#業務ツール Zenn AI 2026年8月30日

立場が違っても、同じ目線で案件を進める — Claude Code を中心に開発運用を共通化した記録

同じ案件を進めていても、開発者・PM・レビュアーで見えているものが違います。案件の状態は Linear と GitHub と Slack に分散し、どれも「人が読んで解釈する」前提の記録なので、正確な状況を知れるのは「聞ける相手を持っている人」だけでした。この非対称を、6サービス・約60リポジトリを実質1〜2人で回す現場で、Claude Code を中心に置いて埋めた記録です。ルール・コマンド・スキル合計47ファイル・約9,800行のうち、コードの書き方に関する記述は6行。残りは全部、状態を機械的に確定させるための定義でした。状態のスキーマ設計、ルールを clone と pull で全員に配る仕組み、MCP でのツール横断、簡易的な…

出典: Zenn AI（配信元の紹介文より引用）

このニュースの全文は、配信元でお読みいただけます。 Zenn AIで元記事を読む →

この話題に関連する、TOEの実践・観測記録

ニュースの背景を、当社が実際にAIを動かした一次記録から補足します。

AI解体新書

AIエージェントは「モデル選び」で決まらない？ ─ 同じClaudeでもWeb版とClaude Codeで精度が違う理由「ハーネス」を中小企業向けに読み解く

同じモデルなのにWeb版ClaudeとClaude Codeで実用精度が変わる。その差を決めるのが「ハーネス」という道具立てです。中小企業がAIツールを選ぶとき、スペックシートより先に見るべき運用構造は何か。素材と当社の実測を突き合わせて整理します。

続きを読む →

編集部の実践記録から

当社が自社の業務でAIを動かし、処理件数・所要時間・失敗件数まで 実際に測った記録です。

AI解体新書

AIの公平性を上げると、プライバシーは守られるのか — 全体平均では見えない差

採用や与信でAIを使うとき、公平性への配慮は避けられません。2026年7月公開の研究は、公平性を高める処理がプライバシー上のリスクに与える影響を部分集団ごとに調べ、全体の平均では見えない偏りがあることを示しました。

続きを読む →

AI解体新書

社内データにAIを「たどらせる」方式は、追加学習なしでどこまで当たるのか（Macro F1 66.29%／最難関40.83%）

知識グラフを段階的にたどらせてSPARQLを生成する手法MARSが、ファインチューニングなしで既存手法を上回った。ただし最高でもMacro F1は66.29%、最難関ベンチマークでは40.83%。社内DBへの自然文質問AIを検討する中小企業が、精度の天井をどう見積もり、どこに人を残すべきかを一次資料の数字から読む。

続きを読む →