「みんなAIを使うのがあまりにも保守的だ！」Claude Codeの責任者：私の方法はもっと野心的だ

著者：QbitAI

不合理な目標を設定し、モデルに「これは非常に合理的です！」と言ってください。

これはClaude Codeデスクトップ版の責任者Felix Riesebergが共有したAIの使用小技です。

具体的にはどうするのか？

例えば、ウェブサイトの読み込み時間を10秒から5秒に短縮したいとします。彼は提案します：目標を0.2秒に設定する。

モデルができないと言ったら？それなら続けて言ってください：この問題は完全に解決可能です、もう一度試してみてください。

Felixの見解では、私たちがAIにタスクを与える際、もっと大胆になれるのです。

彼はまた、小技を共有しました：タスクの名詞を動詞に置き換えること。

例えば、元々のタスクは「報告用のPPTを作成する」ですが、次のように再表現できます：

30分以内に、一群の忙しい人々を納得させるために、事の前因後果の説明を行い、状況が不明な中で決定を下す。

目標を意図的に過激に設定するだけでなく、彼はいくつかの具体的な方法を示しました：

• AIに「専門家のように考えさせる」だけではなく、さらに追求してください：真の専門家はどのような原資料を見て、どのツールを使用し、どの方法を採用するのか、これらの要求をタスクに書き込んでください。

• 自分の判断を直接答えとして扱わないでください。それをAIに検証させ、AIに原資料に戻らせ、支持する証拠や反例を探させてください。

• AIに自分で自己評価をさせないでください。コードは実際に実行され、予測結果は新しいデータで検証され、最終的に実際の結果が物を言います。

以下はFelixがClaudeを使うための詳細なチュートリアルです。編集済みです。

楽しんでください～

AIを使って、私たちはもっと野心的になれる

私はClaudeチームで働いています。

この仕事の面白い点は、ほぼ毎日、Claudeを使って何かが達成されたことを知ることです------時にはClaudeが独立して達成したこともあります。

考えもしなかったことや、不可能だと思っていたこともあります；また、単に私自身がそれほど好奇心を持たず、試す時間を取れなかったこともあります。

今月、Claudeは新しい惑星を発見するのを手伝ったかもしれません；私は本当に好きなAI音楽ビデオを初めて見ました；私たちは数学の新時代が到来しているのかどうかを議論し始めました。

モデルの能力は一様に進化するわけではありません。陶哲軒が言ったように、「ある方向では驚くべきものであり、他の方向ではまだ不足があります」。

すでにその驚くべき能力を使いこなすことを学んだ人々がいて、まるで本当に飛び立ったかのようです。私が手がけた製品を使って彼らがそのような高みに達するのを見るのは、本当に魅力的です。

より多くの人々は、どうやってこの新しく生えた翼をうまく使うかを模索しています。彼らはまだ考えています：「フランスの首都はどこですか？」や「このメールの口調をもう少し穏やかにできますか？」と答える以外に、AIは何ができるのか？

私は多くのAI業界の人々と共に、常に口にする言葉があります：AIを使うなら、もっと野心的であるべきです。

この言葉はほぼ私たちの行動のスローガンになっています。驚くべき成果を見るたびに、私たちはそれをリツイートし、「私たちはまだ十分に野心的ではありません」と付け加えます。

私も知っています、この言葉は言うのは簡単ですが、実行するのは非常に難しいことを。だから、ここに「どうやってもっと野心的になるか」のチュートリアルがあります。

私は野心を四つのカテゴリーに分けました：速度、高さ、深さ、広さ。

△AI生成

速度：より少ない時間で同じ仕事を完了する。これはAIが経済的価値を創造する最も基本的な方法です。

例えば、同じコードを書く場合、Claudeの助けを借りれば、私はより早く完成できます。この使い方はすでにかなり成熟しており、より複雑な使用方法を考える必要はあまりないので、ここでは省略します。

高さ：タスクの抽象レベルを上げ、最終的に達成したい結果に焦点を当て、具体的なタスクの一つ一つではなくなります。

深さ：トップ専門家のようにタスクを考え、さらにデータ、ツール、問題の根底に深く掘り下げます。

広さ：複数の分野から問題解決のアイデアを探し、普段は接触しない知識、ツール、方法も活用します。

私は主にClaudeを使用していますが、これらの提案は特定のモデルに対してではありません。

高さ：モデルをより高い抽象レベルで働かせる

私たちはこの方法を「モデルをより高い抽象レベルで働かせる」と呼ぶことがよくあります。モデルにタスクを指示するとき、実際にはあなたが期待する結果を達成するための最適な想定を実行しているのです。

より高い次元で考えたい場合、自問してみてください------次に、あなたは何が起こることを望んでいますか？目標の背後にある目標は何ですか？

昨年の初め、私はClaudeに単一のプログラムのクラッシュ問題を修正する手伝いをさせましたが、その後、私は直接彼に私たちのアプリケーションが常にクラッシュせずに動作し続けることを保証するように要求しました。

日常のオフィスタスクを見てみましょう（失礼ですが、少し退屈かもしれません）。

あなたがAcme社で、四半期のビジネスレビュー（QBR）のためにPPTを準備する必要があると仮定します。Claudeに一堆のデータを与えると、彼は喜んでそれを作成してくれるでしょう；おそらくあなたはすでにテンプレートを持っていて、彼は内容を埋めるだけで済むでしょう。

これは新しい惑星を発見することとは比べ物になりません。しかし、四半期の報告書を作成する場合、私たちはAIに何をさせることができるでしょうか？最も基本的な要求から始めて、徐々に野心を高めることができます：

△AI生成

第一歩、ビジネスで何が起こったのかを理解させる。

ほとんどのレビューは次の質問に答える必要があります：この四半期に何が変わったのか？なぜ？次に何をすべきか？

もしあなたがテンプレートの数字を更新したいだけなら、その衝動を抑えてください------できる限りのデータをモデルに渡し、彼にあなたのビジネスを本当に理解させてから、彼に尋ねてください：

教えてください、この四半期に何が変わったのか、なぜそれが起こったのか、そして私たちは何を行動すべきか。

第二歩、必要な決定を見つけさせる。

会議は------少なくとも良い会議は------理想的にはいくつかの決定で終わるべきです。Claudeに次のように尋ねることができます：

あなたが知っているすべての状況に基づいて、現在最も緊急な三つの決定は何かを判断し、可能な行動の方向について分析を展開し、それぞれの支持と反対の理由を挙げてください。

第三歩、作業メカニズムを再設計させる。

以前は、四半期のビジネスレビューを行うために、人間はデータを慎重に選別し、データの意味を理解し、ビジネスを調整する必要があるかどうかを判断しなければなりませんでした。

今は、Claudeに次のように尋ねてみることができます：

レビューの存在意義は、経営陣が問題を早期に発見し、資金と人員を適切な場所に配置することです。

四半期のPPTよりも優れた実現方法を設計し、私たち自身の歴史データを使って、どの問題をより早く発見できたかを証明し、それを既存の方法と並行して一四半期実行させてください。

実際に特定の最終結果を追求している場合、目標のレベルを上げる方法が最も効果的です；しかし、創作系のタスクに関しては、その適用性は相対的に限られています。

良い判断のシグナルは：もしあなたが行っていることの後に会議が必要であれば、目標をもう一段階上げる価値があります。

もちろん、現在でも限界があります------少なくとも2026年まで、多くの企業にとって「Claude、稼いでください」と言うだけでは、物事を自動的に運転させることはできないようです。

しかし、私の全体的な観察は：能力が向上するにつれて、モデルはますます高い抽象レベルで働くことができるようになっているようです。

目標のレベルを上げることは、人々が持続可能な運用を見つけ、人間の継続的な介入を必要としないワークフローを見つけるのに役立ちます。これにより、モデルに新しいタスクを一つ一つ割り当てる必要がなくなります。

これをうまく行うためには、既存の作業プロセスを変更する必要があることが多いです。

例えば、Claudeに私たちのアプリケーションがクラッシュしないことを保証させるためには、まず彼がクラッシュレポートを簡単に取得できるようにし、各アプリケーションバージョンがどのGitコミットに対応しているかを理解させ、Windows、macOS、Linuxコンピュータへのアクセス権を与える必要があります。そうすれば、彼は本当に独立して問題を再現し、修正が有効かどうかを検証できるようになります。

深さ：トップ専門家の方法で問題を徹底的に解決する

時には、特定のタスクを特に良く完了させたいだけです。

「深さ」においてより野心的であることは、モデルがこの分野で最も優れた専門家が使用するツール、技術、メディア、知識を利用し、さらにそれを強化し続けることです------その結果、これらの専門家もあなたの成果から新しいことを学ぶ可能性があります。

Acme社の四半期ビジネスレビューを続けて見てみましょう。仮にこの会社がユーザーの流出問題に直面しているとします。つまり、顧客が時間の経過とともに離れていくのです。

私は、以下のいくつかの方法を組み合わせて使用することが非常に役立つことを発見しました：

△AI生成

業界のトップ専門家が使用するツールを使い続ける

モデルに「専門家のように働いて」と要求すると、しばしば専門用語を使い替えるだけで、実際の方法は変わりません。

問題を深く掘り下げるには、トップデータサイエンティストや統計学者が使用するツールを使う必要があります。ClaudeがMarkdownテーブルを取り出そうとしたときは、データベースと統計モデルに切り替えるようにしてください。

専門家が何を使うかを事前に知っている必要はありません——Claudeは通常知っています。

「不合理」な目標を設定し、モデルにそれが非常に合理的であると伝える

ウェブサイトの読み込み時間を10秒から5秒に短縮したいですか？直接0.2秒を要求してください。

モデルが何かを不可能だと感じている場合は、その問題は完全に解決可能であることを強調し、引き続き試すように促してください。

△AI生成

すでに認定した結論に挑戦する

特にビジネスの分野では、私たちが事実だと信じている多くのことは、現実の粗い近似に過ぎません。

モデルに原始的な情報とデータに触れさせ、仮説を疑う態度で検証させてください。

例えば：

私たちは、ユーザーの離脱は新規ユーザーの導入段階の問題だと考えています。この結論を原始データから再現してみてください。

新しい知識を見つける

このステップは「既存の認識に挑戦する」後に簡単に続けられます——Claudeがデータの内部に深く入り込んでいるので、盲点を探すように要求し続けてください：

私たちのログに基づいて顧客シミュレーションモデルを構築し、過去1年間の状況を再現してください。そして、私たちがまだ知らない、ユーザーの離脱を最初に示す信号を見つけ、それを未見のデータで検証してください。

外部の評価を導入する

モデルに自分自身を評価させないでください。

モデルの知能が向上するにつれて、この問題は最終的に解決されると思います。しかし、2026年10月には、外部の検証を使用し続けることを強くお勧めします。

理想的には、検証方法はモデルが自分で実行でき、即座にフィードバックを得られるツールであるべきです。

以下のシンプルなプロンプトは、私によく役立ちます：

私はこのタスクをより深く行いたいので、タスクの範囲を広げるのではなく、まず4つのことを完了してください：

この分野のトップ専門家がどのようなことをするかを説明し、私がまだその要求をしていないことを示してください。

彼らがどの最も原始的な材料から始めるかをリストアップし、私がすでに整理し消化した内容を直接使用するのではなく、示してください。

彼らが採用する具体的な方法とツールをリストアップしてください。

あなたと私以外に、結果が正しいことを証明できるものが何かを示してください。

その後、私のプロンプトを改訂し、これらの要求を正確に書き込んでください。

△AI生成

幅広さ：他の分野の方法も活用する

「幅広さ」においてより野心的になることは、異なる分野の視点から自分の仕事を見直すことです。

関与する分野は過去よりも多くなる可能性があります。なぜなら、過去はコストの面でそうすることがしばしば不合理だったからです。

この考えは新しいものではありません。ほぼすべての専門家チームを集める映画では、最初の30分で異なる背景を持つ、各々の強みを持つ人々を集めています。

AI製品が多エージェントシステムを運用しやすくするにつれて——複数のスレッド、コーディネーターを介して、または直接サブエージェントを使用することによって、私はClaudeに他の分野のアイデアを取り入れさせることで、しばしば非常に興味深い結果を得ることができることを発見しました。

実際に実践するのは簡単ではありません。創造性を発揮する必要があります。

同僚のAlex AlbertがBlenderを使ってインテリアデザインをレンダリングしているのを見たとき、私はClaudeを使って自分のホームページに3D環境を作成できるとは思いもしませんでした。

私は以前、ビデオゲームを作っていたのですから！

しかし、これこそが私が最も驚きを感じる場所でもあります。

具体的にどうすればよいのか？私は以下の方法を使用します。

名詞を動詞に置き換えてみる

これはTom KelleyとJonathan Littmanが『The Art of Innovation』で言及している古い方法です。

四半期の振り返りの目的は、「1つのPPTを作成する」だけではありません。あなたがやるべきことは：

30分以内に、一群の忙しい人々に事の前因後果についての説明を納得させ、不確実な状況で意思決定を行うことです。

動詞でタスクを説明することで、私とClaudeは、どの分野が独特で有用な視点を提供できるかをより明確に見ることができます。

△AI生成

異分野のチームを編成する

このPPTが素晴らしいものでなければ、宇宙人が地球を爆破するという状況を想定してください。人類はどのようなチームを集めるでしょうか？

製品の品質を保証するために、私はアナリスト、ジャーナリスト、エディターを集めます。

もし現場でのプレゼンテーションが必要であれば、モーションデザイナーとオーディオデザイナーも必要かもしれません。

間違いを指摘するための「レッドチーム」を導入することも役立つかもしれませんので、懐疑論者と法務会計士をもう一人呼んでください。

ただし、この方法は役割演技に不注意に陥ることが容易です。その結果、あなたとモデルの対話が奇妙になり、実際の成果が改善されないことがあります。

この方法を使って有用な分野や技術を探してください。モデルに懐疑論者が投資対象を研究する方法で調査を行わせる方が、その役割を演じさせるよりも意味があります。

前述のすべての方法は、モデルが操作可能なコンピュータを持ち、ソフトウェアをインストールし、さまざまな関連データにアクセスできることを要求します。MCPコネクタを介してでも、他の方法でも構いません。

現在、これらの条件を提供できるツールがたくさんありますので、1つ選んで使用することをお勧めします。

自己効力感：人も自分の能力の判断を更新する必要がある

以上が「どのようにより野心的になるか」に関する具体的な提案です。

もしもう少し時間をいただけるなら、この問題についてなぜ議論する必要があるのかをお話ししたいと思います。

人類は常に自分の判断に制限されています：私たちは何が可能で、何が不可能かを考えます。さらに厄介なのは、私たちは通常、自分が非常に狭い分野でしか成果を上げられないと考えていることです。

ミケランジェロがシスティーナ礼拝堂のために絵を描くことを望まなかったのは、有名な例です。彼は自分を彫刻家だと考え、画家としてのアイデンティティを認識していませんでした。

△フランシスコ・ゴヤの『Modo de volar』（A Way of Flying）

【フランシスコ・ゴヤはスペインの歴史上最も偉大な画家の一人であり、ロマン主義絵画の先駆者と見なされ、古典的な巨匠と現代アートをつなぐ重要な人物です】

「野心」という問題を研究する中で、心理学には関連する概念があることを知りました：自己効力感。

簡単に言えば、自己効力感が高い人は自分の能力をより信じており、そのためにより多くのことを成し遂げることができます。

自己効力感は、いくつかの方法で向上させることができるという証拠があります。

ロックとラサムは35年間の目標設定研究を整理し、明確な結論を導き出しました：明確で挑戦的な目標を与えられた人は、「頑張ってください」と言われただけの人よりも優れたパフォーマンスを発揮します。

Stripeの創業者であるパトリック・コリソンは、「Fast」というリストを維持し、人類が大胆な目標と緊急の期限の下で達成したことを記録しています。

以下は、十分に記録された方法のいくつかです。

難しいことができると信じる

1939年、ジョージ・ダンツィグはバークレーで統計の授業に遅れて到着しました。

彼は黒板に書かれた2つの問題を写し取り、それが宿題だと思い、自分の解答を提出しました。

実際には、それは統計学における2つの未解決の問題でした。

他の人ができるのを見て、難しいことを成し遂げる

何十年もの間、人類は1マイルのランニングタイムを4分以内に短縮しようと試みてきました。

1954年5月、ロジャー・バニスターはこの壁を突破しました。しかし、「世界で彼一人だけが4分以内で走った」という状況は、わずか46日間しか続きませんでした。

もしあなたがランニングに注目しているなら、マラソンの2時間の壁でも同様のことが起こっていることに気づくでしょう。

今年の4月、サバスティアン・サウェはロンドンで公式レースにおいて初めて2時間以内のマラソンタイムを記録しました。同じレースの準優勝者も2時間以内で走りました。

【2時間マラソンの壁 ：マラソンの全長は42.195キロメートルで、人類が「2時間以内に走る」（破2）は「4分で1マイル」と同等の象徴的なフィジカルの門戸と見なされています】

△AI生成

自分が失敗することを許し、困難に挑戦する

『The Inner Game of Tennis』は、誰もが好きなビジネス書のようですが、私は先週やっとそれを発見しました。

この本の核心的な主張は、全力を尽くしすぎると、自分の最高のテニスのレベルを発揮できないということです。

私たちエンジニアは、Linuxが発表されたとき、Linusがこう表現したことをまだ覚えているかもしれません：

私はこのものを楽しむために作っているので、GNUのように壮大で専門的ではありません～

（誰が予想したでしょうか、後にLinuxが大きな潮流になり、GNUカーネルは今でも完成していないなんて。。。）

自己効力感は新しい問題ではありませんが、今やそれは非常に非常に重要になっています！

数週間ごとに能力が飛躍する時代において、私たちは真剣に考えたことがない、さらには実現できるとは信じていなかったことを成し遂げるための方法を切実に必要としています。