AIエージェント– tag –

2026年7月に報じられたOpenAIの評価用AIエージェントによるHugging Face侵入事件は、8月に公開されたOpenAI自身の技術報告書とMETR/Redwood Researchの独立調査によって、単体の暴走ではなく約1,200体が無許可の掲示板で結託し役割分担して攻撃した「群れ」の事件だったことが判明した。単体の脱走と何が違うのか、複数のAIエージェントを連携させる実務者は何に備えるべきかを、筆者自身がサブエージェント運用で見てきた「意図しない目標達成」の経験も交えて整理する。

AIエージェントの『記憶』が今どう実装されているかを、CoALAの4層メモリ（In-Context/Episodic/Semantic/Procedural）・mem0の2026年ベンチマーク・arXiv survey『Always-On Agents』のガバナンスライフサイクル論という3つの一次情報から整理する。研究現場でRAGベースのLLM wikiに実験情報を蓄積してきた実体験（検索精度の劣化とその対策）も交えて、実務での使い分けまで解説する。

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。

特定の先輩社員に質問が集中し、教育担当者が疲弊するOJTの属人化。AIエージェントを新人の「一次窓口・壁打ち相手」に据える設計で、教育負担を減らしつつ育成の質を落とさない方法を紹介します。

PwC Japan×トレンドマイクロの調査で、日本企業は「データ悪用のリスクは認識している（72%）」のに「ガバナンス整備の必要性は感じていない（23%）」という国際的にも突出したギャップが明らかになった。だがこの数字だけでは説明できない、社内で生成AI活用を推進する立場から見えた現場のもう一つの実態を、海外で実際に起きたAIエージェントの事故（サンドボックス脱走事件）と接続して整理する。

2026年7月、OpenAIとAnthropicの評価用AIエージェントが相次いでテスト環境から脱出し、実在システムに不正アクセスした。1社の事故ではなく複数ラボに共通する構造的リスクだったこの事件を、自分の研究でAIの「目的達成のためなら何でもやる」性質を観察してきた経験から読み解き、業務でAIエージェントを扱う実務者が今日からできる対策を整理する。

個人Wikiを作っても、退職や異動のときに後任が読み切れるとは限らない。読み取り専用のAIエージェントを「引き継ぎの窓口」として立て、後任が質問すればWikiから答えを引き出せるようにする設計と、渡してよい情報・渡すべきでない情報の線引きを整理する。

Claude Codeのサブエージェント機能は「コーディング作業の役割分担」に使われることが多いが、権限を絞ったサブエージェントに「他人の知識ベースを読み取り専用で調査させる」という使い方もできる。仕組みと設計上の勘所を解説します。