人間のコードレビューを諦めて、AI に 8 体がかりでレビューさせる /ship-it スキルの話
発端：人間のコードレビューの限界 もう自分でコードを書くことがほぼなくなった今日この頃。コードを実際に書いてるのは Claude Code をメインとした AI エージェントたちで、自分は最初にやること決めたり出来上がってきたやつの動作確認してヨシ！ってやるだけ。 で、最低限コードレビューだけはちゃんとやるべしと最初は思ってたんだけど、生成 AI のコーディング能力は自分のそれと比べるとだいぶんハイレベルなわけで 自分のスキルや理解度を超えたコードを生成されたとき、そのレビューに意味はあるのか？ ってー感じになるわけですな。しかも量が多い。コードがバンバン生成されるということはその速...
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
AIエージェントはどこで失敗するのか？8,000超のAPI・62ドメインで測ったVAKRAが示す設計の上限
IBM Researchが公開したエージェント評価基盤VAKRAは、8,000以上のAPIと62ドメインを模した環境で、推論チェーン3〜7ステップを要しうる課題を解かせるものです。ツール候補の多さ、手順の長さ、社内ルールの遵守という3条件で失敗が増える構造を、中小企業の設計判断に引き直して読み解きます。
続きを読む →
チャットボット以外の業務AIでも「人の好み学習」は効くのか？OCRで出力崩れが平均59.4%減という実測
DPO（直接選好最適化）はチャット向けの手法という理解が一般的ですが、OCRという機械判定可能な業務で検証した結果、文字化けや無限ループといった出力崩れの発生率が平均59.4%、最良ケースで87.6%減ったという数字が出ています。ただし発信元は当該OCR製品の提供者であり、効果には3つの条件がつきます。
続きを読む →
画面を操作するAIは、社内PCで動かせる段階に来たのか（AndroidWorld 79.3%が示す現在地）
H companyが公開したHolo3.1は、PC画面を見て操作するエージェントを0.8B〜35B-A3Bの複数サイズで提供し、モバイル操作精度は67%から79.3%へ改善したと報告しています。ただし発表は自社製品についての自社測定であり、最高性能でも約2割は失敗します。中小企業が今どこまで試せるかを整理します。
続きを読む →