スタンダードチャータード銀行、AI導入で約7800人を削減へ

英スタンダードチャータード銀行は、AI導入の拡大に伴い、バックオフィス職の15%以上（約7,800人）を2030年までに削減すると発表した。インド、中国、マレーシア、ポーランドなどに主要なバックオフィス拠点を持つ同行は、「自動化、高度分析、AIの実用的な活用を拡大し、プロセスを合理化する」と声明で述べている。一部の従業員は他の部署への異動を予定しているという。

この動きは、金融業界に限らずテック企業全体に広がっている。Metaが来月8,000人規模の削減を発表し、Amazonは1月に30,000人以上、Oracleも10,000人以上のレイオフを実施した。AIへの巨額投資と人員削減が同時に進む構図が鮮明になりつつある。

一方で「AIツール支出を削減する企業」も急増

興味深い対比として、Hacker Newsでは「会社がAIツールの支出を急速に削減している。チームはどう備えるべきか」という相談が注目を集めた。投稿者は、Claude Codeのアクセスが事実上撤回され、個人プランの使用も禁止されたと明かしている。理由は月額のClaude利用料が組織のSaaSクラウド支出の3倍に達したためで、Codexへの移行を進めているという。

AIが雇用を代替する一方で、AIツールのコストが持続不可能な水準に達し、企業が逆にAI投資を引き締めるという二面性が同時に起きている。

AgentWall：AIエージェント向けランタイム安全レイヤーが登場

自律型AIエージェントの安全性に対する懸念が高まる中、arXivで「AgentWall」というランタイム安全・監視レイヤーの論文が発表された。AgentWallは、エージェントが実行しようとするすべてのアクションをホスト環境に届く前に傍受し、宣言型ポリシーに対して評価し、機密操作には人間の承認を要求する。実行軌跡の完全な監査証跡も記録する。

Claude Desktop、Cursor、Windsurf、Claude Code、OpenClawに対応するMCPプロキシとして実装され、単一コマンドでインストール可能。14のベンチマークテストで92.9%のポリシー適用精度を達成し、サブミリ秒のオーバーヘッドで動作するという。

AIエージェントがシェルコマンドの実行やファイル操作、API呼び出しを行うようになる中、モデルレベルのアライメントだけでは不十分で、実行時の安全レイヤーが必要だという問題意識に基づいている。

メモリ付与LLMエージェントの「記憶汚染」問題

同じくエージェント安全性に関連して、「記憶汚染（memory laundering）」と呼ばれる攻撃手法が分析された。LLMエージェントが持つ永続的なメモリ機能において、有害または敵対的なコンテキストがメモリ要約に圧縮されると、標準的な毒性検出器を回避しながら、敵対的なフレーミングを保持し続けるという問題だ。

研究者らは「サブ閾値伝播ギャップ（SPG）」という指標を導入し、監視システムが「安全」と判定したメモリ状態が、実際には下流の振る舞いに隠れた影響を与えていることを定量的に示した。重要なのは、毒性のある状態を要約前に浄化すれば隠れた伝播を大幅に削減できるが、要約後に浄化しても「洗浄された」影響が残る可能性がある点だ。エージェントのメモリ設計において、介入のタイミングが極めて重要であることを示唆している。

みずほFGが「エージェントファクトリー」構築、開発期間を最短数日に短縮

国内ニュースとして、みずほフィナンシャルグループがAIエージェントを短期間で開発・量産する仕組み「エージェントファクトリー」を構築したとITmediaが報じた。従来2週間かかっていた複雑なAIエージェントの開発期間を最大70%短縮し、最短数日での開発を可能にするという。

日本の大手金融グループがエージェントの量産体制に本格投資する動きは、エージェント技術が実用段階に入りつつあることの表れと言える。

RTPurbo：100ステップでフル注意をスパース注意に変換

長文脈推論の計算コストを劇的に削減する手法「RTPurbo」が発表された。フルアテンションのLLMは既に本質的にスパース（疎）であり、わずか数百ステップの学習で高スパースモデルに変換できることを示した。

アプローチは3つの観察に基づく。（1）長文脈処理を本当に必要とするのは一部の注意ヘッドのみ、（2）長距離検索は低次元部分空間で制御されるため16次元のインデクサで効率的に取得可能、（3）有用なトークン予算はクエリに強く依存するため、固定top-kではなく動的top-p選択が適している。

RTPurboは、検索ヘッドのみフルKVキャッシュを保持し、軽量なトークンインデクサでスパースアテンションを導入。1Mコンテキストで最大9.36倍のプレフィル高速化、約2.01倍のデコード高速化を実現し、精度はほぼ損なわれないという。

ZEDA：学習済みMoEモデルの専門家を半分スキップ

Hugging Faceで注目を集めている論文「ZEDA（Zero-Expert Self-Distillation Adaptation）」は、事後学習済みの静的Mixture-of-Experts（MoE）モデルを、効率的な動的MoEに低コストで変換するフレームワークだ。

各MoEレイヤーにパラメータなしのゼロ出力エキスパートを注入し、元のMoEを凍結した教師として2段階の自己蒸留を行う。Qwen3-30B-A3BとGLM-4.7-Flashでの評価では、専門家のFLOPsを50%以上削減しながら精度低下はわずか。従来の動的MoE手法を最大6.1ポイント上回り、エンドツーエンドで約1.20倍の推論高速化を達成した。

学習済みモデルを再学習なしで効率化できるアプローチとして、実用的な価値が高い。