Loading the catalog…
THE AI OPPORTUNITY INDEX
Find your next AI tool. Explore free access, trials, and credits — all in one place.
Zennの「AI」のフィード
大規模言語モデル(LLM)のマルチモーダル化や巨大化が進む一方で、軽量かつ低遅延で動作する「SLM(Small Language Model)」への注目度が高まっています。 そんな中、Hacker Newsで話題を集めているのが、自宅のコンシューマ環境で学習された0.8B(8億パラメータ)の超軽量意思決定モデル**「Jeff」**です。 概要と注目されている背景 Jeff は、わずか8億パラメータという小ささでありながら、意思決定や構造化出力などのタスクに最適化されたモデルです。最大の特徴は、約30msという爆速の応答速度と個人レベルの環境(Home-trained)で学習可能という...
Score: 57.17Confidence: 54%
View offerZennの「AI」のフィード
「AI時代の具体と抽象」が、この9月にまとまって話題になっていた。 筋書きはだいたい共通している。具体(実装)は AI がやるようになる。人間は抽象(何を作るか、なぜ作るか)を担う。だから抽象の力が差になる。具体と抽象を往復するほど理解は深まる。 半分は正しいと思う。ただ、この筋書きは「その抽象はどこから来るのか」を言っていない。この記事では、そこを1枚足してみる。 今週の「具体と抽象」 先に、何が話題になっていたかを確認しておく。 9月21日、「エンジニア不要論の真実!AIの進化と具体抽象から完全解説」が Qiita に出た。AI に奪われるのは具体の仕事で、仕事の総量はむしろ増...
Score: 57.17Confidence: 54%
View offerZennの「AI」のフィード
AI がコードを書くようになり、「これからは E2E テストが大事だ」「いや、ユニットテストを厚くすべきだ」という議論をよく見かけます。けれども、テストの種類ごとに検出できる不具合は違い、その役割は AI が来ても変わりません。大事なのは、それぞれの役割を意識して使い分けることです。この記事では、テストの役割の違いと、AI と一緒に開発する時にそれぞれの役割をどう活かすかを整理します。 役割は、検出できる不具合の種類で決まる テストの種類を比べる時は、「どれが優れているか」ではなく「どの種類の不具合を検出できるか」で見ると整理しやすくなります。 ユニットテストは、関数やモジュールのロ...
Score: 57.16Confidence: 54%
View offerZennの「AI」のフィード
想定読者 2025年度以降にIT業界に参入したエンジニア システム開発プロジェクトで上流〜中流工程を任されている人 自分の仕事がAIに奪われていると感じているエンジニア tl;dr Meat Proxyで起きる破綻は、AIのせいではなく「己に対して当然求められている責任を己が放棄した結果」である。 生成AIは責任を持てないので、原理的に副操縦士の域をでない。 人間の介在価値は意思と責任を持つことにある。エンジニアよ、意思と責任を持て。 はじめに。 こんにちは。スプーキーズでOpenCode宣教師をしていたすずるんです。 はじめてZennに、それも会社名義で書くわけです...
Score: 57.16Confidence: 54%
View offerZennの「AI」のフィード
一日10,000件のメールをどう仕分けるか イラストはChatGPTで生成しました。 弊社にはHR事業部という部署があります。この事業部は、フリーランスや他社のエンジニアと案件をマッチングさせる事業をメインに行っています。 このマッチング業務を支えているのは、毎日大量に届くメールです。エンジニアの情報と案件の情報を合わせて、一日あたり約10,000件のメールが届きます。件数が多いことに加えて、各社フォーマットが異なる点も厄介です。人間が書いているケースが多いため、記載方法がメールごとに少しずつ違い、機械的に処理しにくい状態になっていました。 さらに、このデータは鮮度が命です。案件や...
Score: 57.16Confidence: 54%
View offerZennの「AI」のフィード
はじめに LLMを使って、フォーマットが決まっていない文書(マニュアル・議事録など)から構造化データを抽出し、決まった形式のExcelやドキュメントを自動生成する——このパターンは今やかなり一般的になってきました。RAGでの情報抽出、フォームの自動入力、議事録からのタスク抽出なども同じ構造です。 こうした「LLM抽出パイプライン」を実装するにあたって一番厄介だったのは、LLMが原文の内容を気づきにくい形で取りこぼすことでした。エラーは出ない。JSONのスキーマも正しい。ただ、原文にあった項目のうち1つだけが、何の警告もなく抽出結果から消えている。しかもそれが毎回同じ箇所で起きるわけで...
Score: 57.15Confidence: 54%
View offerZennの「AI」のフィード
Claude Code はコーディング用のツールとして紹介されることが多いのですが、実際に助かっているのはコード以外の作業です。 私はフリーランスのWebディレクターで、外注6〜8名に発注しながら制作を回しています。エンジニアではありません。それでも日常の事務作業をClaude Codeに寄せた結果、月末の請求まわりが半日から30分になりました。 この記事では、実際に運用している3つの使い方を書きます。ツールの紹介ではなく、どう組んだら壊れずに回ったかの記録です。 前提:なぜChatGPTではなくClaude Codeなのか チャット型のAIと決定的に違うのは、ファイルとコマンドを...
Score: 57.14Confidence: 54%
View offerZennの「AI」のフィード
背景 AIを活用した開発が当たり前となってから、PRの数も、PRの説明文に書かれる文章量も飛躍的に増えるようになりました。結果として、「レビュー負荷が高い」「結局PRの何を見れば良いのか分かりづらい」といったペインが生じました。 そこで「PRに何を書くべきか」を整理し、テンプレートに落とし込みました。このテンプレートを1ヶ月ほどチーム内で運用した結果を記事として公開します。 ! 2026年9月追記:運用3ヶ月目(2026年8月)にテンプレートを改修しました。本文は運用1ヶ月時点の内容のまま残し、変更点は末尾の「追記:運用3ヶ月目の改修」にまとめています。 前提 コーディング規...
Score: 57.14Confidence: 54%
View offerZennの「AI」のフィード
Claude Opus 5.5が使えるようになった2026年9月23日、自分の活動計画の見直しをまとめて頼んでみました。その日のXには「体感的には容量がなかなか減らない気がする」「今だけという可能性もありますが」と投稿はしていました。 この「減らない気がする」が気のせいなのか本当なのか、公式に出ている数字と、その日の作業量を実際に並べてみました。 この記事でわかること Opus5.5公開初日に回した作業の量(文書11本・約4.9万字) 「減りにくい」と感じた理由になりそうな、公式に書かれていること 逆に、減りやすくなりそうな点 現時点ではまだわからないこと 前提の環境 Cl...
Score: 57.14Confidence: 54%
View offerZennの「AI」のフィード
! 2026/09/29 の生成AIニュース 概要 Anthropic は米国時間 2026年9月28日、中位モデルの新版 「Claude Sonnet 5.5」 を公開しました。前世代の Sonnet 5 と比べて 出力が30%以上速く、同じ作業に必要なトークン数が大きく減ったことで タスク当たりのコストは最大30%下がる としています。API 料金は入力100万トークンあたり2ドル・出力10ドルで、ITmedia によると前世代から据え置きです。Claude アプリと API のほか、AWS・Google Cloud・Microsoft Azure でも同日から利用できます。 ...
Score: 57.13Confidence: 54%
View offerZennの「AI」のフィード
AIコーディングツールとモデルの使い分けガイド 「結局、Claude CodeとCursorとCopilot、どれを使えばいいの?」 これは最近、社内外でよく聞かれる質問のひとつです。 選択肢が増えすぎて、比較記事を読んでもかえって迷ってしまう、という声もよく聞きます。 この記事では、主要なAIコーディングツールを整理しつつ、あわせて「モデル(Claude・GPT・Geminiなど)をどう使い分けるか」についても触れていきます。 注意:AI関連のツールやモデルは、数日〜数週間単位でアップデートされることも珍しくありません。 この記事の内容は、あくまで執筆時点(2026年9月)での見...
Score: 57.12Confidence: 54%
View offerZennの「AI」のフィード
はじめに 親セッションのContextは小さいのに、利用枠の減りが速い。 そう感じているなら、サブエージェントの側を一度見てみる価値があります。 筆者の手元では、1回の委任で約87万トークン・ツール呼び出し約500回まで膨らんだエージェントがいました。 気づけたのは、エージェントごとの数値を並べて見るようにしてからです。 この記事では、個人開発の1つのプロジェクトで約80セッション分のトークン使用量を集計し、サブエージェントを作業の種類ごとに分けたり、定義や計画を直したりして消費を抑えた実例を紹介します。 数字は2026年9月の約1週間、Claude Code 2.1系でのトークンの...
Score: 57.12Confidence: 54%
View offer