ツール呼び出しを「JSON」から「コード」に変えると何が起きるか──実測が示すbuild-or-buyの分岐点

---

TL;DR

• 14モデル×BFCL v4での実測:ツールを「JSONで呼ぶ」から「コードとして呼ぶ」(Programmatic Tool Calling)に変えるだけで、11/14モデルが同等以上、並列実行と長文脈維持で明確に強くなった。
• 法務省が「声」を肖像権・氏名権と並ぶ人格権保護対象と明記。声クローン系プロダクトの法務リスクの輪郭が明確になった。
• PFNの国産LLM「PLaMo 3.0 Prime」がさくらのAI推論基盤に載ったが、価格は非公開の申請制で今は評価不能。

本命:ツール呼び出しを「JSON」から「コード」に変えると何が起きるか

技術的読み

研究は、14個のLLMを対象に、確立済みベンチマークBFCL v4上で「ツールをJSON形式で呼ぶ」従来方式(native JSON tool calling)と、「ツールを型付きPythonスタブとして公開し、モデルがコードとして呼び出す」方式(Programmatic Tool Calling、PTC)を比較した(arXiv)。PTCでは複数ツール呼び出しの連鎖・並列化をコードの中で自然に書けるため、実行と結果取得を1回のエージェントターンにまとめられる。結果、14モデル中11モデルでPTCがJSON方式と同等以上となり、GPT-5.6ファミリーではJSON基準比+10.6%の改善が出た。複数ツールを同時に呼ぶ並列ファンアウト条件では14モデル中13モデルで同等以上、文脈が長くなるほど精度が落ちる「context rot」条件下でもJSON方式が平均2.3%劣化するのに対しPTCは安定していた。ただし14モデル中3モデルではPTCが上回らず、論文は「性能の伸びはモデル世代の能力に連動する」とも述べている。単一ベンチマーク・査読前のarXivプレプリントである点は割り引いて読む必要がある。

ビジネス的読み

この結果が刺すのは、自前でツール呼び出しのオーケストレーション層(JSON呼び出し+リトライ+並列制御)を組むべきか、モデル・プラットフォーム側の標準機能に乗るべきかというbuild-or-buyの分岐点である。PTC相当の呼び出し方式が将来プラットフォームの既定機能として吸収されていけば、いま独自に作り込んでいるJSONベースの並列化・リトライ機構は車輪の再発明になるリスクがある。

含意とポジション

自前でJSON呼び出し+リトライ+並列制御の足場を作り込んでいるなら、これ以上の追加投資は要らない。複数ツールを連鎖させる処理があるなら、コード実行ベースの呼び出しに対応したモデル・SDKへの移植から着手し、並列実行時の成功率が自分のワークフローで実際に上がるかを検証する。単発のツール呼び出ししかしていないプロダクトへの影響はほぼない。

その他の重要トピック

1. 声の無断利用、法務省が「パブリシティー権侵害になりうる」と初めて明記

法務省は8月7日、声優らの「声」も肖像・氏名と同様に人格権の保護対象になるとする解釈指針を公表した(ITmedia)。声は「人物識別情報であり個人の人格の象徴」と位置づけ、著名人の顧客吸引力を独占利用できる「パブリシティー権」と、人格権由来の「みだりに利用されない権利」の保護対象とした。事例として、声優が演じるキャラクターの歌唱動画を生成AIで作り収益を得る行為、声優に似せた声でわいせつな文章を読み上げる音源の公開を挙げた。事業者側についても、特定の声優などの声を作成できることを「セールスポイント」に有償の生成AIサービスを提供した場合、パブリシティー権侵害と評価される可能性があるとした。背景には、声優の津田健次郎さんが自身の声を無断模倣した動画についてTikTok運営会社を提訴した件などがある。

技術自体(声クローン)は既存技術で変わらないが、ビジネス的には「誰の声を、どう同意取得して使うか」というデータガバナンス設計が法的リスクの明確な線引き対象になった点が新しい。「有名声優風の声」を訴求点にするモデルは、事業者自身が侵害主体として名指しされうる。

含意とポジション:音声合成・声クローン系プロダクトを持つ、または検討しているなら、著名人の声を模したデモや訴求は今すぐ止めるべきだ。逆に同意取得済みの音声データベースを持つ事業者には、この指針はコンプライアンス面の堀になる。

2. 国産LLM「PLaMo 3.0 Prime」がさくらのAI推論基盤に、価格は申請しないと分からない

さくらインターネットは8月4日、生成AI向け推論API基盤「さくらのAI Engine」で、Preferred NetworksのLLM「PLaMo 3.0 Prime」の提供を始めたと発表した(ITmedia)。利用開始には申請と提供元の承認が必要で、無償プランは対象外。価格は承認済みユーザーにのみ表示される。PLaMo 3.0 Primeは、NICTとの共同研究で得た事前学習モデルをベースにしたReasoningモデルで、コンテキスト長を64kから256kトークンに拡張し、独自トークナイザーでトークン効率とコストパフォーマンスの改善を図ったとする。PFNの社内評価では、Qwen3.6-27Bやgpt-oss-120bなど同性能帯のオープンモデル、GPT-5.4 miniやClaude Haiku 4.5など同価格帯のクローズドモデルとの比較で、日本語の指示追従・コーディング・ツール利用に競争力のある結果が出たとしている。

この性能比較はPFN自身の社内評価であり、第三者検証は明記されていない。ビジネス的に注目すべきは性能訴求よりも配布形態で、無償プランを外し価格非公開の申請制にしたことは、企業向けに個別価格交渉をする戦略であることを示唆する。

含意とポジション:日本語データ主権や国内法制対応が要件になる顧客(官公庁・金融など)向けの候補として名前だけ押さえておく。価格が分からない段階でのコスト比較は不可能なので、いま乗り換える理由はない。

3. LLMエージェントの強さ比較、ポーカーで74倍安く済ませる統計手法

2つのAIエージェントのどちらが強いかを判定するには、運の要素を上回るまでゲームを重ねる必要があり、そのたびに費用や推論コスト、専門家の時間がかかる。この研究は、不完全情報ゲームにおける分散削減手法AIVATと、証拠が十分に揃った時点で打ち切りを認める統計手法(Anytime-Valid Confidence Sequences)を組み合わせたAV-AIVATを提案した(arXiv)。15種類のLLMエージェント構成・71,439組のHeads-Up No-Limit Hold’em(HUNL)対戦データでAIVATは中央値54倍の分散削減を達成。95%信頼水準・±1BBの目標精度において、補正なしの生データはAIVAT補正済みデータの中央値74倍のハンド数を要して初めて統計的に打ち切り可能になったという。

技術的には、統計的な「止め時」を厳密に保証しながら評価コストを削るという意味で、AIエージェント開発における評価コスト問題への一つの解にあたる。ただし実証はポーカーという不完全情報ゲームに限定されており、一般的なタスク評価への転用可能性は未検証。

含意とポジション:エージェント同士のA/Bテストに評価コストがかさんでいるなら、「証拠が十分に揃った時点で打ち切る」という設計思想は持ち帰れる。ただしポーカー以外のタスクへの転用は未検証で、今すぐ導入する理由はない。

4. 就活生の97%が生成AIを利用、面接での深掘りに2割が窮する

2027年春卒業予定の大学生を対象にした調査で、就活で生成AIを「利用していない」と答えた学生は3%にとどまった(ITmedia)。この「利用していない」割合は25年春卒で55%、26年春卒で24%、27年春卒で3%と推移している。最も多い活用場面は「エントリーシートの添削・改善」(6割超)、次いで「自己分析」(約5割)。面接官からエントリーシートの記入内容を深く追及された際、「半分程度」以上を明確に回答できなかった学生は合計2割に上った。調査は2026年6月実施、346人が回答、人材紹介会社ポートが公表した。

エントリーシートという入力データが、AI添削を経た文章に均質化しつつあることを示すデータであり、企業側の選考プロセスは「本人が書いた文章」を前提にした評価から、面接での即興的な深掘りに評価軸を移す必要が出てきていると読める。

含意とポジション:HR/採用領域のプロダクトを検討するなら、「AI利用の検出」ではなく「AI補助を前提にした評価プロセスの再設計」(深掘り質問生成、面接での一貫性検証など)に賭ける方が筋が良い。AI利用検出単機能は、利用率97%という現状ではほぼ無意味化しつつある。ただし本調査はn=346・特定の調査会社によるもので、母集団の代表性は割り引いて読む必要がある。

今週試すなら / 無視していいhype

今週試すなら:連鎖的なツール呼び出しを含むワークフローがあるなら、PTC対応SDKに一部を切り替え、JSON方式との並列実行成功率の差分を実測する。

無視していいhype:PLaMo 3.0 Primeの「海外モデル同等以上」訴求は価格非公開の段階では評価不能で、いま乗り換える理由にはならない。AV-AIVATの74倍という数字はポーカーという特化領域の実証であり、汎用エージェント評価にそのまま適用できるとは言えない。