LLMを使いこなす力は、プロンプト術より専門性に宿る

Sean Goedeckeの文章は、LLM活用の差を「プロンプトの書き方」だけで説明しない。重要なのは、その答えが変か、複雑すぎるか、別の方向へ進むべきかを判断できる専門性だ。例として挙げられるのは、Terence TaoがChatGPTと数学の問題を扱った短く精密なやり取りである。

Taoはモデルをそのまま信じていない。答えが遠回りに見えれば押し戻し、別の構成を示し、長い返答から使える部分だけを拾う。これは文面だけを真似しても再現しにくい。背景の数学が分からなければ、どこが重要なのかを選べないからだ。

ソフトウェア開発でも同じことが起きる。コードベースを知るエンジニアは、既存パターンの再利用、設計の簡略化、ローカルな制約をLLMに具体的に伝えられる。文脈がない場合でも成果は出せるが、検証と誘導の精度は落ちやすい。

Hacker Newsの議論では、よく知る領域ではAI支援が強く働き、知らない領域ではもっともらしい出力の危うさが増すという経験談が多く並んだ。論点は、LLMが弱いという話ではない。モデルが強くなるほど、人間側の判断が別の形で重要になるという話だ。

LLMは一般的な作業の入口を広げる。一方で、望む解を正確に伝え、出力を評価し、必要なら軌道修正する力は専門性に支えられる。情報がモデルの中にあっても、それを適切な形で引き出す人間の役割は残る。