Artificial Analysisが、AIエージェント運用の費用対効果を測る業界初の指標AgentPerfを公開した。初回結果ではNVIDIA GB300 NVL72が前世代H200比で、消費電力1メガワットあたりの同時エージェント数で最大20倍となった。72基のGPUを1つのラック規模システムに統合し連鎖処理を効率分散する設計で、Baseten・Together AI・DeepInfraなどが既に本番運用を開始している。これまでトークン単価や応答速度で語られてきたエージェント運用が、『電力あたり何体を同時に動かせるか』という運用コストの物差しへ置き換わった点が大きい。勝者は大規模ラックを調達できるクラウド/推論事業者と、それを使う高負荷エージェント運用チーム。負ける側は旧世代GPUに固定されたまま電力単価で押される運用者で、稼働密度の差が直接コスト差に出る。

同じインフラの文脈で、Google DeepMindの実験的オープンモデルDiffusionGemmaをNVIDIAがRTXやDGX Spark向けに高速化した。文章を並列生成する方式で1ステップ最大256トークンを生成する。クラウドの大規模ラックがエージェント運用の密度を上げる一方、手元の端末側でも生成を速める選択肢が並んだ形で、処理を『どこで・どれだけ』走らせるかの設計余地が広がった。

Amazon QuickがSnowflakeのCortex AIとMCP規格で連携した。集計などの構造化データはCortex Analyst、契約書などの文書はCortex Searchが担当し、一つの会話画面から横断照会できる。接続はSnowflake運用のMCPサーバーにOAuth認証で設定し、データはSnowflake外へ持ち出さず既存のアクセス制御を保つ。QuickのFlowからCortex Agentを呼び出せば、一定の構造化出力で繰り返せる業務フローを自動化できる。導入判断の軸は明快で、自社データのガバナンスを崩さずに会話照会を足せるかどうか。連携はQuickが使える全AWSリージョンで提供される。

同じMCPの組み合わせで、Amazon QuickとCisco Webexを繋ぎ、会議準備と事後フォローを完結させる助手の構築手順をAWSが公開した。会議（Meetings）・動画（Vidcast）・メッセージ（Messaging）の3種類のMCPサーバーを使い、次回会議の特定や過去議事の要約までを担う。SnowflakeとWebexの2例は接続先こそ違うが、『社外SaaSの機能をMCP経由で会話アシスタントに繋ぎ込む』という設計思想が共通する。

AWSが請求書・契約書などのPDFを自動で分類・抽出・検証する文書処理パイプラインの設計手法を公開した。中核のBedrock Data Automationは1リクエストで最大3,000ページを処理する。単発の抽出デモではなく、検証工程まで含めた一連の流れを設計図として示した点が実務向けである。

同じ文書抽出でも、即時応答型と一括処理型を文書ごとに動的に切り替える実装例も出た。一括推論なら対象モデルで即時推論の半額になり、大量処理のコストを大幅に抑えられる。緊急度の高い1件は即時、夜間にまとめられる大量分は一括へ振る発想で、文書処理を抱える運用者には『精度より先に振り分けロジック』が効く。

AWSのコンサル部門が、AIツールを既存手順に足すのではなく納品の進め方そのものを作り直し、従来数か月の作業を数日に短縮したと公開した。複数のAIエージェントが要件定義から実装・テスト・配備までを担う構成で、ツール導入の効果を語る段階から、業務フロー自体の組み替えに踏み込んだ事例である。

PreplyはOpenAIのモデルを使い、授業内容の要約・個別フィードバック・演習生成をAI化した。人間講師を中心に据え、AIは記録と復習素材の準備を担う役割分担型の設計である。エージェントに全工程を任せるAWSの事例と、人間を主役に置くPreplyの事例が同じ日に並び、『どこまでをAIに渡すか』の設計判断が現場ごとに分かれている現状が見える。