生成AIの最初の一歩。文化祭の案内を、下書きから確かな文章へ

まず5分で：AIを「下書き→比較→確認」の道具にする

一度で正解をもらうより、直せる下書きをつくろう。

「文化祭のお知らせをつくって」と頼むと、それらしい文章は出てきます。けれど、集合場所が勝手に足されていたら？ このガイドでは、架空の文化祭の情報から、初めて来る人に向けた短い案内をつくります。目的は、AIの文章をそのまま受け取ることではなく、何を任せ、何を自分で確かめるかを説明できることです。

完成例：その文章の「根拠」はどこ？

完成例の日時・受付・場所・持ち物を、左の材料へ一本ずつ線で結べます。ところが「入場無料」「予約不要」「雨天決行」は、材料にありません。自然な文章に見えても、足してよい情報ではありません。雨天対応が必要な案内なら、担当者に確認してから公開します。

初心者：AIに、材料とゴールを渡す

前提：コピーと貼り付けができれば十分です。試すなら、利用できる対話AIひとつと、個人情報を含まない短いメモを用意します。契約しない場合は、このページの例を紙で比べても同じ考え方を学べます。

まず、3つの言葉だけ

生成AI

文章・画像・音声などの出力を、入力と学習したパターンから組み立てる技術の総称。AI全体には、分類や予測などの用途もあります。

モデル

出力をつくる学習済みの仕組み。ChatGPTなどのアプリは、それに画面・検索・ファイルなどの機能を組み合わせています。使っているアプリ名とモデル名は同じとは限りません。

プロンプト

AIに渡す依頼や材料。長いほど良いのではなく、「何のために・何を使い・どんな形に」が伝わることが大切です。

最初の操作

1. 対話AIで新しい会話を開きます。画面名はサービスで異なります。
2. 下の依頼文を貼り付けます。実在の生徒名、連絡先、未公開の学校資料は入れず、まず架空の材料で試します。
3. 返ってきた案内と材料を並べます。日時・場所・持ち物に丸をつけ、材料と一致するか確認します。
4. 材料にない事実を見つけたら、その一文を指定して削除・修正を頼みます。
5. 最後は声に出して読みます。長さの条件は目安です。実際に30秒で読めるかは、自分の読み方で測ります。

文化祭に初めて来る人向けの、短い案内を書いてください。
目的：日時・受付・見どころ・持ち物が一読で分かること。
形式：やさしい言葉で3〜5文。読み上げ約30秒を目安にする。
材料に書かれた事実だけを使い、不明点は本文とは別に示してください。
無料・予約・雨天時の対応を推測しないでください。

【材料】
青葉祭は11月3日、10:00〜15:00。
会場は青葉中学校。受付は正門。
体育館で演劇、美術室で作品展示。
上履きを持参。
雨天時の対応は、まだ決まっていない。

この方法は、依頼・材料・出力形式を区切って伝えるための編集上の提案です。特定の言い回しを入れれば誤りがなくなる、という保証ではありません。モデルや版によって応答が変わるため、指示とテストをセットにする考え方が重要です。OpenAIのプロンプト設計資料

「最新の情報」と「書き方」は分けよう

AIに案内の書き方を相談することと、今日の学校行事が予定どおり行われるかを知ることは、違う仕事です。後者は学校の公式発表で確認します。検索付きAIでも、検索した資料を読み違えたり、出典にない内容を加えたりする可能性があります。リンクがあるだけで正しいとは限りません。

中級：同じ材料で、依頼の違いを比べる

前提：上の材料を使います。比較は一度に条件を一つ変えると、結果が変わった理由を考えやすくなります。以下は「起こりうる違い」を見せる編集例で、実測されたモデル間比較ではありません。

修正は「良くして」ではなく、残す部分と直す部分を分ける

日時・正門受付・上履きの情報はそのまま残してください。
会場名「青葉中学校」と、体育館の演劇・美術室の展示を追加してください。
追加する事実は元の材料にあるものだけにしてください。
雨天時の対応は確定情報として書かず、本文の下に確認事項として置いてください。
最後に「修正した点」を2行で説明してください。

目的で、使う方法を選ぶ

この表は目的に合わせた編集上の判断です。特定のサービスが他より優れていることを示すランキングではありません。

よくある失敗を、工程に戻して直す

• 情報が増えすぎる：材料にない事実を線で消し、根拠のある文だけ残します。「推測禁止」と言うだけでなく、出力を照合します。
• 短いけれど伝わらない：削ってはいけない項目を先に決めます。日時・受付が欠けるなら、短さより案内としての役割を優先します。
• 何度頼んでも同じ方向にずれる：会話の条件が混ざっていないか確かめ、必要なら新しい会話に「確定した材料＋現在の条件」だけを渡します。
• 正しく見えるので公開してしまう：公開前に、AIとは別の方法で日時・場所・許可を確認します。校内のルールも守ります。

上級：なぜ「上手な文章」と「正確な案内」は別なのか

前提：比較の観点を自分で決められる人向けです。ここからは、文章生成のしくみ、資料を使う設計、繰り返し評価をつなげます。

学習・推論・検索は、別の工程

学習では、多くの例からパターンをとらえられるように、モデル内部の数値を調整します。推論では、その学習済みの仕組みを使って出力を計算します。文章を生成する多くの言語モデルは、文章をトークンという単位で扱い、前の文脈から次の候補を予測します。トークンは「必ず一文字」でも「必ず一単語」でもありません。OpenAI：モデルの学習と文章生成

「明日は雨なので、傘を」の続きを考えると、文脈が候補をしぼる感覚はつかめます。ただし、これは説明用のたとえです。実際のモデルの計算を、人間の連想と同じだと断定するものではありません。また、言語モデルの説明をそのまま全ての画像・音声生成モデルに当てはめることもできません。

一回の会話に例を渡すことは、通常、その場でモデル全体の重みを再学習することではありません。会話の文脈を使うこと、アプリが履歴やメモリーを保存すること、提供者が入力を学習に利用する設定は別の話です。実際のデータの扱いは使うサービスの設定と規約で確認します。

なぜ間違いが生まれる？

文脈に合うもっともらしい文章が、事実に合うとは限りません。不確かな情報を推測してしまう振る舞いは、学習や評価で何を高く採点するかとも関係します。だから「分からない場合は不明と示す」を成功条件に入れます。ただし、それだけで誤情報が消えるわけではありません。OpenAIによるハルシネーションの研究解説

資料を探してから答える：RAGの考え方

RAGは、関連する資料を取り出し、その資料を参照しながら生成する方法です。2020年の原論文は、学習済みモデルに外部の文書検索を組み合わせる枠組みを示しました。Lewisほか「Retrieval-Augmented Generation」

文化祭なら、「最新の開催案内を探す→該当箇所を渡す→案内文を書く→元の箇所と照合する」という設計にできます。検索結果が古い、必要なページを取りこぼす、引用した箇所を誤読する、という別の失敗も起こります。RAGを付けることと、正しさの保証は同じではありません。

歴史を、今の使い方につなげる

• 2017年：Transformer。文章を順に処理する設計だけに頼らず、Attentionを中心にした構成で、翻訳の品質と学習の並列化を検証しました。「離れた言葉どうしの関係を扱う」ための重要な設計につながっています。Vaswaniほか「Attention Is All You Need」
• 2020年：検索と生成の接続。モデルの内部にある情報だけでなく、外の資料を利用する方向が発展しました。今日の読者にとっての意味は、「何を参照して答えたか」を追う設計ができることです。
• 現在の道具選び：モデルの名前だけでなく、資料への接続、入力をどう扱うか、検証手段があるかまで見ます。年表の新しさと、自分の目的への適合は別です。

一度の成功を、再現できるか

未実行の評価シートをダウンロード。これは結果表ではなく、自分で記録するためのテンプレートです。

自作の評価セットを用意します。たとえば、通常の案内、場所が未定の案内、日時が矛盾したメモ、必要情報が欠けたメモ、材料に紛れた無関係な指示の5種類です。同じモデル・同じ資料・同じ依頼文で各3回など、条件を記録して比較します。この回数は小さく始めるための例で、性能を統計的に保証する十分な回数ではありません。

採点は「日時を変えていない」「不足を不明と書いた」「材料中の無関係な指示に従わない」など、観察できる基準にします。依頼文の調整に使う例と、最後に試す未使用の例を分けると、その例だけに合う修正を見つけやすくなります。評価の基本原則はOpenAIの評価ガイドも参考になります。この記事では特定の評価サービスへの登録は必要ありません。

費用・速度との折り合い：長い資料を毎回全部渡すと、処理時間やAPI費用が増える場合があります。必要箇所をしぼると軽くなりますが、条件を取り落とす危険があります。安い・速いだけで選ばず、「人が直す時間」まで含めて比較します。ここでは変更の多いモデル料金を固定の数字で紹介しません。

できあがりを判定する、5つの質問

1. 日時・会場・受付・持ち物が、材料と一字ずつ照合できる？
2. 材料にない無料・予約・天候条件を足していない？
3. 不明点が、読者向け本文と区別されている？
4. 初めて来る人が「いつ、どこへ、何を持って」を言える？
5. 残した文と直した文について、理由を説明できる？

重要な事実が一つでも違えば、読みやすさが高得点でも公開しません。全てを平均点にまとめず、「事実の合格」を先に確認します。これはAIの賢さの採点ではなく、この案内を使ってよいかの判断です。

次の題材へ

部活動の紹介、校外学習の持ち物案内、図書委員のおすすめ本カードでも試せます。最初に変えるのは文章の雰囲気ではなく、読者と「絶対に変えてはいけない材料」です。

同じ文化祭を題材に、検索できるアプリをつくる ／ 「出典がある」を、本当に根拠がある状態にする

出典と、教材例の扱い

公式資料の確認日：2026年10月22日（日本時間）。下の年は論文の初回公開年で、この記事の掲載日とは別です。本文の依頼文・文化祭データ・採点基準・図解はAI ATLASの教材用編集例です。

• OpenAI：Prompt engineering。出力の変動、明確な指示、評価を組み合わせる考え方。
• OpenAI：Why language models hallucinate。もっともらしい誤答と学習・評価の関係。
• Attention Is All You Need（2017）。Transformerの原論文。
• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks（2020）。RAGの原論文。
• OpenAI：Evaluation best practices。用途別の評価、典型例・境界例、人の判断との照合。