DoorDashが「Ask DoorDash」AIチャットボットを投入—音声・画像で注文可能に

DoorDashは6月11日、アプリ内AIチャットボット「Ask DoorDash」を発表した。ユーザーは検索バーの「Ask」ボタンからチャットボットを起動し、音声、テキスト、画像のいずれかでリクエストを入力すると、レストランや食料品の注文を自動で構築できる。

例えば「辛いものが食べたい」と入力すれば該当するメニューを提案し、冷蔵庫の写真を撮れば足りない食材をカートに追加する。テキスト回答には直接カート追加ボタンが付いており、検索から購入までの摩擦を大幅に減らす設計だ。

TechCrunchの報道によると、同社はこの技術を企業向けの新たな収益源としても活用する構えを見せている。食品デリバリーにおけるAIの実用化事例として、消費者向けプロダクトへの影響が注目される。

なぜ重要か：これまでAIチャットボットの商用展開はカスタマーサポート中心だったが、実際の購買行動に直接組み込まれた事例として規模が大きい。音声・画像入力に対応する点も、マルチモーダルAIの消費者向け実装の先駆けと言える。

労働者が週6時間以上をAIの「ボットシッティング」に費やす—Business Insider調査

Business Insiderの6月11日の報道がHacker Newsで108ポイントを獲得し、大きな反響を呼んでいる。調査によると、職場でAIツールを導入された労働者の多くが、週に6時間以上をAIの出力確認や修正、いわゆる「ボットシッティング（botsitting）」に費やしている。

AIは生産性を向上させるはずの技術だが、実際には人間の隠れた労働コストを増加させているという指摘だ。AIが生成した内容の正確性を担保するための確認作業が、かえって労働者の負担とフラストレーションを生んでいる。

この話題はFinancial Timesが報じた「AI and the Productivity Paradox」の議論とも重なる。AI投資が急増する一方で、実際の生産性向上のデータは期待ほど明確ではないという根本的な問いが、現場の実感として裏付けられた形だ。

なぜ重要か：AI導入のROI議論において、人間の監督コストは見落とされがちな要因だ。「ボットシッティング」という概念が広く認知されることで、AI導入の意思決定において人間側の労働コストも含めた総合的な評価が求められるようになるだろう。

NTTが米国データセンターに10億ドル調達へ、Crusoeはワイオミング計画で挫折

AIインフラ投資の動きが続いている。Bloombergの報道によると、NTTグローバルデータセンターは米国でのデータセンター開発に向け、シティグループの協力で少なくとも10億ドルの資金調達を進めている。需要に応じて規模を拡大する可能性もあり、クレジットファシリティの設定も検討しているという。

一方で、データセンター開発会社のCrusoeは、ワイオミング州で計画していた大規模AIキャンパス（デンバー市規模の電力を消費する予定だった）から撤退することになった。公式には「一時停止」と発表されたが、実際にはGoogleを含む顧客の確保に失敗し、コストとスケジュールへの懸念から契約交渉が頓挫したと報じられている。

AIデータセンターへの巨額投資が続く一方で、顧客確保や採算性の課題も顕在化し始めていることを示唆する動きだ。

なぜ重要か：AIインフラへの投資ラッシュは続くが、個別プロジェクトの採算性や顧客獲得には不確実性がある。NTTの進出は日本企業のAIインフラ市場参入を示す一方、Crusoeの挫折は規模の大きさが必ずしも成功を意味しないことを浮き彫りにした。

DiffusionGemmaの実環境テスト、ベンチマーク demoとの乖離が指摘される

先日Google DeepMindが発表したDiffusionGemma（拡散ベースの高速テキスト生成モデル）について、RedditのLocalLLaMAコミュニティで実際のワークロードテスト結果が報告され、ベンチマークデモとは異なる挙動が観察された。

テストを行ったユーザーによると、H100とA100のスケーリング挙動が通常のTransformer推論と大きく異なり、特に同時リクエスト数が増加するとGPU間の差が予想以上に広がったという。短い出力で整ったワークロードでは驚異的な速度を示す一方、長文出力や不均一なリクエスト長、ストリーミング、複数ユーザー混在などの「現実的な」環境では効率が急激に低下するケースが確認された。

GPU利用率のパターンも従来のトークン単位デコードとは全く異なり、クラシックなボトルネック構造ではない新たな特性が見られたとしている。

なぜ重要か：ベンチマーク環境と実運用環境の乖離は、新しいアーキテクチャの採用判断において常に課題となる。DiffusionGemmaのような革新的な手法が実環境でどこまで優位性を発揮するか、コミュニティによる検証が進む中で重要なデータポイントとなっている。

LovableのAIが生成したサイト、アクセシビリティは「100%」ではなかった

AIコーディングツールのLovableが「100%アクセシブルなサイトを構築した」と主張した一件について、アクセシビリティ専門のAxess Labが検証を行い、実際には複数の問題が残っていたことを報告した。

AIが生成するコードの品質、特にアクセシビリティのような専門的で規格ベースの要件については、依然として人間による専門的レビューが不可欠であるという教訓を示している。

なぜ重要か：AIによるコード生成が普及する中、品質保証の領域—特に法律や規格に関わる要件—におけるAIの限界が改めて浮き彫りになった。「AIが作った」こと自体が品質の担保にならないという認識が、開発者コミュニティに広がりつつある。