External articles featuring osFoundry
A curated list of external articles and reviews featuring osFoundry — a bring-your-own-key (BYOK) desktop AI workspace. The pieces below cover getting started with local LLMs, rolling out AI inside a company, RAG and knowledge search, and building with AI agents.
Last updated: 2026-07-07 · 104 articles listed
Hanako H.（note）
- なぜ社内のAIは「すごいデモ」で止まるのか—現場で使われるAIにする進め方
- 社内AIツールは「自作」か「導入」か：隠れたコストまで含めた判断軸
- AIツールの稟議が3か月止まるとき、情報システム部門は何を聞いているのか
- 情シスの質問に先回りする「生成AI利用申請書」の書き方
- 中小企業のAI導入は最初の90日の進め方で決まる
- 「モデルの選択権」を手放すと何が起きるか:生成AIの値上げ履歴から対策を考える
- 国産SaaSか海外ツールか:法人向け生成AIの比較で本当に見るべき4点
- 経費で落ちるAIツール、落ちないAIツール:個人契約と法人契約の境界
- 情シスがいない会社のAI導入手順: 担当者ゼロでも進める5ステップ
- 生成AIの社内研修のやり方：1時間の勉強会で現場が使い始める構成
- AI導入をベンダー任せにして失敗する典型3パターン
- IT導入補助金で生成AIツールは買えるか:2026年の条件整理
- AI導入はどの部署から始めると社内に広がるか
- 退職者が個人契約していたAIツールの後始末:SaaSアカウント管理の盲点
- 議事録AIの稟議が通らない:機密会議の音声データはセキュリティ審査で何を問われるか
- AIのPoCの終わらせ方:成功でも失敗でも報告書に書く7項目
- ChatGPTに「学習させない」は本当か:法人利用で利用規約のどこを読むか
- 生成AIの予算の立て方:サブスクとAPI従量課金は別物として扱う
- ID課金の社内ChatGPTは何人から損になるか:料金の計算式と早見表
- シャドーAIの対策は禁止では終わらない:黙認でも放置でもない第三の道
- 生成AIの社内規程の作り方:ひな形を探す前に決める3つのこと
- 「全社導入」から始める生成AIプロジェクトが失敗する理由
AI活用部（note）
- メモリ16GBのMacで、LLMはどこまで実用になるか
- メモリ32GBでローカルLLMはどう変わるか:14Bクラスのモデルが実用になる境目
- RTX 4060のゲーミングPCでローカルLLMは動くか: グラボのVRAM 8GBでできること
- 「ローカルで動く」と「日本語に強い」は別問題: ローカルLLMの日本語モデル選びの現実
- Ollama入門: コマンド3つで始めるローカルLLMの使い方
- LM StudioとJanの比較: GUI派はどちらを選ぶか
- LLMの8B・14B・32Bは何が違うのか: パラメータ数の体感差
- ダウンロード画面の「Q4_K_M」の読み方: GGUF量子化ラベルの意味
- ローカルLLMでできること・できないこと【2026年版】
- ローカルLLMの電気代:常時起動は月いくらかかるか
- Mac miniを家庭のAIサーバーにする: 置きっぱなしの1台でLLMを動かす手順
- 日記やメモをAIに読ませるなら、プライバシーの心配がないローカルLLMで
- Whisperのローカル音声入力とローカルLLMで作る書斎の口述筆記環境
- ローカルLLMのメモリ目安早見表: 手持ちのRAMで動く最大モデルはどれか
- 月いくらからローカルLLMが得になるのか: API料金との分岐点
- コンテキストウィンドウとは何か: 長い文章でローカルLLMが重くなる理由
- LLM目線のMac選び:メモリはいくつ積むべきか
- ローカルLLMが遅いときに見直す3つの設定
- GGUFはどこから落とす? （Hugging Faceの歩き方）
- 2026年上半期のローカルLLM総まとめ:いま自宅で動かすならおすすめはどれか
おすすめAIツール（note）
- AIサブスクの棚卸し: 月額いくら払っているか、数えたことはありますか
- ChatGPTとClaudeとGeminiの使い分け: 日本語の用途で見た2026年半ばの現在地
- 2026年、フリーランスの仕事はAIでどう変わったか
- 資格勉強をAIで圧縮する: 過去問、要約、弱点管理の勉強法
- 個人事業主のAI経費はどう処理する? 按分と勘定科目の考え方
- AI検索と従来検索の使い分け: Perplexity時代にリサーチ業務を組み直す
- 単価交渉の練習相手にAIを使う: 一人で場数を踏む方法
- 納品前の品質チェックをAIで運用する: リストの半分を機械に機械的に
- ポートフォリオサイトをAIで作成して公開するまで: コードを書かないフリーランスの手順
- 営業メールのAI例文は「2案作って送り分ける」が近道: 返信率で学ぶ改善ループ
- 確定申告の下準備にAIを活用する: レシート整理から仕訳の下書きまで
- AI量産記事をやめた話: 検索で勝てる記事の条件
- AIに校正を任せるときの注意点: 誤字より怖い「事実の創作」
- 自分専用の「指示書」を育てる: プロンプト管理の方法
- 音声入力とAIで執筆速度を倍にする実践手順
- 長い原稿をAIに渡すと後半が雑になる理由
- AI翻訳の使い分け: DeepL、汎用LLM、ローカルモデルの三段構え
- AIライティングツールの料金比較: 月額はいつ元が取れるか
- 客先の機密情報をChatGPTに入れていいのか問題: フリーランスの判断基準
- フリーランスのAI活用は本業より事務から: 見積もり、請求、契約書の半自動化
bestai.hatenablog.com
- 業務別AI活用マップ2026（半年まとめ）:どの仕事が一番変わったか
- ノーコードとAIで作る社内ツール:バックオフィスの小さな自動化から始める
- 動画から手順書を起こす:マニュアル作成のAI活用術
- 日報・週報を「書かされる文書」から「使える記録」に変えるAI活用
- コールセンターのAI:要約・モニタリング・応対支援の現在地
- PLAUD NOTEは買いか:ハードウェア一体型と純ソフト型を比較して考える
- 「あの件どこだっけ」をなくす:社内文書のAI検索、4つの選択肢マップ
- 活用されない社内wikiを検索可能にする:Notion再生計画
- 文字起こしの要約のコツは「分割」にある:長い会議ほど丸ごと貼り付けで失敗する
- プレスリリースのAIドラフト運用:広報の品質を落とさない手順
- 社内問い合わせチャットボットを作る前に集めるべきデータ
- 契約書レビューAIの限界と使いどころ:任せてよい作業の線引き
- 営業のAI活用:商談メモから提案書ドラフトまでの動線を設計する
- 社内FAQのAI活用:自己解決率を上げるのはヘルプデスク特化型か、汎用検索型か
- 人事のAI活用と個人情報の線引き:求人票と面接メモはどこまで任せられるか
- 経理のAI活用は工程分解から:月次処理で任せられる工程、任せてはいけない工程
- 議事録の「作った後」問題:検索されない会議録はナレッジではなく倉庫行き
- 社外に出さない議事録の作り方:kotoba-whisperで組む無料のローカル文字起こし
- CLOVA Noteはもう無い:AiNote移行後の変更点と乗り換え先の選び方
- 議事録AIの料金比較: 月額より先に「AI要約の上限」を読む
- AI導入で「SaaSを減らせる」は本当か？導入前に確認したい5つの質問
ai-tools.hatenablog.com
- 読者Q&A:BYOKとは何か、そのメリットは結局どこにあるのか
- ベンダーロックインの経済学:AIの値上げ史とスイッチングコストの読み方
- 社内ChatGPTの料金比較:4つの課金モデルと損益分岐点の出し方
- LLMに必要なVRAMの目安:手持ちGPUとMacで動くモデルサイズ早見表
- Difyとn8nの違い:「考えさせる」Difyと「つなぐ」n8nの使い分け
- LLMにJSONを確実に返させる方法の変遷:プロンプト指示からスキーマ強制まで
- KVキャッシュとは何か:同じプロンプトの2回目が速い理由
- 推論時スケーリングとは何か:reasoningモデルが買っている「考える時間」
- モデル蒸留とは:小さいモデルが賢くなる仕組み
- システムプロンプトとは何か、ユーザープロンプトと何が違うのか
- RAGにおけるリランキングとは何か:検索結果を並べ直す層の役割
- ベクトルデータベースとは何か、全文検索と何が違うのか
- ハルシネーションの原因:LLMはなぜ堂々と間違えるのか
- temperatureとtop-pの設定:出力のばらつきをどう制御するか
- MoEをたとえ話なしで説明する:Mixture of Expertsの仕組み
- LoRAとは何か:フルファインチューニングとの違いを整理する
- 日本語はなぜトークンで損をするのか:数え方から仕組みまで
- エンベディング（埋め込み）とは何か:テキストを数値の並びに変換する仕組み
- RAGの精度が改善しない原因はチャンクにある
- 1Mトークンは本当に1Mか:コンテキストウィンドウの実効値を考える
- ローカルLLMの量子化は何を削っているのか