2026年上半期第2四半期のAIトレンドまとめ：Agentが試行錯誤しながら世界へ踏み出す

著者：博陽、腾讯科技

昨年末、多くの人はまだAIをチャットツールとして扱い、質問に答えさせたり、文章を作らせたり、資料を要約させたりしていました。一問一答で終われば、AIの役目もそれで終わりです。

2026年の第2四半期になると、状況が変わりました。OpenClaw、Codex、Claude CoworkがAIを会話画面の中から引き出したからです。

Agentは自分でファイルを読み、コードを実行し、表を作り、ソフトを操作できるようになり、さらには企業の社内システムにも接続できるようになりました。あなたが目標を与えると、それがタスクを自分で分解し、ツールを呼び出し、やり終えてから報告します。

3月に誕生したOpenClawは、大衆のAgentに対する認識の転換を象徴しています。以前はAgentに言及すると、人々は最初から「コードを書くための補助」と決めつけていました。けれども、龍虾があることで、あらゆる分野の仕事を引き受け始めたのです。

過去3か月に私たちが見てきたのは、この「初心者」が実際の仕事の流れに入っていく経験です。

それは新しいソフトの入口となり、金融、法律、デザインなどの専門領域の現場に入り込みました。企業はその可能性を見て、大規模にTokenmaxxingの取り組みを始めましたが、2か月でお金を燃やし尽くし、上限のないこのAI大ジャンプはあっけなく止まりました。AIの効率化の部分が、審査や判断といったボトルネックで再び詰まっていたからです。そして皆がそれらの環境を振り返って補ったところで、今度は実行速度とコストの問題が露わになりました。

この第2四半期のレポートがまとめる8つのトレンドは、まさにこれらの現実のぶつかり合いから生まれています。

2026年の第2四半期からは、核心の問題が「Agentは本当に仕事ができるのか」から、「いかに効率的なHuman in Loop体制を構築し、Agentのコストを効果的に下げるか」へと移りました。

汎用Agentが海に出て、AI OSの姿になる

Codex、Claude Code（Cowork）、Workbuddy。それらがこの時期に行った転換は、「汎用Agent」への転換です。

なぜ「汎用」なのか？　OpenAI自身のレポートでは、たった4〜5月の2か月間だけでも、Codexを使うユーザーの中に、プログラミングをしない人が20%増えており、その伸び率はプログラミングをするユーザーの3倍だったと示されています。Codexは元々プログラミングのために作られたものでしたが、今はあらゆるもののためのものになっています。

プログラミングが分からなくてもAgentが必要です。プログラムが必要な繰り返し可能な手順があるなら、この世界のあらゆることがAgentを必要とします。

そしてHarness（実行フレームワーク）とSkill（スキルモジュール）があれば、Codexは本当に複雑な手順を行えるようになります。全部はできないものの、できることはかなり増えました。

これらが汎用のものであるなら、過去1年の「AI時代の入口は何か」という議論も、ひとまず終わりにできるでしょう。

何でもこなせるものは、自然にあらゆる入口になります。

2025年前後、業界は「AIブラウザ」に賭けていました。なぜなら過去20年、ブラウザはインターネットにアクセスする主流の入口で、何をするにもページを開く必要があったからです。アプリが登場してからブラウザの役割は下がりましたが、それでも依然としてトップの地位です。

AIが入口になろうとするなら、その入口を制御する必要があり、ページに沿ってボタンを押し、フォームに入力することも同様に必要になります。

GoogleはProject Marinerを作り、OpenAIはOperatorを作り、PerplexityはCometを出し、のちにはなんと345億ドルでChromeを買収する提案までしました。ブラウザは人間のインターネット生活を受け止めてきたのだから、Agentも受け止めるべきだ――当時、多くの人がそう考えていました。

しかし一年後の今日。Googleは2026年5月にMarinerを閉鎖し、その関連能力をGemini Agentに統合しました。Operatorも、より大きなChatGPT Agentの中に入っています。

一方でCodex、Claude Code、Coworkは、ファイル、ターミナル、コードリポジトリ、データコネクタ、そしてローカルアプリに直接接続し、利用が急速に伸びています。

その背景にあるのが、Q1で熱く争われた「GUIはまだ必要なのか」という問題です。グラフィカル・ユーザー・インターフェース（GUI）は人間のためのもので、色やボタンはシステムを理解する助けになりますが、Agentには必要ありません。

AgentにWebページが読み込まれるのを待たせ、ボタンを認識させてマウスを疑似操作させるのは、まったく遠回りです。コマンドライン（CLI）と構造化データのほうが、Agentにとってはずっと直接的です。

この考え方に沿って、GUIは引き続き存在しますが、人間がフロントエンドで確認し、選択する必要があります。人が関わるループの中では、CUI（文字ベースのUI）でもまだ必要で、むしろより効率的です。

そのためブラウザも消えません。ただし「総合入口」から、Agentツールボックス内の一つのツールへと格下げされます。データは基盤で処理され、ページは結果を人間に見せるだけの役割になり、人が修正しやすくなります。

入口が定着すると、大規模言語モデル企業は垂直業界に殺到し始めます。

Anthropicは4月にClaude Designを発表し、Agentがブランドのガイドラインやコードベースを読み取り、デザイン案、プロトタイプ、プレゼン資料、マーケティング資料を作成できるようにしました。続いて、職種ごとに分けた金融Agentも出し、バリュエーション審査、総勘定元帳の突合、月次締め、KYCをカバーし、さらに同様の方法を法務領域にも移しました。OpenAIはこの道をそのまま歩んだわけではありません。金融、ヘルスケア、研究、安全の能力をモデルと第一者製品の中に一方で取り込みつつ、Apps、MCP、AgentKit、そしてFrontierで企業の既存システムにつなげています。

形式は異なり、深さも違いますが、背後にあるロジックはすべて、汎用Agentという大枠に依拠している点で同じです。

モデル企業が業界に入るとき、過去は少しデータを微調整し、業界に合わせた新しいプロセス開発を行い、新しいインターフェースを接続し、という具合に「会社ごとに一様ではない」対応が必要でした。

しかし今は、基盤が同じAgentで引き続き使えます。金融をやりたいなら、MCPで汎用の金融データベースに接続し、バリュエーション手法やコンプライアンス手順というskillを追加すればよく、相応の担当者はそれを使えます。必要なものを少し足すだけで済みます。法律をやりたいなら、これらを契約条項や法的リサーチのようなものに置き換えるだけです。

汎用Agentから業界Agentへの転換で必要なのは、変えるのは業界の知識、データ、業務ルールだけで、実行環境はまったく流用できます。

その結果、垂直ソフトの堀（参入障壁）も変わります。MCPとHarnessがあれば、データベースをいくつか買い、専門家を数人探してガイドラインや導線を作るだけで、「最低限使える」垂直モデルが作れてしまいます。大規模言語モデル企業にとっても難しくありません。

残りは、企業自身のデータ、権限、そして受け入れ（検収）記録のほうが、複製されにくいことです。

たとえば法律の修正が最終的に相手に受け入れられたのか、バリュエーション仮説が後で投資委員会に覆されたのか、といったユーザーデータが、次回のAgentのやり方を逆に教えてくれます。

より早く、より多くのフィードバックを残して活用できる企業に先行優位が生まれます。

「大規模言語モデル市場」がまだ固定領域まで押し固められていない限り、先発のデータ蓄積による優位は残ります。

だからこそ、垂直能力は初めてバッチ（大量）で組み立てられるようになりました。

そしてAgentが請け負う仕事はますます増え、それによって作られる成果物は、人間側の組織が必ずしも受け止められるとは限りません。

Tokenmaxxing、Agentが海に下りたあとでぶつかった最初の壁

Tokenmaxxingは、5月におそらく最も勢いのある言葉でした。大企業はAgentがこれほど使えるのを見て、社員により多くのToken、より多くのツール、より長い実行時間を与えれば、理論上、成果が大幅に倍増するはずだと考えました。さらに、彼らがどうすれば使えるかを社員自身が学ぶ必要がない。社員にはAI時代への適応を速めさせ、効率面で置いていかれないようにする――そういう理屈です。

FOMOと、Agent能力に対する誇張された認識のもとで、Tokenを燃やすことは一時期、AI時代の努力の証明になりました。

黄仁勲は公開の場で、「年収50万ドルのエンジニアが、1年で25万ドル分のTokenを燃やせていないなら、上司はその人がAIを十分に使えているか心配すべきだ」と述べたのです。

短い3か月で、この燃え上がりは薪が尽きました。

Amazonの社内ランキングが、多数の順位取りのための無効タスクを大量に生み、その結果、最後には閉鎖されました。UberのClaude Codeも、年間予算が4月までにほぼ使い切りに近づいた一方で、経営陣はToken消費と有効機能の増加の間に安定した相関があることを見いだせていませんでした。

燃やせない理由は、まず「高い」ことです。単なる質疑応答ならモデルを一度呼び出すだけで済む場合がありますが、Agentが長いタスクをやり切るには、目標、過去の状態、ツールの結果、エラー情報を反復して読み込む必要があります。

複雑なタスクでは、Token消費が一般的な質疑応答の数十倍、あるいは数千倍に達することがあります。

ハルビン工業大学は5月末に「有効フィードバック計算資源力」を提案し、使い切った計算資源のうち次のステップに本当に影響する情報がどれだけあるかを計算するようにしました。複雑なタスクでは、この比率は約10%程度まで低下します。残りの90%のTokenの多くは、読み直し、試行錯誤、無効な往復に消えていきます。

お金が一番の問題ではありません。たとえAgentがTokenをすべて正しく燃やし切ったとしても、あなたの作ったものが最終的に納品まで到達するとは限りません。

コードを書き終えても、審査、テスト、統合、リリースが必要です。分析レポートが生成されても、出典を突合し、結論の妥当性を判断する必要があります。デザイン案は、ブランド、ビジネス、顧客の関門を通らないといけません。自動化のフローに一度でもミスが起きれば、人が説明し、ロールバックし、責任を負う必要もあります。

MITの研究では、10万人以上のGitHub開発者を対象にした調査で、自律的なプログラミングAgentがコード提出量を120%増やすことが分かりました。しかし、そのコードは立案フェーズの時点で50%まで縮み、実際にリリースして本番投入できたバージョンは30%しか残りませんでした。

まるであるレストランが突然、刻む速度を3倍にしたようなものです。けれども炒める、盛り付ける、提供する、そして顧客の需要は変わりません。裏方には刻んだ材料が山ほど積まれても、レストランの1日あたりに出せる席数は結局同じです。

経済学には「代理理論」という考えがあります。つまり、プロセスの効率は、自動化で置き換えられない部分によって決まる、というものです。AIは生成速度を引き上げますが、reviewの速度は遅い。Agentの効率化はシステム全体で首を絞められます。

繰り返し生成は、さらに別のTokenを燃やしてしまいます。Skill、モジュール、あるいはアプリケーションを作る速度が大幅に上がる一方で、有効な同期メカニズムが欠けるため、人々は「既存の成果が何か」を把握できず、結局戻って書き直してしまうのです。南洋理工は、市場にある2万以上のSkillを分析し、そのうち約4分の3が高度に類似しており、重複を除くと残るのは5000件程度しかないとしました。

Agentが提出したコード修正も、「すでに他人が解決している」ために拒否されることがよくあります。Token消費は上がったのに、残るのは重複だらけの車輪です。

需要も供給ほどには伸びません。AIはアプリやコンテンツ、コードの量を素早く増やせますが、ユーザーの時間や支払い意思がそれに連動して増えるわけではありません。アプリを書くのはますます簡単になりますが、継続して存在し、人が喜んでお金を払うようなニーズを見つけ続けるのは依然として難しい。アプリ市場の研究では、AIの後にアプリ数が急増した（40%）にもかかわらず、ダウンロード数はまったく変わらないことが示されています。

Tokenでは、本来存在しなかった市場は作れません。

華々しいTokenmaxxingは失敗しましたが、2つのボトルネックをはっきりさせました。1つは技術面で、Agentは無効な浪費が甚大で、速度もコストも押し下げられません。もう1つは組織面で、復核、判断、調整、責任を取る組織が構築されておらず、生産側の効率化が吸収されず、成功がうまく活用されてもいません。

次の四半期で最も注目される技術の変化は、まさにこれらの方向性を補うことです。

Agentで仕事を、Loopの中にいる人の「代わり」にする

Agentひとりでは遅いなら、たくさんで一緒にやればいい。ひとつのAgentが終わっても誰も検査しないなら、別のAgentを派遣すればいい。

複数のAgentに分業させ、相互に交差監査し、互いに抜けを補うことで、これまで人間に押し付けていた仕事の一部をシステムの中に移します。

これが、2026年のMulti-Agent（複数エージェント）ブームを生み出しました。

現時点で最も堅実なMulti Agentのモデルは「オーケストレーター（編成者）—エグゼキューター（実行者）」方式です。つまり、主Agentがタスクを細かく分解し、配下の多数の子Agentに並列で任せ、最後に回収して統合するのです。

たとえばClaude Researchは複数の研究Agentを派遣して別々に検索し、主研究員がまとめ、引用の確認はAgentが担当します。Kimi Agent Swarmはさらに先へ進み、数百の子Agentを並列に走らせ、動画、コード、検索タスクを同時に処理できます。

並列に向いている仕事（たとえば動画やコードを大量処理すること）なら、このやり方はとても有効です。待ち時間を大幅に短縮でき、並列の子タスクもより深く掘り下げられます。Kimiは、ある種のタスクの遅延が最大4.5倍まで減ると報告しています。Claude Researchも、広範な検索が必要な問題で明確な改善を得たことがあります。

ただしこの方式では、Multi Agentの向上が「協力そのもの」から来ているわけではないことがよくあります。追加の計算によって得ている場合が多いのです。Anthropicは、マルチエージェント研究システムが消費するTokenは、通常のAgentの4倍に達することを明らかにしています。部分的な評価でも、Token使用量が性能差の大部分を説明していました。

いまのMulti-Agentは、互いに連携しない外注チームをプロジェクトマネージャーが指揮するようなものに近い。仕事を同時に広げることはできるが、集団知（群知能）になってはいません。

さまざまな研究で示されるように、その中心の「親方（パックの頭）」を取り除き、Agent同士で勝手に相談させると、人間チームの悪い癖がすべて出てきます。多数派の意見に従う者もいれば、「誰かがやる」と思って手を抜く者もいます。

テストは、いくつかのAgentを寄せ集めると、精度がかえって「完全な情報を持つ単体Agent」に劣ることを示しています。

本質的には、モデルの学習プロセスには「協力」という課題が存在しなかったからです。独立して一人でやることに慣れたモデルを一つの部屋に閉じ込めても、組織協働能力が自然に生まれることはありません。

協力は別のゲームです。私の行動があなたの状況を変え、あなたの判断が私の選択を変える。

だからこそ、Multi Agentが次に補うべきは「制度（ルール）」です。タスクをどう分けるか、情報をどう共有するか、誤りの責任を誰が負うのか、報酬が仕事の連鎖に沿ってどう還流するのか、長期的な成績が悪いAgentは淘汰されるのか――これらを設計する必要があります。

もう一つ、より遠くまで進む道は「自己進化AI」、つまりRSIです。

Anthropicは6月のレポートでこの概念に触れました。彼らは、学習用に小型モデルを作るためのコードを、モデルが継続的に最適化するようにしました。その結果、能力の向上により、Claude 3からMythosまでの最適化レベルは、約3倍の加速から一気に50倍以上まで伸びたのです。

その核心の理念と、人間の実験も同じです。5ステップに分けて、問題を見つけ、方法を考え、環境とデータを組み立て、結果を検証し、有効な改変を残してから、再度回します。

Minimaxなどの企業は、これらの自動化プロセスをポストトレーニングに組み込み、完全な自動化ができるようにしています。

目的と採点基準さえ十分に明確なら、たとえば「このコードの実行速度を50倍最適化する」など、Agentは自分で問題を探し、コードを直し、テストを実行して、有用な変更を残し、ループを回せます。

こうした仕事は、人よりも得意で、速くて、しかも疲れません。

ただ、それでもAgentは「どこへ進むべきか」を分かっていません。「どの研究ルートが価値を持つか」「この指標は騙していないか」といった、非常に広い探索空間の中で判断が必要な、いわゆる「品味」に相当する領域では、Agentの出来は依然としてひどいものになっています。

Anthropicの実験では、このような複雑な方向性の意思決定プロセスで、人間がすでに間違うような場面においても、モデルが人間より良くできる確率は20%程度に留まったとされています。人間がすでにうまくできているなら、なおさらモデルの競争力はありません。

別の6月に爆発的に広まった概念として、Loop Engineeringは、このループを長期稼働できるエンジニアリングに落とし込みました。Agentは、人がボタンを押すまで待つのではなく、自分でタスクを見つけて実行し、検証し、フィードバックを記録し、次に何をするかを決めます。

これは技術の話でしたが、Agentにはもう一つ、経済の話も計算しなければなりません。

計算できない経済の話

これまで数年、AIの計算資源の主役はGPUでした。大規模言語モデルの学習には、巨大な行列計算を継続して行う必要があり、GPUがまさに得意とする仕事です。CPUはプログラムの起動やデータ準備を担当し、存在感は低くなっていました。

しかしAgentの動き方は違います。Agentは一発勝負ではなく、推論、ツール呼び出し、結果待ちの間で行ったり来たりします。時間の多くは、モデル計算そのもの以外に使われています。ブラウザを調整し、ファイルを扱い、タイムアウトに対処します。途中で詰まるだけで、高価なGPUは待つしかなくなります。

2025年末の論文『A CPU-Centric Perspective on Agentic AI』は、5種類のAgentを測定し、ツール処理がタスク全体の遅延の最大90.6%を占めること、そしてCPUの動的エネルギー消費がシステムの動的エネルギー消費の44%に達することを示しました。CPUとGPUのタスク割り当てを共同で調整したところ、一部の負荷の中央値遅延は2倍以上改善したものもありました。

そのため、CPUは計算資源システムの中心に再び戻ってきました。GPUは引き続き推論を担当し、CPUは並行環境を維持し、タスクキューを管理し、ツール呼び出しを行います。KVとメモリは、各Agentのサンドボックス、ログ、中間結果を保存します。ネットワークはチップやサーバー間でデータを送ります。どこか一つでも詰まれば、高価なGPUは待つしかありません。

資本市場も、この変化にすでに値付けを始めています。AMDは2026年の第1四半期にデータセンター事業の売上が約58億ドルで前年比57%増となり、サーバー用CPUの売上増は50%を超えました。会社は、2030年のサーバーCPU市場規模予測を倍の1200億ドルに引き上げ、その理由の一つとして、Agentがもたらすスケジューリング、データ移動、実行の需要を挙げています。

速度だけでなく、モデル価格も段階化し始めています。2026年の第2四半期、最安の主流モデルでは、百万入力Tokenがすでに数セントまで下がりました。一方で最も高価な最先端モデルは数十ドルに達します。

2年前の価格差は約30倍だったものが、今は約600倍まで広がっています。

安いモデルはますます多くのToken流量を奪い、高級モデルは重要タスクと主要収益を取り続けます。多くのステップで最強モデルは必要ありません。リポジトリの読み取り、分類、抽出、ログの整理のような作業なら安いモデルで十分です。複雑なリコンストラクション、安全な監査、法律判断、失敗後の重要な意思決定だけが高い値段を払う価値があります。

ただし現在のモデル価格の段階化は自動ではありません。ChatGPTには賢いルーティングが備わっており、タスクの難しさに応じてモデルを割り当てますが、効果は良くなく、みんなあまり使っていません。一方で6月にSakanaが出したFuguはうまくいきました。なぜならモデルで判断するのではなく、別のAgentを訓練してルーティングの仕事をさせたからです。タスクを最初に理解し、動的に作業用の足場（スキャフォールド）を組んでから、価格や能力の異なる複数のモデルを呼び出して、臨時のチームを作ります。最も高価なモデルは重要なステップだけを担当し、その他は安いモデルに任せます。

結果として、費用は半分でありながら、最上位モデルの効果を得られるのです。

この方式が最初にうまく回るのは、プログラミングです。なぜなら既成のフィードバックがあるからです。リポジトリ、コード差分、テスト、Lint、CI、ログが、ルーティングシステムに「前回の割り当てが有効だったか」を教えてくれます。

安いモデルはコードを読み、テストを生成します。中級モデルが通常の修正を行い、高級モデルがコアのリコンストラクションと安全面の再確認を担当し、最後はツールで検収します。

そして将来、CodexやClaude Codeのような製品でも、同様の自動分類が生まれてくるはずです。それらは、だんだんと「モデルチームを管理するエンジニア組織」のように見えてくるでしょう。予算を持って、異なるモデルに仕事を割り当て、最初から最後まで同じモデルに依存しないのです。

しかし問題はまだ終わりません。Agentが浸透するにつれて、仕事、安全、情報、そして人間の思考そのものが変えられていきますが、それが必ずしも良い方向とは限りません。

縮んでいく現実

Agentがもたらす負の影響は、以前は主に推論（シミュレーション）の中にとどまっていました。

しかし2026年の第2四半期になると、いくつかの変化は実際の職場や製品にまで落ちてきました。

最初に影響を受けるのは仕事です。

AIの雇用への衝撃は、必ずしもまず「マクロな失業率が突然上がる」形で現れるとは限りません。まず、職の入口、日々のタスク、そして企業の予算が変わります。カスタマーサポート、サポート業務、チケット対応、社内の問い合わせ対応、基本的なオペレーション、さらに一部のデータ分析、運用、プロジェクト管理の仕事は、すでにAgentに吸収され始めています。

また、一部の職種はAgentに直接置き換えられるわけではないものの、AIの請求書によって押し出されます。GPU、データセンター、そしてモデルチームには巨額の投資が必要で、企業は他の予算からお金を探すしかありません。別の従業員は、Agent、ワークフロー、さらに複雑な意思決定の管理に回されます。職種名が消えることはなくても、仕事の中身は変わっているのです。

特に初級職への影響が大きいです。資料を調べ、要約し、基礎的なコードを書き、顧客情報を整理する――こうした仕事はAgentに渡されやすく、同時に新人が業界を学ぶための訓練とも一致しています。人はこうした業務を通じて、業務内容、コードベース、顧客、そして組織の中にある判断基準を身につけます。

2026年5月の論文『Generative AI and the Reorganization of Labor Demand』は、求人広告を分析した結果、2023年以降、AIが入り込みやすい仕事の内容の割合が約1割減ったことを示しました。変化の約半分は企業がこうした職種を減らしたことによるもので、残りの4割は、企業が既存の職種を書き換え、そのタスクを「AIに引き取られにくい」部分へ置き換えたことによります。

企業は「より成熟した初級社員」を採用したいのに、同時に、成熟させるための初級タスクを取り上げてしまっています。

職業の入口はどんどん狭くなっていき、この変化は一度の大規模レイオフよりも長く続く可能性があります。

職種の後には、セキュリティ問題も、論文から製品リリースへと移ってきました。

AnthropicのMythosは非常に強いネットワークセキュリティ能力を示し、高重大度の脆弱性を発見し、検証できることが分かりました。そのため同社はそれを普通のモデルとして公開できませんでした。さらにガードレールを追加した後のFalbe 5では、研究者や開発者が「制限が重すぎる」と不満を述べています。

OpenAIの最先端モデルも、限定公開の方向に動き始めました。

公開しすぎれば、ネットワーク攻撃や生物リスクなどの危険能力のハードルが下がります。制限しすぎれば、通常の研究や製品の価値が損なわれます。「誰が最強モデルを使えるのか」「どの機関が『信頼できるパートナー』なのか」は、今や政府や地政学の影響も受けます。

モデル企業は、能力を強化するだけでなく、それを安全に出せることを証明する必要があります。

安全が、最先端のモデルの足を最初に止めます。

インターネットも新しい情報の循環を生み出しつつあります。

AIが生成するコンテンツがインターネット全体を無限に飲み込むわけではありませんが、AI検索における汚染は深まっています。Graphiteの分析によれば、2024年初頭から2026年初頭まで、AI生成コンテンツがインターネット上のコンテンツに占める割合は48%〜50%の範囲でずっと安定していました。しかしChatGPTの引用ソースでは、「AI生成だと判断された割合」が半年の間に38.9%から42.7%へ上昇しています。

モデルが過去に言ったことが、ぐるっと回って次の回答の証拠になっていくのです。

さらに、SEOやGEOがこの嗜好を活用できるようになると、検索システムは「機械が機械を引用する」エコーチェンバー（反響室）になりやすくなります。そのとき現場に行って取材し、編集して、署名して責任を持つような資料は、かえって希少になっていきます。

社会的な影響を除いても、Agentは個人の人間に「認知の降伏」を引き起こします。

ある問題が生まれてすぐ、私たちはまだ考え切っていないのに、手はすでにChatGPTへ伸びています。意見が固まる前に、AIはすでにアウトラインを出しているのです。

ためらい、試行錯誤、疑い、検証といった「判断を形成するプロセス」は、なめらかな答えによって折りたたまれてしまい、人は判断を作る過程を飛ばしてしまいます。

ウォートン・スクール（ペンシルベニア大学）が1372人の参加者に対して、約1万回の推論タスクを行わせたところ、AIの使用を許可すると、参加者は半数以上の問題で自発的にAIに助けを求めました。仮にAIが誤答を出しても、約8割の人がそれを信じる選択をしていました。

Anthropicの、プログラマーが学ぶことに関する研究でも、AIが補助すると未知のタスクは速く進められる一方、その後のクローズドブック（持ち込み不可）テストの平均成績が17%低くなることが分かりました。タスクは提出してしまうが、能力が残らないのです。

あなたが記事を提出し、あなたの名前の下にコードがぶら下がり、提案もあなたが報告する。責任はあなたのものですが、これらを生成するための思考過程はますますあなたが担う割合が減っていきます。

テイラー主義が労働者を生産ライン上の手に変えたように、AIは人間を「認知の生産ライン」の判子役に変えてしまうかもしれません。

だからこそ、将来のAIは、いくつかの段階では意図的に少し摩擦を残す必要があるでしょう。

高リスク操作の前に、人が説明して確認させる。結論を出す前に、人自身が判断を書かせ、反証となる証拠を提示させる。何でも代わりに全部やるのではなく。

そうすれば遅くなるかもしれませんが、思考と学習のための場所が残ります。

終わりに

2026年の第2四半期の8つのトレンドをつなげて見ると、一本の連続した物語になります。

汎用Agentがソフトの入口を奪い、最先端モデル企業はそれを足がかりに垂直業界へ入っていきました。Tokenmaxxingはすぐに壁にぶつかり、人間の復核速度とシステムコストという現実を露わにしたのです。

Multi-Agentや自己進化AIが、復核と反復（イテレーション）を担い始めます。CPU、メモリ、ネットワーク、そしてモデルのルーティングが、Agentをより速く、より安く走らせます。これらの問題に対処法ができたところで、雇用、安全、情報汚染、そして認知の降伏といった問題が、表面化してきます。

企業が次に積み上げるべきなのは、Token使用量だけではありません。毎回の実行には、再利用できるワークフロー、評価（エビデンス）、権限、組織の記憶、そして結果のフィードバックを残すべきです。

そうしないと、予算が尽きても、請求書以外には何も残らないでしょう。

そして個人は、AIの生成速度と競う必要はありません。

機械はすばやく答えを出せますが、人は「その問題はやる価値があるのか」「答えがもたらす結果は何か」を判断し、それに対して責任を負う必要があります。