BISがAIバスト時の経済波及リスクを警告

国際決済銀行（BIS）は、AIブームが崩壊した場合のリスクについて警告を発した。Bloombergが報じたところによると、BISはAI関連の過熱が如果し冷え込んだ場合、経済成長や信用市場に波及効果が及ぶとの見方を示している。AI投資の規模がすでに金融システム全体に影響を与えうる水準に達していることが背景にある。

BISは以前から暗号資産やフィンテックなどの新興リスクに対して警告を行ってきたが、AIについては「単なる技術バブルを超えた金融システム全体への伝染リスク」があるとの認識を示しているという。具体的には、AIインフラへの過剰投資が是正された場合、関連企業の信用リスクが銀行の貸出先ポートフォリオに影響を与えるシナリオが想定されている。

現時点では予測の域を出ないが、中央銀行間の政策協調フォーラムであるBISが公式にリスクを指摘したことは、金融当局のAIリスク認識が高まっているシグナルと言える。

DeepSeekが「DSpark」公開 — 並列推論で出力順序を保持

DeepSeekは6月27日、GitHubで「DSpark」を公開した。DSparkは、LLMの推論を並列化しつつ、出力の前後関係（順序）を壊さない技術である。

従来のLLM推論では、トークンを1個生成するたびにモデル全体を1回実行する必要があり、長い出力になるほどGPUの待ち時間が蓄積する。GPUの計算リソースは1回あたりほとんど使われないため、効率が非常に悪い。これを改善するため、複数のトークンやドラフト（下書き）を並列で生成するアプローチがあるが、従来手法では出力の順序関係が壊れるリスクがあった。

DSparkはこの問題に対処し、並列生成でも文脈の整合性を保つ仕組みを提供する。これにより、推論のスループットを大幅に向上させつつ、出力品質を維持できる。DeepSeekはすでに推論効率の向上で実績があり、DSparkはその取り組みの延長線上にある。

ローカルLLMコミュニティでも即座に反応が出ており、実運用での効果検証が進むと見られる。

楽天がAIエージェント運用でコストと遅延を30%削減 — Anthropicガイド参照

Anthropicは、先進的な企業がどのようにAIエージェントを活用して業務を変革しているかを紹介するガイド「Building AI agents for the enterprise」を公開した。ITmediaの報道によると、このガイドでは楽天の事例が取り上げられており、AIエージェントの適切な運用によりコストと遅延を30%低下させた実績が紹介されている。

ガイドで強調されているのは「単発の質問にAIを使うだけでは効果が出ない」という点。重要なのは、繰り返し発生するワークフローを特定し、エージェントに一貫して任せることで、時間経過とともに効果が積み上がる仕組みを作ることだという。楽天のケースでは、カスタマーサポートや内部業務プロセスにエージェントを組み込み、継続的な改善を行った結果としてコスト削減と応答速度の向上を同時に達成した。

Anthropicはこのガイドを通じて、「プロンプトの工夫だけでなく、エージェントの配置と運用設計がROIを決める」というメッセージを伝えている。

Gartnerが「AIエージェント投資スコア」の作り方を公開

Gartnerの著名アナリストである亦賀忠明氏は、業務におけるAIエージェントの投資優先順位をどう決めるべきかについて、Webセミナーで具体的なフレームワークを公開した。

「投資スコア」と呼ばれるこの手法では、業務・業種別にAIエージェントがもたらす価値と実現難易度を定量的に評価し、優先順位を決定する。Gartnerは、全社的に一律にAIを導入するのではなく、個別業務の特性に応じて投資を配分すべきだと主張している。

また、AIエージェントが今後どのように進化していくかについても言及されており、現在の「タスク実行型」から、より自律的な「目標達成型」への移行が進むとの見方が示された。企業にとっては、今のうちに投資判断の基準を持っておくことが重要というメッセージだ。

LLMエージェントの「記憶の陳腐化」問題を強化学習で訓練 — Supersede

arXivに公開された論文「Supersede」は、LLMエージェントが長期的な対話で直面する「記憶の陳腐化」問題を分析し、その解決策を提示している。

問題はシンプルだ。ユーザーが引っ越しをした、価格が変わった、計画が修正された――こうした事実の更新において、LLMエージェントは新しい情報を使い、古い情報を破棄する必要がある。しかし、実際にはこれができないケースが多い。

研究者らはLongMemEvalの知識更新サブセットで実験を行い、驚くべき結果を得た。gpt-5.4のような最先端モデルでも、エージェントが自己管理するメモリを使う場合、正答率が92%から77%に低下する。フルコンテキストを与えた場合は92%に飽和するため、ボトルネックは「理解力」ではなく「メモリの保守」にあることが分かる。

さらに興味深いのは、この問題がメモリ容量の問題ではないことだ。会話が24倍に長くなると正答率は68%から28%に低下し、メモリを比例的に増やしても改善しない（28%のまま）。問題は圧縮率ではなく、会話の長さそのものにスケールする。

研究者らは「Supersede」というオープンな強化学習環境をリリースし、エージェントに「現在の値で答えること」を報酬で、「古い値で答えること」を罰で学習させるアプローチをとった。GRPOファインチューニングでギャップを縮められることを実証しており、スケールの問題ではなく訓練の問題であることを示している。