AI活用

「AI でアプリが作れるようになった」という話題が注目されがちだが、本当に面白い変化は画面の外で起きている。起業家の Bill D’Alessandro 氏が Claude を使って床下の除湿システムを自力設計し、業者見積もり $10,000（約150万円）を $2,500（約37万円）で実現した。 何が起きたのか Bill 氏は新居の床下（クロールスペース）にカビ防止の除湿システムが必要だった。専門業者に見積もりを依頼したところ、スペースの広さから除湿機2台と追加の排水ラインが必要で、費用は $10,000 と言われた。 「ファンで湿気を片側に送って、除湿機1台で対応できないか？」と聞いたが、業者はそのような設計は行わないという回答だった。 Claude による設計プロセス Bill 氏は Claude に床下の間取り図と空間体積を渡し、以下の設計を行った。 1. 除湿機の最適サイズ計算 空気体積に基づいて最適な除湿能力を算出。結果は100パイント容量の除湿機1台で十分と判明。価格は $1,500。 2. 空気循環の流体力学シミュレーション 当初 Bill 氏は「片側に除湿機、反対側にファン」という直線的な配置を考えていた。しかし Claude は、この配置では通気口から湿った外気を引き込んでしまうと指摘。 代わりに、4つのファンを各壁面に1つずつ配置し、円形の渦（サーキュラーボルテックス） を作る設計を提案した。これにより外気の流入を最小限に抑えつつ、乾燥した空気を効率的に循環させる。 3. 機器の選定 ファン: 20インチのシールドベアリングファン4台（防塵仕様）、DCモーター駆動（AC より省エネ）。各 $120 スマートプラグ: 各ファンに1つ IoT 湿度センサー: 複数台設置。合計 $200 4. 自動制御システム 湿度センサーが床下の空気を常時モニタリングし、湿度が60%を超えるとスマートプラグが4台のファンを起動。除湿機を通して空気を循環させ、湿度が50%を下回るまで運転を続ける。 総費用: 約 $2,500 + 土曜日1日の作業。業者見積もりから $7,500 の節約に加え、エネルギー効率も約2倍という結果になった。 本質は「コスト削減」ではない この事例で重要なのは「安くできた」ことではない。本質は 「専門知識のペイウォール（課金壁）が消えた」 ことにある。 HVAC（空調）、建設、リフォーム、農業といった業界は、「専門家しかわからない知識」が参入障壁だった。その障壁が Claude のような LLM によって崩壊し始めている。 Before と After Before After 設計 業者に $10,000 払い、業者の設計をそのまま受け入れる Claude に間取り図と空間体積を渡し、自分で最適設計を出す 選択肢 業者が提示する1パターン 複数の設計案を比較検討できる 理解度 ブラックボックス 設計根拠を理解した上で判断 AI ビジネスへの示唆 AI が入りやすい場所は 知識が標準化されている領域 であり、コモディティ化が最も速い。つまり、AI プロダクトを作るなら「AI で誰でもできるようになること」を売るのではなく、「AI でもまだ代替できない部分」を見つけて、そこに人間の価値を乗せる ことが重要になる。 ...

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 ...

ChatGPTに指示を出して、結果を確認して、また指示を出して——このループに疲れていないだろうか。「こっちが細かく指示しなくても、AIが全部やってくれたらいいのに」という願いは、すでに実現している。その名前が Manus（マナス） だ。 この記事では、Manusの全29機能を5つのカテゴリに分けて解説する。料金プランや競合との比較、業種別の活用法まで網羅する。 Manusとは何か 「AIチャットボット」と「AIエージェント」の違い まず最も重要な概念の整理から始める。 種別 代表例 動作 AIチャットボット ChatGPT / Claude / Gemini 質問→回答の1往復 AIエージェント Manus タスクを丸投げ → 自動で完結 チャットボットは「辞書」、エージェントは「秘書」だ。Manusに「東京のAIスタートアップを30社調べて、スプレッドシートにまとめて」と指示すれば、AIが自動でブラウザを開き、検索し、情報を整理し、ファイルを作って完成品を届けてくれる。その間、別の仕事をしていてOKだ。 無料で試せる 最初は招待制だったが、現在は誰でも登録できる。無料プランでも毎日300クレジット分のタスクを実行可能（月1,500上限あり）。 実力は？ GAIAベンチマーク（実際のタスクをどれだけ正確にこなせるかを測るテスト）において、ManusはOpenAIのDeep Researchに匹敵する高スコアを記録したと複数のメディアが報じている。「実務能力で世界トップクラス」という評価は多くのメディアで一致している。 第1章：Manusの全29機能 Manusには5つのカテゴリ、計29の機能がある。 コア機能（日常的に使う基本機能） ① 自律タスク実行（Autonomous Task Execution） Manusの心臓部。指示を出すだけで、AIが計画から納品まで全自動でやる。 タスクを入力すると、Manusはまず計画を立てる。「何を調べるか」「どのツールを使うか」「どの順番でやるか」を自分で判断し、ブラウザで検索したりコードを書いて実行したりしながら完了させる。全作業はクラウド上のサンドボックスで行われるため、PCには影響しない。画面を閉じても作業は続き、完了したら通知が届く。 実行例： 「この契約書PDFの要点を抽出して、リスク項目をハイライトして」 「A社の過去3年の決算資料を分析して、成長率と利益率の推移をグラフにして」 「今月の営業チームの活動データをまとめて、週次ミーティング用の資料を作って」 ② Wide Research（ワイドリサーチ） 100体以上のAIを同時に走らせて、大規模リサーチを一気にやる。 通常のAIは1つのタスクを1つのエージェントが処理するが、Wide Researchはタスクを細かく分解して100体以上のAIエージェントを同時並行で走らせる。1社調べるのも100社調べるのも、かかる時間はほぼ同じだ。 OpenAI Deep Researchとの違い： 機能 特徴 Deep Research 1つのテーマを深く掘り下げる（深さ重視） Wide Research 多数のテーマを同時に広く調べる（広さ重視） 注意点：クレジット消費が大きいため、まず10〜20社でテストしてからスケールアップするのが鉄則。最大250件まで対応。 ③ Browser Operator（ブラウザオペレーター） ChromeまたはEdgeに拡張機能をインストールすると、Manusがブラウザを直接操作できるようになる。最大のポイントは、既存のログイン情報がそのまま使えること。つまり、ログインが必要な社内ツール、CRM、管理画面も操作可能だ。 主な活用例： CTO 50人の名前・会社名・プロフィールURLを収集 ECサイトで特定商品の価格を毎日モニタリング Wantedlyで求人情報を一括収集 競合5社のX（Twitter）アカウント分析 Googleフォームへのデータ一括入力 セキュリティ面：毎回の操作で許可が必要で、全操作ログが記録される。パスワードは保存されない。 ...

AI ツール「OpenClaw」を使った X（旧 Twitter）運用で、10日間でフォロワーを 1800人増やした実践的な方法をまとめた記事を紹介する。 元記事: @ichiaimarketer（いち＠OpenClawガチ勢） フォロワーが伸びない原因を「3要素」で整理する フォロワーが伸びない多くの人は次の悩みを抱えている。 毎日投稿しているのにインプレッションが伸びない ネタ切れで手が止まる たまたまバズっても、なぜ伸びたかわからず再現できない これらの原因は、以下の「3要素」のどれかが欠けていることにある。 フォロワーが伸びる条件 = 投稿数 × バズる投稿の型 × 情報密度 要素 説明 投稿数 量が必要。ただし量だけでは伸びない バズる投稿の型 スクロール中に目を止められる見やすさ・構成 情報密度 最新情報か、自分だけの1次情報（体験・実績・独自解釈）が含まれているか この3つが揃ったときだけ、フォロワーは増える。 また、現在のフォロワー数によって「いちばん効く要素」が変わる。 Aグループ（フォロワー200人以下・投稿が少ない人）: まず投稿数を増やすことが最優先 Bグループ（フォロワー200人以上・30投稿以上ある人）: 型と情報密度の最適化がカギ なぜ OpenClaw で X が伸びるのか OpenClaw は、この3要素すべてにレバレッジをかけられる点が他のAIツール（ChatGPT・Claude等）と異なる。 ① 投稿数：AIが「あなたの文体・型」を覚えたまま量産 ChatGPT や Claude でも投稿案は出せる。OpenClaw の違いは永続メモリにある。 あなたの文体、バズる型を覚えたまま量を出せる 毎回ゼロから説明し直す必要がない 2回目以降は「前回の型で」と頼むだけ ② 情報密度：最新情報を自動収集＋1次情報をいつでも引き出せる 情報密度は2種類に分けて考える。 最新情報（トレンド・ニュース）: OpenClaw のタスク機能で自動収集 1次情報（体験・実績・独自解釈）: OpenClaw のメモリに日々の気づきを蓄積し、いつでも活用 1次情報こそが差別化の核。浅い情報が溢れる中で、フォロワーをファンにするのはここ。 ③ バズる投稿の型：一度分析すれば永続的に型を量産 伸びる型はアカウントによって異なる。分析結果を OpenClaw のメモリに保存しておくと、「今日の1本」「今週の20本」を型に沿って量産できる。他のAIでは分析結果を毎回入力し直す手間があるが、OpenClaw なら不要。 具体的な方法①：「分析 → 1ポスト」の流れをつかむ まず「分析→1ポスト」の基礎フローを習得することが土台になる。 ...

Claude Code は「コード」という名前のせいでエンジニア向けツールだと思われがちですが、実は日本語で仕事を渡すツールです。インストール1分、コード0行——非エンジニアこそ今すぐ使い始めるべき理由と、効果を最大化する CLAUDE.md の作り方を解説します。 Claude Code はプログラミングツールではない X を見ると、デザイナーがコード1行も書かずにニュース収集→記事→サムネ→SNS投稿まで全部自動化していたり、会計士が Excel 作成・PowerPoint 操作・Gmail 連携まで全部 AI に回していたりします。 エンジニアではない人たちがガンガン使っている。それなのに「難しそう」で止まっている人は、素手で戦っているようなものです。 ChatGPT は「聞く」ツール。Claude Code は「やらせる」ツール。 Claude の強みはライティング・分析・思考・ファイル操作です。ここは今の AI の中でも頭一つ抜けています。「仕事を渡す」用途に限れば、現時点で最も実用的なツールのひとつです。 怖い人はまずブラウザ版の Claude Chat（claude.ai）だけでも十分です。文体カスタマイズ、会話記憶、Excel/PowerPoint の直接作成、Gmail 連携——ブラウザだけでかなりのことができます。そこから始めて、「もっとやらせたい」と思ったら Claude Code に進む、この順番でいいと思います。 セットアップ — 1分で終わる やることは3ステップだけです。 ステップ1: インストール ターミナル（Mac）または PowerShell（Windows）を開いて、以下のコマンドを1行貼り付けます。 Mac: 1 curl -fsSL https://claude.ai/install.sh | bash Windows: 1 irm https://claude.ai/install.ps1 | iex 約1分で完了します。 ...

OpenClaw の情報発信者が急増するなか、「誰を追えばいいかわからない」という声も多い。本記事では、いち＠OpenClawガチ勢（@ichiaimarketer）が「まず見るべきたった1人」として紹介する Alex Finn（@AlexFinn） について、その実績・主張・コンテンツをまとめる。 この人、誰？ Alex Finn のプロフィール Alex Finn（X: @AlexFinn） 本人のプロフィール: I love vibe coding. Founder/CEO of Creator Buddy, the only AI trained on all of your X posts. Built a 300k ARR app by myself. https://creatorbuddy.io 要するに、 Vibe Coding でプロダクトを作っている人 Creator Buddy の創業者・CEO。ARR 30万ドルをひとりで達成 その人が OpenClaw にフルベットしている 経歴と「一発」のきっかけ 元 MongoDB のチームリード。AI を軸にした発信を続け、3年で X フォロワー26万超まで伸ばした。 転機は2023年。イーロン・マスクが X のアルゴリズムをオープンソース化したとき、Alex は14時間かけて約40万行のコードを読み、アルゴリズムの仕組みを解説するスレッドを投稿。Elon Musk 本人や Mark Cuban にリツイートされ、一気に認知が広がった。 今では X フォロワー43万人以上、YouTube も約14万登録で、vibe coding や Claude、OpenClaw の実践ネタを発信している。 ...