はじめに

AWS Summit Japan 2026に参加しました.
参加したセッションについてレポートを記載します.
セッション毎に関連キーワードとポイント(3～6つ)を記載します.
セッション動画, 資料は開放されておりますので, 本レポートで雰囲気を掴んだうえでそちらもご確認ください.
AWS Summit Japan 2026年 6月25日～26日 | 幕張メッセ

Day1 ~ Day2参加しての総括

AIについての話題がほとんどで, 一見AIに関係ないセッション(AI関連の単語を含めていないタイトルのセッション)でも今後どうAIに関係してくるかを言及していた.
利活用については1年前はまだそもそも利用しようか迷っているレベルの企業もいたが,
いまではAI利用は前提で開発・システム・組織作り等々をしている(しようとしている).
少なくとも現場レベルでは既に一定の効果を得ている企業が多い.
現状はより安く, 安全に, 効率よくといったキーワードで, どうAIを利用していこうか模索するフェーズに移っている.
少なくともAIを全く利用しないという選択肢は消えた印象.
AI利用が進んでいる組織だと, AIに合わせた開発(AI-DLC)やAIに合わせた組織作りといったAIネイティブを意識した構造改革に取り組んでいる.
(AI台頭時から言われていたことではあるが)AIの利活用が進んだことにより,
AIがアクセスするデータ基盤およびデータの整備の重要性も再認識されていた.

参加セッション一覧

※順不同

AI 駆動開発 × セキュアな医療インフラ－技術が叶える、データの民主化－
AI 駆動開発ライフサイクル (AI-DLC) のご紹介
LINEヤフーが挑む大規模 DWH 基盤のクラウド化の軌跡
AI エージェントで現場を変えた－ 2 社の挑戦の瞬間
AI を活用したスマート店舗 DX
PoC を乗り越える AI エージェント実装戦略－業務特化型ユースケースの選定と AI 基盤統合へのロードマップ－ (sponsored by TIS)
5GC on AWS のサービス開始と Agentic AI による構築自動化

AI 駆動開発 × セキュアな医療インフラ－技術が叶える、データの民主化－

関連するAWSサービスやキーワード

Amazon Athena, Amazon Bedrock, AWS Glue, ブロックチェーン, AI駆動開発(AI-DLC), データの民主化, データの「真正性」, AIMS

ポイント

データの利活用に今までは事前に同意を取る必要があり, ハードルが高い.
今後はリアルタイムで誰に, どこまで, いつまで, 何のために利用させるかを選択できるようになる.
AIの信頼性の担保・向上のためAIが行った行為(例本当に同意した範囲のデータのみを扱ったか？)の証跡(ログ)を取る必要がある.
ログは単に格納するだけでは意味がなく, ブロックチェーン技術を使って改ざん不可能にして初めて証跡の意味を成す.
AI(以外のシステムも同様だが)は作って終わりではなく, 「記録・評価・説明ができる体制づくり」とその体制をもとにした開発・管理のライフサイクルを回していくことが重要.
上記を1度仕組み化しAI駆動開発を進めることができれば, 安全を担保したうえで開発・運用工数の大幅な削減やスピードが向上する.

AI 駆動開発ライフサイクル (AI-DLC) のご紹介

関連するAWSサービスやキーワード

Kiro, AI駆動開発(AI-DLC), AIネイティブな開発組織, AIへの向合い方

ポイント

AIの利用が活発化しているが組織全体, 現場, 開発者すべての層でAIへどう向き合い、どう利用するかを決めあぐねている.
とりあえずAIを導入・利用するだけで生産性や開発スピードが向上すると謳われているが, 実際には向合い方を誤るとむしろ悪化することさえある.
AIを真に利用していくためには今までの開発手法(ウォーターフォール, アジャイル etc.)の発展ではなく, AIに合わせた開発のライフサイクル(AI-DLC)が必要.
AI-DLCでは開発者は手を動かすのではなく,AIに対してコンテキストやドメイン情報を入力しその結果をレビューする.
空いた時間はより組織間の調整やコミュニケーションに充てることができる.
特に経営者, 開発者, 現場の人々を1ヶ所にあつめその場で意見を出し合い, それを即AIに反映させるモブエラボレーションが可能になる.

LINEヤフーが挑む大規模 DWH 基盤のクラウド化の軌跡

関連するAWSサービスやキーワード

Amazon Redshift, AI Ready, MCPサーバー, データ基盤, クラウド基盤

ポイント

AIの活用を促進するためにはAIが利用するデータ基盤側も発展が必要.
特に以下3つは重要課題となる.
- 構築の柔軟性とスピード
- ツールからの繋ぎやすさ
- 運用・保守の開放
上記課題はクラウドDWHサービスを利用すると解決しやすい.
データ基盤の選定では機能検証が重要となる.
特に性能検証では重いクエリをスポットで実行するだけではなく, 実運用状況を反映した検証を実施すべきである.

AI エージェントで現場を変えた－ 2 社の挑戦の瞬間

関連するAWSサービスやキーワード

Amazon Elastic Container Service (Amazon ECS), Amazon Kinesis Video Streams, AWS IoT Core, AIネイティブな組織, 現場レベルのDB, クラウド基盤

ポイント

AIサービス開発ツールの発展により現場レベルでエンジニアリングが可能となった.
特にAIを利用した開発は従来の要件を詰めてからの開発ではなく, とりあえず作り, 試し, 改善するというサイクルが重要.
上記サイクル, 柔軟性や拡張性に優れたクラウドサービスと特に相性が良い.
開発体験や成果を現場レベルの局所的なものに終わらせないためにはAI前提の組織全体の環境整備が必要.

AI を活用したスマート店舗 DX

関連するAWSサービスやキーワード

Amazon Bedrock, Kiro, AI活用の民主化, SLM, 特化型エージェント, エッジ AI, クラウド基盤, マイクロサービス

ポイント

データ活用を基にした従来のDXでは全体の最適化の観点から, コスト削減, 作業の自動化, 機械による代替といった「省人化」を行った.
今後AIを利用したDXではより現場の状況をリアルタイムに確認し即判断し行動することにより, 収益利益の創出, 顧客の満足度向上, ホスピタリティの向上といったより売上・利益の創出につなげることができるようになる.
AIを利用したサービスの開発・利用を素早く進めるためには, 小規模に開発・リリース・改修するといった行為が必要であるが, それはクラウド基盤を利用するマイクロサービスと親和性が高い.
今後AIはより現場での利活用が進む.
そのためにコストパフォーマンスがよく, 応答速度が速く, 展開がしやすいLLMやエージェントが求められる.
上記のために汎用LLMではなく特化型SLMや汎用エージェントではなく特化型エージェントの開発が必要.

PoC を乗り越える AI エージェント実装戦略－業務特化型ユースケースの選定と AI 基盤統合へのロードマップ－ (sponsored by TIS)

関連するAWSサービスやキーワード

Amazon Bedrock, AI活用の民主化, データ基盤, AI基盤, AI-Ready

ポイント

現場でのAIの利活用はかなり進んでいる一方効果を計測しづらいという課題が生じている.
導入に際して, AIを業務に組込むのではなく, 業務の一端を担わせようとしていることが原因である.
業務の一端を担わせると, AIによる成果物チェックをする必要があるため結果的に業務量が変わらないまたは成果を感じにくい.
業務プロセスを見直しAI単独で何かをなそうとするのではなく, 各種業務に組込むことによりトータルの生産性を計測すべきである.
AIの開発・利活用が進みより利用するデータ基盤の重要性も高まってきている.
AIの利用前提でのデータ準備(AI-Readyなデータ)が必要となる.

5GC on AWS のサービス開始と Agentic AI による構築自動化

関連するAWSサービスやキーワード

Amazon Bedrock, Amazon Elastic Kubernetes Service (Amazon EKS), Amazon EC2 - Graviton, GitOps, 特化型エージェント, エージェントオーケストレーション, オンプレミス, クラウド基盤

ポイント

これからのサービスの構築・拡張では迅速性, 柔軟性, 可用性, 経済性が求められる.
上記はオンプレミス環境のみを利用するだけでは達成できず, パブリッククラウドとの連携が必要.
ただし, ただ単純にすべてのサービスをクラウドに移行するのではなく, 利用するデータの重要性等も加味し, 時にはオンプレミス環境も継続利用していくことが重要.
構築にAIを利用すると従来の開発では半年近くかかっていた作業がかなり圧縮される.
AIに開発を代替する場合は特化型エージェントとそれらをオーケストレーションすることが肝となる.