こんにちは、IT・DX教育サービスの株式会社サートプロ、近森満です。ここ最近、生成AI各社のモデルアップデートが本当に激しくなっています。新しいモデルが出たと思ったら、別の会社が対抗する。性能が近づいたと言われたら、さらに次のモデルの話が出る。少し前までは「新しいAIが出ました」で驚いていたのに、いまは「今週はどこが何を出したのか」を追うだけでも大変です。

今回の話で私が大事だと思っているのは、単なるモデルの順位表ではありません。どの会社のモデルが一番賢いか、どのベンチマークで勝ったか、どのリーク情報が本当か。もちろん技術動向としては気になります。しかし企業のDX推進や人材育成の現場で見るべきなのは、その先です。モデル競争が、サービス競争、業務実装競争へ移っているということです。

私は日々、生成AIを実践しながら教育や認定制度、人材育成の仕事をしています。その視点で見ると、AIの進化は華やかなニュースである一方、現場にはかなり現実的な問いを突きつけています。どのモデルを使うのか。毎月いくつのサブスクリプションを契約するのか。APIで使うのか。クラウドだけでよいのか。ローカルLLMも考えるのか。こうした判断が、いよいよ経営とIT部門だけでなく、現場部門や人事にも関わってきます。

いま話題に出てくるモデルは、OpenAI、Anthropic、Google、xAI、中国系のモデル、動画生成AIなど多岐にわたります。文字起こし上では固有名詞が少し崩れている部分もありますが、話の軸は明確です。各社が高性能なモデルを出し、互いに抜きつ抜かれつの状態になっている。しかも、その競争は文章生成だけに閉じていません。調査、企画、コード生成、動画生成、業務自動化へ広がっています。

ここで注意したいのは、海外リークや噂の段階の情報を、確定した未来として扱わないことです。新しいモデルが出るらしい、次のバージョンが一気に上がるらしい、性能が近いらしい。こうした情報はワクワクしますが、企業の判断材料にする時は、必ず検証が必要です。生成AIはハルシネーションを起こしますし、人間側も盛り上がった情報を都合よく受け取りがちです。

とはいえ、競争が加速していること自体は無視できません。ひとつのモデルが独走し続けるというより、用途ごとに強いモデルが分かれ、ユーザーや企業が使い分ける方向に進んでいます。一般用途に強いモデル、推論に強いモデル、コードに強いモデル、動画生成に強いモデル、ローカル環境で動かしやすいモデル。これらをどう組み合わせるかが、次の論点になります。

これまでのAI活用では、「ChatGPTを使う」「Claudeを使う」「Geminiを使う」というように、サービス単位で語られることが多かったと思います。もちろん、入口としてはそれで十分です。まず一つのサービスを使い、壁打ちし、資料作成や要約、アイデア出しに慣れる。これは大切な第一歩です。

しかし、競争が進むほど、現場では「用途ごとの使い分け」が自然になります。企画の壁打ちはこのモデル、長文の構成はこのモデル、実装の下書きはこのモデル、動画素材は別のモデル、社内機密に近い処理はローカルLLM。こうした使い分けができるようになると、AI活用は一つのアプリを開く話ではなく、業務フロー全体を設計する話になります。

ここで出てくるのがAPIです。毎月それぞれのサブスクリプションに加入するだけではなく、必要な時に必要なモデルを従量課金で呼び出す。企画はChatGPTで作り、動画は別の生成AIへ渡し、実装は別モデルに任せる。もちろん実際の連携には技術設計と権限管理が必要ですが、方向性としては「モデルを単体で選ぶ」から「サービスの組み合わせを設計する」へ変わっていきます。

たとえば動画を作る場面を考えてみます。最初に生成AIへ企画を相談し、誰に向けた動画か、何を伝えるか、どんな構成にするかを整理します。次に、動画生成AIに渡すプロンプトを作る。さらに、実際の映像生成は動画に強いモデルへ任せる。最後に、人間が出来上がったものを見て、ブランド、事実関係、著作権、伝わり方を確認する。こうした流れが現実的になってきています。

ここで大事なのは、AIが全部を勝手にやるわけではないということです。企画の目的を決めるのは人間です。顧客の課題を理解するのも人間です。使ってよい素材、表現してよい範囲、公開前の確認責任も人間に残ります。AIは速い。だからこそ、人間側の判断、承認、検証をプロセスに組み込む必要があります。

読者の皆さんの会社でも、広報、採用、研修、営業資料、マニュアル整備などで似た流れが起きるはずです。一つのAIに全部やらせるより、業務を分解し、それぞれの工程に向いたAIを配置する。その時に必要なのは、ツールの名前を知っていることより、工程を設計できる力です。

今回の話で興味深いのは、クラウド系LLMとローカルLLMの切り替えにも触れている点です。いま多くの人が使っている生成AIは、クラウド上の高性能モデルです。性能、速度、使いやすさの面では非常に強い。一方で、企業利用ではデータの扱い、通信、費用、継続性、障害時の対応が問題になります。

そこで、ローカルLLMという選択肢が出てきます。品質や速度ではクラウドに劣る場面があっても、社内環境で安定的に動かす、特定用途に絞る、機密性を高める、費用構造を見直す、といった価値があります。私は、クラウドかローカルかの二択ではなく、業務ごとに切り替える設計が重要になると考えています。

たとえば、公開情報の調査や一般的な文章構成はクラウドの高性能モデルを使う。一方で、社内のナレッジ検索、製造現場の手順書、顧客情報を含む分析の前処理はローカルまたは閉域環境で扱う。さらに、人が確認した後に外部向けの表現を整える。このように分けると、便利さと安全性を両立しやすくなります。

各社の最新情報をまとめました。（※以下は配信時点で語られた情報であり、リークや噂を含みます。企業の判断材料にする際は必ず一次情報での検証を行ってください。）

1. Google（Gemini 3.5 Pro / Gemini 4）

概要：フラッグシップモデル「Gemini 3.5 Pro」のテスト展開および効率特化型「Gemini 3.6 Flash」シリーズの発表、次世代モデル「Gemini 4」の事前学習着手。

Gemini 3.5 Pro / 3.6 Flash：コストパフォーマンスと処理速度に優れた「Gemini 3.6 Flash」などの3モデルが先行展開され、最上位の「Gemini 3.5 Pro」はパートナー企業との実証テスト段階にあります。コード脆弱性対応に特化したセキュリティエージェント用モデル「Flash Cyber（CodeMender経由）」などの限定提供も進められています。

Gemini 4：Google史上最も野心的な規模とされる次世代モデル「Gemini 4」の事前学習（Pre-training）が本格始動したことが明かされています。

2. Anthropic（Claude Fable 5 / Mythos 5）

概要：最上位能力級（Mythosクラス）の最新モデル「Claude Fable 5」および「Claude Mythos 5」のリリース。

Fable 5 / Mythos 5：これまでのOpus級を超える自律性と推理力を備えた「Mythosクラス」モデルとして展開されています。超長期のタスク実行（数日間に及ぶ自律型エージェント運用）や自己検証機能に強みを持ちます。

実績：長年未解決だった「ヤコビアン予想（Jacobian Conjecture）」の反例を1行の数式で提示・解明するなど、高度な数学・科学研究やライフサイエンス分野での自律的ブレイクスルーを実現しています。

3. OpenAI（GPT-5.6 / GPT-6 / モデル統合）

概要：新世代モデル「GPT-5.6」シリーズ（Sol / Terra / Luna）の一般提供（GA）開始と、エージェント・推論処理の階層統合。次世代「GPT-6」の開発推進。

GPT-5.6 シリーズ：従来の単一モデルから用途に応じた3階層構造へ再編されました。
Sol：深い推論と複雑なエージェント自律作業を担う最上位モデル。
Terra：日常業務でのコストパフォーマンスに優れた汎用モデル。
Luna：低遅延・低コストに特化した高速モデル。

モデル統合とEffort制御：ChatGPT、ChatGPT Work、Codex、APIへ一元提供され、思考負荷（Effort設定）やMax/Ultraモードなどの動的制御が可能となっています。

GPT-6：単なるパラメータ拡大だけでなく、高度なパーソナライゼーションと実用性に軸足を置いた次世代基幹モデルとして研究・開発が進行しています。

4. 各社のエージェント化トレンド

概要：単発のチャット回答から「数日〜数週間単位で自律動作するエージェント（Long-horizon Autonomous Agents）」への完全移行。

長時間自律運用：Claude Code（Anthropic）やGPT-5.6 Sol（OpenAI）に見られるように、タスクの分解、サブエージェントへの委任、コードのテスト・自己修正までを人間を介さず完結させる仕組みが定着しています。

ツール融合型学習：Cursor等の開発エディタや内部ツールと共同トレーニングされたモデルが登場し、環境操作能力が著しく向上しています。

5. その他（Grok / Kimi など）

概要：xAI（SpaceXAI）による「Grok 4.5」リリースと「Grok 4.6」の予告、中国Moonshot AIの巨大オープンソースモデル「Kimi K3」との性能競争。

Grok 4.5 / 4.6（xAI）：コーディング環境「Cursor」と共同トレーニングされた「Grok 4.5」を公開。さらに2兆パラメータ規模の「Grok 4.6」がスーパーコンピューターColossus上で最終学習中であることが公表されています。

Kimi K3（Moonshot AI）：2兆8,000億（2.8T）パラメータ規模の巨大オープンソースモデル「Kimi K3」が発表され、巨大パラメータモデルにおける米中対抗軸を形成しています。

文字起こしでは、2026年8月に向けてモデル競争やサービス競争が一段進むのではないか、という期待が語られていました。予測は予測として扱う必要がありますが、企業が備えるべき変化はすでに見えています。一つ目は、モデルの入れ替わりが速くなることです。半年ごとの選定では追いつかない領域が出てきます。

二つ目は、AIの利用窓口が増えることです。単独のチャット画面だけでなく、業務システム、開発環境、ノーコードツール、動画生成、社内検索、顧客対応システムからAIを呼び出すようになります。社員から見れば「AIを使っている」という意識が薄れ、いつもの業務画面の中にAIが入っている状態になります。

三つ目は、契約とコストの考え方が変わることです。全員に同じサブスクリプションを配るのか。APIで必要な分だけ使うのか。部署ごとにモデルを分けるのか。利用ログをどう見るのか。費用対効果をどう測るのか。ここを設計しないまま進めると、使っている人と使っていない人の差が広がり、費用だけが膨らむ可能性があります。

AI活用を始めた企業でよく起きるのは、便利そうなサービスを次々に契約することです。最初は勢いがあります。ところが数カ月たつと、誰が何に使っているのかわからない、似た機能が重複している、成果が説明できない、という状態になりがちです。

ここで必要なのは、先に業務を棚卸しすることです。企画、営業、採用、研修、カスタマーサポート、開発、バックオフィス。それぞれで、何をAIに任せたいのか、どんなデータを扱うのか、どこにリスクがあるのかを整理します。その上で、チャット利用、API利用、ローカル利用、AIエージェント化を分ける。これだけで無駄な契約と現場混乱はかなり減らせます。

技術HRの立場では、ここに人材育成の視点を入れてください。ツールを配っただけでは、使える人と使えない人の差が広がります。職種ごとに必要なスキルセットを定義し、基礎研修、実務課題、レビュー、社内共有までつなげる。リスキリングは、ツール講習ではなく業務変革のトレーニングとして設計すべきです。

生成AIが単体で賢くなるほど、人は「どのAIに何を任せるか」を考える必要があります。これは、AIエージェント時代のオーケストレーションです。調査エージェント、要約エージェント、コード生成エージェント、画像生成エージェント、動画生成エージェント、社内検索エージェント。それぞれをどうつなぎ、どこで人が止めるか。ここに実装力の差が出ます。

私はFDE、Forward Deployed Engineerの重要性がますます高まると考えています。FDEは、単に最新AIを知っている人ではありません。顧客や現場に入り、課題を定義し、業務プロセスを分解し、AIやデータ、システムを組み合わせて成果へつなげる人材です。AI競争が激しくなるほど、現場で使える形に翻訳する人が必要になります。

ここで気をつけたいのは、AIエージェントを魔法の自動化装置にしないことです。自律的に動くほど、権限、ログ、承認、停止条件、セキュリティが重要になります。採用、評価、顧客対応、品質、安全に関わる業務では、誤った自動化が大きな損失につながる可能性があります。便利さと統制は、必ずセットで設計してください。

AIモデルが進化しても、ハルシネーションの問題は残ります。むしろ高性能になるほど、誤りがもっともらしく見える場面があります。だから、これからのデジタル人材に必要なのは、AIに詳しいことだけではありません。問いを立てる力、出力を検証する力、情報源を確認する力、業務影響を評価する力が必要です。

たとえば、海外リーク情報を聞いた時に、それをそのまま社内資料へ入れてよいでしょうか。新モデルの性能が高いと言われた時に、自社業務で本当に使えるでしょうか。API経由で複数モデルをつなぐ時、データはどこへ送られ、誰がログを見られるでしょうか。こうした問いを持てる人材が、AI時代のリスクを下げます。

人材育成・教育支援では、操作研修だけでなく、検証研修が必要になります。AIに文章を作らせるだけではなく、誤りを見つける、根拠を確認する、業務フローに組み込む、社内ルールへ落とす。研修講座・eラーニングも、知識の暗記から実務シナリオ型へ寄せる必要があります。

AI競争を見ていると、どうしても焦りが出ます。自分の会社は遅れているのではないか。自分のスキルは古くなるのではないか。若い人のほうが速いのではないか。そう感じる方もいると思います。けれども私は、ここで必要なのは焦ることではなく、マインド・トランスフォーメーションだと考えています。

つまり、AIを「覚えなければいけない新ツール」として見るだけでなく、自分の仕事の見方を変えるきっかけにすることです。自分が毎日やっている仕事は、どんな判断で成り立っているのか。どこに繰り返し作業があるのか。どこに顧客との対話が必要なのか。どこはAIに壁打ちできるのか。こうした問いを立てるだけで、学び方が変わります。

マインドセット、マインドシフト、マインドチェンジは、一度の研修で完了しません。日々の小さな実験で変わります。新しいモデル名を全部暗記するより、一つの業務でAIを試し、結果を記録し、チームで共有する。その繰り返しが、組織の超知性リテラシーを育てます。

では、現場では何から始めればよいのでしょうか。私はまず、AIサービスの一覧表を作ることを勧めます。誰が、どのツールを、何の業務で、どのデータを入れて使っているのか。ここが見えないままでは、モデル競争のニュースに振り回されるだけです。便利そうだから契約する、隣の部署が使っているから真似する、という進め方では、コストもリスクも管理できません。

次に、業務ごとの許容リスクを分けます。公開情報の要約、社内会議のたたき台、営業メールの下書き、採用候補者の評価、顧客データを含む分析、製造現場の判断支援では、誤りが起きた時の影響が違います。低リスク業務では速さを重視し、高リスク業務では人の承認、ログ、根拠確認を厚くする。こうした設計があって初めて、AIエージェントやAPI連携を安心して広げられます。

最後に、人材育成の単位を部署横断にしてください。AI活用は情報システム部だけの仕事ではありません。人事はスキル定義と研修設計を担い、現場部門は業務課題を言語化し、経営は目的と投資判断を示し、技術者は安全な実装を支えます。モデルが変わっても、この協働構造があれば追随できます。逆に、特定のツール担当者だけに任せると、その人が忙しくなった瞬間に止まります。

生成AI各社のモデル競争は、これからも続くでしょう。8月に何が出るのか、どの会社がどんなアップデートをするのか、私自身も楽しみにしています。ただ、企業の現場で大事なのは、勝つモデルを一つ当てることではありません。変化が続く前提で、業務、契約、データ、人材育成を設計しておくことです。

クラウドAI、API、ローカルLLM、AIエージェント、動画生成、コード生成。選択肢は増えます。だからこそ、目的から考える。自社は何を速くしたいのか、何の品質を上げたいのか、どのリスクを下げたいのか、どの顧客価値を高めたいのか。ここが曖昧なままでは、どれだけ高性能なモデルを入れても成果にはつながりません。

読者の皆さんはどうでしょうか。いま契約しているAIサービスの使い道を説明できますか。どの業務でAPI連携が必要か、どの業務はローカルLLMが向いているか、どこで人間の承認が必要かを整理できていますか。まずは一つの業務からで構いません。AIを選ぶ前に、業務と責任を見える化する。そこから始めてみてください。

本日の内容が、あなたの「シンギュラリティ時代への準備」に向けた、わずかながらでも「気づき」や「次の一歩」のヒントになれたなら幸いです。10年先の超知性ASIやAGIが当たり前になる未来に向けて、私たち自身をアップデートし続けることが、今最も重要です。ぜひ一緒に学びを深めていきましょう。