現場から書く、AI 時代の業務設計
Lovable をはじめとする AI駆動開発と、業務の Web 化・AI 活用の現場で見えたことを記録する Nihonbashi AI Lab の編集記事です。
注目GPT-6 Astraに文章づくりを手伝ってもらい、図解の力に驚いた
文章づくりのなかで印象に残った、GPT-6 Astraの図解する力。問い合わせ対応を題材にした三つの図で、比較・担当と手順・情報の流れをどう伝えられるか、仕事の資料に使うときの確認点とともに紹介します。
記事を読む
AIが言う「1週間」は、手でやった場合の1週間
AI が出す所要時間は、なぜあれほど大きいのか。よくある笑い話に見えて、多くの人が現象を取り違えている。あの数字は壊れていない。答えている質問が違うだけだ。
OCR のコスパ最良は、一番賢いモデルではなかった
OCR に使う複数の LLM を、モデルと思考量を変えて比べた。コストと精度のバランスが最も良かったのは、最高精度のモデルではなく、軽量な Gemini 3.5 Flash-Lite を中程度の思考量で使う設定だった。書籍1冊・特定条件での検証として、何を測り、何が分かったかを記録する。
AIでアプリは作れた 公開と運用の言葉をレストランで地図にする
Claude Code や Codex で、Webアプリは動くところまで作れるようになりました。けれど「デプロイして」「環境変数を設定して」と言われた瞬間に手が止まる。サーバ、データベース、ホスティング、デプロイ。バラバラに見える言葉を、一軒のレストランに置き換えて最後まで通します。読み終えたとき、公開して動かし続けるための一枚の地図が手元に残ります。
AIに知識を入れても「育たない」理由
AIに自社の知識を持たせたい会社は多い。だが、すでに Obsidian に AI で書かせ、RAG で検索させている先行者たちからは「入れても育たない」という声が上がる。先を行く人ほど、この壁に早くぶつかる。分かれ目は「ためる」と「まとめ直す」の違いだ。これから AI に知識を持たせるなら、先に知っておきたい落とし穴を解説する。
AI 同士がレビューし合う ― 人が貼り付けていた品質チェックを自律で回す
AI駆動開発で速く作れるようになった。だが「速く作る」と「品質を担保する」は別の問題です。以前は人が ChatGPT にレビューを貼り付けていました。いまは Codex CLI で、AI が別の AI に自律的にレビューを任せ、計画から実装まで人の手を介さず回せます。文字列検索や型チェックでは表に出ない設計の穴を、実装の前に先回りで止められました。2026 年 7 月時点の一次体験に基づく記録です。
ASI の予言合戦に乗らない経営 ― 能力は買える、土台は買えない
超知能（ASI）という言葉が、この1年で業界の合言葉になった。巨大ラボは組織名を掛け替え、兆ドル規模の資金と人材が動いている。だが「いつ来るか」は楽観派も懐疑派も外し続けてきた。予言に賭けるより、どの発言も資金・人材競争と不可分だと見抜き、能力が上がっても効く土台を今つくる方が、経営判断としては割が合う。ニュースを、経営の一手に翻訳する。
AI 時代の多言語化は、翻訳することではない
機械翻訳の精度は上がった。それでもネイティブが読むと、どこか不自然な英語になる。原因は精度ではなく発想にあります。Nihonbashi AI Lab が自社サイトの英語化で採った、翻訳ではなく書き下ろす（transcreation）という方法と、その運用設計を記録します。
AGI はゴールではない ― DeepMind が描く「超知能（ASI）」への道筋
Google DeepMind の報告書「From AGI to ASI」は、人間並みの汎用 AI（AGI）の先にある超知能（ASI）への道筋を、4つの経路・それを阻む摩擦・人類規模の備えとして描く。経営者が読み取るべき本筋を整理する。
Lovable と Claude の公式統合で、AI駆動開発の境界は何が変わるか
Anthropic が Lovable のネイティブ統合を発表しました。一日かけて実機検証した結果と、Nihonbashi AI Lab が運用の中で見えた含意を整理します。
AI 時代の業務改善は、「パワポを速く作る」ことではない
McKinsey が始めた、静的資料から動的 Web ハブへの移行。報道で見えてきた本質と、Lovable で自社に持ち込む現実的な手段。