Google Researchは、推論優先の合成データ生成フレームワーク「Simula」を紹介した。データセット全体をメカニズム設計として扱い、シードデータに頼らずに生成する。Gemini 2.5 Flashを教師モデル、Gemma-3 4Bを生徒モデルとして5つの領域で評価し、各領域で最大512Kのデータポイントを生成した。全領域で、Simulaは単純なベースラインより高い性能を示し、より少ないサンプル数で下流タスクの性能を上回った。
Google Researchは、合成ニューロン形状を生成するAIモデル「MoGen」を開発し、脳の神経接続マップを作るAI再構成モデルPATHFINDERの学習データに加えた。合成データを10%混ぜて学習させたPATHFINDERは、保留したマウス軸索の再構成エラー率を4.4%削減し、その改善の多くは統合エラー（merge error）の減少によるものである。マウスの全脳規模では、手作業による校正の157人年分の削減に相当するとされる。MoGenはオープンソースモデルとして公開された。
Googleは、生成AIで複数のAIアバターとの会話環境を作り、未来型スキルを評価する研究実験「Vantage」を発表した。ニューヨーク大学との共同研究では、18〜25歳の被験者188人が紛争解決とプロジェクト管理の課題に取り組み、AI Evaluatorの採点は人間の専門家同士の一致度と同程度だった。英語版はGoogle Labsで利用登録を受け付けている。
Google Researchは、LLMベースのユーザーシミュレーターとの差（リアリズムギャップ）を測定するためのデータセット「ConvApparel」を紹介した。衣料品の買い物領域で4,000件以上の人間とAIの多ターン会話（約15,000ターン）を収集し、参加者は「Good」と、意図的に非協力的に振る舞う「Bad」の2種類のエージェントにランダムに振り分けられた。
Google Researchは、論文用の図を生成するエージェント「PaperVizAgent」と、論文を自動で査読するエージェント「ScholarPeer」を発表した。PaperVizAgentは0～100の評価スコアで総合60.2を記録し、GPT-Image-1.5、Nano-Banana-Pro、Paper2Anyを上回った。人間の基準値50.0を超えたのは同フレームワークだけだという。ScholarPeerは、Web検索で文献を参照しながら批評的なレビューを生成し、既存の自動査読手法との比較で高い勝率を示した。
Google Researchは、LLMの行動傾向（behavioral dispositions）が人間の合意とどの程度整合するかを評価する枠組みを示した。25のLLMを状況判断テスト（SJT）で評価したところ、人間の注釈者の意見が全員一致する場合は、小規模モデルとフロンティアのクローズドウェイトモデルがほぼ完全に整合した。一方、合意が90%未満になると整合率は80%台半ばで頭打ちになり、合意がない場面では人間の意見の幅を捉えきれなかった。
Google Researchは、AI評価で項目数と項目ごとの評価者数のどちらを優先すべきかを検証した。多数決との一致を見る場合は項目数を増やす方が有効で、意見の幅を捉える場合は評価者数を増やす必要がある。従来の1〜5人という基準は不十分な場合が多く、約1,000件の総アノテーション規模でも適切な配分により再現性の高い結果が得られるとしている。
ELYZAのソリューション事業部の松浦大貴氏が、生成AIソリューション市場の環境と同社の今後の戦略を解説した。JEITAの予測では国内市場は2025年の494億円から2030年に2,211億円へ拡大するが、数十社が分け合うフラグメンタルな市場とみている。戦略は、基盤「ELYZA Platform」を核にしたプロダクト×ソリューションと、研究開発×ソリューションの二本立てである。
Googleは、自然言語の指示からAndroid XRアプリを生成するワークフロー「Vibe Coding XR」を発表した。Geminiが指示を物理挙動を考慮したインタラクティブなアプリに変換し、その生成は60秒以内に完了するとしている。基盤はWeb技術ベースのXR Blocksフレームワークで、デスクトップのChromeでは実機前にシミュレーターで操作を検証できる。
Mistralは4Bパラメータのテキスト音声合成モデルVoxtral TTSを公開した。9言語に対応し、APIでは1k文字あたり$0.016で利用できる。人手評価ではElevenLabs Flash v2.5より自然さで上回り、ElevenLabs v3と同等の品質とされる。
Ethan Mollickは、エージェント時代のAI選びを「モデル」「アプリ」「ハーネス」の3要素で整理するガイドを公開した。チャットボットでの会話から、タスクを任せてAIがツールを使って実行する形へ使い方が変わったためである。主要モデルはGPT-5.2/5.3、Claude Opus 4.6、Gemini 3 Proで、月額$20の有料プランで高性能モデルを選ぶことを勧めている。
Ethan Mollickは、AIエージェントを使いこなす鍵は委任とマネジメントの技能だと論じている。エグゼクティブMBAの学生が4日間でClaude CodeやGoogle Antigravityを使い、動くプロトタイプを備えた起業案を作った経験が根拠である。AIへの委任可否は、人間の基準時間、成功確率、AI処理時間の3変数で考えるとしている。
Ethan MollickはOpus 4.5搭載のClaude Codeに起業アイデアの立案から実装まで任せ、1時間14分の自律作業でWebサイトが公開可能な状態になったと報告した。最近のAIは自律的な作業量の増大と、ツール群からなるエージェント用ハーネスの組み合わせで能力が跳ね上がっていると述べ、非プログラマー向けにClaude Desktopでの使い方も紹介している。
Ethan Mollickは、AIの能力が不均一なまま伸びる以上、人間の仕事を完全には代替しにくいと論じている。ボトルネックが1つ解消されると全体が一気に進む例として、Google の Nano Banana Pro と NotebookLM のスライド生成を挙げ、ベンチマークではなくボトルネックを見るよう勧めている。
Ethan MollickはGoogleの新モデルGemini 3を試し、ベンチマーク数値ではなく実作業の成果でAIの進歩を示した。Antigravityを使い、自身の過去記事から予測サイトを作らせ、古い研究データから14ページの論文も書かせた。誤りは残るが、人間の役割は修正役から指揮役へ移りつつあると論じている。
筆者は、公開ベンチマークのスコアだけでは用途に合ったAIモデルは選べないとし、利用者自身がモデルを試して評価すべきだと主張する。文章課題の例では、Claude 4.5 Sonnetが優れた文章モデルとして知られる一方、Gemini 2.5 Proは使用語数を正確に管理できなかったと報告している。ベンチマークには、公開されたテストが学習データに混入する問題や、スコアの差の意味が較正されていない問題があるとも指摘している。
ELYZAは2025年9月、自社初のプロダクトとして法人向け生成AI活用ツール「ELYZA Works」をリリースした。記事は、その構想の経緯を明かすものである。組織活用が進まない原因をLLMアプリの「質」と捉え、「質の高いLLMアプリの開発・運用において、あたりまえを創る」をミッションに据えたとしている。構想の背景には、2019年夏からのLLM研究開発と、2023年のコンタクトセンター業務への本番導入の経験がある。
無料モデルで足りる用途と有料モデルが必要な用途を分けて整理したガイド。Claude、Gemini、ChatGPT、Grokなどが先端モデルを担い、本格利用には月額20ドルのプランが多くの人に適するとしている。ChatGPTは既定でGPT-5の自動選択モードになるため、複雑な作業では手動でGPT-5 Thinkingを選ぶよう勧めている。
Ethan Mollickは、AIが共同作業の相手から、過程が見えないまま高品質な成果物を返す「魔法使い」に変わりつつあると論じている。NotebookLMの動画要約、GPT-5 Proによる論文の再分析、Claude 4.1 OpusによるExcel作成を例に挙げ、確認のしにくさと専門性を育てる機会の喪失を課題とした。対応策として、使い分け、成果物を見極める目、暫定的な信頼の3点を提案している。
Mistralは新たにAgents APIを発表した。コード実行、Web検索、画像生成、MCPツールの組み込みコネクタと、会話をまたぐ永続メモリ、エージェントのオーケストレーション機能を備え、Chat Completion APIを補完する枠組みとして提供される。SimpleQAではWeb検索の併用でMistral Largeが75%、Mistral Mediumが82.32%となった。
選定理由：組み込みコネクタ、永続的な会話、複数エージェントのハンドオフがAPI単位で整理され、エージェント実装の設計要素を把握しやすい。