GPT-6 Astraに任せるべき仕事
これまでのAIに任せるには、手順を細かく示して、使うツールを1つに絞ってから渡す必要がありました。
「この構成案でスライドを作って」は得意。「議事録から課題を分析して」も得意。でも、その2つをつないで、間の判断を自分でやるのは苦手でした。
人間なら難しい話ではありません。たとえば「A社向けの提案を考えておいて」と頼まれた人は、議事録を確認し、社内のテンプレートを探し、不足している情報を補います。
その会社で半年も働いていれば、細かな手順を指定されなくても進められるでしょう。
Astraで伸びたのは、まさにそこです。コードを書くソフト、ブラウザ、ターミナル、GitHub（プログラムを保管して共同編集するサービス）、スプレッドシート......。
異なるツールを行き来しながら、さまざまなデータを扱いつつ次に何をするかを自分で決めます。
GPT-6 Astraに渡すのは次の3つ
Astraに渡すべき情報は、次の3つです。
- 【目的】何を改善・実現したいのか
- 【制約】何をしてはいけないのか
- 【完了条件】どの状態になれば完了なのか
「マーケティングして」「売上を上げておいて」のような頼み方では、まともに返ってきません。何ができていたら完了なのかが決まっていないので、結果が毎回ブレます。
逆に手順まで全部書いてしまうと、行き来しながら自分で判断するというAstraの持ち味が消えます。
GPT-6 Astraに実際にやらせた仕事：受講生サポートの改善
では、具体的にどんな仕事に役立つのか、僕の事例をご紹介します。
僕はプログラミングスクールを運営しているので、CS（受講生サポート）を改善するという抽象度の高いお題を与え、施策の提案から試作品の実装までを任せてみました。
現状の調査から、課題の発見、データ分析、試作品づくりまでを任せることに。
渡したのは、整っていないデータ
卒業生アンケートのスプレッドシート、Discordのログ、卒業生のブログ記事......いずれも、そのまま統計分析に使えるような形には整理していません。
ここが今までとの差です。普通なら、アンケートを数値に直してログを取り出す下準備を終えて、ようやくデータ分析の専門知識を持つ人が分析を始められます。
データ分析するには、まずデータを分析できるように整える作業が必要です。都合よくデータ分析できるよう数値化されているデータなんてほとんどないので、これを行うのは泥臭く手間がかかります。
実際に指示したプロンプトはこんな感じです。
運営している学習サービスの継続率・到達率・満足度を改善したい。添付のログとアンケートから、学習が止まる要因やモチベーションが低下する原因などの候補を特定し、改善施策を優先順位付きで出してください。
【やってはいけないこと】
・受講生間に不平等が生じる分析や施策
・統計的に有意でない傾向を、確定的な事実として扱わないこと
・少数意見を根拠に施策を提案する場合は、仮説であることと対象件数を明記すること
【受け入れ条件】
・数値の根拠と、照合できなかった件数を明示すること
・断定できないものは「不明」と書くこと
分析の方法と使うツールは任せます。
指定したのはこれくらいの情報で、具体的な分析の手順等は書いていません。
にもかかわらず、Astraは複数のアプリケーションを開きながら横断的にデータを解析してくれました。
GPT-6 Astraの統計的アプローチ：出席率と成績に相関は確認できなかった
まずAstraは、無事に卒業した受講生や目標達成率の高い受講生のデータを整理し、成功要因を探しました。
そのうちの一つに面白い結果がありました。
うちのスクールでは、毎日「もくもく相談会」というオンライン相談会をZoomで開いています。受講生が一緒に勉強するほか、分からないことをいつでも講師に質問できます。
出席が多い受講生ほど目標の達成率が上がると信じ、出席が減った受講生に一人ずつ声をかけていました。
しかし、今回分析したデータの範囲では、出席率が高いほど目標達成率も高くなるという、明確な関係は確認できませんでした。
受講生の関与を高めることは一般に重要だとされています。ただし、社会人が中心の当スクールでは、Zoomへの出席回数だけで学習への関与や成果を測るのは難しいことが分かりました。
この結果から、少なくとも受講生全員の出席率を一律に高めることだけが、最優先の施策とは限らないと考えられます。
その他の施策：相談窓口のプロトタイプ
統計以外の施策もいろいろと提案してくれました。
というのも、スクールの受講生の多くは社会人で、年代も家庭の事情も使える時間もばらばらです。条件の違いが大きく、全員に共通する傾向を見いだすのが難しい。
そう判断したAstraは、少数の事例を深く見るやり方への切り替えを提案しました。
Astraが注目したのは、卒業生アンケート46件のうち3件に見られた声でした。
「先生に相談したいが、やり方が分からない」
運営チームとしては、受講生が相談しやすい窓口を十分に用意しているつもりでした。
いつでも途中参加・途中退出できるZoomを開いていたし、講師側から声をかける体制も築いています。
Astraはここから、「相談したいことはあるものの、何をどのように相談すればよいか言語化できていないのではないか」という仮説を立てました。3件だけで一般化はできませんが、追加調査に値する示唆です。
そこで出てきたのが、受講生向けのeラーニングシステム上で、AIチャットボットとの壁打ちを通じて相談内容の言語化を助け、その内容を人間の講師へ引き継ぐ機能です。
要件定義と試作品まで3時間
ここからはまずEラーニングシステムのソースコードを読ませ、既存のソースコードに合わせたうえでどう機能を実装するか考えてもらいました。
システムのソースコードはGitHubにあり、スクール運営に関する資料はGoogle Driveに保存されています。
Astraはそれらを横断して情報を集め、実装要件を整理しました。
さらに、その場で触れる画面の試作まで出してきました。
バックエンドはありませんが、これは実際にボタンを押したり操作できるものです。
データを渡してから、ここまでで3時間でした。
GPT-6 Astraがここまで動いたのは、環境を作っていたから
ただし、本当に3つの指示だけで動くわけではありません。事前に、参照できるデータやプロジェクトのルールを整えておく必要があります。
今回うまくいった最大の理由も、そこにあります。
受講生とのやりとりをDiscordに残し、卒業時にアンケートを取る。この2つを日ごろから回していました。そのうえで、AIに渡す仕様書やルールを先に整備してありました。
AIエージェントとの日頃のやり取りを工夫することも重要です。
プロンプトを毎回工夫して質を上げるのが、プロンプトエンジニアリング。
AIが最初からいい答えを出せるように環境のほうを整えるのが、ハーネスエンジニアリングです。
ハーネスは、犬に付ける胴輪と同じ言葉です。
走らせる前に、引き綱を付けて向かう先を決めておくイメージです。
僕の環境では、主に次の5つを用意しています。
- プロジェクトのルールを記したAGENTS.md
- 作るものを定義したSPEC.md
- 進捗を管理するTASKS.md
- 変更禁止ファイルへの書き込みを防ぐスクリプト
- AIが操作できる範囲を制限する設定
プロンプトを磨くより、こちらを整えるほうが出力が安定します。しかも一度作れば、次の仕事から効き続けます。
今回はせっかくなので、ここまで記事を読んでくれた方に僕が普段AIコーディングツールに渡しているテンプレート一式を、そのままお渡しします。
GPT-6 Astraでもそのまま使えます。
- AGENTS.md／SPEC.md／TASKS.md のテンプレート
- ファイルを保護するスクリプトと、設定ファイルのサンプル
- よく使うコマンドの早見表
- 要点を1枚にまとめたチートシート
欲しい方は、SiiDの公式LINEに登録して、「Astra」とメッセージしてください。
これだけで自動で届きます。無料です。
GPT-6 Astraで変わる、人間が担う仕事
何を課題と捉え、どの仮説を検証し、最終的にどの施策を採用するか。その意思決定と責任は、引き続き人間が担います。
一方でAIは、複数のツールやデータを横断し、調査、分析、要件整理、試作までを一気に進められるようになりました。
これまでAIエージェントは、主にエンジニアリング領域で注目されてきました。しかし今後は、異なる領域やツールをまたぐ業務でこそ真価を発揮すると僕は考えています。
出典
※本文で触れた4つの伸び幅は、AutomationBench 18.1%→41.4%、Terminal-Bench 4.0 37.3%→57.9%、社内のDB移行 42.7%→63.9%、ScreenSpot-Pro 76.9%→92.7% です。このうちDB移行はOpenAI社内の評価、残る3つは第三者が作成した試験です。スコアはいずれもOpenAIの自社測定です。
※学習サービスの数値は2026年9月6日時点の自社データの集計で、個人が特定できる情報は分析前にすべて除外しています。
