AI新聞

Obsidianと既存のChatGPT/Claudeだけで、技術メモを自動整理する環境を作る方法について書かれた記事。

• フォルダはInboxとDailyを入口に、Notes（恒久）、MOC（索引）へ育てる3層構成。人は雑に書き、AIが週次で整理・昇華する。
• Claude Code Desktopのローカル定期タスクで、Inbox/Daily/Clipsを毎週処理。タグ付け、分割、リンク、MOC登録、レポート出力まで自動。
• クリップはObsidian Web Clipperで3種テンプレ運用。keepは要約してノート化、unreadは自動対象外、ブックマークは別フォルダで後日分類。
• ChatGPT/Codexに「Obsidianへ追加」Skillを入れ、会話の要約をそのままInboxへMarkdown保存。
• AGENTS.mdに運用ルール（構成・タグ・手順）を集約し、定期タスクは毎回これを参照。ルール変更に強い。
• 安全策として曖昧な項目は保留、Git操作はせず、Obsidian Gitで15分ごと自動コミット。
• Basesでunread/keepの一覧を表で確認。必要十分な範囲で閲覧を効率化。
• 追加課金なし（ChatGPT Plus/Claude Proの範囲）。iPhone同期は未対応だがGitHubで閲覧可能。

ClaudeやCodexに仕事を任せるための「型」作りと、その運用でどれだけ迷いが減ったかを測った記事。

• 中心は、判断基準・完了条件・人間の関門・記録を分けること。これでAIが迷わず進める。
• 仕事を12の型に分解し、依頼文のキーワードで自動装着する。
• 判定原則は先に渡す。後出しの「そうじゃなくて」を防ぐ。
• 停止条件は機械で判定できる一行で書く。「いい感じ」は禁止。
• 人間の判断はGateに分離。5回連続で通れば停止条件へ昇格させる。
• 状態はJSONに外出しし、会話の要約後に再装着して方針のブレを防ぐ。
• 検証は実装者以外の別エージェントに任せ、負のテストも必ず実施。
• 訂正発言を自動収集し、週次でルールに昇格。手順も都度資産化。
• 外部の知見は文言追加ではなく構造への影響で採否を決める。
• 効果: 訂正あり率はCodexで14.6%→4.2%、Claude Codeで29.2%→13.3%。人間の発言数中央値は6→3、出力トークンも半減。

全国レベルの公式な広告や広報では、著作権などの不安からAI生成物の採用がまだ慎重だという現状がある。これに対し、地域のインディーズな現場ではビラやポスターでの活用が進み、街角では実装が先に走っていると指摘する。

筆者は、その先端技術の実務導入を前向きに評価し、街で見かけたAIっぽい作品の中から、特に心を動かされた例を選んで紹介すると述べている。

AIで開発が速くなる一方、品質は見えにくくなる。筆者は散在していた障害KPIを見直し、「何を問うか」を絞り、平均ではなく中央値で読むなど測り方も再設計し、AIを使って欠損補完→記録品質チェック→集計の仕組みを作り、再現可能な可視化を実現した。

これにより、復旧は速くなったが再発防止は弱いなど、打つべき手が数字で共有できた。仕組みはQAに引き継がれ、継続改善が進んでいる。

AIは集計やドラフト作成を担い、人は問いの設定と判断に集中する。マネージャーの役割は、経営の関心を動く形にし、現場の改善とつなぐことだと結論づけている。

生成AIが、弁護士を付けない本人訴訟を後押ししている。大阪の男性が、調理中に排水口へ落ちた冷麺を出されたとして大手焼き肉チェーンを提訴し、Geminiの助言で訴状作成や手続きの段取りまで進めた事例を追っている。本人訴訟のハードルを一気に下げる動きが現実になっているという指摘だ。

一方で、AIの誤情報や過剰な主張が紛争を増やす懸念、裁判所や相手方の負担増、責任の所在の曖昧さが課題とされる。利用者の法リテラシー向上と、司法側の対応ルールづくりの両立が必要だと述べている。

AI工学におけるMLOpsと継続的評価、AIエージェント運用の実践を体系的に整理した記事。

• DevOpsやTPSの考え方を踏まえ、機械学習に特化したMLOpsへと発展した背景を解説。PoC止まりを避ける設計と組織づくりが重要。
• 継続的学習（CT）とモニタリングを組み合わせ、継続的な評価による継続的な改善を回し続ける。エラーが出なくても挙動異常は起きる前提で観測する。
• AIエージェントは、課題特定→最小機能開発→テスト→デプロイ→運用監視のループで小さく始める。レイテンシー、コスト、信頼性を常に見直す。
• テストはシナリオ、手動、レッドチーミング、自動評価を併用。専門家を巻き込み、重大リスクのケースを重点的に回帰テスト化。
• リスク管理は段階導入が原則。低リスク用途から始め、顧客と対話しつつ適用範囲を拡大。ガードレールは軽量フィルタ、プロンプト設計、手動介入、微調整の多層防御で構築。
• 組織面では責任あるAIの体制整備と、全社員向けリスク研修を必須化。利用スキルを底上げして事故を減らす。
• 実装面はMLパイプライン、推論基盤、データ/コード品質、観測可能性を標準化。素早い実験、利害関係者との協業、意思決定に使えるメトリクス設計が要。
• 実務の詰まり（巨大PR、レビュー渋滞）は、サービス化・インターフェイス分離と自動化で解消し、運用と新規開発を並走できる体制に近づける。

Claude Codeだけで旅行アプリを開発し、実プロジェクト型の役割分担でAIが自律的に開発・改善を回す方法を解説した記事。

• 1対1の壁打ちから開始し、PMを中心にdesign/imple/QAの分業体制へ。人はPMとだけ対話し、サブエージェントにはノイズの少ない指示を送る。
• ナレッジ集約、設計・開発・テスト標準の明文化、欠陥の振り返りで再発防止と横展開を徹底。
• UI/UX、マーケ、法務など「専門職」エージェントを追加し、視点の抜けを可視化。UIレビューやPR資料、特商法対応を並行で進行。
• 重大バグを機に運用ルールを具体化（配布URLはハッシュ付きで統一、実機でCTA確認）。
• PMの「軽微修正」介入で品質低下が発生し、PMは作業を持たない原則を厳格化。ステージング担当の追加など体制も継続改善。

生成AIで東証データを総当たりした実験では、三尊や窓埋めなど定番の優位性は見当たらず、過去の大規模検証とも結論が一致した。著者は、クオンツの寄与度分解ではテクニカルは「トレンド＝モメンタム」「逆張り＝リバーサル」の2成分だけが共通要因として現れ、他のパターンは成分として検出されないと整理する。

だからテクニカルは勝つための道具ではなく、負けないための道具で、急騰・急落や高ボラの外れ値を投資対象から外すなど、管理すべきリスクを直接切るのが実務的だという。パッシブ選好も合理的だが、アクティブならその先の銘柄選択力が問われる。

AIブームで「AIを使っている」と誇張して資金を集める例が増え、投資家や顧客をだましたとしての訴訟が相次いでいる。米当局もAIウオッシングへの摘発強化に動き、事実に基づかない「AIで短期に収益急拡大」といった宣伝を問題視している。

筆者は、過熱する期待が背景にあり、企業はAI活用の実態や成果指標、リスクを正確に開示する必要があると指摘する。規制強化で玉石混交の企業がふるいにかけられる局面に入ったといえる。

Claude CodeのInput Tokenが増える原因と、その対策を実測ログから解説した記事。

• 実測ではInput系の約95%がキャッシュ再利用（cache_read）で、新規入力はごくわずか。長いセッションがコンテキストを肥大化させてInput Tokenを押し上げる。
• プロンプトを短くしても効果は限定的。セッションの長さと読み込む情報量を見直す。
• タスクが終わったら/clear。目的が変わったらリポジトリが同じでも区切る。
• 続ける必要があるときは/compactで「残す情報」だけ指定（仕様・変更点・未完了タスクなど）。
• コマンド出力は最初から絞る（tailやgrepの範囲、headで上位だけ）。
• 大きなログやファイルは全文を読ませない。必要範囲だけ段階的に追加。
• CLAUDE.mdは毎回読まれるので最小限にし、長い手順や仕様は別ファイルに分ける。
• 広い調査はサブエージェントに分担し、重い探索は低コストモデルに任せる。
• 付録として、JSONLログからcache_read比率を集計するPythonスクリプトも紹介。