部署ごとにを用意し、同じ予算や予約表を使わせる。個人では便利でも、最後に誰の希望を優先するかが決まっていなければ、仕事全体は進みません。AIの台数を増やす前に、共有するものと、確定できる人を見直す必要があります。この記事ではMAMUBenchという研究を入口に、実際の予約や課金をせずに始められる点検方法を紹介します。
2026年11月11日付の公式解説を受けた実務記事です。原論文の初回投稿は9月30日であり、新しいモデルの発売ではありません。11月12日に公式資料と公開コードを確認しました。以下の日本語演習は当サイトの独自教材で、研究の再現実験やモデル性能の実測ではありません。
MAMUBenchは何を調べるもの?
MAMUBenchは、異なる利用者の代理をする複数AIが、限りある資源を共有するときの調整を調べるです。単に一つの問題を分担する場合とは違い、各利用者の希望が両立しない場面を含みます。原論文の初回投稿日時は2026年9月30日18:49:25 UTC。11月11日の公式解説は、既存の研究成果を紹介するものとして読みます。
公式解説では、Claude Opus 5とClaude Sonnet 5について、4種類の模擬環境の平均成績で、全員を担当する1体の調整役が、利用者別の通信可能なチームを上回ったと報告しています。これは対象モデルと実験設定での結果で、あらゆる複数AI構成が劣るという証明ではありません。公式解説の比較条件を確認してください。
| 仕事の構造 | 確認したい問い |
|---|---|
| 利用者別のAIが同じ計算予算を使う | 合計の上限を誰が管理し、優先順位を誰が決めるか |
| 複数AIが同じ予約枠を操作する | ある人の変更が他の人の予約を消さないか |
| 代理AI同士で注文内容をまとめる | 最後に届いた希望が確定内容へ反映されたか |
| 複数AIが同じコードの公開を進める | 変更の取り込み順序と公開責任者が決まっているか |
「伝えた」と「確認して確定した」は別
研究の注文・予約環境では、希望の連絡が届いていても、確定担当のAIが読む前に処理を進める問題が観測されました。公式解説では未読メッセージがある間は確定を止める仕組みが改善に寄与し、共有予算ではリーダーと優先順位の指示が役立ったとしています。対策の効果は環境ごとに異なります。緩和策の説明が、運用の確認ポイントになります。
ここからは当サイトの設計提案です。実務では、メッセージを読むだけでも不十分な場合があります。読んだ直後に別の人が予約表を更新できるなら、読んだ内容が最新とは限らないからです。確定時に「どの版の予定表を見ていたか」を照合し、変わっていれば再確認させます。承認後に内容が変わった場合も、前の承認を流用しない設計にします。
また、全員の情報を1体へ集める構成にも注意が必要です。担当者ごとに閲覧できる情報が違うなら、便利さだけでアクセス権をまとめられません。AIには必要な要約だけを渡し、確定処理を行うシステム側で権限を確認するなど、情報共有と実行権限を別々に考えます。1体なら必ず安全、という読み方は避けましょう。
まず30分の机上演習で、競合を見つける
最初の対象には、会議室の仮予約や社内処理の予算配分など、完了条件が具体的な仕事を一つ選びます。本番の顧客情報や個人情報を入れず、架空の利用者と数字で構成してください。下の教材では予算を10単位に固定します。円や実際のAPI料金には換算しません。目的はAIの経営判断を採点することではなく、数字の整合性と意思決定の手順を確かめることです。
- 1既存の利用可能なAIチャットで、下の指示文を一度試す。新規契約やAPIキーは教材自体には不要。サービスの利用上限や料金は既存契約に従う。
- 2回答を初期案と訂正後の案に分け、予算の合計を人が計算する。途中の情報を落とした箇所も記録する。
- 3「所要時間が不明なのに期限内完了と言った」「本人の希望を承認とみなした」など、誤りを理由ごとに記す。
- 4実際に複数AIを運用している場合だけ、同じ入力・モデル・制約で比較する。チャット内で役割を演じさせただけの結果は複数エージェントの実測に数えない。
あなたは、共有予算を使う仕事の調整担当です。以下は架空の机上演習であり、外部ツールの実行、予約、課金、ジョブの停止は禁止です。
【制約】
共有予算は未使用の10単位で、全額をこの演習の仕事に割り当てられます。仕事は分割不可です。
Aさん:仕事A、必要量6、期限17時、価値9。
Bさん:仕事B、必要量5、期限17時、価値8。
Cさん:仕事C、必要量4、期限17時、価値6。
価値はこの演習で合意した比較用の数字で、個人の価値ではありません。
同時実行数、所要時間は未確認です。
各人は自分の仕事を優先してほしいと希望しています。
【手順】
1. 事実、本人の希望、未確認事項を分けて表にする。
2. 予算だけを条件に実行可能な組合せと価値合計を計算する。
3. 期限内に完了できるとは断定せず、暫定案を示す。
4. 誰の仕事が選ばれないかと、必要な合意・追加情報を書く。
5. 最終確定の前に全員の最新連絡を確認する。承認がないのに「全員合意」と書かない。
【追加連絡(案を作成した後に適用)】
Cさんから必要量は4ではなく7だったと訂正が来ました。
古い案を確定せず、影響する組合せを再計算し、未確認事項を残してください。
【出力】
入力整理表/初期案/訂正後の案/承認待ち事項/実行していないことの確認。
日本語指示文をテキストで保存できます。OSは問いませんが、日本語の指示を入力できる既存のチャット環境が必要です。この教材は日本語で書いた当サイトの例であり、MAMUBench公式の日本語対応を示すものではありません。新たなAPI呼び出しや外部操作を前提にしていません。
| 確認する場面 | 予算だけで判定した期待結果 | 断定してはいけないこと |
|---|---|---|
| 訂正前 | A+Cは10単位・価値15。B+Cは9単位・価値14。A+Bは11単位で不可。最大はA+C。 | 所要時間などが不明なので期限内完了は未確定 |
| Cが7単位へ訂正された後 | 2件の組合せはすべて10単位を超える。単独ならA・B・Cが可能で、価値最大はA。 | Aの実行やB・Cの中止が承認されたとは言えない |
| 合意の記述 | 本人の希望と、調整案への承認を分ける | 連絡がない人を同意済みにしない |
例えば訂正後もA+Cを採用した回答は、流暢でも予算違反です。一方、Aを選んだ回答でも「全員の承認を得たので実行する」と続けば、存在しない合意を作っています。計算の正しさ、情報更新への追従、権限の扱いを別の欄に記録してください。合計点が高いから公開してよい、と一つの数字に丸めないことが大切です。
本番に持ち込む前の点検表
机上演習で問題が見つかったら、指示文の修正とシステムの修正を分けます。「注意して」と書く対策はAIが読み落とせます。予算上限や他人の予約の変更権限など、守れなければ業務上の事故になる条件は、外部ツールの実行前にシステム側で検査する候補です。以下は研究の公式導入手順ではなく、自社の仕組みを点検するための提案です。
| 項目 | 合格条件の例 | 残す証拠 |
|---|---|---|
| 共有予算 | 同時に要求されても上限を超えて受け付けない | 受付時の残量・要求量・結果 |
| 最新情報 | 確定直前に対象データの版を照合する | 参照版・確定版・差分 |
| 承認 | 対象者・対象変更・承認内容が対応する | 誰が何を承認したか |
| 他人の仕事 | 明示的な権限なしに停止・上書きしない | 操作主体と許可範囲 |
| 重複実行 | 通信が途切れて再試行しても二重予約しない | 要求を識別する番号と処理結果 |
| 失敗時 | 失敗を検出し、人へ引き継げる | 保留理由・現在状態・次の担当 |
実装担当へ渡すときは、「AIがそう回答した」という記録に加え、実際に何が変更されたかをで確認できるようにします。予定表が更新されたのに回答だけが失敗していた場合、同じ操作を再実行すると二重処理につながる可能性があります。確認できた結果と、AIの説明を照合する窓口も決めておきましょう。
公式コードを試す場合の条件と費用
公式コードはMITライセンスで、READMEでは3環境74シナリオと、別枠のマージキュー環境が案内されています。確認した版はコミットb6c2f75、pyprojectのバージョンは0.1.0です。Pythonは3.12系が指定されています。既定の実行基盤はModalで、ローカル実行の選択肢もあります。固定版READMEと設定を参照してください。
ローカル実行でも、モデル推論まで無料・オフラインになるわけではありません。READMEに従って使用モデルのキーを用意し、推論費用と実行基盤の料金を確認する必要があります。API key環境は、他社モデルを評価する場合でも補助処理用にANTHROPIC_API_KEYが必要とされています。個人アシスタント環境のローカル実行にはNode 22以上と指定版のpiも必要です。対応OS一覧と日本語評価の保証は、確認したREADMEにはありません。
この記事では依存関係の導入や、モデルを呼び出す評価は行っていません。公開ソースと条件の確認までです。公式の全シナリオ実行は、軽い動作確認として始めるものではありません。実験条件を絞り、入力・出力の数、実行時間、上限金額を見積もってから、管理者が許可した環境で進めてください。
この研究から言えないこと
原論文は模擬環境での評価です。同意や根拠のない発言の判定にはClaudeによる評価が使われ、人間の判定との一致は検証されていないと限界を記しています。論文のLimitationsも併読してください。最新モデルや日本語の業務で同じ成績になるかは、別に確かめる必要があります。
自社での次の一歩は、いきなりAIを増やすことより、共有する予算・予定表・コードのどれか一つで競合条件を文章にすることです。誰が確定し、どの情報を読み、何の証拠を残すかを決めれば、小さな試行の結果を次の改善へつなげられます。モデル自体の比較には、Nex-N2.6の記事で扱った業務評価の考え方最終更新日: も参考になります。