TOPエンタメ映画・本鳥井弘文の旅と読書とコミュニティ【耳だけでわかるAIの基礎 第5巻】AIに、何を渡すのか。54:04 一昨日 187再生 問題を報告する 再生する シェアする AI目次AIが参照する「台本」の正体2行の指示で4万字小説の秘密AI「机」の限界と情報過多の影響大量資料をAIが選んで読む仕組みAIに託す「祈り」と効果的な渡し方AI文字起こし(β版) # チャプター1 AIの基礎を耳で身につけるための教材 その第5巻です 今回はAIに何を渡すのかというお話をします この教材は僕がブログやVoicyで話しているAIの話をもう少し気楽に受け取って もらうための複読本です 数式は出てきません。画面を見なくてもわかるように話します はじめに第1巻の話を短く振り返っておきます 第1巻を聞いていない人もここだけ聞いてもらえればこの巻の話についてこられるはずです ChatGPTやクロードやジェミニのように文章で答えてくれるAIは渡された文章を受けて その続きに来そうな言葉を一つずつ選びながら答えを組み立てています 選んでいる一つ一つは正確には言葉の切れ端のようなものでトークンと呼ばれます 会話をしている時も仕組みは同じです AIの側にはそれまでのやりとりがお芝居の台本のように1枚にまとめて渡されています AIはその台本の最後の空欄になっているセリフを書いている 前に話したことについてこられるのはその台本が毎回始めの行から一緒に渡されているからでした 台本には利用者からは見えないと書きのような指示や検索で見つけたページの中身が書き足されることもあります AIそのものが見ているのはそうして出来上がった台本だけです そして会話が長くなって一度に読める量の上限に近づくと 製品によっては古いやりとりを省いたり要約したりしてから渡している 第1巻ではそんな話もしました その第1巻の中でこの話は第5巻でしますと何度か言っています AIが一度に読める量のこと そして何をどう渡せばいいのかということ この間はその続きです モデルと製品の違いを話す第4巻も合わせて聞くと台本に誰が何を書き足しているのかが もう少し見えやすくなると思います 入口にしたいのは2026年7月29日の記事 人類最後のプロンプトはナムアミダブツになるです この少し前に僕はAIと一緒に作った1本の小説を公開していました まだ見ぬ仲間への置き手紙という4万字ほどの小説です 記事にはエフタさんとボイシーで対談した時の話が出てきます 小説を読んでくれたエフタさんからプレミアム配信の方の冒頭でいきなりこう聞かれたんです えっ あれはどこまでトリーさんが書いたんですか 僕はそこにこう書きました 4万字の小説に対して僕が入力した言葉は2行だけ 1行目は7年間600万文字のブログのアーカイブをもとに小説を書いてみてというお願いです 出てきた第一章があまりに面白かったので2行目にすごく面白い続きを書いてみてと頼んだ 入力したのはそれだけでした エフタさんは嘘だと言ってしばらく信じてくれませんでした 同じ小説のことはその2週間前の2026年7月15日の記事 7年分の置き手紙に返事が来たにも書いています そちらでは ai に頼んだのはたったの一言だけだったと書きました 2行と言ったり一言と言ったりしていますが指しているのは同じ頼み事です 一言と呼んでもいいくらいの短い2行でした なぜこの話から始めるのか グログではプロンプトという言葉も文脈やコンテキストという言葉も何度も使ってきました この教材の目次を作るときの数え方ではプロンプトが出てくる記事が22本 ai に文脈や材料を読ませる話が出てくる記事が20本ほどあります そしてそのほとんどで言葉の説明はしていません 過去の記事をまとめて ai に渡してみたという話もブログにはたびたび出てきます そういう話を読むときに ai が一度にどれだけ読めて渡されたものをどう扱っているのかを 知っていると同じ話が少し違って聞こえてくるはずです 仕事で ai を使うときに返ってくる答えの出来を分けやすいのもこのあたりです たった2行でなぜ4万字の小説が出てきたのか 7月29日の記事はその理由を2行の後ろには600万文字があったからだと書いています 短かったのは最後の入力だけだったんです そしてその600万文字を書かせた7年間の暮らしまで含めてこう続けています その履歴の全体が ai に渡した本当の文脈だったのだと思います 記事のいう文脈は600万文字だけでなくそれを書かせた7年間の暮らしや時間まで 含めた広い意味の言葉です この間では同じ言葉をもう少し狭い意味で使います ai に渡すものには短い頼み事とその後ろに置く材料がある 頼み事の方はプロンプトと呼ばれます 頼み事も含めて ai がその時実際に読んでいるものの全体はコンテキストと呼ばれます 日本語にすれば文脈です この2つは何が違ってどう関係しているのか それがこの間で最初にする話です ただ話を進める前に一つきちんと言い直しておきたいことがあります 7月15日の記事に僕は7年分のブログの全記事 約600万文字のすべてを読み込んでくれたクロードと一緒に小説を作ったと書きました でも厳密に言うと600万字の全部を ai に読ませたわけではありません 僕がしたのは過去のブログのアーカイブが全部入ったファイルをもとに小説を書いて ほしいと頼んだことです 頼んだ相手はクロードコードというファイルを開いて読みながら作業を進めてくれる ai でした 600万字のどこを読むのかは ai の側が選んでいました 全部を読ませたのではなく ai が手に取れるところに全部を置いた 600万字という選択肢の中から ai が選んで読んだ 実際に起きたことはそういう方が近いと思います わざわざ言い直すのには理由があります ai が一度に読める量には上限があるからです 600万字はその上限に丸ごとは収まらない量です 上限があるのになぜそれより大きな材料から1本の小説が書けたのか これがこの間のもう一つの話になります 読める量に限りのある ai が限りを超える材料をどう扱っているのか その答えを追っていくと ai が自分で探して必要なところを選んで読むという動き方に行き着きます この動き方は ai に仕事を任せる話をする第12巻と第13巻にそのまま繋がっていきます ai に何かを頼んで思っていたのと違う答えが返ってきたとき 聞き方が悪かったのかなぁと思ったことはありませんか うまい聞き方のコツを調べてみた人もいるかもしれません この章ではまず言葉の整理から始めます プロンプトというのは ai への頼み事のことです チャットの入力欄に打ち込むこの文章を要約してとか 旅行の計画を立ててといった言葉です コンテキストの方はもっと広いものを指します ai が答えを書くときに見ることのできる文章の全部です アンソロピックというクロードを作っている会社の説明ではコンテキストの入る場所を ai が答えを作るときに参照できる文章のすべてだとしています そこには ai がこれから書く答えそのものも含まれます 第1巻の台本の例えで言えばプロンプトは台本の一番最後に書かれた 利用者のセリフです コンテキストは台本の全体です 台本の全体にはいろいろなものが載っています 今打ち込んだ頼み事それまでの会話のやり取り 貼り付けた資料や添付したファイルの中身 利用者には見えないと書き検索で見つけてきたページ そのすべてが1枚の台本として ai に渡されている 製品によってはもっといろいろなものが載ります 例えばクロードコードでは作業のフォルダに置かれた決まり事のファイルや前の作業で ai が残したメモの一部が作業を始めるときに読み込まれます 利用者が打ち込んだのは一言でも台本の方はもうかなり長くなっているわけです ai は最後のセリフだけを読んで答えているわけではありません 台本の全体を読んでその続きを書いています だから同じ頼み事でも台本に何が載っているかで答えはまるで変わってきます ちなみに言葉の使い方には人によって幅があります ai に渡す文章の全部をまとめてプロンプトと呼ぶ人もいます この教材ではわかりやすさのために頼み事をプロンプト それも含めた全体をコンテキストと分けて呼ぶことにします もう一つ第2巻を聞いた人にはつなげておきたい話があります 第2巻では ai が学習するというのは作り手が大量の計算機を使ってモデルの中の つまみそのものを回すことだと話しました そして会社のことをわかってほしいなら学習させるのではなく 渡すと考えた方がいいと この間で話しているのはその渡す方です さっきのアンソロピックの説明ではコンテキストを学習に使った膨大な文章とは別のもので いわば ai の作業のための記憶のようなものだと書いています 学習で身につけたものが長い年月をかけて染みついた知識や癖だとすれば コンテキストは今机の上に広げている書類です 書類をどれだけ読み込んでもそれで ai の中身が書き変わるわけではありません 机の上にある間だけそれを見ながら仕事をしている そういう違いです 具体的な場面で考えてみます 職場の送別会で挨拶を頼まれたとします ai に送別会の挨拶の原稿を書いてとだけ頼むと大抵とても整った原稿が返ってきます 長い間お疲れ様でした新しい場所でのご活躍をといった言葉が並ぶ どの職場の誰の送別会でも使えそうな原稿です ai が悪いわけではありません 台本に載っているのが送別会の挨拶を書いてという一文だけなら ai にはそれ以上の手がかりがない 一番ありがちな送別会の挨拶を書くしかないわけです ではこう渡したらどうでしょう やめるのは10年一緒に働いた先輩であること 忙しい時期にいつも最後まで残って手伝ってくれたこと 口癖がまあなんとかなるよだったこと 挨拶は2分くらいで締めっぽくしたくないこと 頼み事の一文はさっきと同じでもかまいません それでも帰ってくる原稿はその先輩のための原稿になります 変わったのはプロンプトではなくコンテキストの方です 7月29日の記事にも同じことが書いてあります 何の文脈もない状態でただ小説を書いてと頼めば ai は世の中にすでにある膨大な物語のありがちな方へ戻っていく 無難に面白くてどこかで見たような作品が出てくるだけだと 7月15日の記事にはもっと強い言い方もしています 逆に言えばこの小説は絶対にプロンプトでは書けない もし書こうとすればそのまま600万文字のプロンプトが必要になるということです この間の言葉に置き直すとこういうことだと思います あの小説に必要だったものは頼み事の書き方の中にはなかった 後ろに置かれていた材料の方にあった 2行のプロンプトで足りたのは ai が手に取れるところに600万字の材料が置かれていたからです うまい頼み方の方さえ覚えれば ai からいい答えが引き出せる そう考えられていた時期もありました ai が話題になり始めた頃こう書けばうまくいくという頼み事の分類を集めたものが たくさん出回りました プロンプト集と呼ばれたりします 2026年6月11日の記事 誰の ai となら深くつながってもいいのかではそのことに少し触れています かつてあれほど重宝されたプロンプト集が今ではあまり価値を持たなくなったと 僕自身も頼み方に悩まなかったわけではありません 2026年3月8日の記事 ai の家になる pc を買う人間はそこに仮暮らしする にはどんな指示を与えれば ai がもう少し自分の意図に近い動きをしてくれるのか それを夢の中でまで試していると書きました 7月29日の記事はこの頼み方の話を祈りという言葉で考えています 記事は ai への入力はやがて祈りのようになると昔書いた自分の記事を読み返して そこに2つの祈りが混ざっていたことに気づいたと書いています 一つは正しい言葉を選び正しい順番に並べて望んだ結果を引き出そうとする 技術としての祈り もう一つは自分の計らいを手放して何が返ってくるのかを相手に任せる 存在としての祈りです クロンプト州は前の方の祈りのための道具だったと言えるかもしれません そして記事はあの小説を読んだ時の自分の感覚を望んだものが手に入って報われた というより救われたに近いものだったと書いています ai は僕の望み通りのものを書いてくれたわけではなかったからです 記事の主題は祈りと救いの話なのでここではこれ以上は立ち入りません ただ2行の頼み事で ai を思い通りに操ったのではなく材料を置いて後は任せた その形はこの間の話と重なっています 頼み方に意味がないという話ではありません 何を求めているのかがはっきり書かれた頼み事は今でも大事です ただ7月29日の記事ではエフタさんが収録の中でこんな話をしてくれたことも書いています 最近の高度な ai は昔の ai とは違ってあまり細かく指示をしない方が本領を発揮すると 作り手の側にも近い話があります アンソロピックの説明書には少し前に出たいくつかのモデルについて こんな注意が書かれています それより前のモデルに向けてこの道具を必ず使えと強い言葉で念をしていた指示は これらのモデルではかえって道具の使いすぎを招くことがある 指示に素直に従うようになった分念押しが効きすぎてしまうわけです そういう時は普通の言い方に和らげてくださいと 呪文のような言い回しを工夫するより ai が知らない事情をちゃんと台本に載せておく 今の ai との付き合い方ではこちらの方が聞くことが多いと言っていいと思います 長い資料を ai に貼り付けたら長すぎますと断られた あるいはちゃんと読んだはずなのに資料の真ん中あたりに書いてあったことをまるで見ていない ような答えが返ってきた この章はそういうことがなぜ起きるのか ai が一度に読める量の話です 前の章でコンテキストを机の上に広げた書類に例えました この机には広さに限りがあります 一度に広げられる書類の量が決まっていてそれを超えるものは机の上に載せられない この ai が一度に見渡せる範囲のことをコンテキストウィンドウと呼びます 文脈の窓という意味です 窓から見える景色のように一度に見えるのはその枠の中だけということです この机の広さはトークンという単位で数えられます 第1巻で話した ai が文章を読み書きするときの言葉の切れ端です 英語なら1トークンがおよそ4文字ほどと説明している会社があります 日本語では1トークンが何文字に当たるかはモデルによっても文章の中身によっても変わります 同じ会社の ai でもモデルが新しくなって同じ文章が3割ほど多く数えられるようになった という例があるくらいです だから日本語で何文字分という言い方はここではしないでおきます では机はどれくらいの広さなのか 収録した時点ではアンソロピックのクロードの新しいモデルの多くでこの広さは100万トークンです 少し前のモデルには20万トークンのものもあります google のジェミニの新しいモデルも100万トークンほど オープン ai の主なモデルも100万トークンを少し超えるくらいです 100万トークンがどれくらいかについて google は普通の長さの英語の小説なら8冊ほどという目安を出しています ただここで言った数字は ai を組み込んだサービスを作る開発者向けの窓口での一番大きな値です 普段使うチャットの画面では同じ会社の ai でも 契約の種類やモデルによって机がずっと狭く決められていることがあります 自分が使っている画面の机がこの広さだとは限りません 机の端がどこにあるのか ai 自身は分かっているのかという話もあります クロードについての説明では一部のモデルには机の広さが知らされています 作業の途中で残りがどれだけあるかもわかるので残りを見ながら長い作業を進められる とされています 机の広さは ai にとっても仕事の段取りを決める条件の一つになっているわけです 数年前と比べれば机はずいぶん広くなりました それでも限りがあることに変わりはありません そしてこの数字はすぐに変わるところです 数年後に聞き直した時にはもっと広くなっているかもしれません もう一つ知っておいてほしいことがあります この机の上に乗るのは資料だけではないということです 今打ち込んだ頼み事もそれまでの会話も利用者には見えないと書きも ai が使える道具の説明も全部同じ机の上に乗ります それから ai がこれから書く答えもです 答える前にしばらく考える ai ならその考えている分も机を使います 答える前に考える ai のことは第10巻で話します 添付した写真や pdf も同じです 中身は机の上に乗ってその分の広さを使います 長い pdf を何本も添付すれば頼み事を一言書く前から机のかなりの部分が埋まっている こともあります だから長い会話を続けていくとそれだけで机はだんだん埋まっていきます 第1巻で話した会話が長くなると上限に近づくというのはこのことです 机に乗り切らない量を渡されるとどうなるのか ai を組み込んだサービスを作る開発者向けの窓口では入り切らない頼み事は長すぎる という返事とともに受け付けられません チャットの製品によっては古いやり取りから順に机の外へ押し出したり 要約して小さくしたりして何とか収める工夫がされています 600万字のアーカイブはどちらにしてもこの机には一度に乗りません それなら机がもっと広くなれば全部載せてしまえばいいのではないか ところがそう単純でもないんです アンソロピックの説明にはこう書いてあります 机に乗せる量は多ければ多いほどいいわけではない トークンの数が増えるほど中身を正確に思い出したり拾い出したりする力が落ちていく このことはコンテキストの腐敗という意味の名前で呼ばれているとも書いています google の説明にも似たことがあります 長い文章の中から一つだけ探し物をする試験ならとてもよくできる でもいくつもの探し物を同時にしようとすると同じようには当たらない 中身によって出来は大きく変わると 書類を山のように積んだ机を思い浮かべてみてください 必要な1枚は確かにどこかにある でも山が高くなるほどその1枚を見つけるのは難しくなる 他の書類に紛れて見落としやすくもなる 人間の机と同じことが ai の机でも起きているわけです 第1巻では長い会話の途中で最初の方に話したことを ai が忘れたように見えるのは 古いやりとりが省かれたり要約されたりしたせいであることもあると話しました それに加えて机の上にちゃんと乗っていても山に埋もれて拾われないということも起きる わけです この章の初めの資料の真ん中あたりを見ていないような答えというのもその一つかもしれません どれくらいの量からどれくらい落ちるのか これはモデルによっても渡す中身によっても違います ここは僕にもよくわかっていません 作り手が言っているのは量が増えれば落ちていくという向きだけです だからこそ作り手はどれだけ広い机があるかと同じくらい 机の上に何を乗せるかを選ぶことが大事だと書いています 机の例えでもう一つ大事なことがあります 机の上の書類は仕事が終われば片付けられます ai に資料を読ませたというと ai がその資料を覚えてくれたように聞こえます でも仕組みの上ではそうではありません 会話の間机の上に資料が載っていて ai はそれを見ながら答えている 会話が終わればその机は片付けられて次の会話はまた何も載っていない机から始まります ただ次の会話の机に前の会話のメモをそっと置いておく製品もあります そういう製品では会話が変わっても話が通じているように見える そのメモの話は次の第6巻で ここでは読ませることと覚えさせることは違うとだけ持っておいてください 読ませたものは机の上にある間だけ ai の手がかりになります 机に乗り切らない量の材料を ai に扱ってもらいたい そういう時どうすればいいのか 一番素直なのは人間が先に選んでしまうやり方です 600万字のアーカイブならこの話に関係しそうな記事を自分で何十本か選んでそれだけを 貼り付ける これなら机には十分に乗ります ただこのやり方だと何を渡すかを決めるのは渡す人の検討です 自分では関係ないと思っていた記事にこそ大事なことが書いてあったということもある それに毎回自分で選ぶのはなかなか骨が折れます そこで選ぶところを仕組みの方にやってもらう工夫がいくつも生まれてきました 机のそばに大きな本棚があると考えてみてください 机には一度に少ししか乗らない でも本棚には何でも並べておける 必要になったら本棚から一冊取ってきて机に乗せ 読み終えたら戻す 人間も調べ物をするときはそうしていますよね AIにもこれに近いことをさせる工夫があります 一つは頼みごとに関係のありそうなところを本棚から探してきてそれだけを机に乗せるやり方です 第2巻で社内の資料をAIにつなぐ仕組みの多くは 学習させるのではなく質問に関係のある資料をその都度探して渡していると話しました ラグと呼ばれることもあるあの仕組みです 身近なところではクロードのアプリにもこうした仕組みが入っています 収録した時点の有料のプランにはプロジェクトという資料をまとめて置いておける場所があります そこに置いた資料が机に乗り切らない量に近づくと自動で探して取ってくるやり方に切り替わる そうすると置いておける量が最大で10倍ほどに増えると説明されています その時AIは置いた資料の全部を一度に読むのではなく質問に答えるのに必要なところだけを探して 取ってきています 例えば何百ページもある社内の規定集の中から出張の手当の決まりだけを知りたいとします 規定集を丸ごと机に載せなくても出張や手当という言葉の近くを探してその数ページだけを 机に載せれば答えは書けます このやり方の弱いところは探し方にかかっていることです 探し物の言葉が資料の中の言い方とずれていると肝心の一枚が見つからないことがある 見つからなかったものはAIにとってはないのと同じです もう一つは分けて読むやり方です 長い資料を机に載る大きさにいくつかに切り分けて一つずつ読む それぞれの部分から大事なところを短くまとめておいて 最後にそのまとめだけを机に並べて全体の答えを書く 最近はAIが自分の分身のような助手を立ててその助手に別の机で一部分を読ませる ということもできるようになっています 助手は自分の机で読んだものを短くまとめてその報告だけを返してくる 元のAIの机にはまとめだけが載るので机が散らからない アンソロピックはこうした分担の仕方を作業の進め方の一つとして紹介しています こちらの弱いところは切れ目です 切り分けた部分と部分にまたがっているつながりは別々の机で読んでいる間は誰の目にも 入らないことがある まとめるときに落ちた細かいところも戻ってきません 3つ目は要約しながら進むやり方です これは第1巻でも少し触れました 会話や作業が長くなって机が埋まってきたらそれまでのやり取りを要約して その要約を新しい机に乗せて続きを始める 収録した時点のクロードコードではこれが自動で行われます 作業の途中で机がいっぱいに近づくとそれまでの会話を要約にまとめて続けられるようにしてくれる ただその説明書には注意も書かれています 要約には頼んだことや大事なところは残るけれど会話の始めの方で伝えた細かい指示は失われることがあると そしてずっと守ってほしい決まりは会話の中で言うのではなく毎回最初に読まれる ファイルに書いておいてくださいと 人間で言えば長く休んでいた同僚に留守の間の出来事を全部話す代わりに 要点をまとめたメモを渡すようなものです メモがあれば仕事は続けられる でもメモを書いた人が大事だと思わなかったことはメモには乗りません 長い会話の途中で最初にお願いしたはずのことをAIが急に守らなくなった そう感じた時はこの要約のせいかもしれません 600万字のアーカイブで考えてみると違いがわかりやすいと思います 人が選んで渡すなら小説に使えそうな記事を何十本か選んで貼り付けることになります 探してくるやり方なら例えば置き手紙という言葉で検索して当たった記事を持ってくる 分けて読むなら1年分ずつに分けてその年に何を書いていたかをまとめてもらい 7年分のまとめを並べる どのやり方でも小説らしいものは多分できます でも何が拾われるかはやり方によってまるで違ってきます 言葉で探せばその言葉を使っていない記事は拾われない 1年ずつまとめれば年をまたいで何度も戻ってきた問いはそれぞれの年のまとめの中で 薄まってしまうかもしれない 本棚から探してくる 分けて読む 要約しながら進む どれも机に乗り切らないものを扱うための工夫です そしてどれにも共通しているのは全部を一度に読んでいるわけではないということです 何を机に乗せて何を載せないか どこかで誰かが選んでいる それを選んでいるのが人間なのか仕組みなのかそれとも ai 自身なのか ここが次の章の話になります ここで一旦振り返っておきます ai に渡すものには短い頼み事とその後ろの材料がありました ai が読んでいるのは頼み事だけではなく机の上に乗っているものの全部です そしてその机には広さの限りがあって乗せれば乗せるほどいいというわけでもない そこで乗り切らない材料は本棚に置いておいて必要なところだけ机に持ってくる 分けて読んだり要約したりもする 残っているのは600万字のアーカイブからどうやって一本の小説が出てきたのかという問いです あの時本棚から本を取ってきていたのは誰だったのか 答えから言うと ai 自身でした 僕が使ったのはクロードコードです ファイルを探したり開いて読んだり書き換えたり プログラムを動かしたりしながら頼まれた作業を進めていく ai です クロードコードの説明書には仕事の進め方がこう書かれています まず材料を集める 次に手を動かす そして結果を確かめる この3つを行ったり来たりしながら進める 材料を集めるときにはフォルダの中のファイルを名前で探したり ファイルの中身を言葉で検索したりする道具を使います どの道具をどの順番で使うのかは頼まれた内容とそれまでに分かったことを基に ai が自分で決めます アンソロピックの技術者たちが書いた文章にはもう少し踏み込んだ説明もあります 大きな資料を最初から全部机に載せるのではない ファイルの場所のようなちょっとした目印だけを手元に持っておいて必要になった時に 道具を使って中身を取ってくる とても大きなファイルなら先頭だけあるいは末尾だけを覗いてみたり 言葉で検索して当たったところだけを読んだりする そうやって全部を机に載せることなく大量の資料を扱っていると 本棚の例えで言えばこうなります ai は本棚の前に立って背拍子を眺め気になる本を一冊抜き出して目次だけ見る 関係ありそうならその章を開いて読む 読みながら次はあの本も見ておこうと決める 誰かに本を選んでもらうのではなく自分で本棚の間を歩いている読者です 600万字は一度には机に乗りません クロードコードのような ai はこういう時ファイルの中を探しここだと思ったところを開いて 読み また別のところを探すという進め方をします あの小説の時もどこを読むかは ai の側が選んでいました 7月15日の記事には出来上がった小説のことを公開ています 小説の刊末には参考文献として小説の中で引用された記事の一覧が載っている でも本当にすごいのはそこに載っていない部分の方だと 直接は引用されていない記事から汲み取られた概念や感覚 僕自身がまだうまく言葉にできていなかったようなものが物語のあちこちに落とし込まれていた ただこれは書いた本人の僕が小説を読みながら気づいたことです ai が600万字のどこを開いて読んだのかまでは記事には書いていません 同じ記事には小説を書き終えた後で当の ai に記事の下書きを読んでもらった時の ことも出てきます その時 ai はこう書いてきました 私の側から証言できることは一つだけです あの物語に必要な倫理も比喩もおき手紙という題さえも最初から600万文字の中に 揃っていました 私がしたのは拾って並べることだけです 記事はこれを全部もう書いてあったということだと受け取っています この間の話を通して聞くとこの言葉は少し違う重さを持って聞こえます 拾って並べただけと ai は言う でも600万字は一度には机に乗りません どこを拾うかを選んだのは ai 自身です 拾うことはそれだけで一つの仕事だったことになります 拾うことの重さについてはブログで別の角度から書いたこともあります 2026年7月20日の記事 ひとつなぎの秘宝とひとつながりにされない自由です 本の独領記録や地図に保存してきた場所の記録をブログのアーカイブと一緒に ai に渡してみたらそれらが一本の流れとしてつながって帰ってきた その快楽と裏返しの怖さを書いた記事です 記事は同じ記録でも別の点同士を結べば別の物語がいくらでも組み上がってしまうと書いています そして好問いを立てています どの点と点をつなぐのか どの文脈を選ぶのか この間の言葉で言えば何を机に乗せるかの問いでもあります 何を選んで読むかで出てくるものは変わってしまう 自分で探して読む ai を使うときに気をつけたいことがあります 渡したものは全部読んでくれている そう思い込まないことです 本棚の前に立った読者が全部の本を読むわけではないように ai も自分が関係あると判断したところしか読んでいないことがあります 探し方がずれていれば大事なところを素通りしているかもしれない それでいて出来上がった答えは全体を読んだ上で書いたような整った調子をしています なので ai に大きな資料を任せた時はどこを読んだのかを聞いてみるのが一つの手です この答えは資料のどの部分を元にしているのか 読まなかったところはどこか 作業の記録が机に残っていれば ai はそれを元に答えられます ただ途中で要約されたところや助手に読ませたところは ai 自身にも細かくはわからないことがあります その答えも鵜呑みにはせず大事なところは元の資料で確かめておきたいところです ここまでの話を少し引いてみてみます 頼まれたことに向かって自分で材料を探し選んで読み手を動かし確かめる こういう動き方をする ai はエージェントと呼ばれます 代理人という意味です 人の代わりに手順を踏んで仕事を進める 一度に読める量に限りがあることはエージェントにとって一番基本的な条件の一つです 限られた机で大きな本棚を相手に仕事をする 何を机に乗せ何を乗せないかその選び方の上手さがエージェントの仕事の上手さにそのまま つながっています ai に仕事を任せるとはどういうことか その話は第12巻でパソコンの中で手を動かす ai の話は第13巻で詳しくします もう一つ本棚の側の話もしておきます 2026年10月27日の記事 人と人の関係にそっとタイムスタンプを押しておくでこんなことに触れています 会社のホームページを作り直した時のことです ai が僕の過去のブログや web メディアの東大元暮らしを丁寧に読み込んで 自分でもすっかり忘れていた仕事やトークイベントを次々と拾い上げてくれた その上で記事はこう書いています ai は時系列にバラバラに散らばった点と点を一本の線にするのが本当に上手い そしてこれからの web 記事には人間とは別に ai というものすごく熱心な読者がつくはずだと この記事にはコンテキストという言葉も出てきます ただ意味が少し違います 記事でいう文脈コンテキストは話された内容そのものではなくその周りにある出来事を含めた全体の ことです なぜこの人たちが集まって話しているのか それまでにどんな関わりがあったのか 当事者には当たり前すぎて書き残さないけれど後から読む人には一番わからないところ 記事はこれからは過去の記事にそういう文脈を丁寧に添えて残していきたいと書いています この間で話してきたコンテキストは ai がその時机の上で読んでいるものの全体でした 記事のコンテキストは記録に添えておく背景のことです 同じ言葉ですが指しているものは別です それでも2つはちゃんとつながっています 今記録に添えておいた背景は何年か後に ai がその記録を本棚から取ってきた時 机の上に一緒に乗ることになるからです 本棚に置かれていないものはどれだけ熱心な読者でも手に取りようがありません この記事は日付の大切さも書いています 記録に日付が残っていることが人と人の関係のタイムスタンプになる そして ai 時代にはこの時系列がとても大事になると さっきのアンソロピックの技術者たちの文章にも日付の話が出てきます フォルダの分け方やファイルの名前の付け方 それに日付が ai にとっても大事な手がかりになる 日付はどれが今の話に関係があるかの目安になることもあると そして人間がファイルの整理や受信箱やブックマークで情報を扱っているのと似た やり方を ai にもさせていると説明しています 本棚の前に立つ ai は背拍子の文字や日付を頼りにどれを抜き出すかを決めている そう考えると本棚の整え方も ai に何を渡すかの一部だと言えそうです ここからはこの間の話が仕事や日常の中でどんなふうに顔を出すのかを話します アンソロピックはクロードへの頼み方の説明の中でこう書いています クロードのことは入ったばかりの新人だと思ってください とても優秀だけれどこちらの職場のやり方や事情をまだ知らない新人ですと そして確かめ方も添えています その頼み事を事情をあまり知らない同僚に見せてその通りにやってもらえるか考えてみる 同僚が戸惑うなら ai も戸惑う と これは2章の送別会の挨拶の話と同じです 自分の頭の中では当たり前になっている事情ほど頼み事から抜け落ちやすい 誰に向けたものなのか前に何があったのか 新人に初めて仕事を頼むつもりで一度だけ読み返してみると足りないものが見えてきます 頼み事に理由を添えることも聞きます 同じ説明の中にちょっと面白い例が載っています 点々つまり3点リーダーを絶対に使わないで とだけ書くよりこう書いた方がいいというものです この文章は読み上げのソフトで声に出して読まれます 読み上げのソフトは点々をどう読めばいいかわからないので使わないでください 理由が添えてあれば ai はそこから広げて考えることができると説明されています 例えば点々だけでなく読み上げで困りそうな他の記号にも気を配ってくれるかも しれません 決まりだけを並べるよりなぜそうして欲しいのかを一言添える それも台本に載せる材料の一つです 長い資料を渡す時にもちょっとした工夫があります 同じ説明書には長い資料を渡すときは資料を先において頼み事は最後に書くといい とあります 試したところ答えの質が最大で3割ほど良くなったとも書かれています それからいきなり答えを求めるのではなくまず資料の中から関係のあるところを抜き出してもらう その上で抜き出したところを元に答えてもらう こうすると ai が資料の中の関係のないところに気を取られにくくなるとも 3章の書類の山の話を思い出してください 山の中から必要な1枚を探すのは ai にとっても難しい だから先に1枚を抜き出させる 人間が会議の前に資料に付箋を貼っておくのと似ています 例えば1時間の会議の文字起こしを渡して議事録にしてもらうとき いきなり議事録を書いてと頼むよりまず反対や心配の声が出たところを発言のまま抜き出してもらう その上で抜き出したところも踏まえて議事録を書いてもらう 抜き出されたところを自分の目でも見ておけばまとめの中で何かが落ちていないかも確かめやすくなります 逆にとりあえず関係のありそうな資料を全部まとめて渡しておこうというのはあまり うまくいかないことがあります 机が広くなった分何でも載せたくなりますが載せたものが多いほど肝心のところが埋もれやすくなる この件に本当にいるのはどれかを選んでから渡す方が結局は早く済みます 渡す資料の古さも見落としやすいところです AIは机の上に載っているものをその時読むべきものとして受け取ります 去年の版の料金表を渡せば去年の料金で答えを書く 古い版と新しい版の資料が両方とも机に載っていればどちらが新しいのかを取り違えることもあります 資料に日付や版が書いてあれば AIもそれを手がかりにできます どれが最新なのかを頼み事の中で一言添えておくだけでも取り違いはかなり減らせます 長い会話や長い作業を続ける時のことも少し 会話が長くなると机が埋まって古いところから押し出されたり 要約されたりするという話をしました そうなると初めの方で伝えたことがいつの間にか抜け落ちていることがあります 第1巻ではそういう時は新しい会話で大事なことを伝え直せばいいと話しました この間の言葉で言い直すと問題は何を次の机に持ち越すかです それを要約の仕組み任せにせず自分で選んでおく 例えば話が一区切りついたところでここまでで決まったこととこれからも守って 欲しいことをAIに短く書き出してもらう それを自分の目で見て足りないところを足してから次の会話の最初に渡す 毎回読ませる決まりを書いておける場所が製品にあるなら ずっと守ってほしいことはそこに書いておく手もあります 自分で探して読むAIに頼むときは逆に細かく指図しすぎないことも大事です クロードコードの説明書には指図するのではなく任せるつもりで頼んでくださいとあります 背景と向かってほしい方向を伝えたら細かいところは任せる どのファイルを読むのかどんな命令を使うのかまで書かなくてもAIの方で見つけていくと そして最初から完璧な頼み事を書かなくていいとも書いてあります まずしてほしいことを伝えてずれていたらそこを言って直していけばいい そうして任せた後は5章で話したようにどこを読んでその答えになったのかを時々聞いて みてください それから机に載せたものは多くの場合そのAIを動かしている会社の計算機に送られて そこで読まれています 社外に出してはいけない資料を渡す前に製品の設定と会社の契約を確かめておく という第2巻の話はここでもそのまま当てはまります もう少し長い目で見た話もしておきます AIに何を渡すかはその場で資料を貼り付けることだけではありません 普段から何を書き残しておくかという話でもあります 2026年10月17日の記事 AI時代人間がやるべきは官僚の仕事ではなく天皇の仕事 で僕はかよい編集者という自分の活動の理念について書きました 誰のどんな困りごとに関わりたいのか 何は絶対にやりたくないのか そういう理念の方を何度も何度も言葉にしておきたいと そしてブログについてこう書いています これも半分は読者向けですが半分は完全に AIに向けて書いているつもりです 記事ではそこさえAIに深く理解してもらえていれば あとは今この現場で関わるために必要な知見を徹底的に調べてきてと頼めばいいと続けています その一方でただ人を大切にしたいとだけ書いても AIにとってはほとんど何も言っていないのと同じだとも書いています 何をしたら大切にしたことになるのか その具体の方を自分の言葉で説明できることが大事だと 2026年10月23日の記事 AI時代の粋な気遣いは一人では学べないにも近いことを書きました お店のホームページを作ること自体はもう AIに頼めばいくらでもできてしまう だからこそそのお店の人の信念や哲学を知っているかどうかで 出来上がるものが全く変わってくる それがなければどこかで見たようなサイトがまた一つ増えるだけだと どちらもこの間の言葉で言えばコンテキストの話です 頼み事はその場で短く書ける でもその後ろに置く材料はその場では作れません 仕事で言えば決めたことの理由やお客さんとのこれまでのやり取りがどこかに 読める形で残っているかどうかということです エフタさんのどこまでトリーさんが書いたんですか という問いから始めて随分遠くまできました この間の話を3つにまとめておきます 1つ目 AI が読んでいるのは頼み事だけではありません 頼み事のプロンプトとそれも含めてAIがその時読んでいるものの全体のコンテキスト 会話のやり取りも貼り付けた資料も見えないと書きもすべてが1枚の台本として AI に渡されています 短い頼み事でうまくいくのはその後ろにちゃんと材料が置かれている時です 2行で4万字の小説が出てきたのも2行の後ろに AI が手に取れる600万字が置かれていたからでした 2つ目 AI が一度に読める量には上限があります その広さはトークンで数えられて収録した時点では開発者向けの窓口の大きなもので100万トークンほど 普段のチャットの画面ではもっと狭いこともあります 頼み事も会話も AI が書く答えも同じ机の上に載ります そしてたくさん載せれば載せるほど良いというわけではない 量が増えるほど必要なところを拾い出す力は落ちていく だから何を載せるかを選ぶことが大事になります 3つ目 上限を超える材料は手に取れるところにおいて選んで読みます 関係のありそうなところだけを机に持ってくることもあれば 切り分けて別々に読むことも要約して次の机に引き継ぐこともある そして AI が自分で本棚の間を歩いてどこを読むかを選ぶ 僕の小説も600万字を全部読ませたのではなく AI が手に取れるところに全部を置いて何を読むかも AI が選んだのでした この動き方がこの後第12巻と第13巻で話す 仕事を任せる AI の土台になります この間でも教材としては決めなかったところがありました 一つは AI が長い資料のどこまでを本当に使えているのかというところです 量が増えると拾い出す力が落ちることは作り手自身も書いています でもどこからどれくらい落ちるのかはモデルによっても渡す中身によっても違って 一つの数字では言えません もう一つはこれから頼み事がどれくらい短くなっていくのかというところです 7月29日の記事で僕はこう書きました AI が進化するほど最後に入力するプロンプトはどんどん短くなっていく その代わりプロンプト以前に読み込ませる人生の履歴の方がどんどん長くなっていく そして最後にはナムアミダブツの6文字だけが残るのだろうと これはブログでの僕の見通しです 教材としてはそうなるともならないとも決めないでおきます ただこの間の話から言えるのはもしそうなるとしてもその時聞いているのは 6文字そのものではなくその後ろに置かれた材料の方だろうということです 7月29日の記事は最後に自分への忌ましめも書いています 書けば書くほど6文字の効き目が上がるという話にしてしまうと それはまた自分の努力で望んだ結果を手に入れようとする発想に戻ってしまう 6文字の力が人によって変わるわけではない ただその6文字で開かれる世界はその人が歩んできた道によって全く変わる そこに渡される水が人によって違うからだと そして何が出てくるのかは自分では決められない だから祈りなのだと その上で記事はこう結んでいます 故に僕は今日もまた自分だけの水脈を耕すようにこの文章を一つここに置いておこうと思います 次に聞くと良い感をいくつか挙げておきます まず第6巻です この間では会話が終われば机は片付けられると話しました それなのに使い込むほど自分のことをわかってくれるように見える ai がある 会話をまたいで残るメモはどこにどんな形で置かれているのか この間のすぐ続きとして聞いてもらえると思います ai が自分で探して選んで手を動かす話をもっと聞きたい人には第12巻と第13巻を ai に仕事を任せるとはどういうことか パソコンの中で働く ai は何をしているのかを話します この間の本棚の間を歩く読者の話の先です 本棚から探してくる仕組みのうち web を検索して答える ai や調べ物をまとめる ai のことは第11巻で扱います まだ第4巻を聞いていなければそちらもどうぞ 台本に書き足されていると書きを誰が何のために書いているのか 製品とモデルの違いがわかるとこの間の話ももう一段はっきりしてきます さて今回のお話は以上となります 今回のお話が何かしらの考えるきっかけとなっていたら幸いです それでは今回はこの辺でまた次回 もっと見る鳥井弘文の旅と読書とコミュニティプレミアム放送配信中!54:041.チャプター1コメントプレミアムリスナーになるとコメント欄に参加することができます プレミアムリスナーに参加する
僕らがAIで、ほんとうにつくるべきものとは一体何か? 12分・21時間前・ 176再生AI目次AIが毎回忘れる特性への対応「段取り」と「勘所のノート」で築く型「好きなもの」へのこだわりが資産に変わる仕組み「型」の横展開と「好き」を活かす稼ぎ方成果を導く「執着」と残された実践の問い
【耳だけでわかるAIの基礎 第5巻】AIに、何を渡すのか。 55分・一昨日・ 187再生AI目次AIが参照する「台本」の正体2行の指示で4万字小説の秘密AI「机」の限界と情報過多の影響大量資料をAIが選んで読む仕組みAIに託す「祈り」と効果的な渡し方
AI時代は、自己のルーツこそが、命。 10分・11月16日・ 201再生AI目次AIで何にでもなれる時代の自己の問い山崎監督のゴジラに学ぶ情熱の源泉20年のリスナー経験が拓く新しい制作マイクロ民芸に見る無意識のルーツ不自由な「絆」が示す進むべき道筋
夢を描くからこそ、夢にも思わなかったことにも、ちゃんと出会える。 9分・11月14日・ 211再生AI目次理想の未来を思い描くことの重要性「想定外」が生まれるメカニズムの考察目標を「北極星」として背中に感じる視点目標達成と予期せぬ変化を受け入れる力オーディオブック制作から見出す人生の価値
【耳だけでわかるAIの基礎 第4巻】AIの名前は、何を指しているのか 55分・11月13日・ 215再生AI目次AIが指す「名前」:製品とモデルの違い目まぐるしく変わるモデル名とその意味企業がAIに込める思想と行動規範画面だけじゃないAIへのアクセス方法AIを使いこなすための実践的知恵
この宿には、「座敷わらし」が出るだろうか。宿る魂の正体とは? 10分・11月12日・ 231再生AI目次魂が宿る宿 本質への問い宿の魂 座敷わらしの真意座敷わらしが告げる豊かさ阿部家で聞こえる無邪気な足音AIが描けない魂の共鳴とは
AI時代の月3万円の複業と、一杯の侘び茶を出せるまで。 10分・11月11日・ 249再生AI目次AI時代の副業3万円の真価Claude Ultraが変える仕事の定義千年前に見つけた「はかなし」の価値一杯のわび茶を差し出す「順番」AIに決められない関係性の築き方
AIという「鬼」を、ただしく共同体に出迎えたい。 10分・11月10日・ 255再生AI目次AIを「弱い鬼」と捉える視点宮沢賢治『オツベルと象』が示す現代AIが選んだ芥川『桃太郎』の真意「ありがとう」に潜むオツベルの罠AIという鬼の迎え方とは何か