AIで量産するなら「設計が先」という共通解

AIでスカウト文や提案書を量産できるようになって久しいが、「数を出せば当たる」という発想が通用しないことは、実践者の間では共通認識になりつつある。

@id_121122142が指摘しているのは明快だ。スカウトをChatGPTで量産するなら、「職種×経験年数×求める強み」の3軸をプロンプトに固定してから生成を始めること。軸が曖昧なまま量を追うと、文面は増えても返信率は下がり続ける、というわけだ。

これは採用に限った話ではない。提案書でも、コード生成でも、同じ構造の失敗が起きている。AIに投げる前に「誰に・何を・どの深さで」を言語化できていないと、生成物の精度は安定しない。ツールの性能を引き出す前に、設計の段階で勝負がついている。

AIへの「指示の仕方」が仕事の速さを決める時代でも触れたテーマだが、「どう指示するか」の解像度が上がらないまま生成を繰り返しても、出力のバラつきは縮まらない。量産フェーズの前に、設計フェーズが必要だという認識が実践者の間で固まってきている。

@masahirochaenがClaude Codeの公式説明を整理したポストが注目されている。ポイントはシンプルで、「Model」と「Effort」は別物だということだ。

• Model（モデル） = どれだけ賢いか。知識量・推論力・解ける問題の上限が変わる
• Effort（エフォート） = どれだけ丁寧に作業するか。読むファイル数、検証、テスト実行、ダブルチェックの量が変わる

つまり、「より賢いモデルを使えばいい仕事をしてくれる」とは限らない。複雑な推論が必要な問題ならModelを上げる。一方、確認や検証を念入りにしてほしいならEffortを上げる。用途に応じて使い分ける、という考え方だ。

これは「道具を選ぶ前に目的を言語化する」という構造と同じだ。より高性能なモデルに切り替えることと、より丁寧に作業させることは、まったく別の操作をしている。どちらをチューニングするかを判断するためには、まず「今の出力の何が不満か」を言語化できていなければならない。

Modelが低くてもEffortを上げれば十分な場面はあるし、Effortを下げてModelだけ上げても期待通りにならない場面もある。この2軸を意識しているかどうかで、Claude Codeの使い方の精度はかなり変わってくる。

@shota7180が紹介している「ChatGPT Work」は、資料の読み込みから成果物の作成までを1つのワークスペースで完結させられる環境だ。発表内容によると、日常業務向けの「GPT-5.6 Terra」を使って、提案書と商談用スライドを生成するまでの一連の流れを1つの指示でこなせるという。

注目したいのは、「ツールを渡り歩く手間」が減るという点だ。これまでは、資料を読む→要点を整理する→スライドに落とす、という工程をツールをまたいで行う必要があった。それが1つのワークスペースに収まるなら、途中の文脈断絶が減り、指示の一貫性も保ちやすくなる。

ただし、ここでも「軸の設計」は変わらず必要だ。ワンスペースで動かせるからといって、「とりあえず資料を投げれば何とかなる」という運用では、出てくるものの精度は安定しない。どんな提案書を、誰向けに、どの粒度で作るかを最初に指定してから走らせることが前提になる。

LP骨子が1.5時間で出る時代、午後の使い方が変わったでも整理したが、生成の速さよりも、最初の指示の精度が成果を決める構図は一貫している。