生成AI完全入門 2026

生成AIの仕組みと限界

LLMとは何か

Large Language Model(大規模言語モデル)は、大量のテキストデータを学習し、次に来る単語(トークン)を予測する能力を獲得したニューラルネットワークです。文章を「理解」しているわけではなく、統計的にもっともらしい続きを生成しているに過ぎません。この認識が生成AIを使いこなす第一歩になります。

GPT-4、Claude、Geminiといった名前を聞いたことがある方は多いでしょう。これらはすべてLLMであり、入力されたテキスト(プロンプト)を受け取って、もっともらしい応答を生成しています。チャットしているように見えますが、実態は超高速な「次の単語当てクイズ」の連続です。

%%{init:{'theme':'dark','themeVariables':{'primaryColor':'#00A5BF','primaryBorderColor':'#007A8F','primaryTextColor':'#e8e8e8','lineColor':'#00A5BF','secondaryColor':'#1a1a1a','background':'#141414','mainBkg':'#1a1a1a','nodeBorder':'#00A5BF'}}}%%
graph LR
  A["入力テキスト
(プロンプト)"] --> B["トークン化
文を細かく分割"]
  B --> C["Transformer
ニューラルネット"]
  C --> D["次トークン予測
(確率分布)"]
  D --> E["出力テキスト
(生成結果)"]
  D -.->|繰り返し| C

Transformerアーキテクチャ

2017年にGoogleの研究チームが発表した論文 "Attention Is All You Need" が、現在の生成AIの基盤です。核心は「Self-Attention(自己注意機構)」にあります。文章中の各単語が、他のすべての単語との関連度を並列に計算し、重要な文脈を拾い上げる仕組みです。

「昨日の会議で田中さんが提案した新しいプロジェクトについて、彼の意見は...」という文があったとき、「彼」が「田中さん」を指していることを、Attentionが距離に関係なく文脈から判断します。それ以前のRNN(再帰型)は文を先頭から順番に処理するため、長い文の前半を忘れがちでした。Transformerは全単語を一度に見られるため、長文処理能力が飛躍的に向上しています。

OpenAI Tokenizer (platform.openai.com/tokenizer) でトークン分割を体験できる

Temperature と Top-p

LLMの出力には「どれくらいランダムにするか」を制御するパラメータがあります。代表的なのが Temperature(温度)です。値が低いほど毎回同じような出力になり、高いほど多様でクリエイティブな出力が増えます。

Top-p(nucleus sampling)はもう1つの制御パラメータで、確率の上位何%までのトークンを候補にするかを決めます。Temperature と組み合わせて使いますが、通常はどちらか一方を調整すれば十分です。API利用時に意識する程度で構いません。

コンテキストウィンドウ

LLMが1回の会話で処理できるトークン数の上限を「コンテキストウィンドウ」と呼びます。入力(プロンプト)と出力(回答)の合計がこの枠に収まる必要があります。

コンテキストが大きいモデルほど、長い文書をまるごと渡して分析できます。100ページ超のPDFを分割せず投入したり、複数ファイルを一度に比較したりといった使い方が現実的になります。ただし、ウィンドウが大きくてもモデルが本当に全体を均等に「読んでいる」とは限りません。重要な情報はプロンプトの冒頭か末尾に置くのが実務上のコツです。

ハルシネーション(幻覚)

LLMは「次にもっともらしい単語」を出力するだけなので、事実に基づかない内容を自信満々に生成します。これをハルシネーション(Hallucination)と呼びます。

ハルシネーションが起きやすい場面

• 固有名詞を含む事実確認 -- 人名、日付、統計データ
• 最新の情報 -- カットオフ以降の出来事を知らないのに答える
• 数値計算 -- LLMは計算が根本的に苦手
• URL/DOI生成 -- 存在しないリンクをもっともらしく作る
• コード生成 -- 存在しないライブラリやAPIメソッドを使う

知識のカットオフ

各モデルには「学習データの最終時点(カットオフ)」があり、それ以降の出来事は知りません。

パラメータ数とモデルサイズ

LLMの「大きさ」はパラメータ数で表します。GPT-4は推定1兆超、Llama 3.3は700億。パラメータが多いほど表現力は高まりますが、「大きい=優秀」とは限りません。学習データの質、チューニング手法、推論時の工夫が性能を左右します。小さいモデルでも特定タスクに特化すれば大型に匹敵する場面が増えています。

トレンドキャッチアップ 2026

生成AIの進化は月単位で景色が変わります。2022年末にChatGPTが登場してからわずか3年半。モデル能力、ツール、働き方のすべてが書き換わりました。

%%{init:{'theme':'dark','themeVariables':{'primaryColor':'#00A5BF','primaryBorderColor':'#007A8F','primaryTextColor':'#e8e8e8','lineColor':'#00A5BF','secondaryColor':'#1a1a1a','background':'#141414','mainBkg':'#1a1a1a','nodeBorder':'#00A5BF'}}}%%
timeline
  title 生成AIモデルの進化 2022-2026
  2022-11 : ChatGPT登場
  2023-03 : GPT-4 / Claude 1.0
  2023-12 : Gemini 1.0
  2024-05 : GPT-4o / Claude 3.5 Sonnet
  2024-11 : MCP発表
  2025-06 : Claude 4 / GPT-5 / Gemini 2.5
  2026-01 : Claude Code / Codex CLI普及

2026年の5大トレンド

オープンソースLLMの台頭

Llama、Mistral、Qwenなどは商用モデルに迫る性能を無料で提供。ファインチューニングで特定業務に特化したAI構築が可能です。

Reasoningモデル(o1, o3, o4-mini 等)

通常のLLMは入力に対して即座にトークンを生成しますが、Reasoningモデルは回答前に「内部で思考する時間」を使います。数学の難問を解くとき、人間が紙に途中式を書きながら考えるのと似た動きです。OpenAIのo1/o3系列やClaudeの拡張思考がこのカテゴリにあたります。

通常のLLMが苦手とする複雑な数学、多段階のコーディング、論理パズル、法律文書の精密な分析で威力を発揮します。その代わり応答に時間がかかり、トークン消費も多くなります。日常的なメール下書きや要約には通常モデルで十分で、使い分けが鍵になります。

Tips: トレンド情報の追い方

• OpenAI Blog / Anthropic News / Google AI Blog
• Open LLM Leaderboard でモデル性能を比較
• Perplexityで「今週のAIニュース」と週次サマリ生成が効率的

Perplexity (perplexity.ai) は検索統合型AIツール。最新情報の調査に強い

主要ツール比較と選び方

2026年4月現在、実務で使われる生成AIツールは大きく6系統。目的に応じた使い分けが重要です。

ChatGPT

ChatGPT (chat.openai.com) のホーム画面

生成AIブームの火付け役。Web検索、画像生成(DALL-E)、Code Interpreter、GPTs(カスタムAI)など機能の幅が最も広く、プラグインエコシステムも充実しています。迷ったらまずここから始めるのが定石です。

Gemini

Gemini (gemini.google.com) のUI画面

Google Workspaceとの統合が最大の強み。Gmail、Docs、Sheets、Slides内から直接AIを呼び出せます。1Mトークンのコンテキストウィンドウにより超長文の処理でも他を圧倒します。Deep Researchモードでは自動でWeb調査レポートを生成する機能も備えています。

Claude Code -- ターミナルベースの開発エージェント

Claude Codeはターミナル上で動作するAI開発ツールです。ファイルの読み書き、コマンド実行、Git操作をAIが自律的に行います。CLAUDE.mdによるプロジェクト設定やMCPによる外部ツール連携など、コンテキストエンジニアリングの実践に最適なツールです。C04で詳しく扱います。

Codex CLI -- OpenAIのCLIエージェント

Codex CLIはOpenAIが提供するターミナルベースのコーディングエージェントです。Claude Codeと同様の位置づけで、ファイル操作やコード生成を自律実行します。OpenAIのAPIを利用し、AGENTS.mdでプロジェクト設定を管理します。C06で詳しく扱います。

%%{init:{'theme':'dark','themeVariables':{'primaryColor':'#00A5BF','primaryBorderColor':'#007A8F','primaryTextColor':'#e8e8e8','lineColor':'#00A5BF','secondaryColor':'#1a1a1a','background':'#141414','mainBkg':'#1a1a1a','nodeBorder':'#00A5BF'}}}%%
flowchart TD
  START["何をしたい?"] --> Q1{"コードを書く?"}
  Q1 -->|Yes| Q2{"IDE上で補完?"}
  Q1 -->|No| Q3{"Workspace利用?"}
  Q2 -->|Yes| COPILOT["GitHub Copilot"]
  Q2 -->|No, CLIで| Q4{"好み / ポリシー"}
  Q4 -->|Anthropic| CCODE["Claude Code"]
  Q4 -->|OpenAI| CODEX["Codex CLI"]
  Q3 -->|Yes| GEMINI["Gemini"]
  Q3 -->|No| Q5{"長文分析?"}
  Q5 -->|Yes| CLAUDE["Claude"]
  Q5 -->|汎用| CHATGPT["ChatGPT"]

企業導入時のチェックポイント

プロンプトの基本

プロンプトとは、AIに渡す指示文のことです。同じツールでも書き方で出力品質は劇的に変わります。即使える3つの型と構造化出力を紹介します。

型1: 役割指定 + タスク + 制約

型2: Few-shot(例示付き)

型3: Chain of Thought(段階的思考)

「ステップバイステップで考えて」と指示するだけで推論精度が上がります(Google Brain, 2022)。

構造化出力の指定

ネガティブプロンプトの効果と注意点

「箇条書きにしないでください」「英語を使わないでください」のように、やってほしくないことを指定するテクニックをネガティブプロンプトと呼びます。画像生成AIでは特に定着している手法ですが、テキスト生成でも一定の効果があります。

ただし注意点があります。LLMは「否定」の処理が苦手な場合があり、「赤について言及しないでください」と書くと逆に赤を意識してしまうことがあります。実務では「〜しないで」より「〜の形式で出力して」とポジティブに書き換える方が安定します。ネガティブプロンプトはポジティブ指示で制御しきれない場合の補助として使ってください。

やりがちな失敗パターン

ビジネス活用パターン

生成AIのビジネス活用は「魔法」ではなく「型」の組み合わせです。使用頻度の高い6パターンをプロンプト付きで紹介します。

パターン1: 文書作成・下書き

パターン2: 要約

パターン3: データ分析

CSV/Excelの傾向分析、異常値検出。ChatGPT Code Interpreter、Claude Artifacts、Gemini Sheetsが対応。ファイルを添付して「傾向分析してグラフ付きレポートを」と依頼するだけです。

パターン4: 翻訳・文体変換

単純翻訳だけでなく「技術文書を非エンジニアにわかる日本語に」「社内メモをプレスリリース調に」といった文体変換も得意です。

パターン5: コードレビュー・デバッグ

パターン別 効果測定の目安

AIを導入したら「どれだけ効果が出たか」を数値で示す必要があります。パターンごとの測定指標と、実際の導入事例で報告されている目安をまとめます。

パターン6: アイデア出し・壁打ち

セキュリティ/ガバナンス基礎

生成AIを安全に使うために、4つのリスク領域を理解する必要があります。ツールが何であれ共通です。

%%{init:{'theme':'dark','themeVariables':{'primaryColor':'#00A5BF','primaryBorderColor':'#007A8F','primaryTextColor':'#e8e8e8','lineColor':'#00A5BF','secondaryColor':'#1a1a1a','background':'#141414','mainBkg':'#1a1a1a','nodeBorder':'#00A5BF'}}}%%
mindmap
  root((生成AI
4大リスク))
    ハルシネーション
      架空の事実を生成
      対策: 一次情報で検証
    インジェクション
      悪意ある指示の注入
      対策: 入力バリデーション
    著作権 / 知財
      生成物の権利が曖昧
      対策: 利用規約確認
    情報漏えい
      機密データの入力
      対策: 有料プラン + ルール

リスク1: ハルシネーション

業務では「AIの出力は優秀なインターンの下書き」という前提を共有してください。社外公開文書、数値レポート、法的判断は二重チェック必須。

リスク2: プロンプトインジェクション

リスク3: 著作権・知財

AIの生成物の著作権は法的にグレーゾーン。日本の文化庁は 「AIと著作権に関する考え方」 を公表しています。商用利用時は利用規約を必ず確認。

リスク4: 情報漏えい

データ分類の4段階

AI利用の可否を判断するには、まず社内データを分類する基準が必要です。多くの企業で採用されている4段階分類を紹介します。

各AIツールのデータポリシー比較

無料版と有料版で「入力データが学習に使われるか」が大きく異なります。企業利用では有料プランが前提です。

社内ガイドライン設計の出発点

1. 使って良いツール/プランの明示 -- 「ChatGPT Team以上。無料版は業務利用禁止」等
2. 入力情報の境界線 -- 上記NGリスト + グレーゾーンの判断基準
3. AI生成物の社外公開レビュー -- 「上長レビュー必須」等のフロー

生成AI資格ロードマップ

生成AIの知識を証明する資格が増えています。学習のペースメーカーとして活用してください。資格取得を強制するものではございません。

%%{init:{'theme':'dark','themeVariables':{'primaryColor':'#00A5BF','primaryBorderColor':'#007A8F','primaryTextColor':'#e8e8e8','lineColor':'#00A5BF','secondaryColor':'#1a1a1a','background':'#141414','mainBkg':'#1a1a1a','nodeBorder':'#00A5BF'}}}%%
graph TD
  START["自分の立場は?"] --> BIZ{"ビジネス職"}
  START --> ENG{"エンジニア"}
  BIZ --> P1["生成AIパスポート"]
  P1 --> P2["G検定"]
  ENG --> E1["AWS AI Practitioner
or G検定"]
  E1 --> E2["E資格 or
クラウドAI資格"]

総合ハンズオン1: 業務改善提案書をAIで作成

Section 01〜07で学んだ知識を総動員し、実務で使える「AI活用による業務改善提案書」を完成させます。この提案書は研修後にそのまま上司やチームに提出できる品質を目指してください。

%%{init:{'theme':'dark','themeVariables':{'primaryColor':'#00A5BF','primaryBorderColor':'#007A8F','primaryTextColor':'#e8e8e8','lineColor':'#00A5BF','secondaryColor':'#1a1a1a','background':'#141414','mainBkg':'#1a1a1a','nodeBorder':'#00A5BF'}}}%%
graph LR
  S1["Step 1
業務選定"] --> S2["Step 2
AI生成"]
  S2 --> S3["Step 3
リスク評価"]
  S3 --> S4["Step 4
人間レビュー"]
  S4 --> DONE["完成"]

総合ハンズオン2: カスタムAIアシスタントを構築する

Claude ProjectsまたはChatGPT GPTsを使い、自分の業務に特化したカスタムAIアシスタントを構築します。研修後も日常業務で使い続けられる「自分専用AI」を持ち帰ることがゴールです。

%%{init:{'theme':'dark','themeVariables':{'primaryColor':'#00A5BF','primaryBorderColor':'#007A8F','primaryTextColor':'#e8e8e8','lineColor':'#00A5BF','secondaryColor':'#1a1a1a','background':'#141414','mainBkg':'#1a1a1a','nodeBorder':'#00A5BF'}}}%%
graph LR
  S1["Step 1
業務選定"] --> S2["Step 2
指示書作成"]
  S2 --> S3["Step 3
ナレッジ追加"]
  S3 --> S4["Step 4
テスト改善"]
  S4 --> S5["Step 5
運用ルール"]

Claude Projects と ChatGPT GPTs の違い