Findy AI+｜生成AIの最新ニュースを発信

グローバルの生成AI最新トレンドを毎日お届け。
Claude Code、Codex、CursorなどのAIツールを使いこなし、Agentic Workflowを開発組織のデファクトに。

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

AIエージェント活用の「個人技化」「ブラックボックス」を解消する5つの新機能をFindy AI+でリリースしました🎉🎉

【今すぐ使える5つの機能】
・成果あたりのAIコスト・トークン量を可視化
・セッションログで組織／チーム／個人のAI活用度を分析
・整備したSkillsが実際に使われているかを定量把握
・リポジトリ別のハーネス整備状況を一覧化・改善レコメンド
・ハーネス整備度と生産性指標の相関をデータで可視化

個人のばらつきをなくし、組織全体で成果最大化とコスト最適化を両立できる状態へ。
AI駆動開発を加速させたいチームはぜひ👇👇️

[筋肉CTO まさたん 💪 Findy @ma3tk]

Findy AI+で5つの新機能をリリースしました！

「うちのエンジニアはAIをどれくらい使っているんだろう？」
「Claude Code、上手く使えてるの？」
という疑問を解決できます！

・AIコスト・トークン量を可視化/改善
・AIの活用度の分析/改善
・AIを使いまくってるメンバーの特徴を知れる

他にも、

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

AIコストを食いつぶすのは、モデルではなく設計の問題だった

トークン消費が急増している。けれど、ビジネス価値は同じペースで増えていない。Uberは2026年分のAIコーディングツール予算を4ヶ月で使い切った。

💡 ポイント
・Deloitteの調査では、回答者の半数以上がデジタル予算の21〜50%をAIに割いている（平均36%）
・Rampの報告では、AI支出が前年比4倍に増加
・トークン消費は急増しているが、ビジネス価値は同じペースで増えていない

1. 問題の核心：トークン使用量ではなく、トークンあたりの成果で測れ
・重要なのは「どれだけトークンを消費したか」ではなく「消費したトークンあたりどれだけ有用な成果を生んだか」
・これを「トークンイールド（token yield）」と呼ぶ
・トークン消費はモデル単体ではなく、システム全体の設計で決まる——コンテキスト取得、ツール公開、タスク分解、モデルルーティング、実行の再利用などすべてが影響する

2. 見えないトークンの実態
・ユーザーが入力する短いプロンプト（例：「このアカウントのチャーンリスクを分析してフォローアップタスクを作成」）は氷山の一角
・実際のトークン消費にはシステム命令、ツールスキーマ、取得文書、中間推論、実行トレース、メモリが含まれる
・エンタープライズシステムでは、トークンの大半はユーザーが入力したものではなく、タスク周辺の足場（scaffolding）が生成している
・システムが過剰なコンテキストを取得したり、既に完了した作業を繰り返したり、ルーチンワークを高価なフロンティアモデルに押し付けたりすると、品質向上なしにトークン消費だけが増える

3. アーキテクチャのレバー①：コンテキストの質
・エンタープライズAIの失敗の大半はコンテキストから始まる
・モデルはどのコンテキストが重要かを知らない——与えられたものをすべて処理する
・コンテキストが増えるほど、そのコンテキストに注意を払うコストも増える
・取得が雑だと、モデルは正しい信号に基づいて行動する代わりに、無関係または矛盾する情報を推論するために予算を使う
・解決策はプロンプトにもっとデータを詰め込むことではなく、より良い取得をすること
・Gleanの一元化されたインデックスは、既製のMCPツールと比較して約2.5倍選ばれ、既製ツールは約30%多くトークンを消費した
・既製ツールが正確さで勝った場合でも、約83kトークンが必要だったのに対し、Gleanは約43kトークンで済んだ
・つまり、弱い取得は、より多くのツール呼び出し、より多くの推論ループ、より多くの過剰取得で補償することを強制する
・設計の悪いコンテキストアーキテクチャには「隠れた税金」がある
・よく設計されたコンテキスト層は、モデルに正しい情報をより早く、より使いやすい形で与える——問題を組み立てることではなく、問題を解決することにトークンを使えるようにする

4. アーキテクチャのレバー②：モデルルーティング
・エージェントワークフローのすべてのステップがフロンティア推論を必要とするわけではない
・エンタープライズAI作業の大部分は運用的なもの：検索、取得計画、ツール選択、検証、実行管理
・これらのステップは重要だが、スタック内で最も高価なモデルを常に必要とするわけではない
・マルチモデルアーキテクチャが重要な理由——目標はより小さなモデルをどこでも使うことではなく、仕事に適したレベルの知性を使うこと
・使用がスケールするにつれてこの区別はより重要になる——すべてのステップがデフォルトでフロンティアモデルにルーティングされると、ルーチンワークにフロンティア価格を実質的に支払っていることになる
・モデル使用の適正化はトークンイールドを改善する最も直接的な方法の1つ：差別化された価値を生み出す場所にフロンティア推論を温存し、作業がより狭くより反復的な場所に特化モデルを使う

5. アーキテクチャのレバー③：継続学習
・エンタープライズAIシステムは同じクラスの問題を毎回ゼロから解くべきではない
・すべての実行は、次回同様の作業をどのように行うべきかのシグナルを生む：どのツールが有用だったか、どの取得パスが機能したか、どのステップが不要だったか、どの出力が実際にユーザーのジョブ完成に役立ったか
・システムが過去の実行から学ばなければ、同じ探索コストを何度も払い続ける
・過去の実行から学ぶシステムは、冗長な推論を減らし、失敗したパスをスキップし、正しいワークフローに速く収束できる——結果は品質の向上だけでなく、繰り返し作業のコスト低減
・最高のエンタープライズAIシステムはこの方法で複利を生む——各完了タスクが次の関連タスクの経済性を改善すべき

6. アーキテクチャのレバー④：ハーネス設計
・エージェントが長期的・多段階の作業を引き受けるにつれて、ハーネスは品質とコストの両方の主要な決定要因になる
・ナイーブなハーネスはアクティブなコンテキストウィンドウを膨張させ続ける——すべてのステップで、より多くの命令、ツール、状態、中間出力を前に運ぶ。コストはワークフローとともに増大。信頼性も低下する
・より良いハーネスはコンテキストを蓄積するものではなく管理するものとして扱う
・ツールを現在のステップにスコープし、適切な場合に特化エージェントに作業を分散し、中間状態をアクティブメモリに保持せず外部化し、各モデルに必要な作業セットだけを与える——目標はより複雑なタスクをサポートすることだけでなく、コンテキストの膨張で崩壊することなくそれらをサポートすること

本当のAIのモートは実行効率にある。

[Arvind Jain @jainarvind]

https://t.co/isdpfDmbm3

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

Anthropicエンジニア1人あたりのコード量、2024年比で8倍に。AIが12時間分の作業をこなせるレベルに到達。

Anthropicが社内データを公開。

💡 ポイント
・2026年5月時点でAnthropicのコードの80%超はClaudeが執筆
・エンジニア1人あたりのコード量は2024年比で8倍に増加
・Claude Mythos Previewは社員調査で「自分だけで作業するより4倍の成果」と回答

1. 作業時間がここまで変わった
・2024年3月：Claudeは「人間が4分でこなせるタスク」を完了
・2025年3月：「1時間半かかるタスク」をこなせるレベルに
・2026年現在：「12時間分の作業」まで対応（4ヶ月ごとに倍増のペース）

2. 研究でも人間を超えはじめた
・コード最適化テスト：1年で3倍→52倍の速度改善（熟練エンジニアは4〜8時間で4倍が限界）
・「次に何をすべきか」の判断で人間より良い選択をした割合：51%→64%（2025年11月→2026年4月）
・800件のバグ修正を自律的に完了。人間が対応すれば4年かかる量を単独でこなした

3. 今後の3つのシナリオ
・成長が頭打ちになり、現状の性能が社会に普及していく
・AIが加速的に効率化するが人間が方向性を決め続ける（現状に近い）
・AIが自分の後継モデルを自律的に開発できるようになる（再帰的自己改善）

[Anthropic @AnthropicAI]

Our internal data shows Claude is accelerating AI development—a possible path to recursive self-improvement, or AI autonomously building a more capable successor.

It’s happening faster than we thought, and the implications deserve greater attention. https://t.co/OVVPJO7VQx

[Kenta.Kase @Kesin11]

"あわせてPR作成Skillの中からセルフレビューSkillを呼び出すようにして、PRを作るときには必ずセルフレビューSkillを使用する環境に変えました" / これぐらい強制力を持たせてしまってもいいのかなー / “配ったSkillの効果を「定着 × 成果」で測る — Findy AI+の活用事例 …” https://t.co/MFkDzlPmQj

[NEWS @NEWS_0]

配ったSkillの効果を「定着 × 成果」で測る — Findy AI+の活用事例 - Findy Tech Blog https://t.co/ITYxI3pIQx

[ゆーだい@Findy @dai___you]

トークンマキシング（Tokenmaxxing）からトークンマネジメント（Token Management）へ。AIを使うフェーズから最適化へ。海外でも注目されているトレンドです
AIのトークン代、なぜか毎月増えていく。「コスト削減」ではなく「トークンマネジメント」という発想｜山田裕一朗（CEO at Findy Inc.） @yuichiro826 https://t.co/AIDrrlOGt3

[あっきー🍺 @kuronekopunk]

コミットからPR作成までのリードタイムを26%短縮 AI活用の「定着 × 成果」の測り方 - Findy Tech Blog https://t.co/qxRbEPHHAY

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

原文はこちら

https://t.co/6nLTHMkJqh

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

AIの世界平均利用量、6.5年前のOpenAI社内トップと同水準に。

当時のトップは月10万トークンで「おそらく世界1位」だった。現在の社内トップは月1,000億トークン。それでもAltmanは「社外にもっと使っている人がいる」と認めた。

💡 ポイント
・月10万→月1,000億トークンで100万倍（6.5年）
・社外に社内トップを上回る利用者が存在
・2026年初頭まではコスト問題は「全く話題にならなかった」

1. OpenAI社内のトークン文化
・社内にトークン消費量のランキングが存在し、社員がXで自慢することも
・OpenClaw開発者は1ヶ月で130万ドル（約2億円）分を消費
・別の社員は30日で6,030億トークン、1週間で2,100億トークンの事例も

2. 他社はコスト管理に動き始めた
・Amazonは社内トークンランキングをすでに廃止
・UberはCOOが「支出の正当化が難しい」と発言しトークン上限を設定
・Altman自身も「より少ない費用で価値を届ける方法を模索中」と発言

[Polymarket @Polymarket]

JUST IN: Sam Altman says AI budgeting has suddenly become a “huge issue” for companies.

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

https://t.co/voq1ttJL5Z

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

AIエージェント活用の「個人技化」「ブラックボックス」を解消する5つの新機能をFindy AI+でリリースしました🎉🎉

【今すぐ使える5つの機能】
・成果あたりのAIコスト・トークン量を可視化
・セッションログで組織／チーム／個人のAI活用度を分析
・整備したSkillsが実際に使われているかを定量把握
・リポジトリ別のハーネス整備状況を一覧化・改善レコメンド
・ハーネス整備度と生産性指標の相関をデータで可視化

個人のばらつきをなくし、組織全体で成果最大化とコスト最適化を両立できる状態へ。
AI駆動開発を加速させたいチームはぜひ👇👇️

[筋肉CTO まさたん 💪 Findy @ma3tk]

Findy AI+で5つの新機能をリリースしました！

「うちのエンジニアはAIをどれくらい使っているんだろう？」
「Claude Code、上手く使えてるの？」
という疑問を解決できます！

・AIコスト・トークン量を可視化/改善
・AIの活用度の分析/改善
・AIを使いまくってるメンバーの特徴を知れる

他にも、

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

Uberの年収情報はこちらを参考にしました
https://t.co/Q2iUfAKa0m

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

UberがAIコーディングツールの利用を月1,500ドル（22.5万円）に制限との報道。

年換算で年収の約5%に相当。

1. 何が起きたか
・UberがCursorやGitHub Copilotなどのバイブコーディングツール（＝AIがコードを自動生成するツール）の利用を月$1,500に上限設定
・社員の利用が想定以上に膨らみ、AI関連予算を超過したとされる
※Uberは公式発表していない

2. 背景：Uberエンジニアの給与水準
・エントリー（SE I）：約2,900万円（$194K）
・中堅（Senior SE）：約6,700万円（$447K）
・全体中央値：約5,000万円（$330K）
・高給の現場でも、AIツール代が経営課題になる規模感

[Polymarket @Polymarket]

NEW: Uber is reportedly capping employee use of AI vibe-coding tools at $1,500 per month after blowing through its AI budget.

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

Uber、人事部門の23%を削減。

「組織が複雑になりすぎた」が理由。
AIリストラではないと明言しつつ、社内AIツールの効率化を理由に採用ペース自体はすでに落としている。
リモート承認済みの従業員も週3出社へ。

💡 ポイント
・人事・採用・職場施設・文化を担う部門が対象
・全従業員3万4000人のうち1%未満、上位職が多数
・他社のような「AI投資のためのリストラ」とは明確に線引き

1. AI活用の実態
・社内AIツールの効率化を理由に、先月から採用全体のペースを縮小
・エンジニアのAIコーディングアシスタント月間利用率は95%
・削減とは別に、ロボタクシー商業化向けのポジションを含む800以上の求人は継続中

2. 組織的な背景
・新社長が「責任重複・オーナーシップ不明確」と指摘し主導
・リモート承認済みの人事スタッフにも週3出社を義務化
・2023年にも採用部門・子会社で同様の削減を実施済み

[NDTV @ndtv]

Uber Cuts 23% Of Jobs In People’s Division As New President Takes Charge. The Reason Is… https://t.co/YBRwgUh41J

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

AnthropicとPwCが提携を拡大。金融・医療・サイバーセキュリティの現場でClaudeが稼働中。
保険の審査期間が10週間→10日に。

https://t.co/1nB49vuRdE

💡 ポイント
・保険の審査サイクル: 10週間→10日に短縮
・セキュリティインシデント対応: 数時間→数分に
・システム改修の納期を最大70%削減

1. PwC社内での展開
・社内AIアシスタント「ChatPwC」にClaudeを統合済み
・米国チームからClaude CodeとCoworkを展開、数十万人規模に拡大予定
・3万人のプロフェッショナルを認定トレーニングプログラムで育成

2. 導入済みの現場
・スポーツ運営: デジタルファン体験とチーム管理業務を刷新
・COBOL（古いシステムのプログラミング言語）の大規模移行を予定通り進行中
・停滞していたHR（人事）システムを1週間でプロトタイプ化、2ヶ月以内に本番稼働

3. 今後の注力領域
・医療: 臨床業務・事務処理の自動化
・製薬: 治験のサイクル短縮と規制申請の効率化
・金融・PE（未上場企業投資）: 買収審査から統合まで一気通貫で対応

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

コード不要でWebアプリを作る「バイブコーディング」、14分でチャットサイト作成の手順を実例付きで解説。

💡 ポイント
・Claude Codeがコード・ホスティング・バグ修正をすべて自動処理
・プロンプトに「bypass permissions mode」を設定すると承認なしで完走

1. 実際の手順（7ステップ）
・Claude デスクトップアプリの「Code」タブを開く
・「Bypass permissions」モードを有効化
・GitHubとVercelを接続（どちらも無料）
・素材ファイル（テキスト・画像）をアップロード
・目的と完成イメージをプロンプトで指示
・あとはClaude Codeが自動で構築・デプロイ

2. 今回作ったもの
・7本のニュースレターを読み込んだチャットボット
・「Chat with Ruben, about Claude」として公開
・完成まで約14分、URLも自動生成

3. Claude習得に読むべき7本のガイド（記事内で紹介）
・Claude For Dummies（入門、約5分）
・Claude Cowork（コード不要ユーザー向け、約20分）
・Claude Skills（繰り返し作業の効率化、約15分）
・「自分らしい文体」に調整する方法（約40分）
・AIっぽい文体を避けるためのプロンプト術（約7分）

[Ruben Hassid @rubenhassid]

https://t.co/0j9ObTybve

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

Claude Codeが、タスクに合わせた作業手順を自分で組み立てられるようになった。

「ultracode」とプロンプトに書くだけで起動。コーディング以外にも、リサーチ・セキュリティ分析・コードレビューなど、複数のAIエージェントを並列で動かす処理に向いている。

💡 ポイント
・1つの会話の中で計画と実行を同時にやる限界を超えるための仕組み
・途中で止めても、再開すると続きから動く
・トークン消費が増えるので、単純なコーディングタスクには不要

1. なぜ必要か
・長い作業を1つの会話でやると「途中で諦める」「自分の答えを正しいと思い込む」「最初の指示を忘れる」の3つの問題が起きやすい
・ワークフローは別々のAIに分けて担当させることでこれを回避する
・Bunのコードベース移行（Zig→Rust）もこの仕組みで対応済み

2. 使えるパターン
・複数案を出して競わせ、最良を選ぶ「トーナメント方式」
・タスクを細かく分割して並列処理し、最後にまとめる「扇型展開」
・別のAIに答えを批判的に検証させる「対立検証」
・完了条件を満たすまでループする「条件付き繰り返し」

3. 具体的な使いどころ
・過去50セッションを振り返り、繰り返してきた修正をCLAUDE.mdのルールに変換
・Slackの#incidentsチャンネル6ヶ月分からチケット未対応の再発原因を抽出
・80件の履歴書をバックエンドエンジニア採用向けにランク付けしてトップ10を再確認
・ブログ記事の技術的な主張をコードベースと照合して誤りを検出

[Thariq @trq212]

Workflows are the biggest upgrade to Claude Code’s capabilities since skills and subagents.

I dove deep into it with @sidbid to figure out best practices, examples and more.  I’m particularly excited about the non-technical tasks it enables for Claude Code.

[h.uchida | ファインディ専門役員 @pnpn_86]

先週リリースしたセッションログ分析を自社で活用してみたので、リリースと合わせてブログにしてみました！

・web画面でサクッと、組織・チーム単位のセッション数やトークン使用量、キャッシュヒット率、メンバーごとの推移を確認
・気になった点はMCPサーバーで深堀り分析
（AI活用で生産性がどれくらいどこで上がった？、試作開発割合増えた？、AI活用環境の整備効いた？など）

AI活用されてる開発組織のお役に立てば幸いです〜！

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

OpenAIで5カ月で100万行のコードを書いたが、人間は1行も書いていない。
OpenAI社の実験プロジェクトの結果。

https://t.co/Shdhk4o3O9

💡 ポイント
・人間3人 + Codexで1500本のPRをマージ
・アプリロジック・テスト・CI設定・ドキュメント全てをCodexが生成
・開発期間は手書きの10分の1に短縮

1. プロジェクトの制約
・手書きコード0行のルールを設定
・空のgitリポジトリからスタート
・最初のREADMEやAGENTS.mdファイルすらCodexが生成
・既存の人間が書いたコードベースに依存しない完全新規開発

2. 実際の成果
・5カ月で約100万行のコード生成
・3人チームで1500PR、後に7人に拡大してもスループット維持
・内部で数百人が利用、デイリーユーザーも存在
・デプロイ・障害・修正のサイクルが通常通り回っている

3. エンジニアの役割転換
・コード記述から「システム設計」「環境構築」「フィードバックループ設計」へ
・大きな目標を小さなコンポーネントに分解する作業が中心
・エージェントが使える抽象化・ツール・内部構造を整備する
・エージェントに「何を作るか」を伝え、実行を任せる

4. 初期の課題
・立ち上がりは予想より遅かった
・理由はCodexの能力不足ではなく「環境が整っていなかった」
・エージェントに必要なツール・抽象概念・構造が欠けていた
・高レベルの目標に向かって進むための土台作りが必要だった

5. 人間の希少リソース
・唯一の制約は「人間の時間と注意力」
・エージェントは並列実行できるが、人間のレビュー・判断は並列化できない
・何を優先し、どこに注意を向けるかの設計が最重要
・エージェントを活かすための「環境設計」に人間の時間を使う

6. 開発哲学の変化
・「手を動かさない」ことが中心哲学になった
・コードを書くのではなく、エージェントが書きやすい構造を作る
・意図を明示し、エージェントが信頼できる仕事をする仕組みを構築
・フィードバックループを回し、エージェントの出力品質を担保

7. スケールの実験結果
・チームが3人から7人に拡大してもスループットが維持された
・人が増えても生産性が落ちない——従来の開発と異なる挙動
・エージェント中心開発では、人間の役割が「書く」から「整える」になるため並列化しやすい

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

https://t.co/8ZB9Js9o0K

[Findy AI+｜生成AIの最新ニュースを発信 @AIPlus_Findy]

巨大コードベースにおける、Claude Code活用のベストプラクティス

・LSPに着目してる点が新しい
・5 + 2の構築ポイント（CLAUDE(.)md files, hooks, skills, plugins, MCP servers and LSP）
・モデル進化した際に、過去モデルに適用していたハーネスのメンテナンス
・最初は少人数で構築して、エンジニアが自然・自動で使われるように設計する

※「How Claude Code works in large codebases: Best practices and where to start」
をNotebookLMで加工