yu

最近AIエージェントについてよく読んでいますが、一つ際立っているのは、会話が「質問に答えられるAI」から「実際に仕事を完了できるAI」にシフトしていることです。

そのアイデアは魅力的に聞こえます。単に応答を生成するだけでなく、AIエージェントは異なるシステムから情報を取得し、分析し、レポートを生成し、適切な人に通知し、最小限の人間の介入でワークフローを進めることができます。

しかし、実際にこれがどの程度うまく機能するのか気になります。

私が見た限りでは、最大の課題はAIモデル自体ではないようです。以下のようなもののようです：

• 既存のエンタープライズシステムとの統合。
• 一貫性のない断片的なデータへの対応。
• セキュリティとガバナンスの要件。
• 従業員がAI駆動のワークフローに依存するための十分な信頼の構築。

AIエージェントを本番環境で使用した（または評価した）方々にとって、最大のハードルは何でしたか？有意義なビジネス価値を提供しましたか、それともほとんどの組織はまだ実験段階だと思いますか？

ベンダーの主張ではなく、実際の経験を聞きたいです。

過去5年間、生成AIが市場を席巻し、ユーザーのプロンプトに基づいてテキストや動的な動画など様々なコンテンツを作成してきました。現在、企業に根本的な変革をもたらすと期待されているのがエージェンティックAIです。エージェンティックAIはユーザーのプロンプトに応答するだけでなく、推論、計画、マルチステップ操作の実行を通じて目標を達成し、ほとんど人間の介入を必要としません。

Gartner社は、2028年までに日常業務の意思決定の少なくとも15%がエージェンティックAIによって自律的に行われると予測しています。またGartnerは、2027年末までに企業がエージェンティックAIプロジェクトの40%以上を中止すると指摘しています。なぜエージェンティックAIがそれほど重要であるにもかかわらず、企業はAIを業務に組み込むのに苦労しているのでしょうか？Gartnerは、最大の障壁はコストの上昇とAIエージェントの大規模展開の複雑さであると考えています。

エージェンティックAIの成功を確実にするために、企業はGPUとCPUの比率を適切に確保する必要があります。「GPUアイドル税」は、ユーザーがAIを拡張する際にますます懸念される問題であり、GPUが十分に活用されずに費用が発生し続ける隠れたコストを指します。数万のクラスターからのデータに基づき、Cast AIはGPU利用率がわずか5%であると報告しています。GPUのアイドル時間は通常、企業がリソースを節約するために意図的に行うものではなく、アーキテクチャの不均衡である可能性が非常に高いです。Intelとジョージア工科大学の共同研究プロジェクトでは、エージェントワークロードにおいて、CPU上のツール処理が全レイテンシの50%から90%を占めることが判明しました。GPUはCPUが作業を完了するのを待ってから次のトークンバッチを処理するため、アイドル状態になり、運用コストが増加します。

AIの状況が変化し進化し続ける中、企業はCPUとGPUが連携し、適切な比率を維持する必要があります。これにより優れたパフォーマンスが実現され、AIインフラ...

私は外国語の教師です。コードの知識がなくてもプロジェクトを作れたり、ルーティン業務をAIエージェントに任せられるとは思っていませんでした。

同僚や非技術系の友人にClaude CodeやCursorを使った経験を話すと、すぐに「いや、難しすぎるし信用できない」と答えます。しかし、平易な言葉で話し合った後は、彼らも前向きになります。すごい！

AIエージェントやスキルが自分たちだけのものではないと教えてくれた友人や夫（IT専門家）に感謝しています。しかし、私のような人の中にはそうしたコミュニティがなく、非ITの人はその外側にいると考え続けています。

皆さんの周りに、AIエージェントを使っている非ITの友人や同僚はいますか？なぜ使い始めたのですか？どうやって使い方を理解したのですか？

私にとって本当に興味深いことです。なぜなら、Claudeを自分のコンピュータにダウンロードするだけで怖かったからです :):):)