MODULE 01BASIC / 30 MIN
生成AIと大規模言語モデルの基礎
AIが文章を生成する仕組み、得意・不得意、従来型システムとの違いを理解します。
- 機械学習・生成AI・LLM
- トークンとコンテキスト
- ハルシネーション
Learn AI
経営と実務のためのAI学習
Learning Concept
AIを「使える」から、仕組みを理解し、設計し、評価できるへ。
Learning Path
基礎から経営実装まで、6つのモジュール。
経営者、事業責任者、変革リーダーが、技術者との共通言語を持ち、AI活用を判断するための学習テーマです。
MODULE 02BASIC / 40 MIN
プロンプトとコンテキスト設計
指示文の工夫だけでなく、役割、制約、例、参照情報を含む仕事の設計として学びます。
- 指示・文脈・出力形式
- Few-shotと構造化出力
- 再利用できるテンプレート
MODULE 03APPLIED / 45 MIN
RAGと企業データの活用
社内文書を検索し、根拠に基づいて回答するRAGの構成と、品質を左右する要素を学びます。
- Embeddingとベクトル検索
- 検索・生成・引用
- アクセス権とデータ品質
MODULE 04APPLIED / 50 MIN
AIエージェントと業務設計
AIがツールを使い、複数ステップの業務を進める仕組みと、人による監督の設計を理解します。
- 計画・ツール利用・メモリ
- ワークフローとエージェント
- Human in the Loop
MODULE 05ADVANCED / 45 MIN
評価・セキュリティ・ガバナンス
AIの品質を継続的に測り、誤回答、情報漏えい、プロンプトインジェクション等を管理します。
- 評価データとEvals
- 安全性・堅牢性・監視
- AIリスク分類とログ
MODULE 06EXECUTIVE / 40 MIN
AI経営戦略と変革ロードマップ
ユースケースの選定、投資判断、組織能力、KPIをつなぎ、実装可能な変革計画を組み立てます。
- 価値×実現性の優先順位
- Build / Buy / Partner
- 成果指標と推進体制
01BASIC / 30 MIN
生成AIと大規模言語モデルの基礎
生成AIは「正解を検索するデータベース」ではありません。大量のデータから学習したパターンをもとに、文脈に続く情報を確率的に生成する技術です。
LLMの基本原理得意・不得意ハルシネーション
AI、機械学習、生成AIの関係
AIは、人の知的活動をコンピューターで実現する技術の総称です。機械学習はデータから規則を学び、生成AIは学習したパターンを使って文章・画像・音声など新しいコンテンツを作ります。
AI最も広い概念推論、認識、最適化など
ML機械学習データから規則を学ぶ
GEN AI生成AI新しい内容を生成する
LLMは次のトークンを予測する
文章は「トークン」と呼ばれる小さな単位に分けられます。LLMは与えられた文脈から、次に来る可能性が高いトークンを順番に選び、回答を組み立てます。
そのため自然な文章を作る一方、事実性を保証する仕組みではありません。もっともらしい誤情報を生成する現象をハルシネーションと呼びます。
得意な仕事、注意が必要な仕事
- 要約、分類、抽出、翻訳、文章の下書き
- アイデア展開、比較軸の作成、対話型の壁打ち
- 最新情報や正確な数値は、参照元による確認が必要
- 法務・医療・採用など高リスク判断は、人のレビューが必須
回答を「成果物」ではなく「下書き」として扱う
AI出力の信頼度は、質問、与えた情報、対象領域によって変わります。重要な業務では、根拠の提示、別手段での検証、専門家の承認をプロセスに含めます。
確認問題：LLMの回答が自然でも、事実とは限らないのはなぜですか？
LLMは事実をデータベースから取得しているのではなく、文脈に続く可能性の高い言葉を生成しているためです。
02BASIC / 40 MIN
プロンプトとコンテキスト設計
良いプロンプトは、魔法の言い回しではありません。人に仕事を依頼するときと同様に、目的、前提、材料、制約、完成条件を明確にする仕事の設計図です。
依頼の構造化Few-shot出力形式
再現性を高める5つの要素
01目的・役割何のために、誰として行うか
02入力・背景判断に必要な材料と文脈
03制約・出力禁止事項、形式、品質基準
役割：あなたはBtoB事業の戦略コンサルタントです。
目的：経営会議で検討する市場参入案を整理してください。
入力：以下の顧客調査と競合情報を使用してください。
制約：入力にない数値は推測せず、不明と明記してください。
出力：結論、根拠、リスク、次のアクションを表形式で提示してください。
例を見せるFew-shot
求める回答の例を1〜3件示すと、分類基準、文体、粒度、形式を言葉だけで説明するより安定します。特に社内固有の用語や判断基準に有効です。
ただし、例に偏りがあると出力も偏ります。正例だけでなく、境界事例や望ましくない例も含めます。
業務テンプレートの品質確認
- 目的と利用者が一文で説明されている
- 参照すべき情報と参照してはいけない情報が明確
- 出力形式と合格条件が定義されている
- 人が確認すべき箇所が指定されている
確認問題：長いプロンプトほど良いのでしょうか？
いいえ。必要な情報が明確で矛盾がないことが重要です。不要な指示は優先順位を曖昧にし、品質を下げる場合があります。
03APPLIED / 45 MIN
RAGと企業データの活用
RAGは、質問に関連する社内情報を検索し、その内容をLLMへ渡して回答させる仕組みです。モデルを再学習せず、更新される企業知識を活用できます。
検索と生成データ品質権限管理
RAGの基本フロー
SEARCH関連文書を探す質問をもとに社内情報を検索
GROUND根拠を渡す必要な部分をLLMの文脈へ追加
GENERATE回答と引用を作る根拠の範囲内で回答を生成
モデルより検索品質が効く
正しい文書が検索されなければ、優れたモデルでも正しい回答はできません。文書の分割方法、タイトルや日付などのメタデータ、同義語、情報の鮮度を整える必要があります。
- 最新版と旧版を識別できる
- 回答に参照文書と該当箇所を表示する
- 検索できなかった場合は「不明」と答える
見えてはいけない情報を検索させない
RAGは社内情報への入口になります。元文書の閲覧権限を検索結果にも反映し、部署、役職、案件ごとのアクセス制御を維持することが重要です。
確認問題：RAGとファインチューニングの主な違いは？
RAGは外部情報を検索して回答時に参照します。ファインチューニングはモデルの振る舞いや特定パターンを追加学習で調整します。最新知識の参照には一般にRAGが適しています。
04APPLIED / 50 MIN
AIエージェントと業務設計
AIエージェントは、回答するだけでなく、目標を受け取り、必要な手順を選び、ツールを使って結果を確認します。価値は自律性の高さではなく、業務を安全に完了できることです。
計画とツールワークフロー人の監督
観察・判断・実行・確認のループ
OBSERVE状況を理解する依頼、データ、現在状態を取得
ACTツールを実行する検索、計算、更新、連絡など
VERIFY結果を確認する成功条件と照合し次を判断
まず固定ワークフローから始める
手順が明確な業務は、AIに自由な計画を任せるより、決められた工程の一部をAI化する方が安定します。例外が多く手順を事前定義できない部分に、限定的なエージェント判断を使います。
例：問い合わせ対応
1. 内容を分類する
2. 顧客情報と規程を検索する
3. 回答案を作成する
4. 高リスク案件は担当者へ回す
5. 承認後に送信する
権限と停止条件を設計する
- 読み取りと書き込みの権限を分離する
- 金銭・契約・外部送信は人が承認する
- 実行回数、金額、時間に上限を設ける
- すべての判断とツール操作を記録する
確認問題：自律性が高いほど優れたエージェントですか？
いいえ。業務要件に必要な範囲で自律性を限定し、予測可能性、監査可能性、人の介入可能性を保つことが重要です。
05ADVANCED / 45 MIN
評価・セキュリティ・ガバナンス
AIは同じ入力でも出力が変わる可能性があります。そのため、リリース前のテストだけでなく、運用中の評価、監視、改善を含むライフサイクル管理が必要です。
EvalsAIセキュリティリスク管理
良い回答を測れる形にする
評価項目は用途によって異なります。正確性、根拠との整合、形式遵守、回答不能時の挙動、処理時間、コストなどを定義し、実際の業務例から評価データを作ります。
- 正常ケースだけでなく難しいケースを含める
- モデル変更時に同じ評価を再実行する
- 利用者の修正・差し戻しを改善データにする
入力を命令として信用しない
外部文書やWebページに、AIの指示を乗っ取る文章が埋め込まれるプロンプトインジェクションがあります。取得情報は「参考データ」であり、システムの指示より優先させない設計が必要です。
機密情報のマスキング、出力フィルター、ツールの許可リスト、最小権限を組み合わせます。
リスクに応じて統制の強さを変える
LOW文章の下書き利用者確認、基本ログ
MEDIUM社内判断の支援根拠表示、定期評価、責任者
HIGH権利・安全への影響専門審査、人の最終判断、厳格な監査
確認問題：AIガバナンスは利用を制限するためだけのものですか？
いいえ。許容できる条件と責任を明確にし、組織が安心してAI活用を拡大するための仕組みです。
06EXECUTIVE / 40 MIN
AI経営戦略と変革ロードマップ
AI戦略はツールの導入計画ではありません。どの顧客価値、競争優位、経営能力を変えるかを定め、業務・データ・技術・人材への投資を一つのロードマップにします。
ユースケース選定投資判断変革KPI
価値と実現性で優先順位をつける
「AIでできること」ではなく、重要な経営課題から候補を出します。売上、コスト、速度、品質、リスクへの効果と、データ、技術、業務変更、規制の実現性を評価します。
- 経営KPIへの影響を説明できる
- 対象業務の責任者が参画している
- 必要データと現状品質を把握している
- 導入後の業務変更まで計画している
Build / Buy / Partnerを選ぶ
差別化につながらない共通機能は既製サービスを活用し、自社固有のデータ・業務・顧客体験に関わる部分へ設計能力を集中します。単一モデルやベンダーへの依存も評価します。
BUY：議事録、翻訳、一般的な文書支援
PARTNER：業界固有の業務変革、短期の専門能力補完
BUILD：競争優位となる独自データ・ワークフロー
90日で検証し、能力を積み上げる
0–30 DAYS課題と基準を定義責任者、KPI、リスク、現状値
31–60 DAYS小さく実装・評価実データ、利用者、比較テスト
61–90 DAYS業務へ統合教育、運用、監視、拡張判断
確認問題：PoC成功後に全社展開が進まない主な理由は？
技術検証だけを行い、業務責任、データ整備、システム接続、リスク管理、人材育成、効果測定を同時に設計していないことが主な要因です。
Essential Glossary
まず押さえたいAI用語。
- LLM
- 大量のテキストから言語のパターンを学習し、文章の理解・生成を行う大規模言語モデル。
- RAG
- 外部の文書やデータを検索し、その情報を根拠として回答を生成する仕組み。
- AI Agent
- 目標に応じて手順を考え、ツールやシステムを利用しながらタスクを遂行するAI。
- Multimodal
- テキスト、画像、音声、動画など複数形式の情報を統合して扱う能力。
- Fine-tuning
- 既存モデルを特定のデータで追加学習し、用途や振る舞いに適応させる手法。
- Evals
- 正確性、安全性、形式遵守など、AIシステムの品質を継続的に測る評価の仕組み。
For Organizations
組織の役割に合わせた、AI人材育成。
全社員向けの基礎リテラシー、管理職向けの業務変革、経営層向けのAI戦略、開発・リスク担当向けの実践研修など、役割別に学習内容を設計します。
研修について相談するAIを学び、組織の変革能力に変える。
自社の課題・対象者に合わせた学習プログラムをご提案します。