ハーバード大学の生成AI講義は、無料で学べるのだろうか。
結論から言えば、本当だ。ただし、2026年に新しく始まった6つの無料資格講座という意味ではない。ハーバード・ケネディスクール（HKS）は、2024年春学期の「The Science and Implications of Generative AI」の動画、スライド、演習を一般に公開している。この記事では、そのうち第1回（生成AI入門）、第4回（プロンプト設計）、第5回（チャットボットを超えて）の公式教材を読み解き、日常や仕事で使える形に整理する。
※本稿は公開講義ページを中心に確認して作成した学習記事であり、著者が全動画を視聴・全課題を提出し、大学の正式な履修認定を受けたという意味ではない。実践例は講義そのものの成果ではなく、教材を踏まえた筆者独自の応用である。
第1回：生成AIは「知識を保管した辞書」ではない
講義はまず、従来のAIと生成AIの違いから始まる。従来のAIがリスクや結果の予測に使われることが多いのに対し、生成AIは文章、コード、画像など新しい内容を作り出せる。自然言語で扱えることも普及を後押しした。
大規模言語モデル（LLM）を理解する入口は、膨大なテキストから文脈に続く語を予測する学習だ。講義では①テキストを集める、②次の語を予測する能力を学ぶ、③望ましい振る舞いに合わせて調整する、という大枠で説明している。これは有用な単純化だが、LLMの能力を単なる文章の自動補完に還元し切れるという意味ではない。
重要なのは、流暢な文章と事実の正確さが同義ではないことだ。授業では大学入試を題材に、志願者がAIで文章を作る場合と、入試担当者がAIを選考に使う場合の双方を考える。便利さだけでなく、公平性、個人情報、価値観との整合性という論点が浮かび上がる。
実務への応用としては、AIの出力を「完成した判断」として受け取らず、検証すべき仮説や初稿として扱うことだ。
第4回：プロンプトはTICで設計する
第4回の核はTICという3要素だ。
Task：AIに何をしてほしいのか。
Instructions：どの条件・形式・基準で進めるのか。
Context：判断に必要な背景、資料、例は何か。
例えば「就活の企業研究をして」だけでは、何を調べ、何を根拠にし、どう出力すべきかが曖昧だ。次のように書けば、作業の期待値がそろう。
【コピペ用：企業研究のTICプロンプト】
Task：候補企業の事業と職種を比較し、面談に向けた質問を5つ作成する。
Instructions：一次情報を優先し、確認できた事実／解釈／未確認事項を分ける。企業ごとに事業、現場で担う責任、海外業務、若手の裁量を表で比較する。根拠URLを付け、不明な項目は「要確認」と書く。
Context：対象企業は［企業名］。比較したい職種は［職種名］。重視する条件は［自分で記入］。対象企業の公式資料は、出典URLと確認日を付けて別途提供する。
資料は「参考にしてください」と曖昧に渡すのではなく、本文と資料の境界を明示する。まず要求を具体化し、簡単な指示から試して改良する、といった進め方が考えられる。
さらに、Few-shotは望ましい出力の見本を数件示す方法、Personaは面接官や指導者など異なる立場をAIに担わせる方法だ。複雑な仕事では、全体を工程に分けて順に検証するのも有効である。
ただし、役割を指定するだけで専門家並みの正確性が保証されるわけではない。求めるのは「専門家らしい口調」よりも、検証可能な成果物である。
第5回：チャットボットから「用途に合わせたAI」へ
第5回では、汎用AIを特定の目的に合わせる3つの方法を比較する。
①システムプロンプト：AIの役割や行動規則を継続的に指定する。
②RAG（検索拡張生成）：回答前に必要な資料を検索し、その内容を参照させる。
③ファインチューニング：追加データを用いてモデルの振る舞いを学習・調整する。
この3つは同義ではない。たとえば業務チェックリストの確認AIを作る場合、「担当者への配慮を保ち、推測値を確定値として扱わない」は継続的な指示に向いている。一方、今週の提出率や最新の確認結果は、更新されるデータベースから取得するべきだ。毎週変わる数字をモデルの学習済み知識に期待するのは適切ではない。
【実践例：出典付き回答の最小設計】
質問：今週、チームAのチェックリスト提出率は何％か。
検索結果（仮のデータ）：チームAの対象者8人、提出者6人。集計期間は10月19日〜25日。
回答：6÷8×100＝75％。期間は10月19日〜25日。参照元は当該週の提出記録。
追加ルール：データが無い場合は数字を作らず、集計対象と不足情報を明示する。
これはRAGの考え方を説明するための「資料を与えて答える」簡易例であり、検索基盤・ベクトルDB・自動評価を実装した実験ではない。それでも、言語モデルの能力と信頼できる記録をどう結び付けるか、設計思想は伝わるはずだ。
本格的なシステムでは、参照文書の更新、閲覧権限、検索精度、古い情報の混入、回答の出典表示、誤回答の評価が必要になる。RAGを入れただけで幻覚が消えるわけでもない。
日常の作業で試す順番
1. いつもの依頼をTICに書き換え、目的・条件・背景の欠落をなくす。
2. よい出力例を2〜3件用意し、書式や判断基準をそろえる。
3. 用途別に固定の指示を作り、異なる仕事を混ぜない。
4. 頻繁に変わる事実は外部データから取得し、回答に根拠を添える。
5. 最後に、人が確認すべき基準を決め、誤答と修正履歴を残す。
結局、AIを使いこなすとは、巧妙な一文を思い付くことではない。何を委ね、何を根拠にし、どこで人間が責任を持つのかを設計することだ。
無料で学べる公式教材
・講義全体（2024年春学期） https://generative-ai-course.hks.harvard.edu/spring-2024
・第1回 Introduction to Generative AI https://generative-ai-course.hks.harvard.edu/1-how-genai-works/class-1
・第4回 Prompt Engineering https://generative-ai-course.hks.harvard.edu/2-using-genai/class-4
・第5回 Beyond Chatbots https://generative-ai-course.hks.harvard.edu/2-using-genai/class-5
公開教材の閲覧は無料。ただし2024年の第5回教材では、一部実習に有料のChatGPT Plusが指定されている。これは当時の教材の条件であり、現在の製品仕様や料金を示すものではない。無料閲覧、課題実施、修了認定、大学の単位取得は区別して理解したい。
（この記事は公開資料の内容を筆者が再構成し、生成AIの補助を用いて編集したものです。ハーバード大学の公式見解や認定を示すものではありません。）
資料確認日：2026年10月27日。出典はHarvard Kennedy School「The Science and Implications of Generative AI」（Spring 2024）。公式教材の表示ライセンスは、別途記載がある場合を除きCC BY 4.0。本記事はその内容を日本語で独自に要約・再構成し、架空の応用例を追加したものです。
コメント