【2026年AI用語集】AIは「答える」から「動く」へ。AI・データを読む重要キーワード10選

生成AIが広く使われるようになって、もうしばらく経ちました。仕事で文章を整えたり、調べものを頼んだりする光景も、すっかり珍しくなくなりましたよね。

2025年は、回答前に時間をかけて考える「推論モデル」と、複数の作業を進める「AIエージェント」が大きな注目を集めました。2026年もその流れは止まっていません。むしろ、さらに大きなうねりを見せています。

画面を見て表計算ソフトを操作する。複数のAIが調査を分担する。ロボットが周囲の状況を読み、腕を動かす。AIの競争は、「何を答えられるか」から「現実の仕事をどこまで動かせるか」へ広がりました。

動ける範囲が広がると、管理する対象も増えます。どのデータを読めるのか。メールの送信や商品の購入前に誰が確認するのか。計算設備や学習済みモデルを誰が持つのか。

私たちが気になっているのは、AIの能力競争が、権限と基盤の設計へ広がっていることです。

2026年の変化を「仕事を進める」「複雑な情報と現実を扱う」「AIの基盤を管理する」の三つに分け、関係する10語を整理しました。

AIエージェントは、目標を受け取り、必要な手順を選び、外部の道具を使いながら作業を進める仕組みです。OpenAIの実務ガイドは、モデル、道具、指示を基本要素として挙げています。

たとえば「競合3社の新サービスを調べ、比較表と説明資料を作る」と頼む。エージェントは検索、情報の整理、計算、ファイル作成を順番に進めます。チャットAIが一度の返答を作るのに対し、エージェントは目標へ近づくまで「考える、道具を使う、結果を確かめる」という循環を回します。

これまで人が一つずつ開いていた検索画面、表計算、資料作成を、AIが一本の仕事としてつなぎ始めたわけです。

Miraklの事例では、製品資料を参照して顧客の質問へ答えるAIエージェントを運用し、同社の発表では顧客対応の効率が37%改善、満足度は96%を維持したとされています。多言語で24時間対応し、人は複雑な相談へ時間を使う。エージェントは「何でもできるデジタル社員」というより、手順と参照資料が決まった仕事を受け持つ担当者、と考えると分かりやすいです。

Stanford HAIの2026年版AI Indexでは、米国の求人情報で「AI agents」を含む件数が2024年の1,310件から2025年の15,217件へ増えたと報告されています。1年で10倍を超える増加です。求人市場全体を表す数字ではありませんが、「試してみたい技術」から「実装できる人を採用したい技術」へ移りつつある様子は見えます。

ただし、仕事って、だいたい一発では終わらないんですよね。長い作業ほど、途中の小さな誤りが次の工程へ引き継がれます。何を任せ、どの場面で止め、人が何を確認するか。実用化ではモデルの賢さと同じくらい、この境界が効いてきます。

コンピュータ操作AIは、画面の画像を見て、マウスやキーボードに相当する操作を行います。専用の連携機能がない古い業務システムでも、人が使うボタンや入力欄を通じて作業できる可能性があります。

OpenAIのChatGPT agentは、ウェブサイトの操作、コード実行、データ分析、スライドや表計算ファイルの作成を一つの作業につなげています。2025年1月に研究公開されたOperatorも、画面を見てクリック、入力、スクロールを行う仕組みでした。

ここには、AIが「答える」から「動く」へ変わった様子が、そのまま出ています。請求書の内容を読み、社内画面へ転記し、処理結果を一覧へ戻す。APIを新しく作らなくても自動化できれば、対象になる仕事はかなり広い。

人のために作られた画面を、AIもそのまま使う。ちょっと強引にも見えますが、古いシステムが多い現場ほど、この方法は効くかもしれません。

Anthropicが2024年に公開したcomputer useでは、Replitが、開発中のアプリをAIに操作させて動作を確かめる機能を検討していました。人間のテスターが画面を開き、ボタンを押し、表示崩れやエラーを探す。その操作をAIにも行わせる使い方です。コンピュータ操作AIは、パソコンの中に住む「操作代行者」に近い存在ですね。

信頼性はまだ課題です。Operatorのシステムカードが示したOSWorldでの成功率は38.1%でした。10回試せば、単純計算で成功は4回弱。2025年時点の特定モデルと評価環境による数字ですが、画面操作を無人で任せ切る段階ではなかったことが分かります。

便利そうだから全部任せる、はさすがに怖い。送信、購入、削除などの直前に確認を置く設計が欠かせません。

一つのAIに調査から確認まで任せず、複数のAIへ役割を分ける仕組みがマルチエージェントです。調査役が資料を集め、分析役が比較し、確認役が抜けを探す。作業を並行しやすくなります。

Anthropicが公開した調査システムでは、中心となるAIが複数のAIへ検索テーマを分け、集まった結果を統合します。同社の説明によると、内部評価では単独のAIより良い結果を出した一方、チャットと比べて約15倍のトークンを使いました。精度を上げるために、計算量もかなり使う仕組みです。

出典：Anthropic「How we built our multi-agent research system」を基にDATA WORLD作図。

これは、オーケストラに少し似ています。演奏者が増えるだけでは音楽にならず、誰がどの楽器を担当し、指揮者がどうまとめるかで結果が変わる。会社の会議にも似ていますね。人数を増やすと調べられる範囲は広がりますが、伝言、重複、意見の衝突も増える。「AIを増やせば安心」とはいかないんですよね。役割を分ける理由と、最後に結果を引き受ける担当が必要です。

MCPはModel Context Protocolの略です。公式説明では、AIアプリケーションを外部のデータ源や道具へ接続するためのオープンな標準とされています。

企業には、顧客管理、社内文書、表計算、チャット、開発環境など多くのデータと機能があります。接続方法が製品ごとにばらばらなら、AIを導入するたびに専用の連携を作らなければなりません。MCPは、AIが利用できる情報や道具を共通の方法で伝えます。

乱暴にたとえるなら、MCPはAI用の共通差し込み口です。パソコンを買い替えるたびに、マウスや外付け機器の接続方法がすべて変わったら困りますよね。AIと道具の間でも、似た問題が起きています。

出典：Model Context Protocol「Introduction」。MIT License。

地味に見えます。でも、データを扱う仕事では、この「つなぎ方がそろう」という変化がかなり大きい。優秀なAIがいても、必要な資料を読めず、業務システムを触れなければ仕事は進まないからです。

2025年12月には、MCPがLinux Foundation傘下のAgentic AI Foundationへ提供されました。AWS、Google、Microsoft、OpenAIなども設立時の参加企業に名を連ねています。特定企業だけの機能から、複数の製品をまたぐ接続基盤へ進もうとする動きです。

MCPの公式ブログによると、GitHubではMCPサーバーを通じて、AIがリポジトリの情報を読み、課題管理や開発作業へつながる環境を提供しています。社内なら、同じ考え方でAIへ「顧客情報は閲覧だけ」「下書きは作れるが送信はできない」と道具と権限を渡せます。

接続しやすさは、漏えいや誤操作の入口も増やします。誰の権限で、どのデータを読み、どの操作を実行したか。認証、許可、記録まで含めて「接続」です。コンセントを挿せば終わり、という話ではないんですよね。

推論モデルは、回答を出す前に複数の手順を検討するよう訓練されたモデルです。数学、プログラミング、計画、科学的な問題など、すぐに答えを出すより途中の検討が重要な課題で使われます。

暗算ですぐ答えるのではなく、紙に条件を書き、途中式を確かめ、必要なら電卓や資料も使う。推論モデルは、そんな問題の解き方に近いと考えると分かりやすいです。

OpenAIが2025年4月に発表したo3とo4-miniは、ウェブ検索、Pythonによる計算、画像の加工など、使う道具を自ら選べる推論モデルとして紹介されました。推論と道具の利用が結びついたことで、エージェントが進められる仕事も広がります。

2026年に公表された希少疾患研究では、研究者と医師が推論モデルを使い、専門家が一度調べても診断に至らなかった376例を再分析しました。AIが候補を出し、専門家の確認と追加検査を経て、18例で診断が確定したと報告されています。AIが医師の代わりに診断した事例ではありません。大量の記録と新しい研究を照合し、人が確かめるべき候補を絞った事例です。

「長く考えれば必ず正しい」という意味ではありません。計算時間と費用は増え、途中の説明が実際の内部処理を正確に表しているとも限りません。

私たちが仕事で見たいのは、「賢そうに考えているか」より「この集計、この分析、この確認作業で、結果がどれだけ良くなったか」です。結局は、自社のデータで測るところへ戻ってきます。

マルチモーダルAIは、文章だけでなく、画像、音声、動画など複数の情報形式を扱います。会議の音声、共有画面、配布資料をまとめて議事録にする。工場の映像と作業指示を読み、異常らしい場所を説明する。人の仕事に近い情報の組み合わせです。

目と耳と書類を、別々のAIへ渡すのではなく、一人の担当者がまとめて受け取る。マルチモーダルAIは、そんなイメージです。

視覚障害者を支援するBe My Eyesの「Be My AI」は、スマートフォンで撮った写真をAIが説明します。冷蔵庫の中身、商品のラベル、衣服の色など、文章だけでは尋ねにくい情報を画像から読み取る使い方です。2023年9月時点の試験では、1万6,000人の視覚障害・弱視ユーザーが、1日平均2万5,000件の説明を利用していました。

2026年に注目したいのは、読み取れる形式の数より、その情報を使って次の行動を選べることです。推論モデルが図表を拡大して確かめる。エージェントが画面を見て入力欄を探す。ロボットがカメラ映像と言葉の指示から腕を動かす。

画像も読めます、音声も聞けます、で終わらず、その情報が「次に何をするか」へつながり始めました。ほかのキーワードを支える土台になっています。

入力できることと、正しく理解できることは分けて考えます。小さな文字、長い動画、映像に出ない温度や力、撮影範囲の外で起きたことは抜け落ちます。現場では、AIに何が見えていないかを知る方が大切な場合もあります。

ワールドモデルは、現在の状態と行動から、次に環境がどう変わるかを予測する仕組みです。AIが現実で試す前に、内部のシミュレーションで「この動きをすると何が起きるか」を確かめる方向へつながります。

人も、熱そうな鍋へいきなり触れる前に、湯気や過去の経験から結果を予想します。ワールドモデルは、AIやロボットに「本番前に頭の中で一度やってみる」力を持たせる考え方です。

Google DeepMindのGenie 3は、文章から毎秒24フレーム、720pの操作可能な環境を生成し、数分間の整合性を保つと報告しました。動画を一度作って終わるのではなく、その中を動くと景色が変わり、前に見た場所へ戻れば似た状態が残る。AIが「動ける練習場」を作り始めています。

研究用の限定公開から始まった技術で、現実を完全に再現する装置ではありません。それでも、動画を見るAIから、変化する環境を作って試すAIへの前進は、なかなか面白いところです。

NVIDIAのCosmosは、ロボットや自動運転向けの学習映像を仮想的に増やす用途で提供されています。Agility Roboticsは、現実だけでは集めきれない写実的な学習データを増やせる可能性に言及しています。珍しい事故条件を仮想環境で増やし、実機を壊さずに学習するわけです。

出典：Google DeepMind「Genie 3」、NVIDIA「Cosmos」を基にDATA WORLD作図。

ただ、自然に見える映像と、摩擦、重量、衝突まで正しい予測は同じではありません。練習場が現実に似ていなければ、そこで覚えた動きも本番では外れます。

フィジカルAIは、周囲を認識し、状況を判断し、ロボットや機械を動かすAIを指す広い言葉です。文章の間違いなら書き直せますが、機械の間違いは物の破損や人のけがにつながります。

画面の中で済んでいたAIが、いよいよ重さと硬さのある世界へ出てくる。「動くAI」の中でも、安全性の重みが一段違います。

Google DeepMindが2025年3月に発表したGemini Roboticsは、画像と言葉からロボットの動作を出すVLA（Vision-Language-Action）モデルです。同社は主に二本腕のALOHA 2で学習し、別のロボットへの適用例も示しました。

言葉を理解する頭脳と、物をつかむ身体をつなぐ。フィジカルAIは、生成AIへ筋肉と感覚器を付けるようなものです。

Boston Dynamicsとの取り組みでは、四足歩行ロボットSpotが工場内を巡回して撮影した圧力計や液面計を、Gemini Robotics-ER 1.6が読み取ります。針の位置、目盛り、単位、カメラの角度をまとめて判断する必要があり、単なる文字認識より複雑です。危険な場所の巡回点検は、フィジカルAIの用途が想像しやすい例ですね。

出典：Google DeepMind「Gemini Robotics-ER 1.6」で紹介されたBoston Dynamicsとの設備点検事例を基にDATA WORLD作図。

研究デモで動いた作業と、工場で毎日同じ成功率を出せることは別です。現実には、従来の衝突回避、力の制限、非常停止と組み合わせます。AIが賢くなっても、非常停止ボタンが古くなるわけではありません。むしろ、最後に物理的に止める仕組みの価値は上がります。

ソブリンAIは、国や地域が、自らの法律、言語、産業に合わせてAIのデータ、計算設備、モデル、運用を管理しようとする考え方です。国内企業がモデルを一つ作れば完成、という話ではありません。

AIを水道や電力のような基盤として考えると、ソブリンAIの論点が見えやすくなります。便利なサービスを海外から買うだけでよいのか。止まったときの代替はあるか。地域の言語や法律に合う形で運用できるか。国や地域が気にしているのは、モデルの国籍より、重要な機能を自分たちで管理できる範囲です。

EUでは、計算能力、データ、人材を集めるAI Factoriesが進んでいます。欧州委員会によると、2026年4月時点で19拠点が稼働し、少なくとも9台のAI向けスーパーコンピュータを調達する計画です。さらに最大5カ所のAI Gigafactoriesへ200億ユーロを投じる構想も示しています。

200億ユーロ。AIの主導権が、モデルの性能表だけで決まる話ではないことが伝わる規模です。電力、半導体、データセンター、人材まで、全部がAIの一部になりました。

ラトビアのTildeは、欧州のスーパーコンピュータLUMIを200万GPU時間使い、300億パラメータのTildeOpenを開発しました。英語圏の巨大モデルへ全面的に依存せず、欧州の比較的小さな言語を扱えるモデルを公共の計算基盤で育てる。ソブリンAIが、政策用語から実際の設備とモデルへ移った例です。

その背景には、個人情報や行政データをどこで処理するか、海外の計算基盤へどこまで依存するか、地域の言語をモデルへどう残すかという問題があります。完全な自給自足は難しい。それでも、止まると困る部分と外部へ任せられる部分を分ける議論は、企業にもそのまま当てはまります。

AIの内部では、入力された言葉や画像を何段階もの計算へ通し、次に出す言葉や答えを決めています。その計算で「この情報をどれくらい強く受け取るか」を調整する数値が、重みです。

巨大な音響ミキサーに、数十億個以上の調整つまみが並んでいると考えると分かりやすいかもしれません。学習とは、大量の文章や画像を見ながら、このつまみを少しずつ動かす作業です。調整が終わると、AIは言葉同士の関係や文章の形を使って、入力に続く答えを計算できるようになります。

重みの中に、学習した文章が本棚のように保存されているわけではありません。大量の数値へ分散した形で、パターンや傾向が反映されています。人間でいえば、教科書そのものより、何度も問題を解いて身についた判断の癖に近いものです。

オープンウェイトモデルは、この学習済みの「調整つまみの状態」を入手できるモデルです。条件に合う機器を用意すれば、自社環境で動かし、用途に合わせて追加調整できます。機密情報を外部サービスへ送らずに処理したい組織にとって、有力な選択肢です。

ただ、重みを入手しても、どんなデータを使い、どう学習させたかという記録まで、すべて付いてくるとは限りません。完成したエンジンは手に入っても、材料や製造工程の全記録までは分からない、という状態です。

Metaが2025年に公開したLlama 4 ScoutとMaverickは、ダウンロードして自社の環境やクラウドで動かせるオープンウェイトモデルです。Scoutは、圧縮した条件では1台のNVIDIA H100 GPUで動かせると説明されています。外部のAIサービスへ毎回データを送らず、自社向けの検索、文書分類、画像を含む業務支援へ組み込めます。

ただし、重みの公開と「オープンソースAI」は同じではありません。Open Source Initiativeの定義は、利用、研究、改変、共有の自由に加え、学習に使ったデータについての情報や学習コードも求めています。重みだけでは、何を学び、どんな偏りが入り、どう再現できるかまでは分かりません。

自社運用にも費用はかかります。計算機、更新、監視、セキュリティ、担当者の確保まで含めて比べる必要があります。

モデルをダウンロードできた瞬間は、ちょっとテンションが上がります。でも、そこからが運用です。「無料で入手できる」と「安く安全に使い続けられる」の間には、かなり距離があるんですよね。

2026年のAIの動向を読むとき、モデルの点数だけ追っていると、いちばん大きな変化を見落とします。

AIエージェントが手順を組み、コンピュータ操作AIが画面を動かす。MCPが社内外のデータや道具をつなぐ。推論モデルとマルチモーダルAIが判断を支え、ワールドモデルとフィジカルAIが現実世界へ近づく。その外側で、ソブリンAIとオープンウェイトモデルが「誰の基盤で動かすか」を問い直しています。

AIは「答える」から「動く」へ進んでいます。完全に自律した働き手が完成した、という話ではありません。動ける範囲が広がった分だけ、人が決める権限、確認、記録、安全停止の範囲も広がりました。

だから、2026年に私たちが考えたいのは、AIへ何を答えさせるかだけではありません。

どこまで動かし、どこで人へ戻すか。

AIの「賢さ」が、そのまま仕事の成果になるわけではない。その間をつなぐ設計が、いよいよ主役になってきました。