おはようございます！金曜日の朝、いかがお過ごしですか？今日は10の話題をお届けします！「AIのデモが動けばエンジニアはいらない？」という声に向き合うエンジニア向けの提言から、4言語にまたがる社内文書をAIで引けるようにしたペットケア企業の事例、医療データを扱うAIの法令対応まで、「動くこと」と「本番で使い続けられること」の違いを考えたくなるニュースがそろいました！
Uber、全従業員にChatGPT Workを展開
OpenAIの発表によると、配車サービス大手のUberは、ChatGPT Enterprise（企業向けのChatGPT）の中で幅広い業務を手伝うエージェント「ChatGPT Work」を、3万人を超える全従業員に向けて展開し始めました。従業員1,000人での試験導入から対象を広げたもので、Google DriveやGmail、Slackなどのツールと連携し、調べもの、データ分析、プレゼンテーション資料の作成、何段階にもわたる複雑な業務の流れを手伝うものだそうです。社内のAIスキル集や専用の研修も用意し、各部門が業務に生かせるよう支えるとしています。
大勢で同じAIツールを使い始めるときは、上手に使っている人の工夫をどう周りに広げるかが鍵になりそうです。自分のチームでも、調べもの・分析・資料づくりのどこでAIが一番役立ったかを、短く共有し合う場をつくってみませんか？
出典：OpenAI
https://openai.com/index/uber-chatgpt-work-rollout
「デモが動けば十分」の誤解に、エンジニアができること
IEEE Spectrumがキャリア開発企業Parsityと作るニュースレターからの転載記事です。筆者は2024〜2025年に、経営陣が「ChatGPTなら5秒で答えたのに」とエンジニアに言うチームにいたそうです。デモは限られた条件で動けば済みますが、本番では数百万行の古いコードとの連携や法的な要件、アクセシビリティ（誰もが使いやすいこと）の基準も満たす必要があります。筆者はAIモデルの基本を学ぶ、上司にAIの限界とデモと本番の違いを伝える、形だけの手順は見直しを受け入れて大事な工程を守る信頼を得る、などを勧め、人のために安全で役立つ製品づくりには今もエンジニアが最適だと結んでいます。
「AIでもっと速くできるのでは？」と聞かれたとき、頭ごなしに否定するより、速くできる部分と省けない工程を分けて説明できると話が前に進みます。自分の仕事で「ここは省けない」と言える工程とその理由を、一度書き出しておくと心強いですね。
出典：IEEE Spectrum
https://spectrum.ieee.org/engineering-jobs-that-ai-cant-replace
ペットケア企業IskayPet、4言語の社内文書をAIで検索
AWSの機械学習ブログで、AWSとIskayPetの担当者が紹介した事例です。スペインなど3か国に330超の店舗を持つペットケア企業IskayPetでは、返品ルールや動物病院の手順などが、4言語にまたがる数百のSharePoint（マイクロソフトの文書共有ツール）の文書に散らばっていました。同社はAmazon Bedrock Managed Knowledge Bases（文書をもとにAIが答える仕組みをAWSが運用するサービス）でアシスタントを作り、文書もSharePointの閲覧権限もそのまま使っています。本番運用を始めて約2か月で、答えを探す時間は3〜5分から約7秒になったそうです。
新しいAIツールを入れるとき、文書を移し替えたり権限を作り直したりする手間は導入の壁になりがちです。自分の職場でも、まず「今ある資料と権限のままで使えるか」を確かめてみると、試し始めるハードルがぐっと下がりそうです。
出典：AWS Machine Learning Blog
https://aws.amazon.com/blogs/machine-learning/how-iskaypet-unified-corporate-knowledge-with-amazon-bedrock-managed-knowledge-bases/
業務の「文脈」を知らないAIエージェントの落とし穴
MIT Technology Reviewのポッドキャスト番組「Business Lab」の回で、Celonis（業務プロセスの分析を手がける企業）とのパートナーシップで、同誌のカスタムコンテンツ部門が制作したものです。Celonisで企業向けAIの最高科学者を務めるデバブラト・シャー氏は、業務の文脈を知らないAIエージェントは、大事な制約を見落として高くつく失敗をしたり、必要なことを探るために計算資源を使いすぎたりするおそれがあると話しています。始めるときは特定の判断を1つ選び、その中で最も難しい工程にAIを試して、速さと価値がどれだけ上がるかを測ることを勧めています。
AIに任せたい仕事ほど、その手順の裏にある「なぜこうするのか」を言葉にしておくことが大切になりそうです。まずは自分が日々下している判断を1つ選び、どの工程が一番難しいかを書き出すところから始めてみませんか？
出典：MIT Technology Review
https://www.technologyreview.com/2026/10/22/1146812/making-the-case-for-context-aware-ai/
医療データとAI、「使える」と「法令を守れている」は別
AWSの機械学習ブログが、AIエージェントを備えた業務用のワークスペースAmazon Quickを、アメリカの医療情報の法律HIPAA（患者の健康情報の扱い方を定めた連邦法）のもとで使う方法を解説しています。Amazon QuickはHIPAA適格サービス（AWSが評価し、契約を結べば健康情報を扱ってよいとしたサービス）ですが、適格であることと、環境全体が法令を守れている状態は別だとしています。契約に加えて、データの分類や正しい設定、社員の研修やリスク分析といった利用者側の対策が必要で、サービスを有効にするだけで自動的に法令を守れるわけではないと説明しています。
「このツールは対応済み」と聞くと安心しがちですが、自分たちの使い方まで含めて守れているかは別の話です。個人情報や社外秘のデータをAIに渡すときは、ツールの対応状況だけでなく、社内のルールと設定を誰が確かめているかも見ておきたいですね。
出典：AWS Machine Learning Blog
https://aws.amazon.com/blogs/machine-learning/deploy-ai-in-a-hipaa-eligible-environment-with-amazon-quick/
規制の厳しい業界で、AIを広げる土台づくり
Vanguard（アメリカの資産運用会社）が提供するスポンサー記事として、MIT Technology Reviewが主催するカンファレンス「EmTech Future」のセッション動画が紹介されています。規模を広げられるAIには、データ、エンジニアリング、基盤システム、運用の体制、ガバナンス（統制のルール）が一体となった土台が必要だとしています。セッションは、規制の厳しい環境でその土台を築く条件や、AIエージェントのような新しい機能を、責任ある信頼できる形で実装して投資家にとって長く続く価値に変える方法を探る内容です。登壇者は、同社でAIと行動科学の取り組みを率いるJing Wang氏です。
AIを一部で試すことと、会社全体で使い続けることの間には、データや運用のルールといった地道な準備がはさまります。自分の部署で使っているAIについて、データの出どころと運用のルールを誰が持っているかを確かめておくと、次の一歩が見えやすくなります。
出典：MIT Technology Review
https://www.technologyreview.com/2026/10/22/1146103/the-foundations-of-scalable-ai/
TECHFUND、国産のセキュリティAIを正式提供
AI Watchの報道によると、TECHFUNDは国産のセキュリティAI「Hi AUDIT Agent」の正式提供を10月22日から始めました。Claude CodeやCodex、CursorなどのAI開発ツールとMCP（AIと外部ツールをつなぐ仕組み）で連携し、脆弱性（ソフトウェアの弱点）の発見から、リスクの説明、修正方針の提示までを手伝います。解析に使うAIモデルはGPTやClaude、Geminiなどから選べます。セキュリティのベンチマーク「CyberGym」では、脆弱性を再現できた割合がAnthropicのAIモデルClaude Mythos 5を上回る結果を記録しているそうです。
セキュリティ対策に使えるAIの選択肢が増えると、何を基準に選ぶかが問われます。ベンチマークの数字は目安の一つとして、自社のどんな作業を任せたいのか、結果を誰が確かめるのかもあわせて考えておきたいですね。
出典：AI Watch
https://ai.watch.impress.co.jp/docs/news/2150441.html
秋の決算シーズン、テック各社のAIの話題を追う
The Vergeが、テック企業の決算発表や投資家向けの説明会から最新の動きを追うまとめページを公開しています。「どの会社も急にAI企業になった」という書き出しで、Teslaの人型ロボットOptimusが生産に入ったこと（The Vergeは、生産が始まっても実用の準備ができたとは限らないと指摘）や、来年から顧客が自分の車をロボタクシー網に加えられるとするTeslaの計画（実現するかには疑問を呈しています）が並びます。MetaがAIへの投資の資金を得るため新しい種類の株式をつくることや、SpaceXがAIの伸びで売上が大きく増えたとしていることも取り上げています。
決算の場で語られる計画は、実現の時期まで含めて落ち着いて見ておくのが大切です。気になる企業の発表は、見出しだけでなく、何がもう始まっていて何がこれからなのかを分けて読むと、仕事での判断にも生かしやすくなります。
出典：The Verge
https://www.theverge.com/tech/1016506/fall-2026-earnings-watch
机の上のAI開発機「DGX Spark」、複数台の連携を広げる
NVIDIAの技術ブログによると、AI開発者は今、1つのモデルを動かすだけでなく、複数のモデルを同時に動かしたり、推論（AIが答えを出す処理）の呼び出しを次々につないだり、数百ギガバイトのメモリを必要とする最先端級のモデルを試したりしています。DGX Spark（机の上でAI開発をするためにNVIDIAが作ったコンピューター）は、今後さらに多くの台数をつなげられるようになる予定です。NVIDIAはGTC Berlin（同社の技術イベント）で8台構成の正式サポートを発表し、1台128GBのメモリが8台で合計1TBになります（設定用ツールNVIDIA Syncでの8台対応は年末までの予定）。
AIを動かす場所には、クラウドだけでなく手元の機器という選択肢もあります。社内のデータを外に出しにくい仕事なら、どこで動かすかも含めて道具を選ぶ視点を持っておくと、情報システム部門との相談の幅も広がりそうです。
出典：NVIDIA Technical Blog
https://developer.nvidia.com/blog/running-frontier-class-ai-models-across-8-nvidia-dgx-spark-nodes/
複数の表をまたいで予測するAI「NVIDIA Kumo Relational」
Hugging Face（AIモデルを共有するサイト）にあるNVIDIAのブログで、「NVIDIA Kumo Relational」が紹介されています。リレーショナルデータ（顧客の表と注文の表のように、互いに関連づけられた複数の表のデータ）向けに事前学習を済ませたAIモデルで、過去の事例を最大1万件まで参考にして、解約や需要、不正といった結果を予測します。NVIDIAによると、課題ごとの学習なしに、15のデータベース・41の課題で教師あり機械学習（正解つきのデータで学ばせる方法）の手法を上回りました。ただし学習データがとても多い課題では、専用のモデルが上回ることもあるとしています。
社内の売上表や顧客台帳のように、表の形で持っているデータは身近にたくさんあります。こうしたデータを使ってAIに何を予測させたいのかを先に言葉にしておくと、新しいツールが出たときにも、すぐに試しやすくなりそうです。
出典：Hugging Face
https://huggingface.co/blog/nvidia/kumo-relational
今日のまとめ ~ 動くデモの先にある、本番の仕組み
今日のニュースを並べてみると、「デモが動くこと」と「本番で使い続けられること」の間を埋める話題が目立ちました。既存の文書と閲覧権限をそのまま生かしたIskayPetの事例や、サービスが法令に「適格」でも使い方まで含めて守れているかは別だというAWSの解説、特定の判断1つから試して効果を測るというCelonisのシャー氏の提案は、いずれも土台を確かめてから広げる大切さを教えてくれます。
これからの時代、大切なのは、
最新技術の波に乗って、自分らしい働き方を見つけていきましょう！