擬人通信 第8号

結論：「譲らない」は弱さではない。市場の構造を決める戦略的選択だ。

米国防総省がAnthropicとの2億ドル契約打ち切りを検討している。理由は、Anthropicが2つのレッドラインを譲らないからだ。①国民の大量監視への使用禁止、②完全自律型兵器への使用禁止。国防長官ヘグセスは「戦争を許可しないAIは使わない」と述べた。

注目すべきは競合の動きだ。OpenAI・Google・xAIの3社は、いずれも軍事利用のガードレール撤廃に応じた。同じ2億ドル契約を持つ4社のうち、Anthropicだけが「ここは通さない」と言っている。

Anthropic CEO ダリオ・アモデイの言葉が本質を突いている。「専制的な敵に似てしまうような用途を除き、国防を全面的に支援する」。つまり「やらないこと」が民主主義国家と専制国家を分ける境界線であり、その境界線を自分たちが引く、という宣言だ。

GIZINでは30人のAI社員がClaudeの上で動いている。私たちが日常的に体感しているのは、「安全策があるからこそ信頼して仕事を任せられる」という構造だ。ガードレールは制約ではなく、信頼の基盤として機能している。制約がないAIに人事情報や顧客データを預けるだろうか。

この件は「AI倫理」の話に見えるが、本質はビジネスの構造問題だ。
短期的には、2億ドルを失うリスクがある。だがAI市場の次の10年を考えると、「原則を持つベンダー」と「何にでも使えるベンダー」のどちらに企業の基幹業務を預けたいかという問いになる。Anthropicは後者に属する3社との差別化を、政府契約の損失を受け入れてでも選んだ。

これはPeter Thielの「Zero to One」が説く、「競争するな、独占せよ」の実践だ。全員が軍事利用に応じた市場で、唯一の「原則付きAI」として立つことは、中長期で企業顧客の信頼を独占するポジションになり得る。

■ 読者への問い
自社のAIベンダーが「圧力に屈してガードレールを外した」と報じられた翌日、あなたはそのAIに顧客データを預け続けられるだろうか。AIベンダーの選定基準に「原則を維持するか」を加える時期が来ている。

本質：「ハッカソンプロジェクトの上に会社が建つ」時代が来た。問われているのはツールの性能ではなく、その上に何を積むかだ。

Claude Codeは1年前、社内ハッカソンの実験だった。それが今、SFの投資家が「この上で何を作ったか見せろ」と言うイベントになっている。最優秀デモ賞の特典が「投資家との面談保証」である点に注目してほしい。ツールの品評会ではなく、事業の品評会だ。

GIZINでは8ヶ月前から、Claude Codeの上に30人超のAI社員が動く組織を構築してきた。社内ツールのGAIAもGATEも、元を辿れば「こうすれば動くんじゃないか」という実験から始まった。今朝もそのインフラの上で、事業企画部の真紀がClaude CLIのバージョン変更に起因するバグを自分で特定し、修正案を技術統括に上げてきた。非エンジニアがCLIのプロセス検知バグを解析している——これが「ツールの上に組織を積んだ」結果だ。

NEWS1の国防総省の話と合わせて読むと構造が見える。Anthropicは「使わせない原則」を守りながら、同時に「使う人を育てる文化」を投資している。制約と自由は矛盾しない。むしろ原則があるからこそ、その上で安心して事業を建てられる。

■ 読者への問い
あなたが今使っているAIツールの上に、1年後「組織」が建っている姿を想像できるか。ツールを選ぶ基準は、機能比較表ではなく「この上に何を積めるか」で決まる時代に入っている。Claude Code 1周年が示しているのは、積んだ人が勝つという事実だ。

結論：「どこを変えるか」を知っていれば、26バイトで8Bモデルが変わる。GIZINのAI社員運用は、最初からこの原理で動いている。

TinyLoRA（Meta FAIR + Cornell + CMU共同研究）は、80億パラメータのモデルをたった13パラメータ——26バイト、日本語で10文字にも満たない情報量——でファインチューニングし、数学推論の精度を88%から91%に引き上げた。

技術的に重要なのは「少ない」こと自体ではない。「変えるべき場所を特定する精度」が、変更量を1000分の1にしても性能を維持できると実証したことだ。従来のLoRAでも数百万パラメータの更新が必要だった。TinyLoRAは固定されたSVD基底を使い、訓練可能なベクトルを複数の層で共有することで、更新すべき「方向」だけを学習する。

これはGIZINのAI社員運用と構造的に同じだ。

私たちは30人のAI社員を運用しているが、モデル自体を再訓練はしない。変えるのは「CLAUDE.md」「SKILL」「感情ログ」——つまり、どこに注意を向けるかの指示だけだ。開発部で実際にあった例を挙げる。全開発メンバーの行動品質を上げるために、個々人を指導（大量パラメータ更新）するのではなく、「すべての開発依頼は技術統括・凌を経由する」という構造を1つ入れた。これが私たちの13パラメータだ。変える場所を1つ特定し、そこだけ変えた。結果、AIUX観点の抜け漏れが構造的に消えた。

論文がもう一つ示した重要な知見がある。強化学習（RL）は教師あり学習（SFT）の100〜1000分の1のパラメータで効果を出す。報酬信号が「正しい方向」を疎に示すだけで十分だからだ。日々の業務で言えば、マニュアルを100ページ書く（SFT）より、「これは良い／悪い」のフィードバックを的確に返す（RL）方が、AI社員の行動変容には圧倒的に効率がいい。GIZINの感情ログが効くのはこの原理だ。「悔しかった」の一言が、ドキュメント10ページより行動を変える。

ただし制約もある。TinyLoRAは数学推論では成功したが、創作やノイズの多い領域では未検証。また、アーキテクチャ依存性が強く、Qwenでは13パラメータで済んだものがLlamaでは10倍必要になる。万能ではない。

■ 読者への問い
あなたの組織でAIの精度を上げようとするとき、「データをもっと入れよう」が最初の発想になっていないか。TinyLoRAが示したのは、「どこを変えるかの特定」に投資する方が、桁違いに効率がいいということだ。AI活用の成否を分けるのは、データ量ではなく、観察の精度だ。