Andrew Ng が 2026 年に DeepLearning.AI で「AI Prompting for Everyone」という新しいコースを開講しました。このコースは 3 つのモジュールで構成され、全 21 のレッスンがあります。最初の一文で誰もが引き込まれます。「今日は、ChatGPT が 2022 年に登場した当時とはまったく異なる世界だ」と。このコースは単なるプロンプトのテクニック集ではなく、過去 4 年間における AI 活用の全体的なパラダイムシフトについてのものです。以下は、21 のレッスンを深掘りした要約で、取り入れるべき最も価値のあるポイントをすべて含んでいます。
初心者 vs. エキスパート：Andrew Ng が提唱する 4 つの主要な差
コース全体の骨格は比較です。AI 初心者と AI エキスパートは同じツールを使いますが、そのアウトプットには 5 倍から 10 倍の差があります。その差は 4 つの側面にあります。
第一に、質問の難易度です。初心者は AI を Google 検索のように使い、「タコベルにダブルデッカータコスはまだある？」と尋ねます。エキスパートは、車を購入するための書類一式（スペック、見積もり、保険プラン）を丸ごと AI に渡し、すべてを読ませ、じっくり考えさせ、メリットとデメリットを比較させます。現在のモデルは、回答する前に数十秒、あるいは数分間考えることができます。節約された時間は、まさに金銭的価値に直結します。
第二に、コンテキストです。初心者は短いプロンプトを送り、AI が不足情報を補ってくれることを期待します。エキスパートは AI を、あなたのことを何も知らない、非常に優秀な新卒のインターンだと考え、十分な背景情報を提供します。AI に自己評価を書かせる場合、初心者が「上司に提出する自己評価を書いて」と言うだけでは、空虚なお世辞のような内容になります。エキスパートは、プロジェクトの進捗スクリーンショット、最近のドキュメント、音声メモの文字起こしなどをアップロードし、AI が実質的な内容を書けるようにします。Andrew Ng はこれを「AI への共感」と表現します。つまり、タスクを受け取る側の立場に立って、「この人が良い仕事をするのに十分な情報を持っているか？」と自問することです。
第三に、ガイダンスです。初心者は「モバイルタイダイ染めサービスの素晴らしいビジネスアイデアがあるので、評価してほしい」と尋ねるかもしれません。AI は「素晴らしい」という言葉に同調し、それを褒め称えます。これが「お世辞問題（sycophancy）」です。エキスパートは中立的な質問をするか、評価基準（ルーブリック）を提供します。「市場はあるか？」「競争優位性はあるか？」「そもそも問題は実在するか？」など、どの観点で評価するかを AI に指示し、正直な結論、おそらく 8 点といったスコアを出させます。
第四に、作成プロセスです。初心者は AI にいきなり記事を書かせ、その結果、AI 特有の「AI スロップ」と呼ばれる質の低い文章が生成されます。エキスパートは、モデルにすぐに本文を書かせません。まずアウトラインを生成させ、そのアウトラインを改良し、箇条書きに展開し、さらにそれを改良し、最後に全文を書かせます。このワークフローは、AI をタイプライターではなく、思考のパートナーとして扱います。
これらの 4 つのポイントは、すべてのモジュールで繰り返し登場し、コース全体の一般的なフレームワークとなっています。
AI の知識はどこから来るのか：3 層構造を理解する
モジュール 1 の中核は、情報獲得を 3 つの層に分解することです。各層は異なるタスクに適しています。
第一の層は、事前学習済み知識です。これはモデルが膨大なインターネットテキストから学習した常識です。頻度が信頼性を左右します。料理、映画、有名人などのトピックは、コンテンツが非常に多いため、非常に正確です。クエーサーのようなニッチなトピックでは、回答の質が低下します。広東語は 8000 万人に話されていますが、インターネットコンテンツの 0.1% 未満を占めるに過ぎず、非英語コーパスのカバレッジは弱くなります。すべてのモデルには知識のカットオフ日があります。例えば、GPT-5.4 は 2025 年 8 月でカットオフされています。2025 年後半に流行ったミームについて尋ねると、モデルは答えられず、ウェブ検索を起動する必要があります。
第二の層は、ウェブ検索です。これは実際にはデュアル AI アーキテクチャです。ユーザーと対話する AI があり、その AI が別のアシスタント AI を呼び出してウェブ検索を実行し、結果をフィルタリングし、関連ページをダウンロードし、要約を返します。重要な癖として、ユーザーと対話する AI は要約しか見ることができず、ページ全体は見えません。このため、「AI が URL を引用しているが、そのページには実際にはそんなことは書かれていない」という現象がよく発生します。
第三の層は、ディープリサーチです。主要なモデル（ChatGPT、Gemini、Claude）にはすべてこのモードがあります。これはエージェント的なプロセスで、最初にリサーチ計画を作成し、数十の検索クエリを並行して実行し、結果に基づいてさらに検索を追加するかどうかを判断し、数分後に引用付きの詳細なレポートを提供します。ハロウィンのお化け屋敷を計画する（規制、安全、装飾などが関係する）ような複雑なタスクでは、ディープリサーチは手動でブラウジングするよりも数十倍高速です。
3 つの層の使い分け：基本的な事実には事前学習済み知識を、最新情報、ローカル情報、ニッチなクエリにはウェブ検索を、複数の情報源と多角的な比較を必要とする複雑な問題にはディープリサーチを使用します。
Andrew Ng は情報源の質に関するヒントを強調しています。健康トピック（例えばグレーマーケットのペプチド）について尋ねると、AI はデフォルトで Reddit や Quora などのソーシャルプラットフォームを参照します。AI の引用頻度は、Reddit が最も高く、次いで Wikipedia、YouTube、そして Google 自身が 4 番目です。信頼できる回答を得るには、プロンプトに「WHO、FDA、EMA などの権威ある情報源を使用してください」と明示的に指示する必要があります。
コンテキストが新たな王様 + デスクトップアプリの台頭
モジュール 2 の最初の中核概念はコンテキストです。現在の主流モデルのコンテキストウィンドウは 75 万語で、これはハリーポッターシリーズの最初の 4 ～ 5 冊分に相当します。Andrew Ng は、ほとんどの人が AI に与えられるコンテキストの量を大幅に過小評価していると言います。
コンテキストには 4 つの部分が含まれます：システムプロンプト（日付、機能、ツールの指示）、ツール定義（ウェブ検索の使用方法など）、あなたのプロンプト、そして会話履歴です。これらすべてが、単一の推論のためのコンテキストウィンドウに蓄積されます。
実用的なヒント 1：トピックを変えるときは新しい会話を始めましょう。フィットネスプランについて尋ねた直後に、母親のフィットネスプランについて突然尋ねると、以前のコンテキストにあるあなたの好みが新しい回答を汚染します。新しいチャットを開始してコンテキストをクリアするのが最もクリーンな方法です。
実用的なヒント 2：ブレインストーミング中にフィードバックを与えることは、最良のコンテキストエンジニアリングです。どのようなコンテキストを提供すればよいかわからない場合は、まず AI に 3 ～ 5 つの選択肢を生成させます。それらを見て、何が好きで何が嫌いか、その理由を AI に伝えます。数回の反復を経れば、AI はあなたの好みを理解します。これは、最初から長いプロンプトを考え出そうとするよりもはるかに効率的です。
次の進化は AI デスクトップアプリです。Claude Cowork、Microsoft Copilot Cowork、Google Antigravity などがこれに取り組んでいます。これらのアプリの違いは、エージェント的にあなたのコンピュータ上のファイルを探索し、必要に応じて関連ファイルをコンテキストに読み込むことができる点です。あなたが事前に何をアップロードするかを決める必要はありません。
標準的な 3 ステップのワークフロー：あなたがやるべきことを伝え（例：散らかった研究用 PDF フォルダを整理する）、AI がアクションプランを提示しますが、実行はしません。あなたがそのプランを確認し、その後で初めて実行させます。安全上のヒント：デスクトップアプリで削除されたファイルは、多くの場合ゴミ箱に入らず、編集されたファイルには元に戻す履歴がありません。ホームフォルダ全体を与えるのではなく、タスクに関連するサブディレクトリのみを与えるのが最善です。
推論の時代 + お世辞対策：モデルに真実を語らせる方法
2025 年以降、AI は推論モデルの時代に入り、問題について数秒から数分間考えることができるようになりました。METR の研究によると、2024 年から 2025 年の間に、AI が処理できるタスクの長さは「人間にとって数分」から「人間にとって数時間」に成長しました。
Andrew Ng は特に、古いアドバイスである「ステップバイステップで考えましょう」はもはや時代遅れであると指摘しています。これは 2023 ～ 2024 年には有効でしたが、もはや必要ありません。モデルに「しっかり考えて」と伝えるか、「ウルトラシンク（ultrathink）」というキーワードを使用するだけで十分です。一部の UI には「思考」オプションがあり、チェックするだけで利用できます。
内部の推論プロセスはループです：プロンプトを受け取り、しばらく推論し、さらに情報が必要な場合はウェブ検索やファイルツールを呼び出し、新しい情報でさらに推論し、十分な情報が得られた時点で最終的に回答を出力します。強力なユースケース：4 人体制のスタートアップの 12 ヶ月分の運用計画、ローマの 5 つの観光名所を最短で回るルートの計画、複数の家族用 PDF を分析して購入する車を決めるなど。
しかし、推論能力が強化されても、正直さが保証されるわけではありません。お世辞問題（sycophancy）は、解決が最も難しい問題の一つです。ワシントンポストの調査によると、ChatGPT はユーザーに反対するよりも 10 倍以上頻繁に同意し、「おい、今言ったことはすごく深いね、君は 1000% 正しいよ」といったことを言います。モデルは人間のフィードバックで訓練されており、ユーザーは賛辞には高評価を、反対意見には低評価を与えるため、同意する傾向が強化されます。
お世辞に対抗するための 4 つのヒント：
第一に、偏りのない中立的な質問をしましょう。「リモートワークの方が良いと思わない？」を「リモートワークとオフィスワークの生産性を比較してください」に変更します。
第二に、ルーブリック（評価基準）を使用して客観的な判断を強制します。AI に履歴書や事業計画書を見せる前に、採点基準（例：キャラクター 25 点 / プロット 25 点）を提供し、項目ごとに採点させます。
第三に、データ分析の質問にバイアスを埋め込まないようにします。「データを分析して、すべてのポジティブなパフォーマンス指標を見つけてください」とすると、AI はポジティブな側面だけを見ます。「データを客観的に分析してください」とすると、両方の側面を見ます。
第四に、「A は B より優れていると思わない？」ではなく、「2 つの選択肢のメリットとデメリットをリストアップしてください」を使用します。両方の選択肢を提示することで、モデルがどちらを勝たせたいかを知ることができなくなります。
ライティング技術：段階的アウトライン法 + 客観的ルーブリック
OpenAI のデータによると、ChatGPT の会話の 24% はライティングであり、これは単一のユースケースとして最大です。そのうちの 3 分の 2 は、ゼロから書き始めるのではなく、既存のテキストを編集することです。モジュール 2 では、「AI スロップ」を回避する方法に多くの時間を割いています。
AI スロップの 4 つの特徴：ダッシュ（—）の多用、「ニュアンスがある（nuanced）」、「掘り下げる（delve）」、「堅牢な（robust）」などの高頻出単語、3 つのリスト、そして空虚な「X ではなく Y」という文構造。興味深いことに、人間も AI を模倣し始めており、ポッドキャストやスピーチで「delve」という単語が大幅に増加しています。
Andrew Ng の治療法は、段階的アウトライン法（Progressive Outlining）です：
ステップ 1：AI にまずアウトラインだけを生成させます（本文はなし）。
ステップ 2：フィードバックを与え、満足するまで反復します。
ステップ 3：アウトラインを箇条書きに展開します。
ステップ 4：箇条書きにフィードバックを与え、反復します。
ステップ 5：最後に、AI に全文を書かせます。
なぜこれが効果的なのか：アウトラインの段階で 1 文を変更すると、セクション全体が書き直されるため、レバレッジが非常に高いからです。AI が書いた下書きを単語単位で編集するのは非効率で、通常は「AI スロップ」の風味を残したままになります。
編集の高度なテクニックとして、ルーブリック + クロスモデル批評があります。AI に SF 小説のフィードバックを求めると、大抵「素晴らしいです」と言います。バイナリのサブ項目（例：「主人公に目標はありますか？」）を持つルーブリックを与えると、AI は客観的にならざるを得ません。最初に採点してから合計する方が、全体のスコアを選んでからそれを正当化するよりもはるかに信頼性が高いです。
クロスモデル批評とは、ChatGPT が書いた記事を Gemini にレビューさせる、またはその逆を行うことです。モデルが異なればバイアスも異なるため、相互レビューにより、単一モデルの自己評価では見逃される問題を発見できます。
マルチモダリティ + バイブコーディング：画像、コード、データ分析
モジュール 3 はマルチモダリティに移行します。生成コストの勾配を理解することが重要です：テキストが最も安く、音声は少し高く、画像は数秒かかり数セントのコストがかかり、動画が最も高価で、まだ改善中です。
画像入力機能：Andrew Ng は、ホワイトボードに書かれた CNN のスケッチを示しました。彼の頭が「畳み込み（convolutional）」という単語を遮っていましたが、AI はそれでも正しく推測しました。しかし、細かい認識は失敗することがあります。遠くから特定のジム器具を識別するように AI に依頼すると、自信満々に間違った答えを返すことがよくあります。レシートや手書き文字の処理は得意ですが、リスクの高いタスクでは必ず再確認が必要です。
画像生成は拡散モデルを使用し、ノイズから一度に画像を復元するため、奇妙な手や一貫性のないキャラクターなどの問題が発生します。Nano Banana のような新しいモデルは、これらの問題の多くを修正しています。実用的なヒント：画像プロンプトを自分で書けない場合は、テキスト AI に書かせてみましょう。自動的にシーン、キャラクター、スタイルの詳細が追加されます。
Andrew Ng の最も興味深い応用例は、7 歳の娘 Nova の誕生日ケーキでした。彼は Nano Banana を使って猫のケーキの画像を生成し、それをパティシエに渡して実際の 3D ケーキを作ってもらいました。ここでの AI は、最終的な出力先ではなく、ブレインストーミングのパートナーとして機能しています。
バイブコーディング（Vibe Coding）はモジュール 3 のもう一つの半分です。1 つのプロンプトで、AI に Web アプリ全体を書かせることができます。コースのラボには 5 つの例があります：花火ショー、カラーパレットピッカー、ポモドーロタイマー、食事代計算機、天気ベースの服装提案ツール。それぞれ、1 文から生成された小さなツールです。
構築のための標準的な 3 部構成のプロンプト：目標（何をするか）、入力（ユーザーがどのように操作するか）、出力（プログラムが何を表示するか）を述べます。
コード機能はデータ分析にも拡張されます。売上データを AI にアップロードし、「どの製品の月間売上変化が最も大きかったかをグラフ化して」と依頼します。AI はコード実行ツールを呼び出し、Python を書いて変化を計算し、異常値を特定し、グラフをプロットします。AI は、人間なら数時間かかるデータ分析を数分で実行できます。
結論
Andrew Ng のコースの核となる主張は次のとおりです：2026 年の AI は、もはや 2022 年のチャットボットではありません。数分間推論でき、75 万語のコンテキストを読み、数十のページを並行して検索し、画像、コード、データを処理できます。しかし、ほとんどの人は依然として 2022 年の方法（短いプロンプトと Google 的な質問）で使用しているため、2022 年レベルのアウトプットしか得られていません。
高い ROI をもたらす 4 つのアクションで使い方をアップグレードしましょう：十分なコンテキストを提供する、ルーブリックや中立的な質問でお世辞を防ぐ、ライティングには段階的アウトライン法を使用する、複雑なタスクには「ウルトラシンク」を使用する。
コースのフルリンク：learn.deeplearning.ai/courses/ai-prompting-for-everyone（DeepLearning.AI で無料、全 21 レッスン、完了まで約 2 時間）。
