2027年2月試験(新シラバス)対応2026年11月20日時点の法令・公表資料基準情報の正確さへの取り組み

分野別・章別に引ける

810項目の暗記表を、
分野から引く。

覚えるべき項目を分野別・章別の表に整理しました。各項目に「覚え方」 「ひっかけ注意」がつき、その場で○×問題に飛べます。ページ内検索 (Ctrl+F / ページ内を検索)でも引けます。

分野別の暗記表

スワイプで覚える

重要論点を一枚で思い出し、リンク先の要点と○×問題で判断条件まで確認できます。 イメージ暗記カードなら「覚えた/まだ」に仕分けながら反復できます。

AIとは(ルールベースと機械学習)の暗記図解。ルールベースと機械学習。規則を人が書くか、データから学ぶか。ルールベース:人が書いた規則や知識で推論する。機械学習:データからパターンを学ぶ。ルールの限界:全部を人が書けず、領域が限られた。ディープラーニング:機械学習の一種。人が書けばルール、データで学べば機械学習
図で覚えるAIとは(ルールベースと機械学習)

AIには現時点で確立された定義がないこと、AIに知能をもたらす仕組みには、人が規則や知識を書き込んで推論させるルールベース(知識ベース・エキスパートシステム)と、データからパターンを取り出して自ら知識を獲得する機械学習があること、人がすべてを記述するルールベースの限界から機械学習へ発展したことを押さえると解けます。

要点と○×問題へ →
機械学習と教師あり学習(分類・回帰・正解率)の暗記図解。教師あり学習。正解付きのデータで、答え方を学ぶ。分類:どのカテゴリに当たるかを答える。回帰:数値を予測する(例:請求額)。二値分類:2つに分ける(例:迷惑メール)。正解率:正しい出力をした例の割合。カテゴリなら分類、数値なら回帰!
図で覚える機械学習と教師あり学習(分類・回帰・正解率)

機械学習は、データを使ってAIモデルのパラメータを決める「学習」で学習済みモデルを作り、未知のデータに当てる「推論」で使います。教師あり学習は、正解(ラベル)付きの教師データから入力→正解を予測する方法で、カテゴリを当てる分類(二値分類・多値分類)と数値を当てる回帰があり、性能は学習に使っていないテストデータで正解率などを測ることを押さえると解けます。

要点と○×問題へ →
教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理の暗記図解。教師なし学習と強化学習。正解なしで構造を探す・報酬で学ぶ。教師なし学習:正解のないデータから構造を学ぶ。クラスタリング:似たものどうしのまとまりに分ける。強化学習:試行錯誤で報酬の合計を最大に。半教師あり:一部だけ正解付きのデータで学ぶ。正解なしは教師なし、報酬で学ぶのは強化学習
図で覚える教師なし学習・強化学習・半教師あり学習とノーフリーランチ定理

教師なし学習は正解のないデータから構造を見つける方法(似たものをまとめるクラスタリング、次元を減らす次元削減)、強化学習は環境とのやり取りで試行錯誤しながら報酬の合計を最大にする行動の選び方(方策)を学ぶ方法で、行動は目先の報酬ではなく長い目で見た価値で選びます。半教師あり学習は正解付きの少ないデータと正解なしの大量のデータを合わせて使い、ノーフリーランチ定理はどんな課題にも最も良い万能のアルゴリズムはないことを示す、を押さえると解けます。

要点と○×問題へ →
ニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法)の暗記図解。ニューラルネットワーク。重みを調整して、予測のずれを減らす。隠れ層:入力層と出力層の間の途中の層。損失関数:予測と正解のずれを表す。誤差逆伝播法:出力側から逆向きに勾配を計算。勾配降下法:値が小さくなる向きへ少しずつ。ずれを逆向きに伝えて、重みを直す!
図で覚えるニューラルネットワークとディープラーニング(重みの調整と誤差逆伝播法)

ニューラルネットワークは脳の神経細胞のつながりにおおまかに着想を得た仕組みで(脳の正確な模型ではない)、入力層・隠れ層・出力層からなり、層を深く重ねたものがディープラーニング(特徴量を自ら学ぶ)です。学習では、予測と正解のずれを表す損失関数が小さくなるよう、誤差逆伝播法で求めた勾配を使い、勾配降下法で重みを少しずつ調整することを押さえると解けます。

要点と○×問題へ →
過学習と対策・転移学習の暗記図解。過学習と転移学習。学習データに合わせすぎず、汎化を。汎化:未知のデータでもうまく働く力。過学習:学習とテストの誤差の差が大きい。ドロップアウト:学習中にユニットを無作為に外す。転移学習:学んだことを別の設定に生かす。求めるのは、未知のデータでの性能!
図で覚える過学習と対策・転移学習

汎化は学習に使っていない未知のデータでもうまく働く能力で、過学習は学習データでの誤差とテストデータでの誤差の差が大きくなりすぎた状態です。対策のアーリーストッピング(検証データの誤差が最も小さい時点を使う)・正則化(汎化誤差を減らす工夫の総称。重みの罰則など)・ドロップアウト(学習中にユニットを無作為に外す)の違いと、ある課題で学んだことを別の課題に生かす転移学習、学習済みモデルを用途に合わせて追加で学習させるファインチューニングを押さえると解けます。

要点と○×問題へ →
CNN・RNN・LSTMの暗記図解。CNN・RNN・LSTM。画像はCNN、順番のあるデータはRNN。CNN:畳み込みで画像などの格子を処理。RNN:文章・音声など順番のあるデータ。RNNの弱点:長い系列で勾配が消えやすい。LSTM:ゲートで長い期間の関係を学ぶ。画像はCNN、順番はRNN、長期はLSTM
図で覚えるCNN・RNN・LSTM

CNN(畳み込みニューラルネットワーク)は画像のような格子状のデータを畳み込みという演算で処理し、物体認識などのコンピュータビジョンで成果を上げました。RNN(再帰型ニューラルネットワーク)は文章や音声のような順番のあるシーケンスデータを、前の時点の計算結果を引き継いで処理しますが、長い系列では勾配消失問題・勾配爆発問題が起きやすく、LSTMはゲートで情報の出し入れを調整してこれを和らげました。Transformerは再帰も畳み込みも使わず、系列の中の関係をAttentionでとらえます。

要点と○×問題へ →
VAE・GANと識別系AI・生成系AIの違いの暗記図解。VAEとGAN。新しいデータを作る2つの生成モデル。エンコーダ:データを潜在変数(符号)に変える。デコーダ:潜在変数からデータを作り出す。GANの生成器:識別器が見分けを誤るよう学ぶ。識別系AI:入力が何に当たるかを見分ける。VAEは作り直し、GANは競い合い!
図で覚えるVAE・GANと識別系AI・生成系AIの違い

VAE(変分オートエンコーダ)は、エンコーダで入力を潜在変数(潜在ベクトル)の分布に写し、デコーダでデータに戻すように学ぶ生成モデルで、生成するときは潜在変数の分布から取り出した値をデコーダに通します。GAN(敵対的生成ネットワーク)は、本物らしいデータを作る生成器と、本物か生成されたものかを見分ける識別器を競わせて学びます。入力が何かを見分け・予測する識別系AIと、新しいデータを作る生成系AIの違い、生成AIの悪用であるディープフェイクを押さえると解けます。

要点と○×問題へ →
AIの歴史(ダートマス会議から生成AI・シンギュラリティまで)の暗記図解。AIの歴史。3回のブームと2回の冬の時代。1956年:ダートマス会議でAIの語が使われる。2020年:GPT-3(1750億パラメータ)。2021年以降:基盤モデルが台頭し生成AIが普及。2045年:シンギュラリティ到達の予測。推論・探索→知識→機械学習の3つのブーム
図で覚えるAIの歴史(ダートマス会議から生成AI・シンギュラリティまで)

AIという言葉がダートマスの研究会(1955年の提案書・1956年夏の開催)から使われ始めたこと、第一次ブーム(1950年代後半〜1960年代・探索と推論)、第二次ブーム(1980年代・知識とエキスパートシステム)、第三次ブーム(2000年代〜・ビッグデータと機械学習、次いでディープラーニング)とその間の冬の時代、2017年のTransformerから大規模言語モデル(LLM)や拡散モデルによる生成AIへ進んだ流れを出来事の順で押さえ、カーツワイルが2045年に到達すると予測したシンギュラリティと、それに対する総務省の研究会(2015年)の見方を知っておくと解けます。

要点と○×問題へ →
Transformerと自己注意機構・派生モデルの系譜の暗記図解。Transformer。注意機構で語どうしの関係をとらえる。発表:2017年の論文。自己注意:1つの文の中の語どうしを関係づける。強み:並列に計算しやすく学習が速い。BERTとGPT:BERTは双方向、GPTは一方向。再帰をやめ、注意機構だけで並列に!
図で覚えるTransformerと自己注意機構・派生モデルの系譜

Transformer は、文中の語どうしの関係を扱うのに、再帰(RNN)や畳み込みの代わりに注意機構(どの語とどの語が関係するかを重みで表す仕組み)を使うモデルです。自己注意で文中の語どうしを直接結ぶので、並列に計算しやすく、離れた語の関係(長距離依存)も捉えやすくなりました。Query・Key・Value の役割、エンコーダとデコーダの分担、GPT など後のモデルへのつながりを押さえると解けます。

要点と○×問題へ →
拡散モデル・基盤モデル・マルチモーダルモデルの暗記図解。拡散モデルと基盤モデル。ノイズを取り除いて画像を作る。逆拡散過程:学習した手順でノイズを除く。潜在拡散モデル:圧縮した潜在空間で計算を軽く。基盤モデル:幅広いタスク向けモデルを生む土台。マルチモーダル:文章・画像など2種類以上を扱う。ノイズから少しずつ、絵を取り出す!
図で覚える拡散モデル・基盤モデル・マルチモーダルモデル

拡散モデルは、データに少しずつノイズを加える拡散過程と、その逆をたどってノイズから画像を作る逆拡散過程からなり、潜在拡散モデルは画像を圧縮した潜在空間で計算を軽くしました。基盤モデルは多くの個別のモデルを生み出す土台で、マルチモーダルモデルは2つ以上のデータの種類(モダリティ)を統合して扱う、と押さえると解けます。

要点と○×問題へ →
事前学習とファインチューニング(指示チューニング)の暗記図解。ファインチューニング。事前学習済みモデルを追加で学習。事前学習:大量の文章で次のトークンを予測。事後学習:必要に応じて続けて調整する。few-shot:重みを更新せず例を文章で与える。RAG:再学習なしで参照データを追加。重みを変えるのがファインチューニング!
図で覚える事前学習とファインチューニング(指示チューニング)

大規模言語モデルは、まず大量の文章で次に来るトークン(語のかけら)を予測する事前学習を行い、そのあと追加の学習で重みを調整するファインチューニング(正解付きの手本のデータで学ぶ方法や、人のフィードバックを使う方法など)で用途や指示に合わせます。ファインチューニング(モデルの重みを更新する)と、プロンプトに例や指示を書くだけのコンテキスト内学習(重みを更新しない)を区別すると解けます。

要点と○×問題へ →
RLHF・学習データの課題・スケーリング則の暗記図解。RLHFとスケーリング則。人の好みを報酬にして、モデルを調整。報酬モデル:人の好みを1つの数値で表す。スケーリング則:規模・データ・計算量で誤差が下がる。学習データ:偏りから偏見を生成することも。著作権法第30条の4:学習は原則許諾なく可(例外あり)。手本→報酬モデル→強化学習の3段!
図で覚えるRLHF・学習データの課題・スケーリング則

RLHF(人間のフィードバックによる強化学習)は、人が出力を比べて順位を付けたデータで報酬モデルを学習し、その報酬が高くなるよう強化学習でモデルを調整する方法です。学習データは量だけでなく品質・偏り(バイアス)・評価用データの混入・著作権が課題になります。スケーリング則は、ほかが足かせにならない条件で、モデル・データ・計算量を大きくすると誤差がべき乗則に従って下がるという経験則、と押さえると解けます。

要点と○×問題へ →
トークン化・埋め込み・確率的な次トークン予測の暗記図解。トークン化・埋め込み。区切って数値にし、確率で次を選ぶ。トークン:単語より細かく区切ることもある。埋め込み:トークンを数値の並び(ベクトル)に。ソフトマックス:出力を次のトークンの確率に変える。同じプロンプト:毎回同じ出力になるとは限らない。生成AIは、次のトークンを確率で選ぶ!
図で覚えるトークン化・埋め込み・確率的な次トークン予測

生成AIは、文章をトークン(単語や、単語より細かいサブワードなどの単位)に区切り、各トークンを埋め込みで数値の並び(ベクトル)に変え、次に来るトークンの確率を計算して1つずつ選びながら文章を作ります。確率にもとづいて選ぶため、同じ入力でも出力が変わりうることを押さえると解けます。

要点と○×問題へ →
ハルシネーション・生成パラメータ・コンテキストウィンドウの暗記図解。ハルシネーション。事実と違うことを、もっともらしく答える。RAG:外部の検索で抑えるが完全ではない。Temperature:高いとランダム、低いと決定的。一度に扱える量:コンテキストウィンドウ(トークン数)。長い作業:古い文脈を要約して続ける。生成AIの答えは、必ず確かめてから使う!
図で覚えるハルシネーション・生成パラメータ・コンテキストウィンドウ

ハルシネーションは、生成AIが事実と異なることをもっともらしく答える現象で、完全に防ぐ方法はまだ分かっていません。RAG で外部の情報を補うと抑制や根拠の明示が期待できます。Temperature や Top-p はトークンの選び方を調整する生成パラメータで、使えるかはモデルによります。コンテキストウィンドウは一度に扱える量の上限(トークンで数える)、と押さえると解けます。

要点と○×問題へ →
LMとLLM・オンプレミス/オープンソースLLMの暗記図解。LLM(大規模言語モデル)。大規模=データとパラメータの多さ。27B:270億のパラメータ(Bは10億)。プロンプト:チャットAIに与える入力。約款型クラウド:政府機関は要機密情報を原則扱わない。国外のサーバー:現地の法令が適用される。LLMの大規模は、データとパラメータ!
図で覚えるLMとLLM・オンプレミス/オープンソースLLM

言語モデル(LM)は文章や単語の出現確率を扱うモデルで、それを非常に大量のデータで構築したものが大規模言語モデル(LLM)です。LLM はプロンプト(指示文)で翻訳・要約などさまざまなタスクをこなせます。クラウド型とオンプレミス型の違い(データをどこで扱うか・どの国の法令が適用されるか)と、公開されたモデルを使うときのライセンスと入手経路の確認を押さえると解けます。

要点と○×問題へ →
ChatGPTとGPTシリーズの進化の暗記図解。ChatGPTとGPT。人の評価で学び、対話で答えるAI。ChatGPT:2022年11月30日に発表。学習の方法:InstructGPTと同じRLHF。GPT-3:重みを更新せず少数の例で解く。GPT-6系:1つでなく用途で分かれる。ChatGPTはRLHFで学んだ対話AI
図で覚えるChatGPTとGPTシリーズの進化

ChatGPT は OpenAI の対話型の生成AIです。GPT シリーズは、GPT-2 の構造を受け継いで規模を大きくした GPT-3、人のフィードバックで調整した InstructGPT、推論モデルを経て GPT-6 系へ進みました。2026年11月時点では GPT-6 系が用途ごとのモデル(最上位の Astra など)に分かれ、後継の GPT-6.2 Astra も出ていること、ChatGPT で使えるモデルと API のモデルは別に管理されることを押さえると解けます。

要点と○×問題へ →
マルチモーダルモデルと推論モデル(推論時の計算)の暗記図解。マルチモーダルと推論。画像も読み、答える前によく考える。推論モデル:強化学習で答える前に推論を学ぶ。推論の強さ:強いほど時間とトークンが増える。思考の連鎖:途中の推論の手順を書かせる。画像の生成:文章のモデルとは別のモデル。難しい課題だけ、推論を強くする!
図で覚えるマルチモーダルモデルと推論モデル(推論時の計算)

GPT シリーズは2024年に画像の入力や音声の入出力に対応したモデルが加わり、マルチモーダル化が進みました。2024年の o1 からは、強化学習で複雑な推論を行うよう学習した推論モデルが登場し、答える前に考える量(推論の強さ)を増やすほど難しい課題の結果がよくなりうる一方、時間とトークンが増えます。各社のモデルが何を入力・出力できるか、思考の連鎖(途中の手順を書かせる)を押さえると解けます。

要点と○×問題へ →
主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot)の暗記図解。主要な生成AIサービス。どの会社の、何のためのAIか。Gemini:Googleの生成AIのモデル。Claude:Anthropicのモデル。Copilot:Microsoftのサービス。Codex:OpenAIの開発用エージェント。任せても、重要な操作は人が承認!
図で覚える主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot)

OpenAI の Operator(2025年1月発表)は、2026年11月時点では単体のサービスではなく、機能は ChatGPT agent を経て ChatGPT Work に、API では画面を操作する computer use ツールに引き継がれています。Codex は OpenAI のコーディングエージェント、Image Generation は GPT Image のモデルです。Gemini は Google、Claude は Anthropic、Copilot は Microsoft で、Copilot Chat(主に Web のデータ)と Microsoft 365 Copilot(組織のデータとつながる)を取り違えないことが要点です。

要点と○×問題へ →
画像・音楽・音声・動画の生成AIの暗記図解。画像・音声の生成AI。便利だが、権利と悪用に注意。インペインティング:指定した領域を新しい内容で埋める。C2PA:出どころと編集履歴の技術標準。作風・画風:それだけでは著作権で守られない。パブリシティ権:無断で肖像を広告に使うと侵害。人の顔と声は、許可なく使わない!
図で覚える画像・音楽・音声・動画の生成AI

画像生成AIは拡散モデルなどで画像を作り、画像の一部を描き直すインペインティングもできます。生成物の出どころを示す来歴情報には C2PA(Content Credentials)があり、見えない電子透かしは、来歴情報の写しがほかに保管されていれば、それを探し直す手がかりになります。音声・動画の生成は、声をまねた詐欺やディープフェイク(本物そっくりの偽の画像・動画)に悪用されることがあり、作風や声は著作権の対象外とされる一方、肖像等を本人に無断で使うとパブリシティ権の問題になりうる、と押さえると解けます。

要点と○×問題へ →
AIエージェントとは(定義・ワークフロー型と自律型・自律性のレベル)の暗記図解。AIエージェント。答えて終わらず、操作まで自分で行う。補助型:人の指示に従って行動する。半自律型:重要な操作は人の承認が前提。全自律型:目的・制約・監督のもとで動く。定義:環境を感知し自律的に行動する。知覚・判断・実行をくり返す!
図で覚えるAIエージェントとは(定義・ワークフロー型と自律型・自律性のレベル)

AIエージェントは、目標を与えられると、周りの状況を読み取りながら自分で手順を選び、メール送信などの操作まで行うAIです。AI事業者ガイドライン(第1.2版)とJ-AISIの評価観点ガイド(第1.20版)の定義、答えを返して終わる従来の生成AIとの違い、補助型・半自律型・全自律型という自律性のレベルを押さえると解けます。

要点と○×問題へ →
RAGとは(必要とされる理由と仕組み)の暗記図解。RAG(検索拡張生成)。先に調べて、資料をもとに答える!。知識の持たせ方:検索した資料を、答えの参考に渡す。データを足すとき:モデルを学習し直さずに足せる。検索の準備:文書を断片に分け数値(ベクトル)に。期待される効果:誤りを抑え、根拠を示しやすく。覚え込ませず、調べて渡すのがRAG!
図で覚えるRAGとは(必要とされる理由と仕組み)

RAG(検索拡張生成)は、質問に答える前に外部のデータベースから関係する情報を探し、それを材料にLLMに答えを作らせる手法です。モデルを作り直す(ファインチューニング)のではなく「調べてから答える」点、ハルシネーションの抑制や根拠を示しやすくなる理由、文書を細かく分けて数値(ベクトル)にして検索する仕組みを押さえると解けます。

要点と○×問題へ →
RAGの発展とユースケース・主なツールの暗記図解。RAGの発展。基本の形から、検索の前後に工夫を足す。Naive RAG:索引づくり・検索・生成を順に。Advanced RAG:前に書き換え、後に並べ直す。ハイブリッド検索:キーワードと意味の検索を合わせる。Graph RAG:知識グラフで全体の問いに強い。基本の形に、検索の前後の工夫を足す!
図で覚えるRAGの発展とユースケース・主なツール

RAGは、基本の形(Naive RAG)から、検索の前後に工夫を足すAdvanced RAG(クエリの書き換え・リランキング)、キーワード検索とベクター検索を合わせるハイブリッド検索、知識グラフを使うGraph RAG、エージェントが考えながら必要なときに検索するReActやAgentic RAGへと広がっています。社内文書の検索のような使い方では、知識ベースに入れる文書の確認、部署ごとの見られる範囲の分離、個人情報の出力制御、検索結果が質問に合っているかの評価が要ることと、OpenAIのファイル検索のような組み込みの道具があることを押さえると解けます。

要点と○×問題へ →
エージェントの構成(LLM・タスク分解と計画・ツール実行)の暗記図解。エージェントの構成。AIが考え、道具はアプリが動かす。3つの層:アプリ・エージェント・環境。ReAct:推論と行動を交互に行う。Tool Use:AIは使い方を返し、アプリが実行。タスク分解:大きな仕事を小さな手順に分ける。AIは頼むだけ、動かすのはアプリ!
図で覚えるエージェントの構成(LLM・タスク分解と計画・ツール実行)

AIエージェントは、頭脳にあたるLLMを中心に、道具(ツール)や記憶を組み合わせて動きます。J-AISIが示す3つの層の構成、ReActのように「考える」と「行動する」を交互に行うこと、Function Calling(Tool Use)ではAIが「この道具をこう使いたい」と伝え、実際に動かすのはアプリ側であることを押さえると解けます。

要点と○×問題へ →
記憶とコンテキスト管理・コンテキストエンジニアリング・フィードバックループの暗記図解。コンテキスト管理。読める量に上限、渡すものを選ぶ。コンテキストウィンドウ:1回に読める量の上限。Agent Skills:名前と説明だけ先に読む。システムプロンプト:振る舞いを決める指示。ガードレール:外れた動きをしない歯止め。全部は読めない、選んで渡す!
図で覚える記憶とコンテキスト管理・コンテキストエンジニアリング・フィードバックループ

AIエージェントは、過去のやりとりを短期・長期の記憶として残し、それを参考にしながら動くことがあります。AIが一度に読める量(コンテキストウィンドウ)には上限があるため、何を渡すかを毎回選び整えるコンテキストエンジニアリングや、Agent Skillsのように必要な情報を必要なときだけ読み込ませる工夫がされます。システムプロンプトやガードレールで振る舞いを整え、結果を観察して次の行動を決め直す(フィードバックループ)流れを押さえると解けます。

要点と○×問題へ →
MCP(Model Context Protocol)と外部ツール・データソースの連携の暗記図解。MCP。AIと道具・データをつなぐ共通規格。たとえ:AIアプリのUSB-Cポート。3つの役割:ホスト・クライアント・サーバー。安全の原則:道具やデータの前に本人の同意。A2Aとの違い:エージェントどうしはA2A。MCPは、AIアプリのUSB-C!
図で覚えるMCP(Model Context Protocol)と外部ツール・データソースの連携

MCP(Model Context Protocol)は、AIアプリやエージェントを、ファイルやデータベース、検索などの道具といった外の仕組みにつなぐためのオープンな共通規格で、「AIアプリのUSB-Cポート」にたとえられます。2024年11月にAnthropicが公開し、2025年12月にLinux FoundationのAgentic AI Foundation(AAIF)へ寄贈されました。ホスト・クライアント・サーバーの役割、サーバーが出すResources・Prompts・Tools、道具を使う前やデータを渡す前に利用者の同意を得るという安全の原則、A2Aやファインチューニングとの違いを押さえると解けます。

要点と○×問題へ →
マルチエージェント・A2A・Agent Skillsの暗記図解。A2Aとスキル。仕事を任せ合い、手順は必要なときに。A2A:中身を見せずに仕事を任せ合う。エージェントカード:身元・できること・連絡先。SKILL.md:名前と説明が必須。使うスキル:自作か信頼できる入手先だけ。仲間はA2A、手引きはスキル!
図で覚えるマルチエージェント・A2A・Agent Skills

A2A(Agent2Agent)は、別々の会社や仕組みで作られたAIエージェントどうしが、互いの中身を明かさずに能力を知らせ合い、仕事を任せ合うためのオープンな規格(Googleが始め、いまはLinux Foundationのプロジェクト)で、エージェントと道具・データをつなぐMCPとは補い合う関係です。Agent Skillsは、手順書・プログラム・資料をSKILL.mdを中心としたフォルダにまとめ、必要なときに読み込ませる仕組みです。仕事を分担するサブエージェントと、エージェントどうしがつながることで増えるリスクも押さえると解けます。

要点と○×問題へ →
コーディングエージェント・ブラウザ操作エージェントと導入事例の暗記図解。コーディングエージェント。囲いと確認の決まりの中で働かせる。サンドボックス:触れて書き換えられる範囲を区切る。承認の決まり:いつ利用者の確認を求めるか。AGENTS.md:いつも守ってほしい指示の手引き。画面の操作:画面の文章で指示を上書きさせない。任せるときは、囲いと確認をセットで!
図で覚えるコーディングエージェント・ブラウザ操作エージェントと導入事例

コーディングエージェント(OpenAIのCodexなど)は、プログラムの作成や変更、プルリクエストの確認を任せられるAIで、動ける範囲を区切る仕組み(サンドボックス)・確認の決まり・指示のファイル(AGENTS.md)といった周りの仕組み(ハーネス)の中で動きます。画面を操作するcomputer useの安全な使い方、ChatGPT Workのように仕事を任せるエージェントやディープリサーチ、AI事業者ガイドラインの導入事例と役割分担を押さえると解けます。

要点と○×問題へ →
権限の過剰付与・連鎖的なエラー・プロンプトインジェクションの暗記図解。過剰な権限。機能・権限・自律性を持たせすぎない。過剰な機能:業務に要らない機能まで使える。過剰な権限:読むだけなのに書き換えもできる。連鎖的な失敗:1つの誤りが広がり被害が膨らむ。間接インジェクション:AIが読むデータに指示を仕込む。持たせすぎない、読ませて信じない!
図で覚える権限の過剰付与・連鎖的なエラー・プロンプトインジェクション

OWASPは、AIに持たせた機能・権限・自律性が多すぎるために、誤った指示や操られた指示で害のある操作が行われてしまう弱点を「過剰な権限(Excessive Agency)」と呼びます。1つの誤りがエージェントの間で広がる連鎖的な失敗、利用者が直接入力する直接プロンプトインジェクションと、Webページやメールなど AIが読み込むデータに仕込まれる間接プロンプトインジェクションの違い、IPAが紹介する具体的なトラブルの事例を押さえると解けます。

要点と○×問題へ →
エージェントを安全に使う原則と評価・監視の暗記図解。エージェントの安全。予防・見張り・止める仕組みを重ねる。最小権限:業務に必要な最小限に絞る。人の承認:削除・送金・公開の前に確かめる。多層防御:対策を何重にも組み合わせる。レッドチーミング:攻撃者の目線で試し、繰り返す。安全柵・見張り・非常停止をそろえる!
図で覚えるエージェントを安全に使う原則と評価・監視

AIエージェントを安全に使うには、必要のない自律性や権限を与えない(最小権限・Least Agency)、許可リスト(ホワイトリスト)で連携先を絞る、サンドボックスで隔離する、影響の大きい操作に人の承認をはさむ(Human-in-the-Loop)、対策を何重にも重ねる、といった原則があります。J-AISIが予防的対策に加えて「観測(見張り)」と「制御(止める仕組み)」を求め、評価を開発・提供・利用の各段階で繰り返し行い、攻撃者の目線で試すレッドチーミングを使うとしていることを押さえると解けます。

要点と○×問題へ →
生成AI利用者の基本マインドセット(最終責任は人間)の暗記図解。最終責任は人間。AIは道具、使い方を決めるのは人。AIのたとえ:時々大間違いをする新人。ハルシネーション:完全に防ぐ方法はまだ無い。自動化バイアス:承認の根拠を自分で考える。リスクベース:リスクの大きさに対策を合わせる。AIは新人、最後に決めるのは自分!
図で覚える生成AI利用者の基本マインドセット(最終責任は人間)

生成AIは仕事の道具で、出力をどう使うかの判断と責任は使う人にあります。出力は確率的に作られ、検索などで情報を補わない限り学習していない情報には答えられず、ハルシネーションを完全には防げないため、確認が欠かせません。用途と影響度に応じて、慎重に使う・使わないを決めることを押さえると解けます。

要点と○×問題へ →
生成AIのリスクの全体像・ハルシネーション・情報漏えいの暗記図解。ハルシネーション。もっともらしい嘘と、入力の漏れに注意。ハルシネーション:事実と違う嘘をもっともらしく。RAGの効果:抑えられるが、無くならない。入力した内容:運営企業に渡り学習に使われうる。機密を扱うなら:ビジネス利用向けのサービスを使う。それっぽい答えほど、裏を取る!
図で覚える生成AIのリスクの全体像・ハルシネーション・情報漏えい

生成AIのリスクには、権利侵害・情報漏えい・誤った出力の鵜呑み・攻撃への悪用などがあり、社会全体への影響も含めて考えます。ハルシネーション(事実と異なる内容をもっともらしく出力すること)はRAGで抑制できても無くならないこと、入力した情報が運営企業に渡り学習に使われうることと、設定や規約の確認で防ぐことを押さえると解けます。

要点と○×問題へ →
プライバシー・権利侵害・名誉毀損・炎上・バイアスのリスクの暗記図解。権利侵害と炎上。人の顔・名誉・作品を傷つけない。パブリシティ権:顧客吸引力を勝手に使わない。名誉毀損罪:事実の有無にかかわらず罰する。著作権:知らなくても侵害になりうる。バイアス:完全には除けない、評価して使う。広める前に、一次情報で確かめる!
図で覚えるプライバシー・権利侵害・名誉毀損・炎上・バイアスのリスク

生成AIの入力と出力は、個人情報・プライバシー、著作権などの知的財産権、肖像権・パブリシティ権、名誉を損なうことがあり、差別や偏見を含むこともあります。パブリシティ権の侵害となる3つの使い方、偽情報を拡散する責任(刑法の名誉毀損罪・信用毀損罪を含む)、バイアスは完全には除けないことを押さえると解けます。

要点と○×問題へ →
ディープフェイク・サイバー攻撃への悪用・エージェントの想定外の挙動の暗記図解。ディープフェイク。本物そっくりの依頼は、別ルートで確認。別ルート確認:普段と別の、決めた連絡手段で。複数名チェック:決裁・承認を複数人で確かめる。多要素認証:MFAを徹底する。基本の対策:従来のセキュリティ対策が有効。声も顔も、別ルートで確かめる!
図で覚えるディープフェイク・サイバー攻撃への悪用・エージェントの想定外の挙動

精巧なフェイクの画像・動画・音声によるなりすまし、AIで自然な文面にしたフィッシング、AIによる攻撃の手助けへの備え(別ルートでの確認、複数人の承認、多要素認証、基本のセキュリティ対策)と、AIエージェントの想定外の動作やプロンプトインジェクション(直接・間接)への対策(権限の最小化、人の承認)を押さえると解けます。

要点と○×問題へ →
シャドーAIと企業コンプライアンスの暗記図解。シャドーAI。個人のAIを、許可なく仕事に使うこと。経営者層:個人アカウントの業務利用を制限。システム管理者:通信ログ・CASBで利用状況を把握。従業員:入力してよい情報の決まりを守る。職場づくり:過剰な罰を避け、報告しやすく。仕事のAIは、会社が認めたものだけ!
図で覚えるシャドーAIと企業コンプライアンス

シャドーAIは、従業員が個人的に使っているAIサービスを職場の許可なく業務に使うことです。職場にAIが無い・利用の障壁が低い・ルールが未整備といった理由で起こり、持ち出し禁止の情報の漏えいや、組織が利用を把握できないことがリスクになります。会社(規程・個人アカウントの制限・利用状況の把握)と従業員(認められた範囲で使う・秘密情報を入力しない)の役割を押さえると解けます。

要点と○×問題へ →
AI出力の評価と検証(検証レベル・ファクトチェック・採否の判断)の暗記図解。出力の確認。承認されたAIでも、確かめてから使う。リスク:ゼロにはならない、備えておく。入力の前提:誤りがないか入れる前に確認。似た作品:ネット検索で類似を確かめる。困ったとき:専門家や相談窓口を確保。説明できないものは、使わない!
図で覚えるAI出力の評価と検証(検証レベル・ファクトチェック・採否の判断)

承認されたAIでも出力は必ずしも正しくなく、リスクはゼロにならないため、用途と影響度に応じた深さで確認します。事実・数値・出典・最新性(ファクトチェック)、入力した前提、差別的な表現・第三者の権利・機密性を確かめ、採用・修正・破棄(迷ったら使わない)・専門家への相談を判断することを押さえると解けます。

要点と○×問題へ →
個人情報・個人識別符号・要配慮個人情報の暗記図解。個人情報の種類。誰か分かる情報は、公開でも個人情報。個人情報:氏名、SNSで公開された情報。個人識別符号:旅券番号・マイナンバー・指紋。要配慮個人情報:病歴・犯罪の経歴・健診結果。当たらない:会社そのものの情報(役員は別)。番号は符号、病歴は要配慮!
図で覚える個人情報・個人識別符号・要配慮個人情報

個人情報は、生存する個人に関する情報で、氏名などにより特定の個人を識別できるもの(他の情報と容易に照合して識別できるものを含む)か、個人識別符号を含むものです。個人識別符号(身体の特徴を変換した符号・旅券番号や個人番号などの番号)と、要配慮個人情報(人種・信条・病歴・犯罪の経歴など)の区別、金融分野で本籍地なども加えた機微(センシティブ)情報、公開情報も含まれること、営業秘密とは守る法律が違うことを押さえると解けます。

要点と○×問題へ →
個人情報保護法と生成AIへの入力(利用目的・第三者提供・加工)の暗記図解。個人情報とAI入力。目的の範囲内か、学習に使われないか。利用目的:特定した目的の範囲内で使う。個人データの入力:学習に使われないか確認。第三者提供:原則、本人の同意が要る。匿名加工情報:誰か分からず元に戻せない。迷ったら、個人情報は入れない!
図で覚える個人情報保護法と生成AIへの入力(利用目的・第三者提供・加工)

事業者が生成AIに個人情報を入力するときは、特定した利用目的の範囲内かを確かめ、個人データを入力する場合は、AIサービス側で応答以外(機械学習など)に使われないことを確かめます。第三者提供と委託の違い、氏名を伏せるだけでは個人情報でなくなるとは限らないこと、仮名加工情報と匿名加工情報の違い、令和8年改正は2026年11月時点で施行前であることを押さえると解けます。

要点と○×問題へ →
企業機密・営業秘密の入力リスクと漏えい時の対応の暗記図解。営業秘密と漏えい。秘密は入れない、漏れたらすぐ報告。営業秘密の3要件:秘密管理性・有用性・非公知性。AIへの入力:運営企業に渡り学習されうる。委員会への速報:おおむね3〜5日以内。委員会への確報:30日以内(不正目的は60日)。秘密は入れない、漏れたらすぐ報告!
図で覚える企業機密・営業秘密の入力リスクと漏えい時の対応

営業秘密は、秘密として管理され(秘密管理性)、事業活動に有用で(有用性)、公然と知られていない(非公知性)情報です。クラウドのAIに入力すると運営企業に渡り学習に使われうること、RAGや要約・共有で意図しない範囲へ広がること、漏えいが起きたら直ちに報告して被害の拡大を防ぎ、調査・影響範囲の特定・再発防止、報告の対象となる事態なら個人情報保護委員会への報告を行うことを押さえると解けます。

要点と○×問題へ →
著作権と著作物・著作者人格権の暗記図解。著作権の基本。表現は守られ、アイデアは守られない。著作物:思想又は感情の創作的な表現。守られない:作風・事実・ありふれた表現。著作者人格権:公表権・氏名表示権・同一性保持権。存続期間:原則、著作者の死後70年まで。守るのは表現、アイデアは守らない!
図で覚える著作権と著作物・著作者人格権

著作物は、思想又は感情を創作的に表現したもので、作風などのアイデアや単なる事実・データ、ありふれた表現は保護されません。著作権(複製権・翻案権など利用の形ごとの権利)と著作者人格権(公表権・氏名表示権・同一性保持権。譲渡できない)の違い、著作権は登録なしで創作の時に生じ、特許権などは登録で生じることを押さえると解けます。

要点と○×問題へ →
AI学習と著作権・AI生成物の類似性と依拠性の暗記図解。AIと著作権。学習は30条の4、利用は類似と依拠。作品を知っていた:認められる。学習データにあった:通常は推認される。どちらでもない:偶然の一致で認められない。作品名を入力:依拠性が認められやすい。似ている+依拠で、侵害になりうる!
図で覚えるAI学習と著作権・AI生成物の類似性と依拠性

AIの開発・学習の段階では、著作物に表現された思想又は感情の享受を目的としない利用(情報解析など)として著作権法第30条の4が働く一方、著作権者の利益を不当に害することとなる場合は除かれます。生成・利用の段階では、AIを使わない場合と同じく既存の著作物との類似性と依拠性で侵害かどうかを判断することを押さえると解けます。

要点と○×問題へ →
第三者コンテンツの入力と引用・転載・要約・翻案の暗記図解。他人の作品の入力と引用。入力は原則許可不要、引用は条件つき。AIへの入力:原則は第30条の4で許諾不要。明瞭区別:カギ括弧などで引用部分を分ける。主従関係:自分の文が主、引用は必要最小限。出所の明示:作品名や著作者名を示す。引用は区別・主従・出所の三点!
図で覚える第三者コンテンツの入力と引用・転載・要約・翻案

生成AIへの著作物の入力に伴う複製は原則として著作権法第30条の4の対象ですが、入力した著作物と似た物を作らせる目的なら適用されない場合があります。生成と利用で権利制限規定の当てはまり方が違うこと、引用の要件(第32条。引用部分をはっきり分ける・自分の文章が主で引用は従)と出所の明示(第48条)、翻案権(第27条)、似ているかは「創作的表現」が共通するかで決まることを押さえると解けます。

要点と○×問題へ →
商標権・意匠権・特許権と肖像権・パブリシティ権の暗記図解。商標・意匠・特許と肖像権。期間は特許20年・意匠25年・商標10年。特許権:出願から20年・登録で発生。意匠権:出願から25年・似たデザインも独占。商標権:登録から10年・更新で何度でも。パブリシティ権:顧客吸引力を本人が独占。特許20・意匠25・商標10!
図で覚える商標権・意匠権・特許権と肖像権・パブリシティ権

特許権(発明)・意匠権(デザイン)・商標権(マーク)は、特許庁への出願・登録で発生し、存続期間の起算点と長さ(特許は出願から20年、意匠は出願から25年、商標は登録から10年で更新可)が違います。肖像権・パブリシティ権には条文が無く、最高裁平成24年2月2日判決が、人格権に由来する権利として、専ら顧客吸引力の利用を目的とする無断使用が違法となる場合を示したことを押さえると解けます。

要点と○×問題へ →
利用規約・ライセンス・商用利用とAI生成物の権利帰属の暗記図解。AI生成物の権利と規約。著作者はAIでなく、作った人間。著作者:AIはなれず、作った人間。アイデアだけの指示:生成物は著作物と認められない。人が加筆した部分:通常は著作物と認められる。会社の名義で公表:別の定めがなければ会社が著作者。AIは著作者になれない!
図で覚える利用規約・ライセンス・商用利用とAI生成物の権利帰属

AIサービスは利用規約で他人の著作物の入力などを禁止・制限している場合があり、学習済みモデルの情報や入力内容の扱い(保存・学習)を使う前に確かめます。社外公開の前には似ていないかの確認と、生成過程の記録をします。AI生成物の著作物性は、指示がアイデアにとどまるか、人の創作的寄与があるかで判断し、AIは著作者にならないこと、職務著作の要件を押さえると解けます。

要点と○×問題へ →
AI倫理・ELSIとAI事業者ガイドライン(人間中心のAI)の暗記図解。人間中心のAI社会原則。2019年決定・3つの理念と7つの原則。3つの基本理念:人間の尊厳・多様性・持続性。7つの原則:人間中心・プライバシー・公平性など。ガイドライン:法的な強制力のないソフトロー。対象の3つの立場:AI開発者・AI提供者・AI利用者。使い方を決めるのは、いつも人!
図で覚えるAI倫理・ELSIとAI事業者ガイドライン(人間中心のAI)

「人間中心のAI社会原則」(2019年3月、統合イノベーション戦略推進会議決定)の3つの基本理念と7つのAI社会原則、AI社会原則とAI開発利用原則の違いを押さえます。AI事業者ガイドラインはこの原則を土台にした、法的な強制力のないソフトローで、2026年11月時点の最新は第1.2版であること、AIの課題を倫理・法令・人権・安全の面から理解する姿勢が求められることを押さえると解けます。

要点と○×問題へ →
AI事業者ガイドラインの共通の指針(安全性・公平性・透明性など)の暗記図解。共通の指針(10項目)。AIに関わる全事業者が守る10項目。安全性:命・体・財産に加え心や環境も。公平性:偏りが許せる範囲かを評価。透明性:ソースコード公開までは求めない。セキュリティ確保:弱点は完全になくせないと認識。伝えるは透明性、負うはアカウンタビリティ
図で覚えるAI事業者ガイドラインの共通の指針(安全性・公平性・透明性など)

AI事業者ガイドライン(第1.2版)の「共通の指針」は10項目で、1)人間中心〜7)アカウンタビリティは各主体が取り組む事項、8)教育・リテラシー〜10)イノベーションは社会と連携して取り組むことが期待される事項です。安全性は精神・環境にも及ぶこと、避けられない偏りの評価、弱点(脆弱性)は完全には消せないこと、透明性はソースコードの公開まで必ず求めるものではないことなどを押さえると解けます。

要点と○×問題へ →
高度なAIシステムのリスク管理と社会への影響の暗記図解。AIが社会に与える影響。偏りや偽情報が広がるリスクに注意。偽情報:本当らしい偽情報を誰でも作れる。デジタルタトゥー:ネットに出した内容は消しにくい。意見の収束:同じAIで考えの多様性が失われる。偏見の増幅:うのみで差別的な出力が広がる。うのみにせず、確かめてから発信!
図で覚える高度なAIシステムのリスク管理と社会への影響

高度なAIシステム(最先端の基盤モデル・生成AIを含む)には、リスクの大きさに対策を合わせるリスクベースアプローチと、広島プロセス国際指針の措置(レッドチーム、電子透かし等)で臨みます。偽情報、フィルターバブルとエコーチェンバー、回答の収束、偏見の再生成、デジタルタトゥー、雇用・格差・環境負荷・過度な依存といった社会への影響を、一次資料の言い方で押さえると解けます。

要点と○×問題へ →
AIガバナンスと社内ガイドライン・AIツールの選定の暗記図解。AIガバナンス。リスクを抑え、便益を最大にする仕組み。目的:リスクゼロでなく便益を最大に。経営層の見方:コストでなく先行投資と捉える。ISMSの規格:ISO/IEC 27001。AI管理の規格:ISO/IEC 42001。決まりは作って終わりにしない!
図で覚えるAIガバナンスと社内ガイドライン・AIツールの選定

AIガバナンスは、リスクを受け入れられる範囲に抑えつつ便益を最大にするための仕組みづくりと運用で、決まりを固定せず「環境・リスク分析→ゴール設定→システムデザイン→運用→評価」を回すアジャイル・ガバナンスで進め、経営層が主導します。社内ルールの項目(使う前・入力・生成物の扱い)と、ツール選びで見る約款・SLA・外部認証(ISMS〈ISO/IEC 27001〉やSOC2)・データの保存先の国、利用者が持つバックアップなどを押さえると解けます。

要点と○×問題へ →
入力情報のルール・承認フロー・コスト管理・継続的な見直しの暗記図解。AI利用の運用ルール。高リスクかを3つの軸で判定する。A 業務の影響:誤りが重大な影響を与える業務。B 利用範囲:不特定の外部の人が使う。C 人の確認:出力を人が確かめるか。費用の対策:レート制限・クオータ・監視。迷ったら使わない、が基本!
図で覚える入力情報のルール・承認フロー・コスト管理・継続的な見直し

入力してよい情報は、ツールの契約の形(約款への同意だけのクラウド型か、個別契約か)と、業務の性格・利用範囲・出力を人が確かめるかで決めます。新しいツールは許可を得て使い、AI生成物は説明責任を持って確かめてから使います。APIの使いすぎ(Denial of Wallet)にはレート制限や上限、APIキーは別管理、研修は役割に応じて行い、外部の変化に合わせて見直すことを押さえると解けます。

要点と○×問題へ →
AI法(人工知能関連技術の研究開発及び活用の推進に関する法律)とAI基本計画の暗記図解。AI法とAI基本計画。2025年9月全面施行・罰則はなし。本部長:内閣総理大臣(AI戦略本部)。本部員:本部長・副本部長以外の全国務大臣。罰則:事業者への罰則の規定はない。活用事業者:積極活用と国の施策への協力。AI法は進める法律、罰則なし!
図で覚えるAI法(人工知能関連技術の研究開発及び活用の推進に関する法律)とAI基本計画

AI法は2025年6月4日公布・一部施行、9月1日全面施行の、AIの研究開発と活用を進めるための法律で、内閣に人工知能戦略本部(本部長は内閣総理大臣)を置き、第18条で人工知能基本計画(閣議決定)、第13条で適正性確保指針を定めます。活用事業者は国等の施策に「協力しなければならない」が罰則は無く、国民は「努める」。2026年11月時点の基本計画は第Ⅱ期(2026年7月14日)で当面は毎年変更、4原則と4つの基本的な方針を押さえると解けます。

要点と○×問題へ →
広島AIプロセス・EU AI Act・AIと安全保障・国産AIの暗記図解。AIの国際ルール。広島AIプロセスとEU AI Act。国際行動規範:開発組織が自主的に守る手引き。全関係者向け指針:11原則に12番目の指針を追加。EU AI Act:リスクの大きさで規制を変える。EU域外の提供者:出力がEUで使われれば対象。広島は自主的、EUはリスクで規制!
図で覚える広島AIプロセス・EU AI Act・AIと安全保障・国産AI

広島AIプロセスは2023年5月のG7広島サミットから始まり、同年12月に国際指針と国際行動規範からなる包括的政策枠組みがまとまりました(行動規範は自主的な手引き)。EU AI Actはリスクに応じて規制を変える規則で、2026年7月の改正で高リスクAI(Annex III)の適用が2027年12月2日に延びました。AI法・基本計画が示す安全保障、開かれた「AI主権」、日本語データ、AI人材とリ・スキリングを押さえると解けます。

要点と○×問題へ →
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)の暗記図解。プロンプトの基本。役割・ルール・例・情報の順に書く。役割:目的・話し方・大きな目標。ルール:守ってほしい決まり。例:入力と望む答えの例。追加の情報:社内資料など。終わり近くに置く。「資料を作って」だけで頼まない!
図で覚えるプロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)

プロンプトエンジニアリングは、モデルが要件を満たす出力を安定して出すよう指示を書く工程です。出力は毎回同じとは限らないので試して直すこと、指示を目的・役割(Identity)・ルール(Instructions)・例(Examples)・参考情報(Context)に分けること、出力形式の指定、モデルの種類に合わせた具体度を押さえると解けます。

要点と○×問題へ →
Zero-Shot・Few-Shot・Chain-of-Thoughtの暗記図解。例の示し方と思考の連鎖。例なし・1つ・いくつかで呼び名が変わる。Zero-Shot:例を示さず、指示だけ与える。One-Shot:例を1つだけ示す。Few-Shot:例をいくつか示し型を読ませる。思考の連鎖:途中の考えを書いた例を示す。例ゼロはZero、例いくつかはFew!
図で覚えるZero-Shot・Few-Shot・Chain-of-Thought

Zero-Shot は例を示さず指示だけ、One-Shot は例を1つ、Few-Shot は入力と答えの例をいくつか示すやり方で、どれもモデルの重みを更新しないコンテキスト内学習(In-Context Learning)です。Chain-of-Thought は答えまでの途中の考えを書かせる考え方で、十分に大きなモデルで、段階を踏む推論の性能が上がることを押さえると解けます。

要点と○×問題へ →
文書作成・校正・要約・議事録・翻訳・スライドでの活用の暗記図解。文書作成と議事録。AIの文書は人が確かめてから使う。メールの返信:人の確認なしの自動送信は高リスク。議事録:固有名詞や発言の意味の誤り。翻訳・対外発信:言語・文化・歴史への配慮。スライド:分かったことと提案を分けさせる。説明できない文書は出さない!
図で覚える文書作成・校正・要約・議事録・翻訳・スライドでの活用

メール・文書の作成、校正・整形、要約・トーンの変更、議事録、翻訳、スライドに生成AIを使う場面で、人の確認を経ない自動送信は高リスク、入力する元の情報の正確さは利用者が確かめる、文字起こしの固有名詞の誤りや翻訳の文化的な背景に注意する、自分で説明できる形にして使う、引用の実在を確かめる、といった確認の勘所を押さえると解けます。

要点と○×問題へ →
企画・マーケティング(コピー・アンケート・SNS・LP・市場調査)での活用の暗記図解。企画・マーケティング。使う前に商標と事実を確かめる。キャッチコピー:登録商標と似ていないか検索。AIの判断の承認:理由や根拠を自分で考えてから。個人情報の入力:利用目的に必要な範囲か確かめる。人を操作する利用:意思決定や感情の不当な操作はしない。広める前に、一次情報で確かめる!
図で覚える企画・マーケティング(コピー・アンケート・SNS・LP・市場調査)での活用

キャッチコピー・企画の壁打ち・アンケート・SNS・LP(ランディングページ)・市場や競合の調査に生成AIを使う場面で、登録商標との類似の確認、プロンプトと出力のバイアス、個人情報の利用目的、一次情報での事実確認、公開(利用)の前の類似の確認、架空の情報(ハルシネーション)への注意を押さえると解けます。

要点と○×問題へ →
画像・動画・音声・音楽の制作と素材の展開の暗記図解。画像・動画・音声の制作。画風が似ただけなら侵害にならない。画風が似ただけ:アイデアなので著作権侵害でない。TTS:文字から音声を作る(音声合成)。C2PA:作られ方と編集の履歴(来歴)を示す。人物の画像:特定の人と分かるか肖像権を検討。画風はアイデア、表現が似たら要注意!
図で覚える画像・動画・音声・音楽の制作と素材の展開

画像・動画・音声の生成と素材の展開では、作風が似ているだけなら著作権侵害にならない一方、既存作品を入力・名指しすると依拠性が認められやすいこと、生成と利用で判断が違うこと、著作物性は人の創作的な関わりで決まること、人の肖像・声の確認、利用規約(ライセンス条件)の確認、来歴を示す C2PA の Content Credentials、多言語への展開での文化的な配慮を押さえると解けます。

要点と○×問題へ →
データ分析・ディープリサーチ・定例レポートの暗記図解。データ分析と調査。出典があっても中身は自分で確かめる。集計・グラフ:元のデータで合計や件数を検算。ディープリサーチ:判断に使う記述は出典を開く。RAG:学習し直さず資料を追加できる。個人データ:機械学習に使われないか確かめる。出典つきでも、開いて確かめる!
図で覚えるデータ分析・ディープリサーチ・定例レポート

データの整形・分類、集計・可視化、大量の文書からの抽出、複数の情報源の横断調査(ディープリサーチ)、定例レポートの自動化に生成AIを使う場面で、個人データを入れる前の確認、入力データの正確さと集計の検算、RAG の仕組みと検索範囲の制限、参照元の確認、ディープリサーチのレポートにも事実の誤りがありうることと出典の範囲、人の確認を挟む自動化(ワークフロー型エージェント)を押さえると解けます。

要点と○×問題へ →
コーディング支援と業務自動化(ブラウザ操作・複合タスク)の暗記図解。コーディングと業務自動化。権限は最小限、戻せない操作は承認。AIに任せたコード:テストで確かめ、中身も検証する。道具の権限:仕事に必要な最小限に絞る。画面の文章:信頼できないものとして扱う。戻しにくい操作:実行の前に承認を求める。権限は最小、戻せない操作は人が決める!
図で覚えるコーディング支援と業務自動化(ブラウザ操作・複合タスク)

コーディングエージェント(OpenAI の Codex など)によるコードの生成・調査・リファクタリングと、定型業務・ブラウザ操作・複数のツールにまたがる作業の自動化では、変更をテストで確かめること、コンテキストウィンドウの上限、AGENTS.md・MCP などの仕組み、権限を最小にすること、画面の内容を信用しないこと、影響の大きい操作の前に人が承認すること、計画とタスク分解を押さえると解けます。

要点と○×問題へ →
業種別の活用と共通する成功のポイントの暗記図解。業種別の活用とAX。AIを前提に仕事の進め方を見直す。がん診断AI:AIが示し、医師が判断する。送電線の点検:画像の解析から報告書まで自動化。活用する方針:日本の企業で合計68.9%。企業規模別:大企業74.0%・中小企業58.1%。AXは置き換えでなく、見直し!
図で覚える業種別の活用と共通する成功のポイント

業種ごとの活用の例(AI事業者ガイドライン別添の医療・製造・インフラ・小売など)と、業種を問わない成功のポイント(リスクの性質に合わせたリスクベースアプローチ、誤りの影響が大きい業務や外部の人が使う場面ほど慎重にすること、評価に使うときの通知、ツールの選び方、AX の考え方)、令和8年版情報通信白書の企業の活用方針の数字を押さえると解けます。

要点と○×問題へ →

数字だけを総ざらいするなら

この暗記表から、数値がそのまま正誤を分ける67項目を 1枚に抜き出しています。印刷して持ち歩けます。

超重要数字シートを見る

論点から探すなら

58論点の要点整理から、暗記項目と○×問題へ進めます。

論点整理を見る