もっと野心的であれ：モデルを使いこなす人のためのチュートリアル

私は Claude を作っている。これはなかなか面白い体験だ。毎日のように、自分では思いつかなかったこと、不可能だと思っていたこと、あるいは単に好奇心や時間が足りなくて試さなかったことを Claude がやってのけるのを目にする。今月は新しい惑星の発見を手伝ったかもしれないし、心から気に入った初めての AI ミュージックビデオを見たし、数学の新時代についても議論している。モデルの能力は均等に伸びているわけではない。Terence Tao の言葉を借りれば、モデルは「ある方向では驚異的で、別の方向では物足りない」。その驚異的な能力を使いこなしている人たちは、飛んでいるように見える——自分が作った製品で誰かが信じられない高みに達するのを見るのは、癖になる。一方で、まだ多くが新しい翼の動かし方に苦労していて、「フランスの首都はどこ」とか「このメールをもう少し怒ってない感じにできる」以外に何ができるのか、手探りしている。私はよく（他の AI 関係者と一緒に）、もっと野心的に使うべきだと言っている。もはやスローガンだ。何かすごいものを見るたびに、リポストして「我々はまだ野心が足りない」と書く。**この助言を実行するのがどれほど難しいか分かっているので、どうすればもっと野心的になれるかのチュートリアルを書く。**野心を4つに分ける：速度、高さ、深さ、広さだ。

速度： 同じ仕事をより短い時間で。これが AI の経済的価値の基本だ。コードを書く必要があるなら、私が Claude を使う方が速い。これはすでに確立していて、AI の使い方に創造性もそれほど要らないので、飛ばす。
高さ： 抽象度を上げ、個々のタスクではなく結果を考える。
深さ： その分野の一流専門家のようにタスクを見る。タスクそのもののレベルにとどまらず、一層下りて、土台にあるデータ、ツール、問題に触れる。
広さ： タスクが表面上必要とする分野だけでなく、複数の分野を動員し、普段なら使わない知識、ツール、手法を引っ張り出す。

私は主に Claude を使っている（当たり前だが）が、以下の助言は特定のモデルに限らない。

高さ

私たちはよくこれを「モデルにもっと高い抽象度で働かせる」と軽く呼んでいる。モデルにタスクを渡すと、それは目標達成のためのあなたの最善の推測を実行する。もう少し高く立ちたいなら、まず自分に問いかけよう——この後、何が起きてほしいのか？ 目標のさらに向こうにある目標は何か？昨年の初め、私はまだ Claude に個別のクラッシュを一つずつ直してもらっていた。その後、アプリがクラッシュしないことを保証してもらうようにした。日常的な（退屈とさえ言える？）オフィスタスクを見てみよう。あなたは Acme Inc という架空の会社にいて、四半期業務レビュー（QBR）用のプレゼン資料が必要だ。データを渡せば、Claude は喜んでスライドを何枚か作ってくれる。テンプレートがあれば、そこに埋めるだけかもしれない。_ _これでは新しい惑星の発見にはとても及ばないので、やり方をもっと野心的にする具体的なステップをいくつか見ていこう。一番基本から始めて、各ステップをより大胆にしていく：

入力として、ほとんどのレビューが知りたいのは、この四半期に何が変わり、なぜ変わり、どうすべきかだ。テンプレートの数字を更新する前に、手に入るデータをできるだけモデルに食わせて、ビジネスを理解させる：「この四半期に何が変わり、なぜ変わり、我々はどうすべきか教えてくれ」。
会議は（少なくとも良い会議は）何らかの決定で締めくくるのが一番だ。Claude に聞く：「把握したすべてを踏まえて、最も緊急な決定を3つ判断し、それぞれについて考えられる方向を、賛成・反対の理由付きで起草し始めてくれ」。
QBR は、良いレビューには人がデータを丹念に調べ、その意味を理解し、ビジネスを軌道修正すべきか判断する必要があった時代に生まれた。Claude に聞く：「レビューの存在意義は、経営陣が問題を早く見つけ、人と金を正しい場所に動かせるようにすることだ。四半期プレゼンより優れたやり方を設計し、我々自身の履歴でそれがより早く問題を見つけられることを示し、既存のやり方と並行して一四半期走らせてくれ」。

高さの路線は、本当に何らかの究極の成果を追っている場面に最も向いていて、クリエイティブな仕事にはあまり向かない。高さにおいて野心を追求できるかを見極める良いシグナルは、目の前の仕事を議論するためにわざわざ会議を開くかどうかだ。今なお限界はある（2026年、「Claude、稼いでこい」という一言自体はほとんどの企業では効かないようだ）が、総じてモデルの能力が高いほど、より高い抽象度で動ける。高さは、人を持続的なワークフローへと導く場所でもある——人をループから外し、モデルにタスクを次々と投げ続けなくて済むようにするワークフローだ。これをうまくやるには、ワークフロー自体を変える必要がよくある——Claude にアプリがクラッシュしないことを保証してもらうために、まずクラッシュレポートを簡単に取得できるようにし、どのアプリバージョンがどの git commit に対応するかを理解させ、Windows、macOS、Linux マシンへのアクセスを与えて、実際に独立して修正を再現・検証できるようにした。

深さ

ただ一つのタスクを極めてうまく実行したいだけのこともある。深さにおいて野心を追求するとは、その分野の一流プロが使うツール、技術、媒体、知識をモデルに使わせるよう促し、そうしたプロたちでさえあなたの成果から何か新しいことを学びうるまで、押し続けることだ。

引き続き Acme Inc の四半期業務レビューのプレゼンを例にしよう。Acme Inc がユーザー離脱（時間とともに顧客が去っていくこと）に直面していると仮定する。私は以下のテクニックの組み合わせが役立つと分かった：

業界の一流と同じツールにこだわる： プロのように振る舞うよう求められても、モデルはしばしば語彙だけを変えて、手法は変えない。我々の問題を深く解くには、一流のデータサイエンティストや統計学者が使うのと同じツールを使う必要がある。Claude が markdown の表に手を伸ばしたら、データベースと統計モデルを使うよう強く求める。専門家が何を使うかは必ずしも知らなくていい。Claude はたいてい知っている。
不合理な目標を選び、それが十分合理的だとモデルに告げる： サイトの読み込み時間を10秒から5秒に短縮したい？なら200ミリ秒を要求する。モデルにとって不可能に思えること？解決は十分可能で、ただ押し進め続ける必要があるだけだと繰り返し強調する。
自分が知っていることに挑む： 特にビジネスの領域では、我々が真だと信じていることの多くは、現実の粗い近似にすぎない。モデルを生の情報とデータに触れさせ、さまざまな仮説を敵対的に検証するよう求める。「離脱はオンボーディングフローの問題だと考えている。生データからこれを再現してみてくれ」。
新しい知識を生み出す： これは「知っていることに挑む」の後に簡単につながる——Claude がすでにデータへ深く入り込んだら、盲点を見つけさせる。「我々のログをもとに顧客シミュレーションを構築し、過去一年を再現してくれ。そのうえで、我々がまだ知らない最も早い離脱シグナルを見つけ、それが未見のデータで予測できることを示してくれ」。
外部の評価者を使う： モデルに_自分自身を評価させる_のはやめる。この問題は最終的にモデルの知能が上がれば解決すると想定しているが、2026年10月時点では外部検証にこだわってほしい。理想的には、モデルがすぐ実行してフィードバックを得られるツールがいい。

シンプルだがよく効くプロンプト：

このタスクは、大きくするのではなく深くしてほしい。書き換える前に、四つのことをしてほしい：(1) この領域の一流の専門家ならここで何をするか、しかも私が頼んでいないことを挙げてほしい。(2) 彼らならどんな最も原初的な素材から始めるか、誰かがすでに私のために消化済みのものではなく。(3) 彼らならどんな具体的な手法とツールを使うか。(4) あなたや私以外に、結果が正しいことを何が証明できるか。そのうえで、これらの要件に沿って私のプロンプトを書き換えてほしい。

広さ

手短に言えば、広さに野心を持つとは、自分の仕事を異なる領域の視点から見ることだ。過去にそうするのが割に合ったときよりも、多くの領域を巻き込む。目新しい洞察ではない。どの強盗映画も最初の30分で、それぞれ得意分野を持つ仲間を集める。AIプロダクトがマルチエージェントシステム（複数スレッド、オーケストレーター、あるいは単にサブエージェント）をどんどん走らせやすくするなかで、私はClaudeに多くの領域を持ち込ませて、面白い結果を何度も見てきた。

実践は簡単ではない。創造力が要る。同僚のAlex AlbertがBlenderでインテリアデザインをレンダリングするのを見るまで、Claudeで自分のホームページの3D環境を作ろうなんて思いつきもしなかった——昔はビデオゲームを作っていたのに。だが、まさにここで最も不思議なことが起きるのを私は見てきた。

では、具体的にどうやるか。私は次の手を使っている：

名詞を動詞に置き換えてみる： Tom KelleyとJonathan Littmanが_The Art of Innovation_で挙げた古い手だ。四半期レビューは「一枚のデック」ではなく、「30分で忙しい人たちの集まりに因果の物語を信じさせ、不確実ななかで決断させること」だ。動詞があれば、私にもClaudeにも、どの領域が独自で有用な視点をもたらすかが見えやすくなる。
チームを組む： このデックは見事でなければならない。さもなければ宇宙人が地球を爆破する。人間ならどんなチームを揃えるだろう？　制作の質のためなら、アナリスト、ジャーナリスト、エディターを引っ張ってくる。壇上で話すなら、モーションデザイナーとオーディオデザイナーも要るだろう。対抗的な「レッドチーム」を雇うのも役に立ちそうだ。なら空売り屋と法務会計士も追加だ。

人はついロールプレイに滑り込み、トランスクリプトは奇妙になるのに、実際の結果には何の役にも立たない。フィールドと技法を見つけるには、次のやり方を使う。モデルに空売り屋のように_書け_と頼むのではなく、空売り屋が_する_ことを——自分のポジションを調べさせよ。

ここで述べたどの野心も、ソフトウェアを入れられ、関連するあらゆるデータにアクセスできるコンピュータをモデルが持つことを前提にしている（MCPコネクタでも何でもいい）。それができるツールはいくつもある。どれか一つ選んで使うといい。

これは我々が経験済みのことだ

ここまでが、より野心的になるための具体的な提案だ。もう少し付き合ってくれるなら、なぜこれ自体が必要だと思うのかを話したい。

人間は、自分が何を可能だと信じるかにずっと縛られてきた——さらに悪いことに、たいていは自分の狭い領域でしか自分を信じない。ミケランジェロはシスティーナ礼拝堂を描きたくなかった。彼は彫刻家であって、画家ではなかった。

野心という問題を調べていて、心理学にこれの呼び名があることを知った：自己効力感。簡単に言えば、自己効力感が高い人は自分の能力をより信じ、そのぶん実際に成し遂げることも多い。自己効力感は「ハック」できるという証拠がある。LockeとLathamは35年にわたる目標設定理論の研究を整理し、具体的で困難な目標を与えられた人は、ただ最善を尽くせと言われた人より成績が良いと結論づけた。Stripe創業者のPatrick Collisonは、大胆な目標と切迫した期限の両方があったときに人類が成し遂げた数々のことを記録した「Fast」リストを維持している。よく知られた「黒い手」がいくつかある：

可能だと信じることで難事を成す： 1939年、George DantzigはBerkeleyの統計学の授業に遅刻し、黒板の二問を書き写して宿題として提出した。それは統計学の未解決問題だった。
他人が成すのを見ることで難事を成す： 人類は4分の1マイルを何十年も追いかけた。Roger Bannisterが1954年5月に4分を切ったが、唯一の達成者としての地位は46日しか持たなかった。マラソンを走るなら、似たことが2時間で起きるのを我々は見ている。今年4月、Sabastian Saweはロンドンで公式認定としては初のsub-twoマラソンを走った。同じレースで2位も2時間を切った。
失敗を許すことで難事を成す： みんなの好きなビジネス書は_The Inner Game of Tennis_らしい。私は先週それを見つけた。この本の中心的な主張は、本当に、本当に懸命にやればやるほど、かえって最高のテニスはできない、というものだ。エンジニアならLinuxを覚えているだろう。公開時の触れ込みは「ただの趣味で、gnuのように大きくプロフェッショナルにはならない」だった。

自己効力感は新しい話題ではないが、今日では影響がより大きい。能力が数週間ごとに跳ね上がる世界では、もともと真剣に考えもしなかったし、可能だとも信じていなかったことを成し遂げるための方法が要る。もっと野心的になれる方法を見つけたら、教えてほしい！　アイキャッチ画像はFrancisco Goyaの《Modo de volar》（飛ぶ方法）より。