2026年7月16日、Moonshot AIがKimi K3を公開しました。
- パラメータ数、2.8兆。オープンに配られるモデルとしては世界最大級です。
- 一度に読み込める文章の量（コンテキスト）は100万トークン。本を何冊も丸ごと渡せます。
- 独立系のベンチマークでは、Claude Fable 5 と GPT-5.6 に次ぐ4位あたり。フロントエンドのコード生成では首位という評価も出ています。
- モデルの中身（ウェイト）そのものも、7月27日に無料公開予定。
数字だけ見れば、去年までの常識が塗り替わっています。「これを入れれば、うちの面倒な業務も一気に楽になるのでは」——そう思った方に、先に結論をお伝えします。
モデルを新しくしても、業務は勝手には回りません。 効くのは、その手前の「どの作業をAIに渡すか」の切り分けのほうです。
「賢いAIに乗り換える」だけでは、何も片付かない
私も新しいモデルが出るたびに触ります。K3も、文章を読ませる力は確かに強い。
でも、仕事の現場を思い浮かべてほしいのです。
「毎月の請求処理を、なんとなくベテランが回している」。この業務にK3をつないだところで、AIは"何をどこまでやっていいか"を知りません。承認は誰が出すのか。判断を間違えたとき、誰が気づくのか。そこが決まっていないまま賢いAIを入れると、起きるのは効率化ではなく「勝手に処理された。記録も残っていない」という新しい事故です。
面白いことに、2026年後半のAI業界の潮目も、まさにここに動いています。「大きいモデルを競う」時代から、「任せてよい業務と、人が承認すべき業務を、どう設計するか」へ。関心の中心が、モデルの性能から運用の設計へ移りました。
つまり、K3の登場が突きつけているのは「乗り換えろ」ではなく、「あなたの業務、AIに渡せる形になっていますか？」という問いなのです。
AIに渡す前に決める、4つのこと
では、何を決めれば「渡せる形」になるのか。実務でつまずくのは、だいたい次の4点です。専門的には権限設計や承認フローと呼びますが、噛み砕くとこうなります。
- 何をやらせてよいか（AIが実行してよい作業の範囲）
- どこで人の承認が要るか（お金・契約・社外連絡など、勝手に進ませない一線）
- どこで人に引き継ぐか（AIが迷ったとき、誰に戻すか）
- やったことをどう残すか（後から追える記録＝ログ）
この4つが抜けたままAIを動かすと、賢さは逆にリスクになります。速く、大量に、間違えるからです。
技術的には、これは「Human-in-the-Loop（要所で人が介在する設計）」の話です。エージェント開発でワークフローを組むときに、どこで処理を止めて人の承認を待つか——結局その線引きは、業務側で決めておかないと引けません。
そして大事なのは、この4点はモデルの性能とは無関係だということ。K3だろうがGPTだろうが、決めるのは業務側の人間です。ここがLLMには任せられない領域で、そのまま私たちのような作り手の仕事になります。
「渡せる形」は、業務フロー図で見えてくる
抽象的な話に聞こえるかもしれません。実際にどう切り分けるのか、自作のツールでお見せします。
私は、日本語で説明するだけで業務フロー図（BPMN）を描ける道具を自分で作って使っています。「請求書が届いたら、内容を確認して、承認をもらって、記帳する」——この程度の話し言葉から、図の下書きができます。
🔗 実物：mamagotolab/bpmn-generator（ブラウザで試せます）
図にすると、四角（作業）とひし形（判断）が並びます。ここに、さっきの4点を重ねます。
- 単純な作業の四角 → AIに渡してよい（例：届いた請求書を読んで項目を一覧化する）
- ひし形（判断） → 基準が言葉になっていれば渡せる／勘のままなら人が承認（例：この金額なら即OK／超えたら上長へ）
- 社外への連絡や入金の四角 → 必ず人の承認を挟む一線
- どの四角も、やった記録を残す
図の上で「ここまではAI、ここからは人」と線を引く。これが切り分けの正体です。賢いモデルを探すより、この一本の線を引くほうが、現場はよほど楽になります。
判断の基準がそもそも「本人の勘」で言葉になっていない、という場合も多いはずです。その一つひとつを、渡せる基準に翻訳していく——そこが属人化解消の本当の山場で、前回の記事で書いた「見える化」の続きにあたります。
実際に触って分かった、K3の使いどころ
一次情報として、触ってみた所感も残しておきます。
- ローカルでは、まず動きません。 2.8兆パラメータは巨大で、個人や小さな事業所のパソコンには到底載りません。社外に出せない業務に使うなら、K3ではなく、手元で動く小さめのモデル（ローカルLLM）を選ぶことになります。
- 「考える」モードが常時オンで、簡単な問いにも思考の時間とコストをかけます。ちょっとした整理には割高になりがちです。
- 逆に、長い資料をまとめて読ませる用途では、100万トークンの器が効きます。
要は、K3は「渡せる形」に整えた"重い一部"を担わせる相棒であって、業務そのものを丸ごと預ける相手ではない、ということです。
Q&A
Q. 結局、K3に乗り換えたほうがいいですか？
A. 業務を「渡せる形」に整えるのが先です。切り分けができていれば、どのモデルでも動きます。整っていなければ、K3でも事故ります。
Q. AIに任せてよい作業の見分け方は？
A. 判断の基準が言葉になっている作業＝渡せます。「経験で」「なんとなく」でしか説明できない箇所は、まず人が承認に回してください。
Q. 社外秘の業務でも大きいAIを使えますか？
A. K3のようなクラウドのAIは入力が社外に渡ります。外に出せない情報は、手元で動くローカルLLMで処理するのが基本です。
Q. 何から手をつければいいですか？
A. まず一つの業務をフロー図にして、四角と判断に「AI／人の承認」の線を引くところからです。
おわりに
新しいモデルのニュースは、これからも毎月のように出ます。そのたびに乗り換える必要はありません。
変わらないのは、「自社の業務を、AIに渡せる形に切り分ける」という設計の部分です。ここが整っていれば、K3の次に何が出ても、落ち着いて取り込めます。
「うちの業務、どこまでAIに任せられるのか切り分けてほしい」というご相談を承っています。業務の流れを整理する“要件定義”から、AIに渡す範囲の設計・運用まで対応します。
- ホームページ：https://mamagotolab.com
- ご依頼（クラウドワークス）：https://crowdworks.jp/public/employees/6942778
ママゴトラボは、業務の自動化ツールを要件定義から設計してつくる開発ラボです。
「この作業、自動化できないかな？」がありましたら、お気軽にご相談ください。
👉 https://mamagotolab.com