Apple、エンジニアのAI予算を1日200ドルに制限

ミシガン大学の研究者らが、AIリソース消費における驚くべき不均衡を発見しました。彼らの調査結果によると、非英語言語でAIプロンプトを処理すると、全く同じプロンプトを英語で実行するよりも最大179倍ものエネルギーを消費するとのことです。さらに悪いことに、この電力消費の急増は、しばしば精度の低下を招きます。

これは、楽々と多言語対応できるというAIの幻想を完全に打ち砕きます。もしグローバルなユーザーベースを対象とした製品を構築している場合、ユーザーの母国語によってコンピューティングコストとレイテンシーが予測不能になるという事態に直面します。現代のモデルの基盤となるトークン化システムは英語に最適化されており、それ以外の言語ではトークン数の肥大化と、うんざりするほど遅い推論によってペナルティを受けることになります。

これはローカライズされたSaaSにとって大惨事です。もしフランス語や日本語のユーザーにサービスを提供するために指数関数的にコストがかかり、しかも品質が低下するとなると、グローバル展開のユニットエコノミクスは破綻します。基盤モデルが多言語トークン化を刷新するまでは、開発者は非英語機能を大幅に制限するか、莫大な効率損失を受け入れるしかありません。

Palo Alto Networksが、サイバーセキュリティスタートアップClutchを約5億ドルで買収する協議を進めていると報じられています。この大規模な買収の具体的な目標は、AIエージェントの制御を強化し、社内システムへのアクセスを厳格に管理することです。

自律型エージェントに対する企業の反応がようやく見えてきました。誰もがAIに自分の代わりにアクションを起こさせたいと願っていますが、暴走したスクリプトが幻覚を起こして給与データベースにアクセスするような事態は望んでいません。Clutchは、大規模企業がエージェントワークフローを機密データに触れさせる前に必要とする、まさにそのガードレールを構築しました。Palo Altoは、そのボトルネックを所有するために高額な費用を支払っています。

B2Bクライアント向けに自律型ツールを構築している場合、アクセス制御はもはや単なる機能ではなく、製品そのものです。エンタープライズ市場は、エージェントの無秩序な拡大を恐れています。勝者となるスタートアップは、曖昧なプロンプトを与えられても、AIが誤って本番データベースを削除しないことを証明できる企業でしょう。

OpenAIは、ソフトウェアの脆弱性を特定し、機能するエクスプロイトを構築するために特別に設計された、制限付きAIモデル「GPT-6 Cyber」を正式にリリースしました。現時点では、承認されたセキュリティテスターのみにアクセスが厳しく制限されており、攻撃的な機能は今のところ公開APIからは利用できません。

これは、ソフトウェア防御へのアプローチにおける大きな転換点です。私たちは、より良いコードを提案するAIから、積極的にゼロデイ脆弱性を探し出し、それを破るためのペイロードを作成するAIへと移行しました。OpenAIは、エクスプロイト生成を製品化することで、次世代ソフトウェアを保護する唯一の方法は、悪意あるアクターがすでに開発しているのと同じ自動化された猛攻で攻撃することであると認識しています。

現場の開発者にとって、エラーの許容範囲は消滅しました。市販のモデルがコードベースの脆弱性を自動的に見つけて悪用できるのであれば、「セキュリティ・バイ・オブスキュリティ（秘匿によるセキュリティ）」は死んだも同然です。今や、公開するすべてのエンドポイントが、それを書いたエンジニアよりも賢いエージェントによって即座に調査されると想定しなければなりません。

Protonは、社内からの強い反発を受け、計画していたAI利用に関する再面談を突然中止しました。プライバシー重視の同社は、ほぼすべての従業員に対し、日々の業務でどのようにAIを使用しているかについて質問する予定でしたが、広範な従業員の抵抗により、経営陣はイニシアチブ全体を撤回せざるを得なくなりました。

これは、企業文化を完全に読み違えた大失敗です。エンジニアリングおよび製品部門全体のAI利用習慣を監査しようとすることは、ポリシーの施行というよりも、魔女狩りのように感じられます。開発者はすでにAIを使ってコードを書き、メールを作成し、システムをデバッグしています。再面談で脅すことは、彼らが利用を最適化する代わりに隠蔽し始めることを保証するだけです。

ここでの教訓はシンプルです。威圧によって透明性を強制することはできません。チームが新しいモデルをどのように活用しているかを知りたいのであれば、企業アカウントを提供し、テレメトリーを追跡すべきです。AIの導入を尋問すべき疑わしい活動として扱うことは、トップパフォーマーを、実際に彼らを信頼する競合他社に追い立てる確実な方法です。

Googleは、教育機関向けに特別に調整された新しいAIコントロールを展開しました。しかし、このアップデートは、学校が従来のGoogle検索へのアクセスを維持しながら、深く統合されたAI機能を selectively オプトアウトできるのかどうかについて、即座に議論を巻き起こしました。

このテクノロジー大手は、強制的な導入の厳しい限界に直面しています。Googleは、生成要約を検索体験の核に直接組み込むことで、インターネットの主要な調査ツールをブロックすることなく、自動剽窃を防ぎたい学校管理者にとって悪夢を生み出しました。ここでの摩擦は、AIを切り替え不能なデフォルトとして扱うことが、規制の厳しい環境では機能しないことを示しています。

開発者にとって、これは機能結合の危険性に関する名著です。もしあなたのコア製品が不可欠であるにもかかわらず、新しいAI機能が物議を醸すものである場合、それらを結びつけることは採用を強制するのではなく、解約を強制します。ユーザーは、ソフトウェアの決定論的なバージョンにダウングレードする能力を必要としています。さもなければ、彼らは単に魔法をオフにできるプロバイダーを見つけるでしょう。

NFLはカーネギーメロン大学の研究者と直接提携し、広範な試合映像と独自の選手追跡データを提供しました。この協力は、フットボールの戦略と選手パフォーマンスの分析を完全に自動化するためのAI開発を推進することを目的としています。

これは、大規模な独自データセットが専門モデルと出会ったときに起こることです。NFLは何十年にもわたる高フレームレート、多角度のテレメトリーデータを保有しており、他には誰もアクセスできません。その宝庫をCMUに開放することで、彼らは人間のスカウトよりも速く守備のカバーを読み解き、ルートランニングを予測できるAIの基盤を構築しています。

ここでの優位性はアルゴリズムではなく、データです。もし真に防御可能なAI製品を構築したいのであれば、長年非構造化データを蓄積してきた業界を見つけ、それを解析する方法を見つけ出す必要があります。生の映像を所有する組織が、自動分析の未来を決定するでしょう。