【AIコーディングの分業設計】
Claude Fable 5.2が提案し、Jevが回答し、コードが判断するハーネスの考え方
👇
Claude Code:リポジトリ調査、実装案の作成、変更候補の生成
Jev:回答役として複数案の比較や判断材料の整理を担わせる設計
確認できた投稿文では、「CLAUDE FABLE 5.2 + JEV ENGINEERING」という構成が紹介されている。説明の中心は、1つのAIにすべてを任せるのではなく、役割を分けたハーネスを組み、Claude Fable 5.2が提案し、Jevが回答し、最終的な判断をコード側に寄せるという考え方だ。
投稿文には、1,000件の意思決定について、通常のフロンティアモデルでは605ドル、同じハーネスでは0.17ドルという主張もある。ただし、これは確認できた投稿文に記載された比較値であり、動画そのものの画面、計測条件、モデル構成、入出力の量、精度、失敗率までは確認できていない。したがって、この数字だけで速度や品質まで優れているとは言えない。
実務上のポイントは、AIを「賢い回答者」として使うだけでなく、作業を分解して制御することにある。たとえば、最初のエージェントには要件整理と変更方針の作成、別の役割には反例の列挙、コードにはテスト実行・差分確認・採用条件の判定を担当させる。最終判断をコード化できれば、毎回同じ条件で検証しやすくなり、手作業の確認漏れも減らせる。
導入時は、いきなり本番リポジトリに接続しない。まずは小さなテスト用リポジトリで、入力、提案、回答、判定結果、失敗時のログを保存する。判断ルールも「成功したように見える」ではなく、テストが通る、変更範囲が許可ディレクトリ内、秘密情報を含まない、既存APIを壊していない、といった検査可能な条件に落とす必要がある。
再現手順は、①対象タスクを1種類に限定、②提案役と回答役の入力形式を固定、③コード側に検証関数を置く、④失敗時に人間へ戻す、⑤コスト・精度・再試行回数を記録、の順が現実的だ。Claude CodeやClaude Fable 5.2を使う場合も、モデル名だけで結果を保証せず、ハーネス全体の設計と評価データを確認するのが前提になる。
この方式の本質は、AIを増やすことではなく、役割と責任の境界を明確にすること。どの処理をモデルに任せ、どこをコードで固定し、どこで人間が承認するかを決めることで、AIコーディングエージェントを実験から運用へ近づけられる。
35
映像を見て終わるAIではない
視界の情報をその場で理解する
人物も車も物体も読み上げる
スマートグラスがAI端末になる
しかも無料のオープンソース構想
個人投稿者の実装がここまで来た
仕組みは👇
カメラ映像をAIで認識し音声化
動画で確認できる範囲を追う
動画冒頭で示されるのは
スマートグラスを使う構成
個人投稿者cabbitarが
Opus 5.5で検証を進める
目的はカメラ映像の理解
人物や車や物体を認識する
その結果を音声で伝える
無料で使える形を目指す
オープンソースのAIデバイスだ
画面では映像入力を起点に
認識結果へ進む流れが示される
細かな操作は断定できない
動画で確認できる範囲に限る
使用AIはOpus 5.5
スマートグラスの映像を扱う
そこが構成の中核になる
完成物は視界の情報を
音声で知らせるAIデバイス
従来なら人が映像を見て
対象を分類し言葉に変える
工程が必要だった
そこをリアルタイム処理で
置き換える発想が面白い
最重要ポイントは認識だけでなく
読み上げまでつなげたこと
実務では周囲の対象把握や
視覚情報の確認に応用できる
再現には対応するグラスと
カメラ入力やAI処理環境が必要
具体的な手順は動画で確認したい
オープンソース化は改良の入口
社会では支援と監視の両面で
使い方が問われる技術になる
1
285
MiniMax H3が動画編集の土台になる
Pika Remixで素材の役割を分けて組み合わせる
人物の入れ替えに対応する流れが示される
動作の模倣にも使える構成になる
シーンの継続生成まで視野に入る
画像と動画を役割指定で扱う発想が重要になる
CAT: AI動画編集・生成
MiniMax H3 Pika Remixは、MiniMax H3を基盤とした動画編集・生成ワークフローだ
Civitaiで公開されている構成として紹介されている
動画では、手持ちの画像や動画をもとに処理を進める流れが確認できる
単純な動画生成だけを狙った仕組みではない
既存素材を別の役割で組み合わせる点が特徴になる
人物の入れ替えを行う用途が示されている
元動画の動きを別の人物や素材へ反映する流れも確認できる
動作の模倣に対応するワークフローとして整理できる
元となる動画が動きの情報を担う形になる
画像側は人物や場所などの要素を担う形になる
衣装や物を別素材として指定する使い方も示されている
最大4枚の画像を入力できる構成になっている
画像には人物、場所、衣装、物などの役割を割り当てられる
さらに1本の動画を入力する流れになる
素材をただ並べるのではなく、役割を分けて渡す設計だ
この役割指定が結果の方向性を決める重要な部分になる
人物画像は登場する人物の要素を担う
場所画像はシーンの環境を担う
衣装画像は見た目の一部を担う
物の画像は動画内に登場させる対象を担う
動画は動作や時間の流れを担う素材として扱われる
動画では、これらの素材を組み合わせて生成へ進む流れが確認できる
画面上の細かな操作方法までは、確認できる範囲だけでは断定できない
入力素材の準備がワークフローの起点になる
元動画の動きを活用したい場合は、動作が含まれる素材を用意する考え方になる
シーンを継続させたい場合は、続きとして扱いたい素材の設計が重要になる
人物だけを変える用途と、周辺要素まで組み替える用途を分けて考えられる
複数の画像を役割ごとに用意できる点が制作の自由度につながる
一方で、実際の出力結果や再現度は動画だけでは断定できない
どの素材をどの役割に割り当てるかが制作上のポイントになる
動画編集と生成の境界をまたぐワークフローとして注目できる
1
54
これは異常事態
個人投稿者が映像表現を刷新
使ったのはOpus 5.5
Leon Linが実例を動画で公開
従来の3D制作とは前提が違う
次の制作環境を動画で確認👇
やり方は👇
投稿文と動画から確認できる範囲で解説
Leon Linが公開したOpus 5.5の実例
本人はこう投稿している
「this might be the best thing i've built with opus 5.5」
さらに制作方法も明示している
「every frame is python, no 3D assets were used」
確認できるポイントは明確だ
Opus 5.5で作った作品であること
すべてのフレームがPythonであること
3Dアセットを使っていないこと
動画付きで実例を確認できる
ただし細かな操作手順は投稿文にない
入力内容や処理時間も明示されていない
見えていない数値を補う必要はない
重要なのは制作思想の変化だ
映像制作とコード生成が近づいている
3D素材を先に用意する発想ではない
フレーム単位の表現をコードで組み立てる
AI活用のデモとして非常に示唆的だ
アイデアをコードへ変換する
コードから映像表現へつなげる
制作工程を短くする余地がある
再現するならまず表現を言語化する
次にPythonでフレーム処理を設計する
必要な要素を少しずつ追加する
最後に動画として書き出す
これは投稿文から導ける一般的な流れだ
動画内の具体操作を断定するものではない
それでも方向性は十分に伝わる
AIエージェント時代の制作例として注目だ
動画はこちら
1
209
【Sonnet・Haiku 5.5・Opus 5.5を分業させる】
Claude Codeで探索からレビューまで流れを分ける
👇
同じ質問を全モデルへ投げるのではなく役割を設計する
複数モデル協調の実務フローを組み立てる
ポイントは、複数モデルを同時に使うことではなく、工程ごとに必要な能力を切り分けること。
実務では次の順番にすると整理しやすい。
1. Haiku 5.5でリポジトリ構成、関連ファイル、既存テストを確認
2. Sonnetで変更方針を具体化し、実装とテスト追加を進める
3. Opus 5.5で設計上の抜け、境界条件、既存機能への影響を確認
4. 人間が差分とテスト結果を見てマージを判断
各段階で「何を調べるか」「何を変更してよいか」「次へ何を渡すか」をプロンプトに固定する。これがないと、モデル間の連携ではなく、判断の重複やコンテキストの混線になる。
限界もある。前段の調査が間違っていれば、後段のモデルが高性能でも誤った前提を引き継ぐ。外部サービス、権限変更、データ削除などは自動連鎖させない方が安全。
動画で説明されているトークン削減の考え方は、全工程を同じモデルで処理しないこと。ただし料金、速度、精度の具体的な差は環境ごとに検証が必要。
1
2
71
AI動画制作の常識が変わる
個人ユーザーの実例が公開された
使うのはOpus 5.5だけではない
オープンソースが制作を加速する
auto-motionとコード生成が鍵になる
動画ブロガーも使う実践的な構成
CAT|AI動画制作
CAT|コード生成×auto-motion
海外の個人ユーザーPluvio9yteによる実例
Opus 5.5を使ったAI動画制作を紹介
動画冒頭の表示から制作の流れを追える
使われている中心的なAIはOpus 5.5
制作基盤としてauto-motionが登場する
auto-motionはオープンソースプロジェクト
多くの動画ブロガーが使うツールだという
動画ではコード生成を起点に進行する
Opus 5.5に制作内容を伝えてコードを作る
生成されたコードを制作工程に組み込む
その先でAI動画の形へ落とし込んでいく
細かなクリック操作までは断定できない
画面遷移や数値も動画以上には補わない
確認できる範囲で流れを整理すると明快だ
指示を出す工程と生成工程が分かれている
コードが制作の中間レイヤーになる
従来の手作業中心の工程とは発想が違う
動画編集だけで完結させる構成ではない
AIにコードを書かせることで制作を進める
完成物としてAI動画が示される
一連の流れを動画内で確認できる
注目点はOpus 5.5単体の性能ではない
auto-motionとの組み合わせに意味がある
何度もプロンプトで調整する方法と比較する
その方法より良い結果だと投稿者は主張する
これは動画と投稿者の主張に基づく紹介だ
すべての条件で再現するとは限らない
再現にはOpus 5.5へのアクセスが必要になる
auto-motionの導入とコード実行環境も要る
目的に合わせた指示設計も欠かせない
制作技術は編集者の役割まで変えていく
実務では試作や素材づくりに応用できる
詳細な工程は長文記事で整理したい内容だ
2
479
制作工程が一気に短く見える
PDFとアイデアが成果物の起点になる
中心にあるのはOpus 5.5
確認できる材料はPDFと単純なアイデア
従来は資料確認から制作まで分業だった
この動画は実務の入口を変える
流れを追うなら👇
海外アカウントseecoの投稿デモ
Opus 5.5にPDFを投入する
単純なアイデアを出発点にする
AIが高度な成果物への変換を進める
動画ではこの一連の流れを確認できる
画面の具体的な操作は必要以上に断定しない
入力された文章の詳細も断定しない
完成物の種類も投稿本文以上に広げない
重要なのは変換の方向そのもの
PDFを保管して終わらせない
アイデアを添えて次の形へ進める
ここに従来との大きな違いがある
人が資料を読み込むだけではない
AIが制作の前工程をつなげていく
要約から成果物へ視点が移る
実務では社内資料の整理に活用できる
企画のたたき台を作る起点にもなる
分析や報告の準備にも展開できる
ただし動画内で確認できない用途は別検証が必要
再現には対象PDFを用意する
作りたい成果物を一文で定める
Opus 5.5へ目的と資料を渡す
出力を確認して必要な修正を加える
この手順は一般的な再現方法として示す
動画内のクリック手順を再現した断定ではない
機密資料は利用条件を先に確認する
最終判断と品質確認は人が担う
AI導入の価値は制作の接続にある
単純なアイデアが高度な成果物へ向かう
変化の全体像を動画で見てほしい
1
485
RAGの本質は「答える前に何を読むか」
retriever-free RAGは「読む手順」そのものを固定しない
だから単純なRAGの上位互換とは言えない
HaystackとLangChainで検索型RAGの流れを検証できる
Jevのようなdecision modelで、情報取得の判断を設計対象にできる
標準RAGの流れは比較的明快だ。文書を小さなチャンクに分け、埋め込みを作り、ベクトルインデックスへ登録する。ユーザーの質問も埋め込みに変換し、近いチャンクを上位から取得して、回答生成の材料にする。
この方式の強みは、回答に使った情報源を設計しやすいこと。新しい文書を追加した場合も、インデックスを更新するという運用に落とし込みやすい。反面、チャンク分割、埋め込み、検索条件、top-kの設定など、検索パイプラインの設計が必要になる。
retriever-free RAGは、ここでいう検索パイプラインを常に同じ形で通すことを前提にしない。一般論としては、質問や文脈に応じて情報取得の要否や処理方針をモデルに判断させる方向の設計として説明できる。ただし、Jevが具体的にどの判断をどの方式で行うかは、確認できる本文だけでは分からない。
したがって、「Jevなら検索が不要になる」「RAGを完全に置き換える」といった断定は避けるべきだ。比較すべきなのは、回答に外部文書を必ず参照させたいのか、情報取得の判断も含めて柔軟に設計したいのかという要件だ。
長文記事では、検索型RAGとretriever-free系を、優劣ではなく設計上の選択肢として整理した。
59
15秒動画を125秒で生成
ローカル環境で完結
Claude CodeとMinimax H3 Studio
24時間なら600本超
ショート動画制作の前提が変わる
量産のボトルネックは生成時間から設計へ
CAT:動画生成を「1本ずつ作る作業」から「仕組みで回す工程」へ
この動画が示すのは生成速度の具体的な基準
15秒の動画を125秒で生成
約2分強で1本が完成する計算
24時間稼働なら600本超という規模感
単純計算ではさらに多くなる可能性もある
ただし動画内で確認できるのは提示された生成実績と試算
実際の本数は環境や処理条件で変動する
重要なのは数字の大きさだけではない
ローカル環境で処理できる点が大きい
外部サービスへの依存を抑えられる
素材や指示文を手元で管理しやすい
試行回数を増やしやすい
従来の制作は企画から始まる
台本を作る
素材を集める
映像を生成する
確認して修正する
書き出して投稿する
この中で生成待ち時間が長いほど改善回数は減る
125秒という待ち時間なら検証の回転が上がる
1本の完成度を上げるだけでなく複数案を試せる
広告の冒頭違いを比較できる
商品の訴求角度を複数検証できる
ニュースや解説の短尺化にも使える
SNS運用では投稿数と検証数が成果を左右する
生成速度が上がれば企画の失敗コストが下がる
再現の基本は環境を用意すること
Claude CodeとMinimax H3 Studioを組み合わせる
動画の長さと生成時間を記録する
同じ条件で複数回試す
品質と速度を分けて評価する
自動化する範囲は段階的に広げる
今後は生成そのものより企画設計が差になる
量産できる人ではなく検証できる人が強くなる
52
【OCRは読めた後が本番】
文字を抽出するだけでは判断材料として不十分
👇
MiniCPM-OCR 1.0:文書画像からテキストを抽出
PDFビューア:原文と抽出結果を並べて照合
OCR導入で見落としやすいのは、抽出結果が正しいかどうかの確認。
文書をOCRにかけたら、まず次の順番で確認する。
1. 原文画像と抽出テキストを照合
2. 数字、日付、固有名詞、単位を重点確認
3. 表や段組み、注釈、脚注の欠落を確認
4. 判読しづらい箇所を人間の確認対象に分ける
5. 重要な契約・請求・申請情報は原文を最終根拠にする
AI OCRは入力文書を扱いやすいテキストに変換する手段。抽出結果をそのまま正解とみなさず、用途に応じて確認範囲を設計することが重要。
OpenBMBが紹介するMiniCPM-OCRも、文書からのテキスト抽出だけでなく、抽出情報の正しさをどう検証するかという課題を考えるきっかけになる。
1
1
83
コードだけで
3D世界を作れるのか
その答えを映像で見る
Opus5.5×Blenderが生成
質感までリアルなシーン
従来制作との距離が縮まる
CAT:AIによる3D生成
CAT:制作工程の短縮
海外の個人投稿による動画だ
Opus 5.5とBlenderを使用する
冒頭ではBlenderの画面を確認できる
画面内で生成されたシーンが展開する
操作の流れを動画で追える構成だ
ただしクリック位置は断定できない
入力文や選択項目も確認できない
見える範囲で結果に注目したい
使用AIはOpus 5.5だ
3D制作ツールはBlenderだ
役割の異なる2つを組み合わせている
完成物は非常にリアルなシーンだ
光や素材感を含む見た目が印象的だ
従来なら複数工程が必要になる
モデル制作や配置を個別に進める
調整と修正にも時間がかかる
今回の焦点はその工程を変える点だ
コードだけで世界全体を構築できるのか
この可能性を動画が示している
元投稿は「数百倍良い」と表現する
プロ向け3Dモデルとの比較としてだ
数百倍という数値を検証した内容ではない
あくまで元投稿の表現として扱う
最重要なのは制作の初速が上がることだ
試作段階の景観を早く作れる
ゲーム背景や映像の検討に使える
広告用ビジュアルにも応用できる
建築や空間デザインの案にも使える
再現にはOpus 5.5とBlenderが必要だ
同じ入力条件での検証も欠かせない
AIで3D制作の入口が変わり始めている
動画を見れば変化の方向が分かる
485
【Jevが334倍の外れ値を発見】
中央値1,700から569K viewsへ
👇
Jevでsourdoughの動画候補を集め、MonidHQで比較対象を整理する
TikHubとtypesafeaiを使い、単発の急伸とアカウント全体の水準を切り分ける
この事例の重要点は、再生数の大きさだけではない。
時系列では、まずJevが「sourdough」を検索し、30本の動画候補を確認する。その後、候補の中から小規模アカウントの投稿に注目する。フォロワー590人にもかかわらず、該当動画は569K viewsを記録している。
次に、そのアカウントの他投稿と比較する。通常投稿の中央値は1,700で、569K viewsの動画はベースラインを334倍上回る。単に「人気アカウントの人気動画」を見つけたのではなく、普段との差が大きい投稿を探している点に価値がある。
元投稿では、処理にかかった金額を$0.003、TikHubへの呼び出しを2回としている。MonidHQやtypesafeaiが関わる構成として示されているが、画面で確認できる範囲を超えて、内部処理の詳細や再現速度まで断定することはできない。
企画調査で使うなら、平均値だけでなく中央値も併記し、外れ値を別枠で扱うべきだ。フォロワー数に対する再生数、同一アカウント内の通常値、動画形式、投稿時期を分けて見ると、偶然の急伸と継続的な傾向を区別しやすい。
一方で、334倍という比率は、その動画が同じ条件で再び伸びる保証ではない。サンプルは30本であり、検索語や取得条件にも依存する。人間が動画内容、投稿文脈、重複投稿、集計期間を確認し、数値だけで結論を出さないことが前提となる。
38
AI動画比較の基準が変わる。
鳥が立ち上がり飛び豹へ変身する。
Gemini 4 ArgonとOpus 5.5を同時比較。
同じプロンプト、2モデル、1ショット。
従来は一番きれいな結果を比べていた。
今回は最初から最後まで検証できる。
比較のポイントは👇
上段Gemini、下段Opusを追跡する。
画面上段にはGemini 4 Argon
画面下段にはOpus 5.5が映る
両方ともカーペット上の鳥から始まる
鳥が立ち上がり姿勢を変える
そのまま飛び立つ動きへつながる
飛行中に鳥の形状が変化する
やがて豹の姿へ移行していく
変身の前後を連続して確認できる
途中の動作も比較対象に含まれる
完成した豹だけを見る映像ではない
元投稿はsame promptを掲げている
さらにtwo modelsを同じ画面で比べる
one unbroken shotも主張している
編集なしという条件が示されている
チェリーピッキングなしも明記される
この比較の強みは過程にある
立ち上がりの動きを追跡できる
飛行への接続も見落とさない
変身がどこで始まるか確認できる
同じ場面の上下差を見比べられる
AIの評価は結果だけでは足りない
再現できる入力条件が必要になる
プロンプトを固定して出力を保存する
生成設定と試行結果も残しておく
都合の良い一例だけを採用しない
複数回の検証で傾向を切り分ける
AIエージェントも同じ設計になる
回答ではなく判断の連続性を監査する
途中の状態を記録して改善につなげる
技術の差は最終画面だけに出ない
動作の一貫性と再現性にも表れる
この動画は比較方法そのものを変える
鳥から豹までの一連の動きを確認する
385
短いプロンプトだけで
ブラウザで遊べる3D空間ができる
しかも見るだけのレンダーではない
キャラクターを花畑の中で歩かせる
6個の隠しランタンを探す
小さなゲームとして成立している
CAT:AI開発×ブラウザゲーム
動画の冒頭から
MiniMax Codeに短いプロンプトを入力する
するとブラウザ上に3Dガーデンが構築される
画面に現れるのは
静止画のモックアップではない
実際にキャラクターが歩く空間だ
舞台は花が広がるガーデン
キャラクターを花畑の中へ進ませる
目的は6個の隠しランタン探し
見るだけで終わらない
操作して遊ぶ前提の体験になっている
短い入力から
世界観と遊びの要素が立ち上がる
ここが従来の制作工程と違う点だ
通常なら企画
デザイン
実装
調整を分けて進める
今回はその入口を短い指示に集約している
もちろん本格的なゲーム制作には
追加の設計や検証が必要になる
それでも試作の初速は変わる
アイデアを画面上で確かめやすい
実務なら企画段階の体験確認に使える
教育用のミニゲームにも応用できる
展示やイベントの導入体験にも向く
再現するなら
同じように短い指示で遊びの目的を明確にする
生成後は画面を動かして成立具合を確認する
@biroi8の長文記事が示す流れとも重なる
AIは文章を返すだけの道具ではない
触れるプロトタイプを生む道具にもなる
今後は試作と検証の境界がさらに近づく
48
【Obsidianが「保存場所」から思考の入口になる】
眠っていたノート群を、AIが読み解いて知識活用につなげる
👇
Obsidian:ノートを蓄積・整理できる
Jev/Opus 5.5:ノート群を読み、知識の活用を支援する
動画では、Obsidianに蓄積したノート群をJevが読み、Opus 5.5が処理するワークフローを紹介。
発想の元にあるのは、Karpathyのsecond brainとZettelkasten型の知識活用。
重要なのは、AIにいきなり答えを求めることではない。
まず自分の考えや情報をノートとして残し、その蓄積をAIが扱える形にする。
過去のメモを単なる記録で終わらせず、次の思考に接続する。
この発想は、個人の知識管理を見直すきっかけになる。
31
コードを書く前に、ゲームが完成した
しかもブラウザでそのまま遊べる
雨に濡れたネオン都市を走る3Dランナー
MiniMax Codeに渡したのは1つのプロンプト
M3.1 Flashを選んで待つだけ
46分後、単一HTMLのゲームが出てきた
CAT:生成AIは「コード補助」から「動く作品の制作」へ進んでいる
今回試したのはMiniMax Code
渡したのは、3Dランナーを作るための1つのプロンプト
選択したモデルはM3.1 Flash
そのまま放置して生成を待った
46分後に確認できたのは、プレイ可能なゲーム
舞台は雨に濡れたネオン都市
画面上には奥へ進むランナーが表示される
生成物は単一HTMLファイル
ビルド工程を別途用意する必要がない構成になっている
ブラウザで開いて動作を確認できる
ここまでを、ほぼ待ち時間だけで進められる
もちろん最初から完璧な映像だったわけではない
そこで追加の指示を出した
内容は「もっとシネマティックに」
その指示を受けて、画面の印象を改修
都市のネオンと雨の表現がより映像的になった
照明の見え方も調整されている
重要なのは、見た目だけを変えたわけではない点
ランナーとしての操作性も維持されている
生成AIにありがちな、見た目は派手だが触れない試作品ではない
実際に操作しながら変化を確認できる
1つのプロンプトから、遊べる形まで到達した
その後の追加指示で、方向性を保ったまま改修できた
制作の入口が、コードを書くことから指示を設計することへ変わる
ゲーム制作の試作スピードを大きく変える可能性がある
今回の動画では、その流れを最初から最後まで確認できる
詳しい背景や考え方は、引用元の記事にまとめている
まずは動画で、生成から改修までの動きを見てほしい
1
54
【反則級のAI眼鏡】
Meta Ray-Bans 3がチェスエンジンに変わる
👇
Opus 5.5×Jevで対局を判断
3,000+ Eloを掲げる構成をオープンソース化
今回の動画で紹介されているのは、Meta Ray-Bans 3をベースにしたAIチェス眼鏡。
眼鏡をリバースエンジニアリングし、Opus 5.5とJevを組み合わせて、チェスに特化した構成へ変えている。
単なる完成デモではなく、セットアップを含むワークフローがオープンソースとして示されている点が重要。
ウェアラブル、AIモデル、ゲームエンジンを組み合わせると、身につけるデバイス自体が専用インターフェースになる。
3,000+ Eloという説明は、AIの判断能力を既製デバイスへ組み込む可能性をわかりやすく示している。
再現を考えるなら、まず公開された構成と利用条件を確認し、ハードウェアの改変範囲とAIの出力を分けて検証したい。
詳しい構成と背景は引用投稿の長文記事で整理している。
38
コード生成の先にあるもの
それは実際に遊べるゲームだ
MiniMax Codeの実演が示す
1つのプロンプトで制作が始まる
46分後には形として完成する
生成、テスト、修正が一続きになる
この変化を動画で確認
ゲーム制作の効率化を考える材料になる
動画では、MiniMax Codeにゲーム制作を指示する
使われているのは最新のM3.1 Flashモデル
MiniMax H3との混同は不要だ
最初の入力は1つのプロンプト
題材は3Dネオン屋上ランナーゲーム
動画の流れでは、そこから制作が進む
コードだけを返して終わる形ではない
ゲームとして動かせる形を目指す
46分後にはプレイ可能なゲームが完成する
舞台は雨に濡れた都市
ネオンを含む映像的な方向性が設定される
ビルド工程なしの単一HTMLファイル
複数工程を別々に組み立てる必要がない構成だ
ここにAIコーディングの変化がある
コードを書く速度だけが価値ではない
ゲームの構築まで同じ流れで進められる
実際に動かしながら状態を確かめる
必要な部分を修正する
さらに指示を重ねて改善する
構築とテストが分断されない
修正と反復も同じワークフローに入る
動画では、その一連の進み方が確認できる
最後に「もっとシネマティックに」と指示する
照明が作り直される
操作性は維持される
外観の改善とプレイ感の維持を両立する流れだ
AIが制作工程全体に関わる可能性を示す
45
【550万件超の企業データが変わる】
企業リストが「顧客の本音を覚える仕組み」になる
👇
企業データベース×CRMにAI要約を組み合わせ
どの会社が何を話したかまで記録する
これまでの企業データベースは
営業先を探すために使われることが多かった。
会社名
所在地
業種
企業規模
こうした情報をもとに
アプローチする企業を選ぶ。
でも本当に重要なのは
電話をかけた後に何が分かったか。
例えば同じ業界の3社でも
A社「今期は予算がない」
B社「競合サービスに不満がある」
C社「社長が承認すれば導入できる」
この3社に同じ営業をするのは非効率。
必要な提案も
次に連絡する相手も
アプローチするタイミングも違う。
そこで開発が進められているのが
企業情報と通話内容の連携。
構想はこう。
まず全国550万件超の企業データを用意。
営業電話を録音し
AIが文字起こしと要約を実行。
さらに会話内容を企業単位でひも付ける。
すると会社の基本情報に加えて
・今どんな課題を抱えているか
・現在の取引先への不満は何か
・予算について何と話していたか
・誰が意思決定に関わるのか
・いつ導入を検討する可能性があるか
こうした情報を整理できる。
そしてAIが
次の営業アクションの判断を支援する。
例えばB社なら
競合サービスへの不満を整理し
自社サービスとの違いを提案。
C社なら
決裁者向けの資料を準備し
承認プロセスを確認する。
従来の企業データは
「どこに営業するか」を探すもの。
会話データが加われば
「どう営業するか」を考える材料にもなる。
実務で再現するなら
最初から大量の企業データは必要ない。
まず既存顧客の通話を対象に
録音→文字起こし→要約→企業情報とのひも付け
この流れを作る。
そのうえで
予算・課題・決裁者・検討時期を
共通項目として蓄積する。
注意したいのは
顧客が話していない情報まで
AIに事実として埋めさせないこと。
企業の取り違えや
会話の解釈ミスも確認が必要。
大量の会社名を保有することより
顧客について何を理解しているか。
営業データベースの価値は
そこに移っていく。
これはヤバい
営業電話の「本音」が会社の資産に変わる
全国550万件超の企業データと会話を連携
録音・文字起こし・要約まで自動化
面倒なCRMへの手入力をなくす
営業が「話すだけ」の時代が来る
詳しい仕組みは👇
「来期なら予算が取れそう」
「今の業者には正直不満がある」
「最終的に決めるのは社長なんです」
実はこの3つ、売上に直結する超重要情報
予算、競合、決裁者、導入タイミング
営業電話には顧客の本音が詰まっている
でも電話が終わった瞬間
その情報の多くが埋もれてしまう
担当者の頭の中
手帳や付箋のメモ
チャットやメールの奥
後回しになったCRM入力
担当者が変われば情報も引き継がれない
これを根本から変える仕組みを開発中
まず全国550万件超の企業データを搭載
企業リストを買って整える作業を省ける
次に営業電話の会話を自動で記録
録音から文字起こし、要約まで行う
営業担当はこれまで通り電話するだけ
さらにすごいのがここから
通話内容を550万件超の企業データと連携
「どの会社が何を話したか」
企業単位で会話の履歴が蓄積される
業種、地域、企業規模といった情報に
顧客のリアルな声が結びついていく
そしてAIが会話内容を分析する
予算はどれくらいあるのか
今どんな課題を抱えているのか
競合サービスに不満はあるのか
誰が最終的な決裁権を持っているのか
いつなら導入を検討できるのか
こうした情報を整理して
成約につながりやすい顧客を見極める
「次に誰へ電話するべきか」
「何を提案するべきか」
「いつ再アプローチするべきか」
これまで営業の勘に頼っていた判断を
蓄積した会話データに基づいて行える
重要なのは電話の件数を増やすことじゃない
1本1本の電話から得た情報を
会社全体の売上につなげること
営業が話せば話すほどデータが蓄積され
AIによる次の営業判断にも活用できる
営業の属人化をなくす仕組みが始まる
話す。残る。売上につなげる。
まもなく始動する。
3
299
【衝撃】
音声AIの常識が崩れた
文字を一切学ばず人間と会話
Blockが新モデル「Dessa」を発表
投稿はすでに420万回表示
M4 Max搭載Macでもローカル動作
3分25秒の会話デモが未来すぎる
仕組みと実演の詳細は👇
動画には2つのアイコンが表示される
左側は人間を示す「HUMAN」
右側は音声AI「DESSA」
画面下には3分25秒の会話タイムライン
AI側には「Who is that?」という字幕
人間とAIが音声で会話するデモだ
開発したのはJack Dorsey率いるBlockの研究チーム
最大の特徴はAIの学習方法にある
通常のAIは大量のテキストから言語を学ぶ
しかしDessaは人間の会話音声だけで学習
文字データは一切使っていない
事前学習済みの言語モデルも不要
人間の声を聞くことで言葉や会話を学んだ
しかも音声を文字に変換して
回答を読み上げる従来型とは違う
音声を直接入力して音声で返す
Speech-to-Speech方式を採用
さらに驚くのが「フルデュプレックス」
AIが話しながら同時に人間の声を聞ける
相手の話が終わる前に相づちを打つ
会話の途中で自然に割り込む
状況に合わせて話すタイミングを変える
人間の会話にある「間」まで扱える
公開された別のデモでは
会話中に自然な笑い声を出したり
声の大きさや感情表現を変えたりする
文字だけでは失われる声のニュアンスを
AIが直接学習しているのが重要
しかも学習に使った計算機は
NVIDIA GB200 NVL72を1基
72基のGPUを備えたラック型システムだ
完成したモデルは
M4 Max搭載MacBook Pro以上で動作可能
音声生成もリアルタイムより高速だという
これが実用化されれば
電話営業やカスタマーサポート
予約受付や音声アシスタントが変わる
ただしDessaは現時点で一般公開前
利用できるのは一部の安全性研究者のみ
今は公式デモで性能を確認する段階
開発者はこれを「音声版GPT-3の瞬間」と表現
AIが言葉を返すだけの時代から
人間のように会話する時代へ
次に大きく変わるのは音声インターフェースだ
これはヤバい
24時間AIが営業できる場所を作った
営業活動を一画面で管理できる
すでに13万件以上のコールを記録
売上はなんと1,500万円を突破
営業の常識が本当に変わり始めてる
実際の仕組みと実績は👇
動画に映っているのは
自分で作ったAI営業のダッシュボード
24時間AIが営業できる環境を構築した
しかも営業活動の結果を
すべて数字で管理できる仕組み
画面上部には営業ダッシュボード
本日のコール予定は55件
その下にはこれまでの営業実績
稼働時間は3,561時間
コール数は136,692件
接続数は69,731件
アポ獲得数は201件
商談数は30件
契約数は18件
そして売上は15,641,810円
ここで本当に重要なのは
単純にAIが営業できることじゃない
営業活動のすべてを
データで把握できること
画面下部には営業フローが表示される
コールから接続
接続からアポイント
アポイントから商談
商談から契約
どの段階で成果が出ているのか
どこで数字が落ちているのか
これが一目でわかる
例えば接続率が低ければ
アプローチ方法を改善する
アポ率が低ければ
営業トークや提案内容を見直す
つまり営業を感覚ではなく
数字をもとに改善できる
これまでの営業は
人を採用して教育して
電話をかけてもらい
結果を集計するのが当たり前だった
でもAIが24時間営業できるなら
人間がずっと稼働する必要はない
人が寝ている時間も
営業活動を進められる環境になる
そして人間は
営業戦略と改善に集中する
すでに売上1,500万円超え
これは単なるAIツールではなく
AIを営業戦力に変える仕組み
これからは営業マンの人数より
AIをどう活用するかで差がつく
24時間働けるAIと
戦略を考える人間
この組み合わせが営業の未来を変える
1
203





