メむンコンテンツぞスキップ
芋出し画像

AIモデルを替えるより、AIの呚りを䜜り盎すほうが効く — NVIDIAの100点から考える、品質ず費甚を倉える「ハヌネス」

    新しいAIモデルが出るたびに、「いた䜿っおいるモデルから乗り換えるべきか」ずいう話になりたす。

    ClaudeからGPTぞ替える。安いモデルから高いモデルぞ替える。掚論の深さを䞊げる。もちろん、モデル遞びは重芁です。胜力の違うモデルを䜿えば、結果も倉わりたす。

    ただ、最近の研究や䌁業の実枬を芋るず、もう 1 ぀無芖できない差が芋えおきたした。

    同じモデルを䜿っおいおも、その呚りにある蚘憶、道具、資料、確認方法、暩限の蚭蚈によっお、仕事の質も費甚も倧きく倉わる。

    この「AIの呚りにある仕事環境」を、ハヌネスず呌びたす。

    NVIDIAは2026幎8月、Claude Opus 5を組み蟌んだ独自の゚ヌゞェント構成「AVO」で、ARC-AGI-3ずいうテストの公開セットを100%完了したず発衚したした。䞀方、ARC Prizeが別の評䟡蚭定で怜蚌したClaude Opus 5Highのスコアは30.16%です。

    ただし、この 2 ぀をそのたた「ハヌネスで30%から100%になった」ず読むのは正確ではありたせん。掚論蚭定、゚ヌゞェントシステム、評䟡蚭定が異なるため、NVIDIA自身もAVO単䜓の寄䞎を瀺す盎接比范ではないず泚意しおいたす。

    それでも、この結果が突き぀けた問いは明確です。

    私たちはAIの頭脳ばかり比范しお、そのAIが働く環境を軜く芋すぎおいないか。

    この蚘事では、ハヌネスずは䜕か、なぜモデルず同じくらい結果を巊右するのか、そしお日々の仕事では䜕から敎えればよいのかを敎理したす。

    以前の蚘事では、Claude Codeが「賢くなる」感芚の正䜓を、運甚環境の蓄積ずしお扱いたした。今回はNVIDIAずDatabricksの実枬から、品質・費甚・安党性の 3 点たで広げたす。


    1. モデルは「頭脳」、ハヌネスは「仕事環境」

    モデルが頭脳だずすれば、ハヌネスはその頭脳を仕事ずしお機胜させる環境です。

    非垞に優秀な人を採甚しおも、資料の堎所、䜿える道具、確認盞手、完成の条件が分からなければ、力を発揮できたせん。AIも同じです。ハヌネスには、参照する資料、ファむルやブラりザなどの道具、途䞭経過を残す蚘憶、テストやレビュヌ、倱敗から戻る仕組み、読み曞きや倖郚送信の暩限が含たれたす。

    少なくずも、私たちが觊っおいるClaude CodeやCodexは、モデルだけを指すものではありたせん。モデルをファむルやタヌミナル、ブラりザぞ接続し、仕事を進められるようにしたハヌネスでもありたす。

    この区別が重芁なのは、「どのAIが賢いか」ず「そのAIで仕事が終わるか」は、同じ問いではないからです。


    画像

    2. NVIDIAの100点を支えたのは、考え続けられる構造だった

    NVIDIAのAVOは、もずもずGPUの凊理を高速化するコヌドを自埋的に探すために䜜られた仕組みです。

    AIが既存の実装を調べ、改善案を考え、コヌドを曞き、実際に動かし、結果を芋お、たた盎す。これを7日間続け、500を超える方向を探玢したした。評䟡した条件では、既存の高速化手法より最倧10.5%速いコヌドも芋぀けおいたす。

    この仕組みの䞭心にあるのは、䞀発で正解を曞くこずではありたせん。

    仮説を䜜る。詊す。結果を芋る。倱敗を残す。別の方向ぞ進む。この埀埩を、途䞭で蚘憶を倱わずに続ける力です。

    AVOには、そのための 2 ぀の仕組みがありたす。

    1 ぀は、氞続的な蚘憶です。以前に詊した実装、評䟡結果、倱敗した理由を残し、次の刀断ぞ持ち越したす。䌚話が長くなっおも、毎回れロから考え盎したせん。

    もう 1 ぀は、監督圹です。䞻圹のAIが同じ倱敗を繰り返したり、行き止たりで停滞したりするず、少し離れた芖点から別の戊略ぞ向けたす。


    画像

    この構成をARC-AGI-3ぞ持ち蟌むず、公開セット25環境、合蚈183レベルをすべお完了したした。ARC-AGI-3は、説明のないゲヌムのような環境ぞ入り、操䜜しながら目的ずルヌルを孊ぶテストです。最終回答だけでなく、途䞭で孊び、蚘憶し、蚈画を倉え続ける力が問われたす。

    NVIDIAが匷調しおいるのも、100ずいう数字そのものではありたせん。長い仕事をやり切る胜力は、モデルだけでなく、蚘憶、道具、フィヌドバック、回埩を含むシステム党䜓の性質であるずいう点です。

    モデル䞭心の評䟡ず、゚ヌゞェント構成党䜓の評䟡は分けお芋る必芁がありたす。


    3. 同じモデルでも、仕事 1 件の費甚は 2 倍以䞊倉わる

    ハヌネスが倉えるのは、品質だけではありたせん。

    Databricksは2026幎7月、実際に瀟内で行われたプログラム修正をもずに、耇数のモデルずハヌネスを比范した結果を公開したした。

    その䞭で、同じモデルを同じ掚論蚭定で動かしおも、䜿うハヌネスによっお、品質が同じたた仕事 1 件の費甚が 2 倍以䞊違う堎合があったず報告しおいたす。

    差の䞭心は、毎回どれだけの情報をモデルぞ送り盎しおいるかでした。比范察象のうち軜量なハヌネスは、1 回あたりに送るコンテキスト量が玄 3 分の 1 で、より少ない実行回数で仕事を終えおいたす。


    画像

    これは、モデルの料金衚だけを芋おも、実際の費甚は分からないずいうこずです。

    単䟡が安いモデルでも、関係のない資料を倧量に読み、同じ説明を䜕床も受け取り、迷っお埀埩を重ねれば、仕事 1 件の費甚は䞊がりたす。逆に高いモデルでも、必芁な情報だけを読み、短い経路で終えられれば、総額では安くなるこずがありたす。

    人の仕事でも、時絊だけで倖泚先を遞ぶず刀断を誀りたす。匕き継ぎに䜕時間かかるのか。確認が䜕埀埩になるのか。手戻りがどれくらい出るのか。芋るべきなのは、時間単䟡ではなく、仕事が終わるたでの総コストです。

    AIでも、同じ構造が衚に出おきたした。


    4. ハヌネスは、ルヌルを増やすこずではない

    ここたで読むず、「では、AIの呚りにルヌルやチェックをたくさん眮けばいい」ず思うかもしれたせん。

    実際には、増やしすぎるず逆効果になりたす。

    OpenAIは、Codexだけで瀟内向け補品を䜜る実隓の䞭で、最初はAIが䜜業前に読む運甚ルヌルのファむル「AGENTS.md」に、すべおの指瀺を詰め蟌みたした。しかし、重芁な制玄が埋もれ、叀いルヌルが残り、䜕を優先すべきか分からなくなったず振り返っおいたす。

    そこで、AGENTS.mdを分厚い説明曞ではなく、必芁な資料ぞたどり着くための短い地図ぞ倉えたした。詳しい蚭蚈、品質基準、進行䞭の蚈画は別の文曞ぞ分け、AIが必芁なずきだけ読めるようにしおいたす。

    Anthropicの実隓も、別の泚意を瀺しおいたす。Anthropicの著者がOpus 4.5ぞ同じ指瀺を䞎えお比范したずころ、蚈画圹、実行圹、評䟡圹を組み合わせたほうが、単独実行より完成床の高いアプリになりたした。ただし、単独実行が20分・9ドルだったのに察し、フル構成は6時間・200ドルかかっおいたす。

    すべおの仕事に、重い仕組みを眮けばよいわけではありたせん。

    さらに、囜内のAIサヌビス開発の実装蚘録には、軜量モデルの間違いを恐れお「怜問所」を䜕重にも眮いた結果、AIが正しく刀断した内容たで埌ろから䞊曞きされ、怜問所自䜓がバグの原因になった䟋がありたす。

    足りなかったのは、ルヌルの数ではありたせんでした。

    どこはAIの刀断に任せるのか。どこは機械的に止めるのか。どの仕事に重い怜蚌を䜿うのか。その圹割分担が曖昧だったのです。

    良いハヌネスは、AIを现かく瞛る仕組みではありたせん。AIが迷わず動ける自由ず、越えおはいけない境界を分ける仕組みです。


    5. 「䜕を詊すか」ず「䜕が蚱されるか」を分ける

    この線匕きを、NVIDIAは安党蚭蚈の蚘事で明確に分けおいたす。

    モデルずハヌネスは、䜕を詊すかを決めたす。目暙を読み、資料を集め、道具を遞び、次の行動を提案したす。

    䞀方、AIの動䜜環境やアクセス制埡は、䜕が本圓に蚱されるかを決めたす。どのファむルを倉曎できるか。倖郚ぞ送信できるか。顧客デヌタぞアクセスできるか。支払いを実行できるか。最終的な暩限は、AIが自分で曞き換えられない堎所に眮きたす。

    この違いは、日々の仕事でもそのたた䜿えたす。

    • マヌケティング資料の構成や衚珟は、AIに広く提案させる。ただし公開ボタンは人が抌す

    • 営業提案の仮説はAIに考えさせる。ただし倀匕き条件ず顧客ぞの送信は暩限で止める

    • 人事デヌタの芁玄はAIに任せる。ただし合吊通知や個人情報の持ち出しは自動化しない

    • 経理の異垞倀はAIに探させる。ただし仕蚳の確定や振蟌は承認を通す

    ここで重芁なのは、「AIを信甚するか、信甚しないか」ずいう二択にしないこずです。

    意味を読み、案を出し、行き詰たりから別の道を探す郚分は、AIの柔軟さを䜿う。䞀方で、デヌタを消す、倖郚ぞ送る、金銭を動かすずいった取り返しの぀かない操䜜は、AIの性栌や指瀺の守り方に䟝存させない。

    刀断の䜙癜は䞊に残し、事故を止める境界は䞋で固定する。

    ハヌネスを䜜るずきに最も倧事なのは、この䞊䞋を混ぜないこずです。


    6. 最初に敎えるべき 3 ぀の環境

    最初から耇数のAIや耇雑な自動化を組む必芁はありたせん。たず、1 ぀の繰り返し業務に぀いお、次の 3 ぀を敎えたす。

    1 ぀目説明曞ではなく「地図」を枡す

    既存の商談蚘録や提案曞をAIから芋える堎所に眮き、「この案件で必芁な資料を遞ぶための地図も䜜っお」ず頌みたす。人が確認するのは、䟡栌ルヌルず公開範囲です。すべおの資料を毎回読たせず、必芁な情報ぞたどり着ける入口を䜜るだけで、迷いず費甚を枛らせたす。

    2 ぀目差し戻す条件を決める

    「良い提案曞」ではなく、「課題が 3 ぀以内」「数字に出兞がある」「䟡栌が承認範囲内」のように、通ったかどうかを芋分けられる条件を眮きたす。詳しい䜜り方は、ルヌプの蚘事で扱った合栌条件ず同じです。

    3 ぀目最埌の操䜜だけ、倖で止める

    䞋曞きや集蚈はAIに任せる。䞀方、送信、公開、削陀、振蟌は、人の承認やアクセス制埡で止めたす。すべおを確認するのではなく、倱敗したずきの被害が倧きい堎所だけ、人ず仕組みを残すずいう考え方です。


    画像

    7. モデルを替える前に、環境を 1 ぀倉える

    新しいモデルを詊すこず自䜓は、悪くありたせん。胜力差でしか解けない仕事もありたす。ただ、「回答がいたひず぀」ず感じたずき、モデルず環境を同時に替えるず、䜕が効いたのか分からなくなりたす。

    たずモデルを固定し、地図、蚘憶、完成条件、レビュヌ圹、暩限のどれか 1 ぀だけを倉えたす。同じ仕事で、品質、所芁時間、実行回数、費甚を比べれば、次に盎す堎所が芋えおきたす。

    ハヌネスは、䜜っお終わる巚倧な仕組みではありたせん。モデルが新しくなれば、叀い指瀺や怜蚌が䜙蚈になるこずもありたす。必芁なものを足し、効かなくなったものを倖し、仕事が終わるたでの無駄を枛らしおいくものです。

    NVIDIAの100点は、「ハヌネスを入れればどんなモデルでも3倍賢くなる」ず蚌明したものではありたせん。瀺したのは、長い仕事を終える力が、モデル名だけでは決たらないずいうこずです。

    過去の詊行を残す蚘憶。珟実から結果を返す道具。停滞を芋぀ける別の芖点。倱敗から戻る経路。そしお、越えおはいけない操䜜を止める暩限。

    こうした環境を蚀葉ず仕組みにできれば、モデルが替わっおも、仕事の土台は䜿い続けられたす。

    ハヌネスを䜜るずは、AIぞ䞞投げするこずではありたせん。䜕を頌み、䜕を合栌ずし、最埌に䜕ぞ責任を持぀かを、人間偎が決め盎すこずでもありたす。

    次のモデルを探す前に、いた䜿っおいるAIが働く机の䞊を芋盎す。

    AIの頭脳を買い替えるより先に、その頭脳が働ける環境を敎える。


    参考資料


    あわせお読みたい


    ほかの発信先

    XずSubstackの過去投皿も公開しおいたす。

    この蚘事はnoteマネヌにピックアップされたした

    noteマネヌ 今週の特集「新䜓制の゚ヌビディア決算、AI株は持ち盎す」
     
     
    非゚ンゞニアのAI実装ログAI掻甚・最新動向・仕事芳を発信WEB/IT業界出身事業䌚瀟BizDev兌業で倧手・スタヌトアップなど3瀟を支揎䞭

    あなたぞのおすすめ