人間のチームが維持できない速度
アンドレイ・カーパティ氏（OpenAIの共同創設者であり、テスラの元AIディレクター）は、2026年3月にautoresearchというオープンソースのコードリポジトリを公開しました。このメカニズムは非常にシンプルで、AIエージェントが自然言語で目標を受け取り、トレーニングファイルに変更を提案し、NVIDIA H100のGPU上で5分ごとのサイクルを実行し、固定された指標に対して結果を測定し、誰かが停止するまで人間の介入なしでそのプロセスを繰り返します。2日間で700の実験を完了し、8時間で100を達成しました。このリポジトリは、数日でGitHubで8000スターを獲得しました。
まずテクノロジーの前に、運営経済について考える必要があります。中規模のソフトウェア会社が自社の言語モデルを最適化したい場合、2、3人のデータサイエンティストのチームにその仕事を依頼します。このチームは、計算時間、文書、レビューの会議をうまく管理すれば、週に10〜15のバリエーションを実行することができます。しかし、autoresearchはそのチームが眠っている間に100のバリエーションを実行します。これは生産性の漸進的な改善ではなく、反復速度の次元を変えるものであり、その次元の変化は既存のビジネスモデルではしばしば吸収できません。
カーパティが構築したものは商業製品でも企業プラットフォームでもなく、原則を試験する630行のコードによるデモです：自律的で制約された測定可能な実験サイクルは、人間の順次作業が及ばない規模でスケールできる。これは、言語モデルを訓練したことがない中小企業にとっても重要なニュースです。
重要なパターンはAIモデルにない
中規模企業の管理者がこの話を読んで最も高いコストを伴う間違いは、これが研究所の進展や8桁の計算予算を持つ企業向けのものだと結論づけることです。カーパティの自律ループの論理は、提案され、実行され、客観的な指標に対して結果が測定され、バージョン管理のリポジトリで前進を行うというものであり、これはほとんど修正なしに、あらゆる規模の企業が現在有資格の人々の時間を消費しているプロセスに転用できます。
例えば、現在、3日間を広告のバリエーション構築に費やしているパフォーマンス広告代理店や、週次報告のために手動で数百の文書を確認している金融サービス会社、分析チームがスプレッドシートで適用するルールに従って商品価格やポジショニングを調整しているeコマース企業などのケースです。これらすべてのケースでは、作業の構造はautoresearchと同じです：客観的な指標があり、体系的に変更できる変数があり、現在は人間によって閉じられるフィードバックループがあります。
競争の差別化要因は技術へのアクセスではなく、自社のプロセスに明確な指標があることを最初に特定することです。 30秒で最も反復的で測定可能なプロセスを特定できない企業は、市場での透明性が失われ、競合他社がそれを実行できるようになったときに許されません。
LeapLyticsの分析では、この点を強調しています：ビジネスインテリジェンスチームは、明確な指標があるが誰も正規化した自動化可能なループとして公式化していないタスクに不均衡な割合を費やします。レポートや異常検出、見込み客のグレーディングといったプロセスは、各反復で人間が編集基準を追加するのではなく、すでにその決定に暗黙的にあるプロトコルを実行しています。
最初に削除されるものが他を変える
ほとんどの中小企業がこれらのツールを採用しようとする際の構造的な罠が存在します。彼らは既存の運営に追加の層として取り組みます。第3者を雇ってAIを調査させ、パイロットを要求し、ツールの予算を追加し、手作業のプロセスを安全網として並行して遂行します。結果は、移行期間中にコストが重複し、元の摩擦を一切排除できないというものです。
autoresearchの論理はその逆を示唆しています。このプロジェクトは意図的な制約の上に構築されているために機能します：1つの編集可能なファイル、正確に5分間のトレーニング、1つの評価指標。カーパティは完全な研究所の複雑さを再現しようとはしませんでした。彼はループが機能するために不要なものはすべて排除しました、その排除こそが速度を可能にしています。
中小企業にとって、運営の問いは「いかにAIを追加するか」ではなく、「現在のプロセスのどの変数を固定し、どの変数を反復可能にし、唯一のメトリックは何であるか」を考えることです。この制約のアーキテクチャこそが、混沌としたプロセスをスケーラブルなループに変えるのです。このアーキテクチャは研究費を必要とせず、プロセスを自動化する前に診断するための分析的な規律が必要です。
カーパティのリポジトリ周辺に形成されたコミュニティはすぐに、仮説を生成するエージェント、実験を実行するエージェント、結果を統合するサードエージェントを使った変種を探求し始めました。このモジュールの専門化のパターンこそが中小企業が注目すべきものであり、それは効率的な人間チームの構造を再現しますが、実際の人間チームにおける協調のボトルネックを排除します。
自ら需要を構築するリーダーシップ
autoresearchのようなツールに関する支配的なナarrativeはしばしば効率の観点で枠付けられています：同じことをより速く、安く行うこと。これは正しい解釈ですが不十分であり、管理者は市場に提供する価値提案を変更せずにコスト削減のためにこれらのツールを実装します。
より深い機会は異なります。競合他社が2つの提案しか試せないうちに、価値提案の100のバリエーションを実行できる中小企業は、単に効率が高いのではなく、誰も探索していない組み合わせを見つけるための学習率を持つのです。価値を測定する指標に結びつく反復速度は、誰も提供していない需要を発見するメカニズムになるのです。
これは自動的に発生するわけではありません。管理者が、何が顧客体験に最も大きな影響を与えるプロセスの変数で、初期の仮説がしっかりしているかを理解することで実現します。カーパティはエンジンを提供し、企業の戦略が行く先を決定します。結果が出ないままAIのパイロットに予算を不断に使うリーダーたちは、競争において負けている同じ土俵で戦う近道を求めようとしているのです。持続可能なポジションを構築するリーダーシップは、実験速度を利用して市場が未だ必要としていない領域を特定し占有するものです。
