働き方 x AIニュース！2026年7月1日

おはようございます！今日から7月のスタートですね。最新のAI技術が私たちの働き方にどんな影響を与えるのか、わかりやすく解説していきます。今日も注目のニュースをピックアップしてみました！

コンテンツ

「AIを止める権限は誰にある？」AIガバナンスで本当に問うべきこと

会社でAIを使うとき、たくさんの企業が「ガバナンス（管理体制）を整えています」と胸を張ります。リスク評価のしくみや管理ツールを導入して、AIの動きを「見える化」しているわけですね。でもMIT Sloan Management Reviewが投げかけているのは、もっと根本的な問いです。それは「問題が起きたとき、誰がそのAIを止める権限を持っているのか？」という点。実はこの問いに答えられない企業がとても多いそうです。

記事によると、現在のガバナンスは「見える化」止まりで、いざというときの「実行力」が欠けているケースが目立つとのこと。多くの場合、決定権は売上を優先する製品部門にあって、ガバナンス担当はあくまで「助言する人」に過ぎません。これだと、いくらリスクが見えていてもブレーキを踏めないんですね。一方で、Adobe（画像編集ソフトなどで有名なソフトウェア企業）の事例では、製品部門から独立した組織に権限を持たせることで、ちゃんと止められる体制を作っているそうです。

このニュースから見えてくるのは、新しいことを始めるときは「管理ツールを入れて満足」せず、「最悪の事態に誰がストップをかけるか」を先に決めておく大切さです。これはAIに限らず、どんなリスクのある仕事にも通じます。そしてキャリアの面でも、ただアドバイスするだけの人より、組織から独立した立場で「ノー」と言える交渉力を持つ人の価値が、これからどんどん高まっていきそうですね。

出典：MIT Sloan Management Review
https://sloanreview.mit.edu/article/the-real-question-to-ask-about-ai-governance/

ポーカーAIを作ったDeepMind出身の3人組、ヘッジファンド向けAIで企業価値5億ドル超に

TechCrunchの報道によると、かつてGoogle傘下のDeepMind（AI研究で世界的に有名な企業）にいた研究者3名が、チェコのプラハで立ち上げたAIスタートアップ「EquiLibre Technologies」の企業価値が、なんと5億ドル（約750億円）を超えたそうです。この3人組、実はもともとポーカーで人間に勝つAIを開発した実績の持ち主なんですね。

ポーカーって、相手の手札が見えない「不完全情報ゲーム」です。情報が足りない中で「どう動くのがベストか」を計算するのは、とても高度な技術が必要になります。彼らはこの「不確実な状況での最適な意思決定」というスキルを、今度は金融市場に応用しました。クオンツ・ヘッジファンド（数学やデータ分析で投資判断を行う運用会社）向けに、利益を生み出すシステムを提供しているそうです。

このニュースから見えてくるのは、ひとつの分野で磨いた専門スキルを、より価値の高い別の分野に「横展開」する発想の強さです。ポーカーと金融、一見まったく違う世界に見えますが、「先が読めない状況での判断」という本質は共通しているんですね。自分のコアになるスキルが、今いる業界の外でどう活きるかを考えてみる。その視点が、キャリアの可能性をぐっと広げてくれそうです。

出典：TechCrunch
https://techcrunch.com/2026/06/30/the-deepmind-trio-who-built-a-poker-ai-are-now-making-money-for-quant-hedge-funds/

GoogleのNotebookLM、リサーチ内容をTikTok風の短尺動画に変換できる新機能！

The Vergeの報道によると、GoogleがAIメモアプリ「NotebookLM」（資料をアップロードするとAIが要約や解説をしてくれるツール）に、おもしろい新機能を追加しました。アップロードした資料を、TikTok風の縦型の短尺動画に変換してくれる機能です。AIが生成したアートとナレーションを組み合わせて、約60秒の動画を作ってくれるそうですよ。

この機能はGoogle AI UltraとProという有料プランの利用者向けに提供されます。NotebookLMはこれまでもAIによるポッドキャスト（音声番組）や視覚的な解説機能を提供してきましたが、今回さらに「サクッと動画で把握する」という選択肢が増えたわけですね。膨大な資料を全部読み込む時間がない、という人にはうれしい進化です。

このニュースから見えてくるのは、情報のインプット方法が「読む」から「視聴する」へと広がっていることです。自分の理解を深めるだけでなく、チーム内での情報共有やサッとした報告にAI動画を使えば、伝え方のスピードも上がります。これからは、AIを単なる道具としてではなく、情報を自分やチームに合わせて届ける「メディア編集者」のような感覚で使いこなすスキルが、ぐっと大切になってきそうですね。

出典：The Verge
https://www.theverge.com/tech/959778/google-notebooklm-ai-clips

Outpost VFXがAWSでAIモデルの学習を8倍高速化、納品が2日に短縮

映画やドラマの視覚効果を手がけるVFX制作会社のOutpost VFXが、AIモデルの学習スピードを8倍に高めた事例をAWS（Amazonのクラウドサービス）が紹介しています。この会社、映画の「顔の入れ替え」ワークフローで困っていたんですね。従来のシングルGPU（画像処理用の高性能チップを1枚だけ使う環境）では、AIの学習に1〜2週間もかかってしまい、制作全体の足を引っ張っていました。

そこで同社はAWSの専門チームと協力し、最新のNVIDIA H100 GPU（高性能なAI用半導体）を積んだ環境へ移行。PyTorch（AI開発でよく使われるツール）を使った「分散学習」（複数のチップで手分けして学習する方法）を取り入れることで、学習速度を8倍にアップさせました。その結果、これまで1週間以上かかっていたクライアントへの初回納品が、なんとわずか2日でできるようになったそうです。

このニュースから見えてくるのは、業務のボトルネック（一番の詰まりどころ）を見つけて、そこに適切なリソースを投入し「試行錯誤のサイクル」を速める大切さです。Outpost VFXは学習時間を縮めたことで、監督とのチェック回数を増やせて、結果的に作品の質も上がりました。「一発の完成度」を狙うより「速くフィードバックをもらえる環境」を整えるほうが、最終的にいいものができる、という教訓ですね。自社だけで抱え込まず、外部の専門家を巻き込む姿勢も見習いたいところです。

出典：AWS Machine Learning Blog
https://aws.amazon.com/blogs/machine-learning/how-outpost-vfx-uses-aws-to-accelerate-ai-model-training-for-visual-effects/

「意図予測」になぜLLM以上のものが必要なのか

Stack Overflow Blogが報じたところでは、AIの「意図予測」（人がこの先どう行動するかを予測すること）には、実は今話題のLLM（大規模言語モデル、ChatGPTのような言葉を扱うAI）だけでは足りない、という指摘が出ています。Yobi社のCTO（最高技術責任者）であるフランク・ポートマン氏が語った内容です。

LLMが得意なのは「次にくる単語を予測する」という仕事。文章を作るのはとても上手なんですが、これが「人間の行動を予測する」ことにそのまま向いているわけではないんですね。ポートマン氏は、トランスフォーマー（LLMの中核技術）と、グラフニューラルネットワーク（つながりや関係性を学ぶのが得意なAI技術）を組み合わせた「行動の基盤モデル」が重要だと説きます。これにより、消費者のプライバシーを守りながら、1秒間に数百万件ものパーソナライズ（個人に合わせた最適化）の判断ができるそうです。

このニュースから見えてくるのは、「何でもLLMで解決できる」という思い込みへの警鐘です。大事なのは、流行に流されず「解決したい課題の本質は何か」を見極めること。お客様の次の行動を予測したいなら、言葉の並びを当てるLLMが必ずしもベストとは限りません。データの性質や目的に合わせて最適な技術を選ぶ「適材適所」の視点。そして、技術を表面的に使うだけでなく、その裏側のしくみまで理解しようとする姿勢が、専門性やキャリアの差別化につながっていきますね。

出典：Stack Overflow Blog
https://stackoverflow.blog/2026/06/30/why-intent-prediction-needs-more-than-an-llm/

Microsoftの新手法「SkillOpt」、AIへの指示を自動で磨き上げる

Microsoft（マイクロソフト、Windowsなどで有名なソフトウェア企業）が、AIエージェント（自分で考えて作業を進めるAI）への指示を自動で最適化するフレームワーク「SkillOpt」を発表しました。これまでAIエージェントへの指示は、人が手で直したり、一発で生成したものをそのまま使ったりしていました。でも修正を繰り返すうちに指示がどんどん長く膨らんで、かえって性能が不安定になる、という困った課題があったんですね。

SkillOptの面白いところは、AIモデル本体の中身（重み）はいじらず、外側にある「スキルファイル」（指示書）を学習できるパラメータとして扱う点です。実行結果のフィードバックから改善案を出し、厳しい検証を通って「本当に性能が上がった」修正だけを採用します。この結果、小さなモデルが大きなモデルの標準的な性能を上回るという成果が出て、しかも人間が読んで理解できるコンパクトな指示書にまとまったそうです。

このニュースから見えてくるのは、AIの話でありながら、私たちのスキルアップにも通じる学びです。第一に「試行錯誤を構造化する」こと。SkillOptが失敗を記録して検証済みの改善だけを取り入れるように、仕事でも「何が成功の要因だったか」を言葉にして再現性を確かめると、成長が加速します。第二に「情報のスリム化」。指示は長くするより、不要な手順を削ぎ落として核心に集約するほうが効果的です。自分の経験を抽象化して、他部署や新プロジェクトでも使える「持ち運べる知恵」に変えていく意識が、大きな武器になりそうですね。

出典：Microsoft Research Blog
https://www.microsoft.com/en-us/research/blog/skillopt-agent-skills-as-trainable-parameters/

テクノロジーの光と影：指標の限界、AIによる野生動物保護、米中AI競争の最前線

MIT Technology Reviewのニュースまとめ「The Download」が、テクノロジーが社会や個人に与える多面的な影響を伝えています。まず取り上げられているのが「指標の限界」。個人の活動を数値化する指標が、本来の目的を歪めてしまう危険性についての指摘です。次に、インドでAIを活用してゾウと人間の衝突を避けるシステムなど、社会課題の解決にAIが役立っている前向きな事例も紹介されています。

さらに、米国と中国のAI開発競争が激しさを増している現状にも触れています。Anthropic（AI企業）の最新モデル公開や、中国製のAIがセキュリティ分野で米国製に匹敵する成果を上げている、といった動きですね。ほかにも、Z世代（おおよそ1990年代後半〜2010年代生まれの世代）がSNS上の自己イメージを重視するあまり誤情報を信じやすい傾向や、データセンターの熱波対策、最適な睡眠時間まで、幅広いトピックがまとめられています。

このニュースから見えてくる働き方への示唆は、大きく2つあります。ひとつは「指標との向き合い方」。ビジネスでKPI（重要業績評価指標）を扱うとき、数字を追うこと自体が目的になってしまうと、本来の戦略や創造性が損なわれかねません。データはあくまで判断の補助材料とし、数値に表れない価値や文脈を読み解く力を養いたいですね。もうひとつは「情報の真偽を見極めるリテラシー」。発信者の影響力や共感だけで情報を判断せず、「根拠は何か」を常に確認する姿勢が、意思決定の質と信頼性を高めてくれます。

出典：MIT Technology Review
https://www.technologyreview.com/2026/06/29/1139834/the-download-metric-weaknesses-ai-elephant-warnings/