おはようございます！水曜日の朝、今週も折り返し地点ですね。今日はAnthropicから営業組織や小規模事業者向けのガイドや新機能が届いたほか、AWSが「小さなAIモデルを鍛えて使う」手順を公開、人の隣で働くヒューマノイドロボットの安全設計、そしてAIインフラ投資は1兆ドル規模の賭けだと整理した長文記事まで、実務寄りの話題と大きな視点の話題がバランスよく並びました。それでは、さっそく見ていきましょう！
Anthropicが営業組織へのClaude展開ガイドを公開、3段階の計画とROIの測り方も
Anthropicが公式ブログで、レベニューリーダー（営業や収益の数字に責任を持つリーダー）向けに、Claudeを営業組織全体へ展開する方法をまとめたガイドを公開しました。内容として案内されているのは、パイロット（試験導入）の前に決めておくセットアップの決定事項、セットアップ・パイロット・スケール（全体展開）の3段階に分けた展開計画、そしてROI（投資対効果）を効率化・拡張・新しい能力の3つの観点で測るためのフレームワークなどです。あわせて、自社の現在地を示す成熟度モデルや、全社展開が止まりやすい落とし穴とチェックリストも含まれているそうです。
新しいツールを組織に入れるとき、「とりあえず全員に配る」だけではなかなか定着しませんよね。段階を分けて広げていくこと、そして効果をどう測るかを先に決めておくこと。このガイドが示している進め方は、営業以外の部署で何かを導入する担当になったときにも、そのまま参考になりそうです！
出典：Anthropic
https://claude.com/blog/building-an-ai-native-revenue-organization
中小企業向けClaudeに新しいワークフローと連携機能、SMBツアーも次の行程へ
Anthropicが、Claude for Small Business（中小企業や小規模事業者向けのClaude）について、新しいワークフローと統合機能（他のツールとの連携機能）をリリースしたと発表しました。事業のオーナーが日々の運営と事業の成長を進めやすくすることが狙いだと説明されています。あわせて、Claude SMBツアー（小規模事業者向けの無料ワークショップを各都市で開くイベント）の次の行程も始まるとのことです。
発表によると、Claude for Small Businessのワークフローは43種類になり、新たに27の連携先が加わりました。ShopifyやSalesforce、Zoom、Xero、Stripe、Zapierといった、小規模事業者がすでに使っているツールが並びます。5月の公開以来、インストール数は90万回を超えたそうです。トレーニング面では、この秋に米国10都市で無料の対面ワークショップを開くほか、14社の連携パートナーがそれぞれ無料のウェビナーを開く予定とのこと。また、既定の設定では、Claudeが作業をしたあと、何かを送信・投稿・支払う前には必ずオーナーの承認を待つ仕組みだと説明されています。大企業だけでなく、人手の限られた小規模な事業者に向けても、AIの提供元が専用の整備を進めている流れが見えてきますね。自分の商売で使っているツールが連携先に入っているか、まず確かめてみるのがよさそうです！
出典：Anthropic
https://claude.com/blog/claude-for-small-business-launches-new-workflows-integrations-and-training-programs
AWSが解説、小さなオープンウェイトモデルを鍛えて商品タグ付けを自動化する手順
AWSの機械学習ブログで、ネット通販などの商品カタログに「タグ」を自動で付けるシステムの作り方が解説されています。商品名や説明文はいろいろな出どころから集まってきて形式もばらばら。検索やおすすめ表示の土台になるタグを何千点もの商品に人手で揃えるのは時間がかかり、一貫性も保ちにくい、という課題が出発点です。今回の手順では、Qwen3-8Bというオープンウェイトモデル（内部の重みが公開されていて、自分で調整できる比較的小さなAIモデル）を、Amazon SageMakerのサーバーレスモデルカスタマイズという機能で鍛えていきます。
鍛え方は2段階です。まず教師あり微調整（SFT。正解例を見せて、出力の型であるスキーマを覚えさせる方法）で9つの項目からなるタグの形式を学習させ、次に検証可能な報酬による強化学習（RLVR。答えを機械的に採点できる仕事で、正解に近いほど報酬を与えて精度を高める方法）で、タグの取りこぼしと余計なタグの付けすぎのバランスを調整します。記事によると、ここでいう「サーバーレス」は学習の工程を指していて、学習用の計算機を自分で選んだり管理したりしなくてよい一方、できあがったモデルを動かす推論には、Amazon SageMakerの非同期推論エンドポイント（ml.g6.2xlarge）を別に用意する構成です。練習用のデータには、Kaggleで公開されているAmazon Sales Dataset（1,000件超の商品レコード）が使われています。
このニュースから見えてくるのは、何でもできる最先端モデルに毎回頼るのではなく、目的がはっきりしていて正解を機械的に判定できる仕事なら、小さなモデルを特化させたほうがコストと精度の釣り合いが取りやすい、という考え方です。記事自身も、仕事の中身が頻繁に変わる場合や分類の体系がまだ固まっていない場合、幅広い推論が必要な場合は最先端モデルのほうが向くと補足しています。「全部AIに任せる」ではなく「どの仕事にどの道具か」を切り分ける視点は、業務の自動化を考えるときにそのまま使えそうですね！
出典：AWS Machine Learning Blog
https://aws.amazon.com/blogs/machine-learning/build-an-ai-powered-product-tagging-system-with-amazon-sagemaker-serverless-model-customization/
WhatsApp Businessの面倒な初期設定、MetaがAIエージェントに任せられるMCPサーバーを提供
TechCrunchの報道によると、Meta（FacebookやInstagram、WhatsAppを運営する企業）が、WhatsApp Business（企業がお客さんとやり取りするためのWhatsAppのビジネス版）向けに新しいMCPサーバーを用意しました。MCP（Model Context Protocol、AIを外部のツールやデータにつなぐための共通ルール）に対応したことで、開発者はClaudeやCursor、Codex、ChatGPTといったAIコーディングエージェントを使って、初期セットアップ、メッセージテンプレートの作成、テスト、トラブルシューティングを進められるようになるとのことです。
新しいサービスを使い始めるときの初期設定やテストは、価値を生む本番に入る前に必ず通る手間ですよね。そこをAIに預けて、人は「お客さんにどんなメッセージを届けるか」に集中する。自分の仕事でも、本番前の段取りにあたる部分にAIが入れる余地はないか、一度洗い出してみる価値がありそうです！
出典：TechCrunch
https://techcrunch.com/2026/09/15/meta-now-lets-ai-agents-handle-the-boring-parts-of-whatsapp-business-setup/
Agilityの新型ヒューマノイド「Digit 5」、人が近づくと止まり、しゃがんで危害を避ける
Ars Technicaの報道によると、Agility Robotics（ヒューマノイドロボットを開発する米国の企業）が、同社のヒューマノイドロボットとしては初めて、人間の同僚のそばで危害を与えずに安全に働けるように設計された新型機「Digit 5」を披露しました。離れた場所に人を検知すると、自分で避けて動いたり、その人が通り過ぎるまでじっと立ち止まったりといった予防行動を取れます。人がさらに近くまで来た場合には、しゃがんで座った姿勢をとることも選べるそうです。
同社のCTO（最高技術責任者）であるPras Velagapudi氏はArs Technicaに対し、検知した人の状況に応じてさまざまな軽減措置を取れる、複雑な安全動作システムを備えた設計にしたと説明しています。こうした安全機能があれば、隔離された作業セルや物理的な仕切りを設けなくても、倉庫や自動車工場の中でロボットを使える場面が大きく広がる可能性がある、と報じられています。
「柵の向こうで動く機械」から「同じフロアで動く同僚」へ。ロボットの側が安全を担う設計が進むほど、現場で働く人には、ロボットの動きの癖を知り、一緒に動線や手順を設計する役割が求められるようになりそうです。脅威として遠ざけるのではなく、協働する相手としてどう付き合うかを考える。そんな場面が、思ったより早く身近に来るかもしれませんね。
出典：Ars Technica
https://arstechnica.com/ai/2026/09/agilitys-new-humanoid-robot-will-stop-squat-to-avoid-harming-human-coworkers/
PerplexityのローカルAIエージェント「Portable Computer」がNVIDIA RTX搭載のWindows PCで利用可能に
AI Watchの報道によると、NVIDIA（半導体・AIチップの大手メーカー）は、AI検索エンジン「Perplexity」のアプリ内にあるローカルAIエージェント機能「Portable Computer」が、NVIDIAのRTXシリーズを搭載したWindows PCで利用できるようになったと発表しました。ローカル、つまり手元のPCの中でAIモデルを動かして作業を進めるエージェント機能で、機密情報は端末の中に保持されるとのことです。より高度な調査や推論にはクラウドのAIモデルも利用できると説明されています。対象となるのは、24GB以上のVRAM（GPU用のメモリ）を搭載したGeForce RTXまたはRTX PROのGPUを備えたPCです。
自分が使っているPCにどんなAI機能が来ているかを知っておくだけでも、仕事の効率化の選択肢は広がります。手元で動くAIという選択肢が増えてきたことは、押さえておきたい動きですね。
出典：AI Watch
https://ai.watch.impress.co.jp/docs/news/2141094.html
AIインフラ投資は1兆ドル規模の「賭け」、MIT Technology Reviewが勝つべき3つの条件を整理
MIT Technology Reviewが、ハイパースケーラー（Alphabet、Microsoft、Amazon、Meta、Oracleのように、巨大なデータセンターを運営する大手クラウド企業）によるAIデータセンター投資のリスクを整理した記事を掲載しました。記事によると、ハイパースケーラーのAIデータセンター投資は2027年には年間で約1.1兆ドルに達する見込みですが、今年のAI関連の収益は全体で1,500億〜2,000億ドルほどにとどまるとのこと。ペンシルベニア大学ウォートン校の金融学教授Jessica Wachter氏らの試算では、2030年までに採算をとるには、これらの企業が自社の生産性を2.7倍に伸ばす必要があるそうです。不可能ではないものの、数年間にかなりの成長を詰め込むことになり、達成できなければ利払いに行き詰まって破綻のリスクもあると同氏は指摘しています。共著の論文では、生産性のブームが実現しなければ「史上最大の資本の誤配分」になりうると結論づけられています。
記事では、元SEC（米証券取引委員会）委員長でMIT Sloanの教授であるGary Gensler氏の見立てを軸に、この投資が報われるには3つの賭けをすべて勝つ必要があると整理されています。ハイパースケーラーが巨額の収益を上げること、AIが経済全体の成長を押し上げること、そして高価な最先端モデルが「安くても十分」なモデルとの競争に勝ち続けることです。さらに、資金の出どころも懸念材料として挙げられています。Morgan Stanleyの試算では、2025〜2028年に投じられる2.9兆ドルの半分以上が外部資本、つまり借り入れなどで賄われる見込みで、その負債は年金基金や生命保険といった形で、知らないうちに多くの人の資産に組み込まれていると専門家は警告しています。
働く私たちに関わる点として、記事は米・英・独・豪の経営幹部約6,000人への調査結果にも触れています。約9割が過去3年間で生産性の向上を実感していないと答える一方、今後3年では合計1.45%ほどの押し上げを見込んでおり、経営幹部たちはそれを、売上を伸ばしつつ従業員数を大きく減らすことで達成する想定だそうです。AIによる生産性向上が雇用削減という形で進むなら、反発も強まると記事は見ています。同時に、「安くて十分な」モデルや小さなローカルモデルの進歩は、高価な最先端モデルの優位を揺るがす材料として挙げられています。バブルが弾けても技術そのものは残った、というドットコム時代の教訓を記事も踏まえていますが、私たちとしては、AI投資の熱気とは別に「自分の仕事で何が本当に効率化されたか」を冷静に測る目を持っておきたいところです。
出典：MIT Technology Review
https://www.technologyreview.com/2026/09/15/1144028/ai-infrastructure-boom-investment-bubble-risk/
「Envoy AI Gateway」がLinux Foundation傘下のAAIFに加盟し「Agent Router」へ、ベンダーごとのAPIの違いを吸収
Publickeyの報道によると、Linux Foundation傘下でAIエージェント関連技術の標準化や開発を進めるAgentic AI Foundation（AAIF）が、オープンソースとして開発されてきた「Envoy AI Gateway」プロジェクトのAAIF加盟を明らかにしました。あわせて、名称も「Agent Router」に変わりました。AAIFは、MCPやAGENTS.md、Agent2Agentプロトコルといった、AIエージェントをめぐる技術の標準化を担っている団体です。発表は9月10日に東京・渋谷のイベントホールで開かれたAGNTCon＋MCPCon Japan 2026（昨日の記事でも触れたイベントです）の中で行われました。
Agent Routerは、OpenAIやAnthropicなど、AIベンダーごとに異なるAPI（プログラムからAIを呼び出すための窓口）の違いを吸収して一つにまとめる役割を担うもので、Publickeyはこれを業界標準へ向かう動きとして伝えています。特定のベンダーに縛られない共通の土台が整えば、企業は用途に応じてモデルを乗り換えやすくなります。使う側としても、「今使っているAIが別のものに変わっても、仕事の仕組みが崩れない」ように組んでおく。そんな設計の意識が、これからは大切になりそうですね！
出典：Publickey
https://www.publickey1.jp/blog/26/openaianthropicapiagent_routerlinux_foundation.html
TechCrunchが「AIの墓場」を公開、閉鎖や期待外れに終わったプロジェクトを随時更新
TechCrunchが、うまくいかなかったAIプロジェクトやスタートアップを集めた「AIの墓場」と題する記事を公開しました。繰り返し延期されたAppleのSiriのAI機能から、OpenAIの混乱した「スーパーアプリ」の立ち上げまで、閉鎖された、あるいは期待に届かなかった取り組みを並べた、随時更新型のリストだそうです。華やかな発表の裏で、こうして静かに消えていくものも少なくありません。新しいツールを仕事に取り入れるときには、「話題になっているか」だけでなく「続きそうか」という目も一緒に持っておきたいですね。
出典：TechCrunch
https://techcrunch.com/2026/09/15/the-ai-graveyard-a-running-list-of-projects-and-startups-that-didnt-make-it/
NVIDIAの技術ブログ、少ない計算量で高い性能を出す「MoE」の学習を約10倍速くした手法を解説
NVIDIAの開発者向けブログに、MoE（Mixture of Experts、複数の「専門家」役のネットワークを用意して、入力ごとに必要なものだけを働かせるAIモデルの構造）に関する技術記事が掲載されました。記事によると、MoEは大規模なAIモデルの学習における重要なアーキテクチャの流れの一つになっていて、DeepSeekやQwen、MixtralといったモデルがMoEの例として挙げられています。一つの高密度なフィードフォワードネットワークを全体で共有する代わりに、条件に応じて必要な部分だけを計算する仕組みによって、効率よく学習できるのが特徴です。こうしたMoEモデルは、高密度モデルの学習に必要な計算量の一部で、同等かそれ以上の性能を達成しているとのこと。本編で扱われているのは、JAX（機械学習向けの計算ライブラリ）でのDropless MoE学習を、NVIDIA Transformer Engineで高速化する手法です。記事によると、この取り組みによってDeepSeek-V3（6,710億パラメータの大規模モデル）の学習スループット（単位時間あたりの処理量）は約10倍になり、1,024基のGPUまで規模を広げても97%のスケーリング効率を保てたとのことです。
少ない計算量で高い性能を引き出す工夫は、AIを作るコストを下げる土台そのものです。先ほどのMIT Technology Reviewの記事が「安くて十分なモデル」を最先端モデルの優位を揺るがす材料に挙げていたことと、地続きの話だと言えそうですね。
出典：NVIDIA Technical Blog
https://developer.nvidia.com/blog/accelerating-dropless-moe-training-in-jax-with-nvidia-transformer-engine/
今日のまとめ ~ 導入の熱気より、効果を測る目を
今日のニュースを並べてみると、AIを組織や現場に「どう入れるか」の具体策が目立った一日でした。Anthropicは営業組織向けに段階的な展開計画とROIの測り方を示し、AWSは目的に合った小さなモデルを鍛える手順を公開し、MetaはWhatsApp Businessの面倒な初期設定をAIエージェントに任せる道を用意しました。
その一方で、MIT Technology Reviewの記事が突きつけたのは、巨額の投資に見合う生産性の向上は、まだ経済全体の数字には表れていないという現実です。経営幹部の約9割が過去3年で生産性の向上を実感していないという調査結果は、私たちの足元の話でもあります。導入の熱気に流されず、自分の仕事で何が本当に変わったかを測る。その視点が、今日いちばんの持ち帰りポイントかもしれません。
これからの時代、大切なのは、
熱気と現実、その両方を見ながら、自分の仕事にちょうどいいAIの使い方を探していきましょう！