AI新聞

エイベックス松浦勝人氏が、note開設と初回投稿を含む連載4本を「ほぼAIまかせ」で制作し、自分はパスワード入力くらいだったと明かした。1週間でフォロワー約2万人、スキ5万超の反響が出ている。

松浦氏は60年分の人生データを入れて生成したため、内容は実体験に基づくと説明。これに対し、入力データの濃さが品質を決める、使い方次第でAIでも心は動くという称賛と、AI執筆と知って落胆したという声が割れている。

新人向けにAIの使い方を段階管理する社内ツール「newcomer」の紹介。社内スキルマップ（PHP/JS/MySQL/HTML・CSS/AI利用）ごとにランクを持ち、低ランクはAIがコードを代筆せず調査・説明・擬似コードまで、高ランクで既存ファイル編集が解禁されるなど、学習段階に応じてAIの権限を細かく制御できる。

PreToolUseのフックとCLAUDE.mdの規定で機械的にブロックし、Why/Break/Explainの定期チェックでランクアップ。結果として新人が自力で原因追跡や設計の是非を判断し始め、ゲーム感覚の可視化で学習意欲も上がった。今後は「AIにどこまで任せるか」より「どの工程を渡さないか」の線引きをさらに磨く方針。

エイベックス松浦勝人会長が、noteで話題になった「人生論」連載をほぼAIで作成していたと明かした。AIがアカウント作成から初回の自動投稿まで行い、4本で合計5万超の「スキ」を獲得したという。

「自分の60年分のデータを入れたので、内容は実体験」と説明し、以前にはSNSの誹謗中傷を監視する仕組みもAIで作ったと発信している。著名人の語り口や体験を材料に、AIが本人らしい文章を量産できる段階に来たことを示す出来事といえる。

社内知識のオンボーディングと評価設計でAgentを実務投入に近づける方法を解説した記事。

• Agentは「優秀だが社内未オンボードの新入社員」と捉え、Notionのオンボーディング文書をもとに社内知識をSkillsとして構造化する。
• Skillsは条件・手順・完了基準・確認先・優先ルールまで明記。更新はNotionから自動生成で回す。
• Evalは一問一答をやめ、自由回答課題＋Rubricで採点。critical項目を別管理し、LLM-as-a-judgeの多数決で安定化。
• 比較結果：知識なし33.0%／Notion検索87.3%／Skills96.0%。Skillsは応答60.4秒、入力48.6k tokenで速く軽い。
• Notion検索は毎回の検索不確実性と情報統合が難所。Skillsは判断条件を先出ししノイズを減らす。
• 限界：課題15件、Judge偏り、実作業の達成は未評価、critical失敗15.6%が残る。

Claude Codeの使いこなし術について書かれた記事。

• LLM・RAG・オントロジーの役割を分けて設計する。LLMは読み書き、RAGは外部知識注入、オントロジー＋グラフは関係や網羅の計算を担当。
• プレーンRAGの限界は「関係追跡ができない」「top-kで取りこぼす」。多段依存や「全部挙げよ」で失点しやすい。
• オントロジーとナレッジグラフで型と関係を明示し、推移閉包や型の包含で決定的に計算する。
• 併用RAGの流れは、言及抽出→グラフ探索→部分グラフをテキスト化→LLMで最終回答。LLMに構造推論をさせないのが肝。
• 評価は被覆（正解が取得範囲に入るか）を主軸に置く。正解情報をグラフで決定的に拾う一方、最終精度はLLMの読みとノイズに左右される。
• ルーティングで最適化：単一事実はプレーン、関係・網羅・結合は併用RAGへ振り分ける。
• ローカルLLM（Ollama/Gemma）とnumpyで最小実装し、OpenAI互換APIで動かす手順とコードが付く。

デルの新型ワークステーション「Dell Pro Max with GB300」は、NVIDIA GB300 Grace Blackwell Ultra Superchipを搭載した開発・研究向けモデル。72コアGrace CPUとBlackwell B300 GPUを1チップ化し、HBM3e 252GBにLPDDR5X 496GBを合わせ、総メモリ748GBとAI 20PFLOPSのワークステーションをうたう。

PCIe 5.0でRTX PRO 2000 Blackwell増設に対応し、SSDはPCIe 4.0×4で最大16TB。Ubuntu 24.04 LTSとNVIDIAのAIソフト群が動作し、MaxCool設計で高負荷を長時間維持できるのが特徴。ネットワークは400Gbps QSFP112×2や10GbEなどを備える。

営業コンテンツをAIで作るとどう見られるかを、BtoBの発注担当110人に聞いた調査の報告。AIっぽさを感じた瞬間、問い合わせやDLをやめる人が約半数で、競合を調べる（38.2%）、興味が冷める（37.3%）という反応も多かった。

AI生成にありがちな「薄い中身」「整いすぎ」の印象が敬遠される一方で、一次情報や独自データ、具体的な顧客事例、筆者の実体験などの「人の温度」が信頼を生む。営業にAIを使うなら、機械任せにせず、独自の知見と現場の声を強く織り込むべきだと示している。

AI活用の盛り上がりに対し、AI導入が先行しセキュリティは後追いになる懸念を示す。特にOWASP Top 10 for LLMで最警戒のプロンプトインジェクション、とくにRAGを狙う間接型を重視し、一次情報や行政ガイドラインを軸に学ぶべきだと述べる。

論文（攻撃サーベイ、間接PI事例、RAG汚染ベンチマーク）を起点に、WSL+DockerでRAG検証環境を作る計画。論文収集の自動要約や、コンテナ/IaCで検証を半自動化し、実装可能な権限設計や検知・運用策まで落とし込む学習サイクルを回すとする。