AIバブルはインターネットバブルとは異なる ― 労働者はスプレッドシートを密輸したようにAIを密輸しない

コリー・ドクトロウは、最近のPluralisticの記事で、現在のAI投資ブームは1990年代のインターネットバブルとはほとんど似ていないと論じている。彼の核心的な主張は次の通りだ。インターネットが普及したのは、ワーカーがWebツールを社内ネットワークにこっそり持ち込んだからだ——彼らがそれを必要としたのだ。対照的に、AIは経営陣によって上から強制されている。
Webが本当にITの管理を打ち負かした方法
ドクトロウは、その緊張関係をLotus Notesの時代まで遡る。Lotus Notesは、IT管理者がメインフレームのような制御を好んだため愛用した、扱いにくいオールインワンのオフィススイートだった。ワーカーはそれを嫌い、Hotmail、Yahoo Mail、ICQ、AIM、匿名FTPサーバーなどのWebベースのツールをこっそり持ち込んで仕事をこなした。Webツールの方が実際の作業に適していたため、彼らはITポリシーを回避したのだ。
これは反抗ではなく、生存のためだった。ドクトロウが指摘するように、知識労働においては「例外こそが常則」である。厳格なポリシーは、予期せぬ状況に直面すると機能しなくなる。「規則通りに働く」——暗黙のプロセス知識を使わずにすべてのルールを厳密に守ること——という概念は、業務を麻痺させかねない。
AIは押し付けられ、引き寄せられていない
重要な違いは、誰もAIエージェントを社内ネットワークにこっそり持ち込んでいないことだ。従業員が締め切りに間に合わせるために本当に必要だからといって、GPT-4やClaudeを自分のワークステーションにインストールしているわけではない。代わりに、経営陣やVCが、労働者の置き換えやコスト削減の約束のもとでAI導入を推進している——労働者を強化するためではない。
ドクトロウは、初期のパソコンにおけるキラーアプリがVisicalc——スプレッドシート——だったことを語る。ワーカーはApple II+コンピュータを仕事にこっそり持ち込んで、それを実行した。なぜならITが必要な機能をブロックしていたからだ。動機は内発的だった。「彼らは会社を騙したり盗んだりするためにそうしたわけではない——目的はより良い仕事をすることだった」のである。
今日、AIコーディングエージェントやLLMに対して、これに相当する草の根の導入は起こっていない。それらはトップから命令されており、それを使わなければならないエンジニアからは抵抗や無関心で迎えられることが多い。
これがAIツールにとって何を意味するか
インターネットバブルが需要主導型だった(ユーザーが技術を引き寄せた)のに対し、AIバブルは供給主導型(ベンダーがそれを押し込んでいる)である。そのため、より脆弱だ。予算が厳しくなったとき、上から押し付けられたコストセンターは最初に削減の対象となる。ワーカーが実際に必要とするツールは生き残るだろう。
この記事は暴落を予測しているわけではないが、市場のファンダメンタルズが異なると論じている。AI導入の数字は、真のユーザーによる引きではなく、経営陣の命令を反映しているため、膨らんで見えるかもしれない。
📖 ソース全文を読む: HN AIエージェント
👀 See Also

アンソピック、責任あるスケーリング方針から主要な安全公約を削除
Anthropicは、競争圧力と開発継続の必要性を理由に、AIシステムの訓練前に適切な安全対策を保証することを要求する中心的な約束を、その責任あるスケーリングポリシーから削除しました。

Claude Codeの/buddyイースターエッグとユーザー機能リクエスト
Claude Codeには隠しコマンド「/buddy」があり、タマゴッチ風のコンパニオンを生成します。Maxサブスクライバーで840回以上のセッションを持つユーザーが、現在の制限事項と機能強化の提案を詳細に説明しています。

Tencent、需要の高まりを受け深圳で無料OpenClawインストールイベントを開催
テンセントは3月6日、深セン本社ビルの外で20名の従業員を配置し、無料でOpenClawのインストール支援を行いました。これは、出張インストールサービスに70ドル以上を支払う事例が報告されたことへの対応です。このイベントではテンセントクラウドのLighthouseプラットフォームが使用され、参加者の多くは職場での競争とAI導入のプレッシャーに直面するホワイトカラー層でした。

ローカルLLMベンチマーク:関数呼び出しによるバックエンド生成 – GLM、Qwen、DeepSeekの比較
関数呼び出しによるバックエンドコード生成におけるローカルLLMとフロンティアLLMの厳格なベンチマークと採点基準。主な発見: qwen3.5-35b-a3bはDB/API設計でgpt-5.4に匹敵し、高密度Qwen 27Bは397B MoEを上回る。フロンティアモデルはコストのため除外。