年末調整の書類集めは、AIで「神」になった?
番組は、テリスケさんがマックシェイクのバニラ味を飲みながら参加するゆるい雰囲気で始まります。最初の話題は、戸田さんがちょうど取り組んでいた年末調整です。
戸田さんは家をローンで購入しており、住宅ローン減税 ── 住宅ローンを組んで家を買った人が、年末のローン残高に応じて所得税などの控除を受けられる国の制度。会社員は2年目以降、年末調整で手続きしますを受けるために、年末調整で書類を出す必要があります。この手続きが、戸田さんにとっては結構面倒だったといいます。
保険の控除証明書も、保険会社のウェブサイトから取れるものもあれば、代行サービスにログインして証券番号や本人確認情報を入れて取るものもあります。会社ごとに手順がバラバラで、いちいち調べるのが大変だったそうです。
そこで戸田さんは、普段メインで使っているGrok Botに聞くことにしました。Grok Botは戸田さんのGmailを把握しているので、手順を答えるだけでなく、去年どう対応していたかまで教えてくれたといいます。
多分このレベルのことって去年でもできたはずなんだけど、ちょっと僕はそれをまだ経験できてなくて。
僕はそれ(AIに年末調整を手伝ってもらうこと)を今年初めて体感して、「うわ、神」って思いましたね。
経営者側の年末調整は、なぜClaude Codeなのか
テリスケさんは経営者なので、戸田さんとは逆に年末調整の書類を「配る側」です。以前は法人営業として自分で年末調整をしていて大変だった記憶があり、AIの使い勝手のよさは実感しているといいます。
ただしテリスケさんが事務作業で一番使いやすいと感じているのは、Grok BotではなくClaudeです。Grok Botはボットをたくさん作るものの管理しきれず、タスクをぽろっと落とすことがあるからだそうです。
テリスケさんによれば、Codexも以前から、ゆるいつながりのせいで失敗したまま諦める傾向がありました。対してClaude Codeは「諦めが悪い」ことで伸びてきた、というのがテリスケさんの見方です。
僕がよく使ってるのはfreeeなんだ。だからあの、freee MCPとClaude Codeの相性がむちゃくちゃいいのよ。
テリスケさんは会計ソフトのfreeeを、MCP ── Model Context Protocol の略。AIモデルと外部のツールやデータをつなぐための共通の接続規格で、Anthropicが提唱しましたでClaude Codeとつないでいます。前年のナレッジがある確定申告のような作業は、Claude Codeのような「かっちりしたシステム」で処理したほうが確実だといいます。
一方でテリスケさんは、Grok BotにはGoogleドライブの整理やXの情報収集を任せています。また、freee会計はMCPで簡単に扱えるものの、電子契約のfreeeサインにはMCPがありません。テリスケさんは、freeeが他社のサービス(忍者サインだったかもしれない、と話しています)を買収して作ったからではないかと推測しています。
そのため、freeeサインの作業はGrok Botに任せています。戸田さんはこれを受けて、システムとしてまとまっていて文脈をたどりやすい作業は、頭の良さで勝るClaudeのほうがスマートにこなす、という整理をしています。
freee MCPでつながる会計や確定申告など、前年のナレッジがある「かっちりした」作業
Googleドライブの整理、Xの情報収集、MCPのないfreeeサインの作業
Fableを司令塔に、OpusとSonnetへ仕事を振る
テリスケさんがよく使う進め方は、まずFableを立ち上げ、タスクをまとめて伝えるところから始まります。Fableに作業をセッションごとに分けさせ、それぞれにOpusやSonnetなど適切なモデルを割り当てさせて、最後の報告はFableにさせる形です。
年末調整の例では、短期の業務委託の人にはSonnetを、正社員にはOpusを割り当て、保険などを調べさせたといいます。終わったセッションを自動でアーカイブし、再開時はそこから続けさせることで、UI上で進捗を管理でき、画面も散らからないそうです。
戸田さんも開発で似た構造を使っています。ただし戸田さんは、最近はOpus 5.5が賢いのでFableはあまり使わず、Opus 5.5をマネージャー役にして、適したタスクはSonnetのサブエージェントに頼ませているそうです。
テリスケさんがFableを司令塔に選ぶ理由は、話があちこちに飛んでも文脈をつなぎ止める力が高いからです。「そういえばあれどうなった?」と思い出す力が、Grok Botには弱いと感じているといいます。
例えば社員が2人いて、業務委託の人が3人いて、計5人をそれぞれ事情が全然違うわけ。
その場合はやっぱりFableとかで、こう「そういえば」っていう機能がないとちょっと怖いんだよね。
お金の話はシビアで、法律も状況も変わっていくので、文脈を忘れられては困ります。テリスケさんは、企業向けにClaudeが導入されている理由も、GPTモデルに対するこの優位性にあるのではないかと見ています。
ChatGPTとClaude、どう使い分ける?
戸田さんは、ChatGPTとClaudeを「二大巨頭」と見たうえで、事務作業以外での使い分けをテリスケさんに尋ねます。テリスケさんの答えは、一点突破で深く追求させるならChatGPT側のAstraだというものでした。
例として挙がったのは、テリスケさんが進めている自社ホームページの改修です。教育、医療、製造業など5つの業界のペルソナになりきり、そこから共通点をまとめてスキルにするワークフローを作ろうとしていて、1つのことを文脈に沿って忘れずに続けるのはAstraだといいます。
ちなみにテリスケさんはChatGPTのProプランを使っています。これまで通常のチャットと別の作業機能の利用上限が別々だったのが、いつの間にか統一されていて「泣きそうになった」と嘆き、戸田さんも「みんな怒ってる」と応じています。
一方、使ったスキルを踏まえて「そういえば」と文脈を人間のように切り分けるのは、ClaudeのFableだとテリスケさんは見ています。戸田さんがよく聞く評価として挙げたのは、言われたことをやりきるのがChatGPT、察する力があるのがClaude、という対比です。
言われたことをやりきる。自分で気づける範囲なら、1つのテーマをどこまでも深掘りできる
察する力がある。文脈を人間のように切り分け、ざっくりした指示でもうまくやってくれる
あんまりつべこべ言わない方がいいかもしれない。
特にFableは。秘書みたいに、「あれ、あんな感じでやっといて」みたいな感じ(で頼むと)、「え、どんな感じ?」っていう、なんかこれぐらいの感じで言った方が逆にうまくやってくれることがある。
戸田さんは、最近は音声入力のまま指示を出すことが多く、意識しないうちにそうした頼み方になっていたかもしれないと話します。戸田さんはAquaVoice ── 音声で話した内容を文字に起こして入力できるツール。話し言葉の言い淀みなどを整えて文章にしてくれますを使っていて、今ではないと困るほどだといいます。
テリスケさんによれば、Claudeは音声入力をAquaVoiceのような別のツールで補わないと使いづらい一方、Codexには最初から入っています。ただ、ChatGPTは言い間違いを「これと認識します」と指摘してくるのが少しムカッとするそうで、うまくいなして流してくれるClaudeのほうが人間くさいと感じています。
司令塔のコンテキストは、どこで崩れるのか
テリスケさんは、並列で大量の仕事を進めるとき、音声入力の小さなノイズが積み重なってGrok Botがわけのわからない方向に行くことがあると話します。戸田さんがセッションを分ければ解決しないのかと尋ねると、テリスケさんは自分の構成を説明します。
テリスケさんはGrok Botに司令塔を1つ置き、その配下で会議やボットを動かしています。テリスケさんが話しかけるのは司令塔だけで、会議の方向性が違うと思ったら、司令塔に直しておくよう指示する形です。
(司令塔の)呼び出し方自体がだんだんだんだん変わっちゃったりとか、なんなら途中で英語になっちゃって。
あ、こいつちょっといよいよなんかあのきつくなってきたなみたいな(の)が見えてくる。
以前、Grok Botのメインにドライブ掃除専門のボットを建てたはずだと指摘すると、「ありました、ごめんなさい」と返ってきたこともあるそうです。戸田さんは、Grok BotにはClaude Codeのようなコンパクト ── Claude Codeで、長くなった会話の履歴を要約して圧縮し、使えるコンテキストを空ける機能がなく、コンテキスト管理をAIに任せきりになっているのが原因ではないかと整理します。Grok Botにはスキルやメモリはあるものの、システムプロンプトのように明確に沿わせることは難しいようです。
コンパクトの使い方は、2人の間で対照的です。テリスケさんは、要約を経るとどうしても情報が曖昧になるので、それを理解できるFable以外ではあまりコンパクトを使いません。
戸田さんはむしろコンパクトやクリアを頻繁に使っています。論文で、タスク性能はおおむね200Kから500Kトークンあたりが一番高いという結果を見たことが理由で、ターミナルの下に使用中のコンテキスト量を表示し、500Kを超えたら自動でコンパクトする設定にしているそうです。
テリスケさんは、Fableが各モデルにセッションを立てさせて報告させる仕組みそのものが、ある意味で自動のコンパクトになっていると指摘します。SonnetやOpusはプルリクを作りCIを通すまでの実装に集中し、マージしてよいかはFableが確認する、という流れです。
話題は新しく出たFable 5.2にも移ります。戸田さんはまだ使えていないと思っていたものの、その場でターミナルを確認すると、すでに使えるようになっていました。
テリスケさんは利用上限が「残り3%」まで迫っていたものの、上限が戻った朝にすぐFable 5.2を試し、「こいつできる」と感じたといいます。Fable 5.2は、コーディングよりも「あれやって」から文脈を読んでタスクを分解する、司令塔の役割が非常に優れているそうです。
テリスケさんは、実装はトークンや試行錯誤のコストも考えてOpusやSonnetに任せるのがよいと話します。セキュアな作業は量子化したローカルLLMに任せ、速いけれどミスもする出力をFableに見直させる、という組み合わせも勧めています。
自作ベンチマークが見つけた「すり抜け攻撃」
戸田さんは、個人開発の履歴から自分用のベンチマークを作っています。個人開発でもissueを立ててプルリクを作る進め方をしているので、SWE-bench ── 実際のソフトウェア開発のissueと修正内容を使って、AIが不具合を直せるかを測るベンチマークのような形式の評価データを、完全に自分用として用意できるのです。
テリスケさんもAI駆動開発で見つけた問題から、ゴールデンセットやシナリオテストを作っているといいます。そのうえで、戸田さんのベンチマークではどんなタスクで引っかかるのかを尋ねます。
戸田さんの問題の集め方は、「一度AIがミスした問題」を選ぶことです。マージされたあとで同じ箇所が変更されたプルリクをLLMにリストアップさせ、その中から戸田さんが手で選んでいます。
題材の1つが、戸田さんが開発中のトルネコのようなローグライクゲームです。このゲームはSteamに申請してApp IDを10月半ばに申し込んだものの、11月後半になると言われ、ほぼ完成しているのにリリースだけできない「スーパー待ち状態」だそうです。
問題になったのは、3マス先まで届く貫通の遠距離武器です。エフェクトは3マス目まで届き、3マス目の敵には当たるのに、1マス目と2マス目の敵には当たらない状態になっていました。
すり抜け攻撃になっちゃう。
すり抜け攻撃になっちゃってるのね。
戸田さんは自分でテストしたとき、遠くに当たるのでOKと判断し、貫通の挙動までは調べずにマージしていました。後のテストプレイで気づいて直したそうです。
ただの凡ミスは除外し、こうした「人間も見て通したけれど、確かに見落としそう」なケースを少しずつ貯めて、評価データは現在13問になっています。
戸田さんのベンチマークでの現時点の結果は、DeepSeekとClaudeのOpusが同率で首位、次がCodexのSolです。Fableは、前のバージョンよりOpus 5.5のほうがなぜか良かったといいます。
Astraは、ChatGPTがPlusプランのため試せていないそうです。戸田さんはこのベンチマークでFable 5.2も試してみるつもりだと話しています。
大きいモデルほど賢い、とは限らない?
テリスケさんは、OpusやDeepSeekはコーディングのような実装系のタスクに向けて強化学習 ── 試行の結果に報酬を与え、望ましい振る舞いを強めるようにモデルを訓練する手法がされている印象だと話します。Fableは「素のまま」に近く、Opusはよく使われるコーディングに強化し、サイバーセキュリティのように避けてほしい分野は弱めているように見える、というのがテリスケさんの見立てです。
戸田さんは、公開されている情報ではないので研究や論文からの推測だと断ったうえで、各社は大小のモデルを並行で学習しているのではないと話します。一番大きなモデルを先に学習し、下位のモデルはそこから蒸留 ── 大きなモデルの出力を手本に、小さなモデルを学習させて性能を引き継がせる手法しているはずだという見方です。
テリスケさんも、必要な部分と不要な部分を削ってサイズを変えているイメージだと同意します。戸田さんは、用途に合わせて作り分けた結果として、下位のモデルが上位のモデルを上回る現象が起こるのではないかと考えています。
テリスケさんによれば、Opusは「あれやって」と言うと「あれって何ですか」と聞き返すタイプです。戸田さんは、エンジニアリングならそれでよいと応じています。
新しいモデルの話題では、GPT系でTerraの6.1が出たこと、ローカルLLM界隈ではQwen 4 Maxのプレビューが前日に出たことが挙がります。Qwen 4 MaxはAPI経由で使う大型モデルで、テリスケさんの触った感触は「強化学習されてないDeepSeek」のようだったといいます。
テリスケさんは、DeepSeekが強化学習版になって急に評価を上げたように、Qwenもこれからコーディングに特化していくと予想します。戸田さんも、利用データを集めてRLHF ── 人間のフィードバックをもとに強化学習を行い、モデルの出力を人間の好みに近づける手法のような調整をして強くなっていくのだろうと応じます。
全知全能のAIは、本当に来るのか
テリスケさんは、ここまでの話を踏まえて、全知全能のAIが本当に出るのかについてはかなり懐疑的になってきたと話します。戸田さんも、言語モデルの仕組み的に無理ではないかと考えています。
戸田さんは、Transformer以前の統計言語モデルや初期のニューラル言語モデルを研究していた経験から、言語モデルは確率的に出力をどこかへ定めるように学習するものだと説明します。ケースごとの振る舞いを大量に学習させる必要があるのに、そのためのデータはまだ世の中になく、パラメータ規模も地球の資源では足りないのではないか、というのが戸田さんの予想です。
テリスケさんは、そう考えるとAI企業の上場は厳しいと話します。戸田さんがAnthropic ── Claudeを開発するアメリカのAI企業。AIの安全性研究を重視していることで知られますは上場の話がなかったかと尋ねると、テリスケさんは、するけれど評価額が一気に下がったと聞いたと答えます。
テリスケさんが聞いた話では、評価額は2兆ドルから1.2兆ドルほどに下がったそうです。テリスケさんはさらに下がり、アメリカで最大級の電力会社くらいの規模になると見ています。
テリスケさんは日本の九州電力や関西電力を例に出し、アメリカで最大の電力会社が記憶では2000億ドルほどなので、評価額は10分の1程度になると予測しています。ただし本人も「正しくないかもだけどね」と添えています。
戸田さんは、スケーリング則は生きていると考えています。無限の計算資源とデータ、無限のパラメータを載せられるマシンがあれば万能のAIもできそうだけれど、現実はそうではないので、どこまでうまく削ぎ落とし、詰め込めるかと、ハードウェアの進化が鍵になるのではないかと話します。
テリスケさんは、ハードウェアの進化は必須だと応じます。デバイスのUI上でできることは一通りやり尽くした感があり、次はオンプレミスやロボティクスのようなフィジカルな場面で、AIにどこまで自律的な判断を任せられるかを社会実験として実測する時代になってきたと見ています。
AIに重みを直接いじらせる「ウェイトスペースプログラミング」
戸田さんが次に持ち出したのは、1〜2週間前に話題になったウェイトスペースプログラミングです。MITかどこかの研究者のブログで紹介されたもので、テリスケさんは初めて聞いたといいます。
今のAIはバックプロパゲーション ── 出力の誤差を出力側から入力側へさかのぼって伝え、各重みをどれだけ直すかを計算する、ニューラルネットの代表的な学習方法で重みを変えて学習します。音声だけで説明するのは難しいので、気になる人は検索してほしい、と2人は笑います。戸田さんは勉強したての頃、入力2・中間層3のような小さなネットワークで手計算の微分をして、とても楽しかったそうです。
ウェイトスペースプログラミングは、この重みをAIに直接変えさせるというものです。ブログでは、Qwenに解かせていたタスクが思考ループに陥ったため、Astraに重みの調整を任せたところ、NumPyの出力のような重みを書き出して調整し、ループを抜けてタスクを解けるようになったと報告されていたそうです。
自己学習並みで、涙目なんだけどそれ。
本当なのか気になった戸田さんは、自分で2つのタスクを試しました。1つはポジティブかネガティブかを判定するだけの単純な分類問題で、こちらはうまくいきました。戸田さんは、この程度なら重みも数式で計算できるレベルなので、うまくいくのは納得できると話します。
もう1つは、Qwenの0.6Bほどの小規模モデルにLoRAを付け、語尾に必ず「ニャン」を付けさせるタスクです。一応ニャンっぽくはなったものの、ほかの部分までニャンになったそうです。
| タスク | 結果 | 戸田さんの受け止め |
|---|---|---|
| ポジネガ分類 | うまくいった | 重みが数式で計算できるレベルなので納得できる |
| 語尾をニャンにする | ニャンっぽくなるが、ほかまでニャンになる | ニャンの潜在表現を見つけて調整していて面白い |
要するにニャンベクトルみたいな潜在表現を見つけて調整してるっていうことやんか。
戸田さんは、AIが重みを調整できるようになるのは本当なのではないかと考えています。ただ、どちらのタスクも普通にファインチューニングしたほうがコスパはよさそうだったそうです。
そのため戸田さんは、今すぐAIが自分を改造してシンギュラリティが起きる話ではないと整理します。期待しているのは、将来、ブラックボックスと言われるニューラルネットの中身を説明するのにAIを使えるようになることです。
戸田さんは例として、Anthropicが「ゴールデンゲートブリッジ」に対応するベクトルを見つけ、その重みを足すと何でもゴールデンゲートブリッジに結びつけるAIになる、という研究に触れます。こうした分析の延長で、面白い研究が出てくるのではないかと話しています。
重みを変えられたら何ができる?鍵は「判断の説明」
テリスケさんは、ニャンはジョーク気味だったとして、本気で重みを直接変えられたら何ができれば実用的かと戸田さんに尋ねます。
戸田さんがまず挙げたのは業務向けのチューニングです。今はローカルLLMをファインチューニングするには、データを集めて溜まってから学習させるのが普通です。ニャンの実験ではデータを与えず、AIがサブエージェントでニャンのデータを作って重みを調整していたので、業務に特化したデータを自分で作って重みを更新する、という使い方が考えられるといいます。
人がデータを集め、溜まったらローカルLLMをファインチューニングする
やりたいことを伝えると、AIがデータを自分で作り、重みを直接更新する
テリスケさんは、そこまで来るとどこまでがアルゴリズムでどこからがLLMなのか、境界がわからなくなってくると応じます。
戸田さんがもう1つ重視するのが、モデル内部の説明です。画像認識では「この辺りを見て判断した」と示せることがありますが、医師に症例を読ませて自然言語でアドバイスを出すような場面では、その答えがどこからどう出てきたかを示すのは難しいといいます。
RAG ── 外部の文書を検索してAIのコンテキストに入れ、その内容をもとに回答させる手法では入れたコンテキストは示せても、ロストインザミドル ── 長いコンテキストの中ほどにある情報をAIが見落としやすくなる現象の問題や、入れた情報を無視する問題があります。戸田さんは、パラメータの単位で入力が出力にどう影響したかがわかれば、失敗が許されにくい場面で役立つと考えています。
テリスケさんは、「あっ」と言ってはいけない職業としてパイロット、医師、美容師を聞いたことがあると話し、そこに使えそうだと応じます。美容師の場合、「あっ」と言ったときには前髪がばっさりいっていて、なぜそこで前髪にいこうと思ったのかを説明できたら面白い、というわけです。
戸田さんは、自動運転では近いことがすでに行われていると指摘します。SNS上のデモでは、「この看板があるので止まります」と言葉で説明するものがあるそうです。テリスケさんは、一蘭の看板を「止まれ」と勘違いして止まった例を挙げ、2人で「一蘭の看板は難しい」と笑い合います。
自動運転に足りない「あうんの呼吸」
テリスケさんは、中国の深センで自動運転タクシーを見に行った体験を話します。当時、自動運転タクシーはまだ専用レーンを走っていたそうです。
理由を尋ねると、自動運転車は道路を想定どおりに走り、信号も守れるものの、割り込みができないという答えでした。人間なら「この人は譲ってくれそうだ」と見て少しハンドルを切って入れますが、AIにはそれがわからず、いつまでも割り込めないといいます。
遠慮、遠慮しまくっちゃう。
そう遠慮しまくって、事故が危ない、危ないから事故しそうだから、やっぱりそのルールがいつまで経っても取れなくて、割り込めずに目的地にずっと着けないみたいなことが起きちゃってる。
現地では、結局みんなが自動運転になるしかないと笑っていたそうです。テリスケさんは、少し攻めたパラメータ調整をして、割り込みに成功したときに「こういう理由で成功した」とAIが説明できれば、自動運転が一般の車社会に溶け込むきっかけになるかもしれないと話します。
戸田さんも、運転を始めたばかりの頃は右折がとても怖く、見通しの悪い場所での右折を避けていたと振り返ります。テリスケさんは、人はいつの間にか慣れて、リスクとリターンを勝手に勘案し、いろいろな情報からぱっと判断するようになると応じます。
2人とも運転はそれほど好きではありません。戸田さんは来年から東京にもWaymoが来るという話に期待を寄せ、後ろのカメラがないとバック駐車はできないと思うほど運転が苦手だと話します。
バック駐車のような、決まった動きを正確にこなす運転
右折や割り込みのような、周りの車と呼吸を合わせる運転
戸田さんは、人間同士は車でもコミュニケーションをしていると話します。ウインカーを出していてもすぐには来ない、車のわずかな向きや、高速道路でぐっと加速したことから「今来るな」とわかる、といった感覚です。
テリスケさんは、自動運転の課題はまさにそこだと応じます。人間なら「ケースバイケース」の一言で済ませてしまう、定型化できない判断が、AIの学習にはあまりにも入れにくいのです。
阿吽の呼吸ってやつ。
そうそうそう。それ(阿吽の呼吸)をね、そのウェイトとかで、こう直接AIが操作するんであれば、試行錯誤のスピードが本当にリアルタイムになってくるねと。
テリスケさんが描くのは、さっきは割り込めなかったけれど冷静に考えれば行けた、2回目に同じ状況で行ったら少し擦ったのでもう二度とやらない、といった小さな試行錯誤です。戸田さんも、安全側に倒すせいで学習がうまくいかないことは確かにあると応じます。
戸田さんは、説明できるということは、教えられるということだとまとめます。テリスケさんも、「その重みはやめておけ」と言えるようになると応じ、この回は締めくくられました。戸田さんは、今後もテリスケさんにレギュラー的に出てもらいたいと話しています。
まとめ
年末調整のような身近な事務作業から、モデルの使い分け、自作ベンチマーク、重みを直接いじる研究、自動運転まで、2人の話は実践者ならではの具体例でつながっていました。共通していたのは、AIを万能の存在として見るのではなく、得意不得意を見極めて役割を割り振り、判断の理由を人間が確かめられる形にしていこうという姿勢です。
- 戸田さんは年末調整の書類集めをGrok Botに任せ、Gmailをもとに去年の手順まで教えてもらえる便利さを初めて体感しました。
- テリスケさんは、文脈をつなぎ止めるFableを司令塔にし、実装はOpusやSonnetに振り分け、freee MCPとClaude Codeで事務作業を確実に進めています。
- 戸田さんは「一度AIがミスした問題」から13問の自作ベンチマークを作り、DeepSeekとOpusが同率首位という結果を得ています。
- AIに重みを直接調整させるウェイトスペースプログラミングは、現時点ではファインチューニングに比べてコスパが劣るものの、モデルの判断を説明する研究につながる可能性があります。
- 自動運転に足りない「あうんの呼吸」を、小さな試行錯誤と判断の説明で補えるかが、ウェイトスペースプログラミングの実用的なラインになるかもしれない、とテリスケさんは見ています。







