AI News Daily
毎日のAIニュースを自動収集・要約
更新
今日の Top5
カテゴリー別ニュース
Anthropic
AI駆動開発×TDDはコスト削減にならず、トークン化しただけ
ワンポイントAIでTDDを回すと工数は消えずトークンへ移るが、品質と仕様の明文化には効く。
AI駆動開発でTDDを導入すると、テストやレビューなどの工程がAIの実行タスクとして増え、コストは消えないことが分かった。人間が払っていた時間工数は、実際にはトークン消費という形に置き換わるだけで、軽微な修正でもTDDのフルサイクルが回ると消費が増える。それでも使い続ける理由は、テストがAIの誤実装を早期に検知し品質担保に効くこと、さらにAIが会話をまたいだ記憶を持たないためテストが仕様の明文化として属人化を抑えることにある。
Claude CodeのSKILLでブログ自動化パイプラインを自作
ワンポイント自動化は全工程ではなく「止める場所」を設計すると、事故と手戻りを減らせる。
Claude Codeの「SKILL」を使い、IssueからZenn記事・note原稿生成、X告知までをつなぐ個人プロジェクト「BlogForge」を作成した。13個のSKILLをorchestratorで束ね、note投稿とZenn記事のPRレビュー（人間の最終判断）だけは意図的に停止ポイントとして残している。Zenn公開はGitHub連携で自動化し、X告知もAPIで自動化するが、投稿前にZenn記事URLの200応答確認で事故を防止。note投稿はAPIがないため自動化せず、AI生成物の無審査公開を避ける運用設計が特徴。
答えを言わない家庭内学習AIを自作：写真から3段階ヒント
ワンポイント禁止文だけでなく、断り方・段階設計・“一歩を割る”制御をサーバーで一体化すると効果が出る。
子どもの宿題で「答えをそのまま聞く」ことを防ぐため、ノート写真からヒントのみ返す家庭内学習サーバーを自作した。FastAPIのサーバー側でClaude APIを呼び、APIキーや“答えを出さない”制約は端末に置かず、プロンプトもサーバーで強制する設計にして抜け道を防いでいる。ヒントはレベル1〜3で1回につき1段階だけ提示し、レベル3以降は答えに近づくのではなく「一歩をさらに小さく割る」方針で到達を防ぐ。算数は長文説明を避け、SVG図（答えの描き込み禁止）で考えるよう誘導し、JSON出力とサニタイズ、読み上げやカメラ許可などUXの工夫、プライバシー配慮（写真保存しない）も盛り込まれている。
敵対レビュー＆ループでAIにハードSFを執筆させた試み
ワンポイントAIに“書かせる”だけでなく“殴って直させる”レビュー分業とループで平均化を崩すのが鍵です。
Claude Codeのサブエージェント機能を使い、AIがSFプロットと小説を生成する工程に「鬼編集者（敵対的レビュー）」を組み込んだ。レビューで指摘が出なくなるまで自己改善ループ（/loop）を回し、プロット作成後に小説化も同様のループで仕上げた結果、想定以上に面白い作品になったという。記事では、単一エージェントの一発生成では平均的になりがちな文章が、分業と反復によって伏線や整合性の密度が上がる点を強調する。さらに、停止条件の曖昧さにもかかわらず収束したことや、最終的な「面白さ」の審美眼は人間側に残るという考察も述べられている。
GPU
単一GPUで753Bモデルを提供するエッジ向けMoEサービング「FreeToken」
ワンポイントMoEは全パラメータを常時使わないため、巨大モデルでも単一GPU運用の現実味が増します。
MarkTechPostは、エッジネイティブなMoE（Mixture of Experts）サービングエンジン「FreeToken」を紹介した。単一のワークステーションGPU上で、GLM-5.2の753B規模モデルを稼働できる点が大きな特徴とされる。MoEの特性を活かし、推論サービングの効率化と実運用を意識した設計が示唆されている。大規模モデルの“手元運用”や低コスト提供に向けた選択肢として注目される。
LLM
GLM-5.3が低コストで上位、ただし安全性や拒否挙動に注意（Ed-o-meter）
ワンポイント最安モデルでも拒否や安全フィルタで“測定が歪む”ため、用途別に再検証が必須です。
Ed-o-meterの実タスク評価では、GLM-5.3（open-weight）が5分野すべてで100%達成し、コスト面でも有利とされた。品質トップはkimi-k3（ルーブリック9.5）だが、初トークンまでの待ち時間が長くインタラクティブ用途には不向きとされる。一方でfable-5やopus-5は複数タスクで拒否・ブロックされ、特にopus-5は“コーディング能力”ではなくプロバイダ側分類器による計測上のハザードが疑われる。さらにgpt-5.6系はジャイルブレイク検知テストで失敗が多く、安全フィルタの設計とレッドチーミング強化が求められる。
Harveyが法務向け長期エージェント用「Harvey Tenet」を公開、Kimi K3を後学習
ワンポイント法務エージェントは長期整合性が鍵で、ベースLLMの後学習で実務適合を高める動きが加速しています。
Harveyは、長期の法務エージェント業務を想定したベースモデル「Harvey Tenet」を導入した。Kimi K3をベースに、法務タスク向けの後学習（ポストトレーニング）を実施し、性能向上を狙っている。記事では、学習の工夫として「Fireworks」と呼ばれる手法で長いホライズンの作業に適した挙動を目指した点が示されている。法務領域での実運用を意識したカスタムLLMの流れとして注目される。
著作権書籍でAIを学習するのは合法？争点は「コピー」か「読解」か
ワンポイント鍵は「学習＝コピー」か「読解・変容」かで、競合目的だとフェアユースが厳しくなりがちです。
ChatGPTなどのLLMは大量の著作物を学習しているが、無断利用が違法ではないかという議論は複雑だとTechCrunchが報じた。著作権訴訟では、Anthropicが作家らに対し15億ドルの和解金を命じられた一方で、裁判所は学習自体は合法と判断し、違法とされたのは違法な“影の図書館”からの海賊版入手だった。判断はフェアユースの「変容性」や目的、利用量、市場への影響などに左右され、競合目的だと不利になりやすい。さらに、AI生成物の著作権性やAI利用割合の立証といった新たな論点も浮上しており、各社は係争の行方が固まるまで不確実性を抱える。結論として、判例の初期の流れが業界の学習方針や訴訟戦略を左右し得るため、AI企業は動向を無視できない。
ハーバードの699ドル起業ブートキャンプにAIアバター導入
ワンポイントAIアバターは“対話”より“実践の伴走”に価値を見出され、教育現場での採用が進む可能性がある。
ハーバード・ビジネススクール（HBS）の起業家向け8週間ブートキャンプ「HBS Foundry」では、AIアバターが受講者の練習ピッチやボードミーティングで個別フィードバックを行う。AIアバターはHeyGenが制作し、週次のライブ講師セッションに加えて、実践時の指導を補完する形で組み込まれている。ニューヨーク・タイムズ記者が試したところ、AI版の講師は反応がやや硬い印象もあったが、受講者側には好評だという。企画側は当初チャットボット想定だったが、試用後によりガイドされた体験を求める声が反映された。
バイブコーディングで職務経歴書生成アプリを開発した体験談
ワンポイントAI開発は速いが、クレジット課金とデバッグの反復で費用が膨らむため設計段階で制御が重要。
失業後に転職での「アピールできる開発実績不足」を補うため、職務経歴書生成アプリを個人開発した。開発はGitHub Copilot Proを用いたバイブコーディングで、devcontainer構築から設計・実装・テストまでAI主導になった。技術選定ではLivewireよりAlpine.js、AI APIはgemini-3.5-flash-lite、デプロイはVPSを採用するなどAIに判断させた一方、Copilotクレジット不足が最大のコスト問題となり、追加課金を繰り返して約40ドルを費やした。さらにAIのポート転送設定ミスで表示不具合が続き、クレジット消費が増えた。結果として、AI任せでも開発は進むが、コストと品質管理、そしてエンジニアとしての理解不足への危機感を強く感じた。
Claude Codeの長期作業を引き継ぐ運用型（スナップショット/HANDOFF/QUESTIONS/採番）
ワンポイント引き継ぎをログでなくスナップショットにすると、次セッションの読みコストと矛盾リスクが下がります。
Claude Codeでセッションを細かく切るとコンテキストが失われるため、次セッションへ復帰する「引き継ぎファイル」の運用型を整理している。引き継ぎはHANDOFF.mdを“現在地スナップショット”として扱い、現在地・次の一手・蒸し返し防止の3点だけを上書き更新する。未解決の確認事項はチャットではなくQUESTIONS/配下のファイルに集約し、人間が回答欄へ直接記入して返す。さらに質問・前提には種別接頭辞＋通し番号で一意採番（Q1/P2方式）し、「3番目がどれか」問題を解消、参照の揺れを防ぐ。これらの型はグローバルCLAUDE.mdにトリガーワード（HANDOFF/TAKEOVER）として定義し、プロジェクト側は導線とgit管理ルール最小限に留める。
AI活用でも「理解と責任」を手放さない職業倫理観
ワンポイントAI任せでも“理解・説明・責任”を残す姿勢が評価される、という学びが中心です。
サマーインターンでAI利用が許可されるワークに参加しつつ、個人開発は少し遅れたが新たな気づきを得た。フィードバックで「あなたの職業倫理観は素晴らしい」と言われたが、当初は意味が分からなかった。調べると職業倫理観は仕事への向き合い方や責任感・軸を指すと理解し、自分が大事にしてきた「なぜ動くのかを理解し、説明できる範囲を残す」姿勢がそれに当たると納得した。AIを使うこと自体を否定するのではなく、任せる範囲と自分が責任を持つ範囲を意識する重要性を再確認した。
ChatGPTの文章生成：LogitsとSoftmaxで次トークンを選ぶ
ワンポイントLogitsは確率ではなくスコアで、Softmaxで確率化してからTokenを選ぶ点が重要です。
ChatGPTの文章生成は、これまでの文脈から「次のToken」を予測し、その結果を文章に追加する処理の繰り返しで行われます。Transformerの出力は直接の確率ではなく、各Tokenの候補に対するLogits（スコア）です。SoftmaxによりLogitsを確率分布へ変換し、確率分布をもとに次のTokenを選択して生成を進めます。つまり、モデルは一度に全文を作るのではなく、推論のたびに次のTokenを逐次生成しています。
若手エンジニアがエラー処理をAIに丸投げする危険と対策
ワンポイントAIは最短で答えを出せても万能ではないため、まず原因を自分で切り分けてから確認に使うと安全に学習が進む。
若手エンジニアの間で、エラー対応をAIにすぐ質問して解決する「丸投げ」傾向が広がっている。AIは迅速な回答や情報量の多さで効率化に役立つ一方、環境固有の設定ミスを見落としたり不正確な提案をしたりするリスクがある。また、AI任せが続くと自力での分析・学習が減り、技術的負債やスキル停滞につながる可能性がある。対策として、まず自分でエラーを分析し、AIは補助ツールとして使い、結果を振り返って次回に活かすフィードバックループを作ることが重要だ。
AIエージェントの手戻り削減は「書かせ方」ではなく「直させ方」ルール化
ワンポイントルールは「理想」より事故駆動で、毎回読まれる場所に置き、発火条件を判定可能にすると手戻りが減る。
AIコーディングエージェントに対し、丁寧なプロンプトや抽象的な心得では同じ手戻りが繰り返される問題を指摘する。対策は、理想ではなく実際に起きた事故と繰り返しの指摘からルールを作り、発火条件を機械的に判定できる形で常駐させること。さらに、同じ指摘が2回以上出たらルール追記を完了条件に組み込み、同種の手戻りが続けば手順自体を切り替える運用が有効だと述べる。ルールの置き場所も重要で、エージェントが毎回読む場所（グローバルとリポジトリ直下の2層）に絞ることで効きやすくなる。記事では運用中のルール抜粋も紹介している。
Meta
Metaの「オープンウェイト無料公開」が成立する条件
ワンポイント“無料公開”でも、学習情報や上位モデルを渡さなければ競争力と収益を守れる点が鍵。
Metaは2026年8月にMuse Glimmerをオープンウェイトとして無償公開し、誰でも利用・改造・再配布できる形にした。一方で公開されたのは最上位の「フロンティアAI」ではなく、能力が低い蒸留モデルであり、学習データや学習手順など“作り直しに必要な情報”は提供されていない。Metaの収益は広告とデバイスで、AIを外部に従量課金で売る構造ではないため、モデル公開が直接の売上毀損になりにくい。さらに、Metaは自社製品の競争力に直結する上位モデル（Muse Spark）をAPI提供に限定し、公開範囲を収益・競争の境界で線引きしている。結果として「無料で配って勝つ」は、公開するものの位置づけと情報の範囲、そして政策発言の整合性によって成立していると論じられる。
OSS
deepdoctectionでエンドツーエンドの文書インテリジェンス基盤を構築
ワンポイント文書処理は“抽出→構造化→検証”まで一体化すると運用精度が上がりやすい。
本記事は、deepdoctectionを用いて文書理解（Document Intelligence）をエンドツーエンドで実装する方法を紹介する。OCRやレイアウト解析などの処理を組み合わせ、入力から抽出・構造化まで一連のパイプラインとして構築する流れが中心だ。既存のコンポーネントを活用しつつ、ドキュメント種別に応じた処理設計を行うことで実運用に近い形を目指す。文書処理の自動化を進めたいチームにとって、実装の指針になる内容といえる。
文字起こしAPIで動画・音声を検索可能な知識へ変換
ワンポイント精度だけでなく、入力対応範囲とJSON出力（話者・時刻・言語）を確認すると後工程が楽になります。
動画や音声は非構造化で、そのままだと検索・分析に使いにくい。そこで文字起こしAPIを使い、音声・動画をTranscriptや話者情報、タイムスタンプ、多言語情報を含むJSONへ統一することで、AI検索や要約、ナレッジ管理につなげる。さらに入力ソース（YouTube、SNS、ファイル等）の分散や多言語対応の負担を軽減できる。個人開発でもAPI活用により、動画要約やPodcast検索などのサービスを実装しやすくなる。
AIでコードは速いが、判断と検証で19日かかった
ワンポイントAIで実装は加速しても、正しさの判断と検証設計が追いつかず全体遅延の原因になる点が重要。
AIにコード生成・修正を任せても、2画面Webアプリのβ公開までにコミットベースで15日（開始から19日）を要した。PR数や生産速度は後半まで大きく変わらず、速くなったのは「コードを書く工程」だけだった。速い実装の結果、何を正しいとするか（ADR/SPEC等の判断）や、AIが書いた変更を人がレビューしきれないための検証・CI待ちが相対的にボトルネック化した。さらに、判断理由がIssue/PR/コードに散らばったためリポジトリ構成を見直し、AIを回す仕組みも後から整備した。
AIが実装・テスト・品質保証を自動化する新潮流
ワンポイントAIは自動化を進めるが最終判断は人が担うため、評価力と教育が品質を左右する。
AIはソフトウェアの実装支援からテスト自動化、品質保証までを一連で支える流れが広がっている。AIによりコード生成やエラー予測、テストケース生成が可能になり、開発効率とテストカバレッジの向上、リリースサイクル短縮が期待される。一方で、AIの判断根拠が不透明になり得る「ブラックボックス問題」や、AI依存による見落ちリスクが課題となる。成功には、AI結果を評価して最終判断できる人材と教育が鍵になる。
Research
AIが書いた文章はネットのどれくらいを占めるか
ワンポイント検出は誤判定もあるため、個別記事より大量データでの傾向把握が重要です。
Pew ResearchはCommon Crawlから過去5年分の英語Webページを収集し、AI検出ツール（Open Pangram）でAIによる執筆または大幅編集の兆候を推定した。サンプル（2026年7月時点）では、ページの約10%に「AI著作」の有意な兆候が見られ、ChatGPT公開（2022年末）以降の上昇傾向が続いている。ChatGPT公開後に限定すると、AI兆候は3分の1超に達する。ドメイン別では.comが最も高く、.orgは約半分、.edu/.govは約1%程度と差が大きい。兆候としては、emダッシュやオックスフォード・カンマ、AIが好む語彙、比較表現の型（negative parallelism）などが挙げられる。
記憶付き世界モデル（GRU/RSSM）をGrid Worldで検証
ワンポイント部分観測では“同じ画像でも答えが変わる”ため、loss設計と比較実験が鍵になる。
本記事は5×5のGrid Worldを用い、世界モデルにMemory（過去の記憶）がなぜ必要になるかを説明する。全観測なら現在画像だけで済むが、部分観測では同じ見た目でも過去により真の状態が変わるため、GRUのような系列メモが有効になる可能性がある。一方で、GRUがMemoryなしより本当に優れるかは、同一条件での比較が必要で、Pixel MSE低下だけではGoal等の重要情報を学んだ証拠にならないとしてposition loss/goal lossの考え方も示す。さらにRSSMのprior（画像前予測）とposterior（画像後修正）、Transformerのcausal maskによる記憶参照との違いにも触れ、学習時と未来rollout時でposteriorが使えない点を整理している。
生成AIは確率予測から「世界モデル」探索へ進化した
ワンポイント重要なのは“確率”よりも、探索で世界モデルを更新し続ける設計に移った点です。
生成AIは当初「次の単語を確率で当てるだけ」とされていたが、近年は複雑な推論や未解決問題の解法に近い振る舞いが見られるようになった。記事では、その背景として、正解予測には状況のルールを含む「世界」を内部に構築する必要があること、さらに学習データと強化学習・テスト時計算（思考トークンを挟む探索）により、単なる予測から「予測しながら探索する」形へ変化した点を挙げる。Othello-GPTの例では、盤面を直接与えずとも内部にそれらしい表現が生成されることが示され、AIが世界構造を暗黙に学習している可能性が論じられる。最終的に、AIの「確率で動くから知性ではない」という線引きは説得力を失いつつあり、人間の知性との連続性を示唆する。
仕様から生成したテストは全緑でも、曖昧さは別の形で漏れる
ワンポイントテストが全部通っても“検出”は別物。曖昧さを幅で吸収させない出力形式が鍵です。
AIに仕様だけ渡してテスト生成を行うと、テストは全て通る（全緑）ことが多いが、それでも実装変更が必要になるケースがあった。検証の結果、独立照合（実装を経由しない解釈との突き合わせ）は食い違い検出には有効だが、曖昧さは自動生成側が「許容幅」などで吸収してしまい、検出されないことが分かった。特に金銭計算の税額扱いなど、テストでは原理的に赤になりにくい仕様の内部矛盾が本番で問題化し、実装変更3件につながった。結論として、成果は緑の数ではなく「食い違い」や「決められなかった点」の出力形式に依存し、出力を縛る運用が重要だと述べている。
学習支援AIは「利用中の正答率」だけで測れない
ワンポイント教育効果は“AI利用中の点数”ではなく“AIなしで何が残るか”で測るべきです。
学習支援AIの効果は、利用中の正答率（課題完了のしやすさ）と、AIを外した後に残る技能獲得を分けて評価すべきだと論じる。2025年のPNASの高校数学RCTでは、GPT-4を使うと練習得点は上がった一方、AIなし試験では一般的なチャット型利用者が対照群より17％低い得点となった。原因は、完成解答をコピーして進む使い方が増え、学習に必要な試行（不明点特定〜説明など）が短縮されるためだという。答えを直接渡さずヒントに制約する「GPT Tutor」設計では悪影響がほぼ解消されたため、評価指標と設計選択（完成解答型/ヒント型/指導者支援型）を目的別に切り分ける必要がある。
Robotics
Linkdaze、家族運用に特化したスマートカレンダーを提供
ワンポイント紙レシピを写真化して献立化するAIは、家庭の運用負担を減らし差別化要因になり得る。
Linkdazeは、個人の予定管理ではなく家庭全体の運営を目的にしたタッチスクリーン型スマートカレンダー。Google/iCloud/Outlook/Yahoo/Coziなど複数サービスの予定を同期し、家族ごとに色分けして把握しやすくする。さらにAIの食事計画機能では、紙のレシピや子どもの給食メニューを写真撮影するだけでデジタル献立と買い物リストを生成する。「Snap-to-Sync」により手入力の手間を減らし、カレンダー以外にも家事・報酬、献立、買い物リスト、写真表示などに対応。主機能は月額サブスク不要で、競合より初期価格も抑えられている。
ブラウザ自動化のtypeで半角英数字だけが欠落する不具合
ワンポイントUI自動化は戻り値が成功でも状態反映を保証しないため、送信前に読み戻しで完全一致検算を入れるべきです。
ブラウザ自動化でエディタ入力欄に type で文字列を投入しSNS返信を送ると、意図した本文の一部（半角英数字や数字の桁区切り等）だけが欠落して送信される事象が報告された。日本語は欠落せず、目視では自然に見えるためエラーも出ずに見逃されやすい。原因は、入力経路がIME/変換確定系と素のキーストローク系に分かれ、type 経由のASCIIだけがエディタ側の入力ハンドラで取りこぼされる可能性が示唆された。対処として送信前に入力欄の実状態を読み戻して完全一致で検査し、必要に応じて半角英数字を全角へ寄せる回避策を実装した。
Security
Fire HDを“自分で所有”するために4つのAIモデルでルート奪取を試みた
ワンポイント安全対策で“正当な自分の端末”でも支援が止まる一方、別モデルは実装を前進させる点が示唆的。
Amazon Fire HD 10が勝手にシャットダウンする問題に対処しようとして、最終的に端末の完全制御（root）を目指した。Kimi K3、GLM-5.2、GLM-5.3など複数のLLMを使い、AmazonのOTAからカーネルを抽出して脆弱性（Arm MaliのCVE-2022-38181）を突く方針に到達したが、Kimi K3は設計バグで大量クラッシュに陥った。ClaudeやOpenAI Codexは安全対策（safeguards）でログ要約や技術相談を拒否し、米国の“最前線”モデルほど支援が制限される現状が浮き彫りになった。最終的にGLM-5.2/5.3が手順を確定し、1日で完了、総額は端末購入費に近い約266ドル規模だった。
Vercel、公開サイトを監査する無料「Is Agentic」スコアリングを提供
ワンポイントエージェント対応の可視化で、サイト改善が“スコア”ベースになり運用判断が速くなる点が重要です。
Vercelは、エージェント利用に向けた準備度を評価する無料ツール「Is Agentic」を導入しました。Oraの100件超のチェックを用いて、公開Webサイトのエージェント対応状況を監査し、スコアとして可視化します。開発者は自サイトの改善点を把握し、エージェントがより安全かつ確実に動作できる状態へ近づけられます。エージェント時代のWeb品質指標として注目されます。
NeMo Guardrailsを企業向けAI安全に活用する開発者ガイド
ワンポイントガードレールは“モデルの賢さ”より“振る舞いの制御”に効くため、要件設計が成果を左右します。
本記事は、NVIDIAのNeMo Guardrailsを使って企業のAIシステムに安全対策を組み込むための開発手順を解説する。ガードレールによって、プロンプトや出力に対するルール適用、会話フローの制御、ポリシー準拠の支援などを実現できるとしている。導入時は要件定義から設計・設定、運用・改善までの流れを意識することが重要だと述べる。エンタープライズ用途でのリスク低減と、実装の再現性を高める観点が中心となっている。
Flock CEO、プライバシーと安全の「妥協」を訴えるも監視批判が拡大
ワンポイント保持期間短縮でも上書き機能が残ると、規制の実効性が問われやすい。
Flock SafetyのCEO Garrett Langleyは、プライバシーと安全のどちらか一方を優先するのではなく「妥協」が必要だと述べた。だが同社の監視カメラやドローン、ナンバープレート認識などをめぐり、悪用懸念から世論の反発が強まっている。ワシントン・ポストは、警察官がFlock技術を無許可で使用したとして46件の事例を報じ、被害者の訴えに対してCEOは謝罪の意を示した。一方で同社はデータ保持期間の短縮やアクセス手続きの変更などを行ったが、上書き可能な「Evidence Mode」などを含め実効性への疑問も出ている。さらに与野党の政治家が規制強化に動き、連邦政府による顔認識・バイオメトリクス・ナンバープレート認識の自動監視購入を禁じる法案も提案された。
製造業でのLLM選定：クラウド型とローカル型の見極め方
ワンポイント機密度と運用体制で線引きを決め、用途別にクラウド/ローカルを混在させると失敗しにくい。
製造業では図面・加工ログ・不良記録など社外秘データが多く、LLM導入時は「クラウドAPIに送ってよいか」が技術だけでなく情報管理方針の問題になる。クラウド型は最新モデル利用と運用負荷の低さが利点だが、利用規約やデータ保持ポリシーの確認、取引先データの扱いに注意が必要で、送信前フィルタの考え方も示される。ローカル型はデータを外部に出さずに済む一方、GPU等の計算資源投資やモデル更新・保守の体制が必要で、Ollama等で小規模検証する手段が紹介される。選定は機密度・レイテンシ・運用体制・コストの4軸で用途別に判断し、最初から完璧な基準を作らず運用しながら見直すことが重要と結論づける。