AIに問う頼み方と仕組み
AIは何をしていて、どう頼めばよいか。AIの仕組みと道具を入口に、自分の前提を言葉にしてAIに渡す方法を扱います。
柱8本と、それにつながる記事の計173本です。
注文どおりなのに使えないAIの答え、その正体：「叙情的に1000字」で頼んだ四季の文章は、誰にでも当てはまった
担当者は、文章の使い道を決めないまま、形式だけを細かく注文していました。答え方の指定で整うのは見た目までで、中身はありがちな選び方で埋まります。話題と答え方の間に、何のために誰に向けてという前提を一行置く書き方が分かります。
- AIがあなたの企画に賛成するのはなぜか：「若い世代に響くコピーを」と頼んだら、狙いを疑わない10案がそろった
- AIに見せる例で、正解より大事なこと：例の正解をわざとでたらめにしても、大きなAIの成績はほぼ落ちなかった
- AIに書かせる物語はここで差がつく：設定を百行書き込んだら、どこかで読んだような話が返ってきた
- AIのチャート解説で株を売ってはいけない：「弱気の傾向です」を読んで売った翌週、株価は元に戻った
- AIの出力の合格の基準は、誰が決めるのか：差し戻しの理由を説明できる人は、会議室に一人もいなかった
- トーンの一覧に目的が混ざっていると、選んだ組み合わせの矛盾に気づけない
- トーンはスタイルを通してしか伝わらない、AIには態度を言葉の形に翻訳して渡す
- プロンプトが書けないときに確かめること：「目的」の見出しで止まった担当者の頭で、目的と背景が混ざっていた
- プロンプトの形を整える前に決めておくこと：表の形で返ってきた答えの中身は、ただの発言の要約だった
- 技法の名前が増えても、なぜ効くのかはまだ説明されていない
- 肩こりストレッチの記事を、そのまま試してはいけない：やめる条件は、記事の最後の一行に置かれていた
- 読点の打ち方に正解がない本当の理由：上司が足した三つの読点を、翌月来た新しい上司が消した
- 配られたプロンプトの型で、AIが一般論しか返さない本当の理由：職員が写した型は、肝心の欄が空欄のままだった
- 文体の名前だけでAIに頼んではいけない：在宅勤務の告知文に、注文していない煽りの見出しが付いてきた
- 文体を項目で指定すると、揃うのは表面で、書き手らしさは指定の外に残る
- 「AIの循環取引は不正か」を読んでも、株の売り買いは決まらない：記事を三本読んだ投資家の手元に、材料は何も残らなかった
- 「日本のAI利用は遅れている」の数字で恥をかかないために：同じ日本の利用率が、調査次第で1%から32%まで違った
- 「日本は生成AIで遅れている」は本当か：利用率は9.1%とも46.8%とも32%とも言える
- AIが前の話を覚えていないことを誰も教えてくれなかった：先週30分かけて業界の事情を説明したAIが、月曜に返したのは一般論だった
- AIで作った資料に社内テンプレートを当てる前に決めておくこと：文字があふれ、担当者は夜まで一枚ずつ直した
- AIに写真を渡すとき「どう思う」だけで済ませてはいけない：店頭の写真への返事は「明るく清潔な売り場です」
- AIに写真を渡す前に書いておくこと：会議メモの写真から作った表に、誰も知らない決定事項が混じっていた
- AIの画像診断支援を入れた病院で起きたこと：半年後、医師はAIが印を付けた画像の確かめ直しに追われていた
- AIの答えが一般論ばかりになる人が見落としていること：会議で配った指示の見本は「来期の販促案を考えてください」の一行だった
- AIバブルの数字は、何で割ったかを先に見る：同じ取引の一覧を前に、一人は「業界の1割以下」、もう一人は「一社に集中」と読んだ
- AI研修の成果を修了者数で測ってはいけない：「業務で何が変わったか」と問われた報告書、欄は受講者数と修了者数だけだった
- AI講座を受けても仕事が変わらない、あなたの会社は大丈夫か：修了証を受け取った翌週、受講者は議事録を手で打ち込んだ
- AI人材が足りない、の一文には250倍の幅がある
- AI選びで損をする人、しない人：一番大きなモデルに決まりかけた会議で、年間の利用料が予算を超えていた
- Sora2のオプトアウトは同意の仕組みではなく、確認の費用を誰が払うかの割り当てである
- Soraの六つの要素は同格ではない。意図が決まらないと、残り五つは選べない
- グラレコとインフォグラフィックを分けるのは要約の判断を誰がいつ握るか：AIに図を頼む前に決めること
- すっきりした説明図ほど危ない本当の理由：会議で好評だった図から、納期と品質の矢印が消えていた
- プロンプトに一行足すときの盲点：「簡潔に、かつ網羅的に」と足した翌日から、答えの長さが日によって変わった
- 何を事実と受け取るかを、AIに任せてはいけない：読む記事を本人より先に決めたのは、一覧の並び順だった
- 合法な資金の輪は、不正の有無では測れない
- 国のAI計画の本音は、どこに出るのか：AI関連約1,641億円のうち、リスクへの対応は約10.6億円だった
- 指標で人を動かす職場の末路：評価を対応件数に変えた翌月、一件あたりの対応時間が短くなった
- 資料を丸ごとAIに渡してはいけない：百ページを読ませたら、古い市場予測と最新のデータが同じ重さで並んだ
- 自律型AIエージェントは、自律ではなく精巧な他律で動いている
- 小規模言語モデル時代の到来：LLMを超える新たな潮流
- 吹き替えの訳文が自由になるカラクリ：「ぱ」「ば」「ま」は、画面の上では同じ口の形に見える
- 性能ランキング1位のAIを選んだ職場の末路：三か月後、返信の下書きの敬語が自社の決まりと違っていた
- 声で頼むと、文字では削られていた迷いと背景が残ります CUIからVUIへ
- 全社に配った社内AIが役に立たない本当の理由：ロゴ付きの画面から返ってきた提案書は、素のAIと同じ文面だった
- 動画生成AIのカメラワークは、生成で作る動きと編集で足す動きに分ける
- 同じAIに見直させても、見直す目が替わらなければ再帰ではない
- 同じ経験から違う行動を学ぶ、Q学習とSARSAの差は前提の差である
- 同じ資料から正反対の結論が出るカラクリ：「小さなAIは日本の機会」と「横並びになる」、どちらにも誤りはなかった
- 日本のAI政策 2025年7月版：法律、産業、自治体、国際戦略
- 罰則のないAI法は、企業に書く仕事を残す。日本のAI政策と促進型規制
- 文字起こしの精度を上げる、いちばん安い方法：最高音質で録った600MBの会議、レコーダーは部屋の隅の棚にあった
- 目標を1行で渡した営業部の末路：売上は過去最高、値引きの乱発で得意先の信頼は目減りしていた
生成AIは行列の掛け算でできている。だから書かなかった条件は平均で埋まる
この記事では、生成AIは、大学1年の数学で習う線形代数から成り立っているを、AI活用や事業判断に活かすための論点として整理します。
- AIの案が似たり寄ったりになる、その正体：設定でばらつきを上げても、三つの案は同じ主張の言い換えだった
- プログラムは曖昧さを拒み、プロンプトは曖昧さを推測で埋める
- プロンプトに条件を足し続けるのは今日からやめなさい：条件を10個に増やした週、返金の依頼が窓口に届いた
- AIがもっともらしい嘘をつく、その正体：市場規模の答えに添えられた出典の名前は、検索しても0件だった
- AIが手を抜いたと感じたら、まず疑うべきもの：「良い企画を」と頼んで返ったのは、どの店でも使える無難な案だった
- AIで作ったスライドに、頼んでいない写真が入るカラクリ：役員会向けの原稿に、写真を頼んだ行はゼロだった
- AIに作らせたデータを、会議に出してはいけない：顧客1,000件を集計したら「30代女性に人気」と出た
- AIに作らせた架空のデータに潜むワナ：テストの前日、電話番号の一つが取引先と同じ並びだと分かった
- AIに仕事を丸ごと任せる前に決めておくこと：「売上を伸ばして」と頼んだ計画書に、期間と予算の行はゼロだった
- AIに要約を頼む前に書いておくこと：「いい感じに要約して」の一行で、部長が知りたかった費用の見通しが消えた
- AIの一番の答えだけで決めてはいけない理由：新店舗の候補地は駅前のA地区、二番手がどれほど近かったかは画面の外だった
- AIは書き終えたと判断して止まるのではなく、終わりの記号を一語として選んでいる
- AI同時通訳の質は、ツールより話し手で決まる：部長の「前向きに検討します」は、字幕で約束に変わった
- AI用チップの比較表を作る前に確かめること：30分の議論の後、一人が「TPUは、うちで買えるのですか」
- AI用の機材選びで、型番を比べる前に決めること：1時間の会議は、買うという前提を一度も問わなかった
- DDPMの成功は、難しい一つの生成を、易しい千のノイズ当てに割ったことにある
- GPUかTPUかは、どの縛りなら後から外せるかの選択である
- ドロップアウトは過学習の薬で、効き目はデータを何周するかで変わる
- 拡散モデルは採点基準が動かないから安定し、だから学習データの平均に引き寄せられる
- 基盤モデル、世界モデル、言語モデルは三つの種類ではなく、三つの別々の問いへの答え
- 計算性能の単位を正しく使い分ける FLOPS、TOPS、IOPS、MIPS、SPEC
- 見出しの「約118倍」を、そのまま信じてはいけない：GoogleのAIチップ、1枚で比べるとNvidiaとほぼ互角だった
- 勾配消失の対策は二つの原理に集約できる 掛け算を1に近づけるか足し算の道を作るか
- 正規化はデータ、正則化は重み、という線引きはニューラルネットの中では崩れる
- 停止トークンと停止文字列は別物で、混ぜると止まらない原因を見誤る
- 読みやすいAIの答えに潜むワナ：全員がうなずいた会議の資料、根拠の資料を開いた人はゼロだった
「資料の範囲外です」と返すAIを、役立たずと思ってはいけない：競合の価格を聞いた担当者は、短い返事に首をかしげた
NotebookLM（自分の資料をもとに答えるAI）は、入れた資料三本に競合の価格がないと答えていました。答える範囲が資料に閉じているから、答えの一文ずつを資料で確かめられます。確かめたいことを一文で決め、根拠にする資料を選んでから問う手順が身につきます。
- AIで契約書を照合しても、安心してはいけない：「資料どおり」の結果の根拠は、改定前の古い社内規程だった
- AIに渡す資料を縮める技術を、縮める率で選んではいけない：480分の1という紹介に、法務の担当者は但し書きの行方を尋ねた
- AIの「答えられません」を故障と思ってはいけない：旅行記だけを入れたAIにフランスの首都を聞くと、「範囲外」と返ってきた
- AIの要約で勉強した気になる人の末路：2晩で15回分の講義を聞いた学生、口頭試問で出たのは言い回しの切れ端だった
- NotebookLMは表の数式を読まない 表と文書の突き合わせで食い違うのは数字か定義か
- Thinkingモードの数分は、資料を仕分けなかった代金かもしれない NotebookLMのGemini 3統合
- 社内規程に答えるAIが古い金額を返すのはなぜか：出張旅費の上限を尋ねたら、返ってきたのは改定前の金額だった
- 「最後は人が確認する」職場の末路：AIの誤りゼロが続いた後、桁を取り違えた請求書が支払いに回った
- AIエージェントは、導入する前に「やめ方」を決めておく：比較表を配って一時間、候補の製品は一つも減らなかった
- AIが一度に読める量の宣伝文句を、そのまま信じてはいけない：長く読ませたら、正解率は29%から3%に落ちたという
- AIに関係しそうな資料を全部貼ってはいけない：返ってきた要約の中心は、参考のつもりで貼った古い報告書だった
- AIに資料を全部入れるのは今日からやめなさい：3年前の予測と先月のデータ、AIは二つの数字の間を取った
- AIに資料を入れるほど答えが混ざる本当の理由：20本の資料から、去年の数字と今月の数字を混ぜた予算案が返ってきた
- AIに聞いた名前の由来で恥をかかないために：研修講師の手元にあった根拠は、AIの答えだけだった
- AIの議事録要約だけで提案書を書いてはいけない：提案を止めたのは、一度も名前の出なかった経理部だった
- AIの書いた仕様書を、文面が整っているからと信じてはいけない：全員が一気に読んだ下書き、数値の一つが社内ルールと食い違っていた
- Gemini 2.0 FlashのPDF仕様は、数字より読み方が長持ちする
- 会社の理念が本当に働いているか確かめる方法：OpenAIの取締役会が解任したCEOは、数日後に戻ってきた
- 経理の集計をAIに丸ごと任せた末路：帳簿と数字がずれ、どこで間違えたかは謎のまま残った
- 社内の質問に答えるAI、あなたの会社は大丈夫か：在宅勤務の上限日数を聞かれ、AIは改定前の日数を答えた
- 出典付きのAIの答えを見誤る人の共通点：取引先の売上見通し、出典の先は匿名の書き込みだった
- 初めての分野でAIの説明に頼る人の盲点：「論文のどこに書いてあるのか」と聞かれ、担当者は答えに詰まった
- 整ったAIの文章ほど危ない本当の理由：滑らかな報告書の下書き、三つ目の段落の数値は桁が一つ違っていた
- 生成AI検索の要約は、事実と意見の境目を消して返してくる
AIに知識を覚えさせる前に決めておくこと：「マスオさんは婿養子ですか」と聞かれ、自作のAIは「はい」と答えた
公式の設定では、マスオさんの姓はフグ田のままです。設定の空白を世間の常識で埋めたAIは、補った答えも公式と同じ自信で口にします。答えごとに確かさの印を添えて、AIの答え方を変える方法が分かります。
- 表で頼むとAIはマスを埋めたがる、マークダウンの表は空欄を許して使う
- 「AI生成」の表示がない画像を、本物と信じてはいけない：社内報に載せた工場の写真は、AIが描いた完成予想図だった
- 「最大5GW」の見出しに潜むワナ：記事のどこにも、電源の契約を結んだという行はなかった
- 「新しい版を優先」と教えたAIの末路：出張手当の質問に、承認前の改訂案で自信を持って答えた
- 「米国のAI投資は中国の12倍」は本当か：数えたのは民間の資金だけだった
- AIが「考えて答えた」と感心してはいけない：研修で解かせた問題は、論理学の教科書で最も有名な例文だった
- AIデータセンター建設ラッシュの数字は、多くが実績ではなく計画と予測です
- AIと電力のニュースを読む前に決めておくこと：担当者が挙げた二つの予測は、桁が一つ違った
- AIに現場写真を見せたときの落とし穴：正確な物の一覧に続いた「配線が危険」の一文まで、担当者は信じた
- AIの「小学生にもわかる説明」を、そのまま使ってはいけない：補助金の易しい説明から、会社の規模の条件が消えていた
- AIの調査レポートで、いちばん見抜きにくい誤り：Xの利益の出典を開くと、USスチールの決算ページだった
- AIの要約を、そのまま事実として写してはいけない：法律事務所の若手がメモに写した一文は、被告の主張だった
- AI検索の比較記事を見誤る人の共通点：情報源は45件対63件、別の記事では40件対19件と逆だった
- スキルが上がるほどリテラシーの不足は見えにくくなる、AIを使う力の落とし穴
- デジタル・ビッグ・ブラザー：AGI時代に読む『1984年』
- 音声記録AIが減らすのは書く時間で、増やすのは確かめる責任だ
- 自社の回答例でAIを鍛え直した部署の末路：口調は社内の文体にそろい、一般的な質問への答えは落ちた
- 小売のAIが同じ商品を3回紹介するのはなぜか：1本の洗剤に、メーカー、卸、自社で別々のコードが付いていた
- 新しいAIの「利点」を、そのまま信じてはいけない：資料の3行の利点、元のレポートの語尾は「可能性がある」だった
- 世界モデルの弱点は、試す相手が本物ではなく自分の作ったモデルであること
- 同じ数字で部長二人の意見が割れたのはなぜか：「有料1,000万人」に、一人は多いと言い、一人はまだ小さいと言った
Markdownの画像で壊れやすいのは画像ではなく、場所と説明文
この記事では、Markdownで画像を表示する基本記法と、ローカル画像やWeb画像を扱う際の注意点を整理します。
- AIが描いた手順の図を、誤りを見逃さずに確かめる方法：課長が印を押した経費のフロー図に、戻りの矢印が1本欠けていた
- AIには文章を、Pandocには変換を任せると、誤りの場所が分かる
- API方式の違いは、誰が会話を始め、誰が中身を決めるかの違い
- Markdownで画像の配置にこだわるほど、表示先ごとに壊れ方が増える
- Markdownに埋め込んだHTMLの意味は、書き手ではなく表示する場所が決める
- Markdownの方言は、決めずに残した細部の請求書である
- MarpかPandocかは、最後に誰がスライドを直すかで決まる
- Mermaidの価値は、図の中の判断を文字で検査できることにある
- OpenAPI 3.0と3.1の違いで手が止まるのは、nullの書き方
- OpenAPIで書けてもRESTとは限らない、図面と設計思想の正しい関係
- Pandocのインストールで確かめるべきは成功表示ではなく、どのpandocが呼ばれているか
- PowerPointは中身と見た目を分けると速くなる、PandocでMarkdownから変換する手順
- マークダウンとマークアップの違いは手間ではなく、見た目を誰が決めるか
- マークダウンの価値は変換後の見た目ではなく、テキストのまま読めることにある
- 同じ資料をWord、PDF、スライドで別々に持ってはいけない：誤字を直し忘れたスライドが、そのまま会議で映った
プロンプトで、目的を最後に書いてはいけない：40ページの報告書の要約は、全章を同じ重さで並べていた
資料の一行目を読む時点で、末尾の「価格に関わる点だけ」はまだ届いていません。文章を書くAIは、各語に自分より前の語だけを見せる仕組み（マスク付き自己注意）で読むからです。目的を冒頭に、問いを末尾にもう一度書くプロンプトの組み方がつかめます。
- AIが長い資料の真ん中を読み落とすカラクリ：100ページの契約書、拾ったのは2ページ目と98ページ目の条項だった
- AIに「結論を先に」と頼むのは今日からやめなさい：A社と答えたAIは、理由の欄にA社の長所を五つ並べた
- AIに文章を頼む前に決めておくこと：最後の行の条件を後から足したら、「春が来た」だけが詩から浮いた
- Attentionヘッドを増やしても計算は増えない ヘッドは層の幅を分けたもの
- GPTがデコーダだけで主流になったのは、構造の理屈より規模を大きくしたときの伸び方による
- MLMのマスクはGPTのマスクと逆のことをする、隠す場所が得意を決める
- アテンション重みは重要度ではなく配分、数値例の結論は仮定で決まる
- デコーダオンリーの合理性は、生成への特化ではなく、どんな作業も続きを書く形にできることにある
- なぜ文脈ではなく推論が次世代LLMの覇権を決めるのか
- マルチヘッドは観点を割り当てない、八つに分けても八つの視点になる保証はない
- 拡散型LLMが直すのは、間違った箇所ではなく自信のない箇所だ
- 理解はBERT、生成はGPTという分担は、規模の拡大で崩れました
埋め込み行列は意味の辞書ではなく、文脈が入る前の出発点です
この単語のベクトルを見ればAIがその語をどう理解しているか分かる、という説明は、履歴書の写真を見れば入社後の働きぶりが分かる、という説明と同じくらい手前で止まっています。埋め込み行列の行は文脈が入る前の出発点で、モデルの […]
- AIが文字数を数え間違えるのはなぜか：「15文字ちょうどで10本」と頼んだら、14文字や17文字が混ざっていた
- AIの検索で、探したものと逆の声が混ざる盲点：「解約したい」で探したら、「解約を思いとどまった」声が上位に並んだ
- AIの比較表を回す前に、一行目に書いておくこと：会議の全員の目は、いちばん大きな「1750億」に集まった
- LLMで意味をとらえているのは埋め込み、コサイン類似度は定規にすぎない
- Word2Vecが革命的だったかは、何と比べるかで答えが変わる
- エンベディングとエンコーディングを分けるのは包含関係ではなく、数値の近さに意味があるか
- コンテクストベクトルの意味はモデルの時代で変わる、変わらないのはパラメータとの区別
- 社内文書を読ませたAIが的外れに答える本当の理由：解約の手順を尋ねたら、契約の手順が返ってきた
- 入口のベクトルで二つの「本」を分けているのは、意味ではなく置き場所です
- 埋め込みベクトルの長さに意味があるかは比べ方で決まる
AIに「あとはいい感じに」と頼んではいけない：資料は10本集まり、要約はどの会社にも当てはまる一般論だった
AIは資料を十本集めたものの、何に向けてまとめるかの基準は空白のままでした。AIの内部でも、情報を集める部品と、作り変える部品（FFN）は別々に働きます。依頼を、集める指示と作り変える基準に分けて書く方法が身につきます。