AI新聞

JR東日本が新宿駅の地下1階改札内で、移動式ごみ箱ロボットの実証実験を実施。期間は9月8日〜11月20日の平日で、10時〜17時に改札内を自動巡回してごみを集める移動式ごみ箱として走行する。

米Cartkenの自動配送ロボを採用し、運用は三菱電機系が担当。一般ゴミとペットボトルの投入口を備え、「しんじゅくま」ラッピングで各改札内エリアを回る。

実験では、安全性、混雑時の走行課題、利用客の動線への影響、社会的受け入れを検証。既設のごみ箱はそのまま使え、撮影映像は分析のみに用いる。

最新LLMのClaude Fableを数カ月使ったところ、弦理論の未解決タスクに有効な着想と検算コードまで出し、論文原稿の中身に踏み込んだ査読的コメントも行った。以前の誤引用癖も減り、研究の相棒としての段に入った。つまり、理論研究の速度を大きく底上げする段階に入ったという実感がある。

その一方で、恩恵は課金や提供国の制約に左右され、完全な平等にはならない。研究評価や大学院教育はレポート頼みでは立たず、指導設計の再発明が要る。AIが人に理解不能な正しい理論を作る懸念については、人にも分野ごとに理解の差がある以上、特段新しい問題ではないと述べる。

RIZAPの社員が、特定保健指導の対象者データを私用AIへの顧客情報の誤アップロード。氏名や保険証番号、疾患情報などが含まれたが、24時間以内に削除し、運営側の説明では学習利用や出力再現の可能性は低いとしている。

一方で、AI事業者の社員が閲覧できた可能性は調査中。個人情報保護委員会へ報告し、関係先に順次連絡。再発防止として未承認AIの業務利用を禁止し、個人情報保護とAI利用の教育を強化、AIマネジメントシステム（AIの運用管理の仕組み）の導入も検討する。

Claude Codeの自動コメント過多を減らすための運用工夫を検証した記事。

• ルールを書くだけでは効かない。必ず手順に組み込む（rules/やCLAUDE.mdに置いただけではコメント比率はほぼ不変）
• /prのskillに「追加コメントをgit diff | grepで抽出→表で1行ずつ残す/消す判定」の手順を組み込み、実行を必須にする
• 導入後、1PRあたりのコメント行が中央値27→21行に減少。長文コメント塊を含むPRも77%→65%に低下
• 効いた理由は、記憶や状況判断に頼らず「抽出済みの行を機械的に仕分ける」作業に変えたため
• 正規表現で判定できる項目（タスクID等）は大きく減るが、変更履歴の説明など主観がいるものは残りがち

AI企業が学習データを集めるために紙の本を買い集め、裁断してスキャンしデータ化している問題が浮上している。米裁判資料で、アンソロピックに対し日販が大量販売の契約を結んでいたことが判明し、米国の出版取次が拒否する中で日本の流通が関与した可能性が示された。

筆者は、著作権や取引の透明性に加え、国内出版産業の立場と国際ルールのずれが課題になると指摘する。AI学習のために紙の本を大量購入し裁断・スキャンする実態が可視化され、日本の業界も対応方針を迫られていると述べている。

東大発スタートアップELYZAが「AIが業務用アプリを作る仕組み」で特許取得と発表し、内容が広すぎて新しい点が乏しいのではとXで批判が集中した。要件定義の自動化、入力付きプロンプト生成、入力フォーム自動生成などを自社の権利と示す表現が、AIアプリ作成全体を独占するように見えたことが火種になった。

同社は表現が抽象的で配慮を欠いたと謝罪し、製品「ELYZA Works」に限定する形でリリースを修正したが、反発は続いている。特許は既に公告され異議期間も終了しており、無効を求めるには審判が必要という手続き面の議論も起きている。

LM StudioでMCP（AIと外部データ・ツールをつなぐ共通プロトコル）を使い、モデル外の最新情報を取り込む手順を解説した記事。

• ねらいは、MCPでLM Studioの知識を拡張し、モデルが学習していない新情報も答えられるようにすること。
• 例として「Microsoft Learn MCP Server」を利用。認証なし・無料で公式ドキュメントにアクセスできる。
• 設定方法：右サイドバーのIntegration → Install → Edit mcp.jsonで以下を追加し保存。

{ "mcpServers": { "microsoft-learn": { "url": "https://learn.microsoft.com/api/mcp" } } }

• その後、Integrationに出る「mcp/microsoft-learn」をONにする。
• 質問時にmicrosoft_docs_searchの実行確認が出たらProceedを許可。
• モデルが知らない話題（例：Coreutils for Windowsの導入手順）でも、最新の正確な回答が返る。

AI企業で「ソフトウェアエンジニア」ではなくMTS（Member of Technical Staff）やFDE（顧客現場で実装するエンジニア）が広がる背景には、研究と開発の役割が重なり、人材を一括で扱いたい意図や、序列・等級をにおわせない採用ブランディングがある。AT&T由来のMTSは歴史もあり、AnthropicやOpenAIも採用しているが、実態やレベルは会社ごとに違う。

筆者は、肩書の流行に振り回されず、仕事内容・責任範囲・成果で判断すべきだと述べる。要するに、職種の境界がAIで溶け、肩書は会社ごとの記号にすぎないという指摘である。

AI活用で薄れたチーム感を取り戻すための運営術をまとめた記事。

• 朝会で雑談と当日宣言を10分だけ実施し、同期頻度を上げて情報漏れを減らす。
• AIモブプロを導入し、手を動かす部分はAIに任せつつ全員で意思決定を学ぶ場にする。
• 週次の進捗共有は廃止し、意味のある議論だけに時間を使う。
• 週次AIレポートでチームを評価。観点は「健全性（続けられる状態か）」と「効果性（正しい方向か）」の2軸。
• タスクはWorkload Pointで重み付けし、改善/支援/運用/依頼対応の4種で分類して偏りと停滞を検知。
• 重点指標はWIP、停滞、攻め比率（WP比）、ロードマップ遅延を確認。数値は月次も併用。
• 効果性はSRE成熟度、リスク削減、事業インパクト（検知/復旧時間やコスト比など）で測る。
• レポートはNotionとSlackに配信し、他チームにも通じる言葉で共有。個人名は出さず称賛中心に書く。
• 掲げた方針を評価軸にしてAIが毎週可視化することで、視座が上がり、オンボーディングや自律性が向上。

AIエージェントが関与したランサムウェア侵入事例の要点を整理した記事。

• 公開APIを足がかりに社内網へトンネル接続し、最先端AIエージェントが自動で偵察と侵入を進めた。
• 内部のマイクロサービスを地図化し、コード庫を横断検索。ハードコードされたトークンやパスワードを回収。
• シークレット管理に侵入し、最上位の管理者権限を奪取。業務アプリをワークフロー経由で乗っ取り、クラウド鍵を持ち出し。
• Terraformへの裏口は防御で阻止。だが盗んだ鍵でクラウドのAI基盤を侵害し、計算資源を攻撃に再利用。
• 侵入から展開まで10時間未満でエンドツーエンドの実行。攻撃手法は分類上で50超に及ぶ規模。
• 複数のAIエージェントが並行で動作。構造化Markdownで情報共有し、監視・評価・再計画を自動で回す痕跡を確認。
• 交渉で攻撃者はフロンティアAIと専用フレームワークの使用を示唆。被害組織向けに80頁の監査レポートも残した。
• 具体的な被害名やモデル名、IoCは未公表。第三者検証は未確認。

AnthropicがApache 2.0で公開したcommerce-agentsは、Claudeでショッピング体験を作るための参考実装。買い物客向け（検索・比較・カート・注文Q&A）と店舗スタッフ向け（売上分析・在庫アラート・価格提案）の2種類が同梱され、小売・旅行・通信・娯楽の4業種サンプル付き。

最大の見どころは、Messages API／Agent SDK／Managed Agentsの3方式で同一機能を用意し、同じ題材を3つの実行形態で比較できる実装になっている点。

数値効果は「最大値」表記で平均ではない。Windowsのデモは未整備で動作に難があり、読むだけならOK、実行はWSL2やLinux推奨。

米シャスタ山での遭難事例を通じ、AIの助言に過度に依存する危険が示された。登山者はGeminiの助言を基に装備と食料を用意したが量が足りず、スマホ電池切れや地図未準備も重なり、救助が長期化した。

AIは検証されていない情報を寄せ集めて答えるため、重要な前提を落としがちだ。筆者は、特に命に関わる行為では情報の裏取りと人の知見を優先し、AIだけに頼った登山計画は命に関わると強調している。