おはようございます！木曜日の朝、今週もあと少しですね。今日はOpenAIが「働く人がAIをどう使っているか」を調べた研究を公開したほか、コーディングAIがついにmacOSの開発環境まで用意しはじめた話、AWSが公開した38個の「エージェントスキル」、そしてAIデータセンターが生む電子ゴミの話まで、現場の実感に近い話題から少し先の未来を考える話題まで幅広く並びました。それでは、さっそく見ていきましょう！
OpenAIの新研究、働く人はAIを「役割の外側」でどう使いはじめているか
OpenAIのEconomic Research（AIが経済や労働に与える影響を調べる研究チーム）が、新しい研究を公開しました。テーマは、働く人が自分の従来の役割を超えてAIをどのように使っているか、そして新しく始めた活動のうち、どれが一時的な試しで終わらず日々の仕事の定常的な一部として定着しているか、という点です。
「AIで仕事が効率化した」という話はよく聞きますが、この研究が見ようとしているのは少し違う角度ですね。もともと自分の担当ではなかった仕事にまで手が届くようになったのか、そしてそれが一度きりの実験で終わったのか、それとも繰り返し行う作業として残ったのか。新しいツールを試すこと自体はそれほど難しくありませんが、定着するかどうかは別の話です。自分の仕事を振り返って、AIを使って始めた作業のうち、今も続いているものがいくつあるか。そんな問いを立ててみると、この研究の視点が身近に感じられるかもしれませんね！
出典：OpenAI
https://openai.com/index/unlocking-new-ways-of-working
コーディングAI「Devin」が仮想macOSを提供開始、Mac実機なしでiOSアプリ開発へ
Publickeyの報道によると、コーディングAIエージェントのDevinが、自社でホストする仮想環境の中でmacOSの提供を開始しました。これまでDevinの仮想環境で使えたのはUbuntu LinuxとWindowsでしたが、そこにmacOSが加わったかたちです。これにより、利用者は実機のMacを持っていなくても、Devinの仮想環境内でmacOSやiOSに対応したコードの生成、テスト、デバッグ、実行までを進められるようになります。
AppleのプラットフォームであるiOSやmacOS向けの開発は、長らく「まずMacを買うところから」が出発点でした。それが、AIエージェントの環境の中に用意されるようになったわけですね。機材をそろえるコストや環境構築の手間が下がるということは、「やってみたいけれど道具がない」という理由で遠ざけていた領域に、手を伸ばしやすくなるということでもあります。新しいプラットフォーム向けのスキルを身につけたい人にとって、入口のハードルが一段下がる動きと言えそうです！
出典：Publickey
https://www.publickey1.jp/blog/26/devinmacosmacdevinappstore.html
OpenAIがAIを使った広告の新しいかたちを発表、HubSpotやShopifyとも連携
OpenAIが、AIを活用した新しい広告体験を発表しました。紹介されているのは、スポンサードエージェント（Sponsored Agents）と呼ばれる仕組み、マーケター向けのツール、そしてHubSpot（顧客管理やマーケティング支援のソフトウェア企業）およびShopify（ネットショップ構築サービスの大手）との連携です。このうちスポンサードエージェントは、現時点では米国の一部の広告主を対象にしたテスト段階だと説明されています。
広告というと、これまでは画面のどこかに枠があって、そこにバナーや文章が表示される、というかたちが中心でした。そこにAIエージェントという要素が入ってくると、その関係はどう変わるのか。マーケティングや広告に関わる仕事をしている人にとっては、自分たちの仕事の道具立てが動きはじめるサインかもしれません。まずはどんな仕組みなのかを知っておくところから始めたいですね！
出典：OpenAI
https://openai.com/index/reimagining-advertising-with-ai
AIグラス「Rokid Ai Glasses Style」が日本上陸、データの国内保管もあわせて発表
AI Watchの報道によると、Rokid（AIグラスを開発する企業）が9月15日にオンライン発表会を開き、次世代AIグラス「Rokid Ai Glasses Style」の日本展開を発表しました。発表会では製品そのものに加えて、AIグラス向けのOS「YodaOS」、AIUI、グローバルAIエージェント開発プラットフォーム、日本のユーザーデータを国内で保管する方針、プライバシー保護、そして制作者を支援するCreator Programといった、日本市場での中長期的な取り組みが公開されました。
メガネの形をしたデバイスは、手がふさがっている場面でも情報を受け取れるのが持ち味です。現場作業や移動中など、パソコンの前に座っていない時間の働き方に関わってくる可能性がありますね。あわせて、日本のユーザーデータを国内で保管するという方針が最初から示されている点も見逃せません。新しいデバイスを仕事に導入するとき、機能と同じくらいデータの扱いが問われる時代になっている、ということでもありそうです！
出典：AI Watch
https://ai.watch.impress.co.jp/docs/news/2141545.html
AWSが解説、生成AIで書類の個人情報を黒塗りする仕組み。再現率は89.3%から95.2%へ
AWSの機械学習ブログで、スキャンした書類から個人を特定できる情報（PII）を自動で見つけて黒塗りする仕組みの作り方が解説されています。医療の書式や保険の請求書、金融の記録などを毎日何千枚も扱う組織では、第三者に書類を渡す前の黒塗り作業が避けて通れません。ただ、これを人手でやると時間がかかるうえ、見落としも起きてしまいます。今回紹介されているのは、Amazon Bedrock Data Automation（BDA。書類や画像から必要な情報を構造的に取り出すサービス）とAWS Step Functions、AWS Lambdaを組み合わせた、サーバーレス（自分でサーバーを管理しなくてよい仕組み）のパイプラインです。
面白いのは、黒塗りが「探す問題」であると同時に「正確に選ぶ問題」でもある、という整理です。1ページの中に複数の名前や日付や住所が並んでいても、隠すべきものはその一部だけ、ということがあります。記事では、患者の名前は隠すけれど担当医師の名前は隠さない、といった区別を、自然な言葉による指示（ブループリント）で表現していきます。専門的な機械学習の知識がなくても、業務のルールを言葉で書けば処理に反映できる、というわけですね。精度の面では、12件の書類（47ページ）を使った検証で、最初の一回の検出だけだと文章中に繰り返し出てくる名前や手書きのメモを取りこぼすことがあったため、2回目の検出結果と照らし合わせる後処理を加えたところ、再現率（隠すべきものをどれだけ見つけられたか）が89.3%から95.2%に上がったと報告されています。
数字が上がったとはいえ、100%ではないところに目を向けておきたいですね。記事でも、検出の確信度スコアとあわせて評価することで、判断が難しいケースを人のレビューに回せると説明されています。AIに任せるのは大量の定型作業、人が見るのは自信のない部分。この切り分けは、書類仕事の自動化を考えるときの現実的な設計の考え方として、そのまま参考になりそうです！
出典：AWS Machine Learning Blog
https://aws.amazon.com/blogs/machine-learning/build-a-serverless-pii-redaction-pipeline-with-amazon-bedrock-data-automation/
AWSが医療・ライフサイエンス向けの「エージェントスキル」38個を公開、知識と手順は別物という視点
AWSの機械学習ブログから、もう1本。こちらは、AIエージェントが医療やライフサイエンスの分野で判断を誤りやすいという課題に取り組んだ記事です。記事が指摘しているのは、なかなか鋭い問題です。AIは学習の段階でガイドラインを見ているし、指示の中にも書いてある。それなのに、いざ判断させると正しい枠組みの名前は挙げられるのに、その当てはめ方を間違えてしまう。つまり、事実を知っていることと、正しい判断手順を踏めることは別物だ、というわけですね。
そこでAWSが公開したのが、11の領域にまたがる38個のオープンソースのエージェントスキルです。スキルは2種類に分かれていて、判断の手順や考え方を示す「推論スキル」と、実際に動かす道具やコードの型を示す「パイプラインスキル」があります。記事では、これはRAG（関連する文書を探してきて答えに使う手法）ともファインチューニング（モデル自体を追加学習させる手法）とも違う、構造化されたプロンプトなのだと位置づけられています。効果の検証では、410個の専門的な問いを使い、スキルを持つエージェントと持たないエージェントの回答を1対1で比べています。判定にはAIを審判役として使い、2種類の実行環境で試したところ、スキルを備えた側の勝率は70〜86%だったと報告されています。
この記事のいちばん応用が利く部分は、技術そのものよりも「知識と手順を分けて考える」という視点かもしれません。ベテランが何年もかけて身につけるのは、知識そのものより、どういう順番で何を確認するかという段取りのほうだったりしますよね。その段取りを文章として書き出し、誰でも（そしてAIも）たどれる形にしておく。チームの中でノウハウを引き継ぐときにも、同じ考え方が効いてきそうです！
出典：AWS Machine Learning Blog
https://aws.amazon.com/blogs/machine-learning/improving-hcls-ai-reasoning-with-open-source-agent-skills/
富士通が「IR Day 2026」を開催、Uvanceで2030年度に売上1兆7000億円以上を目指す
クラウドWatchの報道によると、富士通が16日、投資家やアナリストに向けた「IR Day 2026」を開催しました。同社の5人の副社長が登壇し、それぞれが担当する事業領域での取り組みを説明するかたちで、2026年5月に発表した「中長期経営ビジョン2035」の実現に向けた成長戦略が示されました。その中で、Uvanceの売上高を2030年度に1兆7000億円以上とする計画が明らかにされています。
会社の長期ビジョンというと、自分の日々の仕事とは遠い話に感じられるかもしれません。ただ、「いつまでに、どの数字を、どこまで持っていくか」を決めて、担当する責任者がそれぞれ説明する、という進め方そのものは、規模を小さくすれば個人のキャリア設計にも当てはまります。漠然と「いつかできるようになりたい」で止めず、期限と目安を置いてみる。そんな読み替え方ができるニュースですね！
出典：クラウドWatch
https://cloud.watch.impress.co.jp/docs/column/ohkawara/2141566.html
NVIDIAがAIエージェントでGPUプログラムを移植、24件すべて無人で完走し性能はほぼ同等
NVIDIA（半導体・AIチップの大手メーカー）の開発者ブログで、AIエージェントにプログラムの移植作業を任せた取り組みが紹介されています。移植先はcuTile Rust（cutile-rs）という仕組みで、Rust（メモリの安全性を重視して設計されたプログラミング言語）でGPU向けのプログラムを安全に書くためのものです。Pythonで書かれていたGPU向けのプログラムを、このRust版に書き換える。その作業をAIエージェントに任せた、というわけですね。
結果が興味深いんです。24個のプログラムすべてが人の手を介さずに（無人で）移植を完走し、性能は元のPython版と比べて全体の幾何平均で0.995、つまりほぼ同等に収まりました。しかも作業にかかるトークンのコストは平均で約半分に下がったそうです。性能の測定は、NVIDIA DGX B200というマシン上で24個のプログラムにわたる347通りの構成を突き合わせて行われています。
ただ、この記事でいちばん学べるのは数字よりも任せ方の設計かもしれません。全体を仕切る役と実作業をする役を分け、それぞれの担当が扱う情報を必要な分だけに絞る。各工程の終わりには、文章ではなく機械が読める合否の判定を出させて、次にどこへ進むかはその判定だけで決める。やり直しの回数にはあらかじめ上限を設けておく。AIに仕事を任せるとき、丸ごと投げるのではなく、工程を区切って合否を機械的に判定できる形にしておく。この考え方は、AIエージェントをどう業務に組み込むかを考えるうえで、そのままヒントになりそうです！
AnthropicとOpenAIが安全性評価者の受け入れを表明、「本当に独立しているのか」という問い
TechCrunchの報道によると、AnthropicとOpenAIが、自社のAI研究所の中に独立した立場の安全性評価者を受け入れたいと考えていることが伝えられています。研究者たちは、これまでにないレベルで内部へのアクセスが認められる点を歓迎しています。ただ同時に、意味のある監視を実現するためには、透明性と独立性、そして最終的には規制が必要になる、という警告も出ているそうです。
このニュースが投げかけている問いは、AI業界に限った話ではありませんね。評価する人を受け入れること自体は前向きな一歩ですが、その人が評価対象の組織の中にいるとき、どこまで自由にものを言えるのか。自分のチームやプロジェクトに外部の視点を入れるときにも、「来てもらう」だけで満足せず、率直な指摘が出てくる条件が整っているかまで考える。そんな見方のヒントが含まれているニュースです。
AIデータセンターの電子ゴミ、2050年までにコンテナ2300万個分になるという試算
The Vergeの報道によると、非営利団体のバーゼル・アクション・ネットワーク（BAN）が発表したレポートが、AIブームによって生まれる電子ゴミ（E-waste）の量がこれまで大幅に過小評価されてきたと警告しています。このレポートは、データセンターの中のサーバーだけでなく、それを支えるすべてのインフラも含めて計算しているのが特徴です。その結果、2050年までに40フィートコンテナ2300万個分を満たすほどの量になる可能性があると推計されています。一列に並べると地球を約6周する量だそうです。
AIを使うとき、私たちが目にしているのは画面の中のやりとりだけですよね。その裏側で動いている機械と、いずれ寿命を迎えるその機械の行き先までは、なかなか見えません。新しい道具を職場に入れるときにも、目に見える効果の裏側にどんなコストがあるのかを一度考えてみる。そういう全体像を見る目が、これから大事になっていきそうです。
出典：The Verge
https://www.theverge.com/ai-artificial-intelligence/996470/ai-data-center-e-waste-ban
MIT Technology Reviewが整理、1.1兆ドルのAI投資が報われる条件とは
MIT Technology Reviewの平日ニュースレター「The Download」が、AIへの巨額投資をめぐる分析を紹介しています。ペンシルベニア大学で金融を研究するJessica Wachter教授は、AIが経済に与える影響を評価しようとしたとき、わからないことが多すぎる状況に直面しました。そこで、モデルがどれだけ普及するかを予測するのではなく、「疑いようのない事実」から出発する方法を取ります。その事実とは、ごく少数の巨大企業がAIデータセンターに莫大な投資をしている、ということです。支出は2027年までに1兆1000億ドル近くに達する見込みだそうです。
そこから教授が立てた問いは、「この支出を正当化するには、企業の収益はどれくらいの速さで伸びる必要があるのか」というものでした。導き出された答えは、2030年までに損益分岐点に到達するだけでも、並外れた生産性の向上が必要になる、というものです。同じニュースレターでは、政策アナリストのRuxandra Teslo氏が提案した「倒産したバイオテック企業のデータを買い取って質の高い科学データセットを作る」という構想に、OpenAI Foundation（OpenAIの非営利の親組織）が資金を出すと発表したことも紹介されています。
予測が難しいときに、確実にわかっている事実から逆算して条件を出す。この考え方は、仕事の中でも使えそうです。新しいツールを導入するかどうか迷ったとき、「効果があるか」を当てにいくのではなく、「元を取るには何がどれだけ変わる必要があるか」を先に出してみる。そうすると、判断の土俵がぐっとはっきりしますね！
出典：MIT Technology Review
https://www.technologyreview.com/2026/09/16/1144205/the-download-ai-trillion-dollar-build-openai-biological-data/
今日のまとめ ~ 知識ではなく「手順」が価値になる時代
今日のニュースを並べてみると、ひとつの共通点が浮かんできます。AWSのエージェントスキルの記事が言っていた「事実を知っていることと、正しい手順を踏めることは別物」という指摘。OpenAIの研究が見ようとしている「一度試したことが定着するかどうか」という視点。そしてMIT Technology Reviewが紹介した「わからないことは予測せず、確実な事実から逆算する」という考え方。どれも、情報そのものより、その扱い方についての話でしたね。
これからの時代、大切なのは、
便利な道具が増えるほど、道具そのものより「どう組み立てるか」が問われるようになっていきます。今日のニュースの中に、ひとつでも自分の仕事に引き寄せられる視点があれば嬉しいです。それでは、今日も良い一日を！