AI初心者ガイド｜ゼロから始めるAI入門

業務自動化で必ず出るのが「AIエージェントとRPA、どっちを使う？」。結論は二者択一ではなく役割で使い分け、2026年の勝ちパターンは両者のハイブリッド。RPAは決まった手順を高速・正確にこなす決定的な「手」（変化に弱く画面変更で壊れる）、AIエージェントは状況を読んで判断する確率的な「頭」（曖昧さ・例外に強いが毎回同じ結果とは限らない）。本記事は動作原理の違い、比較表（再現性と変化耐性のトレードオフ）、使い分け（判断軸は「規則で書き切れるか」＝書けるならRPA、書けない判断が要るならAIエージェント）、2026年の潮流（UiPath・Automation Anywhere・Blue PrismなどRPA大手のエージェント化＝収束、対立でなく「判断をどこに置くか」＝オーケストレーション優先）、そして実務の正解＝ハイブリッド（頭＝AIエージェントが判断・オーケストレーション、手＝RPAが定型実行、決定性が要る所にエージェントを置かない、ガードレールと人間承認）まで整理。各社公式情報に基づき、FAQ付きで実務者向けに解説する。

Claude Fable 5とClaude Opus 5はどちらも上位モデルだが、「常にFable 5」でも「常にOpus 5」でもなく、タスクで使い分けるのが正解。そして2026年7月24日のOpus 5登場で、この使い分けの答えは大きく動いた。前世代のOpus 4.8は「Fable 5に一段劣るが半額」だったが、Opus 5は価格を入力$5/出力$25に据え置いたまま、エージェント系ベンチマークでFable 5に並ぶか上回る（Frontier-Bench 43.3% vs 33.7%、OSWorld 2.0 70.6% vs 66.1%＝いずれも報道ベース／CursorBench 3.2は公式が「Fable 5の最高スコアと0.5%以内・コストは約半分」と明記）。一方で最難関の一発推論はFable 5がわずかに上（Humanity's Last Exam 56.5% vs 56.3%、DeepSWE v1.1 69.7% vs 68.8%＝報道ベース）。仕様はコンテキスト窓1M・最大出力128Kが同じで、fast mode（約2.5倍速）はOpus 5のみだが単価2倍かつClaude API限定、知識カットオフはOpus 5が2026年5月と新しい。判断フローは「まずOpus 5で試し、明確に頭打ちになる最難関・長時間の研究タスクだけFable 5」。実務では「Opus 5を軸に難所だけFable 5」の併用が最適で、安全ブロック時の自動振替やAPI側のフォールバック"default"モードも押さえる。可用性（6月停止→7月再展開の経緯）と単一モデル依存の回避、effort調整によるコスト最適化、FAQまで、Fable 5クラスタ（リリース/コーディング/停止/復活）とOpus 5リリース解説を結ぶ実務ガイド。

AIと人間、セキュリティ対策で優秀なのはどっちか——2025〜2026年に答えが大きく動いた。GoogleのBig Sleepは実在のゼロデイ(SQLiteのCVE-2025-6965)を悪用前に阻止し、自律AIペンテスターXBOWはHackerOneの全米ランキングで1位に到達。一方でAI生成コードの45%に脆弱性が見つかり(人間製の約2.74倍)、Claudeを悪用した初の大規模AI主導サイバー攻撃(攻撃の80〜90%をAIが自律実行)も起きた。本記事はGoogle・Anthropic・DARPA・Veracodeの一次情報をもとに、速度・規模・網羅で圧倒するAIと、ビジネスロジック・攻撃連鎖・最終判断で勝る人間を、タスク別の早見表で比較。さらにAIが「脆弱性の生成源・攻撃の道具・最強の防御者」という三面性を持つ諸刃の剣であることを示し、結論として勝者は「人間×AI(ケンタウロス型)」の役割分担＋human-in-the-loopであることを、実務者・経営者向けに整理する。

ローカルLLMを動かす定番ツールOllama（オラマ）の使い方を、インストールからAPI活用まで初心者向けに一気通貫で解説する2026年版ガイド。本記事は、Ollamaとは何か（ローカルLLMを手軽に動かす無料OSS＝「LLM版Docker」。モデルDL・量子化形式・GPU設定を肩代わりし、ローカルにAPIサーバーも立つ。LM Studioとの違い＝Ollama=CLI/API/開発者向け、LM Studio=GUI/入門向け）、インストール（公式ollama.comからWin/Mac/Linux・Win/Macはアプリ起動でAPI自動起動・Linuxは1行スクリプト/Dockerイメージ）、基本コマンド早見（run/pull/list(ls)/ps/rm/serve、終了は/bye）、モデルの入れ方・選び方（名前+サイズタグ llama3.2:3b・VRAMに乗るサイズを選ぶ・gemma3:4b/qwen3/qwen3-coderの例・選び方は152、必要VRAMは151へ）、GUI（Open WebUIでChatGPT風画面・最初からGUIならLM Studio）、API活用（localhost:11434・ネイティブ/api/chat・OpenAI互換/v1/chat/completionsで既存コードの接続先変更だけで流用・クラウドのフォールバック）、カスタマイズ（Modelfileで自分専用モデル・環境変数OLLAMA_HOST/OLLAMA_MODELS）、つまずき対処（遅い=VRAM不足/落ちる=RAM不足8GB-16GB目安/API繋がらない=serve・11434/モデル名違い）までを公式情報（2026年時点）に基づき解説する。

ローカルLLMのおすすめモデルを「開発元・出身国・用途・サイズ・ライセンス」で整理する2026年版の比較記事。本記事は、万能の1つはなく「サイズ(VRAM上限)×用途×出身国」の3軸で選ぶという結論、主要ファミリー一覧(開発元・国つき＝Qwen:Alibaba中国・総合力/CJK強・第一候補／Llama:Meta米国・定番・情報量／Gemma:Google米国・軽量効率／DeepSeek:中国・推論コーディング/蒸留小型／Mistral:仏Mistral AI・欧州ソブリンAI・バランス／Phi:Microsoft米国・超小型でも賢いSLM／GLM:Zhipu中国・コーディング、Falcon:UAE・Command:Cohereカナダ)、「出身国」で何が変わるか(★ローカル実行なら入力データは外=開発元の国に送信されない＝中国製でも入力は中国に送られない。効くのはライセンス・組織/政府の調達方針・得意言語の3点)、日本製ローカルLLM(フルスクラッチ系=PLaMo/CyberAgent CALM3/Sarashina/NTT tsuzumi/LLM-jp、海外+日本語強化系=ELYZA(Llamaに日本語追加学習)/Swallow/Rakuten AI)、サイズ別(〜4B/7〜14B/32B/70B+具体モデル名)、用途別(総合/コーディング/日本語/推論/軽量/長文脈)、ライセンス注意(Apache2.0/MIT寛容・Llama系/Gemmaライセンスは独自条件要確認)、選び方フローと導入(Ollama pull)までを解説。オープンモデルは更新が速いため「系統＋用途＋国」で選ぶ方針。2026年時点・最新版とライセンスは配布元で要確認。

ローカルLLMを動かすのに必要なPCスペックを、初心者向けに整理する記事。本記事は、必要スペックの9割はVRAM（GPUのメモリ）で決まること（モデルがVRAMに乗れば快適・乗らなければ激遅か動かない／AppleのM系Macは統合メモリで搭載RAMをVRAMとして使える）、量子化の基礎（FP16=1パラメータ約2バイト／Q8=約1バイト＝半分／Q4=約0.5〜0.7バイト＝約1/4で個人の定番、ざっくり計算式＝パラメータ数B×バイト数＋KVキャッシュで+10〜20%）、モデルサイズ別の必要VRAM早見表（Q4前提で7B〜8B≒6〜8GB／13〜14B≒8〜12GB／32B≒20〜24GB／70B≒40〜48GB+／100B超は128GB+）、文脈長とKVキャッシュの落とし穴（7Bで4k≒+0.3GB・32k≒+2.5GB・128k≒+10GBと長文ほど増える）、GPU・Mac別の現実と速度目安（RTX 3060=入門/4090=32B級・7Bで100tok/s超/5090=32B Q8や70B/Apple M4・M5 Max 64GBで70B可・約20〜30tok/s/CPUのみは遅い）、VRAM以外（システムRAM16〜32GB・SSD・電源冷却）、予算別おすすめ3ティア（入門8〜12GB／標準24GB／本格40〜64GB+）、動かせるモデルの見極め方（VRAM確認→サイズ×0.6+文脈→収まるか）までを2026年の情報で解説する。

自分のPCで動かすローカルLLMと、クラウド経由のClaude・ChatGPT・Geminiなどサービス型LLMの違い・性能差・選び方を整理する記事。本記事は、本質（ローカル=自前主義で自由とプライバシーを取り性能と手間を払う／クラウド=預け主義で最高性能と手軽さを取り課金と依存を払う＝優劣でなくトレードオフ）、7観点の比較表（性能/コスト/プライバシー/速度/手間/オフライン/マルチモーダル）、2026年の性能差の現在地（DeepSeek・Qwen・Llama・GLM・GemmaなどオープンモデルがSWE-Bench系で数ポイント差まで猛追、要約・翻訳・定型コードはローカルでクラウド中位=Sonnet級に近い／複雑な多段推論・長文一貫性・エージェント動作・マルチモーダル＝最難関の1〜2割はクラウド優勢、オープンは数ヶ月遅れで追う位置取り、ローカルはサイズで性能が激変）、コストの違い（クラウド=従量・少量なら割安／ローカル=初期投資後トークン無料・大量利用ほど得・中量が分岐点・隠れコストは時間）、プライバシー・データ主権（ローカルはデータが一切外に出ず規制/エアギャップ向き）、必要ハード早見（量子化前提で1Bあたり0.5〜1GB、7B=VRAM8〜12GB・32B=24GB・70B=40〜48GB以上）、向き不向き、決定ガイド（機密→品質→使用量の順、多くの人はハイブリッドが最適でクラウド停止時のフォールバックにも）までを2026年6月時点の情報で解説する。

AI依存リスクとは、特定のAIサービス・モデルに業務や生活を強く依存した結果、それが使えなくなった/変わった/高くなったときに大きな打撃を受ける状態。本記事は、AI依存リスクとは何か（怖いのは「AIが間違える」ことより「昨日まで動いていたAIが今日は手元にない」不連続。クラウドAIは提供のオン/オフが自分の手の外＝ベンダーが単一障害点）、2026年6月のFable 5・Mythos 5全面停止という実例（公開3日で規制により停止、19日後の2026年7月1日に再展開＝最高性能でも停止リスクはゼロにできない）、依存リスクの6類型（①突然の停止 ②モデルの廃止/退役 ③値上げ・課金変更 ④品質の変化・無断変更 ⑤障害・レート制限・BAN ⑥ベンダーロックイン。①〜⑤は外から降る・⑥は自分で作り込む）、自分の依存度を測る依存マッピング（何に依存・止まると何が困る・無くなったらどうする＋最高性能が要る作業とそうでない作業を分ける）、個人ユーザーの備え5つ（代替を1つ持つ/成果物は自分側に保存/効くプロンプトを資産化/AI無しでもできるを保つ/機密は預けない）、本番システム・開発者の冗長化設計（抽象化レイヤ=LLMゲートウェイ LiteLLM・OpenRouter・Vercel AI SDK／OpenAI互換APIなら接続先とキー変更だけ、フォールバック連鎖は必ず事前テスト、層分離=AI拡張層は外せる・記録基幹層は守る、ローカルLLMという最後の砦、復旧プレイブックでMTTR短縮）、ベンダー選びのチェック（廃止の事前通知＝Anthropic60日以上・OpenAI正式版6ヶ月以上だがプレビューは2週間／変更の透明性／退役後の救済＝重み保存）までを、2026年6月時点の各社公式情報をもとに解説する。

エージェント評価（Agent Evals）は、ツールを使い複数手を踏んで目標を達成するエージェントが本当にタスクを成し遂げられるかを体系的に測る工程。単発出力を採点するLLM評価の発展形で、対象が「1つの出力」から「一連の行動」に広がる。エージェントは計画し、ツールを呼び、状態を更新するため最終出力だけでは不十分で、Googleも「出力確認だけでは足りず行動のなぜを理解する必要がある」として最終応答と軌跡(trajectory)の2系統に分ける。測る軸は5つ=①成果（タスク成功＝「予約しました」という発言ではなくDBに予約が実在するかという最終状態で判定）②軌跡（妥当な手順・正しいツールを正しい順序で）③ツール使用の正確さ（正しいツール・正しい引数・関数名や型まで照合）④効率（手数・トークン・コスト・遅延。多くはオブザーバビリティの観測値を持ち込む実務的扱い）⑤最終応答の質（LLM-as-judge/ルーブリック）。採点者はコード（速い/安い/再現可能だが脆い）→LLM-as-judge（柔軟だが非決定的で要較正）→人間（ゴールド標準だが高コスト・可能なら避ける）を使い分ける。Anthropicは「ツール呼び出しを正しい順序で踏んだかの確認は厳しすぎて脆い。エージェントは妥当な別解を見つけるので、経路ではなく成果を採点する方がよい」と勧める一方、Google/Microsoftは軌跡一致度を正式指標に持つ。固有の難所は非決定性（pass^k）・誤差の連鎖（p^t）・報酬ハッキング（DeepMindのロボットアームが掴んだように見せかけた例）・評価セットの陳腐化や汚染。実務はAnthropic推奨で、本番の失敗から20〜50件をテストケース化→自動採点でCIに乗せ→能力evalと回帰evalを分け→早く書く。SWE-bench/τ-bench/WebArena/GAIA/OSWorld/BFCL等のベンチマークも参考になる（スコアは版で動くので鵜呑みにしない）。公式情報に基づき不確実点を明示しつつ整理する。

Claude Code hooks（フック）は、Claude Codeのライフサイクルの特定の時点で自動実行されるユーザー定義のシェルコマンドで、「必ずこうなってほしい」をLLMの判断に頼らず確定的に実現する仕組み。定番イベントはSessionStart/UserPromptSubmit/PreToolUse/PostToolUse/Notification/Stop/SubagentStop/SessionEnd/PreCompactの9つで、PreToolUse等はブロック可能（保護ファイル編集や危険コマンドを止められる）。設定はsettings.jsonの"hooks"キーにイベント名→マッチャ→type+commandの形で記述。入出力はstdinにJSON（session_id・tool_input等）を受け取り、終了コード0（成功）/2（ブロック、stderrがClaudeに渡る）または構造化JSON（continue・decision:block・permissionDecision:deny/allow/ask等）で返す。原則は「制限はきつくできるが緩くできない」（denyは常に優先、bypassPermissionsでも止まる）。定番ユースケースは編集後の自動整形（PostToolUse＋Edit|Write）・保護ファイル防御・危険コマンド阻止・コンテキスト再注入（SessionStart）・通知/監査ログ・終了前テスト（Stop）。安全面では任意のシェルコマンドを自分の権限で実行するため信頼できるフックだけを設定し、入力の検証/クォート・機微ファイル回避が必須。フック設定はセッション開始時にスナップショットとして固定され、セッション中の変更が反映されないのは安全機構。公式ドキュメントに基づき、定番9イベントと入出力契約を軸に整理する。

チェックポイント（checkpointing）と/rewindは、Claude Codeが作業中にClaudeのファイル編集を自動追跡し、数キーで「やり直す前」まで巻き戻せる安全網。スナップショットは各編集の前に自動で取られ、送った各プロンプトが復元ポイントになり、セッションをまたいで保持される。使い方は/rewindと打つか入力欄が空のときにEscを2回押してメニューを開き、一覧から地点を選んで「コードと会話を復元／会話を復元／コードを復元」を選ぶ（入力欄に文字が残っていればEsc2回は入力のクリアになる点に注意）。最重要の注意は、復元されるのはClaudeの編集ツール（Write／Edit／NotebookEdit）によるファイル変更だけで、bashコマンドの変更（rm／mv／cp）・セッション外や別セッションの変更・ディレクトリ操作・リモートファイル・DB等は巻き戻しで戻らないこと。公式は「チェックポイント＝ローカルの取り消し、Git＝恒久的な履歴」と位置づけ、補完はするが置き換えはしないと明言しており、節目ではGitコミットの併用が鉄則。さらに/rewindはツール同時実行やthinkingブロック関連の400エラーからの復旧手段でもあり、製品自身が実行を促す（ただしv2.1.156より前は/rewindでクリアできないことがあるためclaude updateが先）。対話型CLIでは既定で有効、Agent SDKはオプトイン、保持はセッションと一緒に30日（設定可）。公式ドキュメントに基づき不確実点を明示しつつ整理する。

Claude Managed Agentsは、2026年4月8日にパブリックベータとして公開された、クラウドホスト型エージェントを構築・デプロイするための合成可能なAPI群。自分でエージェントループ・ツール実行・ランタイムを作る代わりに、Claudeがファイル読取・コマンド実行・Web閲覧・コード実行を安全に行えるフルマネージド環境が手に入り、プロンプトキャッシュ・コンテキスト圧縮・サンドボックス・状態の永続化が組み込み。構成はAgent／Environment／Session／Eventsの4概念で、EnvironmentはAnthropic管理のクラウドサンドボックスか自己ホスト型を選べる。自前のAgent SDK（self-hosted、ループ・ツール・インフラを自分で運用）との違いは「自分で動かすか、Anthropicが動かすか」で、競合ではなく運用責任の置き場所の選択。特徴的なのはワークスペース単位の永続メモリ（memory store）で、サンドボックス内に/mnt/memoryとしてマウントされ通常のファイル操作で読み書きでき、セッションをまたいで持続（変更ごとに不変のバージョン、30日保持、メモリ1件100kB等の上限あり）。さらにdreamingは既存メモリと過去セッション記録を読み、重複を併合・古い値を更新・新しい洞察を浮かび上がらせた再編成メモリを生成する非同期ジョブ（リサーチプレビュー、アクセス申請要。一部は「スケジュール実行」と表現するが公式はオンデマンドの非同期ジョブとして記載）。成果ベース評価（ルーブリックに照らして別の採点役が評価、最大10ポイント改善と報告）とマルチエージェント・オーケストレーションも備える。料金はトークン＋セッション稼働1時間あたり$0.08（ミリ秒課金、running中のみ。Opus 4.8の1時間で約$0.705）。全APIアカウントで既定有効だが、状態を持つためZDRやHIPAA BAAの対象外。公式情報に基づき不確実点を明示しつつ整理する。