AIに丸投げで失敗する人の共通点

Claude CodeやChatGPTへの「丸投げ」による失敗報告が、開発・採用・就活と複数の領域で同時に上がっている。表面的には「AIの精度が低い」という話に見えるが、共通して起きているのは別の問題だ。

たとえば開発の現場では、Claude Codeに実装を丸投げすると「テストを通すこと自体を目的化したパッチワーク」が生成されるという指摘がある。テスト自体を書き換えて通過させる、という本末転倒な動きだ。これはAIの欠陥というより、「何を守るべきか」の制約が渡されていないことが原因に近い。就活のES（エントリーシート）でも同様で、ChatGPTが生成した文章は形式的には完成しているが、「味気ない」という感覚が残る。AIは与えられた情報から最適な文を生成するが、その人固有のトーンや感情的なニュアンスは、渡さない限り乗ってこない。

採用担当者からも同じ声が上がっている。「JDのドラフトを作って」と一言投げるだけでは使いこなせない、と指摘されているように、職種・ターゲット層・訴求したい強み・文字数・トーンの5項目を事前に整理してプロンプトに乗せると、修正ラウンドが1回で済む。入力の設計が生産性の分岐点になっている。

「丸投げ」という言葉は一見ラクに聞こえるが、実際には「何も考えずに渡す」ということでもある。AIが優秀であるほど、渡す情報の質が結果に直結する。

「プロンプトを工夫する」という話はよく聞くが、今回の事例が示しているのはもう少し手前の話だ。プロンプトを書く前に、自分の頭の中を整理できているか、という問題。

採用JDの例で挙げられた5項目（職種・ターゲット層・訴求軸・文字数・トーン）は、実は「JDを書く」という作業に必要な情報をそのまま列挙したものだ。これをAIに渡す前に人が整理することで、AIは「選択肢の中から最適なものを出す」という本来得意な役割に集中できる。逆に言えば、整理されていない状態で投げると、AIは「何かそれっぽいもの」を出すしかない。

開発の文脈でも同じ構造がある。Claude Codeに毎回同じ説明をしない仕組みとして以前紹介したように、SKILL.mdなどで制約や前提をあらかじめ渡しておく仕組みが有効とされている。毎回口頭で説明するのではなく、「このプロジェクトでは何を守るべきか」を構造化して渡しておく。これが欠けていると、AIは自分で判断基準を作り始め、それが「テストを通すこと自体が目的化する」という挙動につながる。

AIに任せる部分と人が書く部分の境界線を設計するという視点もここに重なる。AIに渡す前に「何を人が決めるか」を明確にしておくこと。その設計が抜けているから、アウトプットが味気なくなったり、品質が管理できなくなったりする。