AIコーディング

主要ニュース

1. 1

   Anthropic、中国企業のClaude利用制限 規約違反の懸念

   Anthropic は Ant Financial と ByteDance が利用規約に違反する形で Claude Code へのアクセス方法を構築していたことに対応し、中国のエンジニアに対する利用制限を開始しました。 AI企業と中国関連企業の間の技術アクセスをめぐる緊張が深刻化していることを示しており、商用AI製品の国際的な利用管理が難しくなる可能性があります。

   違反企業が利用規約を形式的に遵守する方法を工夫していたことが明らかになり、ルール遵守の実効性が問われています。

2. 2

   Microsoft、自社AIモデルでOpenAI・Anthropic置き換え

   MicrosoftはExcelやOutlookなど複数のCopilot製品でOpenAIとAnthropicのモデルを、自社開発の「MAI」モデルに置き換えている。ExcelとOutlookではすでに毎週数万件のリクエストをMAIモデルが処理している。また新たに7つのAIモデルを公開し、初の推論モデル「MAI-Thinking 1」は人間評価ではSonnet 4.6とOpus 4.6と同等と主張している一方、公開されたベンチマークではDeepseek V3.2と同等程度だった。 Microsoftは第三者モデルの利用料削減を目指しており、同社AIトップのMustafa Suleymは『Anthropicに大きな費用を払っているため、その費用を削減・排除することが目標』と6月に述べている。ユーザーは同じ価格で性能が劣る可能性がある。また使用量ベースの課金への転換をほのめかしており、安いMAIモデルをデフォルトに、OpenAIやAnthropicのモデルを有料アドオンにする仕組みも検討されている可能性がある。

   Microsoftはこのモデルがクリーンで商用ライセンス取得済みのデータで学習されていると主張しているが、技術論文では自由にアクセス可能なCommon Crawlデータセットを使用していることが明かされている。他のAI企業も同様だが、Microsoftは自社のデータを特に安全だと位置づけている。

3. 3

   Visual Studio Code、GitHub Copilotの消費トークン数をリアルタイム表示

   マイクロソフトがVisual Studio Codeに新機能を追加し、GitHub Copilotで消費した生成AIのトークン数をリアルタイムで表示できるようにしました。6月17日リリースのVisual Studio Code 1.125から提供されています。 GitHub Copilotは今年6月から、チャットやAIエージェント利用時に消費トークン数に応じた従量課金制に移行したため、利用者が知らないうちに使用料が予算を超過するリスクが生じていました。トークン表示機能により、こうした課題に対応できるようになります。

   トークン消費量をリアルタイムに表示するほか、あらかじめ設定した閾値に近づいたとき、上限に到達したときなどにアラートが表示される仕組みになっています。

4. 4

   Anthropic、Claude Coworkをモバイル・Web展開 大多数が非エンジニア

   Anthropicが火曜日、Claude CoworkをモバイルとWeb上で提供開始しました。当初はMaxサブスクライバーを対象とするベータ版で、その後他のプランにも拡大予定です。 従来はデスクトップ限定だったCoworkが、複数デバイス対応プラットフォームになったことで、ノートパソコンで始めた作業がバックグラウンドで自動続行され、スマートフォンから確認・修正できるようになります。Anthropicが1.2万人超のユーザーデータから発表した利用実績では、圧倒的多数がプログラミングに携わらない知識労働者であり、エンジニア向けツールから一般的なビジネスユーザーへの展開は、ユーザー基盤の大幅拡大を狙ったものとみられます。

   ベータ版はMaxサブスクライバーから提供開始となります。

5. 5

   AIコーディングアシスタントがひっそりとあなたの秘密を送信している

   AIコーディングアシスタントがひっそりとあなたの秘密を送信している

6. 6

   Anthropic、Claude Fable 5で「知らないことを知る」重要性を指南

   Anthropicが7月6日、AIモデル「Claude Fable 5」の活用ガイドを公式ブログで公開しました。同社エンジニアのタリク・シヒパー氏が、AIコーディングツール「Claude Code」でモデルを効果的に使うための具体的なテクニックを紹介しています。 ユーザーがコードベースの背景や制約をAIに完全に説明することは困難なため、計画・実装段階で「自分が認識できていない未知の要素」を減らすことが、成果物の品質と効率性を左右するとみられます。事前に盲点を洗い出すことで、後から修正するコストを防ぐ可能性があります。

   シヒパー氏は、4種類の未知の要素（既知の既知、既知の未知、未知の既知、未知の未知）を整理するフレームワークを提示しており、タスク計画段階ではAIに盲点を質問すること、実装開始後は例外的な決定を記録し、変更内容をクイズにして理解を深めることを推奨しています。