生成AIの進化は、単なるチャットツールの域を超え、ついに「知的労働の構造」そのものを変え始めています。近年では、東大入試をAIに解かせる実験が行われ、Google系AIであるGeminiが文系科目で高い評価を受け、AnthropicのClaudeが日本史でトップクラスの性能を示したことが注目されました。これは単なる“学力競争”ではありません。各AIの設計思想の違いが、情報整理・文脈理解・人間的文章生成にそのまま現れているのです。本記事では、Gemini・Claude・OpenAI系AIを比較しながら、「なぜ得意分野が分かれるのか」を構造的に分析します。そして最終的には、「自組織内のデータや業務を、どのAIとどう連携させるべきか」という実務視点へ接続していきます。前編ではまず、“AIの知性の違い”そのものに焦点を当てます。
第1章：東大入試で見えたAIごとの「知性の違い」
本章では、東大入試を題材にしたAI比較から、各モデルの「知性の設計思想」の違いを整理します。結論として、AIの優劣は単純な知識量では決まりません。情報構造をどう扱うか、文脈をどう保持するか、人間の採点者にどう自然に見えるか――その違いが結果に現れています。これは将来の業務AI選定にも直結する重要な視点です。
1-1. なぜGeminiは文系科目で強いのか
Google系AIであるGeminiは、文系科目で特に高い評価を受けました。これは単なる言語能力の問題ではなく、Googleが長年培ってきた「情報構造化」の思想が強く反映されているためです。
東大文系の問題では、単純な暗記ではなく：
- 設問意図の把握
- 資料間の関係理解
- 抽象度の調整
- 論点整理
が求められます。
Geminiは検索・要約・知識グラフ技術の延長線上にあるため、
「全体構造の中で、この情報をどう位置づけるか」
という処理に非常に強い特徴があります。
そのため：
- 論点逸脱が少ない
- 設問への忠実度が高い
- 減点されにくい
という傾向が現れます。
1-2. なぜClaudeは日本史で強いのか
一方で、日本史記述ではAnthropicのClaudeが非常に高い評価を受けました。
これは単なる知識量では説明できません。
日本史記述では：
- 時代感覚
- 断定の強弱
- 因果関係の自然さ
- 語感の違和感の少なさ
が重要です。
Claudeは長文でも文脈を崩しにくく、
「人間が読んで自然に感じる文章」
を作る能力に優れています。
特にAnthropicは、AIの一貫性や文脈維持を重視しており、これが歴史記述との相性の良さにつながっています。
第2章：AIが苦手とする「比喩・皮肉・暗黙知」
本章では、AIが依然として苦手とする領域について整理します。結論として、AIは論理や構造では人間を超え始めていますが、「場の空気」や「暗黙知」の理解では限界を抱えています。特に日本語特有の曖昧さは、現在のLLMにとって大きな壁となっています。
2-1. なぜ比喩や皮肉は難しいのか
比喩や皮肉では、言葉の表面と真意が意図的にズレています。
例えば：
「素晴らしい会議でしたね」
という発言が、実際には批判を意味する場合があります。
人間は：
- 表情
- 場の空気
- 過去の関係性
- 共有経験
を前提に意味を補完しています。
しかしLLMは基本的に：
「次にもっともらしい単語を予測する」
構造です。
そのため、暗黙知が不足すると表層的解釈に倒れやすくなります。
2-2. ClaudeとGeminiとGPT系の違い
この領域では各AIに個性があります。
| AI | 特徴 |
|---|---|
| Claude | 長文文脈保持に強い |
| Gemini | 背景知識統合が強い |
| GPT系 | タスク処理と構造化が強い |
Claudeは特に：
- 含みのある表現
- 遠回しな日本語
- 歴史叙述
との相性が良い傾向があります。
一方でGPT系は：
- 業務分解
- ルール処理
- 構造化判断
に強みがあります。
第3章：なぜ「ChatGPT系」はインハウスで見えにくかったのか
本章では、OpenAI系AIが企業のインハウス環境で長く見えにくかった理由を整理します。結論として、従来のChatGPTはSaaS型であり、データ主権や監査要件との相性が悪かったためです。しかし現在では状況が変わり始めています。
3-1. ChatGPTはなぜオンプレ運用できなかったのか
従来のChatGPT系モデルは：
- クラウド前提
- モデル非公開
- API利用中心
という構造でした。
そのため：
- 機密情報を扱いにくい
- 監査ログを制御しづらい
- データ主権要件に弱い
という問題がありました。
このため企業では：
「AIは便利だが、内部業務には使いにくい」
という認識が広がっていました。
3-2. OpenAI系OSSモデルの登場
しかし近年、OpenAIはオープンウェイト系モデルを公開し始めています。
特に注目されているのが：
- gpt-oss-20B
- gpt-oss-120B
などのモデルです。
これらは：
- Ollama対応
- オンプレ実行可能
- API費用不要
という特徴を持っています。
これによって：
「ChatGPT系はインハウスでは使えない」
という状況が変わり始めています。
第4章：AI比較の本質は「知能競争」ではない
本章では、ここまでの議論を整理し、「AI比較」の本質を考察します。結論として、今後重要なのは“どのAIが最強か”ではなく、“どのAIをどの業務に配置するか”です。つまり、AIの役割分化こそが実務上の核心になります。
4-1. AIは「万能知能」ではなく役割分化する
ここまで見てきた通り：
- Gemini → 情報構造理解
- Claude → 文脈保持
- GPT系 → 構造化判断
という違いがあります。
これはつまり、AIが：
「万能化」
するのではなく、
「専門化」
していることを意味します。
4-2. 次の焦点は「組織との接続」になる
重要なのは、AI単体の性能ではありません。
本当に重要なのは：
- 社内データとどう接続するか
- 業務フローにどう組み込むか
- 責任をどう分離するか
という設計です。
つまり今後の主戦場は：
「AIそのもの」
ではなく、
「AIを組織内でどう配置するか」
へ移行していきます。
後編では、この流れを受けて：
- インハウスAI三層構造
- 判定／文脈／責任の分離
- Claude費用問題の解決法
- gpt-ossとOllamaの実務設計
- RAGと業務DB統合
について、実装・運用レベルまで踏み込んで解説していきます。
まとめ
今回見えてきたのは、AIの進化が単なる「高性能化」ではないという点です。
- Geminiは構造を読む
- Claudeは文脈を維持する
- GPT系は判断を整理する
つまりAIは、それぞれ異なる知性を持ち始めています。
そして今後の本当の競争は：
「どのAIが賢いか」
ではなく、
「どのAIを、どの責任構造の中で使うか」
へ移行していきます。
〆最後に〆
以上、間違い・ご意見は
以下アドレスまでお願いします。
全て返信できていませんが 見ています。
適時、改定をします。
nowkouji226@gmail.com
