生成AI– tag –

2026年1月のDavosで、Anthropic CEO Dario Amodeiは「1〜2年でAGI」、Google DeepMind CEO Demis Hassabisは「5〜10年」、Yann LeCunは「現行LLMでは到達しない」と真っ向対立する見解を示しました。予測が割れる理由と、半年後の現実チェック、研究現場でAI活用を推進する立場から見えた実感を整理します。

公式AIメモリ機能・Claude Skills・Obsidian(個人PKM)・Notion wiki(チーム)。生成AI時代のノウハウ蓄積の選択肢は増えたが、結局どれを使えばいいのかは整理されていない。4つの手法を目的別の星取り表で比較し、実際にどう組み合わせて使い分けるべきかを、write-blogリポジトリ自体の運用実績を一次情報に解説する。

2026年3月にAnthropicがClaudeのメモリ機能を無料プランにも開放し、6月にはOpenAIが「Dreaming」でChatGPTのメモリアーキテクチャを刷新した。両者の公式発表を比較しながら、公式メモリ機能が得意なこと・苦手なことを整理し、Notion/Obsidianのようなナレッジ基盤とどう役割分担すべきかを、実際の使い分け基準とともに解説する。

MCPやエージェント経由でAIにObsidian vaultの書き込み権限を渡すと、読み取り連携にはなかった事故が起きる。実際にvaultが壊れた記録をもとに、Gitによる可逆化・差分承認・書き込み領域の分離という3層の防衛と、それでも防げない並行書き込みの問題を整理する。

社内文書をRAGに入れたのに回答精度が上がらない。原因は検索の仕組みではなく、文書が「人が読む」前提で書かれていることにあります。見出し・節の独立性・メタ情報という3つの手当てを、実際の直し方まで具体的に整理します。

統計・プログラミングの体系的な知識がない状態から、生成AIを相棒にデータ分析を学び直す方法を、ベイズ推定を実際に独学した体験を交えて解説する。「AIに分析させる」ではなく「AIで学び直す」ための4段階ループを紹介する。

社内Wikiに情報は貯まっているのに、誰も使わない。2026年、この問題の解き方が変わりつつあります。メルカリのAI-Native転換やGartnerの予測を手がかりに、「人が読む文書」から「AIエージェントが参照するコンテキスト」へナレッジを設計し直す考え方と、どこから手をつけるかを整理します。

マニュアル化しても属人化が解消しないのは、書いた手順が実行される保証がないからだ。Anthropicが発表したClaude Skillsは、判断基準・手順をSKILL.mdという実行可能な形式に落とし込み、AIが自動的に参照・実行する仕組みである。write-blogリポジトリ自体のSkill運用実績を一次情報に、暗黙知をSkillに落とし込む3ステップと、チーム展開時の落とし穴を整理する。

「同じ生成AIなのに、聞き方次第で答えの質がまるで違う」を実際に検証した記事。曖昧な依頼と3点セット（役割・出力形式・制約）を明示した依頼、出典を求めない質問と「分からなければそう言え」を足した質問、一括で全部頼む依頼と段階的に頼む依頼、3組をAIに実際に投げて出力を比較し、効くコツと効かない思い込みを切り分ける。

クライアントの契約内容や研究データなど、外部に出せない情報を抱えながら生成AIを使いたい個人事業主・小規模チーム向けに、ローカルLLM（Ollama等）という選択肢を実機検証をもとに紹介。精度面のトレードオフを正直に書き、限定用途からの使い方を提案する。