【生成AI入門】ケイパビリティとは？生成AIの能力の見極め方と引き出し方をわかりやすく解説

「生成AIには何ができるのか」を表す言葉、ケイパビリティ。親記事では能力の一覧を整理しましたが、実はこの言葉には「一覧表を眺める」だけでは見えてこない深さがあります。能力はどうやって現れ、どうやって測られ、どう見極めればよいのか——この記事では、ケイパビリティという概念そのものを一段深く掘り下げます。

📖 ひと言でいうと

ケイパビリティ (Capability) とは、そのAIモデルに備わっている能力、つまり「できることの範囲」を指す言葉です。

例えるなら、人の「潜在的な実力」に近い概念です。履歴書の資格欄(仕様書)に書かれていなくても、話してみたら意外な特技を持っていた、ということが人にはありますよね。生成AIのケイパビリティも同じで、あらかじめ全部がリスト化されているわけではなく、使う側が引き出して初めて分かる部分が大きいのです。厳密には、ケイパビリティは「できるかどうか」の話であり、「毎回正しくできるか」という信頼性とは区別される点が、この記事の最重要ポイントです。

🖼 1枚でわかるケイパビリティ

🔍 しっかり理解する

なぜ「できることの範囲」が事前に分からないのか

従来のソフトウェアなら、できることは機能一覧として仕様書に書き切れます。表計算ソフトの機能が、ある日突然増えたりはしません。ところが大規模言語モデルは、機能を1つずつプログラムしたのではなく、大量のテキストから「次に来る言葉の予測」を学んだ結果として、翻訳や要約などの能力を身につけました。つまり能力が「実装されたもの」ではなく「学習の副産物として現れたもの」なのです。

このため、興味深い現象が報告されています。モデルの規模を大きくしていく過程で、それまでほとんどできなかった種類のタスクが、ある規模を境にできるようになる——開発者が明示的に教えていない能力が現れる——という観察です。これは創発的能力(ひと言でいうと「規模の拡大に伴って急に現れたように見える能力」)と呼ばれます。ただし厳密には、「急に現れた」ように見えるのは能力の測り方(採点方法)の影響ではないか、という指摘もあり、研究上の議論が続いているテーマです。断定は避けつつ、「ケイパビリティの全体像は開発者にも完全には把握されていない」という点を押さえておきましょう。

だからこそ、モデルの能力を測るためにベンチマーク(1-6参照)による評価が行われ、開発組織は公開前に「このモデルは何がどこまでできるのか」を確かめるケイパビリティの評価を重ねています。危険な用途に悪用できる能力がないかの確認も、この評価の重要な一部です。

「できる」と「毎回できる」は違う——信頼性との区別

ケイパビリティを実務で使いこなすうえで最大の落とし穴が、「一度できたから、いつもできる」という思い込みです。生成AIは確率的に出力を作るため、同じ依頼でも毎回結果が揺らぎます。デモで見た鮮やかな成功が、自分の業務データでは再現しない、ということは頻繁に起こります。

この区別は、活用の設計に直結します。たとえば「アイデア出し」は、10案のうち2案が良ければ価値があるので、ケイパビリティさえあれば信頼性が低くても使えます。一方「金額の転記」は、100回中99回成功でも1回の誤りが致命的なので、高い信頼性と人間の確認が必須です。つまり、任せられるかどうかは「能力の有無」と「失敗の許容度」の掛け算で決まるのです。

ケイパビリティを引き出す実践手順

ケイパビリティは「知識として知る」だけでなく「自分の業務で確かめる」ことで初めて価値になります。おすすめの手順は次のとおりです。

ポイントは3番目と4番目です。「できそうだ」と思ったら、まず失敗しても実害のない題材で試し、うまくいったら同じ依頼を数回繰り返して安定性を確かめます。そのうえで「どこを人間が必ず確認するか」を決めてから業務に組み込む。この流れを踏めば、ケイパビリティの過大評価による事故も、過小評価による機会損失も避けられます。

また、ケイパビリティは固定ではないことも覚えておきましょう。モデルの更新で能力の範囲や得意不得意は変わりますし、検索連携や外部ツール(2-6参照)を組み合わせれば、モデル単体では苦手だった領域も補えます。「一度見極めたら終わり」ではなく、ときどき見直す姿勢が大切です。

💡 具体例で考える

営業事務のEさんは、「生成AIは議事録の要約ができるらしい」と聞いて試したところ、初回は見事な要約が返ってきました。しかし翌週、別の会議で同じように頼むと、重要な決定事項が1つ抜けていました。Eさんは「要約のケイパビリティはあるが、抜け漏れゼロの信頼性まではない」と捉え直し、「決定事項・宿題・日程は箇条書きで漏らさず挙げて」と指示を具体化したうえで、最後に自分が決定事項だけ照合する運用に変えました。能力と信頼性を区別できたことで、AIを捨てるのでも過信するのでもない、ちょうどよい使い方に着地した例です。

逆方向の例もあります。企画部のFさんは「AIは文章作成の道具」と思い込み、要約とメール下書きにしか使っていませんでした。ある日、同僚が「アンケートの自由記述を不満の種類ごとに分類させている」のを見て、分類・抽出というケイパビリティの存在に気づきます。試しに自部署の問い合わせログを分類させると、集計作業が大幅に短縮できました。能力の範囲を知らないことによる機会損失は、失敗と違って目に見えないぶん根深い——だからこそ、能力の全体像を学ぶ価値があるのです。

⚠️ よくある誤解・つまずきポイント

📝 生成AIテストではこう出る

📚 まとめ