今朝は、8月27日に確認できた動きから3件です。今日はかなり象徴的です。AIが「画面の中で答える」段階から、長時間自律して働く・現実の機器を動かす・人間の音声をそのまま仕事へ変換する段階へ進んでいます。

1. OpenAI、止めるまで働き続ける「Persistent mode」をCodexでテスト

WIREDの報道によると、OpenAIはCodexに新しい**「Persistent mode」**を開発しています。

OpenAIもテスト中であることを認めていますが、現時点では正式リリースの予定は決まっていません。

現在のAIエージェントは、数分から数時間仕事をすると基本的には停止します。

Persistent modeでは、

「continue working until put to sleep」

つまり、人間が停止させるまで仕事を継続する設計です。

さらに「proactivity」という仕組みもテストされています。これは最初に依頼された仕事が終わっても、

• 次に必要な仕事をAI自身が考える
• 自分でフォローアップタスクを作る
• セッションをまたいで仕事を続ける
• 過去のやり取りやユーザーについての知識を使う
• 必要な場合はAI側からユーザーへ連絡する

というものです。

ただし、Persistent modeだから権限まで増えるわけではなく、ユーザーのシステム外へ影響する操作については承認を求める設計が検討されています。

なぜ重要か

これはAIエージェントの構造をかなり変えます。

これまでの基本は、

人間が指示
→ AIが仕事
→ 終了
→ 次の指示を人間が出す

でした。

Persistent型では、

人間が目的を設定
→ AIが仕事
→ AI自身が次の仕事を判断
→ 継続
→ 必要なときだけ人間へ確認

になります。

例えば「毎日の競合調査をして」という仕事なら、人間が毎朝AIを起動する必要すらなくなる可能性があります。

ただし、これはOpenAIが最近公表したAIエージェントの安全問題とも直結します。

自律性を高めるほど、停止条件・権限・監視・承認を厳密にする必要がある。

実用性と危険性が同時に大きくなる機能です。

2. Anthropic、Claudeが「現実の機械」を操作するModel Hardware Standardを発表

Reutersによると、Anthropicは8月27日、**Model Hardware Standard（MHS）**の研究プレビューを発表しました。

これはAIエージェントと物理的な機器を接続するための共通規格です。

ClaudeなどのAIから、

顕微鏡
ロボットアーム
レーザー
実験装置
製造設備

などを操作できるようにします。

すでに研究機関などで試験されており、AIが神経科学実験で特定の脳構造を見つけたり、量子コンピューター用レーザーの調整などを行った事例も報じられています。

現在は安全性評価を行う研究プレビュー段階で、Anthropicは将来的なオープンソース化を予定しています。

なぜ重要か

これは、ソフトウェアの世界で起きたことが現実世界へ広がる動きです。

これまでAIエージェントが操作するのは、

ブラウザ
メール
Excel
CRM
コード

などが中心でした。

MHSでは、

AIが考える
→ 現実の装置を動かす
→ 結果を見る
→ 次の操作を判断する

というループができます。

研究では、

実験する
↓
結果を分析する
↓
次の実験条件を考える
↓
装置を動かす

ところまでAIが自律化する可能性があります。

AIエージェントの次のフロンティアは、PC操作から物理世界の操作へ移り始めています。

3. Google「Gemini 3.5 Transcribe」― 話した言葉を“完成原稿”に近づける

Googleは8月26日、新しい音声認識モデルGemini 3.5 Transcribeを発表しました。

単純な文字起こしではありません。

例えば、

「えーっと、明日の、あの、会議なんだけど……」

と話しても、「えー」「あの」といったフィラーを除去し、読みやすく整形された文章へ変換できます。

さらに、

• 専門用語を登録して認識精度を上げる
• 話者を識別する
• 単語単位のタイムコード
• リアルタイム文字起こし
• 画面に表示されている内容を文脈として利用

にも対応します。多言語ベンチマークでは、Googleの従来モデルChirp 3を上回る精度を報告しています。

Mac版Geminiではさらに、音声から、

ローカルファイルを要約する
文章を別アプリ向けに作り直す
画像を生成する

といった処理まで実行できます。

今後Chromeでも、Web上の入力欄へ直接話して文章を入力できる機能を提供予定です。

なぜ重要か

生成AIでは、これまでキーボードからプロンプトを入力することが前提でした。

しかし音声認識がここまで進むと、

話す → AIが整理する → 必要な仕事を実行する

という方が自然になります。

例えば会議後に、

「今日決まったことを整理して、関係者向けのメール案と次回会議のタスクを作って」

と話すだけで仕事を進められる。

特に移動中や現場仕事では、AI活用の入口がタイピングから会話へ移る可能性があります。

Kawano's Perspective

今日の3件を並べると、AIエージェントの進化がかなり分かりやすく見えます。

OpenAIは、

AIが長時間、自分で次の仕事を考えながら働く。

Anthropicは、

AIが現実の機械を動かす。

Googleは、

人間が自然に話した言葉を、そのまま仕事へつなげる。

つまり、人間とAIの関係が、

人間がPCを操作してAIへ細かく指示する

ところから、

人間は目的を伝える
→ AIが考える
→ AIが必要なソフトや機械を操作する
→ 必要なときだけ人間へ戻す

という構造へ向かっています。

ここで重要になるのは、やはりAIの性能だけではありません。

どこまで自律させるか。
何を操作させるか。
いつ人間へ戻すか。
どうすれば確実に止められるか。

特にPersistent modeとMHSは、この問題を避けて通れません。

AIエージェントの実用性が高くなるほど、「何ができるか」以上に「どこまでやらせるか」を設計する能力が、人間側に求められると思います。