マルチモーダルAIが標準に、テキスト・画像・音声・動画を横断する対話が一般化

生成AIの主要モデルで、テキストに加え画像・音声・動画を同時に扱うマルチモーダル対応が標準機能になりつつある。画面共有した資料についてその場で質問したり、音声のみで操作を完結させたりする利用が広がっている。

業務では、会議録画の要約や図表の読み取りなど「人が目と耳で行っていた確認作業」の自動化が進む。精度は用途により差があるため、重要判断は人のレビューを挟む運用が推奨される。