Rieseberg氏が説く、AIへの頼み方を高さ・深さ・幅で広げる野心の手引き

AIを使う人に向けて「もっと野心的に使おう」という呼びかけをよく見かけます。ただ、具体的に何をすれば野心的になるのかは、あまり書かれていません。この問いへの手引きを、Felix Rieseberg氏が10月13日に自身のブログで公開しました。氏はAnthropicのエンジニアリングマネージャーで、Claude.aiやCowork、Claude Code Desktopの開発を率いてきた人です。AIの開発者どうしでは「私たちはまだ野心が足りない」と言い合うのが合言葉のようになっていると氏は認め、その助言を実行するのは難しいとして、具体的な方法を書いています。

氏はClaudeを主に使っていますが、助言は特定のモデルに限らないとしています。

野心を4つの方向に分ける#

Rieseberg氏は、AIを使うときの野心を次の4つに分けています。

方向	意味
速さ（Speed）	同じ作業を短い時間で済ませる
高さ（Altitude）	抽象度を上げ、個々の作業でなく、その先の成果を考える
深さ（Depth）	その分野の第一人者のように、作業の一段下にあるデータ、道具、問題まで扱う
幅（Range）	作業が表向きに必要とする分野だけでなく、普段は使わない分野の知識や道具も使う

速さはAIの経済的な価値の中心で、既に定着しており、使い方の工夫もあまり要らないとして説明が省かれています。残りの3つはどれも架空の会社「Acme Inc」で四半期の業績レビュー（QBR）の資料を作る例で説明されています。データを渡せばClaudeはスライドを作り、テンプレートがあれば埋めてくれるところから、一段ずつ頼み方を変えていく構成です。

高さ：作業の先にある成果を頼む#

高さの考え方は、モデルに作業を渡すとき、その作業は「望む成果にたどり着くための自分の推測」にすぎないという見方から始まります。そこで「次に何が起きてほしいのか」「目的の先にある目的は何か」を自問します。氏は昨年の初めにはClaudeに個々のクラッシュの修正を頼んでいましたが、やがて「アプリがクラッシュしない状態を保つこと」を頼むようになったそうです。

QBRの例では頼み方を3段階で上げています。

1. テンプレートの数字を更新させるのではなく、手に入るデータをできるだけ渡し、「今期何が変わったのか、なぜか、どうすべきかを教えて」と頼む
2. 良い会議は、理想的には何かを決めて終わるので、「分かったことを踏まえて、最も急ぐ決定を3つ選び、それぞれ賛否の論点を添えて方向性を検討し始めて」と頼む
3. QBRは、人がデータを丁寧に読み解くしかなかった時代の仕組みだとして、「レビューの目的は、経営陣が問題を早く見つけ、資金と人を正しい場所に動かすこと。四半期の資料より良い方法を設計し、過去の実績からそれが問題をもっと早く見つけられたことを示し、今の方法と1四半期並行して運用して」と頼む

高さの頼み方が向くのは、最終的に求める成果がはっきりしているときで、創作にはあまり向かないそうです。取り組んでいる仕事について会議を開くことになりそうなら、高さを上げるとよい合図だとしています。限界もあり、「Claude、稼いできて」は2026年の時点では多くの事業で単独ではうまくいかないようですが、モデルの能力が上がるほど高い抽象度で動けるようになっているとも氏はみています。3段階目で、新しい方法を今の方法と1四半期並行して運用させているのは、良し悪しを実績で比べるためと読めます。

高さを上げると、人が毎回次の作業を渡さなくても回る仕組みも作れます。うまく回すには、仕事の流れを変える必要があることが多いそうです。クラッシュをなくす仕事をClaudeに任せる前に、氏はClaudeがクラッシュの報告を簡単に取得できるようにし、アプリのバージョンとGitのコミットの対応が分かるようにしました。さらに、修正を自分で再現して確かめられるよう、Windows、macOS、Linuxのコンピューターを使えるようにしています。

深さ：一流の専門家の道具と生の材料を使わせる#

深さは作業そのものを高い水準で仕上げたいときの方向です。その分野の一流の専門家が使う道具、手法、媒体、知識をモデルに使わせ、専門家でさえ何か学べる水準になるまで押し進めます。QBRの例では、Acme Incが顧客の解約に悩んでいると仮定して、次の5つの手法を挙げています。

• 一流と同じ道具を使わせる: 専門家のように振る舞うよう頼んでも、モデルは語彙だけを変え、手法を変えないことがよくあるといいます。Claudeがマークダウンの表で済ませようとしたら、データベースと統計モデルを使うよう求めます。専門家が何を使うかは、自分が知らなくてもClaudeが大抵知っているそうです
• 無茶な目標を、当然の目標として伝える: Webサイトの表示を10秒から5秒にしたいなら、200ミリ秒を求めます。モデルが不可能そうだと言っても、解ける問題で、続ければよいだけだと繰り返します
• 自分たちの思い込みを疑わせる: 生の情報とデータを渡し、前提を反証するつもりで確かめさせます。例は「解約はオンボーディングの問題だと考えている。生のデータからそれを再現してみて」です
• 新しい知見を作らせる: データの奥まで入ったところで、死角を探させます。例は「ログから昨年1年を再現する顧客のシミュレーションを作り、まだ知られていない最も早い解約の兆候を見つけ、学習に使っていないデータでそれが予測できることを示して」です
• 外部の判定を使う: モデル自身に採点させません。いずれはモデルの知能が上がって解決するとみつつ、2026年10月の時点では外部の検証を求めるよう強く勧めています。理想は、モデルが自分で実行してすぐに結果を受け取れる道具です

氏がよく使うという頼み方も載っています。訳すと次のとおりです。

この作業の、もっと大きい版ではなく、もっと深い版が欲しい。書き直す前に、
(1) この分野の一流の専門家なら、この作業で私が頼んでいないどんなことまで行うか
(2) 私向けに既に整理された材料ではなく、彼らが出発点にする一番生の材料は何か
(3) 彼らが使う具体的な手法と道具は何か
(4) あなたと私以外の何が、結果が正しいことを示すか
を挙げて、それをそのまま求める形に私の依頼を書き直して。

4つ目の問いは上の「外部の判定」を依頼の段階で決めておくものです。AIが書いたものの確認にかかる負荷は、AIでコードは増えたが、完了した作業は増えたと言えない：理解の負債でも取り上げました。

幅：ほかの分野の視点を集める#

幅は仕事を複数の分野の目で見ることです。以前なら割に合わなかった数の分野を動員できる点が、AIで変わったところだと氏は見ています。マルチエージェント（複数のスレッド、オーケストレーター、サブエージェント）を手軽に使えるようになったことで、Claudeに別の分野を持ち込むよう求めると面白い結果が出ているそうです。

実践には発想力が要ります。ゲームを作った経験がありながら、同僚がBlenderでインテリアのデザインを描画するのを見るまで、自分のホームページの3D空間をClaudeで作ることは思いつかなかったと氏は書いています。氏が使っている手法は次の2つです。

• 名詞を動詞に置き換える: Tom KelleyとJonathan Littmanの『The Art of Innovation』にある手法です。QBRは「資料」ではなく、「忙しい人に因果の筋書きを信じてもらい、不確かなまま30分で決めてもらうこと」だと言い換えます。動詞にすると、どの分野が役に立つ視点を持ち込めるかが、人にもClaudeにも分かりやすくなるといいます
• チームを集める: 「この資料が素晴らしくなければ、宇宙人が地球を爆破する。人類はどんなチームを組むか」と考えます。仕上がりの質のためにアナリスト、記者、編集者を、発表するならモーションと音響のデザイナーも呼びます。反対の立場から攻める役として、空売り投資家と、不正会計を調べる会計士も加えます

この手法はうっかりロールプレイになりやすいといいます。役を演じさせてもやり取りが妙になるだけで、成果は良くならないといいます。この手法の目的は役立つ分野と手法を見つけることです。空売り投資家を演じさせるのではなく、空売り投資家がポジションを取る前に行う調べ方を実行させる、という使い分けです。

3つに共通する前提：作業できる環境を渡す#

ここまでのどの方向も、モデルがソフトウェアをインストールできるコンピューターを持ち、関係するデータにMCPのコネクターなどでアクセスできることが前提だと氏はしています。そうした環境を作れる道具は多くあり、どれかを使うよう勧めています。クラッシュをなくす例で、氏がClaudeに任せる前に報告の取得や3つのOSのコンピューターを用意したのも、この前提に当たります。

なぜ野心が必要なのか：自己効力感と目標設定の研究#

記事の後半で氏はなぜこの手引きが必要なのかを説明しています。人はこれまでも、何が可能だと信じているかに縛られてきたうえ、自分を信じられるのはごく狭い分野だけだというのが氏の見方です。例として、彫刻家だったミケランジェロがシスティーナ礼拝堂の天井画を描きたがらなかった話を挙げています。

氏は心理学でこれを自己効力感と呼ぶと紹介しています。自己効力感は、目標を達成するために必要な行動を自分が取れるという信念のことで、心理学者のアルバート・バンデューラが1977年に提唱しました。

自己効力感は高められるという根拠に挙げられているのが、Edwin LockeとGary Lathamの研究です。2人が目標設定の研究35年分をまとめた2002年の論文では、具体的で難しい目標を与えたほうが、「ベストを尽くせ」と励ますより一貫して成果が高くなりました。論文は、ベストを尽くせという目標には外の基準がなく、人それぞれに解釈されるためだと説明しています。目標が難しいほど成果は高く、伸びが止まるか下がったのは、能力の限界に達したときか、難しい目標への意欲が途切れたときだけだったとしています。深さの節の「無茶な目標を当然の目標として伝える」は、この研究と同じ考え方をモデルへの頼み方に当てはめたものと読めます。

ほかにも、Stripeの創業者Patrick Collison氏が、野心的な目標と短い期限のもとで人が成し遂げたことを集めた「Fast」の一覧が紹介されています。BankAmericard（後のVisa）を90日で立ち上げた例や、ジェット戦闘機P-80を143日で設計・納入した例が並んでいます。難しいことを成し遂げるきっかけとしては、次の3つが挙がっています。

• 可能だと信じる: 1939年、George Dantzigは統計学の授業に遅刻し、黒板の2問を宿題だと思って解いて提出しました。それは統計学の未解決問題でした
• 誰かがやるのを見る: 1マイルを4分以内で走ることは長く目標とされていましたが、Roger Bannisterが1954年5月に達成すると、46日後には別の選手も続いたといいます
• 失敗することを自分に許す: 『The Inner Game of Tennis』の、力みすぎると最高のテニスはできないという主張や、「ただの趣味で、GNUのように大きく本格的にはならない」と告知されたLinuxを例に挙げています

自己効力感は新しい問題ではないものの、能力が数週間ごとに飛躍する今は影響が大きくなっている、と氏は書いています。だからこそ、自分が可能だと思っていなかったことに手を伸ばす方法が要るというのが、記事の結論です。