ANI対OpenAI訴訟をデリー高裁が却下——AI学習と著作権、インド判決から読む「RAG」という次の争点
デリー高裁は、通信社ANIがOpenAIに求めた仮差止めを暫定判断で却下しました。GPT-4/GPT-4oの学習データ（2022年4月・2024年4月時点）と、ANIが証拠提出した記事（主に2024年8〜9月）の時系列が食い違い、類似の原因は学習ではなくRAG（リアルタイム検索連携）にある、との判断です。
#RAG の記事一覧（11）
AIエージェントが自信満々に間違える理由——「データ観測性」で防ぐ4つの指標
よくテストされたAIチャットボットでも、モデルやプロンプトを一切変えなくても、公開3カ月後には利用者の質問の約3分の1に自信満々で誤答するようになる。VentureBeatの寄稿でエンジニアは、原因はモデルやコンテキストではなく、データエンジニアリング層の劣化——古く不完全なデータ——だと指摘し、正確性・鮮度・一貫性・来歴という4つの観測指標を処方箋として示す。
JudgeGPTとは？パキスタン司法1,559人の判事が使ったAI補助ツールが示す「訓練付きAI」の生産性
ETHチューリッヒらがパキスタンの判事1,559人・118法廷で行った大規模実験で、GPT-4ベースのAI「JudgeGPT」と6回の集中研修を組み合わせた判事は、1地区あたり年約1,848件（6.3%増）多く事件を処理した。AIアクセスだけでは効果は乏しく、投資1ドルあたり少なくとも10ドル、推計で38.50ドルのリターンが得られたとされる。
AIコーディングの「ハーネス」とは？Claude CodeとAugment Codeの設計思想の違いを解説
Augment CodeのVP of Engineering、Vinay Perneti氏がArs Technicaで、AIコーディングツールの性能を左右するのはモデルより「ハーネス（周辺ソフト）」だと主張。同社はリポジトリを埋め込みで事前索引化する意味検索型を採用し、Terminal-BenchでClaude Codeと同精度・トークン33%効率と示した。
生成AIが本番で失敗する理由は「データパイプライン」——RAG検索層で後始末する“Cleanup Trap”とは
VentureBeatの寄稿で、シニアデータエンジニアのNaveen Ayalla氏は、企業の生成AIパイロットが本番に届かないのはモデルの限界ではなく「データ基盤の準備不足」が原因だと指摘します。断片化した既存データをそのままLLMに流し、RAGの検索層で「後から整える」発想を、氏は“Cleanup Trap（後始末の罠）”と呼びます。
AIエージェントが「自信満々に間違える」なぜ起きる？企業101社調査が示すコンテキストギャップ
VentureBeat Pulse Researchが企業101社を調査したところ、57%が過去6ヶ月にAIエージェントが「自信を持って間違った回答」を出したと回答し、その原因は業務コンテキストの欠落・不整合にありました。RAG（検索拡張生成）が既定の情報源となる一方、それを信頼できる状態に保つ基盤づくりが追いついていません。
プロンプトインジェクションとは？OWASP LLM01が示す企業AIの最大脅威を解説
OWASP LLM Top 10(2025)で2回連続首位となったプロンプトインジェクションは、2025年に90組織超で実害を生み、Microsoft 365 Copilotではゼロクリック攻撃EchoLeak(CVE-2025-32711、CVSS 9.3)が観測されました。LLMを「信頼できない部品」として扱う設計が、2026年の企業AI運用の前提になります。
MRAgentとは？シンガポール国立大が示した「LLMの記憶を27倍効率化」する新手法
シンガポール国立大学の研究チームが、LLMエージェントの長期記憶を扱う新フレームワーク「MRAgent」を発表しました。LongMemEvalベンチマークで1サンプルあたり消費トークンを11.8万に抑え、競合のLangMem（326万）の約27分の1、実行時間もA-Memの半分（1,122秒→586秒）に短縮しています。
Mistral OCR 4とは？170言語・ブロック単位で読むAI文書解析の実力
仏Mistral AIが文書読み取りモデル「OCR 4」を公開。600件超の独立評価で72%のケースで競合を上回り、価格は1,000ページあたり4ドル(バッチで2ドル)です。
AI推論が止まる本当の原因は「データ配送層」——F5がDell ObjectScale連携で示す本番運用の設計思想
F5は、ストレージと計算ノードを直結する従来型アーキテクチャがAIの本番トラフィックに耐えられないと指摘し、Dell ObjectScaleとBIG-IPを組み合わせた「データ配送層」を独立した基盤として再定義することを提案しています。
テキスト解析を捨てたRAG「PixelRAG」、精度18.1%向上・トークンコスト10分の1を達成
UC Berkeley・Princeton・EPFL・Databricksの研究者チームが開発した「PixelRAG」は、Webページをスクリーンショットとして処理することでテキストベースRAGを6つのベンチマークすべてで上回り、AIエージェントが必要とするプロンプトトークン数を37.5百万から3.6百万へと約10分の1に削減した。