おはようございます！今日は11本のニュースをお届けします。AIによるコードレビューの実力をどう測るか、AIにどこまで任せるか、そしてAIを「統治」する人の役割まで、AIとの付き合い方をあらためて考えたくなる話題がそろいました！
GitHubがAIコードレビューの物差し「ReviewBench」を公開
GitHub（プログラムの共同開発サービス）の公式ブログによると、AIによるコードレビュー（プログラムの問題点の確認）の実力を比べるテスト「ReviewBench」が研究プレビュー版として公開されました！AIレビュアーには、指摘が多い、余計な指摘が少ない、重大な問題に強い、など得意不得意があり、比べにくかったとのこと。ReviewBenchは、GitHub上の1億件超のプルリクエスト（コード変更の提案）の傾向に合わせて作られ、シニアエンジニアが独立に検証した正解データで採点します。
自社のCopilot code reviewの評価でも、本番での実験結果の方向を見通しやすくなったそうです。
AIツールを選ぶとき、評判や雰囲気で決めてしまうことはありませんか？「見落としの少なさ」と「余計な指摘の少なさ」のどちらを重視するかは、チームの仕事の進め方しだいです。新しいツールを試すときは、まず自分たちにとっての「良い」を言葉にしてから比べると、選び方がぐっと確かになりそうです！
出典：The GitHub Blog
https://github.blog/ai-and-ml/github-copilot/reviewbench-an-open-benchmark-for-ai-code-review/
Amazon Quickの設定を本番へ移す作業を自動化するサンプル
AWS（Amazonのクラウドサービス）の公式ブログで、Amazon Quick（仕事向けのAIアシスタント）のAIエージェントやナレッジベース（AIが参照する資料庫）などを、開発用から本番用のアカウントへ移す作業を自動化するサンプルツールが紹介されました。これまでは手作業で作り直すしかなく、時間がかかり記録も残りにくかったそうです。
ツールは1回の呼び出しで作成や更新を行い、移行先で削除はしません。更新前にはAmazon S3（データ保管サービス）へバックアップを保存し、事前確認用のプレビューや、元に戻す機能もあります。パスワードなどの秘密情報や、ナレッジベースの元の文書はコピーされません。
手作業の「移し替え」は、慣れるほど確認が雑になりがちですよね。削除はしない、変更の前に控えを残す、という今回のツールの仕組みは、ふだんの仕事にもそのまま使える考え方です。大事な資料を差し替える前に旧版を残しておく、そんな小さな習慣から始めてみませんか！
出典：AWS Machine Learning Blog
https://aws.amazon.com/blogs/machine-learning/making-amazon-quick-enterprise-ready-automated-auditable-cross-account-resource-promotion/
AWSがコーディングAI向けにSageMakerの専門スキルを提供
AWSの公式ブログによると、Amazon SageMaker AI（AIモデルを動かすサービス）向けの新スキル「aws-ai-ml」が登場しました！Kiro、Claude Code、Codexなど、MCP（AIと外部ツールをつなぐ共通の仕組み）対応のコーディングAIに組み込むと、言葉で頼むだけで、モデルの処理性能の測定や構成の提案、比較を行い、実行できるPythonコードを書いてくれます。
稼働中の環境に負荷をかける測定の前には影響を伝えて確認を求め、情報が足りなければ推測せず質問してくるとのこと。準備は手元のパソコンかSageMaker Studio（ブラウザで使う開発環境）で約10分です。
専門知識が必要な作業ほど、「何を達成したいか」を言葉で伝える力が生きてきます。AIが書いたコードを読み、確かめてから動かすのは使う人の仕事です。自分の分野でも、AIに頼むときの「ゴールと条件」を整理して伝える練習をしておくと、いざというとき心強いですね！
出典：AWS Machine Learning Blog
https://aws.amazon.com/blogs/machine-learning/new-agent-skill-amazon-sagemaker-optimized-generative-ai-inference-for-your-coding-agent/
AIの数学での成果が相次ぐ一方、数学者から反発も
The Vergeが、AIと数学をめぐるこの1年の動きをまとめています。OpenAIやAnthropic（ともにAI開発企業）などは、長年の数学の難問で次々と成果を発表し、なかには研究者の予想を大きく超えるものや、ミレニアム懸賞問題（数学の世界で特に有名な未解決問題）の1つを解決したとするものもありました。
ところが、AI企業が勢いにまかせて強引に進めたことで、本来なら喜ばれるはずの成果がかえって反発を招いているそうです。AI企業側はこれまでの失敗から学んでいると話していますが、それが実を結ぶかはまだわからない、とThe Vergeは伝えています。
どれだけ大きな成果でも、進め方しだいで受け止められ方が変わるのは、職場でも同じですよね。新しいツールや手法を持ち込むときは、スピードと同じくらい、これまでその仕事を担ってきた人たちとの対話を大切にしたいところです！
出典：The Verge
https://www.theverge.com/ai-artificial-intelligence/1004933/ai-math-openai-breakthrough-solution
AIがニキビ治療薬の処方箋を書くサービスが米ユタ州で始動
The Vergeによると、ヘルスケアのスタートアップNolla Healthが、ユタ州に住む18歳以上で軽度〜中等度のニキビがある人がアプリで顔をスキャンすると、AIが重症度を判定し、自律的に処方箋を作るサービスを発表しました。AIが治療を選びきれない場合は医師につなぐそうです。
ただし、いきなり全部おまかせではありません。医師の監督を段階的にゆるめていく試験的なプログラムとして始まり、最初の100人は処方箋を出す前に2人の医師が承認します。その後500人までは処方したあとに医師が確認し、それ以降も毎月少なくとも10%を抜き出し、副作用などが出たケースは全件、医師が見直すとのことです。
新しい仕組みを入れるとき、「最初は全部人が見て、慣れてきたら抜き取りに」という段階の踏み方は、どんな職場でも応用できそうです。AIに任せる範囲を広げるなら、どの時点で人の確認を減らすのか、その条件をあらかじめ決めておくと安心ですね！
出典：The Verge
https://www.theverge.com/ai-artificial-intelligence/1005075/nolla-health-acne-ai-prescriptions
AIを「統治」する側に回るための6つの指針
IEEE Spectrum（米国の電気・電子技術の専門誌）に、Lowe’s（米国のホームセンター大手）で企業のAI変革を率いる筆者が寄稿しています。筆者が引くMITメディアラボの2025年の報告では、企業の生成AI投資は推定300億〜400億ドルにのぼる一方、大きな価値を生んでいる統合パイロット（試験導入）は約5%にとどまると推定されています。
筆者は、差を生むのは技術ではなく、AIに指示を出して結果に責任を持てる人がいるかどうかだとみています。そのうえで、データを受け渡すだけの「人間ミドルウェア」から抜け出す、例外だけを人が見る、など6つの指針を挙げています。
ふだんの仕事のうち、情報をあちこちから集めて形を整え、次の人に回すだけの作業がどれくらいあるか、一度書き出してみてはいかがでしょう。その時間をAIに任せられたとき、自分は何を判断する人になりたいのか。今のうちに考えておくと、役割の変化にも落ち着いて向き合えそうです！
出典：IEEE Spectrum
https://spectrum.ieee.org/6-guidelines-governing-ai
ChatGPTに新しいビジュアル広告、広告主向けの機能も拡充
OpenAIの発表によると、ChatGPTに新しいビジュアル広告の形式が導入されます。あわせて広告主向けに、広告の効果を測るツール、アトリビューション（成果がどの広告から生まれたかの分析）での提携、ブランド適合性（広告の出る場面がブランドにふさわしいか）に関する仕組みを広げるそうです。
ふだんChatGPTを仕事で使う人は、表示された情報が広告かどうかを意識して見分ける習慣をつけておくと安心です。マーケティングに関わる人にとっては、新しい広告の置き場所として動きを追っておきたい話題ですね！
出典：OpenAI
https://openai.com/index/new-chatgpt-ads-format-and-measurement
Reflectionがオープンウェイトの新モデル「Beam」を発表
TechCrunchによると、AI企業のReflectionが新しいAIモデル「Beam」を発表しました。オープンウェイト（モデルの中身の設定を公開し、自分の環境で動かせるようにする）型で、中身は今月中に公開する予定です。同社は、推論の評価で中国勢の主要モデルに並ぶ性能を少ない計算で出せると主張していますが、第三者による検証はまだだそうです。
Reflectionは、Beamと今後のモデルを企業や国家に向けて届けることを目指しています。各組織が自分たちだけが持つデータでモデルを訓練し、独自のAIを手元に構築できる「AIファクトリー」という製品を打ち出しているそうです。
自社のデータで自分たち専用のAIを育てる、という選択肢が示されています。そうなると、日々の仕事で生まれる記録や資料をきちんと整理しておくことが、そのまま組織の財産になります。ファイル名やフォルダの整え方から見直してみるのも一歩ですね！
AIエージェント時代の予測分析を考えるレポート
MIT Technology Reviewのカスタムコンテンツ部門Insightsが、TP社と共同で制作したスポンサード記事（編集部の記事ではない）で、レポートを紹介しています。2026年の企業AIでは、予測モデルが統計的な予測を上回るかはもう決着済みで、いまの課題は、AIが会社の意図から外れずに自分の結論に基づいて行動できるようにすることだそうです。
ディープラーニングや生成AIにより、AIが継続的に学び、整理されていないデータも使えるようになったことで、企業は過去の振り返りから先を見通す使い方へ移りつつあるとのこと。自律的な判断の分野では、先行企業と後れを取る企業の差が広がっているそうです。
AIが予測だけでなく行動まで受け持つようになると、人には「AIの動きが目的からずれていないか」を見張る役割が回ってきそうです。数字をまとめて報告する仕事をしている人ほど、その先の「だから何をするか」まで考える癖をつけておきたいですね！
出典：MIT Technology Review
https://www.technologyreview.com/2026/10/05/1143813/bringing-predictive-analytics-to-the-agentic-ai-era/
危機対応の訓練にデジタルツインを使う「リハーサル・インテリジェンス」
MIT Sloan Management Review（経営誌）の寄稿で筆者は、デジタルツイン（現実の業務やシステムを仮想空間に再現したもの）を、常設の危機予行演習の場に転用するよう提案しています。筆者が2026年の国際会議で行った調査（各問の回答者19〜23人）では、危機の模擬訓練にデジタルツインを使うと答えた人はゼロで、最大の壁は経営陣の認識不足でした。
2026年3月の研究では、AIを使ったチームが見抜けた重要な展開は49%で、何も使わないチームより1ポイント多いだけ。Google検索を使ったチームの81%に遠く及びませんでした。筆者は、AIを決定役でなく議論の相手にするよう勧めています。
AIを使うだけで成果が上がるわけではない、という結果にはドキッとしますね。ひと言だけ聞いて終わりにせず、状況を詳しく伝え、自分たちが見落としていそうな点をあえて尋ねてみる。そんな使い方を平時から練習しておくことが、いざというときの備えになりそうです！
出典：MIT Sloan Management Review
https://sloanreview.mit.edu/article/rehearsal-intelligence-using-digital-twins-for-crisis-readiness/
OpenAIがEUのルールに沿った文章の電子透かしの方針を説明
OpenAIは、EU（欧州連合）のルールのもとで、文章の電子透かし（ウォーターマーク。AIが作った文章を後から見分けるための目印）にどう取り組んでいるかを説明する記事を公開しました。どんな場面で透かしが使われるのか、検出がどう機能するのか、そしてなぜアクセスがまず研究者から始まるのかが説明されているそうです。
AIで作った文章かどうかを見分ける仕組みが、ルールの面からも話題になっています。仕事でAIに下書きを任せている人は、社内外のルールでAI利用の表示や確認が求められていないか、一度チェックしておくと安心ですね！
出典：OpenAI
https://openai.com/index/eu-text-provenance
今日のまとめ ~ AIに任せる範囲を「決める」力
今日のニュースでは、AIのレビュー性能を測る物差しづくり、医師の確認を段階的に減らしながらAIに処方を任せていく試み、そしてAIを統治する側に回るための指針など、「AIにどこまで、どう任せるか」を考える話題がそろいました。AIそのものの性能だけでなく、それを測り、見守り、使いこなす人の側の工夫が問われていることが見えてきます。
これからの時代、大切なのは、
AIに任せられることが増えるほど、「何を任せ、何を自分で決めるか」を考える時間が大切になりますね。今日も一日、いい仕事をしていきましょう！