【新卒向け】生成AIとは？ChatGPTからClaude Codeまで

はじめに: AIは「隣の席」にいる

入社して最初の一週間で気づいたはずです。先輩は議事録の下書きをAIに書かせ、エラーメッセージをAIに貼り付けて調査し、プルリクエストのレビューコメントにはAIの指摘が混ざっている。生成AIはもう「未来の技術」ではなく、職場に置いてある道具です。

問題は、道具を使えることと、道具を理解していることは別だという点です。仕組みを知らないまま使うと、出力を過信して間違った情報を仕事に流し込むか、逆に怖くて触れないままになるか、どちらかに寄っていきます。

この記事のゴールは一つです。「AIはすごい」で止まらず、どういう仕組みで動いていて、だから何が得意で何が苦手なのかを自分の言葉で説明できるようになること。仕組みがわかれば、使いどころの判断は自分でできるようになります。

LLMの正体: 「次に来る語」を予測する機械

ChatGPTもClaudeも、中身は**大規模言語モデル（LLM: Large Language Model）**です。LLMがやっていることを一行で言うと、こうなります。

「この文脈の続きとして、次に来る確率が最も高い語は何か」を予測し続けている。

「今日の会議の議事録を」という入力の続きは、「作成します」かもしれないし「共有します」かもしれない。LLMは、インターネット上のテキストや書籍など膨大な文章を学習し、「どんな文脈の後に、どんな語がどれくらいの確率で続くか」という統計的なパターンを獲得しています。あなたが目にする長い回答も、この予測を一語ずつ繰り返して組み立てられたものです。

トークンという単位

正確には、LLMは「単語」ではなくトークンという単位でテキストを扱います。トークンは単語より少し細かい断片で、英語なら単語の一部、日本語なら1〜3文字程度になることが多く、「生成AI」のような一語が複数のトークンに分割されることもあります。

APIの料金がトークン数で決まる、長い文書を入れると「コンテキストの上限」に当たる、といった実務上の制約はすべてこの単位に由来します。まずは名前だけ覚えておいてください。

なぜ「確率の予測」で意味の通る文章が書けるのか

「次に来そうな語を選んでいるだけ」なら、支離滅裂な文になりそうなものです。そうならないのは、学習量が桁外れだからです。文法的に正しい続きは確率が高く、事実として自然な続きも確率が高く、論理の筋が通った続きも確率が高い。膨大なテキストを圧縮する過程で、文法・知識・推論のパターンが確率分布に織り込まれています。

だから「確率的に自然な続き」は、多くの場合「正しい続き」と一致します。**ただし、一致するのは「多くの場合」であって「常に」ではない。**この一行が、これ以降の話のすべての土台になります。

ここから、覚えておくべき性質が2つ導けます。

1. **LLMは検索エンジンではない。**データベースから答えを引いているのではなく、学習時に圧縮されたパターンから、文章をその場で生成している
2. **「知りません」と答えるより、「それらしい続き」を作る方向に力学が働く。**予測機械にとって、空白を自然に埋めることこそが本来の仕事だから

得意なこと: 仕組みから導く

LLMが得意なのは、「正解のパターンが学習データに大量に存在し、必要な情報が入力に含まれている」タスクです。

• 下書きの生成: ビジネスメール、議事録、設計書の骨子。「よくある形式」の再現は、パターン予測の得意分野そのもの
• 変換: 要約、翻訳、文体の調整、箇条書きから表への整形。必要な情報がすべて入力にあり、形を変えるだけなので、事実を「思い出す」必要がない
• 説明: コードの読解、エラーメッセージの解読。学習データに類例が大量にある
• コードの叩き台: プログラミング言語は自然言語より規則的でパターン学習に向くうえ、出力の正しさを実行とテストで機械的に検証できる

特に「変換」と「コード」は相性が良い。前者は答えの材料が入力に全部あるから外しにくく、後者は間違っていてもすぐ検証できるからです。

苦手なこと: これも仕組みから導く

• 最新情報: 学習データには「カットオフ」と呼ばれる収集終了時点があり、モデル単体はそれ以降の出来事を知りません。Web検索を組み合わせて補うサービスも多いですが、「モデルが知っている」のと「検索して読んだ」のは別物です
• 厳密な計算: LLMは計算装置ではなく、「計算結果としてありそうな文字列」を予測しています。桁数が少ないうちはパターンで正解できても、桁が増えると崩れます。計算はコードを書かせて実行させる方が確実です
• 事実の保証: 出力が正しいかどうかを自分で確かめる機構を、モデルは持っていません。流暢さと正しさは別の性質です
• ピンポイントな固有情報: マイナーなライブラリのAPI名、特定の論文タイトル、URL。学習データでの出現頻度が低い情報ほどパターンが薄く、「それらしい補完」で埋められやすくなります

ハルシネーション: なぜ起き、どう付き合うか

事実でないことを、事実であるかのように流暢に出力する現象をハルシネーションと呼びます。存在しない関数を自信満々に使うコード、実在しない書籍からの引用などが典型です。

なぜ起きるか

ここまで読んだ人には、もう説明がついているはずです。LLMは「次に来る確率が高い語」を出力し続ける機械であって、「自分の知識の欠落を検出して停止する」機械ではありません。「そのライブラリにどんな名前の関数がありそうか」というパターンは知っているので、実在を確認する手段がないまま、それらしい名前を生成してしまう。ハルシネーションは例外的なバグというより、この仕組みの副作用です。

どう付き合うか

各社の改善で頻度は下がり続けていますが、原理的にゼロにはなりません。だから「出ない」ことを祈るのではなく、「出る前提」で使い方を設計します。

• 検証できるタスクに使う: コードは実行とテストで確かめられる。逆に、自分が正誤を判断できない専門領域の事実確認には使わない
• 一次情報に当たる: ライブラリの使い方なら公式ドキュメント、社内仕様なら原本の設計書。AIの出力は「当たりをつける」ための下書きと考える
• 固有名詞・数値・引用はデフォルトで疑う: 上で見たとおり、そこが仕組み上の弱点だから

2026年のモデルの地図

個別のモデル名を暗記する必要はありませんが、「性能と速度・コストのトレードオフで階層化されている」という構図は知っておく価値があります。Anthropicの現行ラインナップ（Claude 5 ファミリー）を例に取ります。

モデル	位置づけ
Claude Fable 5	最上位。「Mythos-class」と呼ばれる新ティアで、従来最上位だったOpusのさらに上。最も難しい推論や長時間の自律的な作業向け
Claude Opus 4.8	高難度タスク向けの上位モデル
Claude Sonnet 5	性能と速度のバランス型。日常業務の主力
Claude Haiku 4.5	軽量・高速・低コスト。定型処理や大量処理向け

ここで大事なのは、「常に一番賢いモデルを使うのが正解」ではないことです。短いメールの下書きに最上位モデルを使うのは、近所のコンビニにトラックで行くようなもので、コストと応答時間の無駄になります。タスクの難度に合わせてモデルを選ぶ、という発想自体が実務スキルです。

開発者向けにはClaude Codeというエージェント型のコーディングツールがあり、CLI（ターミナル）のほか、デスクトップアプリ・Web版・IDE拡張から使えます。エディタの「補完」と違い、ファイルを読み、コードを書き、テストを実行して結果を確認するところまで自分で進めるのが特徴です。

OpenAI（ChatGPT）やGoogle、GitHub Copilotといった他社も、同様にモデルファミリーを更新し続けています。個別のバージョン名は数か月単位で変わるので、覚えるべきは名前ではなく「階層化」と「エージェント化」という構図の方です。

新卒が今日からやる3つのこと

1. 機密情報を入れない

顧客名、社内のソースコード、認証情報、個人情報。会社が契約している法人向けサービスと、個人で登録した無料サービスとでは、入力したデータの扱いが契約上まったく違います。どのツールに何を入れてよいかを自分の判断で決めず、まず社内ルールを確認してください。ルールが見当たらないなら、それを上長に聞くこと自体が正しい行動です。

2. 答えを検証してから使う

AIの出力をそのままコピペして提出しない。コードなら実行してテストを通す。事実なら一次情報に当たる。なぜそうすべきかは、ここまで読んだ人ならもう説明できるはずです。そしてレビューの場で「AIがそう言っていたので」は根拠になりません。出力を使った時点で、その内容の責任はあなたに移っています。

3. プロンプトに文脈を書く

LLMは「与えられた文脈の続き」を予測する機械です。つまり、文脈が薄ければ一般論しか返ってきません。

• 悪い例: 「お詫びメールを書いて」
• 良い例: 「取引先への納期延期のお詫びメールを書いてほしい。相手は一度目の延期は了承済みで、今回が二度目。原因は仕様変更で、新しい納期は8月末。過度にへりくだらない敬語で、300字以内」

目的・前提・制約・出力形式の4つを書く。この習慣は、そのまま「仕様を言語化する訓練」にもなります。

まとめ

• LLMは「次に来る確率が高いトークン」を予測する機械であり、得意も苦手もハルシネーションも、すべてこの一点から導ける
• 得意なのは、パターンが豊富で材料が入力に揃っているタスク。苦手なのは、最新情報・厳密な計算・事実の保証
• だから運用は「出力を検証する」前提で設計する。機密を入れない、検証してから使う、文脈を書く

道具の仕組みを説明できる人は、道具の使いどころを自分で判断できます。まずは今日の業務のどれか一つを、検証まで込みでAIに任せてみてください。