X（旧Twitter）で、こんな紹介をされているAI講義があります。
「スタンフォード大学の、数十万ドルの給料をもらう教授が、人工知能を正しく使う方法を馬鹿にでも分かるように説明してる。最初の40分で語られる内容は、300ドル払って見たコースでも見たことなかったよ 😀 完全に無料で、トルコ語字幕付き。ちょっと見てみ、って勧めとくよ。」
かなり強い言い回しですが、内容を確認してみると、単なる煽りとも言い切れません。
この講義では、AI研究者として知られるAndrew Ng氏らが、AI時代にどう学ぶべきか、どう仕事へ生かすべきか、そしてAIを使って何を作るべきかについて、かなり実践的に語っています。
よくある「ChatGPTの便利なプロンプト集」や「AIで作業を自動化する方法」といった内容とは少し違います。
中心にあるのは、
AIに何を入力するかではなく、AIによって“作るコスト”が劇的に下がった時代に、人間は何を考え、何を作り、どう価値を生み出すべきなのか
という話です。
特に印象的なのは、AIコーディングが進歩すればするほど、「コードを書く能力」だけでなく、何を作るかを決める力、ユーザーの問題を理解する力、実際に価値として届ける力が重要になると語られている点です。
では、この講義では具体的に何が語られているのでしょうか。内容を整理して見ていきます。
スタンフォード大学で語られた「AIを正しく使う方法」とは？Andrew Ng氏らが教えるAI時代の仕事・開発・キャリア戦略
「スタンフォード大学の高給取りの教授が、人工知能を正しく使う方法を誰にでも分かるように説明している」
そんな紹介文とともに注目されている講義があります。
実際に内容を見てみると、よくある「ChatGPTの便利なプロンプト10選」のような講座とはかなり違います。
講義の中心にあるのは、
AIに何を入力すればよいかではなく、AIによって“作るコスト”が劇的に下がった時代に、人間は何を考え、何を作り、どう価値を生み出すべきなのか
というテーマです。
冒頭ではAI研究者として知られるAndrew Ng氏がAI時代のキャリアについて語り、その後、MicrosoftやGoogleでの経験を持つLaurence Moroney氏が、AI開発、バイブコーディング、AIエージェント、技術的負債、採用市場などについて解説しています。講義そのものも「AIを使ってキャリアを築くこと」をテーマとして始まっています。
SNS上の紹介文では「教授の給料」などが強調されていますが、今回確認した講義の文字起こしには給与についての説明はありません。
重要なのは肩書きや年収ではなく、講義で語られている内容です。
そのポイントを整理してみましょう。
AIは「答えが賢くなる」だけではない
Andrew Ng氏が最初に強調しているのは、
AIの進歩を、単純なベンチマークの点数だけで判断してはいけない
ということです。
テストの正答率が100％に近づけば、それ以上数字を伸ばす余地はなくなります。
しかし別の見方があります。
それが、
AIがどれほど長く、複雑な仕事を自律的に処理できるか
という尺度です。
講義ではMETRによる研究を取り上げ、人間なら数秒しかかからなかった仕事から、数分、さらに長時間必要な仕事へと、AIが処理できるタスクの長さが急速に伸びていると説明しています。そこで示された推計では、AIが遂行できるタスクの長さは約7カ月ごとに倍増しているとされています。AIコーディングについては、より速い伸びを示す可能性にも触れています。
つまりAIの進化とは、
「同じ質問への回答が5％よくなった」
という話だけではありません。
これまでなら、
- 人間が計画する
- 人間がコードを書く
- 人間が確認する
- 人間が修正する
必要があった仕事の一部を、より長い単位でAIに任せられるようになっているのです。
Andrew Ng氏「今ほどソフトウェアを作るのに良い時代はない」
Andrew Ng氏は現在について、
AIを使って何かを作るには、これまでで最も良い時代の一つ
という趣旨の考えを示しています。
理由は大きく2つあります。
1つは、使えるAIの能力そのものが非常に高くなったこと。
もう1つは、AIコーディングによって開発速度が大幅に速くなったことです。
LLM、エージェント型ワークフロー、音声AI、ディープラーニングなどを「部品」として組み合わせることで、以前なら大規模な開発チームが必要だったソフトウェアを、個人や少人数でも作れるようになっています。
そしてNg氏が学生に勧めていることは意外なほど単純です。
「とにかく作れ」
ということです。
大学の授業を受ける。
オンライン講座で勉強する。
もちろんそれも重要です。
しかし現在は、それと同時に実際のプロダクトを作り、人に見せ、ユーザーからフィードバックを受けることの価値が以前よりはるかに大きくなっています。
AI時代の最大のボトルネックは「コードを書くこと」ではない
ここが講義の中でも非常に重要なポイントです。
AIコーディングが進歩すると、
「エンジニアが不要になる」
と考えがちです。
しかしNg氏は、別のボトルネックが生まれていると指摘します。
それが、
何を作るべきなのかを決めること
です。
仕様が明確なら、AIによってコードへ変換するコストは急速に下がっています。
すると問題は、
「どう実装するか」
から、
「そもそも何を実装するのか」
へ移ります。
例えば、
ユーザーに使ってもらう
↓
フィードバックを受ける
↓
「このUIは分かりにくい」と気付く
↓
必要な機能を変える
↓
AIを使って素早く修正する
↓
再びユーザーに使ってもらう
というループです。
コードを書く部分だけが10倍速くなったとしても、
ユーザーが何を必要としているか分からなければ意味がありません。
AI時代には、プログラミング能力と同時に、
- ユーザー理解
- 問題発見
- 要件定義
- プロダクト設計
- フィードバック分析
といった能力の価値が上がるというわけです。
「エンジニア＋プロダクトマネージャー」という人材が強くなる
Ng氏はシリコンバレーで起きている変化についても触れています。
従来は、1人のプロダクトマネージャーが複数のエンジニアに仕様を渡し、エンジニアが実装するという構造が一般的でした。
しかしAIによってエンジニアリング速度だけが大幅に上がると、プロダクト側の判断が追いつかなくなります。
そこで強くなるのが、
自分でコードを書けて、同時にユーザーとも話せるエンジニア
です。
ユーザーと話す。
問題を理解する。
次に作るものを決める。
AIを使ってすぐ実装する。
またユーザーに見せる。
このループを一人で回せれば、組織内で誰かの指示を待つ必要がありません。
Ng氏は、こうしたエンジニアが現在非常に速く動ける人材になっていると説明しています。
AIツールは「最新世代」を使うことも重要
もう一つ興味深いのは、AIコーディングツールについての発言です。
Ng氏はAIコーディング分野について、進歩の速度が非常に速いため、
半世代古いツールを使うだけでも生産性にかなり差が出る
という趣旨の話をしています。
講義ではClaude Code、OpenAI Codex、Geminiなどにも触れ、個人的に好むツールが数カ月単位で変わる可能性があると説明しています。
これは重要な考え方です。
「ChatGPTを一度覚えれば5年間使える」
という世界ではありません。
現在のAIでは、
モデルだけでなく、AIを仕事へ組み込むツールそのものを継続的にアップデートする必要があります。
ただし「バイブコーディングすれば何でも解決」ではない
ここからLaurence Moroney氏の話につながります。
Moroney氏は、
「プロンプトを書くだけでコードが生成できるのだから、エンジニアはいらなくなる」
という考えには否定的です。
むしろ、
優秀なエンジニアほどAIコーディングをうまく使える
と説明します。
その理由を理解するうえで重要なのが、
技術的負債（Technical Debt）
です。
AIなら数分でアプリを作れる。
一見すると素晴らしいことです。
しかし作った瞬間から、
- バグ修正
- メンテナンス
- 新機能
- ドキュメント
- サポート
- セキュリティ
- 将来の仕様変更
といった仕事が発生します。
Moroney氏はこれを住宅ローンとクレジットカードの借金に例えています。
住宅ローンのように、長期間価値を生むために負う「良い負債」もある。
一方で、衝動買いを高金利カードで買うような「悪い負債」もあります。
ソフトウェアも同じです。
AIで簡単に作れるからといって、作る価値があるとは限らない。
生成したコードを将来維持するコストまで考えなければいけません。
「ChatGPTを開いて、とりあえずコードを書かせる」は危険
Moroney氏がスタートアップなどに対して繰り返し伝えているという考えがあります。
AIツールを開いて、
「とりあえず作ってみよう」
と大量のコードを生成する前に、
目的を明確にすること
です。
まず、
「何を達成したいのか」
を決める。
その要件を満たすプロトタイプを作る。
うまくいかなければ捨てる。
そして学んだことを次の要件へ反映する。
生成AI時代にはコードそのものは安くなったため、プロトタイプを捨てるコストも低くなりました。
一方で、
本番運用されるソフトウェアは決して安くありません。
だからこそ「何のために作るのか」が重要になります。
「すごいAI」より「ビジネス価値があるAI」
講義で何度も繰り返される言葉が、
Business Focus
です。
数年前なら、
「画像分類モデルを作れます」
だけでもAI人材として高く評価される時代がありました。
しかし現在は違います。
企業が知りたいのは、
それで何が改善されるのか
です。
Moroney氏が語るAI時代の成功要素は大きく、
- AIや機械学習を深く理解する
- ビジネスを理解する
- 実際に成果物を出す
という組み合わせです。
つまり、
「こんなAI技術を知っています」
ではなく、
「このAIを使って、この業務をこれだけ改善できます」
と言える人が強いのです。
Moroney氏は、自身がGoogleの面接を受けた際にも、希望する仕事に関連したJavaアプリケーションを事前に作って履歴書へ載せたことで、面接そのものを自分が作った成果物について話す場へ変えられた経験を紹介しています。
ここから出てくる考え方は非常に分かりやすいでしょう。
今持っている仕事のためだけに成果物を作るのではなく、
次にやりたい仕事のための成果物を作る。
AIによって、これが以前よりはるかに簡単になっています。
「AIエージェントを作りたい」と言われたら、最初に聞くべき質問
講義後半ではAIエージェントについても非常に実践的な話があります。
ある企業から、
「AIエージェントを導入したい」
と相談されたMoroney氏。
ここで最初に聞いたのが、
「なぜ？」
でした。
詳しく聞いていくと、企業が本当に解決したかった問題は、
「AIエージェントを導入すること」
ではありませんでした。
本当の目的は、
営業担当者をもっと効率的にしたい
ということだったのです。
営業担当者は商談前に、
- 会社サイトを調べる
- 担当者を調べる
- LinkedInを見る
- 顧客企業の状況を把握する
といった調査に大量の時間を使っていました。
そこで初めて、
「その調査をAIで効率化できないか」
という具体的な課題になります。
結果としてAIを使った仕組みを構築し、営業担当者の調査時間を削減できたとMoroney氏は説明しています。
重要なのは、
AIエージェントを作ることからスタートしていない
という点です。
問題からスタートしています。
AIエージェントは4ステップで考えれば分かりやすい
Moroney氏はAIエージェントについて、難しい言葉を大量に使うのではなく、非常にシンプルな4段階として説明しています。
1. Intent ― 意図を理解する
まず、
「ユーザーは何を達成したいのか」
を理解します。
2. Planning ― 計画する
目的を達成するため、
- Web検索
- ブラウザ
- データベース
- API
など、利用可能なツールをどう使うか考えます。
3. Execution ― 実行する
計画した手順に従ってツールを使用します。
4. Reflection ― 結果を振り返る
最後に、
「最初の目的を達成したか？」
を確認します。
達成していなければ再び計画へ戻ります。
つまりAIエージェントとは魔法の箱ではありません。
大ざっぱに言えば、
理解する → 計画する → 実行する → 確認する
というループです。
この説明だけでも、SNS上で「AIエージェント」「完全自律型AI」といった言葉だけを追いかけるより、かなり本質が見えやすくなります。
「AIエージェントを導入する」ではなく「問題を解決する」
この講義で最も印象的なのは、AIブームの真ん中にいる人たちが、
AIを使え、AIを導入しろ
とは言っていないことかもしれません。
むしろ繰り返し、
- なぜ作るのか
- 誰の問題を解決するのか
- 本当にAIが必要なのか
- どんな価値が生まれるのか
- 維持コストに見合うのか
を考えるよう求めています。
AIエージェント導入の事例でも、最終的に重要だったのは「エージェント」という言葉ではなく、「営業担当者の時間を削減する」という明確な目的でした。
SNSのAI情報は「正確さ」より「エンゲージメント」が優先される
Moroney氏はAI情報を集める方法についても注意を促しています。
SNSの通貨は、
Accuracy＝正確さ
ではなく、
Engagement＝反応
だという指摘です。
LinkedInでさえ、AIで生成した刺激的な投稿や、大げさな予測が大量に流れてきます。
そしてプラットフォームのアルゴリズムは、正しい情報より、
- いいね
- コメント
- シェア
- 滞在時間
を生む投稿を拡散します。
だからAI時代に価値が高まるのは、
ノイズからシグナルを見抜ける人
です。
流行しているAIツールを全部試すことより、
「これは本当に重要なのか？」
と判断できる人のほうが、企業の中では価値の高い存在になり得ると説明しています。
就職でも「有名企業」より「誰と働くか」
Andrew Ng氏がキャリアについて強調しているもう一つのポイントがあります。
それが、
周囲にいる人の重要性
です。
有名企業に入ること自体がキャリアを成長させるわけではありません。
実際に毎日一緒に働く、
- 上司
- 同僚
- エンジニア
- 研究者
- プロダクト担当者
から学ぶことのほうが重要だという考えです。
Ng氏は、AIを学んだ学生が有名企業へ入社したものの、希望していたAIチームではなく別のバックエンド業務へ配属され、最終的に退職した事例も紹介しています。
企業のブランドより、
「どのチームで、誰と、何を作るのか」
を見るべきだということです。
そして最後は意外にも「一生懸命働け」
AIの講義なのに、Andrew Ng氏の最後のメッセージは非常に人間的です。
それが、
可能な状況にあるなら、一生懸命働くこと
です。
もちろん、健康、育児、障害などによって仕事へ多くの時間を割けない時期がある人を尊重すべきだとも明確に述べています。
そのうえで、これまで成功した自身の博士課程の学生たちは非常によく働いていたと振り返っています。
AIによって試作コストが下がった今なら、
週末にアイデアを試す。
小さなサービスを作る。
ユーザーに見せる。
失敗する。
また作る。
という経験を大量に積めます。
失敗しても「週末を一度使った」程度で済み、その過程で学習できます。Ng氏は、他人を害さない責任ある範囲で、許可を待たずにいろいろ作ってみることを勧めています。
結局、AIを「正しく使う」とは何なのか
この講義全体を一言でまとめるなら、
AIに上手なプロンプトを書くことが、AIを正しく使うことではない
ということだと思います。
AIを正しく使うとは、
目的を明確にし、問題を理解し、AIで素早く試し、結果を確認し、人間のフィードバックを受けながら改善すること
です。
流れにすると、こうなります。
問題を見つける
↓
目的を決める
↓
AIで素早く作る
↓
ユーザーに使ってもらう
↓
結果を見る
↓
修正する
↓
再び作る
AIはこの中の「作る」を劇的に高速化しました。
だから逆説的に、
何を作るべきかを考えられる人間の価値が高くなっている
とも言えます。
まとめ
スタンフォード大学で行われたこの講義は、「ChatGPTにこのプロンプトを入れれば仕事が10倍速くなる」というタイプのAI講座ではありません。
もっと根本的な話です。
AIコーディングによって、ソフトウェアを作るコストは急激に下がっています。
その結果、
「作れるかどうか」より「何を作るか」が重要になる。
AIエージェントについても同様です。
「エージェントを導入しよう」ではなく、
「解決したい問題は何か？」
から始める。
バイブコーディングについても、
「コードが簡単に生成できる」
だけを見るのではなく、
そのコードを将来維持する技術的負債まで考える。
そしてキャリアでも、
資格や肩書きを集めるだけではなく、
実際に何かを作り、それを人に使ってもらう。
これがAndrew Ng氏らが語っているAI時代の考え方です。
生成AIが進歩すればするほど、
「AIの使い方を知っている人」
だけでは差別化しにくくなります。
これから重要になるのは、
AIを使って現実の問題を発見し、解決し、成果として届けられる人
なのかもしれません。
