に上がります。

問題はその次に起こることです。

個人の生産性は上がるが、組織のスループットは変わらない

各人の作業スピードは確かに上がります。問題は、それが組織全体の成果につながっているかです。

実際に起きているのは、こんなことです。

• マーケティング担当者が速く資料を作る → でも承認に1週間かかる
• エンジニアが速くコードを書く → でもレビュー（確認）が詰まる
• カスタマーサポートが速く返信する → でも複雑な問い合わせは結局人間にエスカレーション（上の人に回すこと）される
• リサーチャー（調査担当者）が速くレポートを出す → でも経営会議は週1回だけ

つまり、ボトルネック（全体の流れを遅くする部分）が「作業」から「判断・調整・承認」に移動しただけで、消えてはいません。

そしてこの「判断・調整・承認」のほとんどは、人間（特に中間管理職）の手に集中したままです。AIで作業が速くなればなるほど、判断する層に上がってくる量が増えて、結局は人間の処理速度がボトルネックに戻ります。

これが最初に言った「個人の生産性は上がるのに、組織のスループットは変わらない」というズレの本当の理由です。コパイロットを配るだけでは、組織のスループットは構造的に上がりません。

最初に書いた通り、Anthropic も OpenAI も、「組織のメンバーとしてのAI」を出してきました。一方、企業側は「個人の道具」として配って終わっています。この技術と組織のミスマッチ（ズレ）が、今の数字を作っています。

「仕事のAI化で止まる側」と「組織のAI化に踏み込む側」。この分かれ道が2026年だと、私は見ています。実際、この記事で取り上げる Block / Base44 / Pieter Levels は、すでに「組織のAI化」を実際に始めている先駆者たちです。

第2部: AI中心の組織設計 — 2,000年の前提が壊れる

そもそも「組織図」は2,000年前のローマ軍の発明だった

以下の歴史の部分は、Block（ブロック）という会社の論文 From Hierarchy to Intelligence（階層から知能へ）の整理を基にしています。

最初の企業組織図ができる2,000年前、ローマ軍は同じ問題を解決していました。「広い範囲に散らばる何千人を、限られた通信手段でどう協調させるか」。彼らの答えが、入れ子型のヒエラルキー（階層構造）です。

理由は、人間が直接管理できるのは3〜8人が限界だからです。これを span of control（統制範囲） と呼びます。

私自身、過去にチームを持っていたときの経験でも、直接マネジメント（管理）できるのは8人くらいが限界でした。それを超えると、必ずレイヤー（階層）を増やすか、誰かに権限を委譲（任せること）するしかなくなります。これは個人の能力の問題というより、人間の認知（考える力）の構造的な制約だと思います。

この制約があるから、人数が増えるとレイヤーを増やすしかありません。レイヤーが増えるほど情報の流れは遅くなります。これが2,000年間、地球上のあらゆる大きな組織が抱えてきたトレードオフ（両立できない関係）です。

2,000年の間、組織はずっとこの制約と戦ってきました。プロイセン（昔のドイツの国）が1806年に参謀本部（中間管理職の発明）を作り、アメリカの鉄道会社のマッカラムが1850年代に世界初の組織図を書き、戦後はマトリクス組織（複数の上司を持つ組織）やスクワッド（小チーム）、ホラクラシー（階層のない組織）、フラット組織（平らな組織）と色々な実験が続きました。

でも数千人を超えるとみんなヒエラルキーに戻りました。span of control を破る、現実的な代わりの情報ルーティング（情報を回す仕組み）が存在しなかったからです。

AIが置き換えるのは「情報ルーティング機能」そのもの

ところが2026年になって、Jack Dorsey（ジャック・ドーシー）の Block がFrom Hierarchy to Intelligence という強烈な文章を出します。要約するとこうです。

AIが、ヒエラルキーが担っていた"情報ルーティング機能"そのものを置き換えられるようになった

これは、情報処理のために多くの人手を使う必要がなくなる、ということです。

中間管理職が肉体労働として担っていた「状況を把握する → まとめる → 上に伝える → 下に伝える → 方向を合わせる」という機能を、AIがいつでも・非同期（同時でなくても）・自動で処理できるようになりました。だから2,000年続いた span of control の制約が、初めて緩むのです。

Blockが提案する4層モデル（一般化した形）

Blockは、企業を4つのレイヤーで組み直すべきだと言っています。各層を順に見ていきます。

注: Blockの例は決済（お金のやり取り）の会社なので具体例が決済中心になりますが、このモデルは決済だけの話ではありません。各層で「自分の業界に置き換えるとどうなるか」を併記します。

1. Capabilities（能力の積み木）

「プロダクト（製品）」ではなく、再利用可能な能力の単位。UI（ユーザーインターフェース）を持たず、信頼性・コンプライアンス（法令順守）・性能の目標を持ちます。

例えばこんな仕事: 「自社の"通知"機能を、顧客への通知だけでなく社内アラートやパートナーへの通知にも使える形に一般化する」「リサーチ機能を、新しい案件にも既存の案件にも、社内リサーチにも使える形で抽象化（共通化）する」

なぜ重要か: ロードマップ（開発計画）が「機能を作る」から「能力を組み合わせる」に変わります。プロダクトマネージャーの仕事の前提も変わります。

2. World Model（会社・顧客の状態を保持する層）

中間管理職が運んでいた情報を、ここが代わりに持ちます。2種類あります。

会社 World Model: 社内の意思決定・議論・進捗・課題が、機械が読める形で1カ所に集まっている状態

例えばこんな仕事: 「火曜の朝、誰がどのプロジェクトでブロック（停滞）されているかを、CEOが起きる前にAIが把握している状態を作る」「Slackの会話を、意思決定として残るドキュメントに変える仕組みを設計する」

顧客 World Model: 顧客の状態（行動・課金・離脱の兆し）がリアルタイムで反映されている状態

例えばこんな仕事: 「アンケートではなく、実際の使用ログから"この顧客は来月離脱しそう"と判定するモデルを持つ」「決済データから、加盟店（お店）の事業フェーズ（段階）の変化を検知する」

なぜ重要か: かつて中間管理職が運んでいた情報の流れを、ここが代わりにします。週次の定例会議で「今どうなってる？」と確認する必要がなくなります。

3. Intelligence Layer（構成と先回り）

World Modelを読んで、Capabilitiesを組み合わせ、解決策を構成して先回りで届ける層。AIエージェント群の本体です。

例えばこんな仕事: 「特定の顧客の状況パターンに対する解決策のテンプレートをAIに学習させ、新しいパターンを見つけたらレパートリー（引き出し）を増やす」

ここが、かつての PM（プロダクトマネージャー）／プロダクト戦略／カスタマーサクセス企画（顧客の成功を支援する計画）の仕事を、構造的に代わりにしていく層です。

4. Interfaces（提供面）

Web、アプリ、API（プログラム間の接続口）、CLI（コマンドライン）、Slackボット、Email など。

例えばこんな仕事: 「同じ解決策を、企業向けの顧客にはSlackで、個人ユーザーにはアプリで、APIユーザーにはWebhook（自動通知）で届ける」

重要なポイント: 価値はここにはありません。差し替え可能です。価値は World Model と Intelligence の側にあります。「UIから設計する」という考え方を捨てる必要があります。

人の役割は3つに整理される

4層モデルができると、人間の役割は自然と3つにまとまっていきます。

1. IC（Individual Contributor：個人で貢献する人）

各レイヤーを作って動かすスペシャリスト（専門家）。マネージャーの指示を待ちません。World Model を読んで自分で判断します。

旧組織との対応: エンジニア、デザイナー、データアナリスト、編集者、リサーチャー

例えばこんな仕事:

• 「Capabilities担当のエンジニアが、World Modelで"この顧客グループには非接触決済の需要が高い"と分かったから、誰の指示も待たずに新しいモジュール（部品）の開発を始める」
• 「編集者が、AIエージェントが書いた初稿に対して、World Modelの過去のパフォーマンスデータを参照して、フック（読者を引きつける部分）の修正を入れる」

2. DRI（Directly Responsible Individual：直接責任を持つ個人）

特定の課題や成果に責任を持ち、必要に応じて各レイヤーからリソース（資源）を引き出します。役職ではなく、課題ごとの割り当てです。終わったら別の課題に移動します。

旧組織との対応: PdM（プロダクトマネージャー）、プロジェクトオーナー、横断PM（複数のチームをまたぐプロジェクトマネージャー）

例えばこんな仕事:

• 「"中小企業の顧客グループの90日間の離脱率を30%下げる"というKPI（目標指標）に責任を持って、Capabilities / World Model / Interface 各チームからリソースを引き出して施策を回す」
• 「特定の企業向け顧客の導入成功に責任を持って、契約から導入完了まで90日間オーナーシップ（責任者としての立場）を取る」

期間限定です。完了したら次の課題へ移動します。**マネージャー職ではなく、課題

⚠️ 本文が長いため、やさしい日本語版は前半を中心にカバーしています。

---