6月29日、O'Reillyが「What You Bring to AI Determines the Result」と題した記事を公開した。AIエデュケーターのHarper Carrollへのインタビューをもとに、ファインチューニングとプロンプティングの本質的な違い、2025年におけるコード学習の意義、そしてAIへの恐怖心が生む悪循環が論じられている。「同じAIを使っているのに、なぜ人によって結果がこれほど違うのか」——その問いへの答えが、この記事には凝縮されている。

ファインチューニングとプロンプティングは何が根本的に違うのか

この記事で最も読む価値があるのが、プロンプティングの限界とファインチューニングの本質についての解説だ。

その説得力の源泉は、Carrollの経歴にある。彼女はStanfordでCS（コンピュータサイエンス）を学び、MetaでMLエンジニアとして働いた後、2023年末に小規模なGPUコンピューティングスタートアップに転職した。そこでオープンソースモデルのファインチューニング方法を理解している人がほとんどいないことに気づき、ガイド記事の執筆と教育活動を始めた。Mistral 7Bのリリース直後に投稿した最初のガイドは、フォロワー50人の段階で5万ビューを獲得。2024年3月にはAIと機械学習の違いを解説した動画が500万ビューに達し、現在は複数のプラットフォームで合計50万人以上のフォロワーを持つフルタイムのAIエデュケーターだ。MLエンジニアとして現場でモデルを触ってきた彼女だからこそ、以下の指摘には実証的な重みがある。

Carrollは自分のInstagramキャプション、動画トランスクリプト、Xの投稿など約1,000件のデータを集め、Claudeにコンテキストとして渡したうえで「自分のスタイルで書いて」と指示した。しかし出力はAI検出ツールで100%AI判定された。

次に同じデータでオープンソースのLlamaモデルをファインチューニングしたところ、出力は100%ヒューマン判定になった。SXSWでのデモでは、この作業を約20分で完了してみせたという。

なぜプロンプティングでは限界があるのか。Carrollはこう説明する。

AIモデルは巨大な数式であり、パラメータはトレーニング中は変数だが、推論（inference）実行時には定数になる。トレーニングとは、変数の段階でその定数を調整しながら「入力から目的の出力へのマッピング」を学ぶプロセスだ。

モデルがデプロイされると、出力トークンの確率分布は固定される。プロンプトに1,000件の例を詰め込んでも、重み（weights：ニューラルネットワークの学習済みパラメータ）は凍結されたままだ。表面上の振る舞いは多少変わるが、根底にある分布はシフトしない。ファインチューニングは重みそのものを書き換えるため、モデルが「書きたい」方向性ごと変わる。

Carrollが提案するトレーニングデータの作り方も実践的だ。自分の文章をAIに書き直させてAI臭い文章を生成し、「AI版を入力、自分のオリジナルを正解」として学習させる。モデルに「AI臭さを消す方法」を逆算で教える手法だ。

「コードは学ぶべきか」への答え

CarrollとO'Reillyのティム・オライリーは、学ぶべきだが、従来のやり方である必要はないという点で一致している。

ヴァイブコーディング（Vibe Coding：自然言語だけでコードを生成させる開発スタイル）は参入のハードルを下げた。これまで開発者を雇えなかった人が自分でプロダクトを作れるようになった。一方で、システムを理解している人間は同じツールを使いながら圧倒的に高度なものを作れる。AIが「媒体（medium）」である以上、何を持ち込むかで結果が変わるというこの記事の核心テーマがここでも効いてくる。

Carrollが挙げた具体例が鋭い。あるエージェントツールを使っていた友人が、いつの頃からかWordドキュメントをデータベース代わりに使い始めていたことに長期間気づかなかった。エンジニアなら即座に問題と分かるが、ヴァイブコーダーは何ヶ月も走らせてしまうかもしれない。

コードの詳細な構文を覚えることより、ソフトウェアアーキテクチャの概念を理解することの方が重要、というのが彼女の結論だ。

「AIは怖い」という語り口が生む問題

CarrollはAI分野が対外的なコミュニケーションで犯している最大の誤りとして、「恐怖から入る」語り口を挙げる。雇用喪失、AGIの急接近、ベーシックインカムの必要性——こうした話題が先行しすぎている。

彼女はこう言い切る。「今、AIについて恐れるべきことはほとんどない。AIは優れた生産性ツールだ。」苦労するのは、AIを一切使おうとしない人たちだ、と。

恐怖を前面に出すコミュニケーションは回避行動を生む。そして回避こそが、本当に人を取り残す唯一の要因だというのが、この記事の最も重要な主張の一つだ。

また、多くの企業がAIを「同じことをより安くやる手段」として使っていることへの批判もある。正しい問いは「いかにコストを下げるか」ではなく「いかに野心を高めるか」だ。AIは個人の能力だけでなく、組織が挑戦できる範囲そのものを拡張する——ただし、全員がAIを実際に学ぶことが前提になる。

AIという「媒体」に何を持ち込むか

記事全体を貫くフレームは、AIを言語や写真と同じ「媒体」として捉える視点だ。言語はすべての作家に平等に開かれているが、それで何をするかは人によって全く異なる。同じプロンプトを渡しても、一方は凡庸な出力を受け取り、もう一方はAIを中心にプロセス全体を設計して卓越した成果を出す。

AIに何を持ち込むか——スキル、判断力、直感——がそのまま結果を決める。Carrollが「直感はデータの示すパターンに逆らうことがある」と指摘するように、AIが最も苦手とする領域がそこにある。人間の直感は、しばらくの間は「唯一無二のスキル」であり続けるかもしれない。

自分のスタイルでAIを動かしたい、あるいはファインチューニングを実際に試してみたいと感じた読者は、Carrollが公開しているガイドやチュートリアルを起点にするのが手っ取り早いだろう。プロンプトを磨き込む前に、まず「何を持ち込むか」を問い直すことが、次のステップになる。

詳細はWhat You Bring to AI Determines the Resultを参照していただきたい。