Canva Brushで資料を直す。「ここだけ変えて」を仕事の指示にする
Canvaが公開したデザイン編集モデルBrush。既存の資料を直す仕事で、変える箇所と残す箇所をどう伝えるか。仮想の修正依頼を使い、AIへの指示と人の確認の分担を考えます。
出典：Canva · 原文公開：2026.10.30 · 約4分
HONSHITSU JOURNAL
FDEブログ
海外の一次情報から、FDEの仕事と育成、AI実装の進め方を考える。本質の視点で、SES・SIerの現場に役立つ知見をお届けします。
企業の公式発表や実務者の発信を、日本語の要約・短い引用訳と本質の見解で紹介します。
Liquid AIのLFM3。現場の作業メモを、PCの中で報告書の下書きにする
Liquid AIが公開した小型モデルLFM3。作業メモを現場のPCで報告書の下書きへ整える使い方を考えます。書かれていない内容を埋めない設計と、実際の端末・日本語メモで確かめたいことを整理します。
出典：Liquid AI · 原文公開：2026.10.27 · 約5分
Kimi K3.1 Proの3D Make。「少し幅を変えて」を、提案の場で形にする
Kimi K3.1 Proの公式発表で紹介された3D Make。幅や高さを変えた立体の比較案を、提案や打ち合わせでどう使うか。変える条件と残す条件をそろえ、次の担当者へ渡す情報まで考えます。
出典：Moonshot AI · 原文公開：2026.10.24 · 約5分
Voxtral 3で電話予約を任せるなら。「やっぱり明日」をどう扱うか
MistralのVoxtral 3は、音声認識・推論・業務ツール・発話をつなぐ。電話予約の言い直しを例に、確認と確定を分ける設計、現行の電話連携の条件、最初に試す範囲を考えます。
出典：Mistral · 原文公開：2026.10.20 · 約5分
Mercury 3はどこまで待ち時間を減らせるか。速いAIを業務で試す前に
Inceptionが発表したMercury 3。生成速度の公表値をどう読むか、検索や確認を含む業務の待ち時間をどう測るか。試す前に揃えたい条件を具体例で考えます。
出典：Inception · 原文公開：2026.10.19 · 約4分
MistralのTimestral。需要予測の「幅」を、発注判断にどう使うか
Mistralが公開した時系列予測モデルTimestral。中央の予測だけでなく下振れ・上振れの目安を、欠品や余剰を踏まえた発注判断へどうつなげるか、仮の業務例から考えます。
出典：Mistral · 原文公開：2026.10.15 · 約5分
MetaのMuse Wonder。「昨日の続き」をAIに任せるために、何を引き継ぐか
Metaが発表したMuse Wonderは、会話をまたぐ文脈の引き継ぎと継続作業を打ち出しています。週次報告を仮の例に、変更された条件や未完了の情報をどう扱うか、本質の考察をまとめます。
出典：Meta Newsroom · 原文公開：2026.10.12 · 約5分
GPT-6のIntelligent UI。条件を動かしながら、仕事の判断を確かめる
GPT-6のIntelligent UIは、ChatGPTの回答に図や入力欄などを組み合わせる機能です。発注量の比較を仮の例に、条件を動かしながら判断する使い方と、提供条件・保存の制約を解説します。
出典：OpenAI · 原文公開：2026.10.07 · 約5分
AIコードレビューは「指摘の数」で選ばない。GitHub ReviewBenchが示す評価の軸
GitHubが公開したReviewBenchを手がかりに、AIコードレビューの選び方を考えます。重大な見落とし、不要な指摘の確認時間、レビュー完了までの手間を分けて評価するための解説です。
出典：GitHub · 原文公開：2026.10.05 · 約5分
GeminiのGemsがSkillsへ。会社で作ったAIの指示をどう移すか
GeminiのGemsからSkillsへの移行を公式資料で確認。企業向けの日程、アプリ間の同期、Workspace Studioのフローへの影響と、チームで指示を保守する考え方を紹介します。
出典：Google · 原文公開：2026.09.30 · 約6分
Claude Opus 5.5で何が変わる？AIの費用を「仕事が終わるまで」で考える
Claude Opus 5.5の単価20%減と、典型的な処理で40%安いという同社評価の違いを確認。月報づくりを例に、追加指示や人の修正まで含む業務の費用を本質の視点で考えます。
出典：Anthropic · 原文公開：2026.09.22 · 約4分
Jevとは？文章を書かないAIを、業務のどこで使うのか
TypeSafe AIのJevは、文章ではなく選択肢やスコアで判断を返すAIです。保守窓口の振り分けを例に、LLM・コードとの役割分担と、FDEが設計する判断の単位を考えます。
出典：TypeSafe AI · 原文公開：2026.09.15 · 約6分
AIのデモは動いた。業務に出してよい？——Palantir AIP Evalsから考える評価の設計
PalantirのAIP Evalsを手がかりに、AIを業務で使い始める条件を考えます。問い合わせ対応の仮想例から、合格基準、人への引き継ぎ、変更後の再評価をFDE育成へつなげます。
出典：Palantir Documentation · 原文公開日：記載なし · 約3分
PalantirのFDEは何をしているのか。現場で問われる「課題を選ぶ力」
PalantirのFDSE本人へのインタビューを読み解き、SES・SIerがFDE育成で取り入れたい課題設定と評価の方法を考えます。
出典：Palantir Blog · 原文公開：2020.11.02 · 約3分
PalantirのShyam Sankarが語る「成果」。FDE育成の評価をどう変えるか
Shyam Sankar氏の2024年の寄稿を起点に、実装の完成と業務上の成果をつなぐFDE育成の評価方法を考えます。
出典：Pirate Wires · 原文公開：2024.04.08 · 約3分
Palantir AIP Bootcampから考える、業務課題を持ち込むAI実践研修
Palantirの公式案内を起点に、短期間のAI実践研修を業務の検証と継続利用へつなぐ設計を考えます。
出典：Palantir Documentation · 原文公開日：記載なし · 約3分
AWSがパートナー企業へ広げるFDE——SES・SIerが整えたい実装体制
AWSのパートナー向けFDE施策を紹介。SES・SIerが人材育成を顧客への実装につなげるための、チーム編成・成果指標・知見の残し方を考えます。
出典：AWS Partner Network Blog · 原文公開：2026.06.30 · 約3分
AnthropicとDXCの提携から考える、既存エンジニアをFDEへ育てる道筋
DXCとAnthropicの公式発表をもとに、既存エンジニアの業務知識をAI実装へつなぐ育成方法を考察。研修後の実践課題と役割設計を紹介します。
出典：Anthropic · 原文公開：2026.06.11 · 約3分