暗記表
生成AIの実践と活用事例の暗記表110項目
生成AIの実践と活用事例の要点を、GUGA のシラバスと公表資料・法令に基づく一問一答で確かめます。。キーワードと章で絞り込み、表の行をクリックすると 要点の全文が開きます。各項目から○×一問一答へ直行できます。
110項目
| 項目(クリックで詳細) | 覚え方 | ひっかけ注意 | 問題 |
|---|---|---|---|
| Zero-Shot・Few-Shot・Chain-of-Thought | – | – | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | 「Zero-Shot プロンプティングでは、例を示さないだけでなく、タスクを説明する指示文も与えず、処理したいデータだけをモデルに渡す」は誤り。 誤り。GPT-3 の論文は、Zero-Shot を「例は示さず、タスクを説明する自然言語の指示だけを与える」設定としている。示さないのは例で、指示は与える。たとえば議事録の文字だけを渡しても、要約してほしいのか誤字を直してほしいのかAIには分からない。「次の議事録を3行で要約して」と指示を添えるのが Zero-Shot である。 | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | 「Zero-Shot プロンプティングでは、タスクの例を1つだけ示し、それにならってモデルに答えさせる」は誤り。 誤り。例を1つだけ示すのは One-Shot である。GPT-3 の論文は、One-Shot をタスクの説明に加えて例を1つだけ認める設定、Zero-Shot を例を認めず指示だけを与える設定として区別している。新人に「見本はこの1枚です」と渡して書類を作らせるのが One-Shot、見本なしで口頭の説明だけで頼むのが Zero-Shot。 | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | – | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | – | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | 「Few-Shot プロンプティングは、プロンプトに示した例を使ってモデルの重み(パラメータ)を更新するので、ファインチューニングの一種である」は誤り。 誤り。GPT-3 の論文は、Few-Shot を、例を条件として与えるが重みの更新は認めない設定とし、専用のデータで学習して重みを更新するファインチューニングと区別している。重み(パラメータ)は、AIが学習で身につけた知識を表す大量の数値。Few-Shot は「その場で見本を見せる」だけで、研修を受け直させる(ファインチューニング)のとは違う。 | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | – | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | – | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | – | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | – | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | 「Chain-of-Thought の論文は、思考の連鎖による推論の能力は小さな言語モデルほど現れやすく、モデルが大きくなると効果が薄れると報告している」は誤り。 誤り。逆である。Chain-of-Thought の論文は、こうした推論の能力は十分に大きな言語モデル(sufficiently large language models)で、例を示すだけの簡単な方法によって自然に現れるとしている。途中式の見本を見せて効果が出るのは、もともと計算の地力がある人に限られるのと似ている。 | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | 「Chain-of-Thought プロンプティングは、推論の過程を書いた大量のデータでモデルを追加学習(ファインチューニング)させる手法である」は誤り。 誤り。Chain-of-Thought の論文のやり方は、思考の連鎖の例をいくつかプロンプトの中で示すもので、モデルを学習し直さない。プロンプトだけで済むので大きな学習データが要らず、算数の文章題では、追加学習した GPT-3 を上回った結果も報告されている。研修をやり直すのではなく、その場で解き方の見本を見せるだけ、と覚える。Few-Shot と同じく、頼み方の工夫の1つである。 | ○×一問一答へ |
| Zero-Shot・Few-Shot・Chain-of-Thought | – | 「OpenAI のガイドによると、推論モデルは内部で思考の連鎖を生成するぶん、GPT モデルより一般に速く、費用も安い」は誤り。 誤り。OpenAI のガイドは、推論モデルは内部で思考の連鎖を生成し、複雑な課題や複数の段階の計画を得意とする一方で、一般に GPT モデルより遅く、費用も高いとしている。じっくり考える担当者は難しい案件に強いが、時間も人件費もかかるのと同じ。簡単な仕事は速くて安いモデル、込み入った仕事は推論モデル、と使い分ける。 | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | 「コーディングエージェントが「修正が完了しました」と報告したら、その変更はテストを通ったものとみなし、確認せずに取り込んでよい」は誤り。 誤り。OpenAI のガイドは、コーディングでは、モデルに単体テストなどで変更を確かめさせ、変更を慎重に検証するよう勧め、ツールは失敗していても「Done」を返すことがあると注意している。テストは、プログラムが意図どおり動くかを試す確認作業。工事業者の「終わりました」を聞いたら、蛇口をひねって水が出るか確かめてから受け取るのと同じ。 | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | 「コーディングエージェントのモデルは、コンテキストウィンドウに上限がないため、大規模なコードベースでも全体を一度に考慮できる」は誤り。 誤り。OpenAI のガイドは、モデルが1回の生成で扱えるデータの量には限りがあり、その上限をコンテキストウィンドウと呼ぶとしている。用語集(2026年11月時点)も、長い作業を続けるために古い文脈を要約するコンパクションを挙げている。机の広さに限りがあり、資料を全部は広げられないので、要点のメモに置き換えながら作業を続けるのに似ている。 | ○×一問一答へ |
| 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) | – | 「2026年11月時点で、Codex の読み取り専用モード(Read-only mode)は、承認を得なくてもファイルを自由に書き換えられるモードである」は誤り。 誤り。OpenAI の用語集(2026年11月時点)は、Read-only mode を、Codex が調べる(inspect)ことはできるが、承認なしには変更できないモードと定義している。既存のシステムの調査だけを頼むときに向く。図書館の資料は自由に読めても、書き込むには許可が要るのと同じで、まず読むだけの権限で調べさせると、うっかりの書き換えを防げる。 | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | 「2026年11月時点で、MCP は Anthropic の Claude だけで使える規格で、OpenAI の Codex では外部のツールをつなぐのに使えない」は誤り。 誤り。OpenAI の用語集(2026年11月時点)は、MCP を、Codex を外部のツールやコンテキストにつなぐための標準(Model Context Protocol)と定義し、MCP サーバーが公開するツールを Codex がタスクの中で呼び出せるとしている。MCP は、どのメーカーの機器でも挿せる USB の差し込み口のようなもの。決まった形でつなげば、別の会社のAIからも同じ道具を使える。 | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | 「ブラウザを操作するAIエージェントは、閲覧中のWebページに書かれた指示も、利用者の指示と同じものとして扱うように設計する」は誤り。 誤り。OpenAI の Computer use のガイドは、画面の内容を信頼できないものとして扱い、ページや文書の中の文章は権限を与えたり利用者の指示を上書きしたりできないとしている。OWASP も、ページに隠した指示でエージェントの目的を乗っ取る攻撃(間接プロンプトインジェクション)を挙げる。代行を頼んだ秘書が、訪ねた店の張り紙「このカードで100万円払え」に従っては困るのと同じ。 | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | 「複数のシステムをまたいで自律的に動くAIエージェントでは、送金のような影響の大きい操作でも、人の承認を挟むと自動化の効果が下がるので、承認なしで実行させることが勧められている」は誤り。 誤り。OWASP の Top 10 for Agentic Applications は、エージェントの目的が乗っ取られる危険への対策として、ツールに最小限の権限を与え、影響の大きい操作や目的を変える操作には人の承認を求めることを挙げ、不正な指示で金融のエージェントが攻撃者の口座へ送金させられる例も挙げている。経理の自動化でも、振込の最終承認だけは人が行う仕組みにしておく。 | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | 「顧客名簿を生成AIで整形・分類させるため、あらかじめ本人の同意を得ずに個人データを入力し、それが応答の出力以外の目的で扱われても、個人情報保護法の問題になることはない」は誤り。 誤り。個人情報保護委員会の注意喚起は、事業者が本人の同意なく個人データを含むプロンプトを入力し、それが応答結果の出力以外の目的で取り扱われる場合、個人情報保護法の規定に違反することとなる可能性があるとしている。整形はデータの書式をそろえること。名簿の表記をそろえてもらうつもりが、入れた名簿がAIの学習に使われていた、ということになりかねない。 | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | – | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | 「集計を生成AIに任せる場合は、元のデータに誤りや古い値が混じっていても生成AIが正しい値に補ってくれるので、入力の前にデータを確かめる必要はない」は誤り。 誤り。デジタル庁のガイドラインは、正確性が求められる場面では特に正確かつ最新のデータを入力することとし、不正確な回答につながるため、入力前に不正確な情報がないかを利用者自身でチェックするとしている。AIが誤りを正しい値に直す保証はない。先月の売上の欄に先々月の数字が入ったままなら、集計の計算が正しくても結果は誤りになる。 | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | – | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | – | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | 「RAG で新しい社内文書を参照できるようにするには、文書を足すたびに、その文書でモデルを再学習(ファインチューニング)させる必要がある」は誤り。 誤り。AI事業者ガイドライン(第1.2版)別添は、RAG は通常のファインチューニングと異なり、モデルの再トレーニングを行わずに参照するデータソースを追加できるため、コストの低減も期待されるとしている。規程集に新しい規程を1枚差し込めば、新人を研修し直さなくても新しい規程で答えられるのと同じ。資料の追加と学習のし直しは別のもの。 | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | – | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | – | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | 「複数の情報源を横断してまとめたAIの調査レポートは、参照元が示されていれば、その参照元の内容と記述が合っているかを確かめなくてもよい」は誤り。 誤り。デジタル庁のガイドラインは、AI生成物の正確性や根拠・事実関係を必要な範囲内でリスクに応じて確認するとし、IPA の10大脅威 2026 も、生成AIは架空の情報を事実のように作ることがあるとして生成結果の精査を求めている。ディープリサーチ(多くの情報源を横断して調べ、まとめさせる使い方)でも同じ。参考文献の欄があっても、開くと別のことが書いてある、ということが起こりうる。 | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | – | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | – | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | 「定例レポートを自動で作る仕組みを組んだら、出力の適切さを人が判断せずに、そのまま社外へ配信する業務設計にしても、リスクは低い」は誤り。 誤り。デジタル庁のガイドラインは、生成AIの出力は必ずしも正しいとは限らないため、出力を人が判断せずにそのまま使う業務設計はリスクが高くなるとしている。AI事業者ガイドラインも、人間の判断を介在させることで予期せぬ事故を防げるとする。自動の仕組みは、誤りも自動でくり返す。取引先向けの月報なら、一度の誤った数字が毎月そのまま届いてしまう。 | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | – | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | 「OpenAI は、ディープリサーチは数百の情報源を分析して出典を付けるため、レポートで事実を誤ったり誤った推論をしたりすることはないとしている」は誤り。 誤り。OpenAI の発表は、ディープリサーチの限界として、応答の中で事実を誤ること(ハルシネーション)や誤った推論をすることがあると書いている。情報源が多く出典が付いていても、誤りがなくなるわけではない。ハルシネーションは「もっともらしい作り話」のこと。分厚い調査報告書でも、肝心の数字の出典を開いたら別の年の数字だった、ということがある。判断に使う記述は元の情報で確かめる。 | ○×一問一答へ |
| データ分析・ディープリサーチ・定例レポート | – | 「2026年11月時点の OpenAI の API ガイドによると、Web 検索を使った回答の中に示される出典(引用)は、モデルが検索で参照したURLをすべて並べたものである」は誤り。 誤り。OpenAI の Web 検索のガイド(2026年11月時点)は、回答の中の出典は最も関係の深い参照だけを示し、モデルが参照したURLの全体は別の一覧(sources)で返るとし、参照した情報源の数は出典の数より多いことがよくあるとしている。出典は、根拠として名前を挙げた資料のこと。報告書の参考文献欄に載るのは、担当者が目を通した資料の一部だけ、というのと同じ。 | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | 「生成AIが生成する内容は決定的であり、同じプロンプトを入力すれば常に同じ出力が得られる」は誤り。 誤り。OpenAI のガイドは、モデルが生成する内容は非決定的(non-deterministic)だとしている。非決定的とは、同じ入力でも出力が変わりうること。同じ質問を同僚に2回しても言い回しが少しずつ変わるのと似ている。そのため一度の結果で判断せず、何度か試して、ぶれても使える頼み方に直していく(対話的な改善)。 | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | 「Anthropic のガイドによれば、応答の速さや費用の問題も含め、成功の基準を満たせないときは、プロンプトを書き直すことが常に最も効果的な解決策である」は誤り。 誤り。「常に書き直しが最善」ではない。Anthropic のガイドは、レイテンシー(応答が返るまでの待ち時間)や費用は、別のモデルを選ぶほうが容易に改善できる場合があるとしている。配送が遅いときに、伝票の書き方を何度直すより、速い配送業者に替えたほうが早い場面があるのと同じ。困りごとの種類で打ち手を選ぶ。 | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | 「OpenAI のガイドは、回答の参考にする社内資料などの追加の情報(コンテキスト)は、生成のたびに差し替えることがあるため、プロンプトの冒頭に置くのが通常よいとしている」は誤り。 誤り。冒頭ではなく、終わりの近くに置くのが通常よいとしている。コンテキストとは、答えるときに参照させる資料や情報のこと。決まった定型文(役目やルール)を前に、毎回変わる資料を後ろに置くのは、申請書の様式は固定で、添付書類だけ毎回差し替えるのに似ている。くり返し使う部分を前にそろえると、処理の再利用(キャッシュ)も効きやすい。 | ○×一問一答へ |
| 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) | – | 「OpenAI のガイドは、プロンプトの中で見出しや XML タグを使って区切ると、モデルが指示と参考資料の境目を読み違えやすくなるため、使わないよう勧めている」は誤り。 誤り。OpenAI のガイドは逆に、見出しや箇条書きは区分を伝えるのに、XML タグは資料の始まりと終わりを区切るのに役立つとしている。XML タグは、文章を「ここから」「ここまで」で挟む目印のこと。メールで「以下、お客様の原文」「以上」と線を引いて自分の指示と分けるのと同じで、指示と資料の取り違えを防ぐ。 | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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) | – | 「OpenAI のガイドは、推論モデルを「明確な指示があると最もよく働く新人の同僚」、GPT モデルを「目標だけ伝えれば細部を任せられるベテランの同僚」にたとえている」は誤り。 誤り。たとえが逆である。OpenAI のガイドは、推論モデルを目標を伝えれば細部を詰めてくれる先輩の同僚(senior co-worker)、GPT モデルを明確な指示で特定の成果物を作るのが得意な新人の同僚(junior coworker)にたとえている。覚え方は「考えるモデル=任せられる先輩」「速いモデル=指示どおりに動く新人」。 | ○×一問一答へ |
| 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) | – | – | ○×一問一答へ |
| 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 | – | – | ○×一問一答へ |
| 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 | – | 「競合他社の登録商標を思わせるコピーを作るために、プロンプトにその登録商標を入れて「これに似たコピーを」と指示するのは、知的財産権のリスクを下げる入力の工夫として勧められている」は誤り。 誤り。デジタル庁のガイドラインは、プロンプトを入力する段階の対策として、特定の登録意匠・登録商標等と関連するようなプロンプトを入力しないことを挙げている。登録意匠は国に登録されたデザインのこと。有名なブランド名を入れて「これに似た名前を」と頼めば、似たものが出てくるのは当然で、リスクを下げるどころか高める頼み方である。 | ○×一問一答へ |
| 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 | – | – | ○×一問一答へ |
| 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 | – | 「生成AIが出した企画案の評価を上司が承認するときは、AIが示した評価の理由をそのまま承認の根拠にすれば、自動化バイアスへの対策として十分である」は誤り。 誤り。AI事業者ガイドラインは、自動化バイアス(機械の判断を過度に信じてしまう傾向)への対策として、AIの評価や判断を人が承認するときは、人自身が承認する理由や根拠を独自に考えてから承認すべきこと等が提案されているとしている。部下の稟議書に書かれた理由を読んだだけでハンコを押すのではなく、自分でも数字を見て納得してから押すのと同じ。 | ○×一問一答へ |
| 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 | – | – | ○×一問一答へ |
| 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 | – | 「アンケートの自由記述の回答に回答者の個人情報が含まれていても、生成AIサービスで分析するために入力する前に、利用目的の範囲内かを確かめる必要はない」は誤り。 誤り。個人情報保護委員会の注意喚起は、個人情報取扱事業者が生成AIサービスに個人情報を含むプロンプトを入力する場合には、特定された利用目的の達成に必要な範囲内であることを十分に確認するよう求めている。利用目的は、集めるときに「何に使うか」として示した目的のこと。「商品改善のため」と集めた回答を、別の目的の作業に流用しないかを入力前に確かめる。 | ○×一問一答へ |
| 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 | – | – | ○×一問一答へ |
| 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 | – | 「SNSでの販売促進のためであれば、利用者が意識して気づけないレベルで感情を操作することを前提にしたAIの使い方をしても、AI事業者ガイドラインの指針には反しない」は誤り。 誤り。AI事業者ガイドラインは、人間の意思決定、認知等、感情を不当に操作することを目的とした、又は意識的に知覚できないレベルでの操作を前提としたAIの開発・提供・利用は行わないとしている。販売促進の目的でも同じ。たとえば相手の不安をあおる文面をAIで一人ひとりに合わせて作り、気づかないうちに買わせるような使い方は認められない。 | ○×一問一答へ |
| 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 | – | – | ○×一問一答へ |
| 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 | – | 「生成AIで作ったランディングページの文章は、公開してから誤りが見つかれば直せばよいので、記載する事実や数字を公開の前に確かめる必要はない」は誤り。 誤り。IPA の情報セキュリティ10大脅威 2026 は、情報が正しいか確認した上で発信するよう求め、一度インターネット上に発信した内容は完全に消去することは難しい(デジタルタトゥー)としている。ページを公開する作業をデプロイともいう。公開した直後に誰かが画面を保存して広めれば、あとで直しても誤った価格や効能は残り続ける。 | ○×一問一答へ |
| 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 | – | 「生成AIで市場や競合を調べた結果は、多くの情報源をもとにまとめられているので、架空の情報が事実として含まれることはない」は誤り。 誤り。IPA の情報セキュリティ10大脅威 2026 は、対話型AIは時に架空の情報をあたかも事実として生成し、利用者に示すことがある(ハルシネーション)として、利用者に生成結果の精査を求めている。競合調査のまとめに、実際には存在しない新商品や、根拠のない市場の数字がもっともらしく入っていることもある。多くの情報源を使っても、作り話が混ざる可能性は残る。 | ○×一問一答へ |
| 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 | – | – | ○×一問一答へ |
| 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 | – | – | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | 「取引先から届いたメールの内容に応じて生成AIに返信を作らせ、担当者が確認しないまま自動で送信する仕組みは、人の手間を減らせるので、リスクの低い使い方である」は誤り。 誤り。デジタル庁のガイドライン(第2.0版)は、相手のメールの内容に応じた返信を作り、職員の確認を経ずに自動で返信するものを「高リスク」の判定の例に挙げている。出力をそのまま使う仕組みでは、AIの誤りがそのまま相手に届く。下書きは新人に任せても、送信ボタンは担当者が中身を見てから押す、という分担にすればリスクは下がる。 | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | – | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | – | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | 「文章の校正や添削を生成AIに頼むときは、AIが誤りを見つけて直してくれるので、入力する元の文章に誤った前提が含まれていないかを利用者が事前に確かめる必要はない」は誤り。 誤り。デジタル庁のガイドラインは、正確性が求められる場面では特に正確かつ最新のデータを入力することとし、不正確な回答につながるため、入力前に前提の誤りなどがないかを利用者自身でチェックするとしている。古い料金表を渡して案内文を整えてもらえば、きれいな文で古い料金が書かれた案内ができる。整えるのはAIでも、中身の正しさは入力した人が担う。 | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | – | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | 「生成AIで対象読者に合わせてトーンを変えた文書は、AIが書き換えたものなので、その内容についての説明責任は生成AIの提供者にあり、利用者は負わない」は誤り。 誤り。デジタル庁のガイドラインは、生成AIの出力に基づく判断も説明責任の対象に含まれるとし、AI事業者ガイドラインも、AI利用者は出力について説明を求められたら、AI提供者等の支援を得て応えることが期待されるとしている。トーンの変更は、読み手に合わせて言葉の硬さや調子を変えること。代筆を頼んだ挨拶状でも、出したのは自社なので、内容への問い合わせには自社が答える。 | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | – | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | 「AIで作った議事録の案は、AIが音声をそのまま文字にしたものなので、出席者や担当者が内容を確認する手順を省いても、記録の正確性は保たれる」は誤り。 誤り。デジタル庁のガイドラインが引く内閣府の通知は、AIを活用して職務上作成した文書(審議会の議事録原案等)について、文書の正確性を確保するため必要な確認を経ることが重要だとしている。要点抽出(話の中から大事な所だけ取り出すこと)も、AIが決定事項を取りこぼすことがある。手書きの速記でも清書前に読み合わせるのと同じで、確認は省けない。 | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | – | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | 「生成AIの翻訳は多言語に対応しているので、相手の国の言語・文化・歴史的な背景への配慮が十分かを確かめずに、そのまま対外的な発信に使ってよい」は誤り。 誤り。デジタル庁のガイドラインは、利用言語・文化・歴史的背景への考慮が不十分な生成AIの出力を直接使うと、誤った発信や国益に反する発信をしてしまうリスクがあるとしている。多言語に対応していることと、相手の文化に合っていることは別。日本では縁起のよい色や数字が、相手の国では不吉な意味を持つこともある。対外的な発信の前に、背景への配慮を人が確かめる。 | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | – | ○×一問一答へ |
| 文書作成・校正・要約・議事録・翻訳・スライドでの活用 | – | 「生成AIが文書の中で引用した判例や文献は、生成AIが学習した資料に基づくものなので、実在するかを確かめずにそのまま提出してよい」は誤り。 誤り。IPA の情報セキュリティ10大脅威 2026 は、対話型AIは架空の情報を事実のように生成することがあるとし、米国で弁護士が生成AIで作った意見書に実在しない判例が引用されていた事例を挙げて、利用者に生成結果の精査を求めている。ハルシネーションは「もっともらしい作り話」のこと。報告書の参考文献にある本が、書店でも図書館でも見つからない、ということが起こりうる。 | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | – | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | 「AX(AIトランスフォーメーション)とは、業務の進め方は変えずに、個々の作業の一部だけをAIに置き換えることをいう」は誤り。 誤り。人工知能基本計画(第Ⅱ期)は、AX を、AIを前提として意思決定や業務の進め方を根底から見直すことと位置づけ、人とAIの協働の在り方や制度の再設計まで求めている。議事録だけAIに書かせても会議の進め方が同じなら、AX とはいいにくい。会議の前にAIが論点を整理し、会議では決めることだけを話す、といった流れの組み直しが AX にあたる。 | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | – | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | – | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | 「デジタル庁のガイドラインは、一般の国民のような不特定の外部の人が使う生成AIサービスは、職員が府省庁の中だけで使う場合よりもリスクが低いとしている」は誤り。 誤り。逆である。デジタル庁のガイドラインは、利用者の範囲でリスクの大きさや影響の範囲が異なり、特に不特定外部者(一般国民等)が使うサービスは府省庁内での利用に比べリスクが高いと考えられるとしている。社内向けの相談AIの誤りは社員が気づいて直せても、窓口の自動応答の誤りは、確かめる手段のない大勢の人にそのまま届いてしまう。 | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | – | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | 「AI事業者ガイドライン(別添)の送電線の点検の例では、撮影した映像からの異常箇所の判別は引き続き熟練の保守担当者が目視で行い、AIは報告書の作成だけを担っている」は誤り。 誤り。AI事業者ガイドライン(第1.2版)別添の例では、熟練の保守担当者が動画をスロー再生で目視確認する長い作業が課題で、画像認識のAIを導入して、異常箇所の判別と報告書の作成までを自動化したとされている。判別もAIが担う。山の中の送電線を人が双眼鏡で一本ずつ見る代わりに、撮った映像からAIが怪しい所を拾い出すイメージ。 | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | – | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | – | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | 「AI事業者ガイドラインは、生成AIの出力を応募者の評価の参考にする場合でも、AIを利用していることを評価の対象となる応募者に知らせる必要はないとしている」は誤り。 誤り。AI事業者ガイドラインは、AIの出力を特定の個人又は集団に対する評価の参考にする場合は、AIを利用している旨を評価対象の個人又は集団に通知し、人間による合理的な判断のもと、求めに応じて説明責任を果たすとしている。公平性(特定の人を不当に不利にしないこと)を守るためでもある。採用の書類選考の参考にAIを使うなら、応募者にそのことを伝える。 | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | – | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | 「IPA の情報セキュリティ10大脅威 2026 は、シャドーAIを避けるため、未許可のAIサービスでも社員が個人のアカウントで業務に使うことを認めるよう、経営者層に勧めている」は誤り。 誤り。IPA の情報セキュリティ10大脅威 2026 は、経営者層の対策として、未許可・未認可のAIサービス利用の禁止、個人アカウントにおける業務利用の制限、AIサービス契約時の約款の確認、入力データを学習対象から除外する設定の徹底などを挙げている。シャドーAIは、会社が把握していないAIを社員が勝手に仕事で使うこと。私物のスマホで顧客名簿を撮るのと同じで、情報の行き先が分からなくなる。 | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | – | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | 「令和8年版情報通信白書(2025年度の企業向け調査)では、生成AIを「積極的に活用する」か「領域を限定して利用する」方針と答えた日本の企業の割合の合計は、調査した米国・ドイツ・中国を上回った」は誤り。 誤り。総務省の令和8年版情報通信白書は、日本の割合は前年度より大きく上昇したものの、調査した他の3か国(米国、ドイツ、中国)に比べると、日本は引き続き低い結果となったとしている。「伸びは大きいが、まだ他国より低い」の2点をセットで覚える。上がったことだけを覚えていると、この取り違えに引っかかる。 | ○×一問一答へ |
| 業種別の活用と共通する成功のポイント | – | – | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | – | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | 「既存のイラストを入力して「これと似た画像を作って」と指示する場合も、入力に伴う複製には常に著作権法第30条の4が適用されるので、権利者の許諾が必要になることはない」は誤り。 誤り。文化庁のチェックリストは、既存の著作物を入力するときの複製には原則として第30条の4が適用されるが、入力した著作物と類似する生成物を作らせる目的の入力は、作品の表現を楽しむ目的(享受目的)が併存するとして同条が適用されない場合があり、その場合は許諾が要るとしている。他社のポスターを読み込ませて「そっくりに」と頼むのは、この例外にあたりうる。 | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | – | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | – | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | 「同じ指示で何百回も画像の生成を試し、その中から1枚を選んだ場合は、試行回数が多いこと自体によって、その画像に著作物性が認められる」は誤り。 誤り。文化庁「AIと著作権に関する考え方について」は、試行回数が多いこと自体は創作的寄与の判断に影響せず、単なる選択行為も影響しないとしている。一方、生成物を見て指示を直しながら試行を繰り返すような場合は、著作物性が認められることも考えられるとする。くじを何百回引いても、自分で描いたことにはならないのと同じ。 | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | – | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | 「自社のロゴのように著作物として保護したい成果物を生成AIで作れば、AI生成物には必ず著作物性が認められるので、他社にまねされても著作権で守ることができる」は誤り。 誤り。デジタル庁のガイドラインは、AI生成物は著作物性が認められるとは限らないため、著作物として保護が必要な成果物の作成に生成AIを使うことは慎重に検討するとし、文化庁「考え方」も、指示がアイデアにとどまる場合は著作物性は認められないとしている。「青と白で信頼感のあるロゴ」と頼んだだけの案は、他社がまねても著作権で止められないおそれがある。 | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | 「実在の有名人によく似た人物の画像を生成して自社商品の広告に使う場合でも、AIが生成した架空の人物であれば、肖像権やパブリシティ権の侵害を検討する必要はない」は誤り。 誤り。デジタル庁のガイドラインは、AI生成物として人の肖像を使う上では、特定の人物の肖像との同一性(同定可能性)を確かめて肖像権侵害を検討し、顧客吸引力を有する人物の肖像と同一ならパブリシティ権侵害を検討するとしている。パブリシティ権は、有名人の名前や顔が持つ「客を呼ぶ力」を守る権利。誰が見てもあの俳優だと分かる顔なら、AI製でも問題になりうる。 | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | – | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | 「TTS(Text-to-Speech)は、会議の録音などの音声を文字に起こす技術である」は誤り。 誤り。向きが逆である。TTS は文字(Text)を音声(Speech)にする技術で、ナレーションや読み上げを作るのに使う。録音を文字にするのは Speech-to-text で、議事録づくりで使う。OpenAI のモデルの一覧(2026年11月時点)でも、Text-to-speech と Speech-to-text のモデルは別に並んでいる。「次の交差点を右折してください」という文字を音声にして読み上げるのが TTS、会議の録音から文字の記録を作るのが Speech-to-text。 | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | – | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | – | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | 「C2PA の Content Credentials は、生成AIで作った画像の著作権が誰にあるかを登録して証明する制度である」は誤り。 誤り。C2PA の公式サイトは、Content Credentials を、デジタルコンテンツの出どころと編集の履歴を示し、誰でもいつでもその来歴を見られる「栄養成分表示」のようなものと説明している。著作権の持ち主を登録・証明する制度ではない。成分表示はどこで何が使われたかを示すが、レシピの権利者を決めるものではない、と区別して覚える。 | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | – | ○×一問一答へ |
| 画像・動画・音声・音楽の制作と素材の展開 | – | – | ○×一問一答へ |