最新フロンティアモデル「Fable 5」と「GPT 5.6 Soul」を最大限に引き出す：AI活用の新時代を切り拓く戦略

人工知能の進化は目覚ましく、数週間、あるいは数日単位で新たなフロンティアモデルが登場し、私たちの仕事や創造性に対するアプローチを根本から変えつつあります。今日、私たちが焦点を当てるのは、Anthropicの「Fable 5」とOpenAIの「GPT 5.6 Soul」という、この新しいクラスのモデル群です。これらのモデルは単なる性能向上に留まらず、私たちに新たなインタラクションパターンと、AIに対する「野心」の再定義を迫っています。

本記事では、AI分野の専門家が、これらの最先端モデルから最大限の価値を引き出すための具体的なヒント、戦略、そして深い洞察を提供します。単なる技術的な側面だけでなく、それがビジネスにどのような影響を与え、私たちの仕事のあり方をどう変えるのか、そして将来的にどのような可能性を秘めているのかを詳細に解説していきます。専門性と分かりやすさを両立させ、読者の皆様がAI活用の次のステップへと踏み出すためのロードマップとなることを目指します。

新世代モデルの特性を理解する：GPT 5.6 Soulの「粘り強さ」と「徹底性」

新しいAIモデルが登場するたびに、私たちはそのモデルが持つ固有の特性を理解し、それに合わせてインタラクションの方法を調整する必要があります。これはベンチマークスコアだけでは捉えきれない、実践的な知見が求められる領域です。GPT 5.6 SoulとFable 5の登場は、まさにそのような学習と適応の必要性を改めて浮き彫りにしました。

Codexチームのエリック・プロヴァンサル氏が指摘するように、「多くの人々は5.5と同じように5.6 Soulにプロンプトを与え続けている」。しかし、5.6 Soulはこれまでのモデルよりもはるかに「粘り強く（tenacious）」て「徹底的（thorough）」な特性を持っています。この特性は、正しく活用すれば強力な生産性向上ツールとなりますが、誤った使い方をすれば意図しない結果やコスト増大を招く可能性も秘めています。

1.1 明確な「境界線」の設定の極意

より強力で「粘り強い」モデルに対して最も重要なことの一つが、明確な「境界線」を設定することです。ガイドラインは、「ChatGPTが余計な作業を生み出したり、意図しない行動を取るのを避けるために必要な指示はごくわずか」と述べています。これは、結果が使えなくなるような誤った詳細の変更を避けたい場合や、他者に影響を与える前に内容を確認したい場合に特に重要となります。

例えば、以下のような指示は強力な境界線となります。

「承認済みの日付と予算額は変更しないこと。」
「提供されたソースのみを使用すること。」
「情報が不足している場合は推測せず、その旨を報告すること。」
「推奨事項は指定された予算内に収めること。」
「メッセージはドラフトとして作成し、送信しないこと。」

これらの例は、モデルが自律性を発揮しすぎることでユーザーが不快に感じるかもしれないシナリオや、プロンプト作成者の意図に合わない行動を取ってしまう可能性のあるシナリオを示しています。例えば、インターネット全体にアクセスできる「粘り強い」モデルが、指示なしに無関係な情報源に深入りしてしまうような事態を防ぐことができます。

境界設定はAI活用において新しい概念ではありませんが、モデルの能力が向上するにつれてその重要性は飛躍的に高まります。境界線が設定されていない場合、以下のような様々なレベルの「現実世界での結果」が生じる可能性があります。

低いレベルの影響: 必要以上に多くのトークンを消費してしまうこと。コスト意識が高まる現代において、これは無視できない要素です。
高いレベルの影響: 承認されていないメッセージを重要な顧客、パートナー、または同僚に誤って送信してしまうような、ビジネス上の深刻な問題に発展する可能性もあります。

したがって、新しいモデルの力を最大限に活用するためには、その「粘り強さ」を味方につけつつ、同時にその活動範囲を明確に定義し、予期せぬリスクを回避するための意識的なプロンプト設計が不可欠です。

1.2 モデルとの「反復的対話」による結果改善

GPT 5.6 Soulのようなモデルは、一度の指示で完璧な結果を出すというよりも、ユーザーがモデルと協力し、対話を繰り返すことで最適な結果へと導く「インタラクション」を重視するべきです。エリック・プロヴァンサル氏の別のヒントは、フォローアップメッセージを通じて結果を改善するためにモデルと「反復的に対話する」ことです。

最初のバージョンが生成された後、ユーザーは「冒頭をもっと直接的にしてください」「この証拠を残してください」「この部分を移動させてください」といった具体的な指示を出すことで、モデルの出力を段階的に洗練させることができます。

さらに興味深いのは、この反復的なインタラクションが、完全に「ターンベース」である必要がなくなってきている点です。従来のモデルでは、出力が完了するまで待ってから次の指示を出さなければなりませんでした。しかし、ChatGPTとCodexの統合が進むことで、Codexで一般的だった「ステアリング（操縦）」の挙動が、ChatGPTのメインアプリ体験にも導入されつつあります。

ガイドでは、次のように説明されています。

Steer（操ージュー）: 「Codexが既に作業中の場合でも、現在の実行が終了するのを待たずに別のメッセージを送信できます。Steerは現在の実行にメッセージを追加し、方向転換したり、不足している詳細を追加したり、新しい情報を共有したりするために使用します。」
Queue（キュー）: 「Queueは次の実行のためにメッセージを保存します。現在の作業が終了するのを待ってから実行されるフォローアップとして使用します。」

このような機能は、AIとのコラボレーションにおける「遅延」を大幅に削減します。モデルの能力が高まるにつれて、このようなリアルタイムでの介入や、先を見越した指示の追加が、より効果的なAI活用を実現するための重要な要素となります。これは、AIが単なるツールから、より動的でインタラクティブな「パートナー」へと進化していることを示唆しています。

コスト効率と目的に合わせたモデル活用：GPT 5.6の最適化戦略

ChatGPTの進化は、そのインターフェースと機能の面でも見られます。特にCodexとの統合や、ChatGPTが「Chat（チャット）」と「Work（ワーク）」に分割されたことは、異なるタイプの体験に対して異なるプロンプトのヒントが必要であることを明確に示しています。

2.1 「Work」モードを効率的に活用するヒント

エリック氏とChatGPTチームは、プロンプトのベストプラクティスと例をチャット用とワーク用で明確に区別しています。「Work」に関するヒントの多くには、「コストと効率」の意識が組み込まれています。

「Use Work efficiently（ワークを効率的に使う）」と題されたセクションでは、次のように述べられています。「Workは、時間のかかるタスクや繰り返しのタスク、あるいは再利用可能な完成済みファイルに有用です。より多くのクレジットを使用するタスクであっても、時間を節約し、品質を向上させ、重要な意思決定を助けるのであれば価値があります。」

ここでも、エリック氏が述べたモデルの「粘り強さ」を管理することに多くの推奨事項が向けられています。

単一の結果から始める: まずは1つの結果から始めてレビューし、そこから改善を重ねることで、不必要な複数の出力を生成するコストを削減します。
不要な作業の停止: タスクがもはや必要ない作業を始めた場合、それを絞り込むか停止するよう指示します。これにより、無駄なリソース消費を防ぎます。

これらのヒントは、特にビジネス環境においてAIを導入する際、単なる性能だけでなく、運用コストと効率性を考慮した戦略的なアプローチが不可欠であることを示しています。AIは強力なツールですが、その力をいかに賢く、持続可能に利用するかが問われているのです。

2.2 音声入力の活用がもたらす「コンテキスト」の深化

ChatGPTを最大限に活用するための、もう一つの非常に強力なヒントは「音声入力」の利用です。WhisperFlowのような専用ツールがなくても、ChatGPTに組み込まれている音声入力機能は「クラス最高」の品質を誇ります。

なぜ音声入力がAIの文脈においてこれほど価値があるのでしょうか？それは「コンテキスト（文脈）」に尽きます。AIがその仕事をうまくこなすためには、より多くの情報が必要とされる世界において、口頭で詳細に語る能力は非常に重要になります。

たとえそれが完全に構造化されていない「意識の流れ」のようなものであったとしても、数分間コンピューターに向かって話すことは、多くの場合、ハイパー・プレシジョンで明確に表現された、しかし文脈に欠けるタイプされたメモよりも、AIが必要とするものを与える上で効果的です。

私たちは文字入力の際、無意識のうちに情報を凝縮し、効率的に伝えようとします。しかし、この凝縮された情報には、AIが推論を深めるために必要となるニュアンス、背景、思考プロセス、感情、あるいは関連する周辺情報が欠落していることがあります。音声入力は、これらの「暗黙のコンテキスト」をより自然に、豊富にAIに提供することを可能にします。これにより、AIはより深くユーザーの意図を理解し、より適切で質の高い出力を生成する可能性が高まります。

音声入力の活用は、単にタイピングの手間を省くだけでなく、AIとのインタラクションの質そのものを高め、より豊かな情報交換を可能にする、戦略的な手段と言えるでしょう。

OpenAI開発者サイトが提唱するGPT 5.6ベストプラクティス

GPT 5.6に関する公式のガイダンスは、エリック・プロヴァンサル氏のブログ以外にも、OpenAIの開発者サイトでも公開されています。ここではGPT 4.1以前のモデルからのベストプラクティスも遡って確認でき、モデルの進化とともに推奨されるアプローチがどう変化してきたかを理解する上で非常に有用です。

AIコンテンツクリエイターのオリー・リーマン氏は、このドキュメントを非常に価値あるものと評価し、そこで見つけた最高のヒントのいくつかを要約しました。

3.1 プロンプトの「断捨離」：冗長な指示は性能を損なう

リーマン氏が最初に挙げたヒントは、「古いプロンプトから指示を削除する」というものです。OpenAIのルールは「各指示を正確に一度だけ述べること」とされています。彼らの調査では、繰り返される指示を削除することで、スコアが10〜15%向上し、同時にトークン消費が最大66%削減されることが判明しました。

これは、以前のモデル、特にGPT 5.5以前のモデルでは、ユーザーがモデルに特定のルールや制約を繰り返し伝えることで、その指示が確実に実行されることを期待する傾向があったためです。しかし、GPT 5.6 Soulのような新しいモデルは、より洗練された理解力と内部的な一貫性を持っています。そのため、冗長な指示はかえってモデルの混乱を招いたり、不要な処理を促したりする可能性があります。

結果として、古いモデル向けに作成した巨大なルールリストは、GPT 5.6の回答を悪化させ、より多くのコストを発生させることになります。プロンプトは簡潔かつ明確に、各指示は一度だけ与えるという「断捨離」の精神が、新世代モデルを最大限に活用するための鍵となります。

3.2 「モデルサイズ」と「思考の努力レベル」の最適化

新しいモデルでは、「コンピューティング（計算リソース）をジョブに合わせる」という概念がより重要になっています。現在、OpenAIのモデルには2つの別々の「ダイヤル」があります。

モデルサイズ:
- Soul（ソウル）: 最も困難な問題向け。
- Terra（テラ）: 日常のビジネスワーク向け。
- Luna（ルナ）: 安価で高速なタスク向け。
思考の努力レベル: 「モデルがどれだけ懸命に考えるか」を示すもので、「なし」から「最大」までの6つのレベルがあります。

OpenAIは、「思考のダイヤル」に関するアドバイスとして、「前回のモデルで使用した設定から始め、次に1レベル下げてテストする」ことを推奨しています。「新世代のモデルは通常、より少ない努力で済みます。最大レベルは本当に最も困難な問題のために取っておきましょう。」

このアドバイスは、驚くほどシンプルに聞こえますが、実行するのは感情的に難しい場合があります。多くのユーザーは、あらゆる問題に対して設定を最大まで上げたいという誘惑に駆られます。なぜなら、他の条件がすべて同じであれば、すべての問題に対して最大の知能を望むのは当然だと感じるからです。

しかし、コストの側面だけでなく、それが必ずしも最適な振る舞いではないことが次第に明らかになってきています。例えば、過剰な思考は、必要以上の情報を考慮したり、複雑すぎる解決策を提示したりすることで、かえって効率を損なう可能性があります。OpenAIは、このようなユーザーの心理的傾向を理解し、より具体的なガイダンスを提供することで、最適なモデル活用を促しています。

3.3 簡潔さとトーンの「具体的」指示

リーマン氏は、以前の指示を元に戻す領域として、「簡潔さに関するすべてのルールをチェックする」ことを挙げています。GPT 5.6はデフォルトで5.5よりも短い回答を生成するため、古いモデル向けに追加した簡潔さのルールは、今では回答を「短くしすぎる」可能性があります。

もし何か短いものを望むのであれば、「漠然と短くする」と指示するのではなく、「どの情報を保持し、どの詳細を省略できるか」を具体的に伝えます。例えば、「導入部分は短く、ただし顧客名と日付は必ず含める」といった形です。

トーンに関しては、抽象的な指示よりも具体的な指示が勝ります。OpenAIは、「friendly（友好的）」や「empathetic（共感的）」といった用語は抽象的すぎると示唆しています。リーマン氏は、「望む実際の書き方（writing behavior）を具体的に述べなさい」と書いています。

どれだけ直接的であるか。
何で始めるか。
何をスキップするか。

例えば、「顧客の問題を最初の行で述べ、修正を番号付きの手順として示し、謝罪の段落は飛ばす」といった指示は、毎回同じトーンを実現します。これは、モデルが抽象的な概念を解釈する余地を減らし、具体的な行動によって一貫した出力を保証するための非常に効果的なアプローチです。

これらのヒントはどれも非常に明確で実践的であり、すぐにでも活用できるものです。しかし、これらの実践的な側面を超えて、より高度なモデルに私たちが抱く「野心のレベル」についての、もう一つの重要なテーマが見え始めています。

「野心」を解き放つ：AIを「高レバレッジ」な仕事のパートナーに

これまで見てきたヒントは、主にモデルの特性を理解し、プロンプトを最適化することに焦点を当てていました。しかし、最新のフロンティアモデルが真に解き放つのは、私たちの仕事に対する「野心」のレベルです。IntuitのAI UX PMであるクリスティン・ジュー氏は、「あなたはClaudeに対して十分に野心的ではない」と題する投稿で、その核心を突いています。

クリスティン氏は、自身の生産性と能力の最大の解放は、「忙しいルーティンワークの自動化を超えて、Claudeに『高レバレッジ（high-leverage）』な仕事を依頼し始めたとき」に起こったと述べています。何ヶ月もの間、彼女はClaudeを「ドーパミン・バックログ（小さなタスクの連続で、完了するたびにドーパミンが分泌され、進捗の錯覚を与えるもの）」を解消するために使っていたと言います。これらの自動化は確かに多くの時間を解放しましたが、真の変革は、その時間とFableを使って、これまでClaudeには任せられなかった「難しいタスク」を任せるようになったときに訪れました。

この考え方を補強するため、クリスティン氏はStripeのプロダクトリーダーであるシュレヤス・ドーシ氏の「プロダクトワークには3つのレベルがある」という概念を引用しています。

Execution level（実行レベル）: 具体的なタスクの実施。
Impact level（影響レベル）: 成果を出し、目標達成に貢献する仕事。
Optics level（見え方レベル）: チームの進捗や成果を適切に内外に示す仕事。

クリスティン氏は、「私たちの多くは、OpticsとExecutionにおける忙しい仕事を自動化するためにClaudeを使い、Impact Workは自分たちに残している」と指摘します。「私たちは『判断力こそが人間固有の、守るべきものだ』と自分に言い聞かせている。しかし、適切な文脈が与えられれば、Claudeはあなたよりも賢く、早く難しい仕事をこなすことができる。」

さらに、彼女はFable 5をこれら3つのカテゴリの仕事に異なる方法で活用することを提案しています。

4.1 Optics Work（見え方）：AIを「オートパイロット」に

Optics Workとは、チームの進捗を適切な人々、適切なフォーラムで見える化することです。これには、Fableを「オートパイロット」として利用し、生産性向上のためのタスクを徹底的に自動化することを推奨しています。

具体例として、彼女は週に2回実行される自動化されたタスクを挙げています。「これは主要なソースからコンテキストを抽出し、各ワークストリームの最新アップデートをGoogleシートのテンプレートに書き込みます。このGoogleシートのステータスボードは、チームが私に質問することなく疑問を解決できるように公開されています。また、これらのアップデートを異なるレベルで、適切なオーディエンスとフォーラム向けにパッケージ化するスキルも持っています。」

Optics Workは「ドーパミン・バックログ」を解消し、ユーザーがより深く集中できる「フロー状態」を維持するために、最も ruthlessly（冷酷に、徹底的に）自動化すべきレイヤーであると彼女は強調します。実際、クリスティン氏は、このようなフローがClaude自体にすぐに製品化されるだろうと予測しています。

4.2 Execution Work（実行）：AIを「コパイロット」に

次のレベルであるExecution Workでは、Claudeを単なる自動化ツールとしてではなく、「コパイロット」として活用することを提案しています。

「毎週月曜日、私は『コンテキストダンプスキル』を実行します。これはSlack、カレンダーのメモ、リポジトリのアクティビティを通じて過去1週間の私の活動を読み込み、私の効率性と注意すべきパターンを分析し、優先すべきことを推奨し、具体的な作業の開始を支援します。これは要約というよりも、私の個人的なパターンに気づき、実際に役立つ観察と推奨を行うコーチのようです。」

他にも、Jiraのステータスやロードマップをチェックし、チームの進捗状況と次に何をすべきかを示す「計画スキル」や、顧客サポートチャネルを分析して主要なテーマ、トレンド、優先すべきリクエストや問題を推薦する月次タスクなども実行しています。

全体として彼女は、「要求に対してより野心的になりなさい。Claudeを単なる要約抽出ツールとして扱わず、判断を求めなさい」と述べています。これは、AIが単なる情報処理マシンではなく、私たちの思考プロセスに深く関与し、知的なパートナーとして機能する可能性を示唆しています。

4.3 Impact Work（影響）：AIを「スパーリングパートナー」に

最後に、最も困難で「高レバレッジ」な仕事であるImpact Workには、Claudeを「スパーリングパートナー」として活用することを提案します。新しい製品の構想を練る、高難度なプレゼンテーションのためのナラティブを準備する、ビジネスユニット戦略に対する戦略をテストする、といった、着手するのが最も難しいタイプの仕事です。

この種の仕事においては、Claudeを「オンボーディング」し、適切なコンテキストをセットアップすることが非常に有効です。これは、以前から議論されてきた「パーソナルコンテキストポートフォリオ」を作成することに他なりません。つまり、特定のAIやモデルが有用なコラボレーターとして機能するために必要な、あらゆる情報を集約しておくということです。

クリスティン氏は、Fableが彼女にとって初めて、このようなImpact Workを解き放ったと強く感じています。「Fableは、Impact Workにおいて以前のモデルよりも明らかに優れています。特にその『落ち着き（calmness）』を楽しんでいます。より簡潔に聞こえ、不要な説明が羅列された壁のようなテキストを読むよりも、賢い同僚との会話のように感じられます。これは思考の継続を大きく助けます。」

この指摘は、フロンティアモデルが単なる機能向上を超え、ユーザーとの心理的なインタラクションの質を高め、より深いコラボレーションを可能にしていることを示しています。これにより、私たちはこれまで人間のみが行うとされてきた、最も複雑で創造的な仕事の領域にもAIを深く統合できるようになるのです。

「未知数」を解明する：Fable 5との新しい協調プログラミングモデル

Fableをより高インパクトで高次のタイプの作業に移行させるという考え方に沿って、Claude Codeチームのタリク氏は最近、「A Field Guide to Fable, Finding Your Unknowns（Fableのフィールドガイド、未知数を見つける）」というタイトルの記事を公開しました。タリク氏は、「Claude Fable 5と協力することで、私は古い教訓を再学習し続けている。『地図は領域ではない』」と記しています。

ここでいう「地図」とは、彼のプロンプト、スキル、コンテキスト、つまりClaudeに与える情報全般を指します。「領域」とは、作業が実際に起こる場所、コードベース、現実世界、その実際の制約を指します。この「地図と領域の差」こそが、彼が「未知数（unknowns）」と呼ぶものです。

Claudeが未知数に遭遇すると、それはユーザーが何を望んでいるかについて最善の推測に基づいて決定を下す必要があります。より多くの作業が行われるほど、Claudeはより多くの未知数に遭遇する可能性があります。タリク氏は、Fableは「作業の質が、私の未知数を明確にする能力によってボトルネックとなる最初のモデルである」と述べています。そして、彼の投稿の残りの部分は、「事前の計画だけでは不十分であり、Fableとの作業は実装前、中、後の未知数を発見する反復プロセスである」ことを指摘しています。

5.1 作業の「4つのカテゴリ」と未知数の分類

タリク氏は、Fableとの関わりを始める際に、作業を4つのカテゴリに分解することを提案しています。

Known Knowns（既知の既知）: 基本的にプロンプトに含まれるもの、つまりエージェントに何を望むか明確に伝えた内容。
Known Unknowns（既知の未知）: まだ解決策を見つけていないが、その存在を認識している問題。例えば、「この機能のUIデザインはまだ決まっていない」といったものです。
Unknown Knowns（未知の既知）: あまりにも自明すぎて書き出すことはないが、もしそれを見ればすぐに認識できること。例えば、「ウェブアプリケーションは一般的にブラウザで動く」といった常識的な制約や前提など、普段意識しないが、作業を進める上で当然のように存在するものです。
Unknown Unknowns（未知の未知）: 全く考慮していなかったこと、予期せぬ問題や機会。例えば、新しい技術を導入した際に発生する全く新しい互換性の問題などです。

タリク氏は、これらの未知数を減らし、計画することが「エージェント的コーディング」のスキルであり、これを改善する方法があると主張しています。その鍵は「Claudeがあなたを助けるのを手助けすること」にあります。

5.2 Claudeを「思考パートナー」として活用する

タリク氏は、「Claudeに指示を与えるのは繊細なバランスだ」と述べています。「あまりに具体的すぎると、より適切な方向転換が必要な場合でもClaudeはあなたの指示に従ってしまう。あまりに漠然としすぎると、Claudeはしばしば業界のベストプラクティスに基づいた選択や仮定を行い、それがあなたのタスクには合わない場合がある。」

重要なのは、未知数を考慮しないと両方の点で失敗するということです。道が障害物でいっぱいになる時も、道が明確な時も分からないのに、Claudeには方向転換してほしいと願っている状態です。Claudeは、ユーザーが未知数をより早く発見するのを助けることができます。

最も重要な部分として、彼は「Claudeに出発点に関するコンテキストを与えること」を挙げています。例えば、自分の思考プロセスがどの段階にあるのかを伝え、その問題に関する経験を開示し、Claudeを思考パートナーのように扱って共同作業を進めるのです。

具体的なアイデアとして、彼はいくつかの方法を提案しています。

ブラインドスポットパス（Blind Spot Pass）: 例えば、「カラーグレーディングが何かわからないが、このビデオをグレーディングする必要がある。カラーグレーディングに関する未知の未知を理解できるように教えてもらえないか、そうすればもっと良いプロンプトを書けるだろう」といった具体的な質問を投げかけます。これは、自分が何を知らないかさえ知らない領域を特定し、AIの助けを借りて学習するための強力なアプローチです。
ブレインストーミングとプロトタイプ作成（Brainstorm and Prototype）: タリク氏は、「Unknown Knowns（見れば定義できる基準）が多い領域で作業しているとき、Claudeにブレインストーミングやプロトタイプ作成を手伝ってもらうのが好きだ」と書いています。彼は続けて、「プロトタイプ作成の初期段階でUnknown Knownsを特定し、言語化することは非常に価値がある。なぜなら、実装中にそれらを発見すると、相対的にコストが高くなるからだ。」

例えば、機能や仕様の小さな変更が、コードの実装において大きく異なる結果を引き起こす可能性があり、エージェントが以前の変更を元に戻すのがより困難になる場合があります。多くの開発者は直感的にこれを行っているかもしれません。

彼が挙げたプロンプトの例は次のとおりです。「このデータのためにダッシュボードが欲しいが、私には視覚的なセンスがなく、何が可能かも分からない。4つの全く異なるデザイン方向を持つHTMLページを作成してほしい。それを見て反応できるように。」

タリク氏は他にも未知数と協力する方法をいくつか提案していますが、その多くは最終的に、Fableをプロセス全体の共同制作者として招き入れ、その能力を最大限に引き出すためのメタプロセスへと帰結します。これは、AIが単なる指示実行機ではなく、発見と創造のプロセスにおける能動的なパートナーであることを強調しています。

新モデル登場時の「戦術的メタプロンプト」と「ループ」思考

新しい最先端モデルがリリースされるたびに、その新しいモデルの利点を最大限に活用するために、私たちの体験を再調整するのに役立つ一連のプロンプトが存在するとダニエル・マイスラー氏は考えています。彼はこれを、知能の大きな飛躍があるたびに再実行する価値のある「戦術的メタプロンプト」と呼んでいます。

6.1 ハーネス最適化：自己モデル監査でAIを最新状態に

最初のカテゴリは「ハーネス最適化」に関するもので、AIハーネス、つまりモデルを取り巻くリソースと情報のセットを改善し、最新バージョンから最大限の価値を引き出すことに関連しています。

彼が提供する例の1つは、「自己モデル監査」です。「私のハーネスが私について信じていること、アイデンティティ、目標、声、好みに関するすべてを読み込み、それが古くなっている、願望的な、あるいは単に間違っている私のあるバージョンをモデリングしている箇所を見つけてください。私のファイルが私について述べていることと、私の最近の行動や仕事が実際に明らかにしていることを比較してください。システムが、私がかつて言った私を最適化しているすべての箇所を、現在の私とは異なる箇所を特定し、そのギャップを埋める具体的な編集を提案してください。」

これはある程度「コンテキストの衛生管理」に過ぎません。しかし、ダニエル氏がここで本当にやろうとしているのは、新しいモデルリリースの瞬間を利用して、そのようなコンテキストの衛生管理を行い、モデルを取り巻くすべての情報、例えばagents.mdファイルなどが、新しいモデルに与えられている人物やプロジェクトを実際に反映していることを確認することです。これにより、モデルは常に最新かつ正確な自己認識に基づいた最適なサポートを提供できるようになります。

6.2 全体的な人生と仕事の最適化：AIに壮大な問いを投げる

ダニエル氏はまた、非常に壮大なスケールのプロンプトを用いて新しいモデルをテストすることのファンでもあります。彼は「全体的な人生と仕事の最適化」と呼ぶプロンプトのカテゴリ全体を持っており、これは基本的に、ユーザーの優先順位、プロジェクトを整理し、次の数年間を最大限に活用するための計画を立てるのに役立つ、非常に広範なプロンプトです。

彼が「大局」と呼ぶプロンプトの例は次のとおりです。「私のさまざまなプロジェクト、オンラインでの執筆、ハーネスで行ってきたすべての活動、ウェブ検索からあなたが私について知っているすべてのことを深く分析してください。次に、私の分野、AI、社会、そして一般的な未来で何が起こっているかを見て、私にとっての日本の概念である『生きがい』を解決するものは何か教えてください。充実感を与え、かつ儲かる仕事は何でしょうか？それを自分自身で行うか、コラボレーターと行うか、それとも企業で働くか？具体的な推奨事項があれば提示し、出力を作成する前により多くのコンテキストのために私にインタビューしても構いません。」

この種のプロンプトは、万人受けするものではないかもしれません。しかし、たとえそれがモデルの「雰囲気温度」を測るためだけであったとしても、これらの種類の質問にモデルがどのように関与するかを理解するための素晴らしい方法であるとダニエル氏は考えています。これは、モデルが単なるタスク実行者ではなく、深い思考と洞察を伴う広範な問題解決において、どの程度の能力を発揮できるかをテストする機会を与えてくれます。

6.3 「ループ」による継続的な改善：AIを「完了」まで導く

ダニエル氏からのもう一つの提案は、ますます頻繁に登場し始めている「ループ」の観点から再び考えることです。マット・シューマー氏もこれをFable 5のヒントに含めており、特にクリエイティブなタスクにおいて、「基準に達するまでループさせる」という推奨をしています。

このためには、マット氏の以前の推奨に戻る必要があります。それは「Fableに『完了』の明確な基準を与えること」です。マット氏は、「Fableに高品質なものを作るように言うと、Fableは『十分良い』という独自のアイデアで止まってしまう。それは通常、あなたのアイデアよりも低い」と書いています。

そこで、マット氏は形容詞を使わず、Fableがそれ自体でチェックできる「ハードな基準」を与えます。「時には自分でテストを書くこともあります。例えば、『見知らぬ人がレンダリングされた写真と実際の写真を区別できない』といった具体的なものです。また、時には自分が何を望んでいるかを測る方法さえ分からない場合、その問題をFableに丸投げすることもあります。」

マット氏は続けます。「一度基準が設定されれば、私はFableをその基準に対してループさせ、実行させます。Fableはビルドし、自己チェックし、最大のギャップを見つけ、それを埋め、そして再び実行します。」マット氏は、特にクリエイティブな作業では、常に具体的な測定対象があり、それが達成されるまで「/loop」コマンドを絶えず使用していると述べています。

重要な点として、マット氏は「ループの目的は、Fableが『終了した』と決して判断しないことだ。常に次のギャップがある。それは私が『完了』と言うか、本当に修正すべきものが何も見つからなくなるまで止まらない。適切に設定していれば、これは稀なことだ」と書いています。

6.3.1 Claude Devsが提唱する「ループ」の多様な分類

Claude Devsの最近の投稿では、「ループ」の概念を理解するのに役立つ、いくつかの異なるカテゴリに分解して説明しています。

Turn-based loops（ターンベースのループ）: ユーザーのプロンプトによってトリガーされ、Claudeがタスクを完了したと判断するか、追加のコンテキストが必要になるまで停止します。これは、定期的なプロセスやスケジュールの一部ではない短いタスクに最適です。彼らは、「あなたが送信するすべてのプロンプトは、あなたが各ターンを指示する手動のループを開始します。Claudeはコンテキストを収集し、アクションを取り、その作業をチェックし、必要に応じて繰り返し、応答します」と説明しています。例として、「Claudeに『いいね！』ボタンを作成するように依頼する」というものがあります。Claudeはあなたのコードを読み込み、編集を行い、テストを実行し、機能すると信じるものを返します。その後、あなたは手動で作業をチェックし、次のプロンプトを作成します。手動のステップをskill.mdとしてエンコードすることで、検証ステップを改善し、Claudeがより多くの作業をエンドツーエンドでチェックできるようにすることも可能です。
Goal-based loops（目標ベースのループ）: 手動のプロンプトによってリアルタイムでトリガーされ、目標が達成されるか、最大ターン数に達すると停止します。これは、検証可能な終了基準を持つタスクに最も適しており、1回のターンでは不十分な場合に役立ちます。彼らは、「エージェントは反復できるときにうまく機能する。成功基準を定義すると、Claudeは『十分良い』かどうかを判断する必要がなくなり、ループを早期に終了することもない」と述べています。Claudeが停止しようとするたびに、評価モデルがあなたの条件をチェックし、目標が達成されるか、定義したターン数に達するまで作業を再開させます。
Time-based loops（時間ベースのループ）: 特定の時間間隔でトリガーされ、ユーザーがキャンセルするか作業が完了すると停止します。これは、定期的な作業に有用です。例えば、毎日朝9時に特定のレポートを作成するといったタスクに利用できます。
Proactive loops（プロアクティブなループ）: イベントやスケジュールによってトリガーされ、リアルタイムでの人間の介入を必要とせずに実行されます。停止基準は、再び特定の目標が達成されたときであり、ルーチンはユーザーがオフにするまで自己実行されます。例えば、特定のキーワードを含む新しいデータが検出されたら自動的に分析レポートを生成し、目標達成までそれを繰り返すといった応用が考えられます。

今後数ヶ月で、これらのループベースのインタラクションをコーディングの領域から、よりクリエイティブな作業や知識労働へとどのように持ち込むかが、多くの探求の中心となるでしょう。ループ思考は、AIが単なる道具ではなく、私たち自身の目標達成のために自律的に反復作業を行う「エージェント」へと進化する可能性を示しています。

結論: AI活用は「野心」と「適応」の新時代へ

今日、私たちがFable 5とGPT 5.6 Soulという最新のフロンティアモデルを最大限に活用するための数々のヒントと戦略を見てきました。これらの推奨事項の全てから浮かび上がる、根本的な二つの教訓があります。

まず、最も単純なレベルでは、これらはすべて「新しいモデルが登場するたびに、特にその新しいモデルが知能において大きな飛躍を遂げている場合、私たちはハードで、時には時間のかかる作業を行う必要がある」というリマインダーです。それは、従来のプロンプトやインタラクション方法が新しいモデルを最大限に活用できない、あるいは積極的に害を与える可能性がある場所を、試行錯誤を通じて見つけ出す作業です。

次に、そして長期的にはおそらくさらに重要なことですが、私たちは「その知能の飛躍によってもたらされる差別化された能力を実際に解き放つ新しいテクニック」を見つけ出す必要があります。そして多くの場合、それらは単なるプロンプトのヒントではなく、これらの「ループ」が象徴するような、全く新しいインタラクションパターンとなるでしょう。

これらの情報から得られる最も大きな教訓があるとすれば、それは「自身の野心を高め、最新モデルができることに対してほとんど限界を仮定しないこと」です。思いつく限りの最大かつ最も挑戦的なことに挑戦することで、避けられないように姿を現すその限界を、実際に自らの手で発見することができます。

この作業の第一層は常に個人レベルで起こるでしょう。しかし、組織にとっても同様の類推が当てはまると考えられます。特にビジネスや職場のコンテキストでは、AIをすでに利用していること、すでに価値を見出している場所、既に行っている種類の仕事のためにAIを使う、というデフォルトの考え方に陥りがちです。AIを単に「より速く、より安く、あるいは少しだけ良く」既存の仕事を行うための手段として捉えてしまうのです。

しかし、真の「アンロック（解放）」は、仕事との新しい関係を築き、以前は不可能だった新しいカテゴリーの仕事を解き放つことにあります。それをどのように行うかを見つけ出すことは、決して単純なことではありませんが、同時に非常にエキサイティングな挑戦でもあります。

今日ご紹介したヒントのいくつかが、皆様がその「仕事の全スペクトラム」にわたって活用できるツールとなり、そして5分後に次のモデルの飛躍が来たとしても、引き続き有用であることを願っています。AIの進化は止まることを知りません。私たちもまた、その進化に適応し、常に野心を持って新たな可能性を追求していく姿勢が求められています。