Dekita
AI と一緒に一人で回している仕事の記録。実際に動いたこと、静かに壊れたこと、その見分け方について書いています。
-
AI は仕様を知っているのに既定のエラーを書く。RFC 9457 を規程に書き下す 4 項目
規程に「エラーレスポンスの形式を統一する」と書いていても、AI が作る API はフレームワークの既定のエラーを返す。2026 年 11 月 12 日に Zenn で公開された検証記事は、同じモデルが RFC 9457 を正しく説明しながら、実際に作らせると 24 回中 5 回しか標準の形式にならなかったことを示しています。本篇は、規程を作る側が「統一する」をどう書き下せば AI が従うようになるか、指示 1 行と設定と型の管理と検証手順の 4 項目として整理します。
-
AI にコードレビューを任せる現場で、「人が決めること」と「機械が決めること」の境界をどう制度にするか
AI にレビューや承認を任せる日本の現場で起きているのは、任せること自体より、どこで人が決めるのかを規則に書けていないことだ。2026 年 11 月上旬に Zenn で公開された 2 本の実践記事は、その境界を機械が決める数値、AI の補正幅、人間に回す条件、承認の対象として書き下している。本篇は、その 4 点を社内規則へ落とす際の型を整理します。
-
Like と PV が揃って下がったのに投稿件数は減らない。技術ブログの「有益」の判定軸がずれている件
Zenn 26 万 4 千件規模の記事データで、2026 年は Like と PV がともに下がっているのに投稿件数は例年の水準を保っていることが示された。プラットフォームは AI 大量投稿に算法で対抗しているが、有益さの判定基準そのものがデータ指標とともにずれていて、書き手が「今は何を基準に書けばよい」のかを問うてしかるべきです。
-
エージェントに記憶の境界を教える、3 つの確認項目
AI が群チャットで「それ話したよね」と嘘の記憶を思い出してしまう、という Zenn の実験が 2026 年 11 月に出ました。根本的な原因は、エージェントが自分自身の記憶の範囲を見ることができないことです。日本の現場が先に決められる「記憶の範囲を返す」「共同体験は要検証」「回答順序と汚染」の 3 つの項目を整理します。
-
エージェントは回している、権限と監査の制度は追いついているか
SailPoint の Horizons 2026 では、本番でエージェントを回す組織が 79% なのに対し、それに合わせた ID セキュリティの道具を使い始めているのは 2% でした。エージェントID の成熟度は最下層が 54% で、人を管理する制度と開き始めています。日本人の現場が先に決められることを、新規ユーザーと新規ベンダーという枠組みで整理します。
-
承認設定の「default」、書き忘れたツールが承認なしで動いていた話
Microsoft Agent Framework(Python)1.24.0(2026 年 10 月 30 日公開)で、MCP ツールの承認設定に default が加わりました。never_require_approval に読み取り系だけを書いて「ほかは確認する」と思っていても、名前のない削除ツールが承認なしで通ることを、手元の 5 条件の実測で確認しました。規程が「デフォルト拒否」だと信じている現場と、フレームワークの既定値の間に空いたすき間を、判定順と直し方として整理します。
-
止める仕組みが判定を返さなかったとき、規程は何と書くか
AI エージェントにコマンドを実行させる現場で、実行の前に危険な操作を止めるスクリプトを置く運用が広がっています。2026 年 10 月 28 日に公開された Claude Code の事例では、止めるはずのフックが、$HOME を展開できない経路で終了コード 0 を返し、push を通しました。本稿はこの事例から、止める層が判定を出せなかったときに実行環境が何をするかを整理します。環境の側では、異常も判定不能も時間切れも「進めてよい」と同じ欄に集められます。一方、社内規程では 3 つとも別の手順に分かれています。本稿はこの差を埋めるため、規程へ足す 4 つの欄と、それぞれに書く内容を示します。
-
API キーをクラウドに置いた企業の規程——10月の2つのプラットフォーム被害が浮き彫りにした空白
AI サービスの API キーをクラウドプラットフォームの環境変数に置く日本企業向けの稿です。2026 年 10 月 30 日、クラウド基盤 Northflank とブロックチェーン分析 Chainalysis の2社が、いずれも外部からの不正アクセスを公表しました。前者は保存していた顧客の AI API キーが不正利用されたと報告を受け、後者は顧客の ID 情報へのアクセスを認めています。本稿は、自社のセキュリティ規程が「キーを保管する」ことを書いていても「キーが所在するプラットフォームが破られたとき、自社が何を、どのタイミングで検知するのか」を置いていない、という境界の空白を整理します。
-
規程に禁止と書いてあるのに、それでも上がった──松下の人事データ GenAI アップロード事件の 3 つの隙間
2026 年 10 月 23 日、松下オペレーションエクセレンスは、社員が既定のルールに違反して約 33.4 万人分の人事データを、使用禁止とされていた外部生成 AI サービスにアップロードしたと公告しました。本稿はその公告と複数の報道を材料に、禁止の文章が実行を止められなかった理由、削除後も 30 日残る事業者側の保持期間、個別通知に公告を置いた判断の 3 つの隙間を整理します。
-
EUのAI Act初の実行申し立て:OpenAIとAnthropicが正式調査の対象に
2026年10月14日、欧州委員会AI事務局長ハンナ・ヴァーキューネッタが欧州AI法(EU AI Act)初の情報提供要求を公表し、OpenAIとAnthropicを対象とした正式調査を開始しました。日本の開発者が知っておくべきサンドボックスの実態とアウトバウンドアクセス制御の必要性を解説します。
-
自ら動くエージェントに、どこまで任せるか——「確認」と「禁止」を規程に分けて書く
自ら進んで動くエージェントを会社で使い始める前に、社内規程に何を書いておくべきか。2026 年 10 月 21 日に発表された Claude Duet の設計——送信・支払い・署名・削除は承認を挟み、証券取引と口座間送金は承認しても実行しない——を材料に、「確認を挟む操作」と「恒久禁止の操作」を規程に分けて書く考え方を、日本の現場の文脈で整理します。
-
AI に運用を任せた現場で、止まり方と人が押す場所を決める
AI の定期実行に運用を任せた現場で、止まっても気づかない、公開の承認があいまい、という問題が増えています。2026 年 10 月に Zenn と Qiita に公開された 4 本の実践記録を材料に、着手と公開の承認の分け方、止まり方の種類ごとの見張り、記録の置き場所を、日本の現場の文脈で整理します。
-
検証を通った仕事は、まだ終わらない——受容と停止を別に記録する
テストや CI の通過を、そのまま仕事の完了にしていないか。2026 年 10 月 19 日公開の Zenn の記事を材料に、検証の通過・受容・安全停止が別の状態遷移であることを確認します。数式の裏付けと、社内規則に書き足す 3 つの記録を、日本の現場の文脈で整理します。
-
ローカル LLM に開発を任せるかの判断材料——貸与 PC 32GB での 4 モデル実測から
Claude Code の使用量を減らす目的でローカル LLM への移行を考える現場向けの稿です。2026 年 10 月 14 日公開の Zenn の実測記事では、貸与 PC(MacBook Pro・M5・32GB)で 4 モデルを試しました。単発の質問は使えます。一方、バグ修正は 4 モデルのうち 2 モデルが 5〜7 分で成功し、2 モデルは失敗しました。Claude Code は 18 秒でした。速度はメモリの帯域でほぼ決まります。移行の判断前に測ることを整理します。
-
AI が書いた記事を公開する前に、人が確かめること
Zenn で 2026 年 10 月 17 日に公開された記事は、試作 AI 自身が執筆し、公開前に開発者が中身を確かめていました。Zenn 運営は 2026 年 3 月の方針で「人が主体となって情報を発信する場」を掲げ、ボットによる自動運用に懸念を示しています。AI が起草し人が公開する運用で、何を確認した状態なら主体が人にあると言えるのかを、現場の記事と運営のルールから整理します。
-
生成 AI に入れてよいものの判断をソフトウェアへ移す——Kamei と正規表現マスク 300 件実測から読む現場の設計
Zenn で 2026 年 10 月 15 日と 16 日に公開された 2 本の記事を材料に、生成 AI に何を入力してよいかの判断を社内規則だけで守ることが難しい理由を読み解きます。正規表現マスクの 300 件実測では、最小限の規則では 300 件中 240 件で秘密の文字列が残り、作り込んでも 25 件でした。入力の判断をソフトウェア側に移す設計の要点を、日本の現場の文脈で整理します。
-
20 並列で開発者が PM 化する——受容設計がボトルネックになる現場
Zenn で 2026 年 10 月 10 日に公開された welchi 氏の実践記によると、AI エージェントを 10〜20 並列で回すと、開発者の仕事が PM の仕組み作りに近づくそうです。生成の速さではなく、AI の成果を受け入れる仕組み(受容設計)こそがボトルネックになるという現場の知見を、日本の採用先行・効果測定遅れの文脈で読み解きます。
-
安いモデルで足りる仕事と、足りない仕事——Haiku 5.5 と選定の基準
2026 年 10 月 7 日、Anthropic が Claude Haiku 5.5 を公開しました。短い質問では入力の単価が Haiku 4.5 の 10 分の 1 です。ただし同じ文章でも token の数が 25% 以上増え、10 万 token を超えると単価が 5 倍になります。Zenn の実測では、固定の書式で報告する子エージェントは軽量版で足り、調査の仕事は報告の約束を書き換えないと元が取れません。模型の選定を場当たりにせず、社内の基準にすると。
-
AI の責任所在が決まらないまま、エージェントに仕事を渡し始めている
2026 年 10 月 6 日に公表された Infor の調査第 2 版では、AI のガバナンスとリスクとコンプライアンスの責任者がいないと答えた日本企業は 21% で、7 市場の中で最多でした。一方、汎用の AI が自社の業界の要求を満たさないと答えた割合は 48% と最少です。展開の遅れと責任の不在は、同じ不満の少なさの裏にあります。エージェントに仕事を渡す前に、開発者が決められることをまとめます。
-
生成 AI の利用ルールは二層で書く——法が許す範囲と、社内が許す範囲
2026 年 10 月 6 日、セガの齋藤剛氏が日本経済新聞の取材に応じ、生成 AI は発行や企業管理の効率化には使うものの、ゲームの創造的な部分は AI に任せないと述べました。日本では 2023 年、学習のためのデータ利用は商用でも著作権法に触れないと整理されています。法は広く許し、社内規則はそれを狭めます。この二つの層を混ぜずに分けて書くことが、現場で使えるルール作りの出発点になります。
-
AI が攻撃する時代、守る側の規則が書くべき「意図の記録」
2026 年 10 月上旬、日本の企業が個人情報の大規模な漏洩に見舞われ、政府は AI による無差別攻撃の可能性を視野に入れて予防措置への転換を打ち出しました。攻撃の担い手が AI エージェント化すると、守る側の社内規則の書き方も変わります。従来の「何を守るか」だけでは足りず、誰が何を委任したか、どの操作が誰の判断で行われたかを記録として書かないと、事故のときに説明責任を果たせません。本稿では委任の範囲と意図の記録という 2 つの軸で整理します。
-
AI が自分のルールを書き換える輪、承認の置き場所
AI エージェントが開発を進めるうちに、従うべき方針ファイル(AGENTS.md)を AI 自身が書き換えてしまう場面があります。図にして読み解くと、承認したつもりの自分がフィードバックループの外にいて、ルールが自分の知らないところで育っていることが分かります。この稿では、承認をデータの流れの中の関門にする方法を、道具の話題も交えて説明します。
-
採用は 87% なのに、効果が明確に出たと言えるのは 9%——PwC の 6 カ国比較を読む
PwC ジャパンが 2026 年春に実施した 6 カ国調査で、日本の生成 AI 採用率は 87% と米国(90%)に迫る一方、効果が「期待を大きく上回った」と答えた企業は 9% で、6 カ国中最下位でした。採用は進んでも、効果を測る物差しを社内に持たないと、成果が「言えない」ままになります。この差を、測定軸の観点から読み解きます。
-
AI 実装を妨げるのは技術か、規制か——10 月に開く二つの窓口
2026 年 10 月 2 日、内閣府・デジタル庁・経済産業省が、AI の社会実装を妨げる規制や制度の事例を 10 月 19 日から 30 日まで受け付けると発表しました。LLM や agentic AI、ロボットなどの physical AI が対象です。規制のために導入を断念したり、グレーゾーンで判断を下せなかったりする事例を、国に直接届ける窓口です。同月末には生成 AI の著作権と透明性に関する原則コードの通知窓口も開きます。日本の制度の動きを、技術側の視点で整理します。
-
見つかる速さと直す速さ - 24 時間と 30 日のあいだ
2026 年 9 月 30 日、IPA が「情報セキュリティ白書 2026」の PDF 版を公開しました。白書は、脆弱性を見つける能力と修正する能力が AI 側で上がり、守る側の前提が変わったと整理しています。翌 10 月 1 日には Microsoft が、見つかってから攻撃に使われるまでの中央値が 24 時間を大きく下回り、企業の修正には 30 日から 60 日かかると報告しました。社内の変更手続きが前提としている時間の長さが論点です。
-
生成は速いが、終了は遅い - AI 生産性税と社内の規則
2026 年 10 月 1 日、Templafy が英国と米国で生成 AI を業務文書に使っている知識労働者を 2,000 人対象に調べた結果を公開しました。週 1 回以上使う人は 90% ですが、95% は出力したあとに編集しています。点検と修正に週 4 時間弱。48% は実際に残る時間はほとんどないと答えました。生成が速いことをそのまま効果として社内規則に書く点が問題です。
-
情報漏洩を最上位に置く日本の生成AI事情と、規則が書けない理由
総務省の調査では、生成AI活用で心配が大きいリスクとして情報漏洩等を選んだ企業が 46.4% に達し、中国 42.7%、米国 36.9%、ドイツ 31.7% を上回りました。漏洩を 1 位に置くのは日本だけです。社内の規則を AI を使うかどうかの軸で書くと、漏洩の境界は表せません。規則が持つべき形は、データと送信先の 2 軸です。
-
学習コストで分けた三段階と社内規則のずれ
2026 年 9 月 30 日に Zenn で公開された生命科学分野の手書は、AI 活用を習得にかかる時間で三段階に分けています。機能を軸にした社内規則とのずれを、この軸から読み解きます。
-
利用率は 85.8%、効果が出たといえるのは 147 人——CESA の途中経過を読む
CESA の調査で開発者の 85.8% が生成 AI を使う一方、「ユーザー体験が向上した」と答えたのは 1,349 名中 147 名だけでした。採用は進み、社内方針も 74% の会員企業が整備しているのに、視覚素材への適用は 12%、日本の agentic AI 本番運用率は 14 か国中 最下位の 17%。「使う人」と「効果の出た人」の距離は、採用率の数字だけでは測れません。
-
AI が書いた日本語を機械に点検させる
生成 AI が書いた日本語は、語彙ではなく構造で読者を離脱させる。見出しの直後に置かれる宣言、箇条書きの型、曖昧な結び。その型を textlint で機械的に縛り、公開の経路に検査として組み込んだ記録です。