Vibe Coding（バイブコーディング）で成果を出せる人と出せない人の違いは何か。CHI 2026 で発表された論文「Computer Science Achievement and Writing Skills Predict Vibe Coding Proficiency」が、その答えを実証的に示している。結論は、CS の基礎知識と論理的な文章作成能力の2つが鍵だというものだ。 Vibe Coding とは Vibe Coding は、2025年初頭に Andrej Karpathy が提唱したプログラミングスタイルだ。ソースコードを直接編集するのではなく、自然言語で LLM にプログラムの仕様を伝える。生成された結果を観察しながら反復的に改善していくアプローチだ。 「誰でも自然言語でアプリが作れる時代」と言われる一方で、実際には同じツールを使っても成果に大きな差が出る。この差を生む要因は何なのか。 論文の概要 Sverrir Thorgeirsson、Theo B. Weidmann、Zhendong Su の3名による研究（arXiv: 2603.14133）は、大学生100名を対象にした事前登録済み（仮説や分析計画を事前に公開した）横断研究だ。 被験者は以下の4つの能力を測定された: コンピュータサイエンス（CS）の達成度 汎用的な認知能力（いわゆる「頭の良さ」） 文章作成能力 Vibe Coding の成績（専門家の合意で設計された評価タスク） 評価タスクでは、参加者はまずサンプルアプリケーションを確認する。次に LLM ベースのエージェントへプロンプトを作成し、生成されたアプリケーションをテストしながら改善を重ねる。最終的な成果物を人間の評価者が採点した。 2つの重要な予測因子 研究の結果、Vibe Coding の成績を有意に予測する因子は以下の2つだった: 1. CS の基礎知識（最も重要） CS の達成度は、汎用的な認知能力を統制した後でも有意な予測因子として残った。つまり、「頭が良い」だけでは不十分で、コンピュータサイエンスの基礎を理解していることが独立した強みになる。 回帰分析の結果、CS の知識が説明する固有分散（ΔR² = 0.125）は文章力（ΔR² = 0.059）の約2倍だった。 2. 論理的な文章作成能力 文章を論理的に構成し、意図を明確に伝える能力も有意な予測因子だった。これは当然とも言える。LLM に的確な指示を出すには、要件を整理し、曖昧さなく文章化するスキルが求められるからだ。 「頭の良さ」だけでは足りない 興味深いのは、汎用的な認知能力（特定分野に依存しない一般的な認知スキル）は、それほど大きな影響を持たなかったという点だ。 これは重要な示唆を含んでいる。Vibe Coding は「誰でもできる」わけではないが、「天才でなければできない」わけでもない。CS の基礎知識と論理的な文章力という、学習可能なスキルが鍵を握っている。 教育・実務への示唆 この研究結果は、AI 時代のプログラミング教育に対して重要な問いを投げかける: ...

Zapier を使って HubSpot と Asana を連携させる方法と、Code by Zapier で集計ロジックを追加するテクニックを紹介します。 HubSpot × Asana 連携の基本 HubSpot（CRM・マーケティング）と Asana（プロジェクト管理）を連携させることで、営業パイプラインとタスク管理を自動化できます。Zapier を使えばノーコードで連携を構築できます。 よくある連携パターン トリガー（HubSpot） アクション（Asana） ユースケース 新規ディールが作成された タスクを作成 商談ごとにプロジェクトタスクを自動生成 ディールのステージが変わった タスクを更新 進捗をリアルタイムに反映 フォーム送信があった タスクを作成 問い合わせ対応タスクを自動起票 新規チケットが作成された タスクを作成 サポート対応を Asana で管理 逆方向の連携もあります。 トリガー（Asana） アクション（HubSpot） ユースケース タスクが完了した コンタクトを更新 納品完了を CRM に反映 タスクにコメントが追加された エンゲージメントを作成 活動履歴を CRM に記録 Zapier での連携セットアップ 1. Zap の作成 Zapier にログインし、「Create Zap」から新しい Zap を作成します。 トリガーの設定（例: HubSpot → Asana）: トリガーアプリに HubSpot を選択 トリガーイベントに「New Deal」を選択 HubSpot アカウントを接続 テストを実行して動作確認 アクションの設定: ...

ジオマーケティング（Geo-marketing）は、スマートフォンの GPS やWi-Fi、ビーコンなどから取得した位置情報を活用して、特定エリアのユーザーに最適な広告や情報を配信するマーケティング手法です。ここでは、ジオマーケティングの基本と、FreakOut 社が提供する位置情報マーケティングプラットフォーム「ASE」を紹介します。 ジオマーケティングの基本 ジオマーケティングとは、ユーザーの位置情報データを分析・活用して、地域に根差した集客やプロモーションを行う手法です。 取得できるデータ 来訪者の属性: どこから来ているか、年代、単身か家族連れか 行動パターン: 何曜日の何時に人が集まるか 商圏分析: 周辺エリアの人流データ 主なデータソース GPS（スマートフォン） Wi-Fi 接続情報 ビーコン（Bluetooth） IP アドレス FreakOut ASE — 位置情報マーケティングプラットフォーム FreakOut ASE は、フリークアウト社が提供する位置情報マーケティングプラットフォームです。 主な特徴 項目 内容 リーチ規模 5,000万以上のユーザー エリア精度 最小半径1m の円指定、ポリゴン指定に対応 配信面 Red ネットワーク、TVer PMP、各種 SNS 来店計測 建物に沿った精密な来店計測 分析機能 推定居住エリア、ユーザー行動分析 データソース チェーンストアデータ NTT iタウンページ ゼンリン社の住居データ 提携した大手スマートフォンアプリベンダーや位置情報データプラットフォーマーから位置情報を取得し、国内最大規模の位置情報データベースを構築しています。 活用シーン ジオマーケティングは、実店舗を持つビジネスとの相性が良く、以下のような活用が可能です。 チラシ・OOH の補完 ショッピングモールへの来場促進 新店舗オープンの告知 ターゲティング広告 大学オープンキャンパスの告知（周辺エリアの高校生向け） 自動車ディーラーへの来店促進 住宅展示場への誘導 学習塾の受講者募集 流通対策 家電量販店での販売促進 ドラッグストア来店者への医薬品告知 国内主要サービス比較 — ASE / AIR TRACK / GeoLogic Ad FreakOut ASE 以外にも、国内にはジオターゲティング広告の主要プラットフォームがあります。ここでは代表的な 2 サービスと機能を比較します。 ...

デザイナーの仕事が AI で「本当にすぐ終わる」時代が来ている。21歳でデザイン会社を経営するコンドウハルキ氏が X で共有した AI 活用術が大きな反響を呼んでいる。本記事では、同氏が紹介した 5 つの実践的な AI 活用ユースケースを掘り下げる。 1. Claude Code × Figma で制作スピードを大幅に高速化 最も注目すべきユースケースが Claude Code と Figma の連携 だ。チャットで指示するだけで、編集可能なデザインファイルが生成される。 従来は数時間かかっていたランディングページの制作が、わずか数分で完成するという。ポイントは「完成品を作る」のではなく「たたき台を一瞬で作り、そこから人間が磨く」という使い方にある。 2. AI モックアップで制作前の事前検証 本制作に入る前に、AI でモックアップやデザインバリエーションを素早く作成し、クライアントに方向性を確認する手法。 事前にバリエーションを見せることで「思っていたのと違う」という手戻りを大幅に減らせる。Autodesk の調査では、AI ツールの活用によりデザイン修正時間が 約40%削減 されたというデータもある。 3. AI 画像生成で素材検索の時間をゼロに ストックフォトサイトで「ちょうどいい画像」を探す作業は、意外と時間がかかる。30分以上かけて検索した挙句、微妙な妥協をした経験は誰にでもあるだろう。 AI 画像生成を使えば、必要なイメージをテキストで指示するだけでカスタム素材が生成できる。検索時間がゼロになるだけでなく、案件ごとにオリジナルの素材が使える点も大きい。 4. セールスコピーの作成支援 技術的なスキルは高いのに、デザインの価値を言葉で伝えるのが苦手 — そんなデザイナーは少なくない。 AI を使えば、デザインのコンセプトや効果を的確に言語化できる。提案書のコピーライティングやクライアントへの説明文など、「言葉にする」作業を AI がサポートしてくれる。 5. AI が24時間対応のデザインメンターに 余白のバランス、タイポグラフィの比率、ビジュアルヒエラルキー — デザインのフィードバックが欲しいとき、AI が 24時間対応のメンター として機能する。 特に一人で仕事をしているフリーランスデザイナーにとって、いつでも客観的なフィードバックが得られる環境は心強い。 AI 活用の成否を分けるポイント コンドウ氏が強調するのは、「何を AI に任せ、何を人間がやるか」の判断力 が成否を分けるという点だ。 AI はあくまでツールであり、デザインの本質的な価値 — ユーザーの課題を理解し、最適な体験を設計すること — は人間の仕事のままだ。AI で効率化した時間を、より本質的な思考やクライアントとのコミュニケーションに充てることで、結果的により高い価値を提供できる。 ...

オーストラリアのスタートアップ Cortical Labs が、人間の脳細胞（ニューロン）をシリコンチップ上に培養し、それを演算装置として利用する「生体データセンター」の構想を発表しました。1 台あたりの消費電力は電卓以下とされ、従来の GPU ベースの AI インフラとはまったく異なるアプローチで、エネルギー問題への解決策として注目されています。 CL1 — 生体コンピュータユニット Cortical Labs が開発した CL1 は、ヒト血液幹細胞から培養した約 20 万個のニューロンをマイクロ電極アレイ（MEA）チップ上に配置した生体コンピュータです。 主な特徴: 電気信号によるソフトウェア連携: MEA チップを通じてニューロンに電気信号を送信し、その応答をリアルタイムで記録・処理する 超低消費電力: 1 台の CL1 の消費電力は電卓以下。GPU クラスタと比較して桁違いに省エネルギー 長寿命: ニューロンは通常 6 か月以上生存し、最長 1 年の維持実績がある 学習能力: 少量のデータセットから学習可能で、構造化された電気フィードバックにより適応的に活動パターンを変化させる DishBrain — Pong から DOOM へ CL1 の基盤となった研究が DishBrain プロジェクトです。 2022 年: 学術誌「Neuron」に論文発表。約 80 万個の培養ニューロンが Pong ゲームをプレイすることに成功 2026 年 2 月: より複雑な 3D ゲーム「DOOM」のプレイに成功。生体ニューロンの情報処理能力の向上を実証 2022 年の Pong 成功以降、ニューロンの制御精度と情報処理能力の改善を重ね、4 年で単純な 2D ゲームから複雑な 3D 環境への対応を実現しました。 ...

東大松尾研発の AI スタートアップ「燈株式会社（Akari Inc.）」が提供する、建設業に完全特化した管理業務 DX サービス「Digital Billder（デジタルビルダー）」を紹介します。 Digital Billder とは Digital Billder は、建設業の管理業務をデジタル化するための SaaS サービスです。紙ベースで行われていた請求書処理、発注管理、経費精算といったアナログ業務を効率化します。 建設業界では、紙の請求書の受領・開封・現場ごとの整理・現場と本社間の運搬・押印・手入力といった煩雑な作業が日常的に発生しています。Digital Billder はこれらの業務を電子化し、大幅な工数削減を実現します。 サービスラインナップ Digital Billder は以下の4つのサービスで構成されています。 請求書処理（Digital Billder Invoice） 建設業特有の業務フローに対応した請求書処理サービスです。 工事ごと・工種ごとの請求書管理 出来高払い・査定・相殺処理への対応 各社の指定書式に柔軟に対応 インボイス制度・電子帳簿保存法に準拠 発注管理（Digital Billder Purchases） 電子発注・電子契約に対応した発注管理サービスです。見積依頼から発注・契約までの一連のフローをデジタル化します。 経費精算（Digital Billder Expenses） 建設現場で発生する経費の精算を効率化するサービスです。現場経費と一般経費の両方に対応しています。 見積書処理 見積書の作成・管理をデジタル化し、業務プロセスを効率化します。 提供会社：燈株式会社（Akari Inc.） 燈株式会社は2021年2月に設立された、東京大学松尾研究室発の AI スタートアップです。 代表取締役 CEO: 野呂侑希 所在地: 東京都文京区小石川 従業員数: 約300名 企業評価額: 1,000億円超（2026年1月時点） 2026年1月には三菱電機などから50億円の資金調達を実施し、ユニコーン企業の仲間入りを果たしました。建設業特化の生成 AI「光/Hikari」の開発や、大成建設・東洋建設といった大手ゼネコンとの DX 推進プロジェクトも手がけています。 導入実績 2022年6月に一般提供を開始 リリース1年で導入総合建設業者100社を突破 2025年11月時点で累計導入企業数1,000社超 36都道府県以上で導入 建設業界の DX 背景 建設業界では以下の法制度対応が求められており、DX の必要性が高まっています。 インボイス制度（2023年10月〜） 改正電子帳簿保存法（2024年1月〜） 時間外労働上限規制（2024年4月〜、いわゆる「2024年問題」） こうした制度対応と業務効率化を同時に実現できる点が、Digital Billder が急速に普及している理由の一つです。 ...

Claude Code や Cursor で開発していると、.env に書いた API キーを AI が普通にファイルシステムから読みに行く。.gitignore していても関係ない。この課題に対して、1Password が Anthropic・Cursor・GitHub・Vercel・Perplexity と連携し「AI エージェント時代のシークレット管理」を本気で構築し始めた。 何が発表されたのか 2026年3月17日、1Password は 1Password Unified Access を発表した。人間・マシン・AI エージェントにまたがるアクセスを一元的に発見・保護・監査するためのプラットフォームだ。 従来のパスワードマネージャーの枠を超え、AI エージェントが本番環境で実際に動作する時代に合わせたクレデンシャル管理を提供する。 なぜ必要なのか：.env 問題 AI コーディングツール（Claude Code、Cursor など）は、タスク遂行のためにローカルファイルシステム上のファイルを読む。.env ファイルに平文で保存された API キーやトークンは、AI エージェントから直接アクセスできてしまう。 .gitignore はリポジトリへのコミットを防ぐだけで、ローカルファイルシステム上での読み取りは防げない。つまり、現状の .env ベースのシークレット管理は AI エージェント時代には不十分だ。 各社との連携内容 Anthropic（Claude Code / Cowork / ブラウザ拡張） Anthropic は 1Password を統合し、Claude Code、Cowork、Claude ブラウザ拡張からボールト内のアイテムを安全にオートフィルできるようにする。ユーザーの同意のもと、Claude がサイトやサービスに 1Password から直接クレデンシャルを取得してログインできる仕組みだ。 Cursor（Hooks による just-in-time シークレット） Cursor との連携では、Cursor Hooks を活用した just-in-time なシークレット提供を実現する。 仕組みは以下の通り: プロジェクトに hooks.json を設定 Cursor がシェルコマンドを実行する前に、1Password Environments Hook Script が起動 プロセスがアクセスを要求すると、1Password がユーザーに認証を求める 承認されると、必要なシークレットがランタイムセッションのメモリ上にのみ提供される これにより、平文キーがディスクやソースコードにコミットされることがなく、環境変数のハードコードやトークンの履歴残留も防げる。 ...

SAP を置き換えるのは現実的ではない——だからこそ、工夫しながら SAP を使い続ける方法を考える必要があります。a16z が公開した「Why the World Still Runs on SAP」というレポートを受けて、Kurashiru CTO の Masato Otake 氏が自社での業務 AI 開発の知見を交えてまとめた考察を紹介します。 ERPとは何か ERP は単なるソフトウェアではありません。企業が何十年もかけて蓄積してきた業務ルール、承認フロー、例外処理の集合体です。組織の暗黙知がカスタムコードとして蓄積されており、長年稼働し続けています。 System of Record として、受発注・在庫・会計・人事まで、あらゆる業務の「正」のデータが ERP に集約されています。長年にわたって積み重ねられた業務ルールと例外処理は、まさに企業の制度的記憶そのものです。 もしリプレイスしようとしたら、数年単位の時間と億単位のコストがかかるでしょう。サンクコストがあまりにも大きいため、顧客側にリプレイスのニーズが強くないことが多い。 一方で、複雑化しすぎた ERP はアジリティ高く変更することが難しくなっています。何十年分のカスタマイズが積み重なり、一箇所を変えると別の業務に影響が出る。AI のような最先端を取り入れようにも、変更コストが高すぎてスピードについていけない状況です。 アクションレイヤーの登場 ここに機会があります。ERP そのものを置き換えるのではなく、その上を覆う「アクションレイヤー」を構築することです。 System of Action、Action Layer、Agent Layer など呼び方はいろいろありますが、要するに System of Record の上に被さって業務フローを自動化するレイヤー のことです。 ERP はデータの正として残り続けます。変わるのは、ユーザーが業務を行うインターフェースです。アクションレイヤーが ERP とユーザーの間に入り、操作を抽象化し、ワークフローを制御する。ERP に手を入れることなく、その上で業務ロジックの追加や変更を柔軟に行えるようになります。 これにより： ERP 自体は安定した System of Record として維持しつつ ビジネス環境の変化にはアクションレイヤー側でアジリティ高く対応できる AI のような新しい技術も、ERP の改修なしにアクションレイヤーに組み込めるため、変更リスクとスピードのトレードオフを、レイヤーを分けることで解消する考え方です。 アクションレイヤーがもたらす2つの変化 1. ERPの操作をラップして使いやすくする ERP の画面は複雑で、トランザクションコードや入力フィールドの知識が求められます。アクションレイヤーがこれを抽象化し、意図ベースの操作に変換することで： ユーザーは ERP の画面構成を覚える必要がなくなる オンボーディングコストや引き継ぎコストが大きく削減される 2. 複数システムを横断するオートメーション 「請求書の差異が3%を超えたら説明文を作成し承認にルーティング」のようなイベント駆動型の自動化は、SAP だけ、Salesforce だけでは実現できない、もしくは工数が大きすぎます。アクションレイヤーがシステム横断の制御を接着することで可能になる領域です。 ...

AIコーディングエージェント向けの開発フレームワーク「superpowers」（obra/superpowers）がGitHubで9万スターを超え、世界中のAI開発者から注目を集めている。Claude Code・Cursor・Codex・OpenCode・Gemini CLIなど主要なAIエージェントに対応した、再利用可能な「スキル」コンポーネントで構成されるワークフローだ。 「AIに思いつき実装をさせない」という設計哲学 superpowersの根底にある考え方はシンプルだ。AIに自由に実装させるのではなく、明確な仕様とプロセスでエージェントを制御する。この思想が7段階ワークフロー全体に貫かれている。 7段階ワークフロー superpowersは以下の7つのフェーズで開発を進める: ステップ フェーズ 内容 1 Brainstorming 対話で要件を詰める 2 Git Worktree 隔離環境で並列開発 3 Write Plan 2〜5分単位のタスクに分割 4 Execute サブエージェント駆動で実装 5 TDD RED → GREEN → REFACTOR 6 Code Review 仕様適合性＋品質の2段階チェック 7 Branch Complete マージまたはPR作成 TDDがAIエージェントに効く理由 TDD（テスト駆動開発）はAIエージェントとの協働において特に威力を発揮する。 レッドテストを先に書く = AIへの仕様の明示化 「何を作るべきか」をテストで定義してからエージェントに渡すことで、エージェントが目標を見失わない。ゴールが曖昧なままエージェントを走らせるのと比べて、実装精度が段違いに向上する。 ❌ 曖昧な指示: 「ユーザー認証機能を実装して」 ✅ TDDアプローチ: まずテストを書き、通過条件を明示してから実装させる Git Worktreeで並列開発 Git Worktreeを活用することで、自分がメインブランチで作業しながら、AIが別の隔離環境で並行して開発を進められる。 長時間の自律タスクほど恩恵が大きい コンフリクトのリスクを最小化しながら並列作業が可能 タスク粒度の設計 計画フェーズ（Write Plan）でタスクを 2〜5分サイズ に分割するのがポイントだ。細かく分割することでAIのコンテキスト肥大化を防ぎ、品質を維持できる。 こんな人に向いている ハーネス（開発基盤）を自作する時間がない人 AI駆動開発の型を学びたい初心者 既存のワークフローを体系化したい人 導入方法 作者はJesse Vincent（歴戦のOSSベテラン）。 Claude Code: 公式マーケットプレイスから導入可能 Codex / OpenCode: 手動セットアップが必要 「スキル」という再利用可能なコンポーネントで構成されているため、自分のプロジェクトに必要な部分だけを取り込むことも可能だ。 ...

社内資料をRAGで検索しているのに「欲しい情報に限って見つけてくれない」「関係ない文書ばかり読んで的外れな回答をする」という経験はないでしょうか。AIDB が紹介する新しいRAG手法は、検索方法そのものをモデル自身に判断させるというアプローチで、この問題に正面から取り組んでいます。 従来RAGの限界：一本調子の検索 従来のRAGはシンプルです。あらかじめ決まった方法（主にベクトル類似度検索）で文書チャンクを引っ張ってきて、まとめてLLMに渡す。検索がハズれたら、その時点でもう正解にはたどり着けません。 どんなに優れたモデルを使っても、読む資料がズレていれば回答の質は上がりません。問題は「LLMの能力」ではなく「検索戦略の固定化」にあります。 3つの検索戦略を状況に応じて使い分ける この新手法では、モデルが以下の3つの検索戦略から最適なものを選択し、必要に応じて組み合わせます。 検索戦略 特徴 向いているケース キーワード検索 特定の語句・コードをピンポイントで探す 固有名詞、型番、コマンドなどを調べるとき 意味検索（セマンティック検索） 意味的に近い文書を探す 概念的な質問、言い換えが多い文書を扱うとき チャンク全文読み 対象範囲を丸ごと読み込む 文脈が重要な長文、前後関係が必要なとき 重要なのは、どの順番で、どの検索を使うかをモデル自身が推論して決定する点です。固定のパイプラインではなく、質問の性質や文書の構造に合わせて動的に戦略を切り替えます。 なぜこれが機能するのか 読み込むテキスト量は同等以下 従来のRAGと比較して、読み込むテキストの量は同等かそれ以下です。にもかかわらず、回答精度は大きく向上します。これはトークン数の節約にもつながります。 モデル進化と共にスケールする構造 この手法の特筆すべき点はモデルの推論能力と性能が比例することです。モデルの推論能力が高いほど、「どの検索を、どの順番で使うか」という判断精度が上がり、RAG全体の性能が向上します。 つまり、将来より優れたモデルが登場すれば、RAGのフレームワーク自体を改修しなくても自然に性能が底上げされます。 実装への示唆 この手法を自社のRAGシステムに取り入れる場合、以下の点が設計のポイントになります。 1. 検索ツールの整備 モデルが選択できるよう、複数の検索エンドポイントを用意する必要があります。BM25（キーワード）、ベクトルDB（意味）、ドキュメント取得（全文）の3種を揃えるのが基本構成です。 2. ツール呼び出し（Function Calling）の活用 OpenAI / Anthropic / Google などの主要LLMはFunction Callingをサポートしています。検索戦略の選択をFunction Callingで実装することで、モデルが自律的に検索を制御できます。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 tools = [ { "name": "keyword_search", "description": "固有名詞・型番・コマンドなど特定のキーワードで文書を検索する", "parameters": {"query": "string"} }, { "name": "semantic_search", "description": "意味・概念の近さで関連文書を検索する", "parameters": {"query": "string"} }, { "name": "read_document", "description": "指定した文書チャンクを全文読み込む", "parameters": {"document_id": "string"} } ] 3. 推論能力の高いモデルを選ぶ ...