2026年4月 の記事一覧

プロンプトの巧拙ではなく、「仕組み」の力でAIの出力品質を安定化させるハーネスエンジニアリング。後編では、ハーネスをプログラミング言語のフレームワークに例えた設計思想や、ハーネスエンジニアリングを推進する原動力などに踏み込みます。組織への浸透に欠かせない企業文化やコスト面の課題、これからハーネスエンジニアリングに取り組む企業へのアドバイスについても語っていただきました。概要や導入の経緯、成果の全体像を紹介した前編もぜひご一読ください。 自動化で品質向上&業務効率化を図り、より本質的な問題に取り組める環境を整える ◇リーダー谷中 佑貴人(やなか ゆきと)所属：GMOインターネット株式会社 システム本部 アーキテクチャー統括 アプリケーション共通チーム (グループ広報部 技術広報チーム兼務)役職：マネージャー◇メンバー井上 弘規(いのうえ ひろき)所属：GMOインターネット株式会社 システム本部 ドメイン・クラウド開発部 お名前フロントエンドチーム瀧谷 悠(たきたに ゆう)所属：GMOインターネット株式会社 システム本部 ドメイン・クラウド開発部 ConoHaバックエンドチーム役職：リーダー井上 優也(いのうえ ゆうや)所属：GMOインターネット株式会社 システム本部 ネットワークソリューション開発部 NSフロントエンドチーム藤嶋 智晃 (ふじしま ともあき)所属：GMOインターネット株式会社 システム本部 アーキテクチャー統括 アプリケーション共通チーム役職：リーダー舟木 博和(ふなき ひろかず)所属：GMOインターネット株式会社 システム本部 アーキテクチャー統括 アプリケーション共通チーム役職：リーダー平野 空暉（ひらの そらき）所属：GMOインターネット株式会社 システム本部 ConoHa開発部 ConoHaバックエンドチーム（ドメイン・クラウド事業本部プロダクトマネジメントチーム兼務）大山 仁(おおやま ひとし)所属：GMOインターネット株式会社 システム本部 ビジネスサポートプロダクトチーム ———現在各社が提供する生成AIはモデルごとに得意・不得意があると思いますが、ハーネスの設計を変えることで、同モデル内でも出力やパフォーマンスに差は出るのでしょうか。 平野私は、同じモデルでもハーネスの設計次第で、出力や実運用上のパフォーマンスにかなり差が出ると考えています。ハーネスは「何を重視するか」によって、与える文脈や守らせるルール、チェックの仕方といったプロダクトごとの思想や優先順位が変わります。プログラミング言語やフレームワークごとの設計思想があり、その違いが開発体験や実装方針に表れるのと近い部分ですね。実際にやりたいことをすべてプロンプトだけで表現しようとすると、どうしても指示が長く複雑になります。そうなると、条件の優先順位が曖昧になったり、一部の条件が取りこぼされたりしやすくなるんです。私が今敷いているハーネスでも、多い場合は100個以上の項目を設けることがあります。これをすべてプロンプトに書き込むのは現実的ではありません。AIの返すアウトプットを人間が期待する出力に寄せやすくしたり、品質のばらつきを抑えやすくするためには、見落としてほしくない点をモデルの判断だけに委ねるのではなく、ハーネス側で機械的にチェックできる形にしておくことが重要です。これは、UIのフォームバリデーションに少し似ている部分もあります。人は注意事項を一覧で示されても見落とすことがありますが、入力時に警告が出たり、誤りがあれば送信できなかったりといった仕組みになっていれば、見落としやミスは起こりにくくなりますよね。ハーネスは、そうしたガイドや制御をAI向けに設計するものだととらえています。 ———ハーネスエンジニアリングを推進する原動力になっているものは何ですか。 瀧谷身も蓋もない言い方をすると「楽をしたい」ということだと思っています。そのためにもっと解きたい課題、解決したい難しいテーマがあるからこそ、AIに任せられる部分はどんどん任せてそちらに時間を割きたい。そういう感覚ですね。またハーネスエンジニアリングやAIエージェントが台頭してくる前は、「ソースコードを書く」ことに大きく時間を割いていましたが、今では1~2分待てばある程度動くものが出来上がってきます。こうした環境下でハーネスエンジニアリングを実践することで、コードの品質を担保できるようになったと感じますね。これまでは時間的な余裕がなく1回しか試せなかったものが、ハーネスエンジニアリング実践後は何度も試せるようになりました。ABテストのように複数案をそれぞれ試してみて、一番良かったものを選べるようになったのは大きいです。実行できるものの選択肢が増えたと実感しています。 左：瀧谷 悠(たきたに ゆう)、右：平野 空暉（ひらの そらき） 井上(優)私は「好奇心」と「危機感」じゃないかなと。好奇心については、新しい技術や変化を楽しめるマインドがハーネスエンジニアリングを推し進めていくのに必要だと感じます。まずはアンバサダーである我々が先導していく上で、ハーネスエンジニアリングという変化を楽しむことが大切なのかなと思いますね。また危機感については、最先端で戦っているエンジニアや企業ではすでに我々と同じように動き、組織への導入に動いているという点を意識すべきだと考えています。変化の激しいAI時代の中で我々もスピード感を持ち、キャッチアップや検証・導入に動いていかなければならないという意識を強く持つことが、推進への原動力になっていますね。 谷中エンジニアの3大美徳の1つに「怠惰」がありますが、僕らはその怠惰を実現するための努力は厭わない、という精神でやっている部分もありますね。我々がハーネスエンジニアリングを実践して成果を出し、「うちでもやってみよう」と思う企業が増えれば、「楽になる」エンジニアが増えるかもしれません。楽になったことで難しい問題や本質的な課題に取り組む時間が増えれば、今あるものよりもっと良いものが生まれるはずです。我々の取り組みでセキュリティやIT業界、ひいては日本社会全体にいい影響を与えたいなと思っています。 「AIで開発を完結させられる未来」を目指して ———開発生産性5倍という目標に向けて、チームとして今もっとも注力しているのはどの部分でしょうか。 谷中現状では先行プロジェクトで環境を整備している段階なので、今はハーネスを実際に使いながら質を上げていくところが最大の注力ポイントですね。最終的なゴールの1つとして、コードやレビューの「手書き」を0にする状態を実現したいというものがあります。ゆくゆくはAIの中だけで開発が完結できる世界を目指して、その質を上げるための仕組みや環境を整備することが、チームの共通目標です。もちろん、現状においてはハーネスそのもののレビューを人が担わなければなりません。ただ、僕らがレビューをするたびにハーネスがその内容を自己吸収し、再発防止のナレッジとして蓄積していくというループが動き出せば、だんだんレビューの頻度や介入率は減っていくはずです。それが限りなく0に近づいていくことが、すなわち質が上がっている状態だと考えていますね。 井上(優)具体的な取り組みとしては、現在メインで利用しているClaudeCodeの基礎的な使い方のほかに、SkillsやSubAgents、LinterやCIなどハーネスエンジニアリングにつながる基礎の部分の説明・共有会をチーム内で行っています。ボトムアップでイメージを持ってもらえるよう頑張っているところですね。 左：井上 優也(いのうえ ゆうや)、右：井上 弘規(いのうえ ひろき) 瀧谷補足すると、ハーネスは先ほど話した通り「思想」に当たる部分になるので、そこに絶対的な正解はありません。どうあるべきかという方向性については、ある程度人間が関わりながら定めていく必要があります。一方で、ハーネスで縛った内容自体に対しては、そのソースコードが現在適用されているルールに違反しているかをYes・Noで機械的に判定できます。そこに対するレビューは将来的に人間がやらなくてよくなる、というのは受け入れやすい話でしょうね。 ———ハーネスエンジニアリングを実践するために必要なものは何でしょうか。技術面だけでなく、組織体制や企業文化といった観点も含めて伺いたいです。 瀧谷社内制度や企業風土の面で言うと、上層部が「AIを使おう」というマインドになっていないと、取り組みはなかなか広まりません。とくにハーネスエンジニアリングはAIを大量に使用する取り組みなので、かかるコストも大きくなります。現場のエンジニアが実践したいと思っても、コスト確保の段階で止まってしまっては浸透していかないんです。ありがたいことにGMOインターネットグループはグループ全体でAI活用が推進されていて、我々も良いプランを使わせてもらえる環境です。それだけに、トップダウンで「AIを使おう」という空気感があるかどうかは非常に大きいと感じます。 谷中制度面で言うと、GMOインターネットグループには「AIブースト支援金」という仕組みがあります。パートナー（社員）が手を挙げれば、会社として認めているAIツールなら課金制のものでも自由に申請できる制度です。ここをうまく活用しながらコストを工面して、現場が使いたいツールを使える環境を作れているのは大きいと思っています。組織的な話をすると、GMOインターネットのシステム本部は100名規模の組織なので、今ここに集まっているコアメンバーで確立した新しいプロセスやナレッジを横展開しようとすると、相当な時間や労力がかかってしまいます。そこで効いているのが、我々AIアンバサダーの構成です。社内の各チームから1人ずつ人員を出してもらっているため、それぞれが展開先のチーム内に「自分ごと」として動くキーマンとして活動してもらっています。このキーマンがいるかどうかで、展開の速度も質もかなり変わってきますね。 舟木もっとシンプルな話をすると、先ほど井上さんからも言ってもらいましたが、AIの変化そのものに興味を持って楽しめる人が必要だと思っています。AIの技術的進歩や変化のスピードは本当に激しいので、キャッチアップだけでも大きな負荷になります。興味がないと追いかけるだけで疲れてしまうでしょう。ただ、設計が終わってから手でコードを書いていた時間がAIでぐっと圧縮されて、多少バグがあってもとりあえず動くものが素早く出てくるという「体験」の喜びはやはり大きいですね。とはいえ、技術選定やテーブル設計などリリース後の変更コストが高い部分や、ハーネス自体の設計・構築は、やはり人の目で確認したり手を動かしたりする必要があります。人の手を介さず開発を進めること自体は可能になりつつありますが、こうした重要な意思決定やルールの策定から人が完全に排除されることは難しいと考えています。良いものが出来上がった喜びや、自分の創造的な部分を発揮できる楽しさといったメリットに目を向けて取り組むことが大事かなと感じますね。 大山私の場合は、以前は面倒で諦めていたKubernetesのクラスターを、AIに半分ほど環境を作らせて動かしています。時間があるときにやっている試みではありますが、できることや「動く手」が増えたというのが、個人的にはとても楽しいですね。AIを使うことで、これまで面倒で手を付けられなかった技術的な挑戦ができるようになったという感覚が強くあります。こうしたポジティブな姿勢で向き合える人ほど、ハーネスエンジニアリングのような新しい取り組みにも前向きに入っていけるのではないでしょうか。 大山 仁(おおやま ひとし) 成功体験を重ね、「楽しみながら」ハーネスエンジニアリングを推進 ———今後の展望について聞かせてください。 谷中まず先行プロジェクトで、ハーネスを「成功体験」と呼べるところまで持っていくことが第1の目標です。それが得られたら、部内への横展開を加速させていくという青写真を描いていますね。さらに大きなところで言えば、GMOインターネットグループ全体や、業界全体に向けてもハーネスエンジニアリングの取り組みを発信していけたらと考えています。実際に平野さんが技術ブログを書いてくれていますが、「GMOがやっているなら自分たちもやってみよう」と思ってもらえるくらい、新しい技術を率先して使って業界に広げていくことで、業界全体におけるAI活用レベルの底上げに寄与していきたいです。 ———最後に、これからハーネスエンジニアリングに取り組もうとしている企業に向けて、アドバイスがあればお願いします。 谷中僕からは2つあります。1つは「完璧な環境を整えてから始めようとしない」こと。小さなリポジトリやルールを1つ決めるだけでも十分スタートになります。冒頭でも話した通り、ハーネスは最初の小さな投資の積み重ねが次第に大きくなる「複利」で効いていくものです。最初から完璧を求めずに、まず手を付けてみることが大事です。もう1つは「推進する人を孤立させない」ことです。ハーネスの取り組みはどうしても部署等の組織を横断するものになるので、「各チームにキーマンを巻き込んで仲間を増やしながら進めて、最終的に組織全体への定着を狙っていく」という流れはとくに意識してほしい点ですね。 大山私からは、技術負債の大きい既存プロジェクトを抱えている方に向けて「作り直した方が結果的に幸せになれるケースもある」と伝えたいですね。良いものを作るためには、時に作り直す勇気を持つことも必要です。 左：谷中 佑貴人(やなか ゆきと)、右：大山 仁(おおやま ひとし) 平野私の観点だと、これまでの常識を疑う姿勢が必要になる場面がちらほらあります。たとえばフォーマッターは人間が読みやすくするためのツールですが、AIにとっては必要のないツールかもしれないという意見も出てきています。私自身はフォーマッター廃止には反対派ですが、「これって本当に必要なんだっけ?」と問い直して、本当に不要なのであれば、これまでの常識であっても取り払うという柔軟性は意識した方がいいと感じます。 舟木AIの可能性を信じる姿勢も重要です。半年前には「これはできないだろう」と思われていたことが、今は普通にできるようになっているケースが本当に増えましたね。進化を信じて、積極的に触ってみる姿勢は非常に大事だと思います。他社でうまくいっている事例も豊富に出回っているので、主体的に情報を取りに行きつつ、自分たちの手でも試していくことが、結果的に最短ルートになると感じています。 舟木 博和(ふなき ひろかず) 谷中「後輩からの質問が減った」「口伝で引き継がれていたノウハウを明文化する方向に動いている」という話もありましたが、組織課題としてよく挙がる属人化もAIやハーネスで解消できると思っています。これまで人から人に伝承されていた部分は、今や人からAIへとつながるようになりました。AIは複数の人から共通して参照される存在なので、ナレッジの蓄積や活用という点で、組織として非常に大きな効果が出ていると感じています。AIでこうしたナレッジにアクセスできるようになることで、新卒・中途問わずGMOインターネットに入社した方の最初のフォローアップはもちろん、早く戦力として現場に入れる状況整備にもつながってきています。ハーネスが整備された状態でこれから入ってくる人は、これまでと比べて立ち上がりの戦力度合いがかなり変わってくるでしょう。マインドの話をすると、エンジニアの役割が徐々に変わってきている時代ですが、この変化に対して前向きに楽しんで推進していく姿勢は重要だと感じています。変化を受け入れにくい人に対して、新しい技術に楽しく触れられる人たちが中心となって働きかけつつ進めていくと、結果的に良いナレッジが生まれていく。こうしたエンジニアが生み出す組織の変化を、今まさに肌身で感じているところです。 まとめ AIの出力品質を「仕組み」で安定化させるだけでなく、エンジニアがより本質的な課題に集中できる環境を生み出すハーネスエンジニアリング。前編で示された「複利の効果」は、単なる業務効率化にとどまらず、属人化の解消や新入社員の早期戦力化といった組織課題の解決にも現れます。 また「変化を前向きに楽しむ人たちが中心となって働きかけることで、良いナレッジが組織全体に広がっていく」というアドバイスは、ハーネスエンジニアリングを推進してさまざまな課題を解決したい企業やエンジニアへの大きなヒントになるはずです。 GMOインターネットグループでは、これからもハーネスエンジニアリングをはじめとする最先端の手法や概念の効果検証を進め、日本のIT産業の発展に貢献してまいります！ ハーネスエンジニアリングの概要や成果の数字、エンジニアの視座の変化を紹介した前編もぜひご一読ください。 前編はこちらから ハーネスエンジニアリングに関する関連記事はこちらから

GMOインターネットグループが協賛した『SECCON 14 電脳会議』。午前中に行われたワークショップに続いて、午後からはGMO Flatt Security株式会社の石川による講演・「LLMがCTFと脆弱性診断をどう変えていくのか」が行われました。会場の外まで立ち見が出るなど大盛況となった本講演。後編レポートでは、多くの参加者の注目を集めた講演の内容や会場の様子をお伝えします。 Open Conference 講演者：GMO Flatt Security株式会社 プロフェッショナルサービス部 石川 琉聖 講演タイトル：LLMがCTFと脆弱性診断をどう変えていくのか 日時：2/28(DAY1) 14:00-14:20会場：Room0詳細はこちらから LLMが変えたCTFの「解き方」と「意義」 CTFプレイヤー・CTF運営者・脆弱性診断士という「三刀流」で活躍する石川は、GMO Flatt SecurityでWebの脆弱性診断やペネトレーションテストに従事するかたわら、『SECCON Beginners CTF』や『DIVER OSINT CTF』といったCTFの運営にも携わっています。 講演の始めに語られたのは、【LLMがどのようにCTFを変化させたか】について。従来のCTFでは、対象となるサービスの仕様チェックやフラグ位置の特定、攻撃ベクトルの検討、防御機構のバイパス確認といった複数のステップを「人間が思考しながら」進めていく必要がありました。 しかしLLMの登場により、「あらかじめLLMの手足となるツール環境さえ整えておけば、あとはLLMに委ねるだけ」というシンプルな流れに変わりつつあるそうです。 具体例として紹介されたのは、石川自身が参加した2つのCTFでした。1つ目は、リバースエンジニアリング・OSINTなど約50問が出題された総務省主催の全国型CTFコンテストです。国内から約500人が参加したこの大会において、Claude Agent SDKを用いてClaude CodeをCTF用にカスタマイズしたツールを準備し、実際に活用したとのこと。 大会ではさらにLSP・MCP等のツールやサンドボックス環境なども事前に整備したうえで、競技中はこれらのLLMツールを稼働させ続けたことで2位になれたと紹介。こうした動きについても、「最終的に人間が行ったのは問題文のダウンロードとフラグの提出のみでした。ここも自動化できたのですが、規約との兼ね合いを考えて人間がやるという方針を取りました」と振り返ります。 2つ目の事例は、『SECCON CTF 14』予選のJailジャンルで出題された【broken-json】という問題です。こちらも同様のLLM環境を用意したうえで、LLMが自身のコードをデバッグしやすいよう問題コードにprintデバッグを追加したという実例を示します。 このCTFでは、他にも問題に使われたサードパーティライブラリのリポジトリをあらかじめクローンしておくなどの準備を15分程度で行い、以降はLLMに解かせるだけで正解にたどり着けたという自らの体験を共有しました。 人力で行うよりも速く正確なLLMが課題を解くことに対して、CTFという競技はすでに「終わって」しまったのかという疑問を持つ方もいるなか、石川は「まだギリギリ役に立つ」と語り、その意義が失われていないと主張します。 複雑なCTFツールを使って解くような低級～中級レベルの問題こそ競技性が失われつつありますが、石川は「現在のLLMやツールの力では複雑な問題が結構解けないことがまだあります」と語ります。この講演の裏で行われている本選の問題も、LLMでは対処できない高レベルな問題です。 こうした問題を解くために求められる、「方針」を立てて解法を主導したりといった戦略的な部分は、まだ人間の領分なのです。 現状では「大きな1つの課題を細かい複数の問題に分解し、それぞれを1つ1つ解いていく」といった仕事は人間が行っている一方で、「来年には話が変わってくるかもしれない」と、AI技術の爆発的な進歩によって人間の果たす役割がさらに変化する可能性にも触れました。 CTFで培ったスキルは脆弱性診断でも活きる 続いて語られたのは、CTFで得られるスキルと実際の脆弱性診断の関連性です。石川は自らと同じくGMO Flatt SecurityでCTFプレイヤーとして活躍するhamayanhamayanさんのブログを引用しながら、「CTFで出題される脆弱性と実際のプロダクトセキュリティの課題には、ある程度重なる部分があります」と提示しました。 「各種脆弱性の根本原因への理解や、どのような実装が脆弱性を招くかという知識は、CTFと実務の双方で一定の関連性があります」と熱弁をふるう石川。実際の診断で役立つCTFスキルとして挙げられたのは、「問題の本質を見抜く力」と、診断時に仮説を立てて検証を繰り返していく「仮説検証の力」の2点だといいます。 とくに「問題の本質を見抜く力」については、「どこに脆弱性があるのか、攻撃された場合にはどのような影響が生じるのかを把握し、優先度を考えながらリスクの大きい箇所に重点を置いた診断ができる能力」（石川）と定義したうえで、LLMが台頭した現在においても極めて重要な能力だと強調しました。 さらに、現在ではこれらに加えて「LLMを使いこなす力」も不可欠のスキルになりつつあります。LLMが脆弱性を発見するために必要なContext Engineering能力や、診断環境に合わせてその場で適切なツールを作成するといった臨機応変さも求められているのです。 実際の診断現場では、GMO Flatt Securityが展開するAIエージェントである『Takumi byGMO』とClaude Codeを第2の診断員として活用し、AIと人間の診断を並列で進めるスタイルが定着しつつあるとのこと。 2025年11月から提供開始しているブラックボックス診断においても、Takumi byGMOがブラウザの立ち上げからWebサイトをクロールし、攻撃ペイロードの試行・修正までをすべて自動化したと紹介しました。 CTF運営として行う、4つの「LLM対策」 最後に語られたのは、CTFが今後どのように変わっていくのかという考察です。運営者の立場として、石川は「競技性の高いCTFほど、LLMを用いるプレイヤーを無視できなくなっている」と指摘します。 CTFはあくまで競技性のあるエンターテインメントであり、LLMで解ける問題ばかりになれば、LLMの性能や使用できるトークンが勝敗を左右する『Pay to Win』の環境となりかねません。そのためLLMの使用を規制するのも1つの方向性ですが、プレイヤー側がLLMを「使っていない」と証明する手段がないため、公平性の観点からも実現するのは困難です。 こうした状況の中で運営側が取れる対策として、4つのアプローチを提示しました。 1つ目は、さまざまなモデルやツールを使った事前レビューの実施です。これはClaudeやChatGPTをはじめとする複数のモデルやMCPツール等を組み合わせても解けないことを事前に確認するというものです。 しかし膨大な工数・時間をかけても完璧に確認することは現実的でなく、実質的な問題難化にもつながるのがデメリットです。石川は「スポンサーも巻きこんで、作問チーム全体でLLMを使えるような環境や仕組みを作ることも非常に重要です」と訴えます。 2つ目はLLMボット対策で、こちらは現在とくに深刻な問題が生じているOSINT系のCTFにおいて打てる対策です。 一般的なCTFではフラグの文字列を見つければ一目でわかりますが、OSINT系では座標や地名がフラグになるため、座標単体ではその文字列がフラグなのかを判別しづらいという特性があります。 「LLMの登場以前から、日時などを総当たりで列挙してスコアサーバに投げるといった行為は存在していました。しかしLLMの登場以降は、地名のような列挙しづらい情報についても確度の高い候補を100件単位で生成して、一斉送信できるようになったんです」と環境の変化を語ります。 こうした環境下でフェアな競技を実現するために、運営側に回ったDIVER OSINT CTFでは「3回連続の誤答で15分間の提出制限をかける」というレートリミットを導入し、参加者からも好評を得たと紹介しました。 3つ目は最新技術のキャッチアップです。AI技術は日進月歩のため、「作問から解説までの間に強力な新モデルが公開されると事前レビューをやり直す必要があります。なので、祈ることも大事ですね」とユーモアを交えて語り、会場からも笑いが起きました。 最後の4つ目は、「無理なものは無理」という諦めです。LLM対策が困難な場合には、競技コンテンツとしてのCTFや、解ける喜びを伝える教育的なCTFへと方向性を転換することも選択肢になりうると提案しています。 意義は変わっても、CTFの形は残る そしてプレイヤー側の見解として、GMO Flatt Securityに所属するCTFプレイヤー4名からの展望が紹介されました。 CTFの存続については「人間にしか解けない領域はある程度狭まるが、CTFは続いていく」「CTFはLLMでの挑戦と新テクニックを楽しむ場として残る」と好意的な見方を示しつつ、単に問題を解けたかどうかだけを楽しむのではなく、その過程（解法）を理解する楽しみも感じてほしいとしていたのが印象的でした。 また「LLMでいかに効率的に問題を解くかという方向にCTFの競技性そのものが変容していくのではないか」と、CTFの性質そのものが変化するのではないかという指摘もありつつ、「LLMを活用し、プレイヤーはより効率的に知識を吸収するようになるだろう」という見方も提示されています。 そして石川自身は「教育性の高いCTFほど問題の難度が上がり、相対的に教育的価値が増していく。問題が難化するにしたがって、初心者を含むチームの参加障壁が上がるでしょう」と、教育的側面の意義を強調しました。 また質疑応答では、「LLMで効率的に学習できるようになる一方で、答えだけをもらうプレイヤーが増えると基礎的な学問が疎かになるのではないか」という質問が飛びました。 これに対して石川は、「一部のプレイヤーは効率化によって多くの問題が解けるようになる一方で、LLMに頼りきるプレイヤーも出てくるだろう。プレイヤー間の能力差はさらに広がっていくかもしれない」と回答。質問者の懸念を正しいものだとしつつ、だからこそ教育的なCTFの意義があるのだとしています。 講演の最後に、石川は「LLMの台頭によって、深い知識が問われる問題がより残るようになっていること」「AI時代だからこそCTFで養われる問題解決力の重要性は変わらないこと」の2点を改めて強調しました。 CTFは今後、その方向性こそ大きく変化していくものの、一定の価値は今後も残り続けるとの展望が示され、セッションは締めくくられました。

2026年2月28日（土）〜3月1日（日）の2日間、東京・浅草橋ヒューリックホール＆カンファレンスにて『SECCON 14 電脳会議』が開催されました。本レポート前編では、GMOサイバー犯罪対策センターが手がけたワークショップ『インターポールAIクエスト（CTF）』の模様とブース展示についてお届けします。 『インターポールAIクエスト（CTF）』：AIに支配された空間で発生したサイバー犯罪に挑む Day1のRoom4で開催された『インターポールAIクエスト（CTF）』は、GMOサイバー犯罪対策センターの福森が監修したワークショップ型CTFです。 本セッションは、インターポール（国際刑事警察機構）向けに提供されたCTFをベースに、『CODE BLUE』での実施を経て初心者でも取り組みやすいようアレンジされたものです。CTF未経験者の方も一定数参加しており、定員制のセッションながら盛況を見せていました。 暴走AIの包囲網を突破せよ！ 午前10時からスタートしたCTF。参加者はインターポールのサイバー犯罪捜査官という設定でサイバー犯罪組織に潜入したというストーリー形式で進んでいきます。 捜査官を待ち受けていたのは、完全にAIに支配された空間。暴走したAIの包囲網をかいくぐりながら、被害者の救出を目指す…という構成です。会場内に隠されたヒントが次の問題の手がかりになる形式で、まさに宝探し感覚で臨めるのが特徴です。 このCTFは、近年急速に普及するAI技術をセキュリティの観点から体験できるのも大きなポイントとなっています。LLMをはじめとする生成AIを攻撃・防御それぞれに活用した技術演習を行える内容に仕上げました。 CTFはチーム戦や個人戦が一般的ですが、今回の参加者は【インターポールのサイバー犯罪捜査官】です。隣にいる【同僚】と協力して問題解決することもできる、少し特殊な形で進んでいきました。 初対面の方と協力しながら解いていくという状況に、ほとんどの参加者が最初は戸惑いを見せていましたが、ワークショップを担当したGMOサイバーセキュリティbyイエラエの上田から「緊張するかもしれませんが、”SECCON”はホワイトハッカーの集まりですので、同じような気持ちを持った方同士で仲良くできるかなと」という言葉に、少しずつ隣の参加者とコミュニケーションを取る姿が増えていきます。 最初の課題は開始15分程度で解答者が現れ、指示された内容を基に会場にあるヒントを捜索。いち早く他の参加者と協力して迅速に解いたこともあり、ここから協力し合う方が一気に増えたことが印象的でした。 「協力」を求められるCTFが生み出す、参加者同士の絆 協力し合った参加者が早く次の課題へ進んだりと、終わってみればホワイトハッカー同士の自然な交流が生まれた本セッション。最終的にはほとんどの方が周囲と話し合い、1つの画面に顔を寄せ合いながら課題を解いていく協力体制が出来上がっていました。 試行錯誤やアイデア出しの合間には笑顔が見られ、タイピング音が響く環境のなかに話し合いの声や笑い声が混じる、活気あふれる空間でした。想定以上の盛況ぶりに課題を記した紙が足りなくなり、スタッフが急遽増産して急場を凌ぐ一幕もありました。 スタッフ側も参加者への案内やコミュニケーションを積極的にとり、真剣さと和やかさが同居する良い雰囲気の中で進んだセッションとなりました。 2時間があっという間に過ぎ去ったCTFセッション。終了後には参加者同士で「難しかった」「ここまではいけた」と話し合う場面もあり、「自分は毎年来ているので、来年の”SECCON”もぜひ」と再会の約束を交わした方も。 そして全10問の課題をクリアした方には賞品が出るということもあり、セッション後も会場に残って問題を解く参加者も。最終的には4名の方が事件を解決しました！ 会場ならではの熱量が感じられるワークショップとなり、運営側からも「やってよかった」の声が聞こえます。 実際の国際捜査機関向けに提供された知見が、こうしたオープンなカンファレンスの場で還元されることは、セキュリティ人材の裾野拡大という観点でも意義深いものだったのではないでしょうか。 多くの方々との接点を持てたブース展示 会場では、GMOインターネットグループとしてブース出展も行いました。GMOサイバーセキュリティ byイエラエ、GMO Flatt Securityのパートナー（社員）がスタッフとして参加し、セキュリティ領域におけるGMOインターネットグループの認知拡大と、業界関係者やセキュリティに興味を持つ学生との「横のつながり」を強化するべく展示を行いました。 ブースでは名刺交換またはアンケート回答で1回くじ引きができる企画を実施し、A賞にはLogicoolの最新マウス、B賞は技術書、C賞はAmazonギフトカードを用意。D賞はGMOインターネットグループのノベルティという豪華なラインナップです。セキュリティエンジニアにとって実用的な景品が揃っていたこともあり、「何が当たるんですか？」「技術書欲しいですね」と足を止める来場者が絶えませんでした。 3階の廊下に面したスペースに出展したこともあり、セッション間の移動時間では多くの方に足を止めていただきました。とくにセッション間の移動時間帯はくじ引きの前に列ができるほどの盛況ぶりで、A賞やB賞が出ると抽選ベルがカランカランと鳴り響くことも。スタッフ・来場者ともに、思わず笑顔になる場面が何度もありました。 名刺交換の際にはセキュリティサービスについての質問を受ける場面もあり、カンファレンスならではの密度の濃い会話が随所に見られたのも印象的でした。なかには「以前GMOインターネットグループに在籍していたんです」という方もおり、昔話に花を咲かせる場面も。思わぬキャリアの交差点が生まれていました。 結果として想定以上の名刺交換ができ、くじは残らず配布。GMOインターネットグループのサービスを記載した冊子などがセットになったトートバッグも、多くの方へお渡しできました。 セキュリティ領域で活躍するエンジニアやホワイトハッカーの方々と数多くのつながりを持つことができ、認知拡大や横のつながり強化という出展目的を達成できた2日間となりました！ GMO Flatt Security & GMOサイバーセキュリティ byイエラエからも「参戦」したCTF決勝 2階ヒューリックホールでは、世界規模のオンライン予選を勝ち抜いた国内外のチームが覇を競う『SECCON CTF 14 International Finals』『SECCON CTF 14 Domestic Finals』が開催されました。 誰でも参加可能な個人戦のRTA形式CTF『SECCON RTA CTF+AlpacaHack』などの企画も催されており、講演やワークショップを終えた方が立ち寄って熱戦の様子を眺めたり、企画に参加してみたりといった方も。 GMO Flatt SecurityならびにGMOサイバーセキュリティ byイエラエからも、最前線で活躍するホワイトハッカーが『SECCON CTF 14 Domestic Finals』に参戦。奮戦を見せてくれました。 また、今回開催された『SECCON Beginners Workshop』の運営メンバーである、GMO Flatt Security所属の石川が講演も行いました。こちらの講演の様子はレポート後編にてご紹介しますのでぜひご覧ください。

GMOインターネットグループは、情報セキュリティコンテストイベントである『SECCON14』にトップスポンサーとして協賛しました。本記事では、2026年2月28日（土）・3月1日（日）に開催された『SECCON14 電脳会議』での Open Conference、Workshop、ブース出展、『SECCON CTF 14 Domestic Finals』の表彰式を中心に、当日の様子をレポートします。 イベント概要 名称：SECCON14 電脳会議開催日：2026年2月28日（土）- 3月1日（日）会場：浅草橋ヒューリックホール＆カンファレンス主催：SECCON 実行委員会公式サイト：https://www.seccon.jp/14/ 『SECCON』とは？ 『SECCON（Security Contest）』は、日本国内最大級のCTFである『SECCON CTF』を中心に開催される、来場者参加型のイベントです。『SECCON14 電脳会議』では、『SECCON CTF 14 Domestic Finals』に加え、Open Conference、Workshop、『SECCON Beginners』『CTF for GIRLS』関連企画、各種コンテストなどが行われました。 競技として腕を競う場であると同時に、セキュリティに関心を持つ人たちが学び、交流し、次の挑戦につなげていく場でもあります。会場では、学生、社会人、研究者、企業のセキュリティエンジニアなど、さまざまな立場の参加者が集まり、Open ConferenceやWorkshop、ブースを通じて活発な交流が生まれていました。 Open Conference：LLM時代のCTFと脆弱性診断 Open Conferenceでは、GMO Flatt Security プロフェッショナルサービス部の石川琉聖が登壇しました。【LLMがCTFと脆弱性診断をどう変えていくのか】というタイトルで、2月28日（土）14:00〜14:20にRoom0で実施されました。 本セッションでは、LLMの登場によって、CTFの解き方や脆弱性診断の進め方がどのように変化しているのかが紹介されました。CTFでは、これまで人が担っていた探索や解析の一部をLLMに委ねられるようになりつつある一方で、複雑な問題に対して方針を立てる力や、本質を見抜く力は引き続き重要であることが語られました。また、CTFで培われる仮説検証力や脆弱性への理解は、実際の脆弱性診断の現場でも活かせるスキルとして紹介されました。あわせて、AI時代のCTF運営における課題や工夫にも触れられ、競技のあり方そのものが変化していく可能性についても示されました。AIが進化する時代だからこそ、問題解決力や実践的な思考力の価値を改めて考えさせられるセッションとなりました。 Open Conferenceの詳細レポートは、【後編】『SECCON 14 電脳会議』 イベントレポート｜AI時代におけるCTFの意義＆脆弱性診断への「活かし方」をご覧ください！ Workshop：インターポールAIクエスト（CTF） Workshopでは、GMOサイバーセキュリティ byイエラエによる「インターポールAIクエスト（CTF）」が2月28日（土）10:00〜12:00にRoom4で実施されました。 本ワークショップは、インターポール向けに提供されたCTFをベースに、初心者にも参加しやすい形にアレンジされた内容です。参加者はインターポールのサイバー犯罪捜査官となり、AIに支配された空間で発生した事件の解決に挑みました。会場内に隠されたヒントを手がかりに進める構成で、宝探しのような感覚で楽しみながら学べる点が特徴です。また、生成AIを攻撃・防御の両面から体験できる内容となっており、AI時代のセキュリティを実践的に学べる機会となりました。当日は、初対面同士でも協力しながら課題に取り組む様子が見られ、会場には自然な交流と一体感が生まれていました。終了後も問題について話し合う参加者の姿が印象的で、『SECCON』ならではの熱量を感じられるワークショップとなりました。 Workshopの詳細レポートは、【前編】『SECCON 14 電脳会議 』イベントレポート｜「横のつながり」で深まる、ホワイトハッカーの連帯感をご覧ください！ GMOインターネットグループブース：技術とキャリアの会話が生まれた交流の場 今回の協賛レポートで特にお伝えしたいのが、GMOインターネットグループブースの様子です。ブースでは、GMOサイバーセキュリティ byイエラエとGMO Flatt Securityの担当者が来場者をお迎えしました。 Open Conferenceや競技の合間には、多くの方がブースに立ち寄ってくださいました。会社の取り組みやセキュリティ事業についての話だけでなく、CTFの学び方、脆弱性診断の仕事、インターン、キャリア相談など、さまざまな話題が広がりました。 印象的だったのは、単なる企業紹介の場ではなく、セキュリティに関心を持つ人同士がつながる場所になっていたことです。「CTFをやっているけれど、実務ではどう活きるのか」「脆弱性診断の現場ではどんな力が求められるのか」「学生のうちに何を学んでおくとよいのか」といった質問もあり、担当者も自身の経験を交えながらお話ししました。 また、ブース企画として実施した、ガジェットや技術書が当たる【めくりくじ】には150名を超える方にご参加いただきました。景品をきっかけにブースへ立ち寄ってくださった方とも、そこから技術やキャリアの話に発展する場面が多くありました。ブース前で足を止めてくださる方、担当者とじっくり話し込む方、友人を連れて再訪してくださる方もおり、終日活気ある雰囲気でした。 『SECCON14 電脳会議』のようにセキュリティへの関心が高い方々と直接話せる場は貴重です。GMOインターネットグループとしても、自分たちの取り組みを一方的に伝えるだけではなく、参加者の皆さんが今どんなことに興味を持ち、何に悩み、どんな挑戦をしているのかを知ることができる、有意義な時間になりました。 『SECCON CTF 14 Domestic Finals』の表彰式 『SECCON14 電脳会議』では、『SECCON CTF 14 Domestic Finals』も開催されました。国内決勝には9チームが出場し、筑波大学の学生チーム【TPC】が国内決勝1位となり、優勝しました。 今回の表彰式では、優勝チーム【TPC】に対し、GMOインターネットグループからモバイルモニターを贈呈しました。CTFをはじめとする競技や学習、日々の技術研鑽に取り組むセキュリティエンジニアの皆さんの作業環境をより良いものにし、今後のさらなる活躍につなげていただきたいという思いを込めています。 さらに今回、優勝した【TPC】の選手の皆さんは、GMOサイバーセキュリティ byイエラエやGMO Flatt Securityでインターンを経験されています。そのうち1名は、この春からGMO Flatt Securityに入社しています。 これは、今回GMOインターネットグループとしても特にうれしい出来事でした。CTFに本気で取り組んできた方々が、インターンを通じてGMOインターネットグループと接点を持ち、さらに競技の場で結果を残している。セキュリティコミュニティへの協賛や支援が、こうしたつながりにつながっていることを実感できる表彰式でした。 懇親会 イベントを通じて、参加者同士や登壇者、スポンサー各社の交流が各所で生まれ、『SECCON14 電脳会議』ならではのコミュニティの熱量を感じる機会となりました。競技やOpen Conference、Workshopに真剣に取り組む空気感がありながらも、会場では参加者同士が自然に会話を交わし、新たなつながりが生まれていたのが印象的でした。GMOインターネットグループとしても、多くの来場者の皆さんと直接お話しできたことを大変うれしく思っています。セキュリティに関する知見を共有し、交流を深める場として、改めて『SECCON』の価値を実感しました。 最後に 『SECCON 14』への協賛を通じて、GMOインターネットグループは『SECCON14 電脳会議』Open Conference、Workshop、ブース出展、表彰式など、さまざまな形でイベントに関わることができました。 今回特に印象に残っているのは、セキュリティに本気で向き合う人たちの熱量です。CTFに挑む参加者、Workshopで手を動かす参加者、ブースでキャリアや技術について相談してくださった方々、そして国内決勝で結果を残したTPCの皆さん。セキュリティコミュニティの広がりと強さを改めて感じる場でした。 ブースへお立ち寄りくださった皆さん、Open ConferenceやWorkshopにご参加いただいた皆さん、ありがとうございました。今後もGMOインターネットグループは、安心・安全なインターネット社会の実現に向けて、セキュリティ技術の発展とコミュニティへの貢献に取り組んでまいります。 またイベントの会場で、皆さんとお会いできることを楽しみにしています。

はじめに こんにちは。GMOインターネットの平野です。 以前、ハーネスエンジニアリングの紹介記事では、ConoHa VPS MCPサーバー開発で実践したハーネスエンジニアリングの具体的な仕組みを紹介しました。「何をやったか」の話です。今回は一段メタな視点で、「なぜそうなるのか」を掘り下げます。ハーネスエンジニアリングとは、結局のところ何をしているのか。その本質と思想を整理します。 本質: 従来の開発規律の再設計 ハーネスエンジニアリングの本質は、新しい規律の発明ではありません。 テスト、CI、リンター、コードレビュー、ADR （Architecture Decision Records）──これらは従来からやるべきだった開発規律です。ハーネスエンジニアリングの新しさは、これらをエージェントが end-to-end で回せるように再設計している点にあります。 4 つの再設計軸 従来の開発とハーネスエンジニアリングの違いを、4 つの軸で整理します。 再設計軸従来ハーネスエンジニアリング実行環境人間がローカルで実行エージェントが Hooks・CI で自律的に駆動知識配置Wiki等に記述的に蓄積メタデータ付きのMarkdownファイル検証ループCI → 人間レビュー → 修正PostToolUse（ms）→ プリコミット（s）→ CI（min）で自己修正運用経済人間の時間が律速、慎重にマージエージェントの実行時間が律速、「修正は安価、待機は高コスト」 この 4 軸は、ハーネスエンジニアリングを考えるときの基本的なフレームワークになります。 制御なき AI コーディングの課題 ハーネスなしで AI に自由にコーディングさせると、以下の問題が構造的に発生します。 一貫性の欠如: ファイルごとに実装パターンがずれる、命名規約に揺れが出るアーキテクチャの崩壊: 境界を越えた import が紛れ込む、レイヤー設計が壊れる技術的負債のサイロ化: エントロピーが増大し、各セッションが独立した負債を生産する これらは AI の能力不足ではなく、制約の不在が引き起こす構造的問題です。人間の開発者でも、レビューやルールがなければ同様のことが起きます。AI の場合、速度が速いぶん、問題の蓄積も速くなるだけです。 プロンプトの限界とハーネスの複利効果 「AI に良いコードを書かせたいなら、良いプロンプトを書けばいい」──これは直感的には正しく聞こえます。しかし、この方法には構造的な限界があります。 プロンプト依存の限界: AI に高品質を求めるほど、指示が肥大化する指示が肥大化するほど、品質担保が「人間がプロンプトを正しく書けたか」に依存するプロンプトは毎回書き直す消耗品であり、セッションをまたいで蓄積しない 一方、ハーネスは一度作れば繰り返し品質を安定供給できます。たとえば、リンタールールを 1 つ追加すれば、以降すべてのセッションでそのミスが防がれます。 プロンプトは単利、ハーネスは複利です。 もちろん、プロンプトが不要になるわけではありません。プロンプトは「何をつくるか」の方向づけに不可欠です。ただし、「どう品質を守るか」をプロンプトに頼り続けるのは、スケールしない方法だということです。 6 つの核心原則 ハーネスエンジニアリングの設計を支える原則を 6 つに整理します。 品質の源泉は「仕組み」: プロンプトではなく、ハーネスで品質の不確実性を除去する速度こそが品質: フィードバックループの速さが品質を規定する。ms 単位でエラーを発見できれば、修正コストは限りなく小さくなる制約がエージェントを導く: 自由度ではなく「制約」で一貫性と予測可能性を両立させるルールは陳腐化が前提: ルールの鮮度の自動検証、AI レビューを実施する機械的に検証しづらい品質も測る: 機械的に検証しづらい品質基準も言語化し、AI に提供することで、機械的検証の死角をカバーする自律に耐えうる設計: ルール自体の運用（追加・変更・廃止）を、エージェントが実行できるように明示する 原則 6 は特に重要です。ルールを作るだけでなく、ルールのメタ運用自体もエージェントが参加できるよう設計する。これによって、ルール体系そのものが自律的に進化し続けるための土台ができます。 広義と狭義のハーネスエンジニアリング 広義: 3 つの柱の統合 ハーネスエンジニアリングを広義に捉えると、3 つの柱で構成されます。 コンテキストエンジニアリング ──エージェントに「何を守るべきか」を正しく伝える CLAUDE.md の設計（50行以下、詳細はオンデマンドロード）計画と実行の分離（エージェントに計画を立てさせ、人間がレビューしてから実行）Skillsやコーディングパターンのドキュメントのメタデータ設計 ハーネス（制約） ──不変条件を機械的に検証し、違反をブロックする リンター、テスト etc...Hooks による開発時ガード構造テストによるアーキテクチャ不変条件の固定 ガベージコレクション ──ルール体系そのものの劣化を検知し、鮮度を保つ ルールの鮮度チェックADR によるルール変更経緯の記録 この 3 つの柱は独立しているのではなく、互いに依存しています。コンテキストエンジニアリングがなければ制約は伝わらず、制約がなければ品質は守れず、ガベージコレクションがなければ制約は陳腐化します。 狭義: 制約で狭める 狭義のハーネスエンジニアリングは、2 番目の柱──制約による品質担保──に焦点を当てます。 エージェントの解決空間を広げるのではなく、狭めることで一貫性と予測可能性を高める「自由にやらせて後でレビュー」ではなく、「最初から選択肢を絞り、逸脱を即座に検知」制約がエージェントを弱くするのではなく、制約がエージェントを強くする ここでのポイントは、今すぐ機械で判定できないルールであっても、言語化しておく価値があるということです。定義さえあれば、将来のツール改善によって自動化が可能になります。定義がなければ、永遠に暗黙知のまま残ります。 運用思想: 人間とエージェントの役割分担 人間の役割──方向づけと判断 優先順位付け: 何を先にやるか、何を後回しにするか受け入れ基準の定義: 完了条件を曖昧にせず言語化する成果検証: エージェントの出力が意図と合致しているか確認例外判断: ルールから外れるべきケースの判断（ADR として記録） 人間は主にプロンプトで方向づけし、エージェントが実装・レビュー対応・修正まで進めます。 エージェントの役割──実行と自己修正 エージェントは、人間が設計した制約の中で、end-to-end の実行ループを自律的に回します。 実装レビュー指摘への対応テスト修正 重要なのは、エージェントに「何でもできる自由」を与えることではなく、「制約の中で確実に動ける仕組み」を提供することです。 暗黙知の排除原則 すべてのルールはまず知識として全情報をAIに渡します。人間だけが感覚で知っている状態を排除する──これが運用思想の根幹です。 人間が暗黙的に持っている品質基準を、明示的に言語化してAIに渡す「わかっているはず」「常識だろう」という前提を排除し、すべてを機械可読な形で記述する 暗黙知の排除は、AI のためだけの施策ではありません。新しいチームメンバーのオンボーディングにも、同じ形で効きます。 運用経済: 「修正は安価、待機は高コスト」 従来の開発では、人間の時間が最も高コストでした。だからこそ「慎重にレビューし、確実にマージする」ことが合理的でした。 エージェント駆動開発では、この経済構造が反転します。 観点従来の開発エージェント駆動開発最も高コストなもの人間の時間エージェントの待機時間マージ戦略慎重にレビューを行うお客様影響がないと言い切れるものはレビューを最小限にし、スループットを上げる この経済観から導かれる設計判断 人間の承認待ちがボトルネックにならないよう、自動マージ可能な範囲を広げるフィードバックループの高速化を行うために、PostToolUse（ms）で直せるものを CI（min）まで待たせない フィードバック速度のパラダイムシフト 従来は人間によるレビュー（数時間）が品質の最終防衛線でした。ハーネスエンジニアリングでは、この防衛線をツール実行（数ミリ秒）へシフトさせます。 レイヤー速度性質PostToolUsems機械的・即時Pre-commitsローカル環境CIminリモート環境Human Reviewh人間的・遅延 CI で落ちてから気づくのではなく、開発ループの中で「その場で正される」即効性が品質を生みます。できるだけ多くのチェックを、最も速いレイヤー（ms）に移動させることがハーネス設計の基本原則です。 まとめ ハーネスエンジニアリングの本質は、「新しい規律の発明」ではなく「既存の開発規律を、エージェントが回せるように再設計すること」です。この記事の要点を 2 つに整理します。 1. 制約がエージェントを強くする エージェントの能力を引き出すのは自由度ではなく制約です。制約を強め、逸脱を即座に検知する仕組みが、一貫性と予測可能性を生みます。プロンプトによる毎回の指示（単利）ではなく、ハーネスという仕組みへの投資（複利）が、長期的に品質を安定させます。 2. 暗黙知を排除し、すべてを機械可読にする 人間だけが感覚で知っている状態を排除し、ルールを明示的に言語化する。今すぐ自動化できなくても、デジタルで定義しておくことで、将来の自動化への道が開けます。ルールの追加・変更・廃止というメタ運用も含めて、機械可読に設計することが、自律的に進化するルール体系の土台になります。 以前紹介した記事の実践は、この思想の具体的な表現です。個々のテクニックとして消費するのではなく、「従来の開発規律の再設計」というフレームで捉えることで、自分たちのプロジェクトに合った仕組みを設計するヒントになれば幸いです。 また、ハーネスエンジニアリングについての弊社の取り組みについて、インタビュー記事も公開されました。よかったら合わせてご覧いただけますと幸いです。

ChatGPTの登場以降、開発現場では生成AIの活用が急速に広がり、GitHub CopilotやClaude Codeといったエージェント型ツールの導入も進んでいます。こうした中、プロンプトエンジニアリング・コンテキストエンジニアリングに続く第三の潮流として、AIエージェントを取り巻く環境を整備することでアウトプットの品質を担保する「ハーネスエンジニアリング」に注目が集まっています。GMOインターネットでは、自社で展開するConoHa・お名前.com・とくとくBBの各プロジェクトに加え、アプリケーション共通で使用する機能の認証基盤にてハーネスエンジニアリングを試験的に導入し、検証を進めています。今回は、GMOインターネット内でハーネスエンジニアリングの検証・導入を進めるAIアンバサダー8名に話を伺いました。前編では、ハーネスエンジニアリングの概要や検証の中で見えてきた成果、仕事の変化などを紹介します。 AIの「手綱」を握り、アウトプットの質に再現性を持たせる ◇リーダー谷中 佑貴人(やなか ゆきと)所属：GMOインターネット株式会社 システム本部 アーキテクチャー統括 アプリケーション共通チーム (グループ広報部 技術広報チーム兼務)役職：マネージャー◇メンバー井上 弘規(いのうえ ひろき)所属：GMOインターネット株式会社 システム本部 ドメイン・クラウド開発部 お名前フロントエンドチーム瀧谷 悠(たきたに ゆう)所属：GMOインターネット株式会社 システム本部 ドメイン・クラウド開発部 ConoHaバックエンドチーム役職：リーダー井上 優也(いのうえ ゆうや)所属：GMOインターネット株式会社 システム本部 ネットワークソリューション開発部 NSフロントエンドチーム藤嶋 智晃 (ふじしま ともあき)所属：GMOインターネット株式会社 システム本部 アーキテクチャー統括 アプリケーション共通チーム役職：リーダー舟木 博和(ふなき ひろかず)所属：GMOインターネット株式会社 システム本部 アーキテクチャー統括 アプリケーション共通チーム役職：リーダー平野 空暉（ひらの そらき）所属：GMOインターネット株式会社 システム本部 ConoHa開発部 ConoHaバックエンドチーム（ドメイン・クラウド事業本部プロダクトマネジメントチーム兼務）大山 仁(おおやま ひとし)所属：GMOインターネット株式会社 システム本部 ビジネスサポートプロダクトチーム ——まず前提として、「ハーネスエンジニアリング」とはどのような概念なのでしょうか。 谷中一言で言うと、「仕組みでAIの出力品質を安定化させる」考え方です。ハーネスというのは馬につける手綱（馬具）のことですが、さまざまなルールや制約・自動検証などを組み合わせた構造を使って、AIエージェントを制御していこうという発想ですね。将来的には、AIによる自律的なシステム開発を実現したいと考えています。AIを使った開発の歴史を振り返ると、最初は良いプロンプトを書くことに注力するプロンプトエンジニアリングに始まり、次にAIに渡す文脈を設計するコンテキストエンジニアリングへと発展してきました。ハーネスエンジニアリングは、その次のステップにあたる概念だといえますね。従来の手法では、AIのアウトプットの質が「人間がどれだけうまく指示を書けたか」という個人のスキルに担保されていたため、品質の向上には一定の限界がありました。プロンプトは毎回書き直すため品質の再現性が担保されませんが、ハーネスは一度整備すれば同じ品質を何度でも再現・供給できます。一度整備すればその後の開発生産性が向上するという、「複利で効いていく仕組み」である点こそが、ハーネスエンジニアリングの本質です。これまではソースコードを我々の価値や資産として位置づけてきましたが、これからのエンジニアの価値や仕事の中身は「AIが動きやすい環境を整備する」ことへとシフトしていくでしょう。 ——ハーネスエンジニアリングの取り組みを始めたきっかけは何だったのでしょうか。 谷中 佑貴人(やなか ゆきと) 谷中振り返ると、2023年の11月ごろにGitHub Copilotが使える環境を整備するところからAIエージェントへの取り組みを開始したことがそもそもの始まりでしたね。その後はさらにDevinからClaude Codeへとシフトしていったのですが、部分的な効率化を進めていく過程で「いくら試行錯誤しても、開発生産性はだいたい2倍あたりで頭打ちになる」という現実が見えてきたんです。これを5倍・10倍と伸ばしていくためには、AIエージェントに適した開発プロセスや開発の仕方そのものを変えなければならないと分かり、さまざまな手法を探っていくなかで解決策の1つとして出てきたのが、OpenAIの公式記事で言及されていたハーネスエンジニアリングでした。その時点ではまだ「ハーネスエンジニアリング」という言葉自体は使われていませんでしたが、意図を伝えればエージェントが自走して行動を完結するという、ハーネスエンジニアリングそのものの事例が紹介されていたんです。そこから着想を得て情報を追っていくうちにこの言葉に行き当たり、実際に着手したという流れです。 「正解のない問題に答える」苦労を乗り越えて生まれた成果 ——AIエージェントは少しずつ取り組む企業が増えてきましたが、まだメインストリームにはなっていないように思います。エージェントの導入に際して、苦労した点はありましたか。 谷中AIの進化は著しいので、使用するツールも頻繁に変わるだろうという想定は最初からありました。ただ私は部門横断で予算管理やコスト調整も担当しているので、Copilotを導入するにあたってもどういうプランで現場に展開するかは悩みましたね。Claudeでも同じで、本気で使おうとするとClaude Maxプランは個人契約しか選べません。法人として使うならエンタープライズ版のような包括契約を結びたいのですが、AI時代においてエンタープライズ契約に縛られてしまうと、次のトレンドが来たときに乗り換えられない。そうした事情を考慮しながら予算を確保することも苦労した点ですね。 平野現場目線で言うと、どこまでやっていいのかが分からないまま進めないといけないというのが厳しかったです。これまでの社内規則は「これをしてはいけない」という形で書かれているものが多かったのですが、AIは人間の想像力次第で何でもできてしまうので…。過去には「ClineにGitHub Copilotのキーを利用してよいのか？」といった論点がありましたが、こうした「正解を誰も知らないから誰にも聞けない」という状況が今なお続いています。AI技術の進歩は著しいだけに、こうした流れは今後も止まらないでしょうね。 平野 空暉（ひらの そらき） 瀧谷私の感覚では、苦労した点は大きく2つあります。1つは既存ソースへの適用、もう1つはツールやAIエージェントの最適な使い方に関する情報のキャッチアップです。前者については、実運用されているコードありきで導入することになるため、「このディレクトリの配下だけは別のルール」といったローカル事情のような、「コードベースに明文化されていない不文律」をうまく扱えるようにハーネスを設計していくところに心を砕きました。後者については、Devinから始まって今はClaude Codeがメインストリームとなっていますが、その間にもAntigravityの登場などツールの移り変わりが非常に激しかったですよね。自分たちにとって最適なものは何かを、普段の業務をこなしながら追いかけ続けるのも大変だったなと。 谷中我々のチームメンバーが参画しているSlackのチャンネルでは、技術記事をお互い投下しあうという文化があるので、現在はそこでいろいろな記事を投げ合って最新の情報をキャッチアップしているという感じですね。 ——現在は先行プロジェクトでハーネスエンジニアリングを検証中とのことですが、それぞれの検証の中で見えてきた成果と課題を教えてください。 舟木当社にはテスト自動化の文化自体はあるのですが、会社の歴史が長いため、自動テストが浸透する前から続いているサービスも存在します。正直なところ、サービスによって自動テストの充実度やカバレッジにはばらつきがありますね。とくに昔からあるサービスでは、そもそもテストコードを書きやすい構造になっていないものもあります。こうしたケースではリファクタリングなど、ハーネスを導入するための準備から始めなければなりません。こうした前提条件の違いを埋めていくところが今後の課題です。 舟木 博和(ふなき ひろかず) 平野一方で、特定のタスクにおいては明確な成果が出ています。たとえばデザインにおける「正しい」データがあって、それに向けてコーディングをするようなケースですね。こうしたケースではスクリーンショットを両方撮って比較すれば完全な正誤判定ができるので、ルールを定めた後はAIに自律的に動いてもらう、という状態が少しずつ作れてきました。明確な正解が厳密に定義されているAPI開発なども同様です。まだまだ試行錯誤のフェーズではありますが、こうした領域を広げていけばさらなる成果につながっていくでしょう。 谷中横断的な数値としての成果も上がってきました。これはハーネスエンジニアリング単体の成果ではなく、2023年から続けてきた社内のAI活用全体としての話になりますが、2026年1Q時点で、50%の開発工数削減を達成しています。PLベースで人件費換算すると、約5,300万円のコスト削減につながった計算ですね。開発にかけていた時間が単純に半分になったにもかかわらず、アウトプットの量は変わっていないという状況ですが、この50%削減をさらに引き上げていくための新しい打ち手がハーネスエンジニアリングという位置づけです。足元の目標は開発生産性5倍に置いていますが、将来的には10倍を目指していきたいと考えています。 AI時代のエンジニアの価値は「本質的な価値創出」にあり ——ハーネスエンジニアリングの導入前後で、働き方や仕事に対する意識は変わりましたか。 平野エンジニア視点では、視座が高まった感覚があります。これまではレビューをする際に、変数の綴りや改行位置など「本質的ではない部分」にも意識を割かなければいけませんでした。それがハーネスに吸収されるようになったことで、全体の設計や抽象度の高い領域を俯瞰的に見る機会が増えてきましたね。本来はアーキテクトや役職の高い人が見るような領域を、シニアエンジニアでも見ざるを得ない、あるいは見られるようになってきたというのは大きな変化だと感じています。 瀧谷最近は明らかに難しいことをやっているな、という感覚があります。以前は「こういう感じに動くものを作って」とタスクを与えられて、その通りに動くものを作るだけだったのですが、今はプロンプト1つで割と動くものが出来上がってくるので、その先の部分に取り組む場面が増えてきましたね。「アーキテクチャをどう良くしていくか」のような決まった正解がないことの多い問題や、「この動作は何ミリ秒以内に収めよう」といった、実装しているだけでは見えてこなかったパフォーマンス面に目を向けることが多くなったと感じます。もう一つ明確に変わったのが、後輩からプログラムについて質問される機会が目に見えて減ったことです。プロンプト1つで動くものが生成できるようになったことで、ジュニアクラスのエンジニアでも、実装やコードリーディングといった領域は1人で進められるようになってきました。だからこそ、後輩から質問をもらった際に改めてコードを読み直したり、資料を眺めて思考を整理したりするという「自分自身の学びの機会」が減っていると実感しています。正直なところ、中堅エンジニアとしては少し寂しさもありますね。 左：瀧谷 悠(たきたに ゆう)、右：平野 空暉（ひらの そらき） 平野学びの機会が自然には生まれにくくなっているからこそ、このチームで週3回ほどのペースで議論したり、Slackで新しい発見を積極的に投稿し合う場を持つといった取り組みには意味があると感じています。これもAI時代ならではのやり方ですね。 ——AIが個人の能力を拡大させるからこそ、熟練度に関わらずより本質的な部分にコミットできるか、価値を創出できるかが問われるのですね。 舟木セキュリティの観点でも同じことが言えます。これまでは自分で知識を身に着け、その知識を基に開発するという流れでした。しかし、今はそれをセキュリティテストツール等で自動検知の仕組みに落とし込むところまで考えなければ、AIに守らせることができません。 藤嶋これまで口伝えなどで緩く共有されていた認識やノウハウを、AIが判断に困らないような形で明文化して、リポジトリに情報として残していかなければいけなくなったという点も大きな変化です。そうしてリポジトリ側に情報を揃えておけば、全然知らないリポジトリを触るときでも、AIに聞けばちゃんとした答えが返ってくる状態にできるんです。これは大きなメリットですね。 藤嶋 智晃 (ふじしま ともあき) 井上(弘)開発の「終わり方」も変わりました。以前は開発が終わればそれで終了でしたが、ハーネスを導入してからは、開発が終わった後にそのやり取りを振り返って「どうハーネスを改善できるか」を考えるところまでが重要になってきています。 左：井上 優也(いのうえ ゆうや)、右：井上 弘規(いのうえ ひろき) 谷中マネージャーの立場で現場を見ていると、エンジニアの評価尺度が変わってきていることを実感しますね。これまでは、各エンジニアの力量をそれぞれの書くコードの量や質といった部分で評価していましたが、今は「どれだけAIをうまく活用できているか」が評価に直結しています。エンジニアに求められるものも変化する昨今ですが、エンジニアがハーネスの設計に注力することで、AIを活用した開発の質はさらに磨かれていくと信じています。 まとめ プロンプトの巧拙に依存せず、環境の整備によってAIのアウトプット品質に再現性をもたらすハーネスエンジニアリング。一度整備すれば複利で効いていく「仕組みの力」で開発生産性の壁を突破し、5倍・10倍へと成果を引き上げる鍵として検証に取り組んでいます。 GMOインターネットグループでは、これからもハーネスエンジニアリングをはじめとする最先端の手法や概念を吸収し、「すべての人にインターネット」というスローガンに向けて前進してまいります！ パフォーマンス面の考え方や開発者体験、ハーネスエンジニアリングを実践するために必要なものなどを伺った後編もぜひご覧ください！ 後編はこちらから ハーネスエンジニアリングに関する関連記事はこちらから

我々の暮らしや仕事の在り方を大きく変えた生成AI。デザインやエンジニアリングの現場でも、AIに作業を任せる場面が増えています。そして、押し寄せるAIの波は組織変革や業務効率化の取り組みにつながることも珍しくありません。GMOペパボ株式会社でプリンシパルデザイナーを務める佐藤咲さんも、こうした大きな変化に遭遇したひとりです。2024年4月から25年4月にかけて取得した育休の前後で、所属部署や日々の業務が大きく変わるなか、AIを使ってさまざまなツールを作り業務効率化を図っています。インタビュー前編では、育休復帰後に制作したツールの開発背景や、15年のキャリアで培ったスキルの活かし方などを伺いました。 佐藤咲（さとう・しょう）｜GMOペパボ株式会社　コーポレートコミュニケーション室コーポレートデザインチーム　プリンシパルデザイナー 2011年、paperboy&co.に新卒1期生として入社。GMOインターネットグループ参画後は「ロリポップ！レンタルサーバーのリブランディング」などに携わり、2017年から全社横断的な取り組みを行うデザイン部デザイン戦略チームに在籍。1年間の育休を経て、現在はプリンシパルデザイナーとしてコーポレートブランディングや事業部支援の取り組みを行う。 「時間のある限り働く」から「AIで悩む時間を圧縮する」へ —まず、佐藤さんのご経歴と現在の業務について教えてください。 佐藤2011年にpaperboy&co.（現GMOペパボ株式会社・以下、GMOペパボ）に新卒1期生として入社しました。入社時はデザイナーとしてホスティング事業に携わっていたのですが、この事業が福岡支社に移転する際に東京に残る選択をしたことで、新規事業や「ロリポップ！レンタルサーバー」のリブランディングに関わるようになりました。その後は事業部を横断したデザイン組織として2017年に発足した、「デザイン戦略チーム」の設立メンバーとして在籍していました。その後このチームが「デザイン部」へと発展したのですが、私が育休に入っている間に部長が転職されてしまって、この部署自体がなくなってしまったんです。育休から帰ってきたら上司も所属部署もなくなっていたという状況でした（笑）。部長とは数年間一緒に仕事をさせていただきましたが、ともに働く中で教えていただいた知識は私の大切な財産になっています。退職された際に託された意志とともに、今後の私を支えてくれると思いますね。現在はコーポレートコミュニケーション室に移り、GMOペパボのコーポレートブランディングや事業部支援の取り組みを行っています。 —育休中にGeminiやClaudeなどのAIが台頭した形になりましたが、AIに対する抵抗感はなかったのでしょうか。働き方や意識の変化などもあればお教えください。 佐藤1人のクリエイターとして、自分のイラストの絵柄がAIに模倣されてしまうことへの不安や嫌悪感は理解できますし、周囲のクリエイターも同じような懸念を抱いていました。私自身もそうした使い方に対して「嫌だな」という気持ちはありましたが、 普段の業務を楽にするという部分に関しては、もうすべてウェルカムの状態で活用していましたね。育休前後では、時間への意識が大きく変わりましたね。育休前は何か問題が発生しても、時間をかければ解決できることが多かったため、時間のある限り働いてしまっていたところがありました。しかし育休明けになると使える時間がどうしても限られてしまうので、いかに効率よく進めるかが重要になったんです。アウトプットの質を下げるのではなく、育休前と同じクオリティのものを出したいという気持ちがあったので、当時はとにかく「どこで時間短縮できるか」を探していました。そこにちょうどAIが現れたという感じですね。 —AIを活用することで、とくに影響のあった業務やワークフローは何だったのでしょうか。 佐藤リサーチの部分はかなり時間を短縮できましたね。たとえば「高級感のあるデザイン」を作りたいとなった時、これまでは「高級感」が一般的にどう表現されているかのリファレンスを集めて、さらにそこから色や余白、フォントなどの共通点を洗い出して思考を重ねていくというプロセスを踏んでいました。以前はここにじっくり時間をかけていましたが、今はリファレンス収集や、集めた画像の共通点についてAIで言語化しようと試みています。たとえば、自分の中で具体的なイメージはあるものの言語化できない表現をAIに聞くと、「Y2Kっぽい」とか「多色ノイズグラデーション」のようなワードを引き出してくれます。「こういうことを言いたかったんだ」という回答が出てくるので、特徴やポイントを自分の中で整理するとっかかりが早くなりました。またGMOペパボではウェブデザイナーがグラフィック制作だけでなく、プロダクトのUIやWebサイトのコーディングにも携わるのですが、こうしたコーディング周りでも効率化を実現しました。たとえばNextで作られているのかPHPで作られているのかによって変わるお作法の確認、開発環境の立ち上げ方を一から調べる作業、うまくいかなかった時のトラブルシューティングなどさまざまな場面でAIが非常に役立っています。「ここで困ったので解決してください」と伝えると対処してくれるので、悩む時間を大幅に短縮できましたね。リサーチとコーディングの両面で「悩む時間」を圧縮できたことが、育休後の限られた時間のなかで大きな助けになりました。 「AIにできること」を見定め、人間がコントロールする —時間短縮を図る中で、自分で使うための「最小ロゴチェックツール」を作られたそうですが、これはどのようなツールなのでしょうか。 佐藤私が所属しているコーポレートデザインチームでは、GMOペパボのロゴを含む制作物の確認作業があるのですが、ロゴチェックツールはそのロゴの使い方が正しいか、最小サイズを下回っていないかといった確認を行うものです。従来はこれを人間が手作業で「大丈夫です」「ちょっと小さいです」と判定していたのですが、現在は画像をチェックツールにかければロゴの大きさを自動で測定して、基準をクリアしているかどうかを判定できます。人間だとルールに対する受け取り方に個人差が出てしまうことがありますが、AIはそこが比較的ブレにくいように思いますね。なので、ガイドラインで「何ピクセル以上にする」「この周囲には何も置かない」といった形で明確にルールが決まっている作業は、AIでも人間と同じようにできるだろうという当たりがついていたんです。ルールに基づくチェックにおいては、そのルールに対する受け取り方に誤差が出にくい分、状況によってはAIの方が理解力は高いケースもあるように思います。 佐藤さんが作成した最小ロゴチェックツール —その後、AIを使ってプロダクトのライティングを行う「ブランドトーン・テキストジェネレーター」を開発されましたが、この開発背景を教えてください。 佐藤従来は、文章で書かれたブランドパーソナリティを人間が読んで解釈し、そこからテキストを考えていました。ですが人間の解釈を挟む以上、どうしても担当者によって受け取り方にブレが生じてしまいます。そこでブランドのパーソナリティ自体をAIに理解させて、そのブランドになりきってテキストを出力してもらえれば、大人数でブランドを管理する状態でも一定の出力が出せるのではないかと考えたのが開発のきっかけです。またデザイナーとして「作りたいものが作れる」という段階に到達した後に、「自分が作ったものは本当にいいんだろうか？」という疑問を持ったことも、開発背景の1つですね。制作したデザインの良さをAIが理解できるのかを考えたときに、実際にAIにデザインレビューをさせて言語化してみようと思い立ったんです。聞き方を変えたりプロンプトをひねったりしながら何度も試しましたね。 佐藤さんが作成したブランドトーンテキストジェネレーター ―ブランドトーン・テキストジェネレーターは、「AIを使って言語化する」という新しいアプローチを実践するツールのように思いますが、開発に当たって工夫された点があれば教えてください。 佐藤ブランドにはロゴやカラー、ライティングのトーンがあります。そのテキストのトーンは何で決まるかというと、ブランドのパーソナリティです。人間も、性格や立場によって言葉遣いは変わりますよね。丁寧語を崩さない人もいれば、すぐにタメ口になる人もいる。そうしたパーソナリティが根幹にあって、テキスト表現につながるという考え方です。そのため、AIに対して「ブランドを文章で説明するのではなく、パラメータという数値で表現する」という点を工夫しました。たとえば「面白い」と「真面目」という対極の概念を設定して、そのブランドがどちらにどの程度寄っているかを数値で表すんです。文章だと受け取り方に幅が出てしまいますが、数値でグラフ上のどちらに寄っているかを示す方がブレにくいだろうと考えました。こうした対極の概念は6項目の軸になっており、この軸上でそれぞれの温度感を「寄せる」ことで、ブランドパーソナリティを体現したテキストを生成するという仕組みです。 ▼佐藤さんが作成したブランドトーン・テキストジェネレーターの裏側はこちらからhttps://note.com/satosio/n/n0a6af6a84634 15年のキャリアスキルはAI時代にどう活きるのか？ —AIも使いながらデザインする機会がかなり増えたのではないかと思いますが、デザイナーとして15年のキャリアのなかで培ったスキルはどのように生かされていますか。 佐藤制作途中でAIを使ったとしても、最終的なアウトプットが「デザインとしていいものかどうか」をジャッジするのは、やはりこれまでの経験に基づいています。「これは良いデザインだ」といった正解を見つけられる感性はもちろんですが、「ここがおかしいのではないか」「何かが違うぞ」といった違和感に気づきやすいこと、そして何を変えたらさらに良くなるかがわかることが、15年の経験の強みではないかと思いますね。たとえばデザイナーとしてコーディングに携わる場面において、言語レベルでは概ね正しいものの視覚に特性がある方が利用しにくいというものが出力された際、「利用しやすいUIを実現するコードを書かなければならない」という知識がなければ、「アクセシビリティを高めたい」という発想は出てきません。ここは人間が指示を出さなければAIが対応してくれない領域なので、Webサイトのコーディングとして何がベストに近いのかという周辺知識は引き続き追っていく必要があります。ブランドトーンジェネレーターにおいても、出力されたテキストを手直ししたり、パラメータを再調整して出し直したりといった工程は外せません。またAIを活用して何かを作る際も、自分自身で最新情報を探し出して「これに則ってやってください」と教えていくような、アップデートの補助も欠かせないと思います。その点、デザイナーの多くはAIを便利なツールとして使う段階に留まっているように感じます。抵抗感こそ薄いものの、今やっている作業を代わりにやってもらおうとか、面倒なことを全部やってもらおうといった形で、AIを「従えている」ような使い方ですね。私は、AIを使う最大のメリットは「自分の考えを拡張してくれる」ところにあると思っています。自分だけでは気づかなかった視点を与えてくれるからこそ、一緒にものを作っている感覚があるんです。なので、私にとってAIは「共同創作者」なのです。 後編につづく 育休という大きなライフイベントの最中に訪れたAI時代の波。佐藤さんは15年のキャリアで培った感性を生かしながら、その変化に柔軟に対応しています。 後編ではAIとの「共創」や、何をもって自分の成果物というのかというマインドセットに加え、佐藤さんのキャリア観やプリンシパルデザイナーとしての展望を詳しく語っていただきました。 GMOインターネットグループでは、今後もこうしたクリエイターが価値を発揮し続けられる環境を実現しつつ、グループ全体で積極的にAI活用を推進する体制を強化していきます！ 【GMOペパボ｜デザイナー向け採用情報はこちらから】▼【2027年入社】デザイナー職https://open.talentio.com/r/1/c/pepabo/pages/115198 ▼【カラーミーショップ】プロダクトデザイナーhttps://open.talentio.com/r/1/c/pepabo/pages/119968

GMOインターネットグループエキスパート黒瀧です。今回は、SUZURIの公開APIを活用してMCP（Model Context Protocol）サーバーを作った話を紹介します。 はじめに MCPは、AIアシスタントが外部のツールやデータソースと連携するための標準プロトコルです。Claude DesktopやClaude CodeなどのMCPクライアントに対応したアプリケーションから、さまざまな外部サービスを自然言語で操作できるようになります。SUZURIにはAPIが公開されているので、これをMCPサーバーとしてラップすれば、AIアシスタントとの対話を通じてSUZURIの操作ができるのでは？と思い、開発してみました。npm パッケージとして公開しています。 @kurotaky/suzuri-mcp-server - npm 注意: このMCPサーバーはSUZURIの公式プロダクトではありません。個人が開発・公開しているものです。 SUZURI APIについて SUZURIでは開発者向けにAPIが公開されており、[SUZURI Developer]（https://suzuri.jp/developer) ペジからアプリケーションの登録やAPIトークンの発行ができます。このAPIを使うと、商品の検索・取得、素材のアップロード・管理、ユーザー情報の取得、ズッキュン（お気に入り）の操作など、SUZURIの主要な機能をプログラムから利用できます。今回作ったMCPサーバーは、このSUZURI APIをMCPのツールとしてラップしたものです。 セットアップ方法 事前にSUZURI Developerページでトークンを発行しておきます。Claude Codeをお使いの場合、以下のワンライナーでセットアップできます claude mcp add suzuri -e SUZURI_TOKEN=your-token-here -- npx -y @kurotaky/suzuri-mcp-server Claude Desktopの場合は、設定ファイル（claude_desktop_config.json）に以下を追加します。 { "mcpServers": { "suzuri": { "command": "npx", "args": ["-y", "@kurotaky/suzuri-mcp-server"], "env": { "SUZURI_TOKEN": "your-token-here" } } } } 設定後にアプリを再起動すれば利用可能です。 できること 27個のツールを用意しており、SUZURIの主要な操作をカバーしています。 カテゴリ主なツールできることProductssearch_products, get_productキーワードで商品を検索、商品詳細の取得Materialscreate_material, create_text_material画像URLやテキストから素材を作成・管理Itemslist_itemsTシャツ、マグカップなどアイテム種別の一覧取得Usersget_current_user, update_userユーザー情報の取得・プロフィール更新Favoritesadd_favorite, remove_favoriteズッキュンの追加・解除Activitieslist_activitiesアクティビティの確認Placementpreview_product_placement, compare_placements配置のプレビュー・比較Choicescreate_choice, update_choiceチョイスの作成・管理 動作イメージ Claude Codeからプロフィール画像をアップロードし、Tシャツを作成した例 おもしろ機能: Claude Codeでお手入れ（プレビュー） 個人的におもしろ機能として、Claude Code上で画像の配置をプレビューしながら調整できる「お手入れ」機能を作ってみました。 配置プレビュー preview_product_placement ツールを使うと、素材の配置（拡大率・位置）を指定してプレビュー画像を確認できます。Claude Codeの対話の中で「もう少し左に寄せて」「サイズを小さくして」といった自然言語での指示が可能です。 配置の一括比較 compare_placements ツールでは、複数の配置パターンをブラウザで一覧比較できます。実行するとローカルにHTTPサーバーが立ち上がり、カード形式のUIで各パターンを並べて表示します。気に入った配置を選択すると、その結果がClaudeCodeに返されます。 4パターンの配置をブラウザで一覧比較できる 配置プリセット よく使う配置パターンを「プリセット」として9種類用意しています。 プリセット説明center標準サイズで中央に配置left_chest左胸にワンポイントright_chest右胸にワンポイントfull_front大きく全面プリントbottom_center下部中央に配置top_center上部中央に配置pocket_area胸ポケット位置に小さく配置mug_wrapマグカップ表面を覆う配置small_center中央にコンパクトに配置 インタラクティブな配置フロー これらのツールを組み合わせると、以下のような対話的なフローが実現できます。 プリセットから候補を選ぶcompare_placements でブラウザ上で比較気に入ったパターンをベースに「もう少し大きく」などと微調整create_product_with_placement で確定した配置で商品を作成 AIとの対話で自然にグッズのお手入れ（配置調整）ができるのは、なかなか楽しい体験です。 まとめ SUZURIの公開APIをMCPサーバーとしてラップすることで、AIアシスタントから自然言語でSUZURIを操作できるようになりました。特にお手入れ（配置プレビュー）機能は、対話しながら視覚的に確認・調整できるので、MCPならではの体験だと感じています。SUZURIのAPIが充実していたおかげで、比較的スムーズにMCPサーバーを構築できました。MCPに興味がある方は、お気に入りのサービスのAPIをMCPサーバー化してみると、AIとの新しい連携の可能性が広がるかもしれません。リポジトリはこちらです。https://github.com/kurotaky/suzuri-mcp-server

2026年2月28日（土）および3月1日（日）の2日間、浅草橋ヒューリックホール＆カンファレンスにおいて SECCON 電脳会議が開催されました。電脳会議はSECCON で一番大きいオフラインイベントであるとともに年度の締めのイベントでもあります。今年もSECCONの実行委員長でありGMOインターネットグループのエキスパートとしても活動する三村聡志よりその様子をお伝えします！ SECCONとは 実践的情報セキュリティ人材の発掘・育成、技術の実践の場の提供を目的として、競技やワークショップを提供するイベントです。 世界でもトップレベルの技術力を競い合う CTF である「SECCON CTF」、CTF の入門者向けワークショップである「SECCON Beginners」や「CTF for GIRLS」、 SECCON 最大のオフラインイベントである「電脳会議」などを行いながら、ベンダーフラットな立場で情報セキュリティに関するあらゆる知見や出会いが交わる「ハブ」となるべく活動をしています。 引用元：https://www.seccon.jp/14/ SECCON はワークショップ運営メンバーはもちろん、それを支えるインフラチームやバックオフィス、スポンサーのみなさま、そしてSECCONに興味を持って参加いただいたみなさまなど、多くのみなさまからの協力によって成り立っております。本当にありがとうございます。 SECCON 14 はプラチナスポンサーに GMOインターネットグループが入り、強力なバックアップを得ることができました。 https://developers.gmo.jp/technology/81009/ SECCON CTF 全国大会の表彰式での1コマ。GMO Flatt Security株式会社の米内 Co-CTO から挨拶をいただきました。 SECCON 電脳会議 SECCON 電脳会議は、SECCON のすべてのイベントが1つに集まる SECCON で一番大きなイベントです。参加費無料でどなたでも参加可能です。今年度は 2026年2月28日と3月1日の二日間で開催しました。 SECCON はその歴史から CTF のイメージがとても強いのですが、ここ数年は CTF 以外にも力を入れており、いまは情報セキュリティに興味関心のあるすべてのみなさまが気軽に参加できるイベントになっています。 今年度の参加者は昨年と比べて約1割増しとなり、633名のみなさまに参加いただきました。実行委員長として会場全体を何度も回りましたが、お越しいただいたかたが楽しそうにされているのをみて本当にうれしい気持ちでいっぱいでした。本当にありがとうございました。（とはいえ、本当に会場に収まらなくなりそう・・・💦） 今回の電脳会議で開催したイベントをいくつか紹介します。 SECCON 14 実施報告書も公開しています。もしよろしければご覧くださいhttps://www.seccon.jp/14/seccon_14.html  CTF SECCON CTF は世界に共通するレベルのCTF競技の開催と、日本国内のCTFプレイヤーの育成を目的として開催しているイベントです。昨年12月に開催した予選を通過した18チーム（国際、国内それぞれ9チーム）を招待して決勝戦を開催しました。 また AlpacaHack さんと連携して「SECCON RTA CTF + AlpacaHack」という CTF も前回に引き続き開催しました。CTF決勝戦の熱を肌で感じながらCTFが体験できる場であり、決勝戦参加者と同じぐらい参加者が真剣に取り組まれている姿が印象的でした。 CTFの問題を AI を用いて解くことは一般的になっていますが、AIに「解いて」と伝えれば解けるかといえば当然そうではありません。現地では各プレイヤーが持っている知見や感覚とAIを結びつけて高難度な問題を解いていく姿を見ることができました。 カンファレンス 公募形式で講演を募り、情報セキュリティの最新技術や研究結果を発表する SECCON Open Conference を2日間開催しました。 今年は、大規模言語モデルを用いた推論と組み合わせた難読化マルウェアの解析手法の提案や、SDV (Software Defined Vehicle) のセキュリティアーキテクチャにおける課題や挑戦の発表、そして非公開（録画・撮影不可）で行われた Mac の Spotlight を利用した TCC (Transparency, Consent and Control) のバイパス手法の発表など、とても技術的に面白い内容の発表が行われました。 またGMOインターネットグループからはスポンサーセッションとして GMO Flatt Security株式会社のパートナーであり、SECCON Beginners のスタッフでもある石川琉聖さん (xryuseix) による「LLMがCTFと脆弱性診断をどう変えていくのか」というセッションも行われました。 https://speakerdeck.com/flatt_security/how-llms-will-transform-ctf-and-vulnerability-assessment  トラック数や日数の関係もあり応募に対して2割しか採択を出せず本当に悩みました。来年度も技術的に心からわくわくするセッションをお届けできたらと考えています。 ワークショップ CTF の入門者向けイベントとして SECCON Beginners や CTF for GIRLS の開催、基盤への実装ワークショップとして SECCON Workshop を例年に引き続き開催しました。 はんだごては今年も健在です また今年はワークショップの募集を行い、様々な分野で活躍されているかたによる外部ワークショップの招待も行いました。例年の SECCON のワークショップでは攻撃側の色が強くなっていましたが、今年はフィッシングの解析ワークショップや Microsoft Entra ID における攻撃手法の分析、自作ツール発表イベント (CyberTAMAGO) など、守る側のテーマも複数開催されていました。 またGMOインターネットグループからは、過去に CODE BLUE で開催した「インターポール AI クエスト」をSECCON でも開催しました。AIの技術理解を深めながら CTF として技術力を競う内容になっており、参加者からも面白かったという声が聞かれました。 本棚 今年の新しい試みとして「SECCON の本棚」という企画を行いました。SECCON 実行委員がおすすめする技術書を立ち読みできるコーナーを用意し、様々な技術書に五感で触れてもらえればという思いから開催しました。 本企画は出版社のみなさまと連携して開催しました。当該期間中に対象書籍が割引になる、最終日にじゃんけん大会を実施して書籍をプレゼントするなど、この企画も大変な盛り上がりを見せました。 出版社のみなさまもとても好意的に協力くださり、来年も継続して開催できたらと考えています。 次年度の SECCON (SECCON 15) 4月1日よりスタートする SECCON 15 の準備も進めています。来年度の電脳会議の日程はまだ未定ですが、決まり次第、公式サイトなどで発表したいと考えています。 最後に筆者の会場の様子（？）としてスポンサーの GMOインターネットグループブースにおいて寝癖を治す私をおいておきます。 寝癖どうしよう・・。ヘアメイクとても助かりました！ Photo by: ゆきうさぎ@イベント企画エンジニア (@Yukiusagi0329) さん 来年度もあらゆるかたが気軽に参加できて「ハブ」として楽しんでいただける場を提供したいと考えています。これからもよろしくお願いいたします！

RL（強化学習）によるロボティクスの進化は、単なるアルゴリズムの改善にとどまらず、データパイプラインや表現学習、さらにはVLA（Vision-Language-Action）との融合へと広がっています。本記事では、RLパイプラインの全体像を整理しながら、sim-to-realから拡張された6つの代表的アーキテクチャパターンを解説。さらに、蒸留の一般化や潜在空間での汎化、スポーツ領域での応用など、最新トレンドを俯瞰し、今後の方向性を考察します。 はじめに ここ数年で、ヒューマノイドロボットのハードウェアが急速に実用レベルに近づきました。Unitree、Fourier、AgiBotなど複数メーカーから開発可能なヒューマノイドが登場し、研究者が手の届く選択肢が一気に広がり、sim-to-real（シミュレーションで訓練した学習データを実機に移行する）パイプラインが現実的な選択肢になっています。 加えて、ヒューマノイドは人間と骨格が近いため、人間のモーションデータを教師信号として直接活用しやすいという利点があり、模倣ベースの学習パイプラインが急速に発展しています。 現在実用的なヒューマノイドの学習方法は、大きく次の2つに分かれます。 ・RL（強化学習）ベース: シミュレーション上でロボットに試行錯誤させ、良い動作を実現した場合に高い報酬を与えるように設計することで、より良い報酬を得られる方法を学習させる手法 ・VLA（Vision-Language-Actionモデル）ベース: 事前学習済みの大規模Vision-Language Modelを活用し、言語指示から直接行動を生成する手法 それぞれ長所短所があり、2026年3月現在ではどちらも注目されている技術ではありますが、本記事ではRLベースの学習方法について、そのトレンド・核となる技術や、共通するアーキテクチャについて紹介します。 RLパイプラインの全体像 近年のヒューマノイドRL手法は、以下の3つのレイヤーの組み合わせになっていることがほとんどです。（手法によって各レイヤーで用いている手法が異なったり、一部レイヤーが無かったりします。） データレイヤーは、訓練データの取得から前処理までを担います。MoCap（モーションキャプチャ）データセットの利用が最も一般的ですが、YouTubeなどの普通の動画から抽出する手法、人間が遠隔操作（テレオペレーション）で動きを教える手法、少数のお手本から自動的に大量のデモを作る手法など、データソースの多様化が進んでいます。取得したデータは、人間の骨格とロボットの骨格の違いを吸収するモーション変換（Retargeting）と、ロボットが物理的に実行できないモーションを除外するフィルタリングを経て、スキルレイヤーに渡されます。 スキルレイヤーは、シミュレーション内で運動ポリシーを訓練し実機に転送するまでを担います。変換済みのモーションを追従するポリシーをPPO等で訓練し、多くの手法が敵対的学習やStudentポリシーへの蒸留を組み合わせています。一部の手法はモーションを潜在空間（コンパクトな抽象表現）に圧縮し、新しい動きの合成に活用します。 タスクレイヤーは、スキルレイヤーの上に載るタスクレベルの意思決定層です。階層的RLでは「どこにボールを打つか」を決めるプランナー、視覚ベースの制御ではカメラ入力から直接行動列を出力するDiffusion Policyがここのコアを握ります。単純なモーション追従のみの手法ではこのレイヤーは多くの場合必要ありません。 本記事では、近年注目を集めた手法が各レイヤーにどんな技術を取り込んでいるのか、どんな風に進化してきたのかを概説し、トレンドとなる強化学習関連技術を抑えていきます。 タスク達成のためのアーキテクチャの分類 これまで提案されてきた代表的な手法を、「主にどのレイヤーに革新的な要素を持つか」と、「全体の構造的な複雑さ」に着目すると大きく以下の6つの構成パターンに整理できます。 ここではパイプラインのどこの改善に焦点を当てるか、という設計上の分類を示していますので、これは厳密な手法の発展の時系列とは異なります。（前半の手法が必ずしも古い手法というわけではありません！） 以下では、この整理した構造の順にパターンを詳しく紹介します。 パターン1: sim-to-realの始まり ヒューマノイドRLの出発点であり、スキルレイヤーの工夫が主戦場です。データレイヤー・タスクレイヤーに特段大きな工夫は無く、「シミュレーションでスキルレイヤーを鍛え、いかに頑健に実機へ転送するか」に集中したパターンで、パルクールやロコマニピュレーション（移動しながらの物体操作）など、全身を使ったダイナミックなタスクの実現例が多い構成です。 このパターンの大半で重要になる技術がTeacher-Student学習（蒸留）です。まずシミュレーション内で、地形マップ・物体の正確な位置・接触力など「実機では取得できないが、訓練には便利な情報」（特権情報）を使える教師ポリシーをPPOと呼ばれる標準的な強化学習アルゴリズムで訓練します。次に、この教師の行動を模倣する生徒ポリシーを、実機で使えるセンサ（関節角度・カメラ・深度センサ等）だけで動くように訓練します。 sim-to-realのギャップを埋める、もう一つの定石となるアイデアがDomain Randomization (DR)です。シミュレーション中に物理パラメータ（質量、摩擦、遅延等）や視覚条件（照明、テクスチャ等）をランダムに変動させ、「どんな環境でも動く」頑健なポリシーを育てます。 代表的な手法の詳細とリンク ・具体的な技術名が記載されているレイヤーが主要な貢献・○は利用しているが主要な新規性ではないレイヤー・記載のないレイヤーは非該当/導入していない Humanoid Locomotion (Science Robotics 2024) スキル: Causal Transformer + Large-scale RL arXiv Project 因果Transformerで観測-行動の履歴を入力し、in-context learning（推論時に重みを更新せず文脈から適応する手法）で環境に適応するヒューマノイド歩行コントローラです。IsaacGym上で10B（100億）サンプルの大規模RL訓練を行い、Digit実機にzero-shot転送。屋外の広場・芝・坂道など多様な地形を歩行し、完全学習ベースで実世界のフルサイズヒューマノイドを歩かせた最初の研究です。 WoCoCo (CoRL 2024) スキル: Contact-stage RL arXiv GitHub タスクを接触フェーズに分解し、各フェーズを個別にRLで訓練する段階的な学習です。モーションデータを一切使わないend-to-end RLで、パルクール・ダンス・クライミング・箱運搬などを達成しました。 VIRAL (RSS 2025) データ: ○ / スキル: Privileged Teacher → Vision Student (DAgger) arXiv Project 特権情報を使える教師をPPOで訓練し、RGBカメラだけで動く生徒にDAgger+BCで特権蒸留します。最大64GPU規模の大規模シミュレーション訓練で、照明・テクスチャ・カメラ特性・センサ遅延などを幅広くランダム化し、G1実機で54サイクルの連続ピック＆プレースを達成しました。 ASAP (RSS 2025) データ: ○ / スキル: Delta Action Alignment arXiv GitHub まずsim内でモーション追従ポリシーを訓練し、次に実機を短時間走らせてデータを収集。「simとrealの動きの差」をデルタアクションモデルで学習し、sim側に組み込んで再訓練します。ランダム化だけでは越えられないギャップを直接補正でき、片足バランス・1m超の前方ジャンプなど高ダイナミクス動作の転送に成功しています。 Humanoid Parkour (CoRL 2024) スキル: End-to-end Vision RL arXiv Project モーションデータなし・カメラ入力のみのend-to-end RLで全身パルクールを訓練。0.42m台ジャンプ・0.8mギャップ跳躍・1.8m/s走行を実現し、ジョイスティックの方向指示に追従しつつ、目の前の地形に応じてパルクールスキルを自律選択します。腕の動作を上書きすることで物を運ぶタスクにも転用可能です。 PHP (2026) データ: ○ / スキル: Motion Matching + RL → Depth Student (DAgger + RL) arXiv Project 人間のモーション断片をMotion Matching（クエリに最も近いクリップをオンラインで検索・つなぎ合わせる手法）で長い軌道に合成し、RLで追従します。DAggerとRLを組み合わせた蒸留で深度カメラベースの生徒に実機転送し、G1実機で1.25m高さの障害物を含むパルクールコースを自律走破しました。 パターン2: データパイプラインの強化 sim-to-realの転送手法が整備された後、「何を学習させるか」= 訓練データと、その取り込み方に注目が集まりました。特に、人間の行動をデータ化し、ロボットに学習させる手法は成功例が多く、その後現在に至るまで用いられる、標準的なデータレイヤーの処理が確立されています。 人間の行動を模倣する上では、Motion Retargetingと呼ばれる人間の動作を元に作成した関節データの骨格構造をロボットに合わせて変形する技術も重要となってきます。単純な関節角マッピングでは足が地面を滑ったり（足滑り）手が物体を貫通したりするため、各手法が独自の工夫を加えています（OmniRetargetのInteraction Mesh、VideoMimicの4D再構成、GBCのDifferentiable IK等）。 また、「どのように人間のデモデータを学習するか」という点も重要で、模倣学習手法であるBehavior Cloning (BC)や、その改良手法であるDAggerといった技術も注目されています。特に近年の流行であるDAggerは「学習者を実際に走らせて、実際に起こった場面で教師に正解を聞き、その経験を訓練データに追加する」という訓練方法で、ミスからの回復を学びやすいという利点があります。ヒューマノイドRL分野では、DAggerはTeacher-Student学習で教師の知識を生徒に蒸留する手段としても広く使われています。 代表的な手法の詳細とリンク ・具体的な技術名が記載されているレイヤーが主要な貢献・○は利用しているが主要な新規性ではないレイヤー・記載のないレイヤーは非該当/導入していない HumanPlus (CoRL 2024) データ: Shadowing / スキル: RL Tracking / タスク: BC arXiv GitHub 40時間の人間モーションでまず歩行・動作のベースポリシーをRL訓練し実機転送。次に、RGBカメラ1台で人間の動きをリアルタイム追従する「Shadowing」でテレオペのデモを収集し、ロボット頭部カメラからのBC（模倣学習）で自律スキルを獲得します。靴を履く・服を畳む等の日常タスクで60-100%の成功率を達成しています。 H2O (IROS 2024) データ: RGB Camera Teleop / スキル: RL Tracking + Distillation arXiv Project OmniH2Oの前身にあたる手法で、RGBカメラ1台から姿勢推定を行い、RL追従ポリシーでフルサイズヒューマノイドのリアルタイム全身テレオペレーションを実現しました。Sim-to-Dataプロセスで実行可能なモーションを自動フィルタリングし、特権教師から生徒への蒸留でzero-shot転送。歩行・ジャンプ・キック・押す等の全身動作をリアルタイムで人間の動きに追従させ、カメラベーステレオペのパラダイムを確立しました。 OmniH2O (CoRL 2024) データ: Multi-modal Teleop / スキル: RL + Distillation / タスク: GPT-4 integration arXiv GitHub H2Oを拡張し、VRヘッドセット・音声指示・RGBカメラで操縦できるマルチモーダルテレオペインターフェースです。大規模MoCapのリターゲティング→特権教師→生徒への蒸留というRLパイプラインを備え、GPT-4との統合で音声指示からの全身動作も実証。ヒューマノイド全身制御データセットOmniH2O-6も公開されました。 OmniRetarget (ICRA 2026) データ: Interaction Mesh / スキル: RL Tracking arXiv GitHub Interaction Meshで人体・地形・物体の空間的な接触関係をモデル化し、骨格差を吸収しつつ「手が物を持っている」「足が地面に着いている」といった接触関係を保存します。1つのデモから異なるロボット・地形・物体配置へのデータ拡張が可能で、G1実機で30秒のロコマニピュレーションタスクを実行しました。 VideoMimic (CoRL 2025) データ: 単眼動画 → 4D Reconstruction / スキル: RL Tracking + DAgger arXiv GitHub 普通のRGB動画から3Dの人体姿勢とシーン形状を復元し、データ取得にMoCapスタジオを必要とせずリターゲティングの入力を作ります。RLで追従ポリシーを訓練した後、DAggerで統合ポリシーに蒸留。「YouTube動画→実機スキル」のパイプラインで、階段昇降・着座・不整地歩行を単一ポリシーで実現しています。 GBC (2025) データ: Differentiable IK / スキル: DAgger-MMPPO arXiv GitHub 微分可能なIK（逆運動学）ネットワークで、異なる体型のロボットへの自動リターゲティングを実現。DAgger-MMPPO（DAggerとPPOを組み合わせた独自アルゴリズム）で全身模倣ポリシーを訓練します。Isaac Lab上のオープンソースプラットフォームとして公開されています。 DexMimicGen (ICRA 2025) データ: Teleop→自動増幅 / タスク: BC arXiv GitHub 60回の人間デモから21,000件のデモを自動生成。タスク構造を利用した軌道の切り貼り＋変形で大量のデモを合成し、BCで両手の器用な操作ポリシーを訓練します。データ収集コストを大幅に削減するreal-to-sim-to-realパイプラインです。 パターン3: 複数スキルを単一ポリシーに統合 複数のモーションスキルを学習した上で、それらを1つの統合ポリシーにまとめるパターンです。 データレイヤーが整備され個別スキルのポリシーは作れるようになりましたが、歩行用・操作用・全身表現用とスキルレイヤーがスキルごとに分立する問題が浮上しました。その問題を克服するために、複数モードの専門ポリシーを1つの統合ポリシーに蒸留する手法（HOVER）や統合訓練（ULC）など、歩行・操作・全身表現など多様なモードをシームレスに切り替えられるよう、統合することを目指した手法群がここに属します。 このパターンで報酬設計によく使われるのがAMP（Adversarial Motion Prior）です。AMPは「モーションの自然さ」を自動的に評価する仕組みで、GANの識別器と同じアイデアを使います。「本物の人間のモーションか、ポリシーが作った動きか」を見分ける識別器を訓練し、ポリシーにはこの識別器を騙す方向の報酬を与えます。「腕の角度が何度ずれたら減点」のような細かい報酬を手作業で設計しなくても、全体として自然な動きが学習できます。 代表的な手法の詳細とリンク ・具体的な技術名が記載されているレイヤーが主要な貢献・○は利用しているが主要な新規性ではないレイヤー・記載のないレイヤーは非該当/導入していない HOVER (ICRA 2025) データ: ○ / スキル: Multi-mode Distillation arXiv GitHub 全身の動き模倣を共通の抽象層として定義し、速度追従・関節角追従・位置追従の複数モードを統合。各モードの専門ポリシーを訓練した後、複数モードの専門ポリシーを1つの汎用ポリシーに蒸留してまとめます。制御モード切替時に再訓練が不要で、Isaac Labに統合されており再現性が高いのも特徴です。 ExBody2 (RSS 2025 Workshop) データ: Auto Curation / スキル: Tracking + Distillation arXiv GitHub 「このモーションはロボットが実行可能か」を自動判定し、実行可能性と多様性のバランスを取りながら訓練データを選別します。動きの追従と移動の制御を分離し、特権教師から生徒への蒸留で実機転送。汎用（多様な動作全般）と専門（特定タスク特化）の両方のポリシーを効率的に訓練できます。 ULC (2025) スキル: Unified single-policy arXiv Project 歩行速度・体幹回転・両腕位置を単一ポリシーで同時に制御する統合コントローラです。歩行と操作を別々のポリシーに分ける従来手法と同等以上の性能を、1つのポリシーで達成。「統合型でも性能を犠牲にしない」ことを実証しました。 パターン4: 潜在空間での汎化 スキルレイヤーで学習済みのスキルを潜在空間（多数の動きを少数の変数で表すコンパクトな表現）に圧縮し、タスクレイヤーがその内部表現に直接介入して見たことのない状態に対応することを目指すパターンです。 例えば、BeyondMimicが採用するClassifier Guidanceという手法は、拡散モデルが段階的にノイズを除去して出力を生成する過程に「こっちに行きたい」という目標の勾配を注入することで、スキルレイヤーのデノイズ結果が目標を達成するように誘導します。またULTRAが採用するSparse Goalは、訓練済みモデルをさらにRLで追加学習することでスキルレイヤーの潜在空間を目標に引き寄せます。 いずれも、モーション追従を「ゴール」ではなく「運動スキルの土台」として捉え、その上にタスクレイヤーを載せて訓練時に観測しなかった動きへの汎化を狙います。 代表的な手法の詳細とリンク ・具体的な技術名が記載されているレイヤーが主要な貢献・○は利用しているが主要な新規性ではないレイヤー・記載のないレイヤーは非該当/導入していない BeyondMimic (2025) データ: ○ / スキル: Tracking + Latent Diffusion / タスク: Classifier Guidance arXiv GitHub コンパクトな報酬設計で空中側転・スピンキック・スプリント等を単一の設定で学習。先行研究で多用されてきたAMPとは異なるアプローチを採り、学習済みの追従ポリシーをLatent Diffusion Modelで潜在空間に圧縮し、テスト時にClassifier Guidanceで未見タスクに追加訓練なしで対応します。障害物回避やジョイスティック操作への汎化を、拡散モデルのテスト時誘導だけで実現した点が最大の新規性です。 ULTRA (2026) データ: Neural Retarget / スキル: Latent Compression + RL FT / タスク: Sparse goal arXiv Project 物理的な妥当性を保つニューラルリターゲティングで大規模MoCapを変換し、特権教師から実機向け生徒に汎用追従ポリシーを蒸留した上で、運動スキルを潜在空間に圧縮します。さらにRL微調整で想定外の状況への頑健性を高め、テスト時には「あの物体を拾え」のようなざっくりした指示からの自律制御を実現。G1実機でロボット頭部カメラからの自律ロコマニピュレーションを実証しました。 パターン5: スキルとタスクの分離 パターン4では、タスクの目標を変えるとスキルレイヤーの潜在空間も作り直しになります。両者を独立モジュールとして設計し、差し替え可能にする構成が次に登場しました。 スキルレイヤーとタスクレイヤーを分けて設計し、定義済みのインターフェース（目標座標や速度指令）だけで通信する手法群がこのパターンに属します。スキルレイヤーにはAMP（パターン3）や模倣学習で動きの自然さを保証し、タスクレイヤーで「どこにボールを打つか」などタスク固有の戦略をRLで最適化します。パターン4ではタスクレイヤーがスキルレイヤーの内部表現（潜在空間）を知っている必要がありましたが、ここではスキルレイヤーをブラックボックスとして扱い、タスクレイヤーでは、例えば「指示した速度での移動を目指す命令が既にある」といったようにスキルの獲得を前提としてどのようにタスクを処理するかのみを考えます。このように設計することで、タスクレイヤーは戦略を考えることに専念できます。特にスポーツ系のタスクにおいては、身体操作と戦略のモデルを切り分けることで、それぞれのモデル設計が簡潔になるというメリットがあり、多く採用されています。 それぞれの手法の工夫は様々で、例えばLATENTは3段構成（動き追従→DAggerで生徒ポリシーに蒸留→戦略ポリシー学習）のパイプラインを持ち、Badminton HumanoidはManifold Expansion（少数の打点データを連続的な打撃空間に拡張する手法）でモーションのバリエーションを増やします。 代表的な手法の詳細とリンク ・具体的な技術名が記載されているレイヤーが主要な貢献・○は利用しているが主要な新規性ではないレイヤー・記載のないレイヤーは非該当/導入していない Learning Agile Soccer Skills (Science Robotics 2024) スキル: Multi-skill RL + Self-play / タスク: Game Strategy arXiv Project 小型ヒューマノイド（OP3）で1対1のサッカーを実現した手法です。歩行・転倒回復・キック・ターンなどの個別スキルをまずRL訓練し、policy distillation（方策蒸留）で単一のマスターポリシーに統合した後、self-play（自己対戦）でゲーム戦略を最適化します。明示的なタスクポリシーを持つ後続のスポーツ手法とは構成が異なりますが、「スキルの獲得」と「戦略の学習」を段階的に行う枠組みを示した先駆的研究です。MuJoCo上で訓練した後、zero-shotで実機に転送しています。 LATENT (2026) データ: ○ / スキル: Tracker + Online Distill / タスク: High-level Strategy arXiv GitHub テニスのラリーを行う手法。Stage 1で不完全な人間テニスモーション断片からモーショントラッカーを事前訓練し、Stage 2でDAggerによりコンパクトな生徒ポリシーに蒸留、Stage 3で戦略ポリシーが打球位置・タイミングを決定し生徒を駆動します。3段パイプラインが最もクリーンで、G1実機で人間とのマルチラリーに成功しています。 Badminton Humanoid (2026) データ: ○ / スキル: AMP + Manifold Expansion / タスク: Strike RL arXiv バドミントンのショットを行う手法。人間データからAMPベースのモーションプライア（自然な動きの事前知識）を構築し、コンパクトな状態表現に蒸留。少数の打点データをManifold Expansionで連続的な打撃空間に拡張してバリエーションを増やし、実機への追加訓練なし（zero-shot）転送でリフト・ドロップショットを実現しました。 HITTER (2025) スキル: Low-level RL / タスク: Hierarchical Planner arXiv Project 卓球のラリーを行う手法。ボール軌道予測に基づく階層プランナーが打球戦略を決定し、全身RLポリシーが実際の動きを実行する2層構成です。人間との1ラリー内で連続106打球（consecutive shots）を達成しています。 パターン6: カメラから行動列を直接生成するDiffusion Policy 最後は（記事執筆時点では）ちょっと特殊な手法です。ここまでのパターンはスキルレイヤーを土台にしてきましたが、このパターンではDiffusionモデルを用いてカメラ入力から直接関節角度の行動列を生成し、スキルレイヤーとタスクレイヤーが一体となる設計を持ちます。 スキルとタスクの連携という意味では、パターン4との違いがわかりにくいかと思いますが、パターン4では、RLで訓練したスキルレイヤーとタスクレイヤーの2つが存在し、後者が前者の「中」を操作する構成でした。一方、パターン6ではこの2つの区別自体がありません。 このパターンではDiffusion Policyがカメラ入力から直接関節角度の行動列を生成し、RLで学んだ運動スキルという中間表現を経由しません。 具体的な実現方法はそれぞれ大きく異なります。iDP3はスキルレイヤーを持たず完全な一体型となっている一方で、FALCONは移動と操作を別々のDiffusion Policyとして訓練し、VLM（Vision-Language Model）がこれらを協調させる特殊な構成を採用しています（これはVLAではなく、RLパイプラインにVLMを組み込んだ事例です） またDiffusion Policyはノイズから段階的にデノイズ（ノイズ除去）することで、ひとまとまりの行動列（アクションチャンク）を生成する手法です。通常のガウシアン方策（行動を正規分布の平均として1つだけ出力する方策）が「1つの正解」を出すのに対し、Diffusion Policyは「正解が複数ある状況」でも破綻しないのが強みです。まだヒューマノイド向けの事例は少ないですが、今後の発展に期待したいところです。 代表的な手法の詳細とリンク ・具体的な技術名が記載されているレイヤーが主要な貢献・○は利用しているが主要な新規性ではないレイヤー・記載のないレイヤーは非該当/導入していない iDP3 (IROS 2025) データ: Teleop / タスク: 3D Diffusion Policy arXiv GitHub ロボット頭部カメラの3D点群をロボット自身の座標系で表現し、Diffusion Policyで行動列を生成します。ヒューマノイド（Fourier GR-1）への3D Diffusion Policyの先駆けで、ラボ内のデモだけで未見の実環境に汎化。ワールド座標系を使わないためカメラのキャリブレーションが不要です。 FALCON (2025) データ: Teleop / スキル: Locomotion + Manipulation Diffusion / タスク: VLM Coordination arXiv Project ロコモーションとマニピュレーションをそれぞれ専用のDiffusion Policyとして別個に訓練し、VLMがタスク文脈に応じて両者をコーディネートする「分離＋協調」構成です。異なる種類のセンサ入力を1つのポリシーに無理に融合する際の性能低下を回避でき、新タスクへの拡張が容易になっています。 傾向と今後のトレンド 最後に、本記事で紹介した手法群を俯瞰してみて、感じた最近の傾向と、これからの注目技術について書いていきたいと思います。 Teacher-Student型の蒸留が普及した HOVER、VIRAL、OmniH2O、ExBody2、PHCなど、sim-to-realを伴うほぼ全ての手法がTeacher-Student学習を採用しています。シミュレーション内の特権情報で教師を訓練し、実機で使えるセンサだけで動く生徒に蒸留するこの手法は、スキルレイヤーの訓練・転送における設計原則として、パターンを問わず広く共有されています。 模倣は目的から手段になりつつある 初期のヒューマノイドRLは「人間のモーションをいかに正確に再現するか」が中心でしたが、BeyondMimicやULTRAに見られるように、スキルレイヤーで獲得した運動能力を潜在空間に圧縮し、タスクレイヤーが未見の動きへの汎化に活用する流れが生まれています。これはパターン4（潜在空間での汎化）の核心思想であり、「模倣はゴールではなく、スキルレイヤーの土台を作るための手段」という認識が分野全体に浸透しつつあります。 sim-to-realギャップを埋めるのは残差アプローチ ASAPはsimとrealの動きの差をデルタアクションモデルで学習してシミュレータ側を補正し、RobotDancingやMOSAICはベースポリシーの出力に小さな残差を加算して実機の挙動を補正します。Domain Randomizationだけでは越えられないギャップを、少量の実機データでピンポイントに埋めるアプローチは、シンプルながら痒いところに手が届くノウハウとなるでしょう。 スポーツタスクが統合技術の試験場になってきた サッカー（Learning Agile Soccer Skills, Science Robotics 2024）に始まり、テニス（LATENT）、バドミントン（Badminton Humanoid）、卓球（HITTER）と、2024〜2026年にかけてスポーツタスクへの応用が急増しました。「動きの自然さ」と「ゲーム戦略」の両方が同時に要求されるため、スキルレイヤーとタスクレイヤーの分離パターン（パターン5）の実践的な検証場として機能しています。 （球技に興味のある・経験のあるエンジニアがsim-to-realを完遂できるようになってきた頃合いが最近というだけの可能性もありますね） VLAとの融合は？ 本記事のスコープ外ですが、WholeBodyVLA（ICLR 2026）は潜在アクションモデルとロコマニピュレーションRLを組み合わせ、言語指示からの全身制御を実現しました。また2026年3月に公開されたΨ₀は、人間の動画で事前学習した視覚-言語基盤モデルに少量の実機データで追加訓練を行うアプローチを採り、オープンソースで公開されています。本記事で紹介したRLベースの運動スキルと、VLAベースの高次意思決定の融合を、誰がどんなクオリティで完成させるか、注目です。 最後に GMOインターネットグループでは、Unitree社製のヒューマノイドG1を使って実際に学習・開発ができるインターンシップを開催しています！ ヒューマノイドロボット「G1」を使った AI・ROBOTICS INTERNSHIP ご応募をお待ちしております！