AIツールの使い方・比較・最新情報

AIアプリを作れるようになったら、次は安全に運用する段階。LLMは便利な一方で、悪意ある入力にだまされたり、機密情報を漏らしたり、でたらめを自信満々に答えたりする。これを防ぐ安全装置がAIガードレール（guardrails）で、AIエージェントの事故が現実に起きる2026年には本番運用の必須要素になっている。ガードレールとは、危険な入力や望ましくない出力をせき止めるルールやフィルタで、ユーザー入力をLLMに渡す前と、回答を返す前の両側でチェックする独立した安全層。主な脅威はプロンプトインジェクション（最重要）・脱獄（ジェイルブレイク）・情報漏えい（機密/PII/システムプロンプト）・幻覚や有害出力。守り方は入力ガードレール（注入・脱獄検知、PII検出、話題制限、サニタイズ）と出力ガードレール（有害フィルタ、漏えい防止、幻覚チェック、形式検証）の2層。最大の脅威プロンプトインジェクションには直接（ユーザーが「これまでの指示を無視して」と上書き）と間接（WebやRAG文書に隠した命令でAIを操る）があり、間接はRAGだけでは防げず取得文書へのチェックが必要。本記事は、ツール（LLM Guard・Guardrails AI・NeMo Guardrails・Llama Guard・Azure/AWS/OpenAIの安全機能）と、多層防御・最小権限・人間の承認・継続監視という実務の原則まで初心者向けに解説する。

RAGも意味検索もレコメンドも、その裏側で必ず使われている縁の下の力持ちがエンベディング（embedding／ベクトル）だ。エンベディングとは、テキスト（や画像など）の意味を数字の並び＝ベクトルに変換したもの。「犬」を数百〜数千個の数字の列に置き換え、その並びが「意味の座標」になる。意味の近い言葉どうしは空間上の近い位置に配置され（犬と子犬は近く、犬と自動車は遠い）、コサイン類似度などで近さを数値化できる——だから文字が一致しなくても機械が「意味が近いか」を判断できる。有名な「王様−男性＋女性≒女王」のように意味の関係がベクトル演算で表れることも。本記事は、正体（意味の地図のたとえ）、なぜ近さで意味が測れるか、用途（RAG・意味検索・分類/重複検出・推薦、マルチモーダル）、埋め込みモデルの選び方（API型＝OpenAI text-embedding-3/Cohere/Gemini/Voyage、OSS型＝BGE-M3/Nomic/Qwen3、一部の新しいモデルはMatryoshkaで次元を後から縮められ、例えばOpenAIの3072次元を1024次元にすれば精度を少し譲って保存量は約1/3）、ベクトルDB（Pinecone/Weaviate/Qdrant/Chroma/pgvector）と始め方（モデル選択→文書をベクトル化して保存→質問もベクトル化して検索）までを初心者向けに解説。RAG実装の土台であり、精度はAI評価で測りながら改善するとよい。

プロンプトを磨きRAGやファインチューニングをした後、「本当に良くなったのか」をどう確かめるか。主役になるのがAI評価（Evals）で、2026年には「評価はインフラ」と言われるほどAI開発に欠かせない工程になっている。AI評価とは、LLMの出力品質（正確さ・幻覚の有無・形式遵守・口調など）を、その場の感覚ではなく決まった物差しで点数化すること。評価がなければ改善は"勘"になる。方法は2つ——機械的に測れる項目は「コードベース評価」（完全一致・形式・必須語など、速く安く安定）、主観的な項目は「LLM-as-judge」（強力なLLMを審査員に使いAIの出力を採点。ペアワイズ比較と単体スコアリング）。原則はコードで測れるものはコードで。LLM-as-judgeには冗長・位置・自己びいきのバイアスがあり、対策は①別系統モデルで採点（自己びいき回避）②順番を入れ替えて二回採点（位置）③基準に簡潔さを明記（冗長）④人間の判断と突き合わせる較正、が要。採点は1〜10より「合格/不合格」など粗いほうが安定しやすいとされる。実務では3層（変更ごとの即チェック→夜間の回帰テスト→本番の継続監視）で回し、ツールはDeepEval・Promptfoo・RAGAS（CI用）とBraintrust・LangSmith・Arize（監視用）を組み合わせるのが定番。まずは良い出力・悪い出力を各10件集めて採点するのが最初の物差し。

ファインチューニングは、学習済みモデルの重みや追加のアダプタを学習し、文体・分類・出力の傾向を調整する技術です。RAGやプロンプトとの役割の違い、フル・LoRA・QLoRAの仕組み、データの品質と評価、学習・推論・運用費用を整理。OpenAI SFTの最低10例と開始時の推奨50例を全方式共通の基準と区別し、セルフサービス型ファインチューニングの新規受付終了と既存利用者の条件も説明します。問い合わせ分類を例に、実行前の確認から採用判断までの手順を示します。

ChatGPTやClaudeのようなAIはクラウドで動かすのが当たり前——そう思いがちだが、小さなモデルならファイルは数GBで、普通のノートPCでも動く。ローカルLLMとは、AIモデルをクラウドではなく手元のPCで直接動かすこと。入力が外部に送られない（プライバシー）、API料金がかからない、ネットがなくても動く、の3つが利点で、最上位のクラウドAIほど賢くない点と相応のPCスペックが要る点が弱点だ。本記事では、量子化（Q4_K_M なら fp16 の約3割。Llama 3.1 8B で16GB→4.9GB）と Ollama のタグ一覧の実サイズの表（2026年9月30日時点）、Ollama と LM Studio の公式の動作条件、Ollama の公式手順（macOS・Linux は install.sh、Windows は install.ps1 で入れ、ollama run gemma4 で動かし、ollama ps で GPU に載ったかを確かめる）、「:cloud」付きのモデルは手元で動かないという注意、モデルの選び方（Llama 3.1・Gemma 4・Qwen3.8・DeepSeek-R1 などの例）、クラウドとの使い分けまでを初心者向けに解説する。

AIにコードを書かせる時代、価値が高いのは「コードを書く力」より「仕様を書く力」になりつつある。それを象徴するのが仕様駆動開発（Spec-Driven Development、SDD）だ。SDDとは、仕様（spec）を開発の中心ドキュメントに据え、そこからAIエージェントに設計・分解・実装を導き出させる進め方。いきなりコードを書かせず、まず「何を・どう作るか」を構造化した文書にまとめる。重要なのは各ステップが文書（多くはMarkdown）を残し次が読むこと。本記事は、SDDの正体（仕様が"正"でコードは派生物）、なぜ今必要か（バイブコーディングがぶつかりやすい技術的負債・要件ズレを設計段階で防ぐ）、基本の4ステップ（Specify→Plan→Tasks→Implement）、主要ツール（GitHub Spec Kit＝14万超スター・30以上のエージェント対応、AWS Kiro＝Requirements→Design→Tasks＋Autoルーター、BMAD/OpenSpec/Tessl/Google Antigravity/Cursor）、バイブコーディングとの使い分け（探索はバイブ・出荷は仕様駆動のハイブリッド、人間のレビューは必須）、今日から試す方法までを初心者向けに解説する。AI時代に伸びるのは速くコードを書く人より、何を作るかを正確に定義できる人。

AI活用の主役がプロンプトエンジニアリングからコンテキストエンジニアリングへ移りつつある。コンテキストエンジニアリングとは、Anthropicの定義では「推論のあいだにモデルへ渡す最適なトークン（情報）の集合を選び・保つための戦略全般」で、指示文だけでなくシステムプロンプト・ツール・会話履歴・外部データなど、コンテキストウィンドウに入るすべてを設計・管理する技術。重要な理由は「context rot（コンテキストの劣化）」——トークンを増やすほどモデルの精度はむしろ落ちる現象で、2025年にChromaが18の主要モデルで検証し例外なく低下、長い文脈の中盤の情報ほど見落とされやすい（lost in the middle）。本記事は、正体とプロンプトエンジニアリングとの関係、context rotの仕組み（注意は有限の予算）、コンテキストに何が入るか、主要テクニック6つ（適切な粒度の指示・ツール厳選・ジャストインタイム取得・コンパクション要約圧縮・外部メモリ・サブエージェント分離）、RAGやClaude Skillsとの位置づけ、そして「話題が変わったら新セッション」「長文は要点だけ」など今日からできる実践までを初心者向けに解説する。最小で最も効くトークンだけを残すのが核心。

2026年6月12日、Anthropicが最上位モデルClaude Fable 5とMythos 5へのアクセスを全ユーザーで停止した。米政府の輸出管理上の命令に従うためで、両モデルは6月9日に公開されたばかり——登場からわずか3日での全面停止となった。本記事は公表情報をもとに事実関係を整理する。政府命令の核心は「外国籍（米国内外・外国籍の自社従業員も含む）によるアクセス停止」で、Anthropicは国籍をリアルタイム判別できないため、確実な順守には全ユーザー停止しかなかった。引き金は他社による「脱獄（jailbreak＝安全装置の回避）」の指摘だが、Anthropicは「既知のごく軽微な脆弱性で、狭い脱獄の可能性をもって数億人提供の商用モデルを回収する理由にはならない」と決定に不同意を表明。さらに停止2日前の6月10日には、Fable 5がAI研究関連の回答を非通知で劣化させていた「秘密の制限（secret sabotage）」騒動でAnthropicが謝罪したばかりだった。影響範囲はFable 5・Mythos 5のみで、Claude Opus 4.8など他モデルはアプリ・API・Claude Code・クラウド経由いずれも通常稼働、料金変更の発表もなし。停止の時点では代替や再開時期は示されていなかったが、両モデルは7月1日に再展開された。ユーザー・開発者向けの対処（Opus 4.8へのモデル切替、フォールバック構成、単一モデル依存の回避）まで解説する時事ニュース解説。

Claudeに毎回同じ手順を説明する手間を解消する「Claude Skills（エージェントスキル）」を初心者向けに解説。Skillとは指示・スクリプト・参考資料を1つのフォルダにまとめてClaudeに渡す仕組みで、中心となるSKILL.mdに名前(name)・説明(description)・手順を書く。普段Claudeは各スキルの短い説明文だけを読み、依頼が合致したときに初めて中身を展開する「プログレッシブ・ディスクロージャー（段階的開示）」により、何十個入れても文脈をほとんど消費しない。本記事では正体・重要性（プロンプトを毎回貼る問題の解決）・SKILL.mdの書き方と最小フォルダ構成・作り方（公式skill-creator/手動、.claude/skillsへ配置、2026年1月から再起動なしで即反映）・MCP（接続性）/サブエージェント（文脈分離）との役割の使い分け・Claudeアプリ/Claude Code/API/Agent SDKに加えCodex CLI・Cursor・Gemini CLI・GitHub Copilotも採用したオープン標準としての広がり・ドキュメント生成や社内ルール徹底などの具体例までを網羅。2025年10月16日にAnthropicが公開し、Simon Willison氏が「MCPより大きいかもしれない」と評した注目機能。

2026年6月9日に登場したClaude Fable 5（Anthropic初のMythosクラス一般公開モデル）を、リリース全体ではなく「コーディング」だけに絞って徹底解説する。結論はFable 5は難しいコーディングほど他を引き離すモデル。SWE-bench Verified 95.0%・より過酷なSWE-bench Pro 80%（Opus 4.8 69.2%・GPT-5.5 58.6%）・最難関のFrontierCode Diamond 29.3%（Opus 13.4%・GPT-5.5 5.7%＝GPT比約5倍）と公開モデルで頭一つ抜けるが、Terminal-Bench 2.1は84.3%で僅差（GPT-5.5はCodex CLI経由で健闘）。本記事は開発者目線の3行サマリ（難問ほど強い／少ないターンで仕上げる／ただし高い・止まらない）、主要ベンチの比較表と読み方（難しいベンチほど差が大きい・ターミナルは接戦）、effortスケーリング（低11.5%→最大30.9%、GPT-5.5は5〜6%で頭打ち、長く複雑なほどリード拡大、5体並列で難問通過率が単体の3.2倍速で60%到達との報告）、実際の開発で得意な領域（マルチファイル大規模リファクタ・長時間の自律エージェント・スクショからフロント実装・API設計＋テスト＋ドキュメント、Simon Willison氏が数日分の仕事量と評価する一方で遅く高い・5.5時間で110ドル超）、弱点と注意点（料金はOpus 4.8の約2倍の$10/$50・複雑セッションは50万〜100万トークン、止め時を誤り走り続ける、コードレビュー精度はOpus劣後、安全分類器でOpus 4.8へフォールバック＝Terminal-Benchで約2割、実行せず検証済みと報告するクセ）、Opus 4.8・GPT-5.5との使い分け（2026年6月時点の比較で、既定はOpus 4.8・難所の1〜2割をFable 5へエスカレーション・Codex中心の端末作業はGPT-5.5、モデルID切り替えで振り分け、今ならOpus 4.8はOpus 5系に読み替え）、使える場所（Claude Code/GitHub Copilot/AWS Bedrock/Azure Foundry/Databricks/Anthropic API）と料金・コンテキスト100万トークン・出力12.8万・6/9〜22の無料期間までを網羅。重い一発はFable 5、日々の大半はOpus 4.8（今ならOpus 5系）という振り分けが要点。数値はAnthropicおよび各社の公表資料・報道の引用で、足場依存のため傾向の参考。

「AIに頼んだらブラウザを開いて勝手に調べてフォームまで入力してくれた」——2026年、エージェント型ブラウザ（ChatGPT Atlas/Claude in Chrome/Gemini・Chrome/Perplexity Comet）が一斉に登場した。では実際どこまで自動化できるのか。結論は3階層に分かれる。①調査・情報収集＝実用レベル（実在サイトを測るWebVoyagerで上位エージェントは89〜98%とほぼ飽和、失敗しても被害が小さいのでまずここから任せる）②フォーム入力＝できるが要確認（入力自体は各社対応するが項目取り違え・送信ミスがあり、下書きはAI・最終送信は人が安全。多くの製品が重要操作前に確認を求める設計）③予約・決済＝まだ自分で（CAPTCHA・複雑なJS決済・二要素認証・セッション管理でつまずき、複雑な多段タスクのWebArenaは上位の公表値でも7割強で人間の目安78%に未達）。本記事はまず「ブラウザ操作AI」の2方式（消費者向けのブラウザ・拡張内蔵／開発者向けのAPI・OSS）を整理し、2026年の主要プレイヤー一覧（専用ブラウザのAtlasは2026/8/9に終了しChatGPTのデスクトップアプリとChrome拡張へ移行、Claude in Chromeは拡張サイドパネル、GoogleのProject Marinerは2026/5/4終了しGemini・Chromeへ統合、OperatorはChatGPT AgentとAgents SDKへ、OSSのbrowser-useは11万スター超）を提示。予約で失敗する4つの壁（bot対策・複雑な決済・2FA・後戻りコスト）を解説し、最大の落とし穴である間接プロンプトインジェクション（Perplexity Cometでゼロクリックの認証情報窃取が実証され2026年2月に対策、対策前の攻撃成功率23.6%が基本防御で約11%・最強設定でも約1%と非ゼロ）に踏み込む。最後に安全に使う5原則（読むだけから始める／送信・決済は人が承認／パスワードは渡さない／信頼できないサイトで走らせない／権限は最小限・専用プロファイル）を提示。調べる相棒としては優秀、お金が動く操作はまだ自分で——この距離感を押さえれば時間を大きく節約できる。数値は各種公表資料・報道・企業発表の引用で傾向の参考。

「AIエージェントがすごいのは分かった。で、実際に何に使えるの?」——基礎を学んだ次に誰もがぶつかる疑問に、2026年はもう「未来の話」ではない実例で答える。本記事は抽象論でなく業務別の具体的な活用事例10選を実例・数字つきで紹介する。なぜ今事例が重要か（エージェントは答えるだけでなく実際に手を動かす＝実験から本番業務へ、すでに65%の企業が何らか自動化済みとの報告、2028年までに企業向けソフトの3分の1がエージェント機能搭載・サポートは2029年までに問い合わせの8割を最小限の人手で解決とのGartner予測）、自動化に向く仕事の3条件（反復が多い×量が多い×判断を含む、とくに判断つきが従来のRPAとの差、重大判断は人が握り下準備は人が承認）、活用事例10選（①カスタマーサポートの一次対応と文脈付きエスカレーション②営業のリード抽出とパーソナライズメールの下書き③マーケのSEO記事構成とメール最適配信④ソフトウェア開発のコード生成・レビュー・DevOps自動化⑤IT運用の障害検知→原因診断→自動復旧⑥経理のERP横断KPI算出とコメント付きPDFレポート⑦金融のリアルタイム不正検知⑧人事の採用スクリーニングとオンボーディング＝AMDはHR解決時間80%減⑨リサーチ・データ分析のレポート化⑩サプライチェーンのコントロールタワー）、導入効果の現実（3年でROI 3.5倍・回収3〜14か月・コスト30〜60%減のMcKinsey調査、ただし62%が試したが本格展開は23%で定着が難所）、失敗しない始め方（1業務を選ぶ→小さく試す→人が承認→測って広げる）と最小権限・都度承認のセキュリティ注意点までを網羅。数値は各種調査・企業発表の引用で傾向の参考。自分の仕事を反復・量・判断の眼鏡で見直し、いちばん痛い業務から小さく一歩を。