組織でAIを使い倒すには 安野貴博が語る「導入の3段階」とトークン予算の考え方
安野貴博の自由研究エンジニア・起業家の安野貴博は、経営者から「AI活用を自社でどう進めればいいかわからない」「うまくいっている会社はどうやっているのか」と相談されることがあるという。自分がAIを使うだけでなく、組織としてAIを最大限活用するにはどうすればいいか。安野自身もこの問題に悩んでおり、「まだ全然答えも出ていない」と前置きしたうえで、考えてきたことを共有した。話は、AI導入の段階分け、エージェント化に伴うトークン消費の急増、問題ごとのモデル選定、組織で取り組める具体策の順に進む。
AI導入の3つのレベル
安野はまず、「AIを導入している」と言う組織にも段階があると述べる。以下は本人が「独自解釈」と断ったうえでの分類だ。
レベル1は「AIに質問ができる」状態である。ChatGPTやClaudeを社内に入れ、わからないことがあればAIに質問できるようにする。要するに、全員にアカウントを配る段階だ。
レベル2は「AIに仕事を頼める」状態で、いわゆるエージェントAIの段階にあたる。安野はClaude CodeやCodexのようにエージェンティックに動くもの、Cowork、ChatGPTの同種の機能を例に挙げる。ここではAIが質問に答えるだけでなく、メール、カレンダー、文書管理ツール、チャットツール、GitHubなど他のシステムとつながっている。そのため「これをやっておいて」「カレンダーで日程調整しておいて」とAIに任せられるようになる。
レベル3は、人間が頼まなくてもAIが自ら仕事を進める状態だ。たとえばバグが見つかったり、セキュリティアップデートが出たりしたとき、AIの側から「これを直しておきました」「こういう要望があったのでこうしました」と報告し、反映してよいかの承認だけを人間に求める。
安野の見立てでは、多くの会社はまだレベル1かレベル2にとどまっている。そこから徐々にレベルを上げていくことが、一つ目の方向性になる。
レベル2以降で直面する「トークンの爆発」
レベルを上げると問題が起きる。安野によれば、おおむねレベル2あたりから、エージェントAIを使うとトークンの量が爆発する。トークンとは、AIが考える量・書く量・読む量のようなもので、AIを使うためのクレジットだと安野は説明する。
例として、安野は自身が率いるチームみらいの使用量を挙げた。2026年4月の使用量を100とすると、約3ヶ月後には1500程度になり、トークン量は15倍ほどに増えたという。レベル1の段階ではどんどん使ってもそれほど高くならなかったが、レベル2、レベル3になると使用量が桁違いに増える。そのため、レベルを上げるときにトークン効率を考えなければ、「高くて支払えない」という事態になりうる、と安野は指摘する。
鍵は「どの問題をどのモデルで解くか」
トークン効率を考えるうえで重要なのは、どの問題をどのモデル、どのAIで解くかを賢く選ぶことだ、と安野は言う。ChatGPTにも複数のモデル(安野はアストラ、ソル、ルナなどの名前を挙げる)があり、Claudeにも上位からFable、Opus、Sonnet、Haikuと並ぶ。プロプライエタリなモデルに加えてオープンモデルまで含めれば数えきれないほどある。どのモデルにどの問題を解かせるかを考えるだけで、トークン効率はかなり上がるという。
安野はこれを問題の種類ごとに分けて説明した。
そもそもAIに解ける問題か
最初に見極めるべきは、それがAIに任せるべきタスクかどうかだ。安野は別の動画でも述べたとして、AIは経営的な意思決定を代わりに判断することがまだあまり得意ではないと語る。その前段階のリサーチなら任せてもうまくいくが、最終的な意思決定は難しい。根拠として、CEOベンチと呼ばれるベンチマークでもまだ性能が高くないこと、マーケットでも成績がよくないことを挙げている。
もう一つの例が文章作成だ。レポートなどで80点程度までならAIで簡単に到達できる。しかし80点を100点にする部分をAIに任せても、文章力が足りず良い結果にならない、と安野は言う。こうしたAIが解けないタイプの問題は、自分の頭で考えるべきだという。
ただし安野は、何が解けて何が解けないかは試行錯誤しないとわからないので、最初から諦めるべきではないとも付け加える。使ってみて「これは任せるべきではない」とわかってきたものから、AIを使わないようにすればよいという立場だ。
「良ければ良いほどいい」問題には賢いモデルを
では、賢い高価なモデルはどんなときに使うべきか。安野の答えは、上限が100点で決まっておらず、1000点より2000点、2000点より2010点のほうが良い、という「良ければ良いほどいい」タイプの問題である。唯一の正解を見つければ終わり、というわけではない問題がこれにあたる。
反対に、簡単なバグを修正するパッチの作成、メールを読んでタスクに登録すること、複数人の都合を調整する日程調整メールの下書きなどは、質を上げるほど効果が大きくなる類のものではない。日程調整メールの下書きなら、1000点と100点の差があるわけではなく、90点と92点、70点と80点を争う程度だ。こうした問題には、もっと小さく安いモデルで十分だと安野は言う。ChatGPTで上位と下位のどちらを使うか、ClaudeでFableとHaikuのどちらを使うかで、価格にはかなりの差がある。
性能とコストの関係を図で見る
各モデルの能力も試行錯誤しながら把握する必要があるが、参考になる資料として安野はArtificial Analysisが公開している図を紹介した。横軸は1タスクあたりのコストで、右に行くほど1つのタスクにお金がかかる、つまり大きく高いモデルになる。縦軸は上に行くほど性能が高い。
図を見ると、右に行くほど上に行くという相関がある。大きなモデルほど性能は高いが、コストもかかるということだ。
図には同じモデルを結んだ実線もある。安野の説明では、画面上で一番右に伸びているのがFable 5.1の線、一番上まで届いているのがOpus 5.5の線だという。これは、同じモデルでもエフォート、つまりどれだけ頑張らせるか(高・中・低など)によって性能がかなり変わることを示している。こうした図を見ると、たとえば今のGPT 6.1のソルはOpus 5.5と比べても価格差がかなりある、といったことがわかる。安野は、どのモデルをどこで使うかを考える参考にしてほしいと述べた。
おすすめ①:チャットツール上でAIを使えるようにする
ここから安野は、トークン効率の考え方を組織に広めるための具体策を3つ挙げた。
1つ目は、AIをチャットツール上で使えるようにすることだ。全員がAIのサイト上で個別に質問やタスクの依頼をしていると、誰がどんなタスクをどんなプロンプトで頼み、どんな結果が返ってきたかが共有されない。共有されなければ、「こういう問題にはこのモデルでこの程度の品質が出る」という学びが組織に蓄積されない。
そこでSlackなどにAIのボットを置き、すぐに質問できる状態にしておくと、他の人がどんな質問をどう処理しているかが見えるようになる。「カレンダー調整は意外とSonnetでもうまくいく」「こんな仕事まで頼めるのか」といった学びが共有される。単に「AIのサイトに行ってね」と言うのではなく、SlackやMicrosoft Teamsから使えるようにすることを安野は勧める。そのためのつなぎ込みのコードは自前で用意してもよいし、AI企業が提供しているコネクターもいろいろあるので、それを調べるとよいという。
おすすめ②:回答に金額を併記してコスト感覚を養う
2つ目は、チャットツール上のやりとりに、その結果にいくらかかったかを併記することだ。たとえば「このGitHubのプルリクエストを作るのにこれだけトークンを使った」「この質問に答えるのにいくらかかった」と、質問や依頼ごとに費用を表示する。そうすると、コスト感覚が徐々に身についていくと安野は考えている。
安野がシリコンバレーのさまざまな会社の人に聞いたところ、コスト感覚をつけるには金額を横に出すとよいという答えが返ってきたという。多くの会社が実際にやっているのではないか、と安野は述べている。
おすすめ③:トークン予算をコントロールする
3つ目について、安野は「しれっと書いてあるけど、めちゃくちゃ難しい話」だと強調する。誰がどれだけトークンを使ってよいかが無制限のままだと、放っておけば会社全体でものすごいコストがかかる。トークンはどんどん安くなっているから大丈夫だという意見もあるが、それでもコストはかかる。そこで、誰がどれだけ使ってよいかという予算をあらかじめ決めておく、というやり方が考えられるという。
難しいのは、1人あたりどれだけの予算を割り当てるかだ。安野はUberの事例として、その人の人件費の5%程度をトークン予算に割り振るとよいのではないか、という話があったことを紹介した。
加えて安野は、適切な配分は職種や過去の実績によってもかなり変わるだろうと見ている。ソフトウェアエンジニアはソースコードを書く時間が長く、トークンを消費して実際のコードを得る活用率が非常に高い。安野の言葉でいえば、トークンを価値に変換する「燃費」がいい。一方、外回りの営業職などは、他職種と比べてトークンを使ってこなす仕事の量がそれほど多くないかもしれない。リサーチャーは多い。デザイナーは最近Claude Designで作ることも増えてきたが、まだ少なめ。動画編集はまだAIにはできない(もう少しでできるかもしれない)。安野はこうした例を挙げ、職種別に予算を割り振るのが一つの方法だとする。
さらに実績に応じた配分もありうる。過去にこれだけのトークンを使ってこれだけの成果を出した人なら、もう少し多めに割り振ればさらに成果が出るのではないか、という考え方だ。どの事業、どの部、どの課にどれだけ割り振るか、その中で誰にどれだけ割り振るのが最適か。これはこれからの新しい経営課題になる、と安野は述べた。
働く人にとっての「トークンという福利厚生」
安野は、トークンをどれだけ使えるかは従業員にとっても非常に大事な話だと付け加える。それは一種の福利厚生にもなると安野は考えている。働く人は、同じ働くならAIをレバレッジしてどれだけ価値を出せるかを考え、それを最大化したいと思うはずだからだ。
その意味で、トークンを使いこなせる組織をつくり、使いこなせる人に適切に予算を割り振っていく会社は強くなる、と安野は見る。経営者に対しては、トークン予算の最適な配分方法と、予算の総量をよく考えてほしいと呼びかけた。
まとめとして語られたこと
最後に安野は、話を3点に整理した。第一に、レベル1からレベル3へと段階を上げていくこと。アカウントを配るだけでなく、エージェンティックAIを使い、さらにAIが自動的に仕事を進められる「ループエンジニアリング」の環境をつくる。第二に、やみくもに高性能なモデルを使うのではなく、適切なタスクに適切なモデルを当てて解くこと。第三に、それを具体的に進めるうえで、トークン予算の最適な配分を考えることがとても重要であること。
安野はこの内容を、最近自分が悩んでいたことを「とりあえずメモ的に」話したものだと位置づけている。予算配分の正解を含め、組織としてのAI活用にはまだ答えが出ていない問いが多いという認識のまま、話を締めくくった。
自分でAI使うだけじゃなくて、組織としてAIを最大限活用するにはどうすればいいか。まだ多くの会社、レベル1かレベル2の状態だと思いますけど、徐々にこのレベルを上げていこうというのがまず1つあります。どの問題をどういうふうなモデルで、どういうAIで解いていくのかという、ここの選定をうまく賢くやっていく。
どうもこんにちは。安野です。本日は、AIを企業の中で効果的に使うにはどうすればいいかという話をしたいと思います。結構いろんな経営者の方とお話ししている中で、AI活用、自分の会社の中でどう進めていいかよくわかんないんだよねと。うまくいってるところ、どうやってるんだろうというご相談をいただくこともあって、私自身も、これ結構悩ましい話だなと。自分でAI使うだけじゃなくて、組織としてAIを最大限活用するにはどうすればいいかってのは結構悩みつつ、まだ全然答えも出てないですけれども、考えたことがあるので、その考えたことをお伝えしようと、シェアしたいなと思います。
まず、1番最初にAI導入にもレベルがあるだろうと。同じ組織の中でAIを導入してますと言った時にも、いくつか段階があると思います。レベル1、レベル2、レベル3って、これは独自解釈で書いているんですが、まずレベル1がAIに質問ができるという状態になること。だから、ChatGPTとかClaudeとかを入れて、会社の中で質問ができるよと。AIに何かわかんないことあったら質問してねということができるようになる。これがまずレベル1です。まずはアカウントをみんなに渡そうという話ですね。
それで十分かと言うと、そうではなくて、レベル2としてAIに質問をできるだけじゃなくて、AIに対して仕事を頼めるようにしようというのが次の段階としてあります。いわゆるエージェントAIですよね。Claude CodeとかCodexとか、そういったエージェンティックに動くものであるとか、あとはCoworkとか、あとはChatGPTもWorkと呼ばれるものありますけれども、AIが質問に答えるだけじゃなくて、いろんな他のシステムとつながっていて、例えばメールであるとかカレンダーであるとか、あとは文章を管理するツールであるとか、チャットツールであるとか、あとGitHubであるとかですね。そういういろんなツールにつながった状態で、AIに代わりにこれやっといて、カレンダーで日程調整しといてっていうのが頼めるようにするってのが2つ目の話です。AIに仕事を頼める。質問するだけじゃなくて、仕事をやっといてと言えるようになると。
そしてレベル3に行くと、AIが、聞かなくても、こちらから何か頼まなくても、自分で仕事を進める状態になるというのがあります。なので、例えばバグが見つかったり、あるいはセキュリティのアップデートが出たら、代わりに人間がこれやっといてと言わなくても、AI側からこれ直しときましたよと。こういう要望があったのでこうしときました。承認だけくださいと。これを実際に反映させていいか承認をくださいとか、そういうふうにするのがレベル3です。このレベル1、レベル2、レベル3とある時に、まだ多くの会社、レベル1かレベル2の状態だと思いますけど、徐々にこのレベルを上げていこうというのがまず1つあります。
その時に発生する問題としては、大体レベル2くらいから発生するんですが、エージェンティックなエージェントAIを使っていくと何が起きるかと言うと、トークンの量が爆発します。トークンっていうのはAIが考える量、書く量、読む量みたいなものなんですけれども、要するにAIを使うためのクレジットみたいなものですね。このトークンがレベル2以降は普通にやってると爆発します。例えばチームみらいのケースで言うと、今年の2026年の4月に使ってた量を100とすると、4月に使ってた量、1500くらい使って。なのでトークン量15倍くらいに3か月くらいでなったんですけれども。なので、このレベルを上げてく時にトークン効率をどうしても考えないと、高くて支払えないっていうことが起きてしまいます。だから、このレベル1の時っていうのは、どんどん使ってもそんなに高くならなかったんだけど、レベル2、レベル3になってくると、桁違いにトークンの使用量、AIの使用量っていうのが増えてしまうということですね。
ここもいくつかポイントがあると思います。トークン効率を考える時に重要なのが、どの問題をどういうふうなモデルで、どういうAIで解いていくのかという、ここの選定をうまく賢くやっていくということですね。何を言ってるかというと、今のAI、例えばChatGPTでもAstraからSol、Lunaまでいろいろあるわけです。Terraもあると。Claudeも、上の方から行くとFableがあるし、Opusがあるし、その次にSonnetがあってHaikuがあると。なので、いろんなAIがある。プライベートモデルだけじゃなくてオープンモデルまで行くと、それはたくさん、数えきれないくらいモデルがあって、これをどのモデルにどの問題を解かせるのかということを考えるだけで、このトークン効率がだいぶ上がります。
いくつか見ていきましょう。問題をちょっと分割してみると、まず1つは、そもそもAIが解けるタイプの問題かどうかという話ですね。AIに任せるべきタスクなのか、そうじゃないタスクなのかという話です。例えば他の動画でも申し上げたように、AIって経営的な意思決定を代わりに判断することとかって、結構あんまりよくできなかったりするんですね。その前段階のリサーチをさせるとかだとうまくいくんですけれども、最終的な経営的な意思決定とかって、まだAIは得意ではないと。現にCEOベンチと呼ばれているものも、あんまりまだまだ性能が高くないし、またマーケットとかも爆損をこいてるわけです。ここら辺詳しく知りたい方は、ぜひこの辺の動画を、別の動画をご覧いただければと思います。
あとは、例えば何かレポートを書きました、文章を書きました。文章を書く時に80点くらいまで取るのは簡単にAIでできるんだけれども、80点を100点にするところをAIに任せようとしても、やっぱり文章能力足りなくて全然良くないわけですよね。なので、そもそもAIが解けるタイプの問題か、そうじゃないのかを見極めて、解けないタイプの問題はちゃんと自分の頭で考えようということです。これも、どういう問題が解けて、どういう問題が解けないのかっていうのは試行錯誤しないとわかんないので、1番最初から諦めるってことはやらない方がいいですが、わかってくる時に、このAIにはこれは自分は任せるべきではないというものは、まず使わない。
2つ目が、じゃあ賢いモデルを使う時ってどういう時なのかと言うと、良いほどいいタイプの問題っていうのがあります。つまり上が100点で決まってるんじゃなくて、300点、400点、500点、1000点よりも2000点の方がいいと、2000点よりも2010点の方がいいと。そういう感じで、正解が唯一決まっていて、それを探してたら終わりということじゃなくて、良ければ良いほどいいねみたいなタイプの問題。そうじゃないタイプの問題、例えば簡単なバグを修正するパッチを作るという話であるとか、メールを読んでタスクに登録すると、この人とこの人の間を取ってスケジュール調整するためのメールのドラフト文を書くとか。こういうものって、別にそんな良ければ良いほど効果があるようなものではないわけですよね。例えば日程調整のメールのドラフトって、1000点のドラフトと100点のドラフトがあるわけじゃなくて、90点と92点とか、70点と80点とか、そこら辺で争ってるようなものなので、そういう問題に関してはもっと小さい安いモデルでもいいだろうという、そういう感じです。
これ相当、ChatGPTもAstraを使うのかLunaを使うのかで違いがありますし、ClaudeもFable使うのかHaikuを使うのかで相当に価格の差があります。このいろんなモデルがどういう能力を持ってるのかっていうのも、試行錯誤しながら見ていく必要があるんですが、参考になる図があります。こちらでございます。
こちらの図、Artificial Analysisというところが出している図なんですけれども、横軸にコストがあります。コスト・パー・タスク、1つのタスクをこなすのにどれくらいコストがかかるのかというのが横軸にあります。右に行けば行くほど1つのタスクをやるのにお金がかかると。こちらの横軸、右に行けば行くほど大きなモデルで高いモデルです。縦軸、上に行けば行くほど性能がいいというもので、基本的にこの図見ていただくとわかる通り、右に行けば行くほど上に行くっていう、その相関関係があります。これもちろんその通りで、大きなモデルを使えば使うほどいい性能が出るけれども、さらにコストもかかるということですね。
これ、同じ線、実線が引いてあるものっていうのがあると思いますが、例えば今図に出ているところで言うと、1番右側の線がFable 5.1の線で、1番上まで行ってるのがOpus 5.5の線になってます。これどういうことを言ってるかと言うと、1つの同じモデルを使っても、どれくらいのエフォートで、つまりどれくらい頑張らせるかによって、結構性能に差が出てくるんですよね。なので、これエフォートが高なのか中なのかによっても変わってくるということです。こういうの見てみると、実は今のGPT-6.1 Solって、結構Opus 5.5と比べても価格差ってあるんだなとか、そういうことがいろいろわかると思います。ぜひ、どういうモデルをどこで使うのかっていうことの参考にしていただければと思います。
もう1つお話しすると、具体的に、じゃあこのトークン効率はこういうことはわかったと。でもこれを組織の中で広めていくにあたって、どういうことをすればいいのかというのがあります。具体的なおすすめの話ですね。3つくらいお話ししたいんですが、まず1つ目が、チャットツール上でAIを使うということですね。何を言ってるかと言うと、例えばSlackというチャットツールがありますけども、みんながみんなAIのサイト上で何か質問をしたりタスクを依頼したりしてると、誰がどういうタスクをどういうプロンプトでやっていて、結果どういうものが返ってきたのかっていうことがシェアされないわけですね。シェアされないと何かと言うと、こういう問題にはこういうモデルでこれくらいの品質なのかっていうラーニングがたまらないわけです。学びが蓄積されないと。
なんですが、例えばSlack上でボットを持ってきて、AIのボットを持ってきてすぐに聞けるような状態にしておくと、他の人がどういう質問でどうやってるかわかるようになる。なので、意外とこういうカレンダー調整ってSonnetでもうまくいくんだなとか、そういうラーニングもできますし、こういう仕事まで頼めるのかということもわかるようになる。学びがシェアできるので、組織の中で使う時に、ただAIのサイトに行ってねっていうんじゃなくて、Slack上、あるいはMicrosoft Teams上から使えるようにすると。そのためののり付けのコードなんかは自分たちで用意してもいいと思いますし、Claudeタグと呼ばれてるような、AIの会社が提供してるようなコネクターもいろいろあったりするんで、そこら辺ぜひ見てみていただくといいと思います。それが1つ目。
2つ目が、そういう出力の中に、結果これにいくらかかったんだというコストを併記するというのも、これもおすすめです。例えばこのGitHubのプルリクを作るのにいくらトークンを使いました、この質問をしてこれ返すのにいくらいくらかかりましたっていうのが、それぞれの質問とか依頼に対していくらかかったんだっていうことを併記しておくようにすると、コスト感覚というのが徐々に身についていくのかなと思いますので、これもおすすめです。これ結構シリコンバレーのいろんな会社の人に聞いたんですけど、コスト感覚つけるにはやっぱり金額横に出すといいよということを言ってたんで、結構いろんな会社がやってると思う。
3つ目が、これしれっと書いてありますけど、めちゃくちゃ難しい話で、トークン予算のコントロールが必要だという話です。これ、誰がどれくらいのトークンを使っていいのかっていうことが無制限になっていると、会社全体としてものすごい量のコストがかかっちゃうわけですね、放っておくと。これもどんどんトークン安くなってるから大丈夫だという話もあるんですけれども、とはいえコストがかかってしまう。この時に、誰がどれだけのトークンを使っていいのかっていう予算を先に決めておく。トークン予算を決めておくというやり方があると思います。
これも、1人当たりどれくらいのトークン予算を突っ込むべきなのかっていうのは難しいんですが、例えばUberの事例で言うと、大体人件費、その人の人件費の5%くらいをトークン予算として割り振るといいんじゃないかという話がありました。また、多分これ、職とか、その人の過去の実績とかでも結構変わると思います。正直、例えばソフトウェアエンジニアってソースコードを書いてる時間が非常に長くて、ソースコードを書く上においては、トークンを燃やして実際のソースコードを得るための活用率みたいなものって、ものすごい高いわけですね。つまり、ソフトウェアエンジニアってトークンをバリューに変換する、その燃費がすごいいいわけです。
一方で、例えば別の職種、実際に外回りの営業さんとかであれば、そんなにそのトークンを使って仕事をする量っていうのが多くはなかったりすると、他の職種と比べると。例えばリサーチャーは多いねという話であるとか。デザイナーも最近、結構Claude Designで作ること増えてきてますけど、デザイナーはちょっと少ないねとか、まだ動画の編集はできないねとか、もうちょっとでできるかもしれないですが。そういうのがあるので、結構職種別にトークン予算を割り振るというやり方が1つあると思います。
さらに言うと実績ですね。過去にこの人はこれだけのトークン使って、これだけの成果を出した。だったらもうちょっとトークン予算を多めに割り振ると、より成果が出るんじゃないか。そういう感じで、それぞれどの事業、どの部、どの課にどれくらいの予算を割り振るのか、その中でも誰にどれくらいの予算を割り振ると1番いいのかっていうのは、これからの新しい経営課題になると思います。
このもう1つ重要なのが、トークンをどれだけ使えるのかっていうのは、メンバーとしても、従業員としてもめちゃくちゃ大事な話なわけです。これ、ある種の、私は福利厚生にもなると思いますし、あとは自分が同じ働くんだとすると、いかにそのAIをレバレッジして、AIを活用しながら価値を出すかっていうことは、もちろん働く人としては考えるわけで、それを最大化したいと思うんですよね。っていう中において、しっかりとトークンを使いこなせるような組織作りをしておく。そして適切にトークン予算を、トークンバジェットを使いこなせる人にどんどん割り振っていくっていう、そういう会社は強くなると思いますので、ぜひ経営者の方、見ておられたら、このトークン予算っていうものを最適配分するにはどうしたらいいかってことをめっちゃ考えていただくといいと思いますし、あとは総量ですよね。予算の総量っていうのも考えていただくといいんじゃないかと思います。
ということで今日は、ちょっとビジネス的な話になりましたけれども、結構質問されることが多いので、AIを企業の中で効果的に使うにはどうすればいいかという話でございました。ざっくり言うと、レベル1、レベル2、レベル3のこのレベルをどんどん上げていきましょうと。アカウント配るだけじゃなくて、エージェンティックAIを使って、しかもそれが自動的に仕事を進められるようなループエンジニアリングの環境を作りましょうと。2つ目が、それをただただ闇雲にいいモデル使ってるだけじゃなくて、適切な問題に対して、適切なタスクに対して、適切なモデルを使ってその問題を解いていきましょうと。それを具体的にやる時に、例えばトークン予算の最適な配分っていうものを考えるのがめっちゃ大事ですよという。
そういう最近僕が悩んでいたことについて、とりあえずメモで喋ってるという話でもあるんですが、ちょっとシェアをさせていただきました。面白いなと思った方いたら、ぜひチャンネル登録と高評価をよろしくお願いいたします。ではでは。
[音楽]
[音楽]
[音楽]
記事公開 · 更新
